DE102016206538A1

DE102016206538A1 - Method for determining a state of charge of a battery for a motor vehicle, device and motor vehicle

Info

Publication number: DE102016206538A1
Application number: DE102016206538.6A
Authority: DE
Inventors: Patrick Jansen; Tobias Gebel
Original assignee: Audi AG
Current assignee: Audi AG
Priority date: 2016-04-19
Filing date: 2016-04-19
Publication date: 2017-10-19

Abstract

Die Erfindung betrifft ein Verfahren zum Bestimmen eines Ladezustands einer Batterie (2) für ein Kraftfahrzeug (1) durch Erfassen zumindest eines komplexen Impedanzwerts (Z) der Batterie (2) bei einer vorbestimmten Frequenz (f) mit einer Erfassungseinrichtung (4), Zuordnen des zumindest einen Impedanzwerts (Z) zu einer von einer Mehrzahl von vorbestimmten Ladezustandsklasse (7) mit einer Klassierungseinrichtung (5), Bestimmen des Ladezustands anhand der Zuordnung, und Zuordnen des Impedanzwerts (Z) zu der Ladezustandsklasse (7) mittels einer Nächste-Nachbarn-Klassifikation und/oder eines künstlichen neuronalen Netzes.The invention relates to a method for determining a state of charge of a battery (2) for a motor vehicle (1) by detecting at least one complex impedance value (Z) of the battery (2) at a predetermined frequency (f) with a detection device (4) at least one impedance value (Z) to one of a plurality of predetermined state of charge class (7) with a classification device (5), determining the state of charge based on the assignment, and assigning the impedance value (Z) to the state of charge class (7) by means of a nearest neighbor Classification and / or an artificial neural network.

Description

Die vorliegende Erfindung betrifft ein Verfahren zum Bestimmen eines Ladezustands einer Batterie für ein Kraftfahrzeug durch Erfassen zumindest eines komplexen Impedanzwerts der Batterie bei einer vorbestimmten Frequenz mit einer Erfassungseinrichtung, Zuordnen des zumindest einen Impedanzwerts zu einer von einer Mehrzahl von vorbestimmten Ladezustandsklassen mit einer Klassierungseinrichtung und Bestimmen eines Ladezustands anhand der Zuordnung. Darüber hinaus betrifft die vorliegende Erfindung eine Vorrichtung zum Bestimmen eines Ladezustands einer Batterie für ein Kraftfahrzeug. Schließlich betrifft die vorliegende Erfindung ein Kraftfahrzeug. The present invention relates to a method for determining a state of charge of a battery for a motor vehicle by detecting at least one complex impedance value of the battery at a predetermined frequency with a detection device, assigning the at least one impedance value to one of a plurality of predetermined state of charge classes with a classifier and determining a State of charge based on the assignment. Moreover, the present invention relates to a device for determining a state of charge of a battery for a motor vehicle. Finally, the present invention relates to a motor vehicle.

Die exakte Bestimmung des Ladezustands einer Kraftfahrzeugbatterie stellt eine nicht unerhebliche Herausforderung insbesondere während des Betriebs des Kraftfahrzeugs für die Signalverarbeitung dar. Die Anforderungen an die Genauigkeit des ermittelten Ladezustands sind besonders im automobilen Anwendungsbereich von großer Bedeutung, um einen sicheren und effizienten Betrieb der Batterie während des Betriebs des Kraftfahrzeugs gewährleisten zu können. The exact determination of the state of charge of a motor vehicle battery represents a considerable challenge, in particular during the operation of the motor vehicle for signal processing. The demands on the accuracy of the determined state of charge are particularly important in the automotive field of application to ensure safe and efficient operation of the battery during the To be able to ensure operation of the motor vehicle.

Für elektrisch betriebene Kraftfahrzeuge (reine Elektrofahrzeuge und Hybridfahrzeuge) werden immer öfters Lithium-Eisenphosphat-Batterien verwendet. Diese unterscheidet sich in ihrem elektrochemischen Verhalten von anderen Batterien deutlich. Bereits bekannte, auf einem elektrischen Ersatzschaltbild basierende Verfahren, wie das Kalman-Filter, das Extended-Kalman-Filter oder der Zustandsbeobachter, stoßen hierbei allerdings schnell an ihre Grenzen. Grund hierfür sind speziell bei der Lithium-Eisenphosphat-Technologie zwei unterschiedliche Punkte: zum einen das sehr flache Plateau der Ruhespannungskennlinie im mittleren Ladezustandsbereich und zum anderen die Genauigkeit des elektrischen Ersatzschaltbilds bezüglich der Netzwerkparameter zur Berechnung der Ruhespannung aus der Klemmenspannung. So kann bei den ruhespannungsbasierten Verfahren die Ladezustandsermittlung im mittleren Bereich mit Genauigkeiten im einstelligen Prozentbereich nur mit sehr großem messtechnischen Aufwand realisiert werden. Darüber hinaus ist es aber auch wünschenswert, insbesondere während des Betriebs des Kraftfahrzeugs, also wenn die Batterie an die Verbraucher angeschlossen ist, und nicht nur im Ruhestand, wenn sämtliche Verbraucher abgeklemmt sind, den Ladezustand der Batterie exakt bestimmen zu können. For electrically powered vehicles (pure electric vehicles and hybrid vehicles) lithium iron phosphate batteries are increasingly being used. This differs significantly in their electrochemical behavior of other batteries. Already known methods based on an electrical equivalent circuit, such as the Kalman filter, the extended Kalman filter or the condition observer, however, quickly reach their limits. This is due in particular to two different points 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 regard to the network parameters for calculating the quiescent voltage from 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. In addition, it is also desirable, especially during operation of the motor vehicle, so when the battery is connected to the consumer, and not only retired, when all consumers are disconnected to be able to determine the state of charge of the battery exactly.

Hierzu beschreibt die DE 10 2014 014 031 A1 eine Vorrichtung zur Ladezustandserkennung einer Batterie für ein Kraftfahrzeug. Dabei wird mit einer Erfassungseinrichtung mindestens ein komplexer Impedanzwert der Batterie bestimmt und der Impedanzwert wird mittels einer Klassierungseinrichtung zu einer von mindestens drei Ladezustandsklassen zugeordnet. Dabei ist die Klassierungseinrichtung dazu ausgelegt, mit mindesten zwei Stützvektormaschinen entlang eines binären Entscheidungsbaums die Zuordnung vorzunehmen. This describes the DE 10 2014 014 031 A1 a device for state of charge detection of a battery for a motor vehicle. In this case, at least one complex impedance value of the battery is determined with a detection device, and the impedance value is assigned by means of a classification device to one of at least three state of charge classes. In this case, the classifying device is designed to make the assignment with at least two support vector machines along a binary decision tree.

Es ist Aufgabe der vorliegenden Erfindung, eine Lösung aufzuzeigen, wie der Ladezustand einer Batterie, insbesondere einer Lithium-Eisenphosphat-Batterie, für ein Kraftfahrzeug auf einfache und zuverlässige Weise bestimmt werden kann. It is an object of the present invention to provide a solution as the state of charge of a battery, in particular a lithium iron phosphate battery, can be determined for a motor vehicle in a simple and reliable manner.

Diese Aufgabe wird erfindungsgemäß durch ein Verfahren, durch eine Vorrichtung sowie durch ein Kraftfahrzeug mit den Merkmalen der jeweiligen unabhängigen Ansprüche gelöst. Vorteilhafte Weiterbildungen der vorliegenden Erfindung sind Gegenstand der abhängigen Ansprüche. This object is achieved by a method by a device and by a motor vehicle with the features of the respective independent claims. Advantageous developments of the present invention are the subject of the dependent claims.

Ein erfindungsgemäßes Verfahren zum Bestimmen eines Ladezustands einer Batterie für ein Kraftfahrzeug umfasst das Erfassen zumindest eines komplexen Impedanzwerts der Batterie bei einer vorbestimmten Frequenz mit einer Erfassungseinrichtung. Darüber hinaus beinhaltet das Verfahren das Zuordnen des zumindest einen Impedanzwerts zu einer von einer Mehrzahl von vorbestimmten Ladezustandsklassen mit einer Klassierungseinrichtung. Zudem umfasst das Verfahren das Bestimmen des Ladezustands anhand der Zuordnung. Dabei erfolgt das Zuordnen des Impedanzwerts zu der Ladezustandsklasse mittels einer Nächste-Nachbarn-Klassifikation und/oder eines künstlichen neuronalen Netzes. An inventive method for determining a state of charge of a battery for a motor vehicle comprises detecting at least one complex impedance value of the battery at a predetermined frequency with a detection device. In addition, the method includes assigning the at least one impedance value to one of a plurality of predetermined state of charge classes with a classifier. In addition, the method includes determining the state of charge based on the assignment. In this case, the impedance value is assigned to the state of charge class by means of a nearest neighbor classification and / or an artificial neural network.

Mit Hilfe des Verfahrens soll der aktuelle Ladezustand der Batterie des Kraftfahrzeugs bestimmt werden. Unter dem Begriff Batterie ist vorliegend insbesondere eine Batterie mit mehreren Batteriezellen oder eine einzelne Batteriezelle zu verstehen. Das Verfahren kann beispielsweise während des Betriebs des Kraftfahrzeugs durchgeführt werden. Es ist auch denkbar, dass das Verfahren während eines Ladevorgangs durchgeführt wird, bei welchem die Batterie geladen wird. Mit Hilfe der Erfassungseinrichtung wird der komplexe Impedanzwert der Batterie bestimmt. Dabei wird der Impedanzwert für eine vorbestimmte Frequenz ermittelt. Diese Frequenz kann beispielswiese durch eine Betriebsfrequenz von Komponenten, welche mit der Batterie durch elektrische Energie versorgt werden, bestimmt werden. Der Impedanzwert kann also durch einen Realteil, einen Imaginärteil und eine Frequenz definiert werden. Der erfasste Impedanzwert wird dann einer von mehreren vorbestimmten Ladezustandsklassen zugeordnet. Diese jeweiligen Ladezustandsklassen können vorbestimmten Ladezuständen der Batterie zugeordnet sein. Beispielsweise können mehr als drei Ladezustandsklassen, insbesondere zehn Ladezustandsklassen, vorgesehen sein. So kann beispielsweise der Ladezustand in Abstufungen von 10 % dargestellt werden. Nach Anforderung der Anwendung sind natürlich auch genauere Auflösungen des Ladezustands möglich. Dabei ist anzumerken, dass die Menge aller möglichen Impedanzwerte eines definierten Ladezustands zunächst in mehrere Klassen unterteilt, das heißt klassifiziert, wird und anschließend jeder Messwert anhand der vorgegebenen Klassen klassiert, das heißt einer der Ladezustandsklassen zugeordnet wird. With the help of the method of the current state of charge of the battery of the motor vehicle should be determined. The term battery is to be understood in the present case in particular a battery with a plurality of battery cells or a single battery cell. The method can be carried out, for example, during operation of the motor vehicle. It is also conceivable that the method is carried out during a charging process in which the battery is charged. With the aid of the detection device, the complex impedance value of the battery is determined. In this case, the impedance value is determined for a predetermined frequency. This frequency can for example be determined by an operating frequency of components which are supplied with the battery by electrical energy. The impedance value can therefore by a Real part, an imaginary part and a frequency are defined. The detected impedance value is then assigned to one of a plurality of predetermined state of charge classes. These respective state of charge classes may be associated with predetermined states of charge of the battery. For example, more than three state of charge classes, in particular ten state of charge classes, can be provided. For example, the state of charge can be displayed in increments of 10%. Upon request of the application of course, more accurate resolutions of the state of charge are possible. It should be noted that the set of all possible impedance values of a defined state of charge is first subdivided into several classes, ie classified, and then each measured value is classified on the basis of the given classes, that is, assigned to one of the state of charge classes.

Erfindungsgemäß ist es nun vorgesehen, dass die Zuordnung des Impedanzwerts zu der Ladezustandsklasse mittels einer Nächste-Nachbarn-Klassifikation und/oder eines künstlichen neuronalen Netzes durchgeführt wird. Es werden also Verfahren des maschinellen Lernens genutzt, um die Zuordnung des gemessenen Impedanzwerts zu den vorbestimmten Ladezustandsklassen durchzuführen. Diese Methoden können mit Hilfe von entsprechenden Trainingsdaten, beispielsweise Referenz-Impedanzwerten, trainiert werden. Damit nutzt die Klassierungseinrichtung Verfahren, die mit realen Messwerten angelernt wurden und somit eine zuverlässige Bestimmung des Ladezustands ermöglichen. According to the invention, it is now provided that the assignment of the impedance value to the state of charge class is carried out by means of a nearest neighbor classification and / or an artificial neural network. Thus, methods of machine learning are used to perform the assignment of the measured impedance value to the predetermined state of charge classes. These methods can be trained using appropriate training data, such as reference impedance values. Thus, the classification device uses methods that were learned with real measured values and thus enable a reliable determination of the state of charge.

In einer Ausführungsform wird die Zuordnung mittels der Nächste-Nachbarn-Klassifikation durchgeführt, wobei die Mehrzahl von Zustandsklassen jeweils durch Impedanzortskurven bereitgestellt werden, wobei jede der Impedanzortskurven einen Realteil und einen Imaginärteil der Impedanz in Abhängigkeit von einer Frequenz für vorbestimmte Ladezustände beschreibt. Wenn die Klassierungseinrichtung den Nächsten-Nachbarn-Klassifikator nutzt, werden die jeweiligen Ladezustandsklassen durch ladezustandsspezifische Impedanzortskurven repräsentiert. Die Impedanzortskurven können beispielsweise Kurven im dreidimensionalen Raum bzw. in einem Merkmalsraum sein, welche von dem Realteil, dem Imaginärteil und der Frequenz abhängig sind. Hierbei kann die Klassierung beispielsweise in einem Merkmalsraum durchgeführt werden, der durch den Realteil, den Imaginärteil und die Frequenz beschrieben ist. Dabei können die jeweiligen Impedanzortskurven auf Grundlage von Messungen, die an Batterien durchgeführt wurden, vorgegeben werden. Die Nächste-Nachbarn-Klassifikation weist den Vorteil auf, dass eine a priori Annahme über die zugrundeliegenden Wahrscheinlichkeiten der Trainingsdaten, wie es beispielsweise bei einem Bayes-Klassifikator der Fall wäre, nicht notwendig ist. Daher liegt der große Vorteil des Verfahrens in seiner Einfachheit und Leistungsfähigkeit. In one embodiment, the allocation is performed by means of the nearest neighbor classification, the plurality of state classes each being provided by impedance loci, each of the impedance loci describing a real part and an imaginary part of the impedance versus a predetermined state of charge frequency. When the classifier uses the nearest neighbor classifier, the respective state of charge classes are represented by load-state specific impedance loci. The impedance loci may, for example, be curves in three-dimensional space or in a feature space, which are dependent on the real part, the imaginary part and the frequency. In this case, the classification can be carried out, for example, in a feature space which is described by the real part, the imaginary part and the frequency. The respective impedance loci can be predefined on the basis of measurements made on batteries. The next-neighbor classification has the advantage that an a priori assumption about the underlying probabilities of the training data, as would be the case with a Bayes classifier, is not necessary. Therefore, the great advantage of the method lies in its simplicity and performance.

Dabei ist es insbesondere vorgesehen, dass ein jeweiliger Abstand des erfassten Impedanzwerts zu den Impedanzortskurven bestimmt wird und der Impedanzwert derjenigen Impedanzortskurve zugeordnet wird, zu welcher der Impedanzwert den geringsten Abstand aufweist. Der Nächste-Nachbarn-Klassifikator nutzt euklidsche Metriken, um den Abstand zu anderen klassifizierten Elementen zu bestimmen und auf diese Weise neue Elemente zu klassieren. Bei der Nächste-Nachbarn-Klassifikation stehen die Impedanzortskurven als Datengrundlage zur Verfügung. Diese Daten bilden die Grundlage für die Testimpedanzen mit denen des gemessenen Impedanzwerts. Hierzu kann der euklidische Abstand des Impedanzwerts zu den vorgegebenen Impedanzortskurven bestimmt werden und der Impedanzwert kann dann derjenigen Impedanzortskurve zugeordnet werden, zu welcher der euklidsche Abstand am geringsten ist. Durch die jeweilige Impedanzortskurve wird dann die Ladezustandsklasse bzw. der Ladezustand der Batterie repräsentiert. In this case, it is provided in particular that a respective distance of the detected impedance value from the impedance locus curves is determined and the impedance value is assigned to that impedance locus curve to which the impedance value has the smallest distance. The Next Neighbor classifier uses Euclidean metrics to determine the distance to other classified elements and classify new elements in this way. In the Next Neighbor Classification, the impedance loci are available as data basis. These data form the basis for the test impedances with those of the measured impedance value. For this purpose, the Euclidean distance of the impedance value from the predetermined impedance loci can be determined, and the impedance value can then be assigned to the impedance locus at which the Euclidean distance is the lowest. The respective state of charge impedance then represents the charge state class or the state of charge of the battery.

In einer weiteren Ausgestaltung wird die Zuordnung des Impedanzwerts zu den Impedanzortskurven in Abhängigkeit von einer Temperatur und/oder einem Alterungszustand der Batterie durchgeführt. Beispielsweise können für unterschiedliche Temperaturbereiche unterschiedliche Impedanzortskurven vorgegeben werden, da die Impedanz von der Batterietemperatur abhängig ist. Des Weiteren kann es vorgesehen sein, dass in Abhängigkeit von dem Alterungszustand der Batterie entsprechende Impedanzortskurven vorgegeben werden. Somit kann die Zuordnung des Impedanzwerts zu der Ladezustandsklasse in Abhängigkeit von den aktuellen Betriebsbedingungen der Batterie durchgeführt werden. In a further refinement, the assignment of the impedance value to the impedance locus curves is carried out as a function of a temperature and / or an aging state of the battery. For example, different impedance loci can be specified for different temperature ranges, since the impedance depends on the battery temperature. Furthermore, provision may be made for corresponding impedance loci to be predefined as a function of the aging state of the battery. Thus, the assignment of the impedance value to the state of charge class can be performed depending on the current operating conditions of the battery.

Gemäß einer weiteren Ausgestaltung wird die Zuordnung mittels des künstlichen neuronalen Netzes durchgeführt, wobei eine Eingabeschicht des künstlichen neuronalen Netzes einen Realteil, einen Imaginärteil und die Frequenz des Impedanzwerts beschreibt und eine Ausgabeschicht des künstlichen neuronalen Netzes die Mehrzahl von Ladezustandsklassen beschreibt. Hierbei werden in der Eingabeschicht anstatt von zeitdiskreten Signalen, wie beispielsweise dem elektrischen Strom, der elektrischen Spannung oder der Temperatur, Informationen aus dem Frequenzbereich zur Verfügung gestellt. Insbesondere werden der Realteil, der Imaginärteil und die Frequenz des gemessenen Impedanzwerts verwendet. Die Grundlage der Klassifikation bilden die beschriebenen Ladezustandsklassen der einzelnen Ladezustände. In der Ausgabeschicht ergeben sich so die Neuronen, welche beispielsweise Ladezustände bzw. Ladezustandsklassen von 0 bis 100 % in Schritten von 5 % beschreiben können. Bei dem künstlichen neuronalen Netz kann es sich um ein neuronales Netz mit zwei Schichten handeln, welches neben der Eingabeschicht und der Ausgabeschicht eine Zwischenschicht, welche aus mehreren möglichen Neuronen besteht, umfasst. Mit Hilfe der Klassierungseinrichtung, die die Zuordnung auf Grundlage des künstlichen neuronalen Netzes durchführt, kann eine zuverlässige Bestimmung des Ladezustands der Batterie ermöglicht werden. According to a further embodiment, the assignment is carried out by means of the artificial neural network, wherein an input layer of the artificial neural network describes a real part, an imaginary part and the frequency of the impedance value and an output layer of the artificial neural network describes the plurality of state of charge classes. In this case, information from the frequency domain is made available in the input layer instead of discrete-time signals, such as, for example, the electrical current, the electrical voltage or the temperature. In particular, the real part, the imaginary part and the frequency of the measured impedance value are used. The basis of the classification is the described state of charge classes of the individual states of charge. In the output layer, this results in the neurons, which, for example, state of charge or state of charge classes from 0 to 100% in steps of 5%. The artificial neural network may be a two-layer neural network comprising, in addition to the input layer and the output layer, an intermediate layer consisting of several possible neurons. With the aid of the classifier, which performs the assignment based on the artificial neural network, a reliable determination of the state of charge of the battery can be made possible.

Bevorzugt wird die Zuordnung mittels des künstlichen neuronalen Netzes durchgeführt, wobei das künstliche neuronale Netz mit Referenz-Impedanzwerten für die Mehrzahl von Ladezustandsklassen trainiert ist. Das künstliche neuronale Netz kann mit Informationen aus den Ladezustandsklassen angelernt werden, wobei hierzu Referenz-Impedanzwerte genutzt werden können, welche durch einen Realteil, einen Imaginärteil und die dazugehörige Frequenz beschrieben sind. Diese Referenz-Impedanzwerte können bekannten Ladezustandsklassen zugeordnet sein. Das künstliche neuronale Netz kann im Vorfeld mit Hilfe der Referenz-Impedanzwerte trainiert werden. Zu diesem Zweck kann beispielsweise der sogenannte Backpropagation-Algorithmus mit Momentum genutzt werden. Dies ermöglicht eine zuverlässige Bestimmung des künstlichen neuronalen Netzes. Preferably, the assignment is performed by means of the artificial neural network, wherein the artificial neural network is trained with reference impedance values for the plurality of state of charge classes. The artificial neural network can be trained with information from the state of charge classes, for which purpose reference impedance values can be used, which are described by a real part, an imaginary part and the associated frequency. These reference impedance values can be assigned to known state of charge classes. The artificial neural network can be trained in advance using the reference impedance values. For this purpose, for example, the so-called backpropagation algorithm can be used with momentum. This allows a reliable determination of the artificial neural network.

Weiterhin ist es vorteilhaft, wenn bei der Zuordnung der Realteil, der Imaginärteil und die Frequenz des Impedanzwerts in der Eingabeschicht jeweils mit während des Trainierens bestimmten Kantengewichten multipliziert werden. Beispielsweise können die jeweiligen Kantengewichte für die Neuronen zunächst zufällig vergeben werden. Mit den Trainingsdaten bzw. den Referenz-Impedanzwerten kann dann das gesamte Netz schichtweise bis zur Ausgabeschicht hin berechnet werden. Die Differenz als Abweichung zwischen der berechneten Ausgabeschicht und dem tatsächlichen Ladezustand des Referenz-Impedanzwerts wird nun als Fehler durch das Netz zurückpropagiert und entsprechend auf den Eingang zurückgerechnet, um den Fehler durch die Anpassung der Kantengewichte zu minimieren. Hierzu kann beispielsweise das Gradientenabstiegsverfahren genutzt werden. Somit kann das künstliche neuronale Netzt auf Grundlage von Referenz-Impedanzwerten solange trainiert werden, bis mit diesem zuverlässig der Ladezustand der Batterie bestimmt werden kann. Furthermore, it is advantageous if, during the assignment, the real part, the imaginary part and the frequency of the impedance value in the input layer are respectively multiplied by edge weights determined during training. For example, the respective edge weights for the neurons can initially be randomly assigned. With the training data or the reference impedance values, the entire network can then be calculated in layers up to the output layer. The difference as the deviation between the calculated output layer and the actual state of charge of the reference impedance value is now propagated back through the network as an error and back-calculated to the input to minimize the error due to the adjustment of the edge weights. For this purpose, for example, the gradient descent method can be used. Thus, the artificial neural network can be trained on the basis of reference impedance values until the state of charge of the battery can be reliably determined therewith.

In einer weiteren Ausgestaltung wird dem Impedanzwert in der Eingabeschicht genau eine Ladezustandsklasse in der Ausgabeschicht zugeordnet. Der Eingabeschicht wird insbesondere der Impedanzwert mit dem Realteil, dem Imaginärteil und der Frequenz zugeführt. Dabei ist das künstliche neuronale Netz derart ausgestaltet, dass diesem Impedanzwert in der Eingabe einer einzigen Ladezustandsklasse in der Ausgabeschicht zugeordnet wird. Beispielsweise kann die zugehörige Ladezustandsklasse das Ergebnis 1 besitzen und alle anderen Ladezustandsklassen den Wert 0 aufweisen. Somit kann der aktuelle Ladezustand der Batterie, der sich auf Grundlage der dem Impedanzwert zugeordneten Ladezustandsklasse ergibt, auf einfache Weise und mit geringem Rechenaufwand bestimmt werden. In a further embodiment, exactly one state of charge class in the output layer is assigned to the impedance value in the input layer. The input layer is in particular supplied with the impedance value with the real part, the imaginary part and the frequency. In this case, the artificial neural network is designed such that this impedance value is assigned in the input of a single state of charge class in the output layer. For example, the associated state of charge class can have the result 1 and all other state of charge classes have the value 0. Thus, the current state of charge of the battery, which results on the basis of the impedance value associated with the state of charge class, can be determined in a simple manner and with little computational effort.

Eine erfindungsgemäße Vorrichtung zum Bestimmen eines Ladezustands einer Batterie für ein Kraftfahrzeug umfasst eine Erfassungseinrichtung zum Erfassen zumindest eines komplexen Impedanzwerts der Batterie bei einer vorbestimmten Frequenz. Des Weiteren umfasst die Vorrichtung eine Klassierungseinrichtung zum Zuordnen des zumindest einen Impedanzwerts zu einer von einer Mehrzahl von vorbestimmten Ladezustandsklassen. Schließlich umfasst die Vorrichtung eine Recheneinrichtung zum Bestimmen des Ladezustands anhand der Zuordnung. Dabei ist die Klassierungseinrichtung dazu ausgelegt, die Zuordnung des Impedanzwerts zu der Ladezustandsklasse mittels einer Nächste-Nachbarn-Klassifikation und/oder eines künstlichen neuronalen Netzes durchzuführen. An inventive device for determining a state of charge of a battery for a motor vehicle comprises a detection device for detecting at least one complex impedance value of the battery at a predetermined frequency. Furthermore, the device comprises a classification device for assigning the at least one impedance value to one of a plurality of predetermined state of charge classes. Finally, the device comprises a computing device for determining the state of charge based on the assignment. In this case, the classifying device is designed to carry out the assignment of the impedance value to the state of charge class by means of a nearest neighbor classification and / or an artificial neural network.

Die Vorrichtung kann insbesondere im Kraftfahrzeug angeordnet sein, um den Ladezustand der Batterie zu bestimmen. Dabei kann der Ladezustand der Batterie während des Betriebs des Kraftfahrzeugs oder während das Kraftfahrzeug geparkt ist bestimmt werden. Es kann auch vorgesehen sein, dass der Ladezustand während des Ladens der Batterie bestimmt wird. Ferner kann es vorgesehen sein, dass die Vorrichtung in einer Ladevorrichtung zum Laden der Batterie angeordnet ist. The device can be arranged in particular in the motor vehicle to determine the state of charge of the battery. In this case, the state of charge of the battery during operation of the motor vehicle or while the motor vehicle is parked can be determined. It can also be provided that the state of charge is determined during the charging of the battery. Furthermore, it can be provided that the device is arranged in a charging device for charging the battery.

Ein erfindungsgemäßes Kraftfahrzeug umfasst eine erfindungsgemäße Vorrichtung und eine Batterie. Die Batterie ist insbesondere als Lithium-Eisenphosphat-Batterie ausgebildet. Dabei ist es insbesondere vorgesehen, dass das Kraftfahrzeug als Personenkraftwagen ausgebildet ist. A motor vehicle according to the invention comprises a device according to the invention and a battery. The battery is designed in particular as a lithium iron phosphate battery. It is provided in particular that the motor vehicle is designed as a passenger car.

Die mit Bezug auf das erfindungsgemäße Verfahren vorgestellten bevorzugten Ausführungsformen und deren Vorteile gelten entsprechend für die erfindungsgemäße Vorrichtung sowie das erfindungsgemäße Kraftfahrzeug. The preferred embodiments presented with reference to the method according to the invention and their advantages apply correspondingly to the device according to the invention and to the motor vehicle according to the invention.

Weitere Merkmale der Erfindung ergeben sich aus den Ansprüchen, den Figuren und der Figurenbeschreibung. Die vorstehend in der Beschreibung genannten Merkmale und Merkmalskombinationen, sowie die nachfolgend in der Figurenbeschreibung genannten und/oder in den Figuren alleine gezeigten Merkmale und Merkmalskombinationen sind nicht nur in der jeweils angegebenen Kombination, sondern auch in anderen Kombinationen oder in Alleinstellung verwendbar, ohne den Rahmen der Erfindung zu verlassen. Further features of the invention will become apparent from the claims, the figures and the description of the figures. The features and feature combinations mentioned above in the description, as well as the features and combinations of features mentioned below in the description of the figures and / or shown alone in the figures, can be used not only in the respectively specified combination but also in other combinations or in isolation, without the frame to leave the invention.

Die Erfindung wird nun anhand von bevorzugten Ausführungsbeispielen sowie unter Bezugnahme auf die beigefügten Zeichnungen näher erläutert. The invention will now be described with reference to preferred embodiments and with reference to the accompanying drawings.

Dabei zeigen: Showing:

1 ein Kraftfahrzeug gemäß einer Ausführungsform der vorliegenden Erfindung, welches eine Vorrichtung zum Bestimmen des Ladezustands einer Batterie aufweist; 1 a motor vehicle according to an embodiment of the present invention, comprising a device for determining the state of charge of a battery;

2 einen Graphen, welche mehrere Impedanzortskurven und einen gemessenen Impedanzwert zeigt; und 2 a graph showing a plurality of impedance loci and a measured impedance value; and

3 eine schematische Darstellung eines künstlichen neuronalen Netzes zur Zuordnung von Impedanzwerten zu einer Ladezustandsklasse. 3 a schematic representation of an artificial neural network for the assignment of impedance values to a state of charge class.

In den Figuren werden gleiche und funktionsgleiche Elemente mit den gleichen Bezugszeichen versehen. In the figures, identical and functionally identical elements are provided with the same reference numerals.

1 zeigt ein Kraftfahrzeug 1 gemäß einer Ausführungsform der vorliegenden Erfindung in einer Draufsicht. Das Kraftfahrzeug 1 umfasst eine Batterie 2, welche insbesondere als Lithium-Eisenphosphat-Batterie ausgebildet ist. Die Batterie 2 dient insbesondere als Traktionsbatterie zur Versorgung eines Antriebs des Kraftfahrzeugs 1 mit elektrischer Energie. 1 shows a motor vehicle 1 according to an embodiment of the present invention in a plan view. The car 1 includes a battery 2 , which is designed in particular as a lithium iron phosphate battery. The battery 2 serves in particular as a traction battery for supplying a drive of the motor vehicle 1 with electrical energy.

Das Kraftfahrzeug 1 umfasst ferner eine Vorrichtung 3 zum Bestimmen eines Ladezustands der Batterie 2. Die Vorrichtung 3 umfasst eine Erfassungseinrichtung 4, mittels welcher ein komplexer Impedanzwert Z der Batterie 2 bestimmt werden kann. Darüber hinaus umfasst die Vorrichtung 3 eine Klassierungseinrichtung 5, mittels welcher der bestimmte Impedanzwert Z einer Ladezustandsklasse von mehreren vorbestimmten Ladezustandsklassen 7 zugeordnet werden kann. Schließlich umfasst die Vorrichtung 3 eine Recheneinrichtung 6, mittels welcher der aktuelle Ladezustand der Batterie 2 auf Grundlage des gemessenen Impedanzwerts Z zu einer der Ladezustandsklassen 7 bestimmt werden kann. The car 1 further comprises a device 3 for determining a state of charge of the battery 2 , The device 3 comprises a detection device 4 , by means of which a complex impedance value Z of the battery 2 can be determined. In addition, the device includes 3 a classifier 5 by which the determined impedance value Z of a state of charge class of a plurality of predetermined state of charge classes 7 can be assigned. Finally, the device includes 3 a computing device 6 , by means of which the current state of charge of the battery 2 based on the measured impedance value Z to one of the state of charge classes 7 can be determined.

Die Klassierungseinrichtung 5 kann eine Nächste-Nachbarn-Klassifikation zum Zuordnen des Impedanzwerts Z zu einer der Ladezustandsklassen 7 verwenden. 2 zeigt einen Graph, welcher mehrere Impedanzortskurven 8, 9 und 10 zeigt. Dabei sind die Impedanzortskurven 8, 9, 10 in Abhängigkeit von einem Realteil Re einem Imaginärteil Im und einer Frequenz f dargestellt. Die jeweiligen Impedanzortskurven 8, 9, 10 wurden für vorbestimmte Ladezustände der Batterie 2 gemessen. Darüber hinaus zeigt der Graph den gemessenen Impedanzwert Z, von dem der Realteil Re, der Imaginärteil Im und die Frequenz f bekannt sind. Dabei definieren die Impedanzortskurven 8, 9, 10 die jeweiligen Ladezustandsklassen 7. Die Ladezustandsklassen 7 können vorliegend beispielhaft die Klassen {c₁}, {c₂} und {c₃} umfassen. Beispielsweise kann die Impedanzortskurve 8 der Klasse {c₁}, die Impedanzortskurve 9 der Klasse {c₂} und die Impedanzortskurve 10 der Klasse {c₃} zugeordnet sein. The classifier 5 may indicate a neighbor neighbor classification for assigning the impedance value Z to one of the state of charge classes 7 use. 2 shows a graph showing several impedance loci 8th . 9 and 10 shows. Here are the impedance loci 8th . 9 . 10 as a function of a real part Re an imaginary part Im and a frequency f. The respective impedance loci 8th . 9 . 10 were for predetermined states of charge of the battery 2 measured. In addition, the graph shows the measured impedance value Z of which the real part Re, the imaginary part Im and the frequency f are known. The impedance loci define this 8th . 9 . 10 the respective charge state classes 7 , The state of charge classes 7 In the present case, examples may include the classes {c ₁ }, {c ₂ } and {c ₃ }. For example, the impedance locus 8th class {c ₁ }, the impedance locus 9 of the class {c ₂ } and the impedance locus 10 be associated with the class {c ₃ }.

Um den Ladezustand der Batterie 2 bzw. einer Zelle der Batterie 2 mit Hilfe der Nächste-Nachbarn-Klassifikation ermitteln zu können, ist der euklidische Abstand d1, d2, d3 zu den jeweiligen Impedanzortskurven 8, 9, 10 zu ermitteln. Dabei beschreibt d1 den euklidischen Abstand zwischen dem Impedanzwert Z und der Impedanzortskurve 8, d2 beschreibt den euklidischen Abstand zwischen dem Impedanzwert Z und der Impedanzortskurve 9 und d3 beschreibt den euklidischen Abstand zwischen dem Impedanzwert Z und der Impedanzortskurve 10. Wie am Beispiel des euklidischen Abstands d3 gezeigt ist, kann der jeweilige euklidische Abstand bezügliche eines Unterschieds d_R des Realteils Re, eines Unterschieds d_I des Imaginärteils Im und eines Unterschieds d_f der Frequenz f bestimmt werden. Insgesamt ist der minimale Abstand d_min der Abstände d1, d2, d3 zu bestimmen. Dieser kann nach folgender Formen bestimmt werden:

To the state of charge of the battery 2 or a cell of the battery 2 With the aid of the nearest neighbor classification, the Euclidean distance d1, d2, d3 is the respective impedance locus 8th . 9 . 10 to investigate. D1 describes the Euclidean distance between the impedance value Z and the impedance locus 8th , d2 describes the Euclidean distance between the impedance value Z and the impedance locus 9 and d3 describes the Euclidean distance between the impedance value Z and the impedance locus 10 , As shown by the example of the Euclidean distance d3, the respective Euclidean distance can be determined with respect to a difference d _{R of} the real part Re, a difference d _{I of} the imaginary part Im and a difference d _{f of} the frequency f. Overall, the minimum distance d _{min of} the distances d1, d2, d3 must be determined. This can be determined according to the following forms:

Dabei beschreibt Z_k die jeweilige Impedanzwerte der Impedanzortskurven 8, 9, 10. Vorliegend soll für eine möglichst effiziente Nutzung des Nächste-Nachbarn-Klassifikators eine Datenvorverarbeitung stattfinden. Hierzu können beispielsweise Daten bzw. Impedanzortskurven 8, 9, 10 verwendet werden, die von einer Batterie 2 im Neuzustand stammen. Grundsätzlich können auch für entsprechende Alterungszustände der Batterie 2 Impedanzortskurven 8, 9, 10 bestimmt werden. Zudem können die Impedanzortskurven 8, 9, 10 für entsprechende Temperaturklassen bestimmt werden. Auf diese Art der Datenvorverarbeitung durch eine Alterungs- und Temperaturklassierung wird die Datenmenge der Testinstanzen verringert und so die Komplexität verringert. Eine Impedanzklassierung für definierte Alterungen und Temperatur wird auf diese Weise durch den euklidischen Abstand d1, d2, d3 von Testinstanz zu Testdatum ermöglicht. Here, Z _{k describes} the respective impedance values of the impedance locus curves 8th . 9 . 10 , In the present case, a data preprocessing should take place for the most efficient use of the next neighbor classifier. For this example, data or impedance loci 8th . 9 . 10 used by a battery 2 come in new condition. Basically, even for appropriate aging conditions of the battery 2 Impedance loci 8th . 9 . 10 be determined. In addition, the impedance loci 8th . 9 . 10 be determined for corresponding temperature classes. This type of data preprocessing through aging and temperature classification reduces the amount of data of the test instances and thus reduces the complexity. An impedance classification for defined aging and temperature is made possible in this way by the Euclidean distance d1, d2, d3 from test instance to test date.

Die Klassierungseinrichtung 5 kann auch ein künstliches neuronales Netz nutzen, um den Ladezustand der Batterie 2 zu bestimmen. 3 zeigt eine schematische Darstellung eines solchen künstlichen neuronalen Netzes, welches zur Zuordnung der Impedanzwerte Z zu den jeweiligen Ladezustandsklassen 7 verwendet wird. Das künstliche neuronale Netz weist eine Eingabeschicht 11 auf, welcher der Realteil Re, der Imaginärteil Im und die Frequenz f des gemessenen Impedanzwerts Z zugeführt werden. Darüber hinaus weist das neuronale Netz eine Ausgabeschicht 12 auf, welche die einzelnen Ladezustandsklassen 7 umfasst. Die Ladezustandsklassen 7 können die Klassen {c₁}, {c₂}, ... {c_n-1} und {c_n} umfassen. Darüber hinaus weist das neuronale Netz eine Zwischenschicht 13 auf, welche aus einer Schicht mit k möglichen Neuronen 14 besteht. The classifier 5 can also use an artificial neural network to control the state of charge of the battery 2 to determine. 3 shows a schematic representation of such an artificial neural network, which for the assignment of the impedance values Z to the respective state of charge classes 7 is used. The artificial neural network has an input layer 11 on which the real part Re, the imaginary part Im and the frequency f of the measured impedance value Z are supplied. In addition, the neural network has an output layer 12 on which the individual state of charge classes 7 includes. The state of charge classes 7 may include the classes {c ₁ }, {c ₂ }, ... {c _n-1 } and {c _n }. In addition, the neural network has an intermediate layer 13 which consists of a layer with k possible neurons 14 consists.

Dieses künstliche neuronale Netz wird nun mit Informationen aus den Ladezustandsklassen 7 angelernt. Hierzu können beispielsweise entsprechende Referenz-Impedanzwerte für bekannte Ladezustandsklassen 7 verwendet werden. Die entsprechenden korrespondierenden Ladezustände der Referenz-Impedanzwerte bilden die Grundalge für die Ausgabeschicht 12. Beispielsweise kann das neuronalen Netz mittels dieser Informationen durch einen Backpropagation-Algorithmus mit Momentum angelernt werden. Hierzu können nach initialer zufälliger Vergabe von Kantengewichten w mit den Trainingsdaten das gesamte Netz schichtweise bis zur Ausgabeschicht 12 berechnet werden. This artificial neural network is now using information from the state of charge classes 7 learned. For example, corresponding reference impedance values for known state of charge classes can be used for this purpose 7 be used. The corresponding corresponding states of charge of the reference impedance values form the basis for the output layer 12 , For example, the neural network can be trained by means of this information through a backpropagation algorithm with momentum. For this purpose, after initial random allocation of edge weights w with the training data, the entire network can be layered to the output layer 12 be calculated.

Die Differenz als Abweichung zwischen der berechneten Ausgabeschicht 12 und den Referenzladezuständen zu den Referenz-Impedanzwerten kann nun als Fehler durch das Netz zurückpropagiert und entsprechend auf die Eingangsschicht 11 zurückgerechnet werden. Durch das Anpassen der Kantengewichte w kann der Fehler minimiert werden. Dies kann beispielsweise mit Hilfe eines Gradientenabstiegsverfahrens durchgeführt werden. Die Optimierung des künstlichen neuronalen Netzes wird über mehrere Trainingsepochen wiederholt, bis das Abbruchkriterium erreicht wird. Das Abbruchkriterium für das Anlernen des künstlichen neuronalen Netzes ist ein minimaler Netzwerkfehler. Auf diese Weise werden die Informationen und Zusammenhänge der Ladezustandsklassen 7 mit deren korrespondierenden Ladezuständen im neuronalen Netz gespeichert. The difference as a deviation between the calculated output layer 12 and the reference charge states to the reference impedance values can now be propagated back through the network as faults and correspondingly to the input layer 11 be recalculated. By adjusting the edge weights w, the error can be minimized. This can be done, for example, by means of a gradient descent method. The optimization of the artificial neural network is repeated over several training epochs until the termination criterion is reached. The abort criterion for training the artificial neural network is a minimal network error. In this way, the information and correlations of the state of charge classes 7 stored with their corresponding states of charge in the neural network.

Nach dem Anlernen des künstlichen neuronalen Netzes durch den Backpropagation-Algorithmus kann mit den nun darin gespeicherten Informationen eine Klassierung von neu gemessenen Impedanzwerten Z durchgeführt werden. Die gespeicherten Kantengewichte w der einzelnen Neuronen 14 dienen nun dazu, bei der schichtweisen Berechnung des Netzes ausgehend von den Informationen des gemessenen Impedanzwerts Z den aktuellen Ladezustand bzw. die aktuelle Ladezustandsklasse 7 in der Ausgabeschicht 12 zu bestimmen. Hierfür können die Informationen der Neuronen 14 in der Eingabeschicht mit ihren entsprechenden Kantengewichten w multipliziert werden und alle Produkte akkumuliert werden. Diese Summe ϕ_aktuell kann nach folgender Formel berechnet werden:

After the artificial neural network has been trained by the backpropagation algorithm, a classification of newly measured impedance values Z can be carried out with the information now stored therein. The stored edge weights w of the individual neurons 14 serve now, in the layer-by-layer calculation of the network based on the information of the measured impedance value Z, the current state of charge or the current state of charge class 7 in the output layer 12 to determine. This can be the information of the neurons 14 in the input layer are multiplied by their respective edge weights w and all products are accumulated. This sum φ _currently can be calculated according to the following formula:

Dabei beschreibt o_Vorgänger einen Funktionswert des Neurons in der Vorgänger-Schicht und w_Neuron beschreibt das Kantengewicht des Neurons 14. Die Summe ϕ_aktuell dient nun der Aktivierungsfunktion als Argument, um so einen aktuellen Funktionswert o_aktuell als Ausgabe des entsprechenden Neurons 14 zu berechnen. Hierzu wird eine Sigmoidfunktion sig der Summe ϕ_aktuell bestimmt:

Here _{predecessor describes} a function value of the neuron in the predecessor layer and w _neuron describes the edge weight of the neuron 14 , The sum φ _currently is now the activation function as an argument, so a current function value o _currently as output of the corresponding neuron 14 to calculate. For this purpose, a sigmoid function sig of the sum φ is _currently determined:

In der Ausgabeschicht 12 wird der Ladezustand dargestellt, in dem die entsprechend zugehörige Ladezustandsklasse 7 das Ergebnis 1 besitzt und alle anderen Ladezustandsklassen 7 den Wert 0 aufweisen. Somit kann der Ladezustand der Batterie 2 und insbesondere der Lithium-Eisenphosphat-Batterie mit geringem Aufwand und zuverlässig bestimmt werden. In the output layer 12 the state of charge is displayed, in which the corresponding associated state of charge class 7 the result 1 owns and all other state of charge classes 7 have the value 0. Thus, the state of charge of the battery 2 and in particular the lithium iron phosphate battery can be determined with little effort and reliably.

ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION

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.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.

Zitierte PatentliteraturCited patent literature

DE 102014014031 A1 [0004]

Claims

Method for determining a state of charge of a battery ( 2 ) for a motor vehicle ( 1 by detecting at least one complex impedance value (Z) of the battery ( 2 ) at a predetermined frequency (f) with a detection device ( 4 ), - assigning the at least one impedance value (Z) to one of a plurality of predetermined state of charge classes ( 7 ) with a classifier ( 5 ), and - determining the state of charge based on the association, characterized by - assigning the impedance value (Z) to the state of charge class ( 7 ) by means of a nearest neighbor classification and / or an artificial neural network.

Method according to Claim 1, characterized in that the assignment is carried out by means of the nearest neighbor classification, the plurality of state classes ( 7 ) by impedance loci ( 8th . 9 . 10 ), each of the impedance loci ( 8th . 9 . 10 ) describes a real part (Re) and an imaginary part (Im) of the impedance as a function of a frequency (f) for predetermined states of charge.

A method according to claim 2, characterized in that a respective distance (d1, d2, d3) of the detected impedance value (Z) to the impedance locus curves ( 8th . 9 . 10 ) and the impedance value (Z) of that impedance locus ( 8th . 9 . 10 ), to which the impedance value (Z) has the smallest distance (d1, d2, d3).

Method according to claim 2 or 3, characterized in that the assignment of the impedance value (Z) to the impedance loci ( 8th . 9 . 10 ) as a function of a temperature and / or a state of aging of the battery ( 2 ) is carried out.

Method according to Claim 1, characterized in that the association is carried out by means of the artificial neural network, an input layer ( 11 ) of the artificial neural network describes a real part (Re), an imaginary part (Im) and the frequency (f) of the impedance value (Z) and an output layer ( 12 ) of the artificial neural network, the plurality of charging state classes ( 7 ) describes.

A method according to claim 5, characterized in that the assignment is carried out by means of the artificial neural network, which with reference impedance values for the plurality of state of charge classes ( 7 ) is trained.

A method according to claim 6, characterized in that in the assignment of the real part (Re), the imaginary part (Im) and the frequency (f) of the impedance value (Z) in the input layer ( 11 ) are respectively multiplied by edge weights (w) determined during training.

Method according to one of the claims, characterized in that the impedance value (Z) in the input layer ( 11 ) exactly one of the charge state classes ( 7 ) in the output layer ( 12 ).

Contraption ( 3 ) for determining a state of charge of a battery ( 2 ) for a motor vehicle ( 1 ) with - a detection device ( 4 ) for detecting at least one complex impedance value (Z) of the battery ( 2 ) at a predetermined frequency (f), - a classifier ( 5 ) for assigning the at least one impedance value (Z) to one of a plurality of predetermined state of charge classes ( 7 ) and - a computing device ( 6 ) for determining the state of charge on the basis of the association, characterized in that - the classification device ( 5 ) is adapted to the assignment of the impedance value (Z) to the state of charge class ( 7 ) by means of a nearest neighbor classification and / or an artificial neural network.

Motor vehicle ( 1 ) with a device ( 3 ) according to claim 9 and with a battery ( 2 ), in particular a lithium iron phosphate battery.