DE102015011745B3

DE102015011745B3 - Charge state determination in a motor vehicle battery

Info

Publication number: DE102015011745B3
Application number: DE102015011745.9A
Authority: DE
Inventors: Patrick Jansen
Original assignee: Audi AG
Current assignee: Audi AG
Priority date: 2015-09-04
Filing date: 2015-09-04
Publication date: 2016-09-22
Anticipated expiration: 2035-09-05

Abstract

Die Erfindung betrifft ein Verfahren zum Ermitteln eines Ladezustands (8) einer elektrischen Batterie (2) in einem Kraftfahrzeug (1), wobei in aufeinanderfolgenden Messzyklen (k) jeweils ein jeweiliger Messwert (5) zumindest einer Betriebsgröße (UBATT, IBATT, T) der Batterie (2) gemessen wird und durch eine Kalman-Filtereinrichtung (9) in einem Korrekturschritt (29) ein aktueller Zustandsvektor aus einem vorangegangenen Zustandsvektor und eine aktuelle Kovarianz eines Schätzfehlers aus einer vorangegangenen Kovarianz des Schätzfehlers berechnet werden und in einem Prädiktionsschritt (30) aus dem aktuellen Zustandsvektor ein prädizierter Zustandsvektor (33) und aus der aktuellen Kovarianz eine prädizierte Kovarianz berechnet wird, und in einem Ausgabeschritt ein in dem neuen prädizierten Zustandsvektor (33) enthaltener geschätzter Ladezustandswert (SOC) als der Ladezustand (8) ausgegeben wird. Die Schätzung des Ladezustandswerts (SOC) soll robust sein. Die Erfindung sieht vor, dass vor dem Korrekturschritt (29) in dem vorangegangenen Zustandsvektor oder vor dem Prädiktionsschritt (30) in dem aktuellen Zustandsvektor der Ladezustandswert durch einen Schätzwert ersetzt wird, der durch eine von der Kalman-Filtereinrichtung (9) unabhängige Schätzeinrichtung (10) für den Ladezustand ermittelt wird.The invention relates to a method for determining a state of charge (8) of an electric battery (2) in a motor vehicle (1), wherein in successive measuring cycles (k) a respective measured value (5) of at least one operating variable (UBATT, IBATT, T) of the Battery (2) is measured and calculated by a Kalman filter device (9) in a correction step (29) a current state vector from a previous state vector and a current covariance of an estimation error from a previous covariance of the estimation error and in a prediction step (30) a predicted state vector (33) is calculated from the current state vector, and a predicted covariance is calculated from the current covariance, and in an output step, an estimated state of charge value (SOC) included in the new predicted state vector (33) is output as the state of charge (8). The estimation of the state of charge value (SOC) should be robust. The invention provides that prior to the correction step (29) in the preceding state vector or before the prediction step (30) in the current state vector, the state of charge value is replaced by an estimated value determined by an estimation device (10) independent of the Kalman filter device (9) ) is determined for the state of charge.

Description

Die Erfindung betrifft ein Verfahren zum Ermitteln eines Ladezustands einer elektrischen Batterie in einem Kraftfahrzeug. Bei dem Verfahren wird in aufeinanderfolgenden Messzyklen jeweils ein jeweiliger Messwert zumindest einer Betriebsgröße der Batterie gemessen und durch eine Kalman-Filtereinrichtung jeweils ein Zustandsvektor prädiziert, der als ein Vektoreintrag einen geschätzten Ladezustandswert enthält, der als Ladezustand ausgegeben wird. Zu der Erfindung gehört auch eine Vorrichtung zum Durchführen des Verfahrens. Schließlich gehört zu der Erfindung ein Kraftfahrzeug, welches die Vorrichtung aufweist.The invention relates to a method for determining a state of charge of an electric battery in a motor vehicle. In the method, a respective measured value of at least one operating variable of the battery is measured in successive measuring cycles and a state vector is predicted by a Kalman filter device, which contains as an input vector an estimated state of charge value, which is output as the state of charge. The invention also includes an apparatus for carrying out the method. Finally, the invention includes a motor vehicle having the device.

Die exakte Ermittlung des Ladezustands einer Kraftfahrzeug-Batterie, insbesondere einer Lithium-Ionen-Batterie, stellt eine Herausforderung für die Signalverarbeitung dar. Die Anforderungen an die Genauigkeit des ermittelten Ladezustands sind insbesondere im automobilen Anwendungsbereich von großer Bedeutung, um in einem Kraftfahrzeug einen sicheren und effizienten Betrieb des elektrochemischen Energiespeichers, das heißt der Batterie, gewährleisten zu können.The exact determination of the state of charge of a motor vehicle battery, in particular a lithium-ion battery, presents a challenge for the signal processing. The requirements for the accuracy of the determined state of charge are of great importance, in particular in the automotive field of application, in order to ensure safe and secure operation in a motor vehicle efficient operation of the electrochemical energy store, that is the battery, to be able to guarantee.

Aus der DE 10 2013 018 405 A1 ist ein Verfahren zum Ermitteln eines den Zustand einer Batterie kennzeichnenden Schätzparameters bekannt, bei dem ein Berechnungsergebnis einer Support-Vector-Maschine als initiale Startgröße einen verwendeten Kalman-Filter verwendet.From the DE 10 2013 018 405 A1 For example, a method for determining an estimation parameter characterizing the state of a battery is known in which a calculation result of a support vector machine uses a Kalman filter as the initial start variable.

Aus der Publikation von Zhang und Lee (2011, A review on prognostics and health monitoring of Li-ion battery, Journal of power sources, 196 (15), S. 6007 bis 6014) ist ein Überblick über gängige Verfahren gegeben, einen Ladezustand einer Batterie zu bestimmen. Unter anderem wird dabei die Verwendung von einem „extended Kalman filter” angesprochen.From the publication by Zhang and Lee (2011, A review on prognostics and health monitoring of Li-ion battery, Journal of power sources, 196 (15), pp. 6007-6014) there is given an overview of common methods, a state of charge of a To determine battery. Among other things, the use of an "extended Kalman filter" is addressed.

Bereits bekannte, auf einem elektrischen Ersatzschaltbild basierende Verfahren, wie das Kalman-Filter, das Extended-Kalman-Filter oder der Zustandsbeobachter, stoßen hierbei an ihre Grenzen. Grund hierfür sind zwei wesentliche Punkte, die insbesondere bei der Lithium-Eisenphosphat-Technologie eine Rolle spielen: Zum einen das sehr flache Plateau der Ruhespannungs-Kennlinie im mittleren Ladezustandsbereich und zum anderen die Genauigkeit des elektrischen Ersatzschaltbilds bezüglich der Netzwerkparameter, die zur Berechnung der Ruhespannung aus der Klemmenspannung zugrundegelegt werden. So kann bei den ruhespannungsbasierten Verfahren die Ladezustandsermittlung im mittleren Bereich mit Genauigkeiten im einstelligen Prozentbereich nur mit sehr großem messtechnischen Aufwand realisiert werden.Already known methods based on an equivalent electrical circuit diagram, such as the Kalman filter, the extended Kalman filter or the condition observer, are reaching their limits here. The reason for this are two important points that play a role, in particular in lithium iron phosphate technology: on the one hand the very flat plateau of the quiescent voltage characteristic in the middle state of charge and on the other hand the accuracy of the electrical equivalent circuit with respect to the network parameters used to calculate the quiescent voltage be based on the terminal voltage. Thus, in the case of the rest-voltage-based methods, the state of charge determination in the middle range with accuracies in the single-digit percentage range can only be realized with very great metrological effort.

Der Erfindung liegt die Aufgabe zugrunde, einen Ladezustand einer Kraftfahrzeug-Batterie zu ermitteln.The invention has for its object to determine a state of charge of a motor vehicle battery.

Die Aufgabe wird durch die Gegenstände der unabhängigen Patentansprüche gelöst. Vorteilhafte Weiterbildungen der Erfindung sind durch die Merkmale der abhängigen Patentansprüche gegeben.The object is solved by the subject matters of the independent claims. Advantageous developments of the invention are given by the features of the dependent claims.

Durch die Erfindung ist ein Verfahren zum Ermitteln eines Ladezustands einer elektrischen Batterie in einem Kraftfahrzeug bereitgestellt. Unter Batterie ist im Zusammenhang mit der Erfindung ein elektrochemischer Akkumulator zu verstehen, insbesondere eine Lithium-Ionen-Batterie. Bei dem Verfahren wird in aufeinanderfolgenden Messzyklen jeweils ein jeweiliger Messwert zumindest einer Betriebsgröße der Batterie gemessen. Durch eine Kalman-Filtereinrichtung werden die folgenden, an sich bekannten Schritte durchgeführt. In einem Updateschritt oder Korrekturschritt werden ein aktueller Zustandsvektor aus einem vorangegangenen Zustandsvektor, die jeweils einen Ladezustandswert des Ladezustands enthalten, und eine aktuelle Kovarianz eines Schätzfehlers der Kalman-Filtereinrichtung aus einer vorangegangenen Kovarianz des Schätzfehlers berechnet. Der aktuelle Zustandsvektor kann in an sich bekannter Weise aus einem prädizierten Zustandsvektor des unmittelbar vorangegangenen Messzyklus ermittelt werden, der also den vorangegangenen Zustandsvektor darstellt. Genauso kann die aktuelle Kovarianz aus einer prädizierten Kovarianz des unmittelbar vorangegangenen Messzyklus ermittelt werden, die also die vorangegangene Kovarianz darstellt.The invention provides a method for determining a state of charge of an electric battery in a motor vehicle. Under battery is to be understood in the context of the invention, an electrochemical accumulator, in particular a lithium-ion battery. In the method, a respective measured value of at least one operating variable of the battery is measured in successive measuring cycles. By a Kalman filter device, the following, known per se steps are performed. In an update step or correction step, a current state vector from a previous state vector each containing a state of charge load state value and a current covariance of an estimation error of the Kalman filter device are calculated from a previous covariance of the estimation error. The current state vector can be determined in a manner known per se from a predicted state vector of the immediately preceding measurement cycle, which thus represents the preceding state vector. In the same way, the current covariance can be determined from a predicted covariance of the immediately preceding measurement cycle, which thus represents the preceding covariance.

Aus dem aktuellen Zustandsvektor wird in einem Prädiktionsschritt ein neuer prädizierter Zustandsvektor und aus der aktuellen Kovarianz eine neue prädizierte Kovarianz berechnet. Die für den Korrekturschritt und den Prädiktionsschritt nötigen Berechnungen sind an sich aus der Theorie für das Kalman-Filter bekannt. In dem neuen prädizierten Zustandsvektor ist ein geschätzter Ladezustandswert enthalten. Dieser geschätzte Ladezustandswert wird in einem Ausgabeschritt als der aktuelle Ladezustand ausgegeben.From the current state vector, a new predicted state vector is calculated in a prediction step, and a new predicted covariance is calculated from the current covariance. The calculations necessary for the correction step and the prediction step are known per se from the theory for the Kalman filter. The new predicted state vector contains an estimated state of charge value. This estimated state of charge value is output in an output step as the current state of charge.

Um nun die beschriebenen Unzulänglichkeiten oder Nachteile des Kalman-Filters bei einem flachen Plateau der Ruhespannung zu kompensieren, sieht die Erfindung vor, dass vor dem Korrekturschritt (29) in dem vorangegangenen Zustandsvektor oder vor dem Prädiktionsschritt in dem aktuellen Zustandsvektor der Ladezustandswert durch einen Schätzwert ersetzt wird, der durch eine von der Kalman-Filtereinrichtung unabhängige Schätzeinrichtung ermittelt wird. Mit anderen Worten wird zum Berechnen des prädizierten Zustandsvektors nicht der originale aktuelle Zustandsvektor verwendet, sondern ein manipulierter aktueller Zustandsvektor, bei welchem ein Vektoreintrag, nämlich der Ladezustandswert, durch einen Schätzwert ersetzt worden ist, der mittels der unabhängigen Schätzeinrichtung des Ladezustands ermittelt worden ist.In order to compensate for the described shortcomings or disadvantages of the Kalman filter at a flat plateau of the rest voltage, the invention provides that before the correction step ( 29 ) in the previous state vector or before the prediction step in the current state vector, the state of charge value is replaced by an estimated value determined by an estimator independent of the Kalman filter device. In other words, the original current state vector is not used to compute the predicted state vector, but a more manipulated actual state A state vector in which a vector entry, namely the state of charge value, has been replaced by an estimated value determined by means of the independent state-of-charge estimator.

Durch die Erfindung ergibt sich der Vorteil, dass der Ladezustandswert des aktuellen Zustandsvektors und der korrespondierende Ladezustandswert des prädizierten Zustandsvektors dahingehend entkoppelt werden, dass zwei unterschiedliche Schätzeinrichtungen, nämlich zum einen die Kalman-Filtereinrichtung und zum anderen die von der Kalman-Filtereinrichtung unabhängige Schätzeinrichtung, verwendet werden. Hierdurch kann die Kovarianz des Schätzfehlers insbesondere in einem flachen Plateau der Ruhespannungskennlinie verringert oder stabilisiert werden.The advantage of the invention is that the state of charge state value of the current state vector and the corresponding state state vector state of charge value are decoupled in that two different estimators are used, firstly the Kalman filter device and the second estimation device independent of the Kalman filter device become. As a result, the covariance of the estimation error can be reduced or stabilized, in particular in a flat plateau of the quiescent voltage characteristic.

Zu der Erfindung gehören auch optionale Weiterbildungen, durch deren Merkmale sich zusätzliche Vorteile ergeben.The invention also includes optional developments, by the characteristics of which additional benefits.

Gemäß einer Weiterbildung umfasst die zumindest eine Betriebsgröße, die für die Schätzung zugrundegelegt wird, eine Klemmenspannung der Batterie und/oder einen Batteriestrom der Batterie und/oder eine Temperatur der Batterie. Diese Betriebsgrößen sind in vorteilhafter Weise von außen messbar, das heißt sie stellen geeignete Beobachtungsgrößen dar. Der innere Betriebszustand, nämlich insbesondere der Ladezustand der Batterie, wird dann mittels der Kalman-Filtereinrichtung und der Schätzeinrichtung aus diesen Betriebsgrößen ermittelt.According to a development, the at least one operating variable that is used for the estimation comprises a terminal voltage of the battery and / or a battery current of the battery and / or a temperature of the battery. These operating variables are advantageously measurable from the outside, that is they represent suitable observation variables. The internal operating state, namely in particular the state of charge of the battery, is then determined from these operating variables by means of the Kalman filter device and the estimating device.

Gemäß einer Weiterbildung wird durch die Schätzeinrichtung zusätzlich ein Varianzwert der Schätzvarianz ermittelt. Vor dem Korrekturschritt in einer die vorangegangene Kovarianz beschreibenden Kovarianzmatrix oder vor dem Prädiktionsschritt wird in einer die aktuelle Kovarianz des Schätzfehlers beschreibenden Kovarianzmatrix dieser Varianzwert als Matrixeintrag gespeichert. Mit anderen Worten wird vor dem Korrekturschritt oder vor dem Prädiktionsschritt nicht nur der Ladezustandswert überschrieben oder ersetzt, sondern auch der Wert für die Kovarianz. Hierdurch ergibt sich eine genauere Anpassung der Kalman-Verstärkung oder des Kalman-Gains, die dann auf der Varianz des von der unabhängigen Schätzeinrichtung ermittelten Schätzwerts des Ladezustands beruht.According to a development, the estimation device additionally determines a variance value of the estimation variance. Before the correction step in a covariance matrix describing the preceding covariance or before the prediction step, this variance value is stored as a matrix entry in a covariance matrix describing the current covariance of the estimation error. In other words, before the correction step or before the prediction step, not only is the charge state value overwritten or replaced, but also the value for the covariance. This results in a more accurate fit of the Kalman gain or Kalman gain, which is then based on the variance of the state of charge estimate as determined by the independent estimator.

Um eine geeignete alternative Schätzung des Ladezustandswerts mittels der Schätzeinrichtung zu erreichen, wird gemäß einer Weiterbildung durch die Schätzeinrichtung auf der Grundlage der Messwerte mehrerer Messzyklen eine jeweilige Zeitreihe für die zumindest eine Betriebsgröße gebildet. Es kann also eine Zeitreihe für die Klemmenspannung und/oder eine Zeitreihe für den Batteriestrom gebildet werden. Mittels einer Frequenzanalyse, beispielsweise einer Fourier-Transformation, wird eine frequenzabhängige Impedanz der Batterie aus der zumindest einen Zeitreihe ermittelt. Hierdurch ergibt sich der Vorteil, dass einerseits mittels der Kalman-Filtereinrichtung eine Ladezustandsschätzung auf der Grundlage eines Signals im Zeitbereich und mittels der unabhängigen Schätzeinrichtung eine Schätzung des Ladezustands auf der Grundlage eines Signals im Frequenzbereich ermittelt wird. Dies resultiert in einer besonders robusten Schätzung des Ladezustands.In order to achieve a suitable alternative estimation of the state of charge value by means of the estimation device, a respective time series for the at least one operating variable is formed by the estimation device on the basis of the measured values of a plurality of measurement cycles. Thus, a time series for the terminal voltage and / or a time series for the battery current can be formed. By means of a frequency analysis, for example a Fourier transformation, a frequency-dependent impedance of the battery is determined from the at least one time series. This results in the advantage that on the one hand by means of the Kalman filter means a charge state estimation on the basis of a signal in the time domain and by means of the independent estimator an estimate of the state of charge is determined on the basis of a signal in the frequency domain. This results in a particularly robust estimation of the state of charge.

Gemäß einer Weiterbildung wird durch die Schätzeinrichtung mittels einer Support-Vector-Machine durch Klassieren der Messwerte oder von daraus hergeleiteten Werten eine aus mehreren vorbestimmten Klassen ausgewählt, wobei jede Klasse einen Ladezustand repräsentiert. Die hergeleiteten Werte können z. B. die beschriebene frequenzabhängige Impedanz der Batterie umfassen. Die ausgewählte Klasse legt dann also den Schätzwert der Schätzeinrichtung für den Ladezustand fest, der dann in den aktuellen Zustandsvektor eingetragen wird. Diese Weiterbildung weist den Vorteil auf, dass keine integrierende Zustandsschätzung zugrundegelegt wird, wie sie bei der Kalman-Filtereinrichtung nötig ist, die auf einem Zustandsraummodell basiert, das eine Amperestunden-Integration vorsieht. Dagegen ist mittels der Support-Vector-Machine durch die Klassierung der Messwerte direkt ein Schätzwert für den Ladezustand durch Ermitteln oder Auswählen der aktuellen Klasse bereitgestellt.According to a further development, one of a plurality of predetermined classes is selected by the estimating device by means of a support vector machine by classifying the measured values or values derived therefrom, each class representing a state of charge. The derived values can, for. B. include the described frequency-dependent impedance of the battery. The selected class then determines the estimated value of the estimator for the state of charge, which is then entered into the current state vector. This development has the advantage that it does not use an integrating state estimation, as is necessary in the case of the Kalman filter device, which is based on a state space model which provides ampere-hour integration. By contrast, by means of the support vector machine, the classification of the measured values provides an estimate of the state of charge directly by determining or selecting the current class.

Eine Weiterbildung berücksichtigt, dass die Kalman-Filtereinrichtung einerseits und die davon unabhängige Schätzeinrichtung andererseits für unterschiedliche Betriebssituationen unterschiedlich genau sein können. Bei dieser Weiterbildung wird der Ladezustandswert durch den Schätzwert der Schätzeinrichtung nur ersetzt, falls in zumindest einem vorangegangenen Messzyklus der ermittelte Ladezustand in einem vorbestimmten Ladezustandsbereich liegt. Hierdurch kann beispielsweise das beschriebene flache Plateau der Ruhespannungskennlinie abgegrenzt werden, für welches dann die Schätzeinrichtung verwendet wird, während der Ladezustand der Batterie außerhalb des Ladezustandsbereichs, also bei vollgeladener oder nahezu vollgeladener Batterie einerseits und nahezu entladener oder entladener Batterie andererseits ausschließlich die Kalman-Filtereinrichtung verwendet werden kann.A further development takes into account that the Kalman filter device on the one hand and the estimating device independent of it on the other hand can be differently accurate for different operating situations. In this development, the state of charge value is only replaced by the estimated value of the estimating device if, in at least one preceding measuring cycle, the determined state of charge lies in a predetermined state of charge state. In this way, for example, the described flat plateau of the quiescent voltage characteristic can be delimited, for which then the estimator is used while the state of charge of the battery outside the state of charge, ie fully charged or nearly fully charged battery on the one hand and almost discharged or discharged battery on the other hand exclusively uses the Kalman filter device can be.

Eine Weiterbildung sieht in diesem Zusammenhang vor, die Auswahl zwischen der Kalman-Filtereinrichtung und der unabhängigen Schätzeinrichtung von der aktuellen Schätzgüte abhängig zu machen. Bei dieser Weiterbildung wird der Ladezustandswert durch den Schätzwert der Schätzeinrichtung nur ersetzt, falls die vorangegangene oder die aktuelle Kovarianz ein vorbestimmtes Gütekriterium verletzt. Diese Weiterbildung weist den Vorteil auf, dass unabhängig vom aktuellen Ladezustand die Auswahl in Abhängigkeit von der aktuellen Schätzgüte erfolgt. Das Gütekriterium kann beispielsweise einen Grenzwert oder ein Werteintervall für die Kovarianz vorsehen. Unterhalb des Grenzwerts beziehungsweise innerhalb des Werteintervalls wird dann nur die Kalman-Filtereinrichtung verwendet, während oberhalb des Grenzwerts beziehungsweise außerhalb des Werteintervalls dann in der beschriebenen Weise mittels der Schätzeinrichtung der zusätzliche Schätzwert ermittelt wird, der dann in den aktuellen Zustandsvektor eingesetzt wird.A further development in this connection provides for making the selection between the Kalman filter device and the independent estimator dependent on the current estimation quality. In this development, the state of charge state is only replaced by the estimated value of the estimator if the preceding or the current covariance violates a predetermined quality criterion. This development has the advantage on that regardless of the current state of charge, the selection takes place in dependence on the current estimation quality. The quality criterion may, for example, provide for a limit value or a value interval for the covariance. Below the limit value or within the value interval, only the Kalman filter device is then used, while above the limit value or outside of the value interval the additional estimated value is then determined in the manner described by means of the estimation device, which is then inserted into the current state vector.

Zu der Erfindung gehört auch eine Vorrichtung für ein Kraftfahrzeug, mittels welcher das erfindungsgemäße Verfahren durchgeführt werden kann. Die Vorrichtung kann beispielsweise als Steuergerät, insbesondere als Batteriesteuergerät, ausgestaltet sein. Die Vorrichtung weist einen Messeingang zum Empfangen von jeweiligen Messwerten zumindest einer Betriebsgröße der Batterie auf. Des Weiteren ist eine Recheneinrichtung bereitgestellt, die beispielsweise mittels eines Mikrocontrollers oder eines Mikroprozessors realisiert sein kann. Die Recheneinrichtung umfasst eine Kalman-Filtereinrichtung zum Schätzen eines Ladezustands einer Batterie des Kraftfahrzeugs sowie eine von der Kalman-Filtereinrichtung unabhängige Schätzeinrichtung zum Erzeugen eines Schätzwerts für den Ladezustand. Die Kalman-Filtereinrichtung und die Schätzeinrichtung können beispielsweise auf der Grundlage eines oder mehrerer Programmmodule für die Recheneinrichtung realisiert sein. Die erfindungsgemäße Vorrichtung ist dazu ausgelegt, eine Ausführungsform des erfindungsgemäßen Verfahrens durchzuführen.The invention also includes a device for a motor vehicle, by means of which the method according to the invention can be carried out. The device can be configured, for example, as a control device, in particular as a battery control device. The device has a measuring input for receiving respective measured values of at least one operating variable of the battery. Furthermore, a computing device is provided which can be realized, for example, by means of a microcontroller or a microprocessor. The computing device comprises a Kalman filter device for estimating a state of charge of a battery of the motor vehicle as well as an estimation device independent of the Kalman filter device for generating an estimate for the state of charge. The Kalman filter device and the estimation device can be realized, for example, on the basis of one or more program modules for the computing device. The device according to the invention is designed to carry out an embodiment of the method according to the invention.

Schließlich gehört zu der Erfindung auch ein Kraftfahrzeug. Das Kraftfahrzeug weist eine Batterie, insbesondere eine Lithium-Ionen-Batterie auf. Des Weiteren ist eine Messeinrichtung zum Messen von Messwerten zumindest einer Betriebsgröße der Batterie vorgesehen. Hierbei handelt es sich insbesondere um eine Klemmenspannung der Batterie und/oder einen Batteriestrom der Batterie und/oder eine Temperatur der Batterie. Schließlich ist in dem Kraftfahrzeug eine Ausführungsform der erfindungsgemäßen Vorrichtung bereitgestellt, die mit der Messeinrichtung gekoppelt ist.Finally, the invention also includes a motor vehicle. The motor vehicle has a battery, in particular a lithium-ion battery. Furthermore, a measuring device is provided for measuring measured values of at least one operating variable of the battery. This is in particular a terminal voltage of the battery and / or a battery current of the battery and / or a temperature of the battery. Finally, an embodiment of the device according to the invention is provided in the motor vehicle, which is coupled to the measuring device.

Das erfindungsgemäße Kraftfahrzeug ist bevorzugt als Kraftwagen, insbesondere als Personenkraftwagen, ausgestaltet.The motor vehicle according to the invention is preferably designed as a motor vehicle, in particular as a passenger car.

Im Folgenden ist ein Ausführungsbeispiel der Erfindung beschreiben. Dabei zeigt:In the following an embodiment of the invention is described. Showing:

1 eine schematische Darstellung einer Ausführungsform des erfindungsgemäßen Kraftfahrzeugs, 1 a schematic representation of an embodiment of the motor vehicle according to the invention,

2 ein Diagramm mit Ruhespannungskennlinien, 2 a diagram with rest voltage characteristics,

3 ein Batteriemodell, 3 a battery model,

4 eine schematische Darstellung einer Kalman-Filtereinrichtung, 4 a schematic representation of a Kalman filter device,

5 ein Diagramm mit frequenzabhängigen Impedanzen, 5 a diagram with frequency-dependent impedances,

6 eine Skizze zur Veranschaulichung einer Support-Vector-Maschine, 6 a sketch to illustrate a support vector machine,

7 eine Skizze zur Veranschaulichung einer Klassierung, und 7 a sketch to illustrate a classification, and

8 eine schematische Darstellung einer Ausführungsform der erfindungsgemäßen Vorrichtung. 8th a schematic representation of an embodiment of the device according to the invention.

Bei dem im Folgenden erläuterten Ausführungsbeispiel handelt es sich um eine bevorzugte Ausführungsform der Erfindung. Bei dem Ausführungsbeispiel stellen die beschriebenen Komponenten der Ausführungsform jeweils einzelne, unabhängig voneinander zu betrachtende Merkmale der Erfindung dar, welche die Erfindung jeweils auch unabhängig voneinander weiterbilden und damit auch einzeln oder in einer anderen als der gezeigten Kombination als Bestandteil der Erfindung anzusehen sind. Des Weiteren ist die beschriebene Ausführungsform auch durch weitere der bereits beschriebenen Merkmale der Erfindung ergänzbar.The exemplary embodiment explained below is a preferred embodiment of the invention. In the exemplary embodiment, the described components of the embodiment each represent individual features of the invention that are to be considered independently of one another, which also each independently further develop the invention and thus also individually or in a different combination than the one shown as part of the invention. Furthermore, the described embodiment can also be supplemented by further features of the invention already described.

In den Figuren sind funktionsgleiche Elemente jeweils mit denselben Bezugszeichen versehen.In the figures, functionally identical elements are each provided with the same reference numerals.

1 zeigt ein Kraftfahrzeug 1, bei dem es sich beispielsweise um einen Kraftwagen, insbesondere einen Personenkraftwagen, handeln kann. Das Kraftfahrzeug 1 weist in dem gezeigten Beispiel eine Batterie 2, eine Messeinrichtung 3 und eine Vorrichtung 4 auf. Die Batterie 2 kann beispielsweise eine Traktionsbatterie für einen elektrischen Antriebsmotor (nicht dargestellt) des Kraftfahrzeugs 1 sein. Die Batterie 2 kann beispielsweise eine Lithium-Ionen-Batterie sein. Sie kann insbesondere auf einer Lithium-Eisenphosphat-Technologie beruhen. Mittels der Vorrichtung 4 kann ein Ladezustand SOC (state of charge) der Batterie 2 ermittelt werden. Hierzu erfasst die Messeinrichtung 3 Messwerte 5 von Betriebsparametern oder Betriebsgrößen der Batterie 2. Die Messeinrichtung 3 kann beispielsweise einen Temperatursensor 6 umfassen, der eine Temperatur T der Batterie 2 erfasst. Des Weiteren kann die Messeinrichtung 3 in an sich bekannter Weise dazu ausgelegt sein, einen Batteriestrom I_Batt und eine Klemmenspannung U_Batt von Klemmen 7 der Batterie 2 erfassen. Die Vorrichtung 4 kann beispielsweise als Steuergerät ausgestaltet sein. Die Vorrichtung 4 ermittelt auf der Grundlage der Messwerte 5 einen geschätzten Ladezustandswert 8 des Ladezustands SOC. 1 shows a motor vehicle 1 which may be, for example, a motor vehicle, in particular a passenger car. The car 1 has a battery in the example shown 2 , a measuring device 3 and a device 4 on. The battery 2 For example, a traction battery for an electric drive motor (not shown) of the motor vehicle 1 be. The battery 2 may be, for example, a lithium-ion battery. In particular, it may be based on lithium iron phosphate technology. By means of the device 4 can be a state of charge SOC of the battery 2 be determined. The measuring equipment covers this 3 readings 5 of operating parameters or operating parameters of the battery 2 , The measuring device 3 For example, a temperature sensor 6 include a temperature T of the battery 2 detected. Furthermore, the measuring device 3 be designed in known manner, a battery current I _Batt and a terminal voltage U _Batt of terminals 7 the battery 2 to capture. The device 4 can be configured for example as a control unit. The device 4 determined on the basis of the measured values 5 an estimated state of charge value 8th the state of charge SOC.

2 veranschaulicht, welches Problem sich beim Schätzen des Ladezustands SOC ergeben kann. In 2 zeigt über die möglichen Werte des Ladezustands SOC in Prozent (%) die sich jeweils ergebende batterieinterne Ruhespannung U_OCV in Volt für eine Batteriezelle der Batterie 2. Es ergeben sich eine Ladekurve 11 und eine Entladekurve 12, die jeweils eine Ruhespannungskennlinie darstellen. In einem Ladezustandsbereich 13 weisen beide Ruhespannungskennlinie 11, 12 ein flaches Plateau 14 auf. Hier ergibt schon ein geringer Schätzfehler der Ruhespannung U_OCV eine große Veränderung des geschätzten Ladezustands SOC. Die Schätzfehler können insbesondere daher herrühren, dass die Ruhespannung U_OCV nicht direkt gemessen werden kann. 2 illustrates what problem can arise in estimating the state of charge SOC. In 2 shows over the possible values of the state of charge SOC in percent (%) each resulting in-battery residual voltage U _OCV in volts for a battery cell of the battery 2 , This results in a charging curve 11 and a discharge curve 12 , each representing a quiescent voltage characteristic. In a state of charge area 13 Both have a quiescent voltage characteristic 11 . 12 a flat plateau 14 on. Here even a small estimation error of the rest voltage U _OCV results in a large change in the estimated state of charge SOC. The estimation errors may be due, in particular, to the fact that the quiescent voltage U _OCV can not be measured directly.

Dies ist in 3 noch einmal anhand eines Batteriemodells 15 der Batterie 2 veranschaulicht. Die durch die Messeinrichtung 3 gemessene Klemmenspannung U_Batt setzt sich zusammen aus der Ruhespannung U_OCV und den über den internen Widerstand R_i und einem RC-Glied des Modells 15 abfallenden Spannungen U_Ri und U_RC. Hierbei hat auch die aktuelle Temperatur T einen Einfluss.This is in 3 again using a battery model 15 the battery 2 illustrated. The by the measuring device 3 measured terminal voltage U _Batt is composed of the rest voltage U _OCV and via the internal resistance R _i and an RC element of the model 15 decreasing voltages U _Ri and U _RC . In this case, the current temperature T has an influence.

Die Kalman-Filtereinrichtung 9 ist für eine Erzeugung eines geschätzten Ladezustandswerts 8 außerhalb des Ladezustandsbereichs 13 besonders geeignet. Um die beschriebene Schwäche der Kalman-Filtereinrichtung 9 im Ladezustandsbereich 13 auszugleichen, ist die zusätzliche Schätzeinrichtung 10 bereitgestellt.The Kalman filter device 9 is for generation of an estimated state of charge value 8th outside the state of charge 13 particularly suitable. To the described weakness of the Kalman filter device 9 in the charge state area 13 is the additional estimator 10 provided.

4 zeigt die Kalman-Filtereinrichtung 9 im Detail. Durch die Kalman-Filtereinrichtung 9 ist ein Kalman-Filter realisiert, durch welches ein Zustandsvektor x_k geschätzt wird. Der Zustandsvektor x_k wird jeweils für einzelne Iterationen oder Messzyklen k aktualisiert. Der Zustandsvektor x_k umfasst Ladezustandswert SOC_k für den aktuellen Ladezustand SOC sowie einen aktuellen Schätzwert U_RC,k für die über dem RC-Glied abfallende batterieinterne Spannung U_RC (siehe 3):

4 shows the Kalman filter device 9 in detail. Through the Kalman filter device 9 a Kalman filter is realized by which a state vector x _{k is} estimated. The state vector x _k is updated in each case for individual iterations or measurement cycles k. The state vector x _k comprises state of charge value SOC _k for the current state of charge SOC, as well as a current estimated value U _{RC, k} for the battery-internal voltage U _RC dropping across the RC element (see FIG 3 ):

Als Eingangsvektor u_k kann die aktuelle Strommessung für den Batteriestrom I_Batt verwendet werden: u_k = I_Batt,k. As input vector u _k , the current current measurement for the battery current I _Batt can be used: u _k = I _{batt, k} .

Als Systemausgangsgröße y_k kann beispielsweise die ermittelte Klemmenspannung U_Batt verwendet werden.For example, the determined terminal voltage U _Batt can be used as the system output variable y _k .

Die in 4 dargestellten Filterkomponenten können auf der Grundlage des Batteriemodells 15 von 3 gebildet sein und stellen in an sich bekannter Weise die Eingangsmatrix b, die Durchgangsmatrix d, die Ausgangsmatrix c, die Kalman-Verstärkung oder den Kalman-Gain k_k und die Systemmatrix A dar. Die Kalman-Filtereinrichtung 9 dient der Prozess und Messrauschunterdrückung und reagiert auf stochastische Störungen, um bei entsprechender Systemkenntnis gemäß dem Batteriemodell 15 das Systemverhalten der Batterie 2 korrekt prädizieren zu können. Das Kalman-Filter nutzt ähnlich dem Zustandsbeobachter eine Rückführung wie in der folgenden Gleichung (2) beschrieben, um mit der Kalman-Verstärkung k_k die Abweichung zwischen der Ausgangsgröße des Modells und der Systemausgangsgröße y_k zu verringern. Durch das Ausregeln der Differenz nähert sich auch der Zustand des Modells demjenigen des Systems an. Im Gegensatz zum Zustandsbeobachter arbeitet das Kalman-Filter allerdings in zwei Schritten nach dem Prinzip der wechselseitigen Rekursion.In the 4 shown filter components based on the battery model 15 from 3 and represent, in a manner known per se, the input matrix b, the passage matrix d, the output matrix c, the Kalman gain or the Kalman gain k _k and the system matrix A. The Kalman filter device 9 serves the process and measurement noise suppression and responds to stochastic interference, with appropriate system knowledge according to the battery model 15 the system behavior of the battery 2 to be able to predict correctly. Similar to the state observer, the Kalman filter uses feedback as described in Equation (2) below to reduce the error between the model's output and the system output y _k with the Kalman gain k _k . By balancing the difference, the state of the model also approaches that of the system. In contrast to the state observer, however, the Kalman filter works in two steps according to the principle of mutual recursion.

In diesem Updateschritt oder Korrekturschritt wird auch die Kalman-Verstärkung k_k berechnet. Diese ist im Gegensatz zur Verstärkung des Zustandsbeobachters kein fester Pol, sondern wird mit jedem Zeitschritt oder Messzyklus k über stochastische Ansätze mit der Kovarianz des Schätzfehlers P_k gemäß der folgenden Gleichung (3) und der Kovarianz des Systemrauschens R_k (fest vorgegeben) neu berechnet beziehungsweise korrigiert, wie in der folgenden Gleichung (1) beschrieben ist, um eine optimale Ausregung der Differenz mit hoher Dynamik gewährleisten zu können. Auf diese Weise kann das Mess- und Systemrauschen optimal unterdrückt werden. k_k = P_k-1c^T(cP_k-1c^T + R_k)^–1 (1) x ^_k = x ^_k-1 + k_k(y_k – cx ^_k-1) (2) P_k = (I – k_kc)P_k-1 (3) In this update step or correction step, the Kalman gain k _{k is also} calculated. This is in contrast to the gain of the state observer not a fixed pole, but is recalculated with each time step or measurement cycle k over stochastic approaches with the covariance of the estimation error P _k according to the following equation (3) and the covariance of the system noise R _k (fixed) or corrected, as described in the following equation (1), in order to ensure an optimal excitation of the difference with high dynamics can. In this way, the measurement and system noise can be optimally suppressed. k _k = P _k-1 ^T c (cP c _k-1 ^T + R _k) ^-1 (1) x ^ _k = x ^ _k-1 + k _k (y _k - cx ^ _k-1) (2) P _k = (I - k _k c) P _k-1 (3)

In einem Prädiktionsschritt berechnet das Kalman-Filter den zukünftigen Systemzustand, wie durch die folgende Gleichung (4) beschrieben. Die Korrektur der Kovarianz P_k+1 des Schätzfehlers für die nächste Berechnung der Kalman-Verstärkung beschreibt dabei die folgende Gleichung (5) über die Kovarianz des Messrauschens Q_k (fest vorgegeben). x ^_k+1 = Ax ^_k + bu_k (4) P_k+1 = AP_kA^T + Q_k (5) In a prediction step, the Kalman filter calculates the future system state as described by the following equation (4). The correction of the covariance P _{k + 1 of} the estimation error for the next calculation of the Kalman gain describes the following equation (5) on the covariance of the measurement noise Q _k (fixed). x ^ _{k + 1} = Ax ^ _k + BU _k (4) P _{k + 1} = AP _k A ^T + Q _k (5)

Die Güte der Prädiktion in Form der Kovarianz des Schätzfehlers und damit eine wesentliche Eigenschaft des Kalman-Filters wird somit für die nächste Korrektur neu berechnet. The quality of the prediction in the form of the covariance of the estimation error and thus an essential property of the Kalman filter is thus recalculated for the next correction.

Im Folgenden ist anhand von 5 und 6 die Schätzeinrichtung 10 beschreiben. Sie kann eine Support-Vector-Machine SVM aufweisen. Eine Support-Vector-Machine ist keine Maschine im herkömmlichen Sinne, sondern stellt ein mathematisches Verfahren zur Klassifikation von Mengen und Klassierung von Elementen zu einer Menge dar.The following is based on 5 and 6 the estimator 10 describe. It can have a support vector machine SVM. A support vector machine is not a machine in the traditional sense but is a mathematical method for classifying sets and classifying elements into a set.

Die Schätzeinrichtung 10 basiert auf der in 5 veranschaulichten Tatsache, dass Impedanzortskurven oder kurz Ortskurven 16 (frequency response locus) einer Impedanz Z einer Lithium-Ionen-Batterie vom aktuellen Ladezustand SOC der Batterie 2 abhängig ist. Insbesondere gilt dies für eine Lithium-Eisenphosphat-Batterie. 5 stellt die Impedanzortskurven 16 über dem Realteil Re und dem Imaginärteil Im dar für mehrere unterschiedliche, beispielhafte Ladezustände SOC1, SOC2, SOC3, ..., SOCn dar. Jede Ortskurve 16 stellt den Verlauf der Impedanz Z für unterschiedliche Frequenzen dar.The treasury 10 based on the in 5 illustrated fact that impedance loci or short loci 16 (Frequency response locus) of an impedance Z of a lithium-ion battery from the current state of charge SOC of the battery 2 is dependent. In particular, this applies to a lithium iron phosphate battery. 5 represents the impedance loci 16 above the real part Re and the imaginary part Im for several different exemplary charge states SOC1, SOC2, SOC3, ..., SOCn. Each locus 16 represents the course of the impedance Z for different frequencies.

In 6 und 7 ist die Zuordnung einer Ortskurve 16 zu einem Ladezustand SOC veranschaulicht, wie sie durch die SVM durchgeführt wird. Bei der SVM sind die einzelnen Ladezustände in jeweils einer Klasse zusammengefasst, die hier als Ladezustandsklasse c₁, c₂, ..., c_n bezeichnet sind.In 6 and 7 is the assignment of a locus 16 to a state of charge SOC as performed by the SVM. In the case of the SVM, the individual states of charge are each combined in one class, which are referred to here as state of charge class c ₁ , c ₂ ,..., C _n .

Die Ladezustandsklassen c₁, c₂, ..., c_n werden, wie in 6 an einem Beispiel veranschaulicht, mittels des SVM in der Form abgegrenzt, dass jede Ladezustandsklasse durch eine von der SVM berechnete Hyperebene 21 zu einer nächstgelegenen anderen Ladezustandsklasse eindeutig getrennt wird. 6 veranschaulicht hierzu, wie auf der Grundlage von Trainingswerten für einen ersten Ladezustand + und einen zweiten Ladezustand * Parameter der Hyperebene 21 bei einem Training oder Konfigurieren der SVM ermittelt wurden. Die Hyperebene 21 trennt die beiden Trainingsmengen +, *. Mit einem Beobachtungswert für eine Impedanz Z wird dieser Beobachtungswert auf eine Seite der Hyperebene 21 klassiert.The state of charge classes c ₁ , c ₂ , ..., c _n become, as in 6 illustrated by an example, demarcated by SVM in the form that each charge state class is represented by a hyperplane computed by the SVM 21 is clearly separated to a nearest other state of charge class. 6 illustrates how, based on training values for a first state of charge + and a second state of charge * parameters of the hyperplane 21 during training or configuration of the SVM. The hyperplane 21 separates the two training sets +, *. With an observation value for an impedance Z, this observation value becomes one side of the hyperplane 21 classified.

Um alle Ladezustandsklassen c₁, c₂, ..., c_n voneinander zu trennen, muss jede Ladezustandsklasse zu ihrer nächstgelegenen von einer Hyperebene 21 räumlich getrennt werden. So ergeben sich bei n Klassen entsprechend n – 1 Hyperebenen 21, welche die Klassen unterteilen, das heißt klassifizieren. Die so entstehende Schar an Hyperebenen stellt somit die Entscheidungsgrundlage der SVM bezüglich einer zu klassierenden gemessenen Impedanzortskurve 16 dar.In order to separate all charge state classes c ₁ , c ₂ ,..., C _n from each other, each state of charge class must be at its closest to a hyperplane 21 be spatially separated. Thus, in n classes, n - 1 hyperplanes result 21 which subdivide, that is classify, the classes. The resulting set of hyperplanes thus represents the decision basis of the SVM with regard to a measured impedance locus to be classified 16 represents.

Die gesamte Klassierung ist durch 7 veranschaulicht. Eine messtechnisch im Betrieb erfasste Impedanz Z kann nun mittels der SVM klassiert werden. Da eine SVM mittels ihrer berechneten Hyperebenen allerdings für jede einzelne Hyperebene nur zu einer binären Entscheidung (ja, nein) fähig ist, wird ein Verfahren benötigt, das die Entscheidungen der einzelnen Hyperebenen bewertet und zu einer eindeutigen Klassierung der Impedanz Z führt. Mit der Abbildung der Menge aller Ladezustandsklassen und deren Potenzmengen in einem binären Suchbaum lässt sich dieses Problem der Auswertung effizient lösen. Bei dem Suchbaum gemäß 7 stellt die Wurzel 23 die Menge aller Ladezustandsklassen dar. Die beiden folgenden Knoten 25 des binären Suchbaums stellen jeweils die zwei Potenzmengen der durch den Median der Hyperebene getrennten Obermenge dar. Der Median ist dadurch ermittelt, dass bezüglich der Hyperebene der Obermenge (also zunächst der Wurzel 23) eine möglichst gleiche Anzahl an Hyperebenen diesseits und jenseits der Hyperebene der Obermenge angeordnet ist. Diese Teilung der Potenzmenge lässt sich nun so lange in Folgeschritten s weiter fortführen, bis der Suchbaum komplett aufgefüllt ist und die einzelnen Blätter den jeweiligen Ladezustandsklassen c₁, c₂, ..., c_n entsprechen. Es ergeben sich idealerweise log₂(n) Folgeschritte bei n Ladezustandsklassen.The entire classification is through 7 illustrated. An impedance Z detected during operation can now be classified by means of the SVM. However, since an SVM, by means of its calculated hyperplanes, is only able to make a binary decision (yes, no) for each individual hyperplane, a method is needed which evaluates the decisions of the individual hyperplanes and leads to a clear classification of the impedance Z. By mapping the set of all charge state classes and their power sets in a binary search tree, this problem of the evaluation can be solved efficiently. In the search tree according to 7 represents the root 23 the set of all state of charge classes. The two following nodes 25 of the binary search tree represent the two power sets of the superset separated by the median of the hyperplane. The median is determined by the fact that with respect to the hyperplane of the superset (that is, first of the root 23 ) an equal number of hyperplanes is arranged on both sides of and beyond the hyperplane of the superset. This division of the power set can now be continued in subsequent steps until the search tree is completely filled up and the individual sheets correspond to the respective charge state classes c ₁ , c ₂ ,..., C _n . Ideally log ₂ (n) follow-up steps result in n state of charge classes.

Hierdurch ergibt sich ein Suchalgorithmus nach dem Prinzip „teile und herrsche”, der nun in der Lage ist, eine gemessene Impedanz Z einer Ladezustandsklasse c₁, c₂, ..., c_n eindeutig zuzuordnen. Bei diesem Verfahren müssen nicht einmal alle Hyperebenen ausgewertet werden.This results in a search algorithm according to the principle "divide and rule", which is now able to unambiguously assign a measured impedance Z to a state of charge class c ₁ , c ₂ ,..., C _n . Not even all hyperplanes need to be evaluated in this procedure.

Soll eine gemessene Impedanz Z klassiert werden, entscheidet die SVM anhand der relevanten Hyperebene und des Medians der Hyperebenen der jeweiligen Potenzmenge (Wurzel/Knoten), ob die Impedanz zur ober- oder unterhalb der Hyperebene gelegenen Potenzmenge gehört. Jede Kante 24 im Suchraum steht hierbei für eine Entscheidung der jeweiligen Hyperebene. Bei der Klassierung von mehreren Impedanzen Z kann auf diese Weise eine statistische Verteilung 22 der Ladezustände in Form eines Histogramms mit einem Schätzwert μ_SVM für den Ladezustand und einer Varianz σ 2 / SVM zum Erwartungswert μ_SVM abgeleitet werden.If a measured impedance Z is to be classified, the SVM uses the relevant hyperplane and the median of the hyperplanes of the respective power set (root / node) to decide whether the impedance belongs to the power set above or below the hyperplane. Every edge 24 in the search space this represents a decision of the respective hyperplane. In the classification of several impedances Z can in this way a statistical distribution 22 the charge states in the form of a histogram with an estimate μ _SVM for the state of charge and a variance σ 2 / SVM to the expected value μ _SVM .

Die Verwendung der SVM zum Schätzen des Ladezustands ist auch in einer Veröffentlichung von Jansen et al. (P. Jansen, D. Vergossen, D. Renner, W. John, J. Götze, „Impedance spectra classification for determining the state of charge on a litium iron phosphate cell using a support vector machine”, Advances in Radio Science, Volume 13, 2015, doi: 10.5194/ars-13-1-2015, www.adv-radio-sci-net/13/1/2015) beschrieben.The use of SVM to estimate the state of charge is also disclosed in a paper by Jansen et al. (P. Jansen, D. Vergossen, D. Renner, W. John, J. Götze, "Impedance spectra classification for determining the state of charge on a lithium iron phosphate cell using a support vector machine", Advances in Radio Science, Volume 13, 2015, doi: 10.5194 / ars-13-1-2015, www.adv-radio-sci-net / 13/1/2015).

Die Impedanz Z kann aus den Messwerten 5 für die Klemmenspannung U_Batt und den Batteriestrom I_Batt ermittelt werden. In 8 ist hierzu veranschaulicht, wie die Schätzeinrichtung 10 eine Transformationseinrichtung 17 umfassen kann, die mittels einer Fourier-Transformation aus einer Messreihe 18 für die Klemmenspannung und einer Messreihe 19 für den Batteriestrom jeweils mittels einer Transformation 20 Frequenzwerte oder Spektralwerte erzeugt, mittels welchen die Impedanz Z in bekannter Weise berechnet werden kann. Die Transformation 20 kann auf einer schnellen Fourier-Transformation FFT beruhen. Die Impedanz Z und die ermittelte Batterietemperatur T können als Eingangsparameter für die Support-Vector-Machine SVM bereitgestellt werden. The impedance Z can be determined from the measured values 5 for the terminal voltage U _Batt and the battery current I _Batt . In 8th This is illustrated by how the estimator 10 a transformation device 17 comprising, by means of a Fourier transformation, a series of measurements 18 for the terminal voltage and a series of measurements 19 for the battery current each by means of a transformation 20 Frequency values or spectral values generated by means of which the impedance Z can be calculated in a known manner. The transformation 20 can be based on a fast Fourier transform FFT. The impedance Z and the determined battery temperature T can be provided as input parameters for the support vector machine SVM.

8 veranschaulicht des Weiteren, wie die Kalman-Filtereinrichtung 9 und die Schätzeinrichtung 10 kombiniert werden können. 8th further illustrates how the Kalman filter device 9 and the estimator 10 can be combined.

Für eine hybride Ladezustandsbestimmung erfolgt eine Kopplung der beiden Methoden, das heißt der Kalman-Filtereinrichtung 9 und der Schätzeinrichtung 10, sodass durch die Kalman-Filtereinrichtung 9 im Zeitbereich und durch die SVM im Frequenzbereich die Ladezustandsbestimmung erfolgt. Hierdurch ergeben sich synergistische Effekte. Die Kopplung soll explizit nicht über eine Gewichtungsfunktion umgesetzt werden, sondern es soll ein Eingriff in die wechselseitige Rekursion des Kalman-Filters über den veralteten Zustandsvektor mit den Ergebnissen aus dem Messungs-Update sowie der Bewertung der Messung durch die Kovarianzmatrix erfolgen. In der Form, dass das Klassierungsergebnis der SVM, also der Schätzwert μ_SVM für den Ladezustand und die über das beschriebene Ermittlungsverfahren abgeleitete Varianz σ 2 / SVM des Klassierungsfehlers, die alten Werte des Kalman-Filters überschreiben.For a hybrid state of charge determination, a coupling of the two methods, that is the Kalman filter device 9 and the estimator 10 so through the Kalman filter device 9 in the time domain and by the SVM in the frequency domain, the charge state determination is carried out. This results in synergistic effects. The coupling should not explicitly be implemented via a weighting function, but an interference in the mutual recursion of the Kalman filter over the obsolete state vector with the results from the measurement update and the evaluation of the measurement by the covariance matrix. In the form that the classification result of the SVM, ie the estimated value μ _SVM for the state of charge and the variance derived by means of the described determination method σ 2 / SVM of the classification error, overwrite the old values of the Kalman filter.

Hierzu ist in 8 dargestellt, wie durch die Messung 27 die Systemausgabe y_k mit einer Messvarianz 28 erfasst wird. In dem bereits beschriebenen Korrekturschritt 29 werden die Kalman-Verstärkung k_k gemäß der obigen Gleichung (1) und auf Grundlage der obigen Gleichungen (2) und (3) die Korrekturen oder Updates ausgeführt.This is in 8th represented as by the measurement 27 the system output y _k with a measurement variance 28 is detected. In the already described correction step 29 For example, the Kalman gain k _{k is} executed according to the above equation (1) and the corrections or updates based on the above equations (2) and (3).

Wie in der Darstellung von 8 gezeigt, kann danach durch ein Zeit-Update 31 der nächste Messzyklus beginnen, d. h. es gilt nun der Index k. In dem Zeit-Update 31 wird in dem aktuellen Zustandsvektor x_k der Vektoreintrag für den Ladezustand SOC ersetzt durch den Schätzwert μ_SVM. In der Kovarianzmatrix P_k wird der Matrixeintrag 32 für die aktuelle Kovarianz des Schätzfehlers des Ladezustands SOC ersetzt durch die Varianz σ 2 / SVM, wie die durch die Schätzeinrichtung 10 ermittelt worden ist. Die Ersetzung kann auch im Korrekturschritt 29 im vorangegangenen Zustandsvektor x_k-1 und in der Kovarianzmatrix P_k-1 bei der vorangegangenen Kovarianz σ 2 / k-1 erfolgen.As in the presentation of 8th can be shown through a time update afterwards 31 the next measurement cycle begin, ie the index k now applies. In the time update 31 In the current state vector x _k, the vector entry for the state of charge SOC is replaced by the estimated value μ _SVM . In the covariance matrix P _k becomes the matrix entry 32 for the current covariance of the estimation error of the state of charge SOC replaced by the variance σ 2 / SVM, like the one through the estimator 10 has been determined. The replacement can also be in the correction step 29 in the preceding state vector x _k-1 and in the covariance matrix P _k-1 in the preceding covariance σ 2 / k-1 respectively.

Danach kann der Prädiktionsschritt 30 erfolgen gemäß den Gleichungen (4) und (5). Hieraus ergibt sich ein prädizierter Zustandsvektor 33, aus welchem der beschriebene geschätzte Ladezustandswert 8 des Ladezustands SOC ausgelesen oder entnommen werden kann.After that, the prediction step 30 are performed according to equations (4) and (5). This results in a predicted state vector 33 of which the described estimated state of charge value 8th of the state of charge SOC can be read or removed.

Auf diese Weise kann die wechselseitige Rekursion oder Iteration des Kalman-Filters und die Messung beeinflusst werden, damit in der darauffolgenden Prädiktion des Zustandsvektors durch das Kalman-Filter auf Grundlage der überschriebenen Kovarianzmatrix die Schätzung des Kalman-Filters verworfen wird.In this way, the mutual recursion or iteration of the Kalman filter and the measurement may be affected so that in the subsequent prediction of the state vector by the Kalman filter based on the overwritten covariance matrix, the estimate of the Kalman filter is discarded.

Hierbei kann optional durch eine Überprüfungseinrichtung 34 zunächst überprüft werden, ob das Kalman-Filter aufgrund der Güte der Kovarianzmatrix P_k die Prädiktionsergebnisse zur Ladezustandsbestimmung herangezogen werden sollen anstelle der Schätzwerte der Schätzeinrichtung 10.This can optionally by a verification device 34 First, it is to be checked whether the Kalman filter is to use the prediction results for state of charge determination instead of the estimates of the estimator because of the quality of the covariance matrix P _k 10 ,

Insgesamt können auf diese Weise Informationen über den Ladezustand der Batterie 2 im Zeit- und im Frequenzbereich zur Ladezustandsbestimmung herangezogen werden. Durch eine derartige Umsetzung können die Vorteile beider Einrichtungen, das heißt der Kalman-Filtereinrichtung 9 und der Schätzeinrichtung 10, für die Zellchemie Lithium-Eisenphosphat miteinander verbunden werden. Die sehr gute Ladezustandsbestimmung des Kalman-Filters im oberen und unteren Ladezustandsbereich, also außerhalb des Plateaus 14 des Ladezustandsbereichs 13, sowie die erste Ladezustandsbestimmung der SVM im mittleren Ladezustandsbereich 13 mittels Klassierung können auch dadurch genutzt werden, dass die Schätzeinrichtung 10 nur für solche Ladezustände verwendet wird, die sich innerhalb des Ladezustandsbereichs 13 befinden.Overall, this allows information about the state of charge of the battery 2 be used in the time and in the frequency range for state of charge determination. By such an implementation, the advantages of both devices, that is the Kalman filter device 9 and the estimator 10 , for which cell chemistry lithium iron phosphate are linked together. The very good state of charge determination of the Kalman filter in the upper and lower state of charge, ie outside the plateau 14 of the charge state area 13 , as well as the first state of charge determination of SVM in the medium state of charge 13 By means of classification can also be used by the fact that the estimator 10 is only used for such states of charge that are within the state of charge 13 are located.

Für die Verarbeitung im Frequenzbereich mittels SVM werden Batterieimpedanzwerte spezifischer Frequenzen auf der Grundlage der Verbraucheranregung im Bordnetz identifiziert. Dies kann beispielsweise durch die beschriebene schnelle Fourier-Transformation FFT geschehen.For frequency domain processing by SVM, battery impedance values of specific frequencies are identified based on consumer excitation in the vehicle electrical system. This can be done, for example, by the fast Fourier transformation FFT described.

Die Kopplung der Kalman-Filtereinrichtung 9 und der Schätzeinrichtung 10 erfolgt über den veralteten Zustandsvektor x_k-1 im Zeit-Update 31. Dazu werden der Systemzustand sowie die Bewertung der alten Messung durch die Kovarianzmatrix P_k-1 aus dem vorangegangenen Berechnungsschritt herangezogen. Hierzu werden das Klassierungsergebnis der SVM, also der Wartungswert des Ladezustands μ_SVM und eine über das zugrundeliegende Ermittlungsverfahren abgeleitete Varianz σ 2 / SVM der wahrscheinlichen Klassierungsungenauigkeit verwendet. Die unzulänglich genauen Elemente der Matrizen des Kalman-Filters x_k-1 und P_k-1, aus dem vorangegangenen Berechnungsschritt, werden nun mit den neuen Ergebnissen der SVM (μ_SVM und σ 2 / SVM) bei Aufenthalt im mittleren Ladezustandsbereich überschrieben.The coupling of the Kalman filter device 9 and the estimator 10 takes place via the obsolete state vector x _k-1 in the time update 31 , For this purpose, the system state and the evaluation of the old measurement by the covariance matrix P _k-1 from the previous calculation step are used. For this purpose, the classification result of the SVM, ie the maintenance value of the state of charge μ _SVM and a variance derived from the underlying determination method σ 2 / SVM of the likely classification inaccuracy. The inadequately accurate elements of the matrices of the Kalman filter x _k-1 and P _k-1 , from the previous calculation step, will now be used with the new results of SVM (μ _SVM and σ 2 / SVM) overwritten during stay in the middle charge state area.

Insgesamt zeigt das Beispiel, wie durch die Erfindung eine hybride Ladezustandsbestimmung von Batterien mittels gekoppelter Informationen aus dem Frequenzbereich und dem Zeitbereich bereitgestellt werden kann.Overall, the example shows how the invention can provide a hybrid charge state determination of batteries by means of coupled information from the frequency range and the time range.

Claims

Method for determining a state of charge ( 8th ) of an electric battery ( 2 ) in a motor vehicle ( 1 ), wherein in successive measuring cycles (k) in each case a respective measured value ( 5 ) at least one operating _variable (U _BATT , I _BATT , T) of the battery ( 2 ) and by a Kalman filter device ( 9 ): - in a correction step ( 29 ) a current state vector from a previous state vector, each containing a state of charge value, and a current covariance of an estimation error from a previous covariance of the estimation error are calculated and - in a prediction step ( 30 ) from the current state vector a predicted state vector ( 33 ) and a predicted covariance is calculated from the current covariance, and - in an output step, a predicted state vector in the new ( 33 ), the estimated state of charge value (SOC) as the state of charge ( 8th ), characterized in that before the correction step ( 29 ) in the preceding state vector or before the prediction step ( 30 ) in the current state vector, the respective state of charge value is replaced by an estimated value obtained by one of the Kalman filter devices ( 9 ) independent estimator ( 10 ) is determined for the state of charge.

The method of claim 1, wherein the at least one operating _variable (U _BATT , I _BATT , T) _comprises a terminal voltage (U _BATT ) and / or a battery _current (I _BATT ) and / or a temperature (T).

Method according to one of the preceding claims, wherein the estimation device ( 10 ) additionally a variance value of the estimated value is determined and before the correction step ( 29 ) in a covariance matrix describing the preceding covariance or before the prediction step ( 30 ) is stored in a covariance matrix describing the current covariance of the estimation error, the variance value as a matrix entry.

Method according to one of the preceding claims, wherein the estimating device ( 10 ) based on the measured values ( 5 ) of several measuring cycles a respective time series ( 18 . 19 ) is formed for the at least one operating _variable (U _BATT , I _BATT ) and by means of a frequency analysis ( 20 ) of the at least one time series ( 18 . 19 ) a frequency-dependent impedance (Z) of the battery ( 2 ) is determined.

Method according to one of the preceding claims, wherein the estimation device ( 10 ) is selected by means of a support vector machine (SVM) by a classification of a plurality of predetermined classes (c ₁ , c ₂ , c _n ), wherein each of the classes (c ₁ , c ₂ , c _n ) represents a state of charge.

Method according to one of the preceding claims, wherein the state of charge value is only replaced by the estimated value, if in at least one previous measurement cycle the determined state of charge ( 8th ) in a predetermined state of charge ( 13 ) lies.

Method according to one of the preceding claims, wherein the state of charge value is replaced by the estimated value only if the previous or the current covariance violates a predetermined quality criterion.

Method according to one of the preceding claims, wherein the state of charge ( 8th ) of a lithium-ion battery is determined.

Contraption ( 4 ) for a motor vehicle ( 1 ), with a measuring input for receiving respective measured values ( 5 ) at least one operating _variable (U _BATT , I _BATT , T) of a battery ( 2 ) of the motor vehicle ( 1 ) and a computing device comprising a Kalman filter device ( 9 ) for estimating a state of charge of the battery ( 2 ) and one of the Kalman filter device ( 9 ) independent estimator ( 10 ) for generating an estimate of the state of charge, wherein the device ( 4 ) is adapted to perform a method according to any one of the preceding claims.

Motor vehicle ( 1 ) comprising: - a battery ( 2 ), - a measuring device ( 3 ) for measuring measured values ( 5 ) at least one operating _variable (U _BATT , I _BATT , T) of the battery ( 2 ) and - one with the measuring device ( 3 ) coupled device ( 4 ) according to claim 9.