DE102011079159A1

DE102011079159A1 - Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie

Info

Publication number: DE102011079159A1
Application number: DE102011079159A
Authority: DE
Inventors: Simon Schwunk; Stefan Matting; Matthias Vetter; Nils Armbruster
Original assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Current assignee: Fraunhofer Gesellschaft zur Forderung der Angewandten Forschung eV
Priority date: 2011-05-18
Filing date: 2011-07-14
Publication date: 2012-11-22
Also published as: WO2012156233A2; EP2710391A2; WO2012156233A3

Abstract

Eine Vorrichtung (100) zum Bestimmen eines Zustandsparameters (122) einer Batterie umfasst einen Spannungsdetektor (110) und einen Prozessor (120). Der Spannungsdetektor (110) misst eine Klemmspannung (Umess) der Batterie. Der Prozessor (120) berechnet eine Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben (102) einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung. Des Weiteren bestimmt der Prozessor (120) eine Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung (Umess, SOC, ΔSOC). Ferner berechnet der Prozessor (120) den Zustandsparameter (122) der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren.

Description

Ausführungsbeispiele gemäß der Erfindung beziehen sich auf die Zustandsbestimmung von Batterien und insbesondere auf eine Vorrichtung und ein Verfahren zum Bestimmen eines Zustandsparameters einer Batterie.
In Anwendungen mit Batterien ist es beispielsweise notwendig für die Regelung des Systems und zum Teil für die Alterungsbestimmung, den genauen Ladezustand einer Batterie zu kennen. Auf Basis des Ladezustands werden dann Entscheidungen getroffen wie zum Beispiel, ob eine Batterie noch weiter belastet werden darf, warm ein günstiger Zeitpunkt zum Laden oder auch zum bevorzugten Entladen der Batterie ist, oder für eine Leistungs- oder Energievorhersage auf Basis eines Batteriemodells.
Übliche Anwendungen sind zum Beispiel Handys und Laptops. Immer mehr in den Vordergrund rücken nun allerdings Anwendungen für Elektro- und Hybridfahrzeuge, sowie stationäre Anwendungen im netzgekoppelten und netzunabhängigen Bereich zur Stromversorgung, in denen komplexere Verbrauchsprofile und höhere Anforderungen an die Zuverlässigkeit und Güte der Ladezustandsbestimmung herrschen.
Das Problem einer zuverlässigen Ladezustandsbestimmung ist bekannt und für einige Batterietypen wie Blei oder LiCoO2 gegen Graphit einigermaßen gelöst worden. Hierzu gibt es verschiedene Ansätze, wie den Einsatz von regelbasierten Systemen oder Kalman-Filtern. Allerdings ist keiner dieser Ansätze in der Lage, für Batteriezellen mit flacher Kennlinie und Hysterese den Ladezustand zuverlässig und mit hinreichender Genauigkeit zu bestimmen.
Regelbasierte Systeme sind schwer zu entwickeln, da die Erstellung der Regeln sehr aufwändig ist und häufig über einen großen Erfahrungsschatz verfügt werden muss.
Der Kalman-Filter wie er in Gregory L. Plett ”Sigma-point Kalman filtering for battery management systems of LiPB-based HEV battery packs, Part 1: Introduction and state estimation”, Gregory L. Plett ”Sigma-point Kalman filtering for battery management systems of LiPB-based HEV battery packs, Part 2: Simultaneous state and parameter estimation”, Gregory L. Plett ”Extended Kalman filtering for battery management systems of LiPB-Based HEV battery packs, Part 1. Background”, Gregory L. Plett ”Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs, Part 2. Modeling and identification” and Gregory L. Plett ”Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs, Part 3. State and parameter estimation” dargelegt wurde, ist heutzutage gebräuchlich zur Zustandsbestimmung. Der Kalman-Filter ist in der Lage den Fehler der Schätzung miteinzubeziehen. Er beruht auf zwei Schätzmethoden – zumeist einem Amperestundenzähler und einem Klemmenspannungsmodell – welche entsprechend ihres Fehlers verrechnet werden. Da die Fehler bei der Kalman-Filter Methode normalverteilt mit einem Mittelwert Null sein müssen, ist er allerdings nicht in der Lage mit der Mehrdeutigkeit einiger Batteriesysteme umzugehen.
Die Aufgabe der vorliegenden Erfindung ist es, ein Konzept zum Bestimmen eines Zustandsparameters einer Batterie zu schaffen, das es ermöglicht, auch bei Batterien mit flacher Leerlaufspannungskennlinie und/oder Hysterese der Leerlaufsspannungskennlinie den Zustandsparameter mit hoher Zuverlässigkeit und/oder hoher Genauigkeit zu bestimmen.
Diese Aufgabe wird durch eine Vorrichtung gemäß Anspruch 1 oder ein Verfahren gemäß Anspruch 17 gelöst.
Ein Ausführungsbeispiel gemäß der Erfindung schafft eine Vorrichtung zum Bestimmen eines Zustandsparameters einer Batterie mit einem Spannungsdetektor und einem Prozessor. Der Spannungsdetektor ist ausgelegt, um eine Klemmspannung der Batterie zu messen. Der Prozessor ist ausgelegt, um eine Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung zu berechnen. Ferner ist der Prozessor ausgelegt, um eine Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung zu bestimmen. Des Weiteren ist der Prozessor ausgelegt, um den Zustandsparameter der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren zu berechnen.
Ausführungsbeispiele gemäß der Erfindung basieren auf dem Kerngedanken, das Prinzip eines Partikelfilters (z. B. basierend auf dem Wahrscheinlichkeitstheorem von Bayes) für die Berechnung eines Zustandsparameters einer Batterie zu verwenden. Dies erfolgt durch die Berechnung von gegenwärtigen Stichproben unter Berücksichtigung einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Fehlerwahrscheinlichkeitsverteilung sowie der Berechnung von Gewichtungsfaktoren zu den gegenwärtigen Stichproben unter Berücksichtigung einer gemessenen Klemmspannung. Dabei können beliebige Verteilungen für den Fehler berücksichtigt werden, wodurch beispielsweise auch ein Hystereseverhalten im Filter abgebildet werden kann. Daher kann durch Verwendung des beschriebenen Konzepts auch bei Batterien mit flacher Leerlaufspannungskennlinie und/oder einer Hysterese der Leerlaufspannungskennlinie der Zustandsparameter der Batterie mit hoher Zuverlässigkeit und/oder hoher Genauigkeit bestimmt werden.
Bei einigen Ausführungsbeispielen gemäß der Erfindung bestimmt der Prozessor eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren, so dass die Mehrzahl von ungewichteten, gegenwärtigen Stichproben entsprechend einer durch die mit den Gewichtungsfaktoren gewichteten gegenwärtigen Stichproben dargestellten Wahrscheinlichkeitsverteilung verteilt sind. Die Mehrzahl von ungewichteten, gegenwärtigen Stichproben kann dann für eine spätere erneute Berechnung des Zustandsparameters der Batterie als Mehrzahl von bekannten Stichproben verwendet werden. Dadurch kann der Zustandsparameter der Batterie z. B. in regelmäßigen Abständen bestimmt werden, um den Zustandsparameter kontinuierlich überprüfen zu können.
Einige Ausführungsbeispiele gemäß der Erfindung umfassen einen Stromdetektor, der ausgelegt ist, um eine Ladungsmenge zu messen, die während eines Zeitintervalls in die Batterie oder aus der Batterie geflossen ist. Die gemessene Ladungsmenge kann dann vom Prozessor bei der Berechnung der Mehrzahl von gegenwärtigen Stichproben berücksichtigt werden. Dadurch kann die Zuverlässigkeit und/oder die Genauigkeit der Ermittlung des Zustandsparameters der Batterie erhöht werden.
Ausführungsbeispiele gemäß der Erfindung werden nachfolgend Bezug nehmend auf die beiliegenden Figuren näher erläutert. Es zeigen:
1 ein Blockdiagramm einer Vorrichtung zum Bestimmen eines Zustandsparameters einer Batterie;
2 ein Blockdiagramm einer Vorrichtung zum Bestimmen eines Zustandsparameters einer Batterie;
3 eine schematische Darstellung von Stichproben und Gewichtungsfaktoren;
4 eine schematische Darstellung einer Bestimmung eines Zustandsparameters einer Batterie;
5 eine schematische Darstellung einer Bestimmung eines Zustandsparameters einer Batterie;
6 ein Impedanzmodell einer Batterie;
7 ein Diagramm einer möglichen Dichtefunktion für die Wahrscheinlichkeit basierend auf Stichproben (Sampeln);
8 eine schematische Darstellung eines Niedrig-Varianz-Abtastverfahrens;
9 ein Diagramm der Leerlaufspannungskennlinie einer Lithiumeisenphosphatbatterie mit Hysterese aufgrund des Ladens und Entladens; und
10 ein Flussdiagramm eines Verfahrens zum Bestimmen eines Zustandsparameters einer Batterie.
Im Folgenden werden teilweise für Objekte und Funktionseinheiten, die gleiche oder ähnliche funktionelle Eigenschaften aufweisen, gleiche Bezugszeichen verwendet. Des Weiteren können optionale Merkmale der verschiedenen Ausführungsbeispiele miteinander kombinierbar oder zueinander austauschbar sein.
1 zeigt eine Vorrichtung 100 zum Bestimmen eines Zustandsparameters 122 einer Batterie entsprechend eines Ausführungsbeispiels der Erfindung. Die Vorrichtung 100 umfasst einen Spannungsdetektor 110, der mit einem Prozessor 120 verbunden ist. Der Spannungsdetektor 110 misst eine Klemmspannung U_mess der Batterie. Der Prozessor 120 berechnet eine Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben 102 einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung. Zusätzlich bestimmt der Prozessor 120 eine Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung U_mess. Ferner berechnet der Prozessor 120 den Zustandsparameter 122 der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren.
Durch die Berechnung von gegenwärtigen Stichproben unter Berücksichtigung einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Fehlerwahrscheinlichkeitsverteilung sowie eine Gewichtung der berechneten, gegenwärtigen Stichproben durch Gewichtungsfaktoren, die die gemessene Klemmspannung berücksichtigen, kann der Zustandsparameter der Batterie sehr zuverlässig und/oder mit hoher Genauigkeit bestimmt werden. Die berechneten, gegenwärtigen Stichproben können dann für eine erneute Berechnung des Zustandsparameters der Batterie zu einem späteren Zeitpunkt Grundlage für die bekannten Stichproben 102 sein. Durch ein iteratives Wiederholen der Zustandsparameterbestimmung basierend auf den Ergebnissen der vorhergehenden Iteration (oder Iterationen) kann die Genauigkeit weiter erhöht werden und/oder eine kontinuierliche Überwachung des Zustandsparameters ermöglicht werden.
Der Zustandsparameter 122 der Batterie kann beispielsweise der Ladezustand (z. B. in Prozent der maximalen Ladungsmenge), ein Alter der Batterie (z. B. das Verhältnic C/C_n), ein Innenwiderstand der Batterie oder eine innere Betriebstemperatur der Batterie sein. Die Batterie (Batterietypen auf die das beschriebene Konzept angewendet werden können) ist beispielsweise eine Bleibatterie, Nickelbasierte Systeme, Natriumbasierte Batterien, Lithium-Ionen-Batterien jeglicher Art (z. B. LiCoO₂, LiNiO₂, LiMn₂O₄, LiFePO₄, LiMnPO₄, LiNiPO₄ und Kombinationen dieser auf Kathodenseite, Kohlenstoff und Silizium basierte Elektroden, Titanate auf Anodenseite, beliebige Materialien als Elektrolyten), Redox-Flow-Batterien, Lithium-Schwefel-Batterien, Lithium-Metall-Batterien, Lithium-Luft-Batterien, Zink-Luft-Batterien oder vergleichbare Batterien. Bei der Batterie handelt es sich also hauptsächlich um Akkumulatoren, es kann sich jedoch auch um eine Einwegbatterie handeln.
Die Stichproben (auch Samples genannt) stellen einzelne Punkte einer Wahrscheinlichkeitsverteilung dar und sind entsprechend der dargestellten Wahrscheinlichkeitsverteilung über den entsprechenden Wertebereich (z. B. von 0 bis 1) verteilt. So repräsentiert die Mehrzahl von bekannten Stichproben 102 eine frühere Wahrscheinlichkeitsverteilung eines Zustandsindikators. Der Zustandsindikator entspricht dabei z. B. dem Zustandsparameter der Batterie oder hängt in deterministischer Weise vom Zustandsparameter der Batterie ab. Unter einer früheren Wahrscheinlichkeitsverteilung ist eine Wahrscheinlichkeitsverteilung aus einer früheren (vorhergehenden) Berechnung des Zustandsparameters 122 der Batterie oder einer Anfangswahrscheinlichkeitsverteilung (Initialisierung) des Zustandsindikators zu verstehen. In anderen Worten, die frühere Wahrscheinlichkeitsverteilung des Zustandsindikators repräsentiert beispielsweise eine frühere Wahrscheinlichkeitsverteilung des Zustandsparameters der Batterie oder eine frühere Wahrscheinlichkeitsverteilung des Zustandsparameters der Batterie ist in deterministischer Weise basierend auf der früheren Wahrscheinlichkeitsverteilung des Zustandsindikators berechenbar. Z. B. kann der Zustandsindikator einen Ladezustand der Batterie in einem Wertebereich von 0 bis 1 darstellen, während der Zustandsparameter der Batterie einen Ladezustand der Batterie in Prozent darstellt, wobei 100% einer vollständig geladenen Batterie entsprechen. Der Zustandsparameter 122 der Batterie kann aber auch in komplexerer Weise als nur durch eine Abbildung auf unterschiedliche Wertebereiche deterministisch vom Zustandsindikator abhängen.
Die Mehrzahl von Fehlerwahrscheinlichkeitsstichproben repräsentieren eine Fehlerwahrscheinlichkeitsverteilung. Die Fehlerwahrscheinlichkeitsverteilung kann z. B. durch eine Menge von Stichproben dargestellt werden aus der die Fehlerwahrscheinlichkeitsstichproben ausgewählt werden oder die Fehlerwahrscheinlichkeitsverteilung kann durch eine Funktion dargestellt werden mit die Fehlerwahrscheinlichkeitsstichproben berechnet werden können. Die Fehlerwahrscheinlichkeitsverteilung ist beispielsweise abhängig vom Batterietyp. Mit dem beschriebenen Konzept können beliebige Fehlerwahrscheinlichkeitsverteilungen berücksichtigt werden, was mit bekannten Ansätzen nicht möglich ist. Dadurch ist das beschriebene Konzept beispielsweise bei Batterien mit flacher Leerlaufspannungskennlinie und/oder Hystereseverhalten mit hoher Zuverlässigkeit und Genauigkeit anwendbar.
Die gegenwärtigen Stichproben werden basierend auf den bekannten Stichproben und den Fehlerwahrscheinlichkeitsstichproben berechnet und repräsentieren beispielsweise einen Übergang des Zustands der Batterie zu einem früheren Zeitpunkt (definiert durch die bekannten Stichproben) in einen Zustand der Batterie (der auch dem früheren Zustand der Batterie entsprechen kann, wenn sich der Zustand nicht geändert hat) zum gegenwärtigen Zeitpunkt.
Die Anzahl der Stichproben kann je nach Anwendung unterschiedlich gewählt werden. Durch eine hohe Anzahl von Stichproben kann eine Wahrscheinlichkeitsverteilung mit hoher Genauigkeit abgebildet werden und dadurch eine hohe Genauigkeit der Bestimmung des Zustandsparameters der Batterie erreicht werden und/oder die Stabilität des Algorithmus kann verbessert werden. Andererseits kann mit einer geringeren Anzahl von Stichproben die Rechenzeit deutlich verkürzt werden.
Die Gewichtungsfaktoren repräsentieren ein Maß für die Wahrscheinlichkeit, dass ein Wert einer gegenwärtigen Stichprobe erhalten wird unter Berücksichtigung der gemessenen Klemmspannung U_Mess. Dabei wird für jede gegenwärtige Stichprobe der Mehrzahl von gegenwärtigen Stichproben ein Gewichtungsfaktor bestimmt.
Aus den Gewichtungsfaktoren und den Werten der gegenwärtigen Stichproben kann dann der Zustandsparameter 122 der Batterie berechnet werden. Dies kann beispielsweise durch Berechnung eines Mittelwerts, eines Schwerpunkts, einer Häufungsbildung oder eines Erwartungswerts der gegenwärtigen Stichproben unter Berücksichtigung der Gewichtungsfaktoren oder von auf den gegenwärtigen Stichproben und den Gewichtungsfaktoren basierenden Stichproben (z. B. ungewichtete, gegenwärtige Stichproben) erhalten werden.
Die Bestimmung des Zustandsparameters 122 der Batterie kann in zufälligen, vordefinierten oder regelmäßigen Zeitabständen wiederholt werden, um beispielsweise eine wiederholte Anzeige des Zustandsparameters 122 der Batterie (z. B. Ladezustandsanzeige eines Laptops oder eines Handys) zu ermöglichen. Dazu kann beispielsweise aus den gegenwärtigen Stichproben und den Gewichtungsfaktoren eine Mehrzahl von neuen Stichproben erzeugt werden, die in der nächsten Iteration der Zustandsparameterbestimmung als Mehrzahl von bekannten Stichproben verwendet werden können. Dazu kann der Prozessor 120 eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren bestimmen, so dass die Mehrzahl von ungewichteten, gegenwärtigen Stichproben entsprechend einer durch die mit den Gewichtungsfaktoren gewichteten, gegenwärtigen Stichproben dargestellten Wahrscheinlichkeitsverteilung verteilt sind. Diese ungewichteten, gegenwärtigen Stichproben können dann in der nächsten Iteration der Zustandsparameterbestimmung die Mehrzahl von bekannten Stichproben 102 darstellen. Die Bestimmung der Mehrzahl von ungewichteten gegenwärtigen Stichproben kann beispielsweise basierend auf einem Niedrig-Varianz-Wichtigkeitsabtastverfahren der mit den Gewichtungsfaktoren gewichteten gegenwärtigen Stichproben erfolgen.
Optional kann dann auch der Zustandsparameter 122 der Batterie basierend auf der Mehrzahl von ungewichteten, gegenwärtigen Stichproben (die auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren basieren) berechnet werden.
Für jede erneute Bestimmung des Zustandsparameters 122 der Batterie kann der Spannungsdetektor 110 erneut die Klemmspannung U_mess der Batterie messen. Diese kann dann zur erneuten Berechnung von Gewichtungsfaktoren herangezogen werden. In anderen Worten, der Spannungsdetektor 110 kann nach einem vordefinierten (oder zufälligen) Zeitintervall erneut die Klemmspannung U_mess messen und der Prozessor 120 kann die in einem vorherigen Zeitintervall bestimmte Mehrzahl von ungewichteten Stichproben als Mehrzahl von bekannten Stichproben 102 der Wahrscheinlichkeitsverteilung des Zustandsindikators der Batterie verwenden, um erneut eine Mehrzahl von gegenwärtigen Stichproben zu berechnen und erneut eine Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der erneut gemessenen Klemmspannung U_mess bestimmen.
Zur Berechnung der Mehrzahl von Gewichtungsfaktoren kann der Prozessor 120 zuerst eine Mehrzahl von unnormierten Gewichtungsfaktoren sowie eine Summe der Mehrzahl von unnormierten Gewichtungsfaktoren berechnen und danach jeden unnormierten Gewichtungsfaktor der Mehrzahl von unnormierten Gewichtungsfaktoren durch die berechnete Summe zu dividieren, um die Mehrzahl von (normierten) Gewichtungsfaktoren zu erhalten. Dadurch kann gewährleistet werden, dass die Summe über die Mehrzahl von normierten Gewichtungsfaktoren 1 ergibt.
Ein Gewichtungsfaktor für eine gegenwärtige Stichprobe kann beispielsweise basierend auf einem Vergleich der gemessenen Klemmspannung U_mess und einer modellierten Klemmspannung berechnet werden. Die modellierte Klemmspannung kann dabei auf der gegenwärtigen Stichprobe basieren und beispielsweise basierend auf einem Impedanzmodell der Batterie berechnet werden.
Bei einigen Ausführungsbeispielen gemäß der Erfindung wird die Zuverlässigkeit und/oder Genauigkeit der Zustandsparameterbestimmung der Batterie mit Hilfe einer Stromessung zusätzlich erhöht. 2 zeigt dazu ein Blockdiagramm einer Vorrichtung 200 zum Bestimmen eines Zustandsparameters 122 einer Batterie. Die Vorrichtung 200 entspricht der in 1 gezeigten Vorrichtung, umfasst jedoch zusätzlich einen Stromdetektor 230, der mit dem Prozessor 120 verbunden ist. Der Stromdetektor 230 bestimmt eine Ladungsmenge I, die während eines Zeitintervalls in die Batterie geflossen oder aus der Batterie geflossen ist. Der Stromdetektor 230 kann dazu beispielsweise den Strom in oder aus der Batterie messen und über das Zeitintervall summieren oder den Ladestrom messen und mit der Zeit Multiplizieren, um die Ladungsmenge I zu erhalten. Alternativ kann der Stromdetektor 230 den Ladestrom I messen und eine Multiplikation mit der Dauer des Zeitintervalls erfolgt später z. B. durch den Prozessor 120. Der Prozessor 120 berechnet dann die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von bekannten Stichproben 102, der Mehrzahl von Fehlerwahrscheinlichkeitsstichproben (z. B. mit Hilfe einer Verteilungsfunktion berechnet) und der gemessenen Ladungsmenge I. In anderen Worten, es kann die Ladungsmenge I, die seit der letzten Bestimmung des Zustandsparameters 122 der Batterie in die Batterie geflossen ist oder aus der Batterie geflossen ist berücksichtigt werden, um für einen Wert einer bekannten Stichprobe unter Berücksichtigung der Fehlerwahrscheinlichkeitsstichprobe die gegenwärtige Stichprobe zu berechnen.
Einige Ausführungsbeispiele gemäß der Erfindung beziehen sich auf ein Bestimmen von mehreren unterschiedlichen Zustandsparametern einer Batterie. Beispielsweise können der Ladezustand und die Batteriekapazität oder eine beliebige andere Kombination oder Anzahl von unterschiedlichen Zustandsparametern einer Batterie berechnet werden.
Die Zustandsparameter können unabhängig voneinander berechnet werden oder ein Zustandsparameter kann von einem anderen Zustandsparameter abhängen.
Beispielsweise kann der Prozessor 120 eine andere Mehrzahl von gegenwärtigen Stichproben (für die Bestimmung eines anderen oder zweiten Zustandsparameters der Batterie) basierend auf einer anderen Mehrzahl von bekannten Stichproben einer anderen früheren Wahrscheinlichkeitsverteilung eines anderen Zustandsindikators (entsprechend dem anderen oder zweiten Zustandsparameter) der Batterie und einer anderen Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung (die der Fehlerwahrscheinlichkeitsverteilung für die Bestimmung des ersten Zustandsparameters entsprechen kann oder eine andere Fehlerwahrscheinlichkeitsverteilung sein kann) berechnen. Ferner kann der Prozessor 120 eine andere Mehrzahl von Gewichtungsfaktoren für die andere Mehrzahl von gegenwärtigen Stichproben basierend auf der anderen Mehrzahl von gegenwärtigen Stichproben und dem berechneten Zustandsparameter der Batterie bestimmen. Dadurch kann die Abhängigkeit des anderen oder zweiten Zustandsparameter (z. B. Batteriekapazität) von dem ersten oder bereits berechneten Zustandsparameter (z. B. Ladezustand) der Batterie berücksichtigt werden. Danach kann der Prozessor 120 den anderen (oder zweiten) Zustandsparameter der Batterie basierend auf der anderen Mehrzahl von gegenwärtigen Stichproben und der anderen Mehrzahl von Gewichtungsfaktoren berechnen.
Im Folgenden werden mehrere Ausführungsbeispiele der Erfindung im Detail beschrieben. Die dabei in Kombination miteinander beschriebenen Aspekte können jedoch auch unabhängig voneinander basierend auf dem allgemein beschriebenen Konzept realisiert werden.
Die zugrunde liegende mathematische Methodik der neuen Lösung zur Zustandsbestimmung stammt aus dem Bereich ”Pattern recognition and machine learning” und wird im Bereich ”Computer Vision” für andere Anwendungen eingesetzt.
Die Familie dieser Algorithmen beruht auf dem Wahrscheinlichkeitstheorem von Bayes, wobei u die Eingänge (zumeist auch Messwerte) bezeichnet, x die Zustände und z die Messwerte: P_*(x_t) = α^–1P(z_t|x_t)∫P(x_t|x_t-1, u_t-1)P_*(x_t-1)dx_t-1
