DE102011116516A1 - Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit - Google Patents

Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit Download PDF

Info

Publication number
DE102011116516A1
DE102011116516A1 DE102011116516A DE102011116516A DE102011116516A1 DE 102011116516 A1 DE102011116516 A1 DE 102011116516A1 DE 102011116516 A DE102011116516 A DE 102011116516A DE 102011116516 A DE102011116516 A DE 102011116516A DE 102011116516 A1 DE102011116516 A1 DE 102011116516A1
Authority
DE
Germany
Prior art keywords
state
rechargeable battery
battery
measured
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
DE102011116516A
Other languages
English (en)
Other versions
DE102011116516B4 (de
Inventor
Mark W. Verbrugge
John S. Wang
Ping Liu
Shuoqin Wang
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
GM Global Technology Operations LLC
Original Assignee
GM Global Technology Operations LLC
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by GM Global Technology Operations LLC filed Critical GM Global Technology Operations LLC
Publication of DE102011116516A1 publication Critical patent/DE102011116516A1/de
Application granted granted Critical
Publication of DE102011116516B4 publication Critical patent/DE102011116516B4/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements

Abstract

Ein Verfahren zum Bestimmen und Vorhersagen eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit umfasst das Messen eines Stroms und einer Spannung der wiederaufladbaren Batterie in Echtzeit, das Eingeben des gemessenen Stroms und der gemessenen Spannung in einen Algorithmus und das Anwenden des Algorithmus, um den Zustand der wiederaufladbaren Batterie zu bestimmen. Der Algorithmus enthält ein erstes mathematisches Modell, das auf einer direkten Lösung mindestens einer Differentialgleichung beruht, die eine RC-Ersatzschaltung der Batterie als Funktion der Zeit beschreibt. Das erste Modell erzeugt eine Vielzahl von Parametern, die zur Bestimmung des Zustands der Batterie verwendbar sind. Der Algorithmus enthält ferner ein zweites mathematisches Modell, das ausgestaltet ist, um eine Regression der Parameter über die Zeit durchzuführen, und ein drittes mathematisches Modell, das ausgestaltet ist, um den Zustand der Batterie zu schätzen.

Description

  • TECHNISCHES GEBIET
  • Die vorliegende Offenbarung betrifft allgemein Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit.
  • HINTERGRUND
  • Hybridelektrische und batteriebetriebene Fahrzeuge verwenden oft Energie, die in einer wiederaufladbaren Batterie gespeichert ist, um ein oder mehrere Systeme des Fahrzeugs zu betreiben. Die wiederaufladbare Batterie kann beispielsweise in Kombination mit einer Brennkraftmaschine verwendet werden, um das Fahrzeug anzutreiben (etwa bei hybridelektrischen Fahrzeugen), oder sie kann alleine verwendet werden, um das Fahrzeug anzutreiben (etwa bei batteriebetriebenen Fahrzeugen). In einigen Fällen enthalten hybridelektrische oder batteriebetriebene Fahrzeuge eine Schätzvorrichtung, die verwendet werden kann, um zumindest den Ladezustand (SOC) und den Leistungszustand (SOP) der wiederaufladbaren Batterie zu bestimmen. Diese Informationen können verwendet werden, um einen Fahrzeugbediener über einen dann aktuellen Zustand der Batterie zu unterrichten.
  • ZUSAMMENFASSUNG
  • Ein Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit umfasst das Messen eines Stroms und einer Spannung der wiederaufladbaren Batterie in Echtzeit und das Eingeben des gemessenen Stroms und der gemessenen Spannung in einen Algorithmus. Der Algorithmus umfasst ein erstes mathematisches Modell auf der Grundlage einer direkten Lösung mindestens einer Differentialgleichung, die eine RC-Ersatzschaltung der wiederaufladbaren Batterie als Funktion der Zeit beschreibt. Das erste mathematische Modell ist ausgestaltet, um eine Vielzahl von Parametern zu erzeugen, die zur Vorhersage des Zustands der wiederaufladbaren Batterievorrichtung verwendet werden können. Der Algorithmus umfasst ferner ein zweites mathematisches Modell, das zum Durchführen einer Regression der Parameter über die Zeit ausgestaltet ist, und ein drittes mathematisches Modell, das zum Schätzen des Zustands der wiederaufladbaren Batterievorrichtung ausgestaltet ist. Das Verfahren umfasst ferner noch, dass der Algorithmus angewendet wird, um den Zustand der wiederaufladbaren Batterievorrichtung zu bestimmen.
  • KURZBESCHREIBUNG DER ZEICHNUNGEN
  • Merkmale und Vorteile von Beispielen der vorliegenden Offenbarung werden durch Bezugnahme auf die folgende genaue Beschreibung und die Zeichnungen offenbar werden, in denen gleiche Bezugszeichen ähnlichen, jedoch möglicherweise nicht identischen Komponenten entsprechen. Der Kürze halber kann es sein, dass Bezugszeichen oder Merkmale, die eine zuvor beschriebene Funktion aufweisen, in Verbindung mit anderen Zeichnungen, in denen sie erscheinen, beschrieben werden oder auch nicht.
  • 1 stellt ein Beispiel einer Unterseite eines hybridelektrischen Fahrzeugs schematisch dar;
  • 2 ist eine schematische Zeichnung eines Beispiels einer elektrischen Schaltung eines Batteriemoduls beispielsweise zur Verwendung im Fahrzeug von 1;
  • 3 ist eine graphische Darstellung, welche die durch Regression erhaltenen Modellparameter zeigt, die aus einem Beispiel des hier offenbarten Algorithmus erhalten werden;
  • 4 ist eine graphische Darstellung, die den gemessenen Strom und die gemessene Spannung der Batterie während eines zyklischen Prozesses zeigt;
  • 5 ist eine Reihe von graphischen Darstellungen, welche die Ergebnisse eines Aufladeleistungstests zeigen, der mit einer Lithium-Ionen-Batterie durchgeführt wurde;
  • 6 ist eine Reihe von graphischen Darstellungen, die vorhergesagte Ladezustände (SOC) und die Auflade- und Entlade-Leistungsprojektionen einer Lithium-Ionen-Batterie zeigen, die zu einem Zeitpunkt (t) von 0,5 Sekunden, 2 Sekunden und 10 Sekunden während eines zyklischen Prozesses auftreten;
  • 7 bis 9 sind graphische Darstellungen, welche die Ergebnisse von 150 Zufallstests des Ladezustands (SOC) und des Leistungszustands (SOP) einer Lithium-Ionen-Batterie zusammenfassen, wobei 7 zeigt, dass vorhergesagte Werte des SOC relativ zu gemessenen Werten innerhalb einer Genauigkeit von +/–3% liegen, 8 eine vorhergesagte 2-Sekunden-Leistungsprojektion mit gemessenen Werten vergleicht und 9 eine vorherge sagte 10-Sekunden-Leistungsprojektion mit gemessenen Werten vergleicht; und
  • 10 ist eine graphische Darstellung, welche die gemessene Entladeleistung der Batterie über der Zeit darstellt, wenn die Batteriespannung nach 1200 Sekunden bei 4 V festgeklemmt ist.
  • GENAUE BESCHREIBUNG
  • Ein oder mehrere Beispiele des hier offenbarten Verfahrens können verwendet werden, um zumindest den Ladezustand (SOC) und den Leistungszustand (SOP) einer wiederaufladbaren Batterievorrichtung in einem Fahrzeug, wie etwa einem hybridelektrischen Fahrzeug, quantitativ zu bestimmen und damit vorherzusagen. Ein Beispiel eines hybridelektrischen Fahrzeugs 10 ist in 1 dargestellt. Das Fahrzeug 10 enthält ein Modul 12, das mindestens eine wiederaufladbare Batterie 14 enthält. Bei Fällen, in denen das Modul 12 eine Vielzahl wiederaufladbarer Batterien 14 enthält, können die Batterien 14 miteinander in Reihe und/oder parallel verbunden sein. Einige Beispiele ohne Einschränkung von wiederaufladbaren Batterien umfassen Lithium-Ionen-Batterien, Bleisäurebatterien und Nickelmetallhydrid-Batterien.
  • Das Fahrzeug 10 enthält ferner einen Controller 16, der mit dem Batteriemodul 12 wirksam verbunden ist. Der Controller 16 ist außerdem mit einem Speicher 17 und einem Prozessor 15, der mit dem Speicher 17 wirksam gekoppelt ist, und mit einem computerlesbaren Medium 19 wirksam verbunden, das mit einem oder mehreren Algorithmen codiert ist, um zumindest den SOC und den SOP der Batterie(n) 14 zu bestimmen. Der gemessene Strom und die gemessene Spannung werden durch den Controller 16 von ihren jeweiligen Messvorrichtungen geholt, die hier nachstehend beschrieben sind. Wie nachstehend im Detail beschrieben ist, werden ein Strom und eine Spannung von dem Prozessor 15 des Controllers 16 als Eingänge für den Algorithmus in Echtzeit verwendet und dann wird der Algorithmus vom Prozessor 15 ausgeführt, um den SOC und den SOP zu bestimmen. Wie in 2 gezeigt ist, enthält das Fahrzeug 12 eine Strom- und Spannungsquelle 30, die Strom und Spannung erzeugt. Ferner können der Strom und die Spannung unter Verwendung jeweiliger Messvorrichtungen 32, 34 gemessen werden. Bei einem Beispiel ist die Vorrichtung 32 ausgestaltet, um eine Größe und eine Richtung des Stroms zu messen, der durch die Batterie(n) 14 fließt (wie z. B. ein Amperemeter), während die Vorrichtung 34 ausgestaltet ist, um eine Leerlaufspannung (Voc) der Batterie(n) 14 zu messen (wie z. B. ein Voltmeter). Die Schaltungen zum Messen des Stroms und der Spannung können beispielsweise in einer integrierten Schaltung enthalten sein.
  • Das Hybridfahrzeug 10 enthält auch einen Elektromotor/Generator 18, der mit einer Brennkraftmaschine 20 dynamisch verbunden ist, und der so funktioniert, dass er entweder das Fahrzeug 10 mit Leistung versorgt (etwa das Fahrzeug 10 antreibt, um es vorwärts oder rückwärts zu bewegen) oder dass er die Batterie(n) 14 auflädt (z. B. wenn das Fahrzeug 10 keine Leistung vom Motor/Generator 18 benötigt, um das Fahrzeug 10 anzutreiben). In einigen Fällen kann das Fahrzeug 10 auch einen weiteren Motor/Generator 18 enthalten, der an einem Ende des Fahrzeugs 12 angeordnet ist, das der Kraftmaschine 20 entgegengesetzt ist. Die Richtung der elektrischen Energie (z. B. der Stromfluss) vom Motor/Generator 18 kann zumindest aus dem Betriebszustand des Fahrzeugs 10 bestimmt werden. Wenn sich das Fahrzeug 10 beispielsweise in einem regenerativen Zustand befindet (etwa beim Bremsen), fließt der Strom aus dem Motor/Generator 18 und schließlich zum Batteriemodul 12, um die Batterie(n) 14 aufzuladen. Wenn sich das Fahrzeug 10 nicht in einem regenerativen Zustand befindet (etwa wenn das Fahrzeuggetriebesystem in einem Antriebsmodus ist), fließt der Strom vom Batteriemodul 12 an den Motor/Generator 18, um das Fahrzeug 10 in einer Vorwärtsbewegung anzutreiben.
  • Obwohl hier ein hybridelektrisches Fahrzeug beschrieben wurde, versteht es sich, dass das hier offenbarte Verfahren auf andere Fahrzeuge angewendet werden kann, wie z. B. Batterieelektrofahrzeuge und Kondensator/Superkondensator-Elektrofahrzeuge.
  • Bei einem Beispiel verwendet das hier offenbarte Verfahren einen Algorithmus, den der Controller 16 ablaufen lassen kann und der einen gemessenen Strom und eine gemessene Spannung verwendet (beispielsweise von den Vorrichtungen 32, 34 beschafft), um einen Zustand der Batterie(n) 14 zu bestimmen und vorherzusagen (z. B. den SOC und/oder den SOP). Dieser Algorithmus beruht auf einer adaptiven und direkten Lösung der geltenden Differentialgleichungen, die eine Leerlaufdarstellung einer einzelnen Batterie beschreiben. Die Leerlaufdarstellung wird nachstehend in Verbindung mit 2 beschrieben. Der Algorithmus, den der Controller 16 ablaufen lässt, kann hier als ”der direkte Differentialalgorithmus” oder einfach ”der DD-Algorithmus” bezeichnet sein.
  • Die Erfinder der vorliegenden Offenbarung haben herausgefunden, dass der DD-Algorithmus eine wesentliche Verbesserung gegenüber zumindest einigen anderen Algorithmen ist, die verwendet worden sind, um den Zustand einer Batterie in einem Fahrzeug zu bestimmen. Ein Beispiel für einen der anderen Algorithmen umfasst den Überlagerungs-Integralalgorithmus (SI-Algorithmus). Der SI-Algorithmus verwendet im Wesentlichen ein Überlagerungsintegrationsschema, um in Echtzeit zumindest den SOC und den SOP der wiederaufladbaren Batterie vorherzusagen. Bei einem Beispiel werden der Strom, die Spannung und die Temperatur der Batterie in den Algorithmus eingegeben und der Algorithmus verwendet diese Eingaben, um eine Regression bestimmter Modellparameter der Batterie durchzuführen, wie z. B. einer Leerlaufspannung (Voc) eines Hochfrequenzwiderstands (R), eines Ladungsübertragungswiderstand (Rct) und einer Kapazität (C) der Batterie. Aus den durch Regression erhaltenen Modellparametern können dann beispielsweise der SOC und der SOP bestimmt werden.
  • Bei der Verwendung des SI-Algorithmus zur Bestimmung des Batteriezustands können bestimmte Nachteile offensichtlich werden. Zum Beispiel kann der Algorithmus mit rekursiven Beziehungen implementiert sein, die Schaltungsparameter aus vorherigen Zeitschritten und experimentelle Messwerte, die in einem aktuellen Zeitschritt erworben wurden, verwenden, um eine Regression neuer Schaltungsparameter durchzuführen. Dies kann zumindest teilweise aufgrund einer begrenzten Speicherkapazität und/oder einer begrenzten Rechengeschwindigkeit von Controller der Fall sein, die in die Schätzvorrichtung eingebettet sind, die den SI-Algorithmus ablaufen lässt. Nachdem die Regression der neuen Schaltungsparameter durchgeführt worden sind, wird ein Verfahren mit gewichteten rekursiven kleinsten Quadraten (WRLS-Verfahren) verwendet, das umfasst, dass eingegebene Daten über die Zeit exponentiell gedämpft werden. Die neuen Schaltungsparameter können in einigen Fällen den Wert der Parameter wesentlich beeinflussen, an denen durch die Schätzvorrichtung, die den SI-Algorithmus ablaufen lässt, die Regression durchgeführt wurde.
  • Die Erfinder der vorliegenden Offenbarung haben entdeckt, dass der SI-Algorithmus bei hohen Abtastraten in einigen Fällen instabil werden kann (z. B. bei Datenabtastfrequenzen über 10 Hz). Zum Beispiel haben bestimmte Tests gezeigt, dass die numerische Stabilität der Regression der Modellparameter empfindlich auf die eingegebenen Daten reagieren kann. Diese Empfindlichkeit kann zu numerischen Anomalien bei der Regression der Parameter führen. Außerdem verwendet der SI-Algorithmus nur einen Satz von Modellparametern, um sowohl Auflade- als auch Entladeereignisse der Batterie zu beschreiben. Um die Möglichkeit von Prozessen mit unterschiedlicher Elektrodenkinetik beim Aufladen und Entladen unterzubringen, verwendet der SI-Algorithmus daher einen festgelegten Parameter r = Rct,charge/Rct,discharge, der das Verhältnis zwischen den Werten von Rct für das Batterieaufladen relativ zum Batterieentladen darstellt. Außerdem wird angenommen, dass eine Ladungstransfer-Zeitkonstante (d. h. Rct mal C) für sowohl die Auflade- als auch Entladeereignisse gleich ist.
  • Im Gegensatz dazu haben die Erfinder herausgefunden, dass der DD-Al-gorithmus im Vergleich zum SI-Algorithmus eine stabilere Parameterregression bereitstellt. Der DD-Algorithmus behandelt die Auflade- und Entladeereignisse der Batterie getrennt, sodass es keinen Bedarf für einen Parameter r wie im SI-Algorithmus gibt. Außerdem ist der DD-Algorithmus auf Anfangsparameter weniger empfindlich und weist im Vergleich mit dem SI-Algorithmus eine höhere Stabilität bei hohen Abtastraten auf.
  • Wie vorstehend erwähnt wurde, verwendet der DD-Algorithmus ein Modell mit einer RC-Schaltung einer wiederaufladbaren Batterie, das in 2 durch Bezugszeichen 100 bezeichnet ist. Das RC-Schaltungs-Batteriemodell 100 ist mit einer Strom- oder Spannungsquelle 30 verbunden. Es versteht sich, dass die Strom- oder Spannungsquelle 30 einem Motor/Generator 18 entsprechen kann, wie er in 1 dargestellt ist. Die Leerlaufspannung Voc 34 ist in Reihe zwischen der Strom- oder Spannungsquelle 30 und dem Hochfrequenzwiderstand R gezeigt. Das Batteriemodell 100 enthält ferner eine Auflade-RC-Schaltung 40, die parallel zu einer Entlade-RC-Schaltung 42 angeordnet ist, wobei die parallelen RC-Schaltungen 40, 42 in der Batterie 14 in Reihe mit dem Hochfrequenzwiderstand R angeordnet sind. Die Auflade-RC-Schaltung 40 enthält einen Ladekondensator Cc und einen Ladungstransferwiderstand Rct,c, der parallel zu dem Ladekondensator Cc angeordnet ist. Die Entlade-RC-Schaltung 42 enthält einen Entladekondensator Cd und einen Entladungstransferwiderstand Rct,d, der parallel zu dem Entladekondensator Cd angeordnet ist. Außerdem werden in der Schaltung Dioden 34 verwendet, um einen Strom I so zu beschränken, dass er in eine Richtung fließt, die konventionell durch die RC-Schaltungen 40 und 42 angezeigt ist.
  • Der DD-Algorithmus enthält allgemein eine Vielzahl mathematischer Modelle, die verwendet werden, um einen Zustand der wiederaufladbaren Batterie(n) 14 letztendlich vorherzusagen. Bei einem Beispiel enthält der DD-Algorithmus ein erstes mathematisches Modell, das verwendet werden kann, um eine Vielzahl von Parametern der Batterie(n) 14 zu erzeugen. Die Parameter, die von dem ersten mathematischen Modell erzeugt werden, umfassen den Hochfrequenzwiderstand R (in Ohm gemessen), den Ladungstransferwiderstand Rct_c (in Ohm gemessen), den Entladungstransferwiderstand Rct_d (in Ohm gemessen), die Ladekapazität Cc (in Farad gemessen), die Entladekapazität Cd (in Farad gemessen) und die Leerlaufspannung Voc (in Volt gemessen).
  • Das erste mathematische Modell beruht auf einer direkten Lösung mindestens einer Differentialgleichung, die die RC-Ersatzschaltung 100 der Batterie 14 als Funktion der Zeit beschreibt. Das erste mathematische Modell ist aus den Kirchhoffschen Regeln abgeleitet, die auf das in 2 dargestellte Modell 100 mit einer RC-Schaltung angewendet wurden, um Gleichung (1) zu erzeugen: V = (R + Rci)I + RRciC dI / dt – RciC dV / dt + Voc (Gleichung 1) wobei: V eine gemessene Eingangsspannung (in Volt) ist; I ein gemessener Eingangsstrom (in Ampere) ist; und R, Rct, C und Voc die vorstehend erwähnten Parameter sind, an denen bei jedem Zeitschritt t (in Sekunden gemessen) die Regression durchgeführt wird. Die zeitlichen Ableitungen von V und I können direkt aus den gemessenen Werten abgeleitet werden.
  • Bei einem Beispiel kann die Differenz zwischen dem kinetischen Aufladeprozess der Batterie(n) 14 und dem kinetischen Entladeprozess der Batterie(n) 14 bestimmt werden, indem Gleichung (1) erweitert wird, um Gleichung (2) zu erzeugen, die wie folgt weiter zu Gleichung (3) erweitert wird: V = [(R + Rct)I + RRctC dI / dt – RctC dV / dt + Voc]c + [(R + Rct)I + RRctC dI / dt – RctC dCV / dt + Voc]d (Gleichung 2) V = [Rc+ Rct_c)Ic + RcRct_cCc( dI / dt)c – Rct_cCc( dV / dt)c + Voc_c] + [(Rct + Rct_d)Id + RdRct_dCd( dV / dt)d + Voc_d] (Gleichung 3)
  • Es sollte verstanden sein, dass in den vorstehenden Gleichungen (2) und (3) alle Parameter/Variablen mit tief gestelltem Buchstaben ”d” mit dem Entladeprozess der Batterie(n) 14 verbunden sind, und dass alle Parameter/Variablen, mit dem tiefgestellten Buchstaben ”c” mit dem Aufladeprozess der Batterie(n) 14 verbunden sind. Wie durch Gleichung (2) und (3) gezeigt ist, behandelt der DD-Algorithmus den Entlade- und Aufladeprozess der Batterie(n) 14 separat.
  • Bei einem Beispiel wird in den Gleichungen (2) und (3) eine Regression der Parameter durchgeführt, indem die gemessenen Werte des Stroms I und der Spannung V der Batterie(n) 14 in Echtzeit angewendet werden. Dann werden die Ableitungen des Stroms I und der Spannung V unter Verwendung der folgenden Differentialgleichungen angenähert: dI / dt = (I(t) – I(t – Δt))/Δt (Gleichung 4) dI / dt = (V(t) – V(t – Δt))/Δt (Gleichung 5)
  • In Fällen, bei denen der Strom I positiv ist (d. h. ein Aufladezustand der Batterie(n) 14), ist dann der Strom Ic = I und (dI/dt)c = dI/dt und auf die gleiche Weise ist die Spannung Vc = V und (dV/dt)c = dV/dt. Außerdem werden alle Variablen, die mit dem Entladezustand der Batterie(n) 14 verbunden sind, auf Null gesetzt. In Fällen, bei denen der Strom I negativ ist (d. h. ein Entladezustand der Batterie(n) 14), ist dann der Strom Id = I und (dI/dt)d = dI/dt und die Spannung Vd = V und (dV/dt)d dV/dt. In diesem Fall werden alle Variablen, die mit dem Aufladezustand der Batterie(n) 14 verbunden sind, auf Null gesetzt.
  • Bei einem Beispiel kann die vorstehende Gleichung (3) vereinfacht werden, indem angenommen wird, dass der Entladewiderstand Rd = Rc = R, zumindest teilweise weil der beobachtete Unterschied zwischen der Hochfrequenzimpedanz für die Auflade- und Entladeereignisse relativ klein ist (z. B. ist er mathematisch vernachlässigbar). Eine Lithium-Ionen-Batterie kann beispielsweise eine leichte Hysterese beim Zellenpotential als Funktion ihres Ladezustands (SOC) mit einer C/3-Rate aufweisen (d. h. die Auflade-(oder Entlade-)Rate gleich der Gesamtkapazität dividiert durch 3 Stunden) (z. B. beträgt eine C/3-Rate bei einer Batterie mit 6 Ah etwa 2 A). Folglich kann die Annahme vernünftig sein, dass die Hysterese für die Beziehung zwischen der Leerlaufspannung Voc und dem SOC minimal ist. Mit anderen Worten ist die Leerlaufspannung während des Aufladezustands Voc_c = Voc_d = Voc. Die endgültige Gleichung des DD-Algorithmus für das Beispiel mit der Lithium-Ionen-Batterie wird daher werden zu: V = (R + Rct_c)Ic + RRct_cCc( dI / dt)c – Rct_cCc( dV / dt)c + (R + Rct_c)Id + RRct_dCd( dI / dt)d – Rct_cCd( dV / dt)d + Voc (Gleichung 6)
  • Bei einem Beispiel enthält der DD-Algorithmus ferner ein zweites mathematisches Modell, das ausgestaltet ist, um eine Regression der Parameter über die Zeit durchzuführen. Insbesondere enthält das zweite mathematische Modell ein Verfahren mit gewichteten rekursiven kleinsten Quadraten (WRLS-Verfahren), um den gemessenen Strom und die gemessene Spannung über die Zeit exponentiell zu dämpfen. Das WRLS-Modell wird wie folgt beschrieben. Es wird ein lineares dynamisches Modell, mit Ein gangsvariablen {x1(t), 1 = 1,2, K, L} und einer Ausgangsvariable y(t) betrachtet und es wird angenommen, dass i) diese Variablen bei diskreten Zeitpunkten {tj, j = 1, 2, 3, K, N} abgetastet werden und ü} die abgetasteten Werte durch die lineare Gleichung in Beziehung stehen können:
    Figure 00130001
    wobei {m1, 1 = 1, 2, K, L} die L Parameter sind, die identifiziert werden sollen. Bei dem WRLS-Verfahren werden die Parameter bestimmt, indem die Summe des gewichteten Quadrats der Fehlerterme wie folgt minimiert wird:
    Figure 00130002
    wobei {λ1, 1 = 1, 2 ... L} die L exponentiellen Vergessensfaktoren für das zeitliche Gewichten der Daten sind. Ein größerer Gewichtsfaktor λ1 lässt einen größeren Fehlerterm ε anwachsen und gibt somit mehr Einfluss hinsichtlich der Bewertung der Parameter mn, wobei n ist gleich 1, 2, 3 ... 7. Der verwendete Ansatz ermöglicht mehrere Vergessensfaktoren, was in M. Verbrugge, J. Appl. Electrochem., 37, 605 (2007) beschrieben ist, dessen Inhalt durch Bezugnahme hier mit aufgenommen ist. Es werden die folgenden Zuordnungen gemacht: y(t) = V(t) x1 = Ic m1 = R + Rct_c x2 =Id m2 = R + Rct_d x3 = (dI/dt)c m3 = RRct_cCc, x4 = (dI/dt)d m4 = RRct_dCd x5 = (dV/dt)c m5 = Rct_cCc x6 = (dV/dt)d m6 = Rct_dCd x7 = 1 m7 = Voc
  • Die sieben m-Parameter werden bei jedem Zeitschritt aktualisiert, basierend darauf, die Regression welcher Modellparameter gerade durchgeführt wird.
  • Unter Verwendung der durch Regression erhaltenen Modellparameter können der Ladezustand (SOC) und/oder der Leistungszustand (SOP) gefolgert werden. Bei einem Beispiel umfasst der DD-Algorithmus ein drittes mathematisches Modell zum Schätzen des SOC der Batterie(n) 14 während i) eines Aufladezustands und ii) eines Entladezustands. Gleichung (9) stellt den SOC der Batterie(n) 14 während eines Aufladezustands dar: SOC = w(SOCc) + (1 – w)(SOCv) (Gleichung 9) wobei w ein Gewichtungsparameter ist, der als eine Eingangsvariable gesetzt ist, SOCc der Ladezustand während des Aufladezustands ist und SOCv der Ladezustand bezüglich einer Leerlaufspannung Voc der Batterie(n) 14 ist. Der SOCc kann mit Hilfe einer Ladungsintegration berechnet werden und der SOCv steht mit Hilfe einer Voc über SOC- oder Entladezustands-(SOD)-Kurve, wie in 3 gezeigt ist, in Beziehung zu Voc. Der SOC wurde durch Coulomb-Zählen gefolgert und die Messungen wurden mit einer C/3-Rate und bei Raumtemperatur durchgeführt. Eine Kurvenanpassung an einen Mittelwert der Auflade- und Entladekurven in 3 wurde verwendet, um eine Nachschlagetabelle zu erzeugen, die verwendet werden kann, um den SOCv zu bestimmen. Bei einem Beispiel kann die Nachschlagetabelle verwendet werden, indem ein Spannungswert in der Tabelle nachgeschlagen wird, der nahe bei einer gemessenen Spannung liegt, und dann ein zugeordneter SOC aus der Tabelle genommen wird.
  • Der SOCc kann auf rekursive Weise in Echtzeit mit Hilfe von Gleichung (10) wie folgt berechnet werden:
    Figure 00150001
    wobei t der dann aktuelle Zeitpunkt gemessen in Sekunden ist, Δt die zeitliche Veränderung gemessen in Sekunden ist, I(t) der Strom als Funktion der Zeit gemessen in Ampere ist und Ahnominal die Amperestunden einer Kapazität der Batterie(n) 14 ist, wenn die Batterie(n) 14 mit einer Entladerate, die von C/2 bis C/20 reicht, von 100% auf 0% Ladezustand entladen wird bzw. werden, wobei C die Aufladerate der Batterie(n) 14 in einer Stunde ist. Der Faktor 100 wird in Gleichung 10 verwendet, um eine konsistente Prozentbasis beizubehalten. Es sollte verstanden sein, dass die SOCc-Berechnung die Eigenentladung der Batterie(n) 14 und irgendwelche Ineffizienzen bezüglich des Stromflusses ignoriert.
  • Bei einem Beispiel kann das dritte mathematische Modell verwendet werden, um den Leistungszustand (SOP) der Batterie(n) 14 zu schätzen. Dies kann durchgeführt werden, indem die Aufladeleistungs- und Entladeleistungskapazitäten der Batterie(n) 14 in Echtzeit geschätzt werden und dann der Strom als Funktion der Zeit I(t) geschätzt wird. Die Aufladeleistungskapazität kann beschafft werden, wenn die Batteriespannung auf ihren Maximalwert gesetzt wird, und die Entladeleistungskapazität wird beschafft, wenn die Spannung auf ihr Minimum gesetzt wird. Bei einem Beispiel kann die Leistungskapazität P zum Aufladen/Entladen aus der nachstehenden Gleichung (11) bestimmt werden: Pcharge(discharge)(t) = Icharge(discharge)(t)·Vmax(min) (Gleichung 11)
  • Der Strom I(t) kann bestimmt werden, wenn die Spannung auf ihren maximalen oder minimalen Wert gesetzt wird. In Fällen, in denen sich die Batterie(n) 14 in einem Aufladezustand befindet bzw. befinden, kann der Strom I(t) unter Verwendung von Gleichung (12) bestimmt werden:
    Figure 00160001
  • In Fällen, in denen sich die Batterie(n) 14 in einem Entladezustand befindet bzw. befinden, kann der Strom I(t) unter Verwendung von Gleichung (13) bestimmt werden:
    Figure 00160002
  • Um die vorliegende Offenbarung weiter zu veranschaulichen, werden hier Beispiele bereitgestellt. Es versteht sich, dass diese Beispiele zur Veranschaulichung bereitgestellt werden und nicht so aufgefasst werden dürfen, dass sie den Umfang der offenbarten Ausführungsform(en) einschränken.
  • BEISPIELE
  • Um die Regressionsgenauigkeit des DD-Algorithmus (der hier auch als die DD-Zustandsschätzvorrichtung bezeichnet wird) zu untersuchen, wurde eine Computersimulation in einer Testumgebung unter Verwendung simulierter Daten ablaufen gelassen. Bei dieser Simulation wurden Werte für die Modellparameter der RC-Schaltung vorgegeben. Auf der Grundlage der Werte des Stroms I(t) wurden Spannungsdaten V(t) bestimmt und die berechneten Werte für I(t) und V(t) wurden zur Echtzeit-Regression verwendet. Ferner wurde die Effektivität des Algorithmus bewertet, indem die durch Regression erhaltenen Parameterwerte mit den vorgegebenen Werten verglichen wurden.
  • Als Beispiel des Simulationstests wurden die Stromdaten gebildet, indem vier Sinuswellen mit zufälligen Anfangsphasen zusammenaddiert wurden. Die Frequenzen der Sinuswellen betrugen 0,001 Hz, 0,01 Hz, 0,1 Hz und 1 Hz bei einer Amplitude von 10 A. Das Zeitintervall der Stromdaten wurde auf 100 ms eingestellt. Es versteht sich, dass die Frequenzen und Amplituden so gewählt wurden, dass sie für Antriebsbatterieanwendungen repräsentativ sind. Die Modellparameter wurden vorgegeben als: R = 0,0024 Ohm, Rct_c = Rct_d = 0,0032 Ohm, Cc = Cd = 4500 F, Voc = 3,6 V.
  • Die Daten und die gewählten Parameter wurden verwendet, um die Systemspannung unter Verwendung des Schaltungsmodells zu berechnen.
  • Dann wurden die Strom- und Spannungsdaten in den Simulationsalgorithmus eingegeben, um die durch Regression erhaltenen Modellparameter zu beschaffen, wie in 3 gezeigt ist. Die Anfangswerte der Parameter waren gewählt als: R = 0,004 Ohm, Rct_c= Rct_d = 0,0025 Ohm, Cc = Cd = 4000 F und die anfängliche Leerlaufspannung Voc wurde so eingestellt, dass die gleich dem ersten Wert der Spannungsdaten ist. Die Vergessensfaktoren λ1 wurden für jeden Parameter auf 0,999 eingestellt. Wie in 3 gezeigt ist, sind die durch Regression erhaltenen Werte der Parameter nahezu identisch zu den gewählten Werten, was die Genauigkeit des Algorithmus bei der Parameterregression demonstriert. Außerdem wurde entdeckt, dass die Regression effektiv unempfindlich gegenüber den Anfangswerten ist, die in den Algorithmus eingegeben wurden.
  • Um die DD-Zustandsschätzvorrichtung als Vorhersagevorrichtung für Echtzeitbatteriezustände unter simulierten Fahrbedingungen zu bewerten, wurde die DD-Schätzvorrichtung implementiert und in ein Batterietestsystem integriert, das auch als Hardware-In-The-Loop-System (HWIL-System) bekannt ist. (Ein Beispiel eines HWIL-Systems ist in C. Massey, A. Bekaryan, M. Verbrugge, T. Weber, D. Frisch, L. Turner, A. Perulian und P. Liu in SAE Commercial Vehicle Engineering Conference, Warrendale, PA: SAE International, (2005) beschrieben, wobei die relevanten Abschnitte davon durch Bezugnahme hiermit aufgenommen sind). Die Architektur der HWIL enthält im Wesentlichen drei Komponenten: eine Schnittstelle für eine elektrochemische Zelle (EC-Schnittstelle), ein Fahrzeugmodell und einen HWIL-Controller. Die EC wirkt als Umgebungsschnittstelle für die im Test befindliche elektrochemische Zelle und ihre Haupteinrichtungen umfassen eine Einkanal-Testvorrichtung (BT2000, Arbin Instruments), die bis zu 5 kW bei Potentialen, die von etwa 0,6 V bis etwa 5 V +/– 1 mV reichen, und Strombereiche bis zu etwa 1 kA +/– 10 mA bereitstellt, und eine Temperatursteuerkammer zum Unterbringen der Batterie mit einem programmierbaren Bereich von etwa –40°C bis 130°C (Auflösung von +/–1°C). Alle Tests wurden bei Raumtemperatur (z. B. etwa 24°C) durchgeführt. Das verwendete Fahrzeugmodell war das Hybridantriebsstrang-Simulationsprogramm (HPSP), das von General Motors, Detroit, MI bereitgestellt wurde. HPSP wurde eingesetzt, um elektrische Leistungsanforderungen auf der Grundlage spezifischer Fahrprofile bereitzustellen. Der HWIL-Controller diente auch als Befehlszentrum bei der Sicherung des Prozesses. Zum Beispiel analysiert der HWIL-Controller bei einem zyklischen Prozess, wenn eine Leistungsanforderung vom HPSP empfangen wird, die Anforderung und sendet, wenn sie gültig ist, die Anforderung an die EC-Schnittstelle. Die HWIL empfängt auch die I-V-T-Anwort (d. h. Strom-Spannungs-Temperatur-Antwort) von der Schnittstelle, durchläuft den DD-Algorithmus mit den I-V-T-Daten und stellt eine Rückmeldung an das HPSP für dessen Vorbereitung seiner nächsten Leistungsanforderung bereit. Gleichzeitig überwacht der HWIL-Controller ununterbrochen das System, um einen Betrieb innerhalb spezifizierter Grenzen sicherzustellen, um einen Missbrauch der Zelle zu vermeiden. Die Kommunikation zwischen den vorstehend erwähnten Modulen wurde unter Verwendung von TCP-IP-Protokollen realisiert.
  • Die in diesen Experimenten verwendete Batterie war eine Lithium-Ionen-Batterie mit einer einzigen Zelle (Hitachi Automotive Products, Modellnummer A23-06H04-G00), die eine Nennkapazität von 5,6 Ah und einen Spannungsbereich von 2,7 bis 4,1 V aufweist. Von dem HPSP wurde ein vorprogrammiertes Fahrprofil verwendet, um der Zelle die Leistungsanforderung zu unterbreiten. Ferner wurde die DD-Zustandsschätzvorrichtung getestet, indem vorhergesagte und gemessene SOC- und SOP-Werte unter Verwendung der hier nachstehend beschriebenen Prozedur verglichen wurden.
  • Ein anfänglicher SOC-Wert wurde zufällig gewählt (z. B. im Bereich von etwa 30% bis etwa 70%) und das zugehörige Leerlaufpotential Voc wurde unter Verwendung einer Nachschlagetabelle des spannungsbasierten Ladezustands beschafft. Die Batterie wurde mit einer Stromrate von C/6 geladen oder entladen, bis der Wert von Voc erreicht wurde, wobei zugelassen wurde, dass die Batterie etwa 20 Minuten lang ruhte. Dieser Prozess wurde verwendet, um einen genauen Schätzwert der anfänglichen Voc der Batterie vorzulegen.
  • Der zyklische Prozess wurde eingeleitet und der Prozess dauerte mindestens etwa 10 Minuten. Während des Prozesses wurden die Batteriespannung und der Batteriestrom alle 125 ± 15 Millisekunden aktualisiert.
  • Der zyklische Prozess wurde bei einem zufälligen Zeitpunkt gestoppt, der während des anfänglichen zyklischen Prozesses bestimmt wurde, und eine Testwahl (entweder ein SOC-Test oder ein Test der maximalen Aufladeleistung oder ein Test der maximalen Entladeleistung) wurde zufällig gewählt. Für den SOC-Test ruhte die Batterie eine Stunde lang bei dem zufällig gewählten Zeitpunkt und wurde dann mit einer konstanten Stromrate von C/3 entladen, bis die Batteriespannung auf ihren Minimalwert von Vmin = 2,7 V gefallen war. Der SOC wurde gefolgert, indem der Entladestrom mit der Entladezeit multipliziert und durch die Batteriekapazität dividiert wurde.
  • Die Auflade- oder Entladeleistungstests wurden durchgeführt, indem jeweils die maximale oder minimale Spannung an der Batterie eingestellt wurde und ihr Strom als Funktion der Zeit verfolgt wurde. Die Auflade- oder Entladeieistungskapazität als Funktion der Zeit wurde bestimmt, indem die Strom-Zeit-Projektion jeweils mit der maximalen oder minimalen Spannung multipliziert wurde. Die DD-Zustandsschätzvorrichtung startete die Regression, wobei alle Modellparameter auf ihre zuvor eingestellten Werte initialisiert waren. Während der Regression wurden auch die durch Regression erhaltenen Parameterwerte begrenzt. Dies ist notwendig, da eine Echtzeitumgebung oft Rauschen aufgrund elektromagnetischer Interferenzen (EMI) enthält, was die Regression zu fehlerhaften Vorhersagen führen kann. Der Anfangswert und die Grenzwerte für jeden Parameter, der in den Experimenten verwendet wurde, sind in der nachstehenden Tabelle 1 gezeigt: Tabelle 1: Anfängliche und zulässige Werte für jeden Parameter, der in den hier beschriebenen Experimenten verwendet wurde
    Größe, Einheiten Anfangswert Grenzwerte [Min, Max]
    R, mohm 4 [0,4, 40]
    Rct_c, mohm 2,5 [0,25, 25]
    Rct_d, mohm 2,5 [0,25, 25]
    Cc, F 4000 [400, 40.000]
    Cd, F 4000 [400, 40.000]
    Voc, V Gemessener Spannungswert bei t = 0 [2,7, 41]
    W (Gewichtungsfaktor) 0,995
    Ahnominal, AStunde 5,6
    Vmin(SOC), V 2,7
    Vmin(Leistung), V 2,9
    Vmax(Leistung), V 4,0
  • Wie in Tabelle 1 gezeigt ist, wurden die oberen und unteren Grenzen für die Parameterwerte so eingestellt, dass sie zehnmal größer oder kleiner als die Anfangswerte waren. Ferner wurden alle Vergessensfaktoren λ1 auf λ = 0,999 zum Zweck der Vereinfachung der Berechnung gesetzt, und der Anfangswert des Parameters Voc wurde so eingestellt, dass er gleich der gemessenen Spannung beim Start der Regression war. Die Abtastperiode dt betrug 125 Millisekunden und somit war Δt = dt / 1 – λ = 125 s in etwa die Zeitdauer, über welche vergangene Daten die Regression beeinflussten. Es soll jedoch erwähnt werden, dass der Algorithmus die Fähigkeit zur Feinabstimmung jedes λ1 behält, um die Regressionsgenauigkeit zu verbessern. Zum Beispiel kann der Wert von λ1 für Voc auf einen kleineren Wert gesetzt werden, um schnelle SOC-Variationen mit dem Strom zu erfassen.
  • Es wurde ein weiterer Zufallsversuch durchgeführt, wobei dieser Zufallsversuch die Aufladeleistungskapazität der Batterie unterstrich. Auf der Grundlage von Anfangswerten, Grenzbedingungen, Vergessensfaktoren der Parameter und der aktualisierten Variablen I, V der Batterie führte die DD-Zustandsschätzvorrichtung eine rekursive Regression der Modellparameter durch und deren Endwerte sind in 5 dargestellt. Wie in 5 gezeigt ist, bleibt der Hochfrequenzwiderstand R über den gesamten Fahrprozess hinweg nahezu gleich, was konsistent zu einer konstanten Anzahl von Ladungsträgern in den Elektrolytphasen und wenig Veränderung beim elektronischen Widerstand der Festphase in der Lithium-Ionen-Batterie ist. Das Leerlaufpotential Voc steigt leicht an, da das Fahrprofil mehr Aufladefälle als Entladefälle aufweist. Ferner gibt es quantitative Unterschiede zwischen den Regressionswerten der Auflade- und Entlade-Parameter für den Ladungstransferwiderstand und die Kapazität. Für alle Parameter wurde die Regression in ihren voreingestellten Grenzwerten durchgeführt, was die Stabilität der DD-Zustandsschätzvorrichtung anzeigt. Die Entladeparameter weisen einige Spitzen am Beginn des zyklischen Prozesses auf, weil nicht genügend Entladeinformationen vorhanden waren, um eine stabile Regression zu ermöglichen. Mit den aktualisierten Parametern sagte der Algorithmus SOC und SOP in Echtzeit innerhalb der Ergebnisse vorher. In der Anfangsperiode von 200 Sekunden steigt der SOC an und bleibt dann nahe konstant, was konsistent mit dem Fahrprofil ist.
  • Wie vorstehend erwähnt wurde, verwendet der DD-Algorithmus die Gleichungen 11 bis 13, um Leistungskapazitäten vorherzusagen. Die vorhergesagten SOCs sowie Auflade- und Entladeleistungsprojektionen treten während des zyklischen Prozesses bei t = 0,5 Sekunden, 2 Sekunden und 10 Sekunden auf, wie in 6 gezeigt ist. Am Ende des Zyklus, wenn die Zyklusdauer bei diesem Beispiel 1200 Sekunden erreicht hat, wurde der Aufladeleistungstest an der Batterie mit Ergebnissen durchgeführt, die in 10 dargestellt sind. In diesem Test wurde die Batteriespannung auf 4 V festgeklemmt, was der Maximalspannung Vmax entspricht, die im Algorithmus zum Berechnen der Leistungskapazitäten verwendet wurde. Dann wurden der Batteriestrom und folglich die Leistung mit Intervallen von 0,1 s abgetastet und 10 Sekunden lang aufgezeichnet. Vorhergesagte Werte der Aufladeleistung wurden mit den gemessenen Werten verglichen und die Ergebnisse sind in der nachstehenden Tabelle 2 dargestellt. Tabelle 2: Vergleich zwischen vorhergesagten Werten der Aufladeleistung und gemessenen Werten der Aufladeleistung.
    Projektierte Zeit Vorhergesagte Leistung Gemessene Leistung Unterschied
    0,5 s 687,1 W 683,1 W 0,5%
    2 s 599,4 W 599,2 W 0,03%
    10 s 405,8 W 396,1 W 2,5%
  • Die gemessenen Werte stimmen mit den vorhergesagten Werten bei den Leistungsergebnissen für 0,5 Sekunden und 2 Sekunden überein, während die Leistungsprojektionen bei 10 Sekunden eine größere Abweichung zeigen. Die Vorhersagegenauigkeit für den SOP ist allgemein bei kürzeren Zeitintervallen größer; und die Kurzzeitleistung wird hauptsächlich durch den Hochfrequenzwiderstand R bestimmt und die Regression von R ist stabil und genau. Dies führt zu genauen Kurzzeitleistungsvorhersagen.
  • 7 bis 9 fassen die Ergebnisse von 150 Zufallstests für SOC und SOP einer Lithium-Ionen-Batterie zusammen. Jeder Datenpunkt in den Figuren entspricht einem Zufallstest. In 7 liegen die vorhergesagten Werte für SOC innerhalb einer Genauigkeit von +/–3% relativ zu den gemessenen Werten. Dieser Fehler entsteht wahrscheinlich wegen numerischer Fehler bei der Coulomb-Integration. Da der Gewichtungsfaktor w im Algorithmus mit 0,995 initialisiert wurde, verifiziert die Übereinstimmung der SOC-Ergebnisse, dass bei dieser Batterie der SOC durch das Coulomb-Zählen dominiert wird. 8 zeigt die vorhergesagten 2 Sekunden-Leistungsprojektionen gegenüber den gemessenen Werten. Die positiven Werte entsprechen Aufladeleistungstests, während sich die negativen Werte auf Entladeleistungstests beziehen. Die Aufladeleistungsprojektionen sind ziemlich genau, während die Entladeleistungsprojektionen größer als die gemessenen sind. Die Abweichungen wachsen tendenziell, wenn die Leistungsgröße zunimmt. Ferner vergleicht 9 die vorhergesagten 10 Sekunden-Leistungsprojektionen mit gemessenen Werten. Ähnlich wie die 2 Sekunden-Resultate waren die Vorhersagen der Aufladeleistungskapazitäten exzellent, während die vorhergesagten Entladeleistungen größer waren als die gemessenen, und die Abweichung wurde größer, wenn die Leistungsgröße zunahm.
  • Obwohl einige Beispiele im Detail beschrieben wurden, ist es für Fachleute auf dem Gebiet offensichtlich, dass die offenbarten Beispiele modifiziert werden können. Daher muss die vorstehende Beschreibung als nicht einschränkend aufgefasst werden.
  • 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 Nicht-Patentliteratur
    • M. Verbrugge, J. Appl. Electrochem., 37, 605 (2007) [0030]
    • C. Massey, A. Bekaryan, M. Verbrugge, T. Weber, D. Frisch, L. Turner, A. Perulian und P. Liu in SAE Commercial Vehicle Engineering Conference, Warrendale, PA: SAE International, (2005) [0042]

Claims (10)

  1. Verfahren zum Bestimmen und Vorhersagen eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit, das umfasst, dass: ein Strom und eine Spannung der wiederaufladbaren Batterie in Echtzeit mit Hilfe jeweiliger Messvorrichtungen gemessen werden; mit Hilfe eines Prozessors, der mit einem Speicher und einem computerlesbaren Medium, das mit einem Algorithmus zum Bestimmen des Zustands der wiederaufladbaren Batterievorrichtung in Echtzeit codiert ist, wirksam gekoppelt ist, der gemessene Strom und die gemessene Spannung in dem Algorithmus verwendet werden, wobei der Algorithmus umfasst: ein erstes mathematisches Modell, das auf einer direkten Lösung mindestens einer Differentialgleichung beruht, die eine RC-Ersatzschaltung der wiederaufladbaren Batterie als Funktion der Zeit beschreibt, wobei das erste mathematische Modell ausgestaltet ist, um eine Vielzahl von Parametern zu erzeugen, die zur Bestimmung des Zustands der wiederaufladbaren Batterie verwendbar sind; und ein zweites mathematisches Modell, das ausgestaltet ist, um eine Regression der Vielzahl von Parameter über die Zeit durchzuführen; und ein drittes mathematisches Modell, das ausgestaltet ist, um den Zustand der wiederaufladbaren Batterie zu schätzen; und der Algorithmus mit Hilfe des Prozessors angewendet wird, um den Zustand der wiederaufladbaren Batterie zu bestimmen.
  2. Verfahren nach Anspruch 1, wobei das erste mathematische Modell dargestellt wird durch: V = (R + Rct_c)Ic + RRct_cCc( dI / dt)c – Rct_cCc( dV / dt)c + (R + Rct_c)Id + RRct_dCd( dI / dt)d – Rct_cCd( dV / dt)d + Voc wobei: V die Spannung der wiederaufladbaren Batterie gemessen in Volt ist; Voc eine Leerlaufspannung der wiederaufladbaren Batterie gemessen in Volt ist; R ein Hochfrequenzwiderstand der wiederaufladbaren Batterie gemessen in Ohm ist; Rct_c und Rct_d Ladungstransferwiderstände der wiederaufladbaren Batterie für einen Aufladezustand (c) und einen Entladezustand (d) gemessen in Ohm sind; Ic und Id Ströme der wiederaufladbaren Batterie für den Aufladezustand (c) und den Entladezustand (d) gemessen in Ampere sind; Cc und Cd Kapazitäten der wiederaufladbaren Batterie für den Aufladezustand (c) und den Entladezustand (d) gemessen in Farad sind; und t die Zeit gemessen in Sekunden ist.
  3. Verfahren nach Anspruch 2, wobei die Vielzahl von Parametern R, Rct_d, Cc, Cd und Voc umfasst.
  4. Verfahren nach Anspruch 1, wobei das zweite mathematische Modell ein Verfahren mit gewichteten rekursiven kleinsten Quadraten umfasst, das ausgestaltet ist, um eine Regression der Modellparameter unter Verwendung des gemessenen Stroms und der gemessenen Spannung über die Zeit durchzuführen.
  5. Verfahren nach Anspruch 1, wobei der Zustand der wiederaufladbaren Batterie ein Ladezustand (SOC) ist, und wobei das dritte mathematische Modell dargestellt ist durch: i) SOC = w(SOCc) + (1 – w)(SOCv) während eines Aufladezustands (c) der wiederaufladbaren Batterie ist, und wobei w ein Gewichtungsfaktor ist und SOCv der Ladezustand mit Bezug auf eine Leerlaufspannung (Voc) der wiederaufladbaren Batterie ist.
  6. Verfahren nach Anspruch 5, wobei der Ladezustand während des Aufladezustands der wiederaufladbaren Batterie (SOCc) dargestellt wird durch:
    Figure 00280001
    wobei: t ein dann aktueller Zeitpunkt gemessen in Sekunden ist, Δt die zeitliche Veränderung gemessen in Sekunden ist; I(t) der Strom als Funktion der Zeit gemessen in Ampere ist; und Ahnominal die Amperestunden einer Batteriekaparität sind, wenn die wiederaufladbare Batterie von einem Ladezustand von 100% auf 0% mit einer Entladerate entladen wird, die von C/2–C/20 reicht, wobei die C-Rate als das Aufladen der Batterie in einer Stunde definiert ist.
  7. Verfahren nach Anspruch 1, wobei der Zustand der wiederaufladbaren Batterie ein Leistungszustand (SOP) ist und wobei das dritte mathematische Modell ausgestaltet ist, um: i) eine Aufladeleistungskapazität Pc der Batterie zu schätzen, die dargestellt ist, durch: Pc(t) = Ic(t)·Vmax; und ii) den Strom I(t) als Funktion der Zeit zu schätzen, der dargestellt ist durch:
    Figure 00290001
  8. Verfahren nach Anspruch 1, wobei der Zustand der wiederaufladbaren Batterie ein Leistungszustand (SOP) ist, und wobei das dritte mathematische Modell ausgestaltet ist, um: i) eine Entladeleistungskapazität Pd der wiederaufladbaren Batterie zu schätzen, die dargestellt ist, durch: Pd(t) = Ic(t)·Vmin; und ii) den Strom I(t) als Funktion der Zeit zu schätzen, der dargestellt ist durch:
    Figure 00290002
  9. Verfahren nach Anspruch 1, wobei das Anwenden des Algorithmus umfasst, dass nach einem Aufladezustand der wiederaufladbaren Batterie aufgelöst wird, indem nur Aufladezustandsdaten als Eingaben verwendet werden; oder wobei das Anwenden des Algorithmus umfasst, dass nach einem Entladezustand der wiederaufladbaren Batterie aufgelöst wird, indem nur Entladezustandsdaten als Eingaben verwendet werden.
  10. Steuersystem für ein Fahrzeug, umfassend: ein Modul, das mindestens eine wiederaufladbare Batterie enthält; eine erste Vorrichtung zum Messen einer Größe und einer Richtung eines Stroms, der durch die mindestens eine wiederaufladbare Batterie fließt; eine zweite Vorrichtung zum Messen einer Spannung der zumindest einen Batterie; und einen Controller, der mit dem Modul wirksam verbunden ist, wobei der Controller einen Prozessor enthält, der mit einem Speicher und einem computerlesbaren Medium, das mit einem Algorithmus codiert ist, wirksam gekoppelt ist, wobei der Prozessor ausgestaltet ist, um den Algorithmus auszuführen, der den gemessenen Strom und die gemessene Spannung, die von der ersten bzw. der zweiten Vorrichtung beschafft wurden, verwendet, um einen Zustand der mindestens einen wiederaufladbaren Batterie vorherzusagen, wobei der Algorithmus umfasst: ein erstes mathematisches Modell, das auf einer direkten Lösung mindestens einer Differentialgleichung beruht, die eine RC-Ersatzschaltung der mindestens einen wiederaufladbaren Batterie als Funktion der Zeit beschreibt, wobei das erste mathematische Modell ausgestaltet ist, um eine Vielzahl von Parametern zu erzeugen, die zum Vorhersagen des Zustands der mindestens einen wiederaufladbaren Batterie verwendbar sind; und ein zweites mathematisches Modell, das ausgestaltet ist, um eine Regression der Vielzahl von Parameter über die Zeit durchzuführen; und ein drittes mathematisches Modell, das ausgestaltet ist, um den Zustand der mindestens einen wiederaufladbaren Batterie zu schätzen.
DE102011116516.2A 2010-10-26 2011-10-20 Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit Active DE102011116516B4 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
US12/912,407 US9091735B2 (en) 2010-10-26 2010-10-26 Method for determining a state of a rechargeable battery device in real time
US12/912,407 2010-10-26

Publications (2)

Publication Number Publication Date
DE102011116516A1 true DE102011116516A1 (de) 2012-04-26
DE102011116516B4 DE102011116516B4 (de) 2021-06-17

Family

ID=45923474

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102011116516.2A Active DE102011116516B4 (de) 2010-10-26 2011-10-20 Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit

Country Status (3)

Country Link
US (1) US9091735B2 (de)
CN (1) CN102540084B (de)
DE (1) DE102011116516B4 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015107930B4 (de) 2014-06-09 2023-05-17 Ford Global Technologies, Llc Schätzung und Ausgleich von Batteriemessungen

Families Citing this family (51)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102010021031A1 (de) * 2010-05-19 2011-11-24 Audi Ag Vorrichtung zum Energiemanagement in einem Elektrofahrzeug
US8866443B2 (en) * 2010-08-11 2014-10-21 Shin-Kobe Electric Machinery Co., Ltd. Lead acid storage battery and lead acid storage battery system for natural energy utilization system
US20120109556A1 (en) * 2010-10-29 2012-05-03 GM Global Technology Operations LLC Band select state of charge weighted scaling method
DE102010062838A1 (de) * 2010-12-10 2012-06-14 Dspace Digital Signal Processing And Control Engineering Gmbh Echtzeitfähige Batteriezellensimulation
US20120179435A1 (en) * 2011-01-10 2012-07-12 Ford Global Technologies, Llc Method For Determining A Power Capability For A Battery
DE102011007884A1 (de) * 2011-04-21 2012-10-25 Sb Limotive Company Ltd. Verfahren zur Bestimmung eines maximal verfügbaren Konstantstroms einer Batterie
US10234512B2 (en) 2011-06-11 2019-03-19 Sendyne Corporation Current-based cell modeling
US20130311116A1 (en) * 2012-05-16 2013-11-21 Robert Bosch Gmbh Battery System and Method with SOC/SOH Observer
US9059451B2 (en) 2012-10-18 2015-06-16 GM Global Technology Operations LLC Coatings for lithium titanate to suppress gas generation in lithium-ion batteries and methods for making and use thereof
JP5740798B2 (ja) * 2012-12-17 2015-07-01 横河電機株式会社 二次電池最大容量測定装置
US9034519B2 (en) 2013-01-18 2015-05-19 GM Global Technology Operations LLC Ultrathin surface coating on negative electrodes to prevent transition metal deposition and methods for making and use thereof
CN104657520B (zh) * 2013-11-18 2017-12-26 国家电网公司 一种基于大容量储能锂离子电池的电池建模方法
US9531004B2 (en) 2013-12-23 2016-12-27 GM Global Technology Operations LLC Multifunctional hybrid coatings for electrodes made by atomic layer deposition techniques
US9564639B2 (en) 2014-02-12 2017-02-07 GM Global Technology Operations LLC High performance silicon electrodes having improved interfacial adhesion between binder and silicon
US9132745B1 (en) 2014-03-17 2015-09-15 Ford Global Technologies, Llc Frequency based battery model parameter estimation
US10288693B2 (en) 2014-04-21 2019-05-14 GM Global Technology Operations LLC State of charge estimator and methods of making and using the same
US10830821B2 (en) * 2014-05-05 2020-11-10 Apple Inc. Methods and apparatus for battery power and energy availability prediction
US9312722B2 (en) 2014-05-09 2016-04-12 Ford Global Technologies, Llc System and method for battery power management
US9419314B2 (en) * 2014-05-12 2016-08-16 GM Global Technology Operations LLC Systems and methods for determining battery system power capability
US10345385B2 (en) * 2014-05-12 2019-07-09 Gm Global Technology Operations Llc. Battery state estimation systems and methods using a nonlinear resistance element
JP2016075515A (ja) * 2014-10-03 2016-05-12 矢崎総業株式会社 最大出力電流推定装置
US20160131701A1 (en) * 2014-11-07 2016-05-12 Ford Global Technologies, Llc Battery testing system and method
WO2017015396A1 (en) * 2015-07-20 2017-01-26 University Of Washington Battery models, systems, and methods using robust fail-safe iteration free approach for solving differential algebraic equations
DE102016119253A1 (de) * 2015-10-20 2017-04-20 GM Global Technology Operations LLC Batteriezustands-schätzungssysteme und verfahren unter verwendung eines nichtlinearen widerstandselements
US10436845B2 (en) * 2016-03-01 2019-10-08 Faraday & Future Inc. Electric vehicle battery monitoring system
US10118500B2 (en) 2016-03-09 2018-11-06 Ford Global Technologies, Llc Battery capacity estimation based on open-loop and closed-loop models
US10035426B2 (en) 2016-03-10 2018-07-31 Ford Global Technologies, Llc Battery power management in hybrid vehicles
US10023064B2 (en) 2016-03-10 2018-07-17 Ford Global Technologies, Llc Power capability estimation for vehicle battery systems
US10040366B2 (en) 2016-03-10 2018-08-07 Ford Global Technologies, Llc Battery terminal voltage prediction
US10396360B2 (en) 2016-05-20 2019-08-27 Gm Global Technology Operations Llc. Polymerization process for forming polymeric ultrathin conformal coatings on electrode materials
CN109769400A (zh) * 2016-07-22 2019-05-17 Eos能源储存有限责任公司 蓄电池管理系统
US10164245B2 (en) 2016-09-19 2018-12-25 GM Global Technology Operations LLC High performance silicon electrodes having improved interfacial adhesion between binder, silicon and conductive particles
WO2018162023A2 (en) * 2017-03-06 2018-09-13 Volvo Truck Corporation A battery state of power estimation method and a battery state monitoring system
DE102017211506A1 (de) * 2017-07-06 2019-01-10 Lithium Energy and Power GmbH & Co. KG Verfahren zur Zustandsbestimmung einer elektrischen Energiespeichereinheit, entsprechende Vorrichtung zur Durchführung des Verfahrens sowie entsprechende elektrische Energiespeichereinheit
KR20190046410A (ko) 2017-10-26 2019-05-07 삼성전자주식회사 배터리 상태를 측정하는 방법 및 장치
KR102373458B1 (ko) * 2018-02-07 2022-03-10 주식회사 엘지에너지솔루션 배터리를 위한 등가 회로 모델의 파라미터 추정 방법 및 배터리 관리 시스템
CN108896922B (zh) * 2018-06-22 2020-10-30 江西江铃集团新能源汽车有限公司 电动汽车电压平台确定方法
US10868307B2 (en) 2018-07-12 2020-12-15 GM Global Technology Operations LLC High-performance electrodes employing semi-crystalline binders
US11228037B2 (en) 2018-07-12 2022-01-18 GM Global Technology Operations LLC High-performance electrodes with a polymer network having electroactive materials chemically attached thereto
US10884062B2 (en) 2018-10-30 2021-01-05 GM Global Technology Operations LLC Detection and mitigation of rapid capacity loss for aging batteries
CN111913109B (zh) * 2019-05-09 2023-04-25 上海汽车集团股份有限公司 一种电池峰值功率的预测方法及装置
US10988049B2 (en) * 2019-05-16 2021-04-27 GM Global Technology Operations LLC Power management of high-current fast-charging battery
CN110988568A (zh) * 2019-12-26 2020-04-10 易思维（杭州）科技有限公司 电子设备稳定性检测装置及方法
CN112305433B (zh) * 2020-03-30 2023-01-13 宁德时代新能源科技股份有限公司 电池性能参数的估算方法、装置、设备和介质
US11338769B2 (en) * 2020-05-21 2022-05-24 Verizon Connect Development Limited Systems and methods for immobilizing a vehicle
CN111914394B (zh) * 2020-06-29 2023-01-03 哈尔滨工程大学 一种基于双最小二乘法的超级电容参数在线估计方法
CN112485695A (zh) * 2020-11-23 2021-03-12 国网北京市电力公司 动力电池的检测方法及装置
EP4047380A1 (de) * 2021-02-18 2022-08-24 FRONIUS INTERNATIONAL GmbH Verfahren und system zur analyse eines elektrischen energiespeichers sowie energieversorgungssystem
US11685288B2 (en) 2021-05-06 2023-06-27 GM Global Technology Operations LLC Intelligent motor vehicles and control logic for managing charging of traction battery packs
US11799083B2 (en) 2021-08-26 2023-10-24 GM Global Technology Operations LLC Lithiation additive for a positive electrode
US20230393209A1 (en) * 2022-06-03 2023-12-07 TotalEnergies OneTech SAS Pack level state-of-power prediction for heterogeneous cells

Family Cites Families (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4595880A (en) * 1983-08-08 1986-06-17 Ford Motor Company Battery state of charge gauge
US7324902B2 (en) * 2003-02-18 2008-01-29 General Motors Corporation Method and apparatus for generalized recursive least-squares process for battery state of charge and state of health
US6947855B2 (en) * 2003-08-07 2005-09-20 General Motors Corporation Adaptive algorithm to control and characterize super-capacitor performance
US6927554B2 (en) 2003-08-28 2005-08-09 General Motors Corporation Simple optimal estimator for PbA state of charge
US7233128B2 (en) * 2004-07-30 2007-06-19 Ford Global Technologies, Llc Calculation of state of charge offset using a closed integral method
US7612532B2 (en) 2005-06-21 2009-11-03 Gm Global Technology Operations, Inc. Method for controlling and monitoring using a state estimator having variable forgetting factors
DE102005050563A1 (de) * 2005-10-21 2007-04-26 Robert Bosch Gmbh Verfahren zur Vorhersage der Leistungsfähigkeit elektrischer Energiespeicher
US7496460B2 (en) 2006-09-06 2009-02-24 Eastway Fair Company Limited Energy source monitoring and control system for power tools
US7593823B2 (en) 2006-11-21 2009-09-22 The Furukawa Electric Co., Ltd Method and device for determining state of battery, and battery power supply system therewith
JP4884945B2 (ja) * 2006-11-30 2012-02-29 三菱重工業株式会社 充電状態予測プログラム、架線レス交通システム及びその充電方法
US7768233B2 (en) * 2007-10-04 2010-08-03 Gm Global Technology Operations, Inc. Dynamically adaptive method for determining the state of charge of a battery
KR101189150B1 (ko) * 2008-01-11 2012-10-10 에스케이이노베이션 주식회사 배터리 관리 시스템에서 배터리의 ｓｏｃ 측정 방법 및 장치
US8321164B2 (en) * 2008-09-25 2012-11-27 GM Global Technology Operations LLC Method and system for determining a state of charge of a battery based on a transient response

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
C. Massey, A. Bekaryan, M. Verbrugge, T. Weber, D. Frisch, L. Turner, A. Perulian und P. Liu in SAE Commercial Vehicle Engineering Conference, Warrendale, PA: SAE International, (2005)
M. Verbrugge, J. Appl. Electrochem., 37, 605 (2007)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102015107930B4 (de) 2014-06-09 2023-05-17 Ford Global Technologies, Llc Schätzung und Ausgleich von Batteriemessungen

Also Published As

Publication number Publication date
CN102540084A (zh) 2012-07-04
US20120101674A1 (en) 2012-04-26
DE102011116516B4 (de) 2021-06-17
CN102540084B (zh) 2014-11-12
US9091735B2 (en) 2015-07-28

Similar Documents

Publication Publication Date Title
DE102011116516B4 (de) Verfahren zur Bestimmung eines Zustands einer wiederaufladbaren Batterievorrichtung in Echtzeit
DE102014115038B4 (de) Schätzung des Batterieladezustands mit automatischer Korrektur
DE102012207815B4 (de) Systeme und verfahren zum bestimmen von zellenkapazitätswerten in einer batterie mit vielen zellen
EP1150131B1 (de) Verfahren zur Ermittlung des Ladezustands und der Belastbarkeit eines elektrischen Akkumulators
EP2487499B1 (de) Echtzeitfähige Batteriezellensimulation
DE10231700B4 (de) Verfahren zur Ermittlung des Alterungszustandes einer Speicherbatterie hinsichtlich der entnehmbaren Ladungsmenge und Überwachungseinrichtung
DE102009005218B4 (de) Schneller Suchalgorithmus zum Auffinden einer Anfangs-Diffusionsspannung bei elektrochemischen Sytemen
DE102019216943A1 (de) Verfahren zum approximieren von algorithmen zum schnellladen von li-ionen-batterien auf der basis von elektrochemischen batteriemodellen
DE102014103803A1 (de) Batteriezustandsschätzer, der ein elektrochemisches Festkörperkonzentrationsmodell mit einem empirischen Ersatzschaltungsmodell kombiniert
DE102015100043A1 (de) Impedanzbasierte Batterieparameterschätzung
DE102013215894A1 (de) Systeme und Verfahren zum Schätzen von Batterieparametern
DE102015101185A1 (de) Systeme und Verfahren zum Schätzen eines Batteriezustands
DE102015105207A1 (de) Ladezustands-schätzvorrichtung und verfahren, um diese herzustellen und zu verwenden
WO2010118909A1 (de) Ermittlung des innenwiderstands einer batteriezelle einer traktionsbatterie bei einsatz von resistivem zellbalancing
DE102011054339A1 (de) Adaptive Iangsam veränderliche Stromerkennung
DE102009042533A1 (de) Verfahren und System zur Bestimmung eines Ladezustands einer Batterie
DE102012209660A1 (de) Batteriesystem und zugehöriges Verfahren zur Ermittlung des Innenwiderstandes von Batteriezellen oder Batteriemodulen des Batteriesystems
EP3847467A1 (de) Verfahren und vorrichtung zur diagnose von batteriezellen
DE102013000572A1 (de) Verfahren und System zur Bestimmung der Modellparameter eines elektrochemischen Energiespeichers
DE102018216518A1 (de) Verfahren und Vorrichtung zur Diagnose von Batteriezellen
DE102011116970B4 (de) Optimierung von Parametern elektrischer Komponenten in Modellen von Energiespeichersystemen
EP3730958A1 (de) Verfahren zur bewertung des gesundheitszustandes einer hochvoltbatterie und batterietester
DE102015100283A1 (de) Störinjektion zur Identifikation von Batterieparametern
DE102021105697A1 (de) Schätzung des batteriezustands mit hilfe von eingespeister stromschwingung
WO2023052521A1 (de) Bestimmung eines alterungswerts für batterien mit strom-spannungs-zeitreihen in zeitdomäne und belastungsdomäne

Legal Events

Date Code Title Description
R012 Request for examination validly filed
R016 Response to examination communication
R018 Grant decision by examination section/examining division
R020 Patent grant now final