DE102019218591A1

DE102019218591A1 - Verfahren zur Abschätzung des Zustands eines Energiespeichers

Info

Publication number: DE102019218591A1
Application number: DE102019218591.6A
Authority: DE
Inventors: Christoph KROENER; Felix Kleinheinz; Marco Stroebel; Peter Birke
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-11-29
Filing date: 2019-11-29
Publication date: 2021-06-02
Also published as: WO2021105071A1; US20230003805A1; CN114729967A

Abstract

Verfahren zur Abschätzung des Zustands eines Energiespeichers mit mindestens einer elektrochemischen Batteriezelle (12, 14, 16, 18, 20, 22, 24, 26, 28) mittels eines Batteriemanagementsystems (BMS), welches einen Impedanzspektroskopiechip umfasst, mit zumindest nachfolgenden Verfahrensschritten:a) Bestimmung der frequenzabhängigen Impedanz der mindestens einen elektrochemischen Batteriezelle (12, 14, 16, 18, 20, 22, 24, 26, 28) mittels einer in Echtzeit durchgeführten Datensatzaufnahme,b) Trainieren eines künstlichen neuronalen Netzes (60) mit von der Temperatur abhängigen Trainingsspektren als Input und einer Vorgabe für zu jedem Trainingsspektrum gehörenden Temperaturwerten als Output,c) Berücksichtigung einer Batteriezelle-zu-Batteriezelle-Varianz (30) zwischen den elektrochemischen Batteriezellen (12, 14, 16, 18, 20, 22, 24, 26, 28) beim Testen des künstlichen neuronalen Netzes (60) mit während Verfahrensschritt b) ermittelten Gewichtungsfunktionen und Testspektren und Abschätzung der zu den Testspektren gehörenden Temperaturwerten gemäß der in Verfahrensschritt b) ermittelten Gewichtungsfunktionen undd) Abschätzung mindestens eines inneren Zustands (SoC, SoH, Tint) der mindestens einen elektrochemischen Batteriezelle (12, 14, 16, 18, 20, 22, 24, 26, 28) des Energiespeichers mittels des trainierten künstlichen neuronalen Netzes (60).

Description

Technisches Gebiet
Die Erfindung bezieht sich auf ein Verfahren zur Abschätzung des Zustands eines Energiespeichers, insbesondere mindestens einer elektrochemischen Batteriezelle.
Stand der Technik
DE 10 2016 219 621 A1 bezieht sich auf ein Verfahren zum Abgleich von Berechnungsparametern zur Temperaturbestimmung in einem Energiespeicher. Es ist wenigstens ein Batteriemodul vorgesehen, welches mindestens eine Batteriezelle umfasst, insbesondere für ein elektrisch angetriebenes Fahrzeug. Es werden zu vorgegebenen Zeitpunkten folgende Schritte durchgeführt: Es wird ein Zustand erkannt, in dem eine Abhängigkeit des internen Temperaturwerts (T_int) von einem externen Temperaturwert (T_ext), der einer Temperatur außerhalb der wenigstens einen Batteriezelle entspricht, bekannt ist. Es wird ein tatsächlicher interner Temperaturwert des Energiespeichers ermittelt. Es wird ein aktueller Wert (X) einer internen physikalischen Größe des Energiespeichers ermittelt, die in einer bekannten Abhängigkeit von der internen Temperatur (T_int) des Energiespeichers variiert. Es wird ein interner Temperaturwert (T_int) für den Energiespeicher aus dem ermittelten Wert (X) unter Verwendung eines bisherigen Satzes von Berechnungsparametern (f(X)) berechnet. Der tatsächliche interne Temperaturwert wird mit dem berechneten internen Temperaturwert (T_int) verglichen und der Satz von Berechnungsparametern (f(X)) wird angepasst, wenn der berechnete interne Temperaturwert (T_int) vom tatsächlichen internen Temperaturwert abweicht.
US 2018 143 257 A1 bezieht sich auf ein Verfahren zur Analyse von Batterieinformationen. Die Batterieinformationen werden sowohl über passive als auch aktive Datenakquisition ermittelt. Diese Parameter werden mit einem Entscheidungsalgorithmus kombiniert, zur Entwicklung interner Batterieparameter. Analyseprozesse schließen eine Partikelfilteranalyse, eine neuronale Netzwerkanalyse und Autoregressionsverfahren ein zur Analyse der internen Batterieparameter und erlauben eine Batteriezustandskennung. Es werden passive und aktive Messverfahren eingesetzt, die über eine Anzahl verteilter Sensoren aufgenommen werden zur Schätzung oder zur Voraussage des Zustands und der Leistung der elektrochemischen Zellen, Batterien und Batteriesysteme. Es werden drei Operationen durchgeführt, die im Allgemeinen sequentiell abgearbeitet werden, nämlich 1) Zustandsschätzung und Vorhersage interner Batterieparameter basierend auf Beobachtungen und eingebettetem Wissen, 2) Zustandsinterpretation berechneter Parameter und 3) Berechnung einer Zustandsschätzung und Vorhersage. Zur Durchführung wird ein BCM-System, ein Battery Condition Monitory-System, eingesetzt. Das BCM-System führt Trainings- und Lernprozesse durch, die eingebettetes Training, stochastische Optimierung, Wahrscheinlichkeitsverfahren wie Algorithmen einsetzen, zur Schätzung und Vorhersage getroffener und zukünftiger Werte der internen Paramater der unter Beobachtungen stehenden Batterie.
US 2013/069660 A1 bezieht sich auf ein Verfahren zur Schätzung des Zustands eines Systems zur elektrochemischen Speicherung elektrischer Energie, wie beispielsweise einer Batterie. Für verschiedene interne Zustände von Batterien ein und desselben Typs wie die zu analysierende Batterie, werden Impedanzmessungen vorgenommen, wobei ein elektrisches Signal zusätzlich zu dem die Batterien passierenden Strom aufgegeben wird. Es wird ein Schwingkreis genutzt zur Modellierung der Impedanzen. Danach wird ein Verhältnis kalibriert, zwischen dem Ladezustand (SoC) und/oder dem Alterungszustand (SoH) und den Parametern des Schwingkreises mittels statistischer Analyse. Schließlich wird das Verhältnis des äquivalenten elektrischen Schwingkreises, welcher für die Batterie definiert ist, analysiert, zur Schätzung des inneren Zustands dieser Batterie.
Die Bestimmung der Temperatur eines elektrochemischen Energiespeichers, wie beispielsweise Lithiumionenzellen, wird über das Auslesen von im Batteriemanagementsystem (BMS) fest verbauten Temperatursensoren auf der Oberfläche der elektrochemischen Zelle oder in deren Nähe durchgeführt. Die Implementierung eines Temperatursensors in das bestehende Batteriemanagementsystem ist jedoch aufwendig und teuer. Daher verfügen Batteriepacks mit mehreren elektrochemischen Zellen in der Regel aus Kostengründen nur über wenige Temperatursensoren, im Regelfall einen einzigen.
Alternativ stehen den Temperatursensoren parametrierte Temperaturmodelle, beispielsweise basierend auf thermischen Ersatzschaltbildern gegenüber. Derartige Modelle können anhand äußerer Parameter wie Zellenstrom, thermische Masse, thermische Leitfähigkeit und/oder Umgebungstemperatur eine Schätzung der Zelltemperatur der Batteriezelle ermöglichen.
Impedanzbasierte Verfahren zur Temperaturbestimmung vernachlässigen den Effekt der Batteriezelle-zu-Batteriezelle-Varianz und den damit verbundenen Einfluss auf die Schätzgenauigkeit. Die Batteriezelle-zu-Batteriezelle-Varianz beschreibt die Abweichung der jeweiligen Innenwiderstände von baugleichen elektrochemischen Batteriezellen. Eine ungleichmäßige Alterung sowie Herstellungs- und/oder Lagerungsbedingungen von baugleichen elektrochemischen Batteriezellen führen zu einer erhöhten Batteriezelle-zu-Batteriezelle-Varianz. Impedanzbasierte Zustandsschätzer, in diesem Falle Zustandsschätzer für die Temperatur, sollten diesen Einfluss bei der Schätzung abbilden, um die Genauigkeit zu erhöhen.
Offenbarung der Erfindung
Erfindungsgemäß wird ein Verfahren zur Abschätzung des Zustands eines Energiespeichers mit mindestens einer elektrochemischen Batteriezelle mittels eines Batteriemanagementsystems vorgeschlagen, welches einen Impedanzmesschip umfasst, mit zumindest nachfolgenden Verfahrensschritten:

a) Bestimmung der frequenzabhängigen Impedanz der mindestens einen elektrochemischen Batteriezelle mittels einer in Echtzeit durchgeführten Datensatzaufnahme,
b) Trainieren eines künstlichen neuronalen Netzes mit von der Temperatur abhängigen Trainingsspektren als Input und Vorgabe eines zu jedem Trainingsspektrum gehörenden Temperaturwerts als Output,
c) Berücksichtigung einer Batteriezelle-zu-Batteriezelle-Varianz zwischen den elektrochemischen Batteriezellen beim Testen des künstlichen neuronalen Netzes nach Verfahrensschritt b) mit den während Verfahrensschritt b) ermittelten Gewichtungsfunktionen mit Testspektren und Abschätzung der zu den Testspektren gehörenden Temperaturen mit während Verfahrensschritt b) ermittelten Gewichtungsfunktionen,
d) Ermitteln mindestens eines inneren Zustands (SoC, SoH, T_int) der mindestens einen elektrochemischen Batteriezelle des Energiespeichers mittels des trainierten künstlichen neuronalen Netzes beim Testen des trainierten künstlichen neuronalen Netzes gemäß Verfahrensschritt c).

In Weiterbildung des erfindungsgemäß vorgeschlagenen Verfahrens wird der Datensatz gemäß Verfahrensschritt a) dem künstlichen neuronalen Netz an einem Input Layer nach Verfahrensschritt b) als Trainings-Datensatz und ein zugehöriger Temperaturwert als Output vorgegeben, sodass das künstliche neuronale Netz in der Trainingsphase Gewichtungsfunktionen ermittelt.
Beim erfindungsgemäß vorgeschlagenen Verfahren ist dem künstlichen neuronalen Netz zum Datensatz gemäß Verfahrensschritt a) beim Trainieren eine Temperatur der mindestens einen elektrochemischen Batteriezelle als Output bekannt.
Beim erfindungsgemäß vorgeschlagenen Verfahren werden innerhalb eines künstlichen neuronalen Netzes durch einen Trainingsalgorithmus insbesondere mittