-
Die Erfindung betrifft ein Verfahren zur Ermittlung eines den Zustand einer Batterie kennzeichnenden Schätzparameters sowie eine Steuereinrichtung für eine Batterie.
-
Die Ermittlung des aktuellen Ladezustands, des Innenwiderstandes und der Kapazität von Batterien ist insbesondere für Hybridfahrzeuge als auch für Elektrofahrzeuge eine große Herausforderung. Es ist bekannt, den Ladezustand beispielsweise über Stromintegration zu messen. Ein derartiges Verfahren ist beispielsweise in Jingliang Zhang, Jay Lee, „A review on prognostics and health monitoring of Li-ion battery", Journal of Power Sources 196 (2011) 6007–6014 beschrieben. Dieses Verfahren ist mit einem großen Messfehler behaftet. Für alterungsrelevante Parameter, wie etwa den Innenwiderstand, ist für dieses Verfahren sogar in Prüfstand notwendig.
-
Es gibt weiterhin im Stand der Technik bekannte Verfahren für das Schätzen von Parametern. Sogenannte Kalman-Filter spielen dabei eine besondere Rolle. Eine Weiterentwicklung sind sogenannte erweiterte Kalman-Filter (EKF), die für nicht-lineare Zusammenhänge angepasst sind. Allerdings besitzen EKFs, wie auch herkömmliche Kalman-Filter, das Problem, bei hoch nicht-linearen Vorgängen nicht genau genug zu sein und nur eine geringe Anzahl an Eingangs- und Ausgangsgrößen zuzulassen. Dies führt dazu, dass zumeist nur ein Zustandsparameter, wie etwa der Ladezustand oder der ohmsche Innenwiderstand ermittelt werden kann, und dies nicht mit einer zufriedenstellenden Genauigkeit.
-
Es ist somit eine Aufgabe der Erfindung, ein Verfahren und eine Steuereinrichtung anzugeben, welche die oben genannten Nachteile vermeiden. Insbesondere sollen mehrere Schätzparameter mit einer verbesserten Genauigkeit ermittelbar sein.
-
Diese Aufgabe wird durch die Merkmale der unabhängigen Ansprüche gelöst. Weitere Ausgestaltungen der Erfindung sind in den Unteransprüchen angegeben.
-
Erfindungsgemäß ist ein Verfahren zur Ermittlung eines den Zustand einer Batterie kennzeichnenden Schätzparameters vorgesehen. Ein Grundgedanke des Verfahrens ist es, einen Kalman-Filter mit einem weiteren zu kombinieren. Der Vorteil liegt darin, dass es damit möglich ist, eine Vielzahl gewünschter Parameter, die den Zustand einer Batterie kennzeichnen, robust zu schätzen. Der auf diese Weise sehr stabil arbeitende duale Filter weist eine hohe Genauigkeit in der Schätzung auf. Um diese Genauigkeit zu erzielen, benötigt der duale Filter einen Startparameter, der dem realen Istwert des Parameters nahekommt. Dies kann erreicht werden, indem der Startparameter durch eine Support-Vector-Regression ermittelt wird. Vorteil bei dieser Methode ist, dass durch mathematische Transformationen kein Vorwissen des Systems notwendig ist. Dieser so ermittelte Startparameter wird dem dualen Filter als Eingangsgröße bereitgestellt. Damit die Support-Vector-Regression ein zuverlässiges Ergebnis liefert, muss die zugrundeliegende Support-Vector-Maschine trainiert werden. Für das Trainieren der Support-Vector-Maschine können für die Batterie geeignete Eingangsdaten zur Verfügung gestellt werden. Die Ermittlung des Startparameters geschieht dann unter Anwendung der trainierten Support-Vector-Regression auf Eingangsdaten aus dem Fahrzeug, beispielsweise in Form einer vorher stattgefundenen Belastung, als ermittelte und aufgezeichnete Batterieparameter.
-
Beispielsweise kann für das erfindungsgemäße Verfahren vorgesehen sein, dass als Schätzparameter der Ladezustand, die Kapazität, ein ohmscher Innenwiderstand, ein Polarisationswiderstand und/oder ein Diffusionswiderstand ermittelt werden. Alternativ kann es sich bei dem Schätzparameter um den Parameter einer Alterungsfunktion handeln, mittels der die aktuelle Kapazität errechenbar ist.
-
Eine besonders bevorzugte Ausführungsform der Erfindung ergibt sich dadurch, dass der duale Filter als Schätzparameter gleichzeitig den Ladezustand und den ohmschen Innenwiderstand bestimmt. Das gleichzeitige Erfassen zweier wichtiger, den Zustand einer Batterie kennzeichnenden Schätzparameter mit hoher Genauigkeit wird durch die Verwendung eines dualen Filters und eines mit einer hohen Genauigkeit behafteten Startparameters als Ergebnis einer Support-Vector-Regression erreicht.
-
Als Eingangsdaten für die Support-Vector-Maschine können Trainingsvektoren beispielsweise aus einem Belastungskollektiv vorgesehen sein. Bei Belastungskollektiven handelt es sich um Messdaten der Batterie, die aus definierten Belastungszuständen ermittelt wurden. Bei den ermittelten Batterieparametern kann es sich beispielsweise um die Batterietemperatur, den Strom, die Spannung und/oder den Ladezustand der Batterie handeln.
-
Der duale Filter kann neben dem Kalman-Filter einen unscented Kalman-Filter und/oder einen erweiterten Kalman-Filter aufweisen.
-
Erfindungsgemäß ist eine Steuereinrichtung für eine Batterie vorgesehen, die eine Support-Vector-Maschine aufweist, die mittels für die Batterie geeigneten Messdaten trainiert ist. Des Weiteren weist die Steuereinrichtung eine Vorrichtung zur Ermittlung von Batterieparametern im Betrieb der Batterie, einen Speicher zur Ablage der ermittelten Batterieparameter und einen dualen Filter auf, der zumindest einen Kalman-Filter umfasst. Die Support-Vector-Maschine ist dazu eingerichtet, eine Support-Vector-Regression anhand der gespeicherten Batterieparameter durchzuführen und einen Startparameter zu ermitteln. Der duale Filter ist dazu eingerichtet, mittels des Startparameters und der ermittelten Batterieparameter einen den Zustand der Batterie kennzeichnenden Schätzparameter zu ermitteln.
-
Die Erfindung wird nun unter Bezugnahme auf die Figuren weiter erläutert.
-
Dabei zeigen:
-
1 ein schematisches Diagramm, das die Interaktion einer Support-Vector-Regression und einem dualen Kalman-Filter veranschaulicht;
-
2 ein Diagramm, das ein typisches Fahrprofil für ein Elektrofahrzeug veranschaulicht;
-
3 in einem Diagramm das Ergebnis einer Schätzung des Ladezustands;
-
4 in einem Diagramm das Ergebnis der Schätzung des ohmschen Innenwiderstands;
-
5 in einem Diagramm den Vergleich des Schätzparameters mit Labordaten anhand des Innenwiderstands;
-
6 in einem Diagramm den Vergleich des ermittelten Startparameters mit Messdaten;
-
7a, b in zwei Diagrammen den Vergleich des ermittelten Startparameters mit Messdaten gemäß einer alternativen Ausführungsform;
-
1 zeigt in einer schematischen Darstellung die Interaktion einer Support-Vector-Regression 100 mit einem dualen Kalman-Filter 105. In der hier betrachteten Ausführungsform ist die Support-Vector-Regression 100 unter Verwendung von Belastungskollektiven beispielsweise aus Alterungstests trainiert worden. Diese können sozusagen als Eingabe der Support-Vector-Regression 100 betrachtet werden. Die Support-Vector-Regression 100 gibt als Ausgangsgröße die aus den momentanen Betriebsgrößen der Batterie berechnete Zellkapazität aus.
-
Der duale Filter 105 weist einen ersten unscented Kalman-Filter 110 und einen zweiten unscented Kalman-Filter 120 auf. Dem ersten unscented Kalman-Filter 110 werden aktuelle Batterieparameter, wie etwa die Spannung der Batterie, der Strom der Batterie, die Zeit seit der letzten Messung, und der Ladezustand sowie bekannte Widerstandswerte eingegeben. Der erste unscented Kalman-Filter 110 gibt den ohmschen Innenwiderstand sowie den Widerständen zuordenbare Spannungen aus. Diese Ausgangsgrößen samt den gemessenen Größen, also der Spannung der Zelle, dem Strom der Zelle sowie der seit der letzten Messung vergangenen Zeit werden dem zweiten unscented Kalman-Filter 120 eingegeben. Dieser gibt wiederum den Ladezustand der Zelle sowie die Widerstandgrößen aus. Als initiale Startgröße für den dualen Kalman-Filter 105 wird das Berechnungsergebnis der Support-Vector-Regression 100, also die Zellkapazität, verwendet.
-
Es sei an dieser Stelle darauf hingewiesen, dass in der gesamten Anmeldung unter dem Begriff „Batterie” sowohl eine einzelne Zelle, eine Gruppe von seriell oder parallel geschalteten Zellen, als auch eine aus mehreren Zellen bestehende Batterie verstanden werden können.
-
2 zeigt in einem Diagramm 200 ein typisches Fahrprofil für ein Elektrofahrzeug. Das Diagramm 200 zeigt an seiner Abszisse die Zeit in 104 s, an seiner Ordinate den Strom der Batterie in A. Wie ersichtlich ist, weist das Fahrprofil Pausen und Aufladevorgänge auf. Gemäß diesem Fahrprofil wurden zu Testzwecken Fahrzyklen an Zellen mit unterschiedlichem Alterungszustand abgefahren und als Eingangsdaten, hierbei insbesondere Strom und Spannung der Zellen, dem dualen Filter 105 bereitgestellt. Als Startkapazität wurde für alle unterschiedlichen Zellen ein gleicher Wert eingegeben. Die aus dem dualen Filter 105 sich ergebende Schätzung für die wichtigsten Größen Ladezustand und ohmscher Innenwiderstand sind in den und dargestellt. Das Diagramm 300 der 3 zeigt dabei den geschätzten Ladezustand für verschiedene Zellen 310, 320, 330, 340. Das Diagramm 400 der 4 zeigt den geschätzten ohmschen Innenwiderstand für verschiedene Zellen 410, 420, 430, 440. In den 3 und 4 sind auf der Abszisse die Zeit in 104 s dargestellt. Die Abszisse der 3 zeigt den Ladezustand in %. Die Abszisse der 4 zeigt den Innenwiderstand in Ω.
-
Wie ersichtlich ist, stellen sich für beide Größen bei einer vorgegebenen und für alle Zellen gleiche Kapazität eindeutig unterschiedliche Werte für die unterschiedlichen Zellen ein. Dabei ist zu berücksichtigen, dass sich die reale Kapazität jeder Zelle um bis zu 20% von der vorgegebenen, als Startparameter verwendeten Kapazität unterscheiden kann.
-
In einem weiteren Schritt wurden zur Verifikation der erhaltenen Schätzwerte diese mit real gemessenen Laborwerten verglichen. Zur Validierung des gerschätzten ohmschen Innenwiderstandes ist in 5 in dem dargestellten Diagramm 500 an der Abszisse der Ladezustand in % für verschiedene Zellen angetragen. Die Ordinate zeigt den Widerstand in mΩ. Dabei ist der geschätzte ohmsche Innenwiderstand für unterschiedliche Zellen in den Datenreihen 520, 540, 560 mit rautenförmigen Symbolen dargestellt. Die zugehörenden Labordaten der gleichen Zellen sind als Datenreihen 510, 530, 550 mit kreisförmigen Symbolen gekennzeichnet.
-
Die im Folgenden wiedergegebene Tabelle stellt den Ladezustand, auch als State-of-Charge (SOC) bezeichnet, wie er geschätzt wurde, realen Mess-Labordaten gegenüber.
-
Aus 5 sowie aus obiger Tabelle ist ersichtlich, dass die Schätzung durch das duale Kalman-Filter 105 sehr genau ist, wenn die Startkapazität mit einem maximalen Fehler von höchsten 20% bekannt ist. Um dies zu erreichen, ist die Support-Vector-Regression 100 vorgesehen und durch Messdaten trainiert. Somit ist es möglich, die Kapazität durch eine bekannte Belastung der Batterie vorherzusagen, beispielsweise zu sehen anhand der Batterietemperatur, dem Strom, dem Ladezustand etc. wie sie beispielsweise in Belastungskollektiven hinterlegt sind.
-
Das Ergebnis einer solchen Support-Vector-Regressions-Validierung ist als Diagramm 600 in 6 dargestellt. Das in 6 dargestellte Diagramm zeigt als Abszisse die Bezeichnung eines jeweiligen Datensatzes und als Ordinate die aktuelle relative Kapazität. Dabei bezeichnen die Diagrammlinie 610 die Ergebnisse der Support-Vector-Regression und die Diagrammlinie 620 die zugehörige Messung. Es ist aus dem Diagramm 600 ersichtlich, dass die Kapazität hervorragend bestimmt und als Eingangsgröße dem dualen Filter 105 zur Verfügung gestellt werden kann.
-
In einer Alternative hierzu ermittelt die Support-Vector-Regression nicht die Kapazität, sondern Parameter einer Alterungsfunktion, wie beispielsweise CAktuell = CBOL × (1 – α × tβ – η × AhDurchsatz)
-
Das Ergebnis dieser alternativen Ausführungsform ist in den 7a, b dargestellt. Die jeweilige Abszisse zeigt die Zeit in Tagen, die Ordinate zeigt die aktuelle relative Kapazität. Dabei sind die Ergebnisse der Schätzung als quadratische Symbole und die tatsächlichen Messergebnisse als kreisförmige Symbole dargestellt.
-
Wie bereits erläutert, können die Eingangsdaten für die Support-Vector-Regression beispielsweise Belastungskollektive sein, die im Fahrzeug gemessen worden sind. Die berechneten Parameter können zum einen dazu dienen, die aktuelle Kapazität zu ermitteln und dem dualen Filter bereitzustellen. Es kann auch die Reichweitenberechnung aktualisiert oder der Restwert der Batterie ermittelt werden. Zum anderen können sie direkt für eine Zukunftsprognose der Kapazität oder auch des Innenwiderstands dienen, um beispielsweise die Lebensdauer bis zum Betriebsende der Batterie vorherzusagen.
-
Insgesamt ist somit mit der Erfindung die Erfassung verschiedener Batterie-/Zellparameter möglich, insbesondere des Innenwiderstands und der aktuellen Kapazität der Zelle, die beides wichtige Größen zur Bestimmung des Alterungszustands der Zelle bzw. der Batterie sind. Es ist eine akkurate Ermittlung des Alterungszustands der Batterie möglich. Es ist eine im Laufe dem Betrieb aktualisierbare Reichweite- und Leistungsvorhersage durch Integration in das Batteriemanagementsystem möglich. In Kombination mit dem Auslesen von Belastungskollektiven ist die Ermittlung des Alterungszustands und der Abgleich mit dem erwarteten Wert möglich. Somit können Auffälligkeit und Fehler frühzeitig erkannt werden. Es ist eine Onboard-Prognose der Alterung bzw. der Lebensdauer möglich.
-
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
-
- Jingliang Zhang, Jay Lee, „A review on prognostics and health monitoring of Li-ion battery”, Journal of Power Sources 196 (2011) 6007–6014 [0002]