Die Funktionen der Wahrscheinlichkeiten P werden über Stichproben (Samples) abgebildet. Hierüber ist es möglich, bei einer ausreichenden Anzahl an Stichproben beliebige Wahrscheinlichkeiten abzubilden, und so auch Mehrdeutigkeiten einer Hysterese hinreichend gut stochastisch abzubilden. Die Funktion P_*(x_t-1) bildet die Wahrscheinlichkeit ab, dass sich die Batterie nach dem vorherigen Zeitschritt in einem bestimmten Ladezustand befindet. Die Funktion P(x_t|x_t-1, u_t-1) bildet die Wahrscheinlichkeit ab, dass sich der Ladezustand einer Batterie von einem Zeitpunkt auf den anderen bei gegebenen Eingängen – z. B, dem Strom – in einen anderen Ladezustand ändert. Mit dem Integral über diese beiden Wahrscheinlichkeiten wird eine erste Schätzung der Wahrscheinlichkeit des Ladezustands gegeben. Die Funktion P(z_t|x_t) gibt die Wahrscheinlichkeit an, dass bei einem gegebenen Messwert z – hier der Klemmenspannung oder der errechneten Leerlaufspannung einer Batterie – ein bestimmter Ladezustand gegeben ist. Aus der Multiplikation des zuvor berechneten Integrals mit der eben genannten Wahrscheinlichkeitsfunktion ergibt sich eine Wahrscheinlichkeit für den Ladezustand unter Berücksichtigung aller zur Verfügung stehenden Messwerte und Eingänge.
Ein Vorteil des beschriebenen Konzepts ist die Annahme beliebiger Verteilungen für den Fehler. Dadurch kann der Fehler mit beliebigen Verteilungen, z. B. verursacht durch das Hystereseverhalten, auch im Filter abgebildet werden. Zudem ist es möglich die Fehler dynamisch entsprechend der Historie des Systems anzupassen.
Ein Beispiel für eine Implementierung ist im Folgenden gezeigt. Ein Gerät für Management und Monitoring von Batterien auf Basis eines Microcontrollers (Prozessor) misst z. B. Strom, Spannung und optional Temperatur einer oder mehrerer Batterien. Alternativ können die Messwerte auch über externe Geräte (Stromdetektor, Spannungsdetektor, Temperatursensor) gemessen und mittels Bussystemen an den Microcontroller übermittelt werden.
Auf diesem Microcontroller (Prozessor) läuft dann der Algorithmus, welcher zuvor beschrieben wurde und der aus den Messwerten den Ladezustand der Batterie bestimmt.
Der Partikelfilter ist z. B. eine Implementierung des rekursiven Bayes'schen Filters mittels einer Monte Carlo-Methode. Die Prior-Verteilung wird dabei durch eine feste Anzahl von Stichproben (samples) im Zustandsraum approximiert. Je mehr Stichproben in ein bestimmtes Gebiet im Zustandsraum fallen, desto höher seine Wahrscheinlichkeit.
Der Algorithmus lässt sich z. B. in drei Schritte unterteilen.
Der erste Schritt entspricht dabei dem Integral ∫P(x_t|x_t-1, u_t-1)P_*(x_t-1)dx_t-1 in der Filtergleichung. Von jedem Stichprobe aus der Prior-Verteilung (bekannte Stichproben) ausgehend wird dabei eine neue Stichprobe (gegenwärtige Stichprobe) aus der State Transition-Verteilung gezogen. P_*(x_t-1) stellt die Schätzung für den Ladezustand im vorherigen Abschnitt dar. ∫P(x_t|x_t-1, u_t-1) stellt dagegen die Wahrscheinlichkeit der Überführung des Ladezustands in einen neuen Ladezustand dar. In der Praxis ist diese Überführung dadurch zu gewährleisten, dass man zunächst ausrechnet, welche Ladungsmenge in die Batterie im letzten Zeitschritt geflossen ist. Die Messunsicherheit (Fehlerwahrscheinlichkeitsstichprobe) und ihre Verteilung werden dann zusammen mit dem zuvor ermittelten Wert zur Bestimmung der Wahrscheinlichkeitsverteilung der Schätzung herangezogen.
Der zweite Schritt entspricht dem Teil P(z_t|x_t) in der Filtergleichung. Jede in der ersten Stufe gezogene Stichprobe wird mit seiner Wahrscheinlichkeit (Likelihood) gewichtet. Anschließend werden alle Gewichte (unnormierte Gewichtungsfaktoren) normiert, so dass sie in der Summe den Wert 1 ergeben. Basis für die Berechnung der Wahrscheinlichkeit bildet z. B. ein Impedanzmodell. Hieraus lassen sich eine oder mehrere mögliche Lösungen ermitteln, welche den Messwert (Klemmspannung) mit dem Batteriezustand (Zustandsparameter) korrelieren. Dargestellt ist ein solches Impedanzmodell und die daraus ermittelte mögliche Wahrscheinlichkeitsverteilung in 6 und 7. Dabei zeigt 6 ein mögliches Impedanzmodell für eine Batterie. Dabei ist die Leerlaufspannung U₀ (open circuit voltage) als Funktion der Batterietemperatur T_AMB und des Ladezustands SOC (state of charge) dargestellt. U₀ = f(T_AMB, SOC)
Des Weiteren ist der innere Widerstand R_i als Funktion der Batterietemperatur T_AMB, des Stroms I_Bat und des Ladezustands SOC definiert. In dem dargestellten Modell kennzeichnet der Strom I_Bat < 0 für eine Entladung der Batterie und I_Bat > 0 für ein Laden der Batterie. Entsprechend ist der innere Widerstand der R_i einmal ein innerer Entladewiderstand R_DIS und einmal ein innerer Ladewiderstand R_CHA. R_I = f(T_AMB, I_Bat, SOC) I_BAT < 0: R_I = R_dis I_BAT > 0: R_I = R_cha
Je nachdem ob die Batterie geladen oder entladen wird, ist eine Last oder eine Quelle im Impedanzmodell enthalten.
Des Weiteren zeigt 7 ein Beispiel für eine mögliche Wahrscheinlichkeitsverteilung des Zustandsindikators nach der die Mehrzahl von bekannten Strichproben verteilt sind.
Im letzten Schritt wird mittels Wichtigkeitsabtastung (importance sampling) aus den gewichteten N Stichproben eine ungewichtete Menge von N Stichproben erzeugt. Die ungewichtete Menge wird durch zufälliges Ziehen von Stichproben aus der gewichteten Menge erzeugt. Dabei wird eine gewichtete Stichprobe genau mit der Wahrscheinlichkeit gezogen die ihrem Gewicht (Gewichtungsfaktor) entspricht. Es kann daher dieselbe Stichprobe auch mehrfach gezogen werden. Eine mögliche Implementierung von Wichtigkeitsabtastung ist Niedrig-Varianz-Abtastung (low-variance sampling).
Niedrig-Varianz-Abtastung ist ein Wichtigkeitsabtastverfahren, das aus einer Menge von N gewichteten Stichproben N ungewichtete zieht. Als Startwert wird eine zufällige Zahl im Intervall [0; 1/N] gewählt. Von diesem Startwert ausgehend werden dann in 1/N großen Schritten Stichproben ausgewählt.
Niedrig-Varianz-Abtastung hat die positive Eigenschaft, dass im Falle von N gleichgewichteten Stichproben jedes Stichprobe genau einmal gezogen wird. Die Menge der Stichproben bleibt in diesem Fall also gleich.
Ein Beispiel für eine mögliche Implementierung des beschriebenen Konzepts ist im Folgenden als Pseudocode dargestellt.
Passend zu dem dargestellten Algorithmus zeigt 3 die verschiedenen Schritte. Dabei ist zuerst eine Mehrzahl von bekannten Stichproben x i / t-1 (Anfangsverteilung oder Stichproben aus einer früheren Bestimmung des Zustandsparameters) gezeigt. Basierend darauf werden unter Berücksichtigung der Fehlerwahrscheinlichkeitsverteilung 310 die Mehrzahl von gegenwärtigen Stichproben
berechnet. Zu jeder gegenwärtigen Stichprobe
wird dann ein Gewichtungsfaktor w i / t berechnet. Mit den gegenwärtigen Stichproben
und den zugehörigen Gewichtungsfaktoren w i / t kann eine Wiederabtastung (z. B. basierend auf einem Niedrig-Varianz-Wichtigkeitsabtastverfahren) durchgeführt werden, um eine Mehrzahl von ungewichteten gegenwärtigen Stichproben x i / t zu erhalten, die für eine spätere erneute Bestimmung des Zustandsparameters als bekannte Stichproben herangezogen werden können. Allgemein steht in 3 der Index t für den Zeitpunkt t (der Zustandsparameter kann zu mehreren aufeinanderfolgenden Zeitpunkten bestimmt werden) und der Index i für die i-ten Stichproben.
Ein Beispiel für eine Implementierung eines Partikelfilters ist im Folgenden anhand einer Implementierung des Algorithmus beschrieben.
Es wird vor allem gezeigt, wie sich die Stichprobenmenge aus Ladezuständen über die Zeit entwickelt, da sie die Wahrscheinlichkeitsverteilung des Ladezustands schon vollständig beschreibt.
Die Parameter sind zum Beispiel:

• N Anzahl der Stichproben
• Δ_RS zeitl. Abstand (z. B. in Stunden) zwischen zwei Wiederabtastung-Schritten

Da zu Beginn (Initialisierung) noch keine Messwerte vorhanden sind, kann der Ladezustand als gleichverteilt angenommen werden. Am Anfang werden daher N Stichproben zufällig aus der Gleichverteilung auf dem Ladezustandsraum gezogen und als Stichprobenmenge (bekannte Stichproben) definiert. Da der Ladezustandsraum normiert ist, kann das durch das Generieren von N Zufallszahlen im Bereich zwischen 0 und 1 realisiert werden.
Als nächstes wird der Ablauf des Algorithmus beschrieben, nachdem Messwerte eingegangen sind (Iteration). Gegeben sind die Messwerte folgender Größen zum gleichen Zeitpunkt:

• U Klemmspannung der Batterie
• I Strom, der durch die Batterie fließt
• T Batterietemperatur
• Δt Zeit (z. B. in Stunden) seit letzter Messung

In Abhängigkeit von I und Δt wird jedes Ladezustands-Stichprobe anhand des Prozessmodells im Ladezustandsraum bewegt. Die Entwickelung des Ladezustands (SOC) wird dazu mit einem zeitdiskreten Amperestundenzähler berechnet: SOC_n+1 = SOC_n + (I + ε)Δt / C wobei C die Batteriekapazität ist, und ε ein Fehlerwert (Fehlerwahrscheinlichkeitsstichprobe), der für jedes Stichprobe unabhängig zufällig aus einer Verteilung gezogen wird, die den Messfehler des Stroms – und damit das Prozessrauschen – beschreibt. SOC_n+1 ist eine gegenwärtige Stichprobe, SOC_n ist eine bekannte Stichprobe, I ist der gemessene Strom (Ladestrom) und Δt ist die Dauer des letzen Zeitintervalls (seit der letzten Iteration).
Ist seit dem letzten Wiederabtastung-Schritt (resampling) beispielsweise mindestens eine Zeit von Δ_RS Stunden verstrichen, kann wieder ein Wiederabtastung-Schritt ausgeführt werden, ansonsten kann dieser Schritt übersprungen werden. Es gibt jedoch kein prinzipielles Minimum, sondern z. B. eine Begrenzung durch Messmimik und Rechenkapazität.
Jeder Ladezustand-Stichprobe (gegenwärtigen Stichprobe) wird ein Gewicht (Gewichtungsfaktor) zugeordnet, das beschreibt, wie gut das Messmodell für diese Stichprobe die tatsächliche Messung erklärt.
Das Messmodell beschreibt für einen gegeben Ladezustand SOC die erwartete Klemmspannung U_modell an der Batterie. U_modell berechnet sich z. B. anhand eines Impedanz-Modells (s. o.) wie folgt: U_modell = U₀(SOC, T) + R(T, I, SOC)I wobei U0 die Ruhespannung und R den Innenwiderstand modelliert sowie SOC den Ladezustand, T die Batterietemperatur und I den Ladestrom. Das Gewicht für diesen Ladezustand ist dann f(U – U_modell) wobei f die Dichtefunktion einer Verteilung ist, die den Fehler des Messmodells beschreibt und bei der Entwicklung des Algorithmus vorher heuristisch oder während der Verarbeitung (online) bestimmt wurde, U die gemessene Klemmspannung und U_modell die erwartete oder modellierte Klemmspannung.
Aus den entstandenen N gewichteten Stichproben (gegenwärtige Stichproben) wird wieder eine ungewichtete Menge aus N Stichproben (ungewichtete, gegenwärtige Stichproben) gezogen, wobei die Häufigkeit mit der ein gewichtetes Stichprobe gezogen wird proportional zu seinem Gewicht (Gewichtungsfaktor) ist. Realisiert kann das mit Hilfe der deterministischen Niedrig-Varianz-Abtastungsmethode werden. Als Startwert, wird eine Zufallszahl X zwischen 0 und (1/N) erzeugt und dann die normierte Summe der Gewichte an den Stellen [X + 0/N, X + 1/N, ..., X + (N – 1)/N] abtastet. Wird ein Gewicht „getroffen”, so wird das zugehörige Stichprobe ausgewählt. Die Methode ist in 8 illustriert.
Die N getroffenen Stichproben definieren die neue Stichprobenmenge (neue Mehrzahl von bekannten Stichproben für eine nachfolgende Iteration).
Die Verteilung, Mittelwert und/oder Varianz der Stichproben können bestimmt und ausgegeben werden. Danach kann gewartet werden bis neue Messwerte aufgezeichnet werden und eine neue Iteration startet.
Anstatt des Einsatzes eines Impedanzmodells können beliebige andere Batteriemodelle – auch Modelle rein stochastischer Natur – eingesetzt werden. Es ist auch möglich auf die Stromintegration zu verzichten und z. B. lediglich einen Trend der Entwicklung des Ladezustands zur Berechnung der Priori-Verteilung zu nutzen.
Prinzipiell können beliebige Sampling-Verfahren herangezogen werden, um die Wahrscheinlichkeitsverteilungen nachzubilden.
Für den Innenwiderstand könnten Stromsprünge und die resultierende Spannungsantwort ausgewertet werden. Dies könnte dann in das sogenannte Messmodell also den Korrekturschritt übernommen werden. Eventuell nimmt man Ladezustands- und Temperaturbereiche für die man den Innenwiderstand korrigiert, um eine Funktion Ri = f(SOC, T) zu approximieren.
Bei einer Variante ohne Strommessung könnte man z. B. eine von folgenden Formeln für den Prozessschritt nutzen:

a) SOC(t) = SOC(t – 1)
b) SOC(t) = SOC(t – 1) + SOC(t – 1) – SOC(t – 2)

Für den Korrekturschritt könnte man folgendes nutzen: Uklemm[k] = UQ(SP[k])
Dabei ist Uklemm[k] die gemessene Klemmspannung und UQ(SP[k]) die modellierte Klemmspannung.
Das f(U-Umodell) kann in der Implementierung genutzt werden, muss aber nicht.
Im Messmodell kann berechnet werden, welche Klemmenspannung ein Ladezustand und der Strom hervorruft: Uklemm = U0(SOC) + Ri·I
Das Gewicht der einzelnen Stichproben kann bestimmt werden, indem man beispielsweise eine Wahrscheinlichkeitsdichtefunktion mit einem Erwartungswert in der Höhe des Messwertes nutzt. Trifft der im Prozessmodell geschätzte Wert den Erwartungswert so bekommt er das höchste Gewicht.
Zu einem Ladezustandswert kann z. B. aus einfacher Mittelwertbildung der Stichproben gelangt werden. Andere Varianten sind denkbar (Schwerpunkt, Clusterung, Erwartungswert...).
4 und 5 zeigen weitere Beispiele zur Berechnung von Zustandsparametern einer Batterie in Form von Ablaufplänen zur Ladezustandsbestimmung und Kapazitätsbestimmung.
4 zeigt eine mögliche Bestimmung eines Ladezustands SOC einer Batterie. Dabei kann anfangs eine initiale Gleichverteilung von Stichproben oder eine Mehrzahl von ungewichteten Stichproben SP einer vorhergehenden Ladezustandsbestimmung als Mehrzahl von bekannten Stichproben SP (k = 0 bis N Stichproben) herangezogen werden 410. Bei Verwendung von vorhergehend berechneten Stichproben können diese dem Zeitintervall t – 1 zugeordnet werden und die gegenwärtigen Stichproben dann dem Zeitintervall t zugeordnet werden. Des Weiteren kann von einem Stromdetektor der Strom I gemessen werden. Mit der Mehrzahl von bekannten Stichproben und dem gemessenen Strom I sowie einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben, die auch als Rauschen bezeichnet werden, kann mit Hilfe des Prozessmodells die Mehrzahl von gegenwärtigen Stichproben berechnet werden 420. SP(t)[k] = SP(t – 1)[k] + ((I + RAUSCHEN)·Δt)/C oder auch samples(t)[k] = samples(t – 1)[k] + ((I + noise)·Δt)/C
Dabei ist SP(t)[k] die k-te gegenwärtige Stichprobe, SP(t – 1)[k] die k-te bekannte Stichprobe, I der gemessene Strom, das Rauschen (auch n[k]) die Fehlerwahrscheinlichkeitsstichprobe, Δt die Zeitdauer des Zeitintervalls zwischen Zeit t – 1 und Zeit t, C die Kapazität der Batterie und N die Anzahl der Stichproben.
Die Mehrzahl von gegenwärtigen Stichproben (Stichprobenmenge mit Ladezustand SOCs) werden dann verwendet, um basierend auf dem Messmodell die Gewichtungsfaktoren zu bestimmen 430. Dazu misst der Spannungsdetektor die Klemmspannung U_mess und der Prozessor berechnet eine modellierte Klemmspannung U_klemm. Ein Vergleich der modellierten Klemmspannung und der gemessenen Klemmspannung ergibt dann die Gewichtungsfaktoren. Beispielsweise kann eine Wahrscheinlichkeitsdichtefunktion mit Erwartungswert U_mess mit den Stichproben der Klemmspannung U_klemm verglichen werden und daraus berechnet werden mit welcher Wahrscheinlichkeit der geschätzte Wert (Stichprobe der Klemmspannung) stimmt. Uklemm[k] = U0(SP[k] + R·I) oder auch Uklemm[k] = U0(samples[k]) + R·I
Dabei ist U_klemm[k] die modellierte Klemmspannung, U₀(SP[k]) eine Leerlaufspannung, R der innere Widerstand und I der gemessene Strom.
Die Gewichtungsfaktoren (SP-Gewichte, weights) können dann normalisiert werden 440. Basierend auf den gegenwärtigen Stichproben und den berechneten Gewichtungsfaktoren kann eine Wiederabtastung 450 erfolgen, um eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben zu erhalten. Je größer die Gewichtungsfaktoren (Gewichte [k]) desto häufiger wird beispielsweise eine zugehörige Stichprobe (SP[k]) gezogen.
Basierend auf den erhaltenen gewichteten, gegenwärtigen Stichproben kann eine nachfolgende weitere Iteration der Zustandsparameterbestimmung erfolgen.
Zusätzlich kann basierend auf den ungewichteten, gegenwärtigen Stichproben der Ladungszustand der Batterie bestimmt werden. Dabei ergibt beispielsweise eine Mittelwertbildung der Stichprobenmenge eine aktuelle Ladezustandsschätzung (SOC-Schätzung).
Ähnlich wie in 4 zeigt 5 die Bestimmung der Batteriekapazität als Zustandsparameter der Batterie. Die Batteriekapazität C_bat wird dabei in Abhängigkeit der Bestimmung des Ladezustands berechnet, indem der bestimmte Ladezustand im Messmodell berücksichtigt wird.
Dabei kann anfangs eine initiale Gleichverteilung von Stichproben oder eine Mehrzahl von ungewichteten Stichproben SP einer vorhergehenden Kapazitätsbestimmung als Mehrzahl von bekannten Stichproben SP (k = 0 bis N Stichproben) herangezogen werden 410. Bei Verwendung von vorhergehend berechneten Stichproben können diese dem Zeitintervall t – 1 zugeordnet werden und die gegenwärtigen Stichproben dann dem Zeitintervall t zugeordnet werden. SP(t)[k] = SP(t – 1][k] + RAUSCHEN oder auch samples(t)[k] = samples(t – 1)[k] + noise
Dabei ist SP(t)[k] die k-te gegenwärtige Stichprobe, SP(t – 1)[k] die k-te bekannte Stichprobe und das Rauschen (auch n[k]) die Fehlerwahrscheinlichkeitsstichprobe. In anderen Worten, nur die Kapazität bleibt gleich und es wird ein leichtes Rauschen addiert.
Die Mehrzahl von gegenwärtigen Stichproben (Stichprobenmenge mit Kapazitäten C_Batt) werden dann verwendet, um basierend auf dem Messmodell die Gewichtungsfaktoren zu bestimmen 530. Dazu kann der Prozessor den bestimmten Ladezustand SOC oder eine Differenz des bestimmten Ladezustands ΔSOC (bezüglich eines früheren Ladezustands) nutzen. Ein Vergleich einer modellierten Differenz des Ladezustands ΔSOC[k] und des bestimmten Ladezustands ΔSOC ergibt dann die Gewichtungsfaktoren. ΔSoC[k] = (I·(t2 – t1))/SP[k]
Dabei ist ΔSOC[k] die modellierte Differenz des Ladezustands, t2 – t1 die Dauer seit der früheren Ladezustandsbestimmung, SP[k] eine Stichprobe der Batteriekapazität und I der gemessene Strom.
Die Gewichtungsfaktoren (SP-Gewichte, weights) können dann normalisiert werden 540. Basierend auf den gegenwärtigen Stichproben und den berechneten Gewichtungsfaktor kann eine Wiederabtastung 550 erfolgen, um eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben zu erhalten. Je größer die Gewichtungsfaktoren (Gewichte [k]) desto häufiger wird beispielsweise eine zugehörige Stichprobe (SP[k]) gezogen.
Basierend auf den erhaltenen ungewichteten, gegenwärtigen Stichproben kann eine nachfolgende weitere Iteration der Zustandsparameterbestimmung erfolgen.
Zusätzlich kann basierend auf den ungewichteten, gegenwärtigen Stichproben die Kapazität der Batterie bestimmt werden. Dabei ergibt beispielsweise eine Mittelwertbildung der Stichprobenmenge eine aktuelle Batteriekapazität (SOH-Schätzung).
Ein Ziel des beschriebenen Konzepts ist beispielsweise die Ladezustandsbestimmung für alle Batterietypen aus den leicht zugänglichen Messwerten Spannung, Strom und Temperatur auf einem Microcontroller durchführen zu können, wobei die Temperatur lediglich ein optionaler Messwert ist. Ein Vorteil des Verfahrens liegt darin, auch bei komplexen Batteriezellsystemen, wie z. B. LiFePO4 gegen Graphit, eine Ladezustandsbestimmung durchführen zu können. Eine flache Leerlaufspannungskennlinie gepaart mit einer Hysterese dieser Leerlaufspannungskennlinie – wie sie bei dem vorher genannten Beispiel auftreten – erzeugen Mehrdeutigkeiten, welche konventionelle Verfahren nicht hinreichend auflösen bzw. abbilden. 9 zeigt dazu ein Beispiel für eine Leerlaufspannungskennlinie einer Lithiumeisenphosphatbatterie mit Hysterese aufgrund des Ladens und Entladens. Das hier vorgeschlagene Konzept ist auf einem Microcontroller in der Lage, sowohl den Ladezustand konventioneller Batterien wie zum Beispiel LiCoO2 gegen Graphit als auch neuartiger Batterien wie LiFePO4 gegen Graphit mit ihren Mehrdeutigkeiten zu bestimmen.
Das beschriebene Konzept ist prinzipiell für eine Vielzahl von unterschiedlichen Zustandsbestimmungen einsetzbar. Beispielsweise kann auch eine Altersbestimmung, eine Innenwiderstandsbestimmung oder eine Bestimmung der inneren Batterietemperatur erfolgen.
Allgemein können der Prozessor 120, der Spannungsdetektor 110, der optionale Stromdetektor 230, der optionale Temperatursensor und etwaige andere optionale Komponenten können eigenständige Hardwareeinheiten oder Teil eines Computers, eines Microcontrollers oder eines digitalen Signalprozessors sowie ein Computerprogramm oder ein Softwareprodukt zum Ausführen auf einem Computer, einem Microcontroller oder einem digitalen Signalprozessor sein.
10 zeigt ein Flussdiagramm eines Verfahrens 1000 zum Bestimmen eines Zustandsparameters einer Batterie entsprechend eines Ausführungsbeispiels der Erfindung. Das Verfahren 1000 umfasst ein Messen 1010 einer Klemmspannung einer Batterie und ein Berechnen 1020 einer Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung. Des Weiteren umfasst das Verfahren 1000 ein Bestimmen 1030 einer Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung. Ferner weist das Verfahren ein Berechnen 1040 des Zustandsparameters der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren auf.
Das Verfahren 1000 kann weitere Schritte zur Realisierung einer oder mehrerer der zuvor beschriebenen optionalen Aspekte des vorgeschlagenen Konzepts enthalten.
Obwohl manche Aspekte im Zusammenhang mit einer Vorrichtung beschrieben wurden, versteht es sich, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, sodass ein Block oder ein Bauelement einer Vorrichtung auch als ein entsprechender Verfahrensschritt oder als ein Merkmal eines Verfahrensschrittes zu verstehen ist. Analog dazu stellen Aspekte, die im Zusammenhang mit einem oder als ein Verfahrensschritt beschrieben wurden, auch eine Beschreibung eines entsprechenden Blocks oder Details oder Merkmals einer entsprechenden Vorrichtung dar.
Je nach bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder in Software implementiert sein. Die Implementierung kann unter Verwendung eines digitalen Speichermediums, beispielsweise einer Floppy-Disk, einer DVD, einer CD, eines ROM, eines PROM, eines EPROM, eines EEPROM oder eines FLASH-Speichers, einer Festplatte oder eines anderen magnetischen oder optischen Speichers durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem derart zusammenwirken können oder zusammenwirken, dass das jeweilige Verfahren durchgeführt wird. Deshalb kann das digitale Speichermedium computerlesbar sein. Manche Ausführungsbeispiele gemäß der Erfindung umfassen also einen Datenträger, der elektronisch lesbare Steuersignale aufweist, die in der Lage sind, mit einem programmierbaren Computersystem derart zusammenzuwirken, dass eines der hierin beschriebenen Verfahren durchgeführt wird.
Allgemein können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert sein, wobei der Programmcode dahin gehend wirksam ist, eines der Verfahren durchzuführen, wenn das Computerprogrammprodukt auf einem Computer abläuft. Der Programmcode kann beispielsweise auch auf einem maschinenlesbaren Träger gespeichert sein.
Andere Ausführungsbeispiele umfassen das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren, wobei das Computerprogramm auf einem maschinenlesbaren Träger gespeichert ist.
Mit anderen Worten ist ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens somit ein Computerprogramm, das einen Programmcode zum Durchführen eines der hierin beschriebenen Verfahren aufweist, wenn das Computerprogramm auf einem Computer abläuft. Ein weiteres Ausführungsbeispiel der erfindungsgemäßen Verfahren ist somit ein Datenträger (oder ein digitales Speichermedium oder ein computerlesbares Medium), auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren aufgezeichnet ist.
Ein weiteres Ausführungsbeispiel des erfindungsgemäßen Verfahrens ist somit ein Datenstrom oder eine Sequenz von Signalen, der bzw. die das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren darstellt bzw. darstellen. Der Datenstrom oder die Sequenz von Signalen kann bzw. können beispielsweise dahin gehend konfiguriert sein, über eine Datenkommunikationsverbindung, beispielsweise über das Internet, transferiert zu werden.
Ein weiteres Ausführungsbeispiel umfasst eine Verarbeitungseinrichtung, beispielsweise einen Computer oder ein programmierbares Logikbauelement, die dahin gehend konfiguriert oder angepasst ist, eines der hierin beschriebenen Verfahren durchzuführen.
Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren installiert ist.
Bei manchen Ausführungsbeispielen kann ein programmierbares Logikbauelement (beispielsweise ein feldprogrammierbares Gatterarray, ein FPGA) dazu verwendet werden, manche oder alle Funktionalitäten der hierin beschriebenen Verfahren durchzuführen. Bei manchen Ausführungsbeispielen kann ein feldprogrammierbares Gatterarray mit einem Mikroprozessor zusammenwirken, um eines der hierin beschriebenen Verfahren durchzuführen. Allgemein werden die Verfahren bei einigen Ausführungsbeispielen seitens einer beliebigen Hardwarevorrichtung durchgeführt. Diese kann eine universell einsetzbare Hardware wie ein Computerprozessor (CPU) sein oder für das Verfahren spezifische Hardware, wie beispielsweise ein ASIC.
Die oben beschriebenen Ausführungsbeispiele stellen lediglich eine Veranschaulichung der Prinzipien der vorliegenden Erfindung dar. Es versteht sich, dass Modifikationen und Variationen der hierin beschriebenen Anordnungen und Einzelheiten anderen Fachleuten einleuchten werden. Deshalb ist beabsichtigt, dass die Erfindung lediglich durch den Schutzumfang der nachstehenden Patentansprüche und nicht durch die spezifischen Einzelheiten, die anhand der Beschreibung und der Erläuterung der Ausführungsbeispiele hierin präsentiert wurden, beschränkt sei.

