-
HINTERGRUND DER ERFINDUNG
-
1. Gebiet der Erfindung
-
Die Erfindung bezieht sich allgemein auf ein System und ein Verfahren zur Abschätzung des Batterieladezustandes (SOC) und insbesondere auf ein System und ein Verfahren zur Abschätzung eines Batterieladezustandes, das das Berechnen eines Stromänderungsindex beinhaltet, um zu bestimmen, ob der Batteriestrom genug Anregung enthält, so dass ein integrierter Echtzeitabschätzalgorithmus, wie zum Beispiel ein rekursives Verfahren nach den kleinsten Quadraten (RLS von ”recursive least squares”) eine genaue Abschätzung des Ladezustands bereitstellt.
-
2. Diskussion des Standes der Technik
-
Elektrofahrzeuge werden immer häufiger. Diese Fahrzeuge beinhalten Hybridfahrzeuge, wie zum Beispiel Elektrofahrzeuge mit verlängerter Reichweite (EREV), die eine Batterie und eine Hauptantriebsquelle, wie zum Beispiel eine Verbrennungskraftmaschine, ein Brennstoffzellensystem etc. beinhalten, und reine Elektrofahrzeuge wie zum Beispiel batteriebetriebene Elektrofahrzeuge (BEV). All diese Arten von Elektrofahrzeugen verwenden eine Hochvoltbatterie, die eine Anzahl von Batteriezellen umfasst. Diese Batterien können verschiedene Batteriearten sein, wie zum Beispiel eine Lithium-Ionen-Batterie, eine Nickel-Metallhydrid-Batterie, eine Blei-Batterie etc. Ein typisches Hochvoltbatteriesystem für ein Elektrofahrzeug kann 196 Batteriezellen aufweisen, die ungefähr 400 V liefern. Das Batteriesystem kann auch einzelne Batteriemodule beinhalten, wobei jedes Batteriemodul wiederum eine gewisse Anzahl von Batteriezellen enthalten kann, so zum Beispiel 12 Zellen. Die einzelnen Batteriezellen können miteinander elektrisch in Reihe gekoppelt sein oder eine Reihe von Zellen kann elektrisch parallel gekoppelt sein, wobei eine Zahl von Zellen in dem Modul in Reihe geschaltet ist und jedes Modul mit den anderen Modulen elektrisch parallel gekoppelt ist. Verschiedene Fahrzeugkonzepte erfordern verschiedene Batteriekonzepte, die verschiedene Vor- und Nachteile für die einzelne Anwendung beinhalten.
-
Batterien spielen eine wichtige Rolle bei der Stromversorgung von Elektrofahrzeugen und Hybridfahrzeugen. Die Wirksamkeit der Batterieregelung und des Powermanagements ist essentiell für die Fahrleistung, den Kraftstoffverbrauch, die Lebensdauer der Batterie und den Komfort der Passagiere. Für die Batterieregelung und das Powermanagement müssen zwei Kenngrößen der Batterie, nämlich der Ladezustand (SOC) und die Batterieleistung vorhergesagt oder geschätzt und in Echtzeit überwacht werden, da diese keine messbaren Größen während des Fahrzeugbetriebs darstellen. Der Batterieladezustand und die Batterieleistung können unter Zuhilfenahme eines Ersatzschaltbildmodells der Batterie abgeschätzt werden, das die Batterieleerlaufspannung (OCV), den Batterieinnenwiwiderstand und ein RC-Glied mit Widerstand und Kapazität mittels der Batterieklemmspannung und des Stroms definiert. Demzufolge müssen beide Batteriekenngrößen von den Batterieparametern abgeleitet werden, wobei die Batterieparameter von der Batterieklemmenspannung und dem Strom geschätzt werden. Ein paar Batteriezustandsabschätz-Algorithmen wurden in der Vergangenheit entwickelt unter Zuhilfenahme verschiedener Methoden und einige davon wurden in Fahrzeugen implementiert.
-
Es ist bestens bekannt, dass die Batteriedynamik generell nichtlinear ist und stark von den Batteriebetriebsbedingungen abhängt. Allerdings kann für eine integrierte Batterieparameterabschätzung ein lineares Modell, das einige Frequenzkorrekturterme beinhaltet, herangezogen werden, um die hauptsächliche Batteriedynamik in einer spezifischen Anwendung zu aproximieren, beispielsweise eine Leistungsvorhersage oder eine Ladezustandsabschätzung. Der Hauptgrund dafür ist, dass für integrierte Anwendungen nur eine begrenzte Rechenleistung und ein begrenzter Rechenspeicher zur Verfügung stehen. Andererseits ist aber auch, wenn eine unbegrenzte Rechenleistung und ein unbegrenzter Rechenspeicher zur Verfügung stünden, eine genaue Abschätzung von allen Batterieparametern in einem komplexen Modell mit so viel wie möglichen Frequenzkorrekturen nicht zu garantieren, weil die Anregung von Signalen, normalerweise die Batterieklemmenspannung und der Klemmenstrom, begrenzt ist. Demzufolge ist es weder praktisch noch notwendig, in einem Modell alle Frequenzkorrekturterme zu berücksichtigen, so lange ein Abschätzungsfehler, der von Modellunsicherheiten herrührt, innerhalb eines akzeptablen Bereichs für die spezifische Anwendung liegt.
-
Um Rechenspeicher und Rechenaufwand zu minimieren, wird demnach ein einfaches Batteriemodell bevorzugt. Andererseits müssen verschiedene Anwendungen durch verschiedene Frequenzkorrekturterme charakterisiert werden. Beispielsweise ist die Merkmalsfrequenz, um den Hochfrequenzwiderstand einer Batterie zu charakterisieren, viel höher als die Merkmalsfrequenz, die eine Änderung in der Batterieleistung charakterisiert. Ein einfaches Modell mit begrenzten Frequenzmoden führt zwangsläufig zu Fehlern und Unsicherheiten, da nicht alle Merkmalsfrequenzen für verschiedene Anwendungen voll abgedeckt werden können.
-
Die US-Patentanmeldung, Seriennummer 11/867,497, angemeldet am 4. Oktober 2007 und veröffentlicht unter der Veröffentlichungsnummer
US 2009/0091299 mit dem Titel ”Dynamisch adaptives Verfahren zum Ermitteln des Ladezustands einer Batterie”, angemeldet unter dem Anmelder der vorliegenden Erfindung und hiermit durch Bezugnahme inkorporiert in die vorliegende Anmeldung, zeigt ein Verfahren zum Ermitteln des Batterieladezustands und der Batterieleistung mittels vier Batterieparametern, nämlich der Batterieleerlaufspannung, dem Ohm'schen Widerstand und Widerstand und Kapazität eines RC-Gliedes.
-
Eine bekannte Technik zum Abschätzen eines Batterieladezustandes ist das rekursive Verfahren der kleinsten Quadrate (RLS von ”recursive least squares”), um die Leerlaufspannung Voc abzuschätzen, aus dem gemessenen Batteriestrom I und der Batteriespannung V. In RLS-Algorithmen werden lineare Gleichungen verwandt, die Matrizen beinhalten, welche unabhängige Reihen von Daten benötigen, um die Gleichungen zu lösen. Diese Daten werden aus dem Batteriestrom I gewonnen, der sich unter verschiedenen Raten von einer Messzeit zur nächsten ändern muss, um eine Lösung für die Gleichungen darzustellen. Mit anderen Worten, der RLS-Algorithmus kann nicht effektiv sein, um den Batterieladezustand zu bestimmen, wenn sich der Strom nicht signifikant mit der Zeit ändert, da die Gleichungen in den RLS-Berechnungen gleich bleiben oder ungefähr gleich bleiben, von einem Messpunkt zum nächsten. Mit anderen Warten, ist die Qualität der regressiv ermittelten Leerlaufspannung Voc eine Funktion der Eingangsgrößenanregung, wobei eine größere Anregung einen besseren Leerlaufspannungsausgang produziert. Ein Mangel an Anregung muss detektiert werden, so dass ein qualitativ schlechter Ausgang in der Ladezustandsabschätzung nicht benutzt wird. Zu den bekannten Techniken zum Bestimmen, ob sich der Strom mit ausreichend verschiedenen Raten ändert, gehört das Überwachen der Regressionsmathematik durch ein Geteilt-durch-Null-Szenario. Allerdings war die Detektion manchmal zu langsam, um eine Instabilität zu verhindern und einen Verlust an Ladezustandsgenauigkeit bei allen Bedingungen.
-
Sobald sich der Batteriestrom nur minimal ändert, ergeben die Werte in den Matrizen der linearen Gleichungen eine Lösung. Diese Lösung garantiert jedoch nicht, korrekt zu sein, so dass die Genauigkeit der Berechnungen nicht akzeptabel ist. Die resultierende Batterieladezustandsabschätzung kann nicht genau bestimmt werden. Typischerweise ist es schwierig, festzulegen, welche Schwellwerte eingesetzt werden sollten für eine akzeptable Batteriestromänderungsrate, unterhalb der die Batterieladezustandsabschätzung nicht genau sein wird.
-
Sobald der RLS-Algorithmus nicht akzeptabel ist, um einen genauen Batterieladezustand zu berechnen, wird er zu diesem Zweck nicht herangezogen und die Batteriemanagementalgorithmen benutzen ein anderes Modell, um den Batterieladezustand zu berechnen, beispielsweise die Coulomb- oder Stromintegration. Typischerweise ist es nicht wünschenswert, die Cloulomb-Integration heranzuziehen, um den Batterieladezustand allein zu bestimmen, da dafür eine genaue Batteriestromhistorienaufzeichnung für die Integration notwendig ist und die Stromsensoren, die bei Kraftfahrzeuganwendungen typischerweise benutzt werden, um den Batteriestrom zu messen, nicht genau genug sind. Daher erzeugt das Nichtwissen des ursprünglichen Stromwertes in den Berechnungen einen Fehler, der mit der Zeit anwächst.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Im Einklang mit den Lehren der vorliegenden Erfindung, wird ein System und ein Verfahren zur Bestimmung offenbart, ob ein integriertes Abschätzungsverfahren, beispielsweise ein rekursives Least-Squares-Regressions-Verfahren, effektiv den Ladezustand einer Batterie berechnen kann. Das Verfahren beinhaltet das Bestimmen einer Strommesszeit und einer vorangegangenen Messzeit und das Messen des Batteriestroms. Das Verfahren berechnet dann eine Variation des gleitenden Durchschnitts des gemessenen Stroms und einen Stromänderungsratenindex, der durch Mitteln des Absolutwertes der Variation des gleitenden Durchschnitts des Stroms bestimmt wird, wobei der gemessene Strom und die gleitenden Mittelwerte, die von den vorhergehenden Messzeiten berechnet wurden, benutzt werden. Das Verfahren bestimmt dann, ob der Stromänderungsindex größer ist als ein vorbestimmter Schwellwert und, sollte das der Fall sein, bestimmt, dass die Abschätzung des Batterieladezustands, der aus dem integrierten Abschätzverfahren resultiert, gültig ist.
-
Weitere Merkmale der vorliegenden Erfindung werden aus der folgenden Beschreibung und den beigefügten Patentansprüchen zusammen mit den beigefügten Figuren verständlich.
-
KURZE BESCHREIBUNG DER FIGUREN
-
1 ist eine vereinfachte Draufsicht auf ein Hybridfahrzeug mit einer Batterie und einer Hauptantriebsquelle;
-
2 ist ein Flussdiagramm zum Bestimmen des Betriebs eines Algorithmus, ob ein Batteriestrom sich schnell genug ändert, so dass ein rekursiver Least-Squares-Algorithmus zur genauen Abschätzung eines Batterieladezustandes herangezogen werden kann; und
-
3 ist ein Blockdiagramm eines Systems zur Bestimmung, ob ein Batteriestrom sich mit genug Anregung ändert, so dass ein Abschätzalgorithmus den Batterieladezustand genau bestimmen kann.
-
DETALLIERTE BESCHREIBUNG DER AUSFÜHRUNGSBEISPIELE
-
Die folgende Diskussion der Ausführungsbeispiele der Erfindung, die auf ein System und ein Verfahren zum Bestimmen gerichtet ist, ob ein RLS-Algorithmus effektiv benutzt werden kann, um den Batterieladezustand zu bestimmen ist rein beispielhafter Natur und dient in keiner Weise dazu, um die Erfindung oder die Anwendung der Erfindung oder die Verwendung der Erfindung zu beschneiden. Beispielsweise findet die Erfindung Anwendung beim Betrieb von Fahrzeugbatterien. Allerdings ist es Fachleuten sofort klar, dass die hier offenbarte Technik auch außerhalb von Fahrzeuganwendungen zur Anwendung kommen kann.
-
1 ist eine vereinfachte Draufsicht auf ein Fahrzeug 10 mit einer Hochvoltbatterie 12 und einer Hauptantriebsquelle 14, wobei das Fahrzeug 10 dazu dient, jegliche Art von Hybridfahrzeugen darzustellen, beispielsweise Hybridfahrzeuge mit einer Verbrennungskraftmaschine, Brennstoffzellenfahrzeuge etc. Die Batterie 12 kann jegliche Art von Batterie sein, die für ein Hybridfahrzeug geeignet ist, beispielsweise eine Blei-Batterie, eine Metall-Hydrid-Batterie, eine Lithium-Ionen-Batterie etc. Das Fahrzeug 10 dient auch dazu, jede Art von reinem Elektrofahrzeug darzustellen, das nur eine Batterie als Antriebsquelle verwendet. Das Fahrzeug 10 beinhaltet ein Steuergerät 16, das dazu dient, alle Steuermodule und Vorrichtungen darzustellen, die für einen sauberen Betrieb und die Leistungsregelung notwendig sind, die von der Batterie 12 und der Antriebsquelle 14 stammen, um das Fahrzeug 10 zu fahren, die Batterie 12 wieder aufzuladen durch die Antriebsquelle 14 oder durch regeneratives Bremsen und um den Batterieladezustand und das Leistungsvermögen zu bestimmen.
-
2 ist ein Flussdiagramm 20, das einen Algorithmus zur Bestimmung zeigt, ob ein Batteriestrom sich mit genug Anregung ändert, so dass die Batterieleerlaufspannung Voc genau aus der Batterieklemmspannung und dem Strom abgeschätzt werden kann, wobei ein Abschätzalgorithmus, beispielsweise ein RLS-Algorithmus benutzt wird. Im Kasten 22 misst der Algorithmus den Batteriestrom unter Zuhilfenahme eines Stromsensors (nicht gezeigt) und bestimmt eine Strommesszeit t. Aus der Strommessung berechnet der Algorithmus eine Variation des gleitenden Mittelwerts des Stroms Im im Kasten 24 unter Zuhilfenahme der unten angegebenen Gleichung (1). Die Variation des gleitenden Strommittelwerts Im ist ein Mittelwert der Batteriestromvariation über verschiedene aufeinander folgende Messzeiten Im(i) = a[Im(i – 1)] + I(i) – I(i – 1) (1), wobei a ein vorbestimmter Koeffizient, I(i) der bei einer Strommesszeit t aufgenommene Strom, I(i – 1), der in einer vorhergehenden Messzeit aufgenommene Strom i – 1 und Im(i – 1) die berechnete Variation des gleitenden Durchschnitts des Stroms aus der vorhergehenden Messzeit I – 1 ist.
-
Der stromvariationsgleitende Strommittelwert Im(i) wird dann dazu benutzt, um einen Stromänderungsratenindex Ic im Kasten 26 mit der Gleichung (2) zu bestimmen. Der Index Ic ist der Mittelwert des Absolutwertes des stromvariationsgleitenden Durchschnitts Im über verschiedene aufeinander folgende Messzeiten Ic(i) = b[Ic(i – 1)] + (1 – b)[|Im(i)|] (2), wobei b eine vorbestimmte Konstante und Ic(i – 1) der gleitende Mittelwert des Absolutwertes der Variation des gleitenden Durchschnitts des Stroms Im aus der letzten Messzeit i – 1 darstellt. Es wird angemerkt, dass andere Arten von Normfunktionen als der Absolutwert ebenfalls in der Gleichung (2) angewendet werden können, beispielsweise: Ic(i) = b[Ic(i – 1)] + (1 – b)[Im2(i)] (3)
-
Der Algorithmus bestimmt dann, ob der Index Ic oberhalb eines vorbestimmten Schwellwertes in der Entscheidungsraute 28 ist und, sollte das der Fall sein, nimmt der Algorithmus dann einen rekursiven Least-Squares-Regressionsalgorithmus (RLS) hinzu, um den Batterieladezustand im Kasten 30 in bekannter Art zu bestimmen, wie es zum Beispiel in der oben erwähnten Patentanmeldung beschrieben wird. Die Batterieleerlaufspan-nung Voc wird mittels des RLS-Algorithmus berechnet und danach wird der Batterieladezustand aus einer Lookup-Tabelle bestimmt, die aus der Leerlaufspannung Voc und der Batterietemperatur T basiert. Der RLS-Algorithmus, der hier erläutert wird, benutzt eine Regression der Klemmenspannung und des Stroms, um die Leerlaufspannung (OCV) und den Ohm'schen Widerstand R abzuschätzen, das heißt den Hochfrequenzwiderstand. Der Batterieladezustand wird dann aus der Leerlaufspannung mit der Lookup-Tabelle bestimmt. Die Leerlaufspannung und das Potential über den Ohm'schen Widerstand R werden von der Klemmenspannung subtrahiert. Die resultierende Spannung wird darüber hinaus weiteren Regressionsverfahren unterworfen, um andere Batterieparameter zu bekommen.
-
Wenn der gleitende Mittelwert Ic kleiner als der Schwellwert in der Entscheidungsraute 28 ist, beinhaltet der Batteriestrom nicht genug Anregung, um genug Information für den RLS-Algorithmus bereitzustellen oder für einen anderen Abschätzalgorithmus, um genau die Leerlaufspannung Voc abzuschätzen. In diesem Fall wird die Coulomb-Integration im Kasten 32 verwendet, um den Batterieladezustand auf bekannte Art und Weise zu bestimmen.
-
Die 3 ist ein Blockdiagramm eines Systems 40, der bestimmt, ob der RLS-Algorithmus oder ein anderer Abschätzalgorithmus dazu in der Lage ist, einen genauen Batterieladezustand wie oben diskutiert anzugeben. Der gemessene Batteriestrom I wird auf der Leitung 42 an einen Kasten 44 überbracht, der die Variation des gleitenden Durchschnitts Im mit der Gleichung (1) bestimmt. Der gemessene Strom I wird um eine Messzeit t im Kasten 46 verzögert und die Variation des gleitenden Durchschnitts des Stroms, die vorausgegangen war, Im(i – 1) wird an den Kasten 44 über den Verzögerungskasten 48 übermittelt. Der Ausgang des Kastens 44 wird im Kasten 52 mit der Konstanten a aus dem Kasten 50 multipliziert, was die Variation des gleitenden Mittelwerts Im des Stroms für die Strommesszeit t ergibt.
-
Der Index Ic der Variation des gleitenden Mittelwerts Im des Stroms wird dann mit der Gleichung (2) berechnet. Der Absolutwert der Variation des gleitenden Mittelwerts Im des Stroms wird an den Kasten 56 übergeben. Die Konstante b wird vom Kasten 58 bereitgestellt und der Wert 1 wird vom Kasten 62 an den Kasten 60 übermittelt, so dass der Wert (1 – b) bestimmt wird. Der Wert (1 – b) wird mit dem Absolutwert der Variation des gleitenden Mittelwerts Im des Stroms im Kasten 64 multipliziert und der verzögerte gleitende Mittelwert Im(i – 1) wird von der Verzögerungsbox 66 bereitgestellt und wird mit der Konstanten b im Kasten 68 multipliziert. Die zwei multiplizierten Werte aus den Kästen 64 und 68 werden dann im Kasten 70 addiert, um den Index Ic zu bekommen, der dann mit dem Schwellwert wie oben diskutiert verglichen wird.
-
Die vorherige Diskussion offenbart und beschreibt die vorliegende Erfindung rein beispielhaft. Ein Fachmann kann der Diskussion und aus den beigefügten Figuren und Patentansprüchen viele Änderungen, Modifikationen und Variationen erkennen, die gemacht werden können, ohne den Geist und den Bereich der vorliegenden Erfindung, wie er von den folgenden Patentansprüchen definiert wird, zu verlassen.
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