Claims

Vorrichtung (100) zum Bestimmen eines Zustandsparameters (122) einer Batterie, mit folgenden Merkmalen: einem Spannungsdetektor (110), der ausgelegt ist, um eine Klemmspannung (U_mess, z_t) der Batterie zu messen; und einem Prozessor (120), der ausgelegt ist, um eine Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) basierend auf einer Mehrzahl von bekannten Stichproben (102, x i / t-1 , SP(t – 1)[k]) einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators (SOC, C_batt) der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben (n[k]) einer Fehlerwahrscheinlichkeitsverteilung zu berechnen, wobei der Prozessor (120) ausgelegt ist, um eine Mehrzahl von Gewichtungsfaktoren ( w i / t , w[k]) für die Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) basierend auf der Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) und der gemessenen Klemmspannung (U_mess, z_t) zu bestimmen, wobei der Prozessor (120) ausgelegt ist, um den Zustandsparameter (122) der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) und der Mehrzahl von Gewichtungsfaktoren (w[k]) zu berechnen.
Vorrichtung gemäß Anspruch 1, wobei der Prozessor (120) ausgelegt ist, um eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) und der Mehrzahl von Gewichtungsfaktoren ( w i / t , w[k]) zu bestimmen, so dass die Mehrzahl von ungewichteten, gegenwärtigen Stichproben entsprechend einer durch die mit den Gewichtungsfaktoren ( w i / t , w[k]) gewichteten gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) dargestellten Wahrscheinlichkeitsverteilung verteilt sind.
Vorrichtung gemäß Anspruch 2, wobei der Prozessor (120) ausgelegt ist, um den Zustandsparameter (122) der Batterie basierend auf der Mehrzahl von ungewichteten, gegenwärtigen Stichproben zu berechnen.
Vorrichtung gemäß Anspruch 2 oder 3, wobei der Spannungsdetektor (110) ausgelegt ist, um nach einem vordefinierten Zeitintervall erneut die Klemmspannung (U_mess, z_t) zu messen, wobei der Prozessor ausgelegt ist, um die in einem vorherigen Zeitintervall bestimmte Mehrzahl von ungewichteten Stichproben als Mehrzahl von bekannten Stichproben (102, x i / t-1 , SP(t – 1)[k]) der Wahrscheinlichkeitsverteilung des Zustandsindikators (SOC, C_batt) der Batterie zu verwenden, um erneut eine Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) zu berechnen und erneut eine Mehrzahl von Gewichtungsfaktoren ( w i / t , w[k]) für die Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t _, SP(t)[k]) basierend auf der Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) und der erneut gemessenen Klemmspannung (U_mess, z_t) zu bestimmen.
Vorrichtung gemäß einem der Ansprüche 2 bis 4, wobei die Mehrzahl von ungewichteten, gegenwärtigen Stichproben basierend auf einem Niedrig-Varianz-Wichtigkeitsabtastverfahren der mit den Gewichtungsfaktoren ( w i / t , w[k]) gewichteten gegenwärtigen Stichproben bestimmt wird.
Vorrichtung gemäß einem der Ansprüche 1 bis 5, wobei der Prozessor (120) ausgelegt ist, um eine Summe einer Mehrzahl von unnormierten Gewichtungsfaktoren basierend auf der Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) und der gemessenen Klemmspannung (U_mess, z_t) zu bestimmen und jeden Gewichtungsfaktor ( w i / t , w[k]) der Mehrzahl von unnormierten Gewichtungsfaktoren durch die berechnete Summe zu dividieren, um die Mehrzahl von Gewichtungsfaktoren ( w i / t , w[k]) zu erhalten.
Vorrichtung gemäß einem der Ansprüche 1 bis 6, wobei der Prozessor (120) ausgelegt ist, um einen Gewichtungsfaktor ( w i / t , w[k]) für eine gegenwärtige Stichprobe ( x ~ i / t , SP(t)[k]) basierend auf einem Vergleich der gemessenen Klemmspannung (U_mess, z_t) und einer modellierten Klemmspannung (U_klemm, z_t) zu berechnen, wobei die modellierte Klemmspannung (U_klemm, z_t) auf der gegenwärtigen Stichprobe ( x ~ i / t , SP(t)[k]) basiert.
Vorrichtung gemäß Anspruch 7, wobei der Prozessor ausgelegt ist, um die modellierte Klemmspannung (U_klemm) basierend auf U_klemm[k] = U₀(SP[k]) + R·I zu berechnen, wobei U_klemm[k] die modellierte Klemmspannung, U₀(SP[k]) eine modellierte Leerlaufspannung, R der innere Widerstand und I der gemessene Strom ist.
Vorrichtung gemäß einem der Ansprüche 1 bis 8, die einen Stromdetektor (230) umfasst, der ausgelegt ist, um eine Ladungsmenge (I), die während eines Zeitintervalls in die Batterie oder aus der Batterie geflossen ist, oder einen Ladestrom (I) zu bestimmen, wobei der Prozessor (120) ausgelegt ist, um die Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) basierend auf der Mehrzahl von bekannten Stichproben (102, x ~ i / t-1 , SP(t – 1)[k]), der Mehrzahl von Fehlerwahrscheinlichkeitsstichproben und der bestimmten Ladungsmenge (I) oder dem bestimmten Ladestrom (I) zu berechnen.
Vorrichtung gemäß Anspruch 9, wobei der Prozessor (120) ausgelegt ist, um die Mehrzahl von gegenwärtigen Stichproben (SP(t)[k]) basierend auf SP(t)[k] = SP(t – 1)[k] + ((I + n[k])·Δt)/C zu berechnen, wobei SP(t)[k] die k-te gegenwärtige Stichprobe, SP(t – 1)[k] die k-te bekannte Stichprobe, I der gemessene Strom, das Rauschen (auch n[k]) die Fehlerwahrscheinlichkeitsstichprobe, Δt die Zeitdauer des Zeitintervalls zwischen Zeit t – 1 und Zeit t und C die Kapazität der Batterie.
Vorrichtung gemäß einem der Ansprüche 1 bis 10, wobei der Zustandsparameter (122) einen Ladezustand, ein Alterungszustand, einen Innenwiderstand oder eine innere Batterietemperatur repräsentiert.
Vorrichtung gemäß einem der Ansprüche 1 bis 11, wobei der Zustandsindikator (SOC, C_batt) dem Zustandsparameter (122) entspricht oder der Zustandsparameter (122) deterministisch von dem Zustandsindikator (SOC, C_batt) abhängt.
Vorrichtung gemäß einem der Ansprüche 1 bis 12, wobei der Prozessor (120) ausgelegt ist, um den Zustandsparameter der Batterie basierend auf einem Mittelwert, einem Schwerpunkt, einer Häufungsbildung oder einem Erwartungswert der gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) und den Gewichtungsfaktoren ( w i / t , w[k]) oder von auf den gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) basierenden Stichproben zu berechnen.
Vorrichtung gemäß einem der Ansprüche 1 bis 13, wobei der Prozessor (120) ausgelegt ist, um iterativ in vordefinierten oder zufälligen Zeitabständen den Zustandsparameter erneut zu berechnen, wobei für jede Iteration als Mehrzahl von bekannten Stichproben (102, x ~ i / t-1 , SP(t – 1)[k]) die in der vorherigen Iteration erhaltene Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t SP(t)[k]) oder Mehrzahl von ungewichteten, gegenwärtigen Stichproben verwendet werden und der Spannungsdetektor (110) für jede Iteration erneut die Klemmspannung (U_mess, z_t) der Batterie für die Bestimmung der Mehrzahl von Gewichtungsfaktoren ( w i / t , w[k]) misst.
Vorrichtung gemäß einem der Ansprüche 1 bis 14, die einen Temperatursensor umfasst, der ausgelegt ist, um eine Batterietemperatur (T) zu messen, wobei der Prozessor (120) ausgelegt ist, um die Mehrzahl von Gewichtungsfaktoren ( w i / t w[k]) für die Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]) basierend auf der Mehrzahl von gegenwärtigen Stichproben ( x ~ i / t , SP(t)[k]), der gemessenen Klemmspannung (U_mess, z_t) und der gemessenen Batterietemperatur (T) zu berechnen.
Vorrichtung gemäß einem der Ansprüche 1 bis 15, wobei der Prozessor (120) ausgelegt ist, um eine andere Mehrzahl von gegenwärtigen Stichproben basierend auf einer anderen Mehrzahl von bekannten Stichproben einer anderen früheren Wahrscheinlichkeitsverteilung eines anderen Zustandsindikators (SOC, C_batt) der Batterie und einer anderen Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung zu berechnen, wobei der Prozessor (120) ausgelegt ist, um eine andere Mehrzahl von Gewichtungsfaktoren ( w i / t , w[k]) für die andere Mehrzahl von gegenwärtigen Stichproben basierend auf der anderen Mehrzahl von gegenwärtigen Stichproben und dem berechneten Zustandsparameter (122) der Batterie zu bestimmen, wobei der Prozessor (120) ausgelegt ist, um einen anderen Zustandsparameter (122) der Batterie basierend auf der anderen Mehrzahl von gegenwärtigen Stichproben und der anderen Mehrzahl von Gewichtungsfaktoren ( w i / t , w[k]) zu berechnen.
Verfahren (1000) zum Bestimmen eines Zustandsparameters einer Batterie, mit folgenden Schritten: Messen (1010) einer Klemmspannung einer Batterie; Berechnen (1020) einer Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung; Bestimmen (1030) einer Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung; und Berechnen (1040) des Zustandsparameters der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren.
Computerprogramm mit einem Programmcode zur Durchführung des Verfahrens gemäß Anspruch 17, wenn das Computerprogramm auf einem Computer oder Mikrocontroller abläuft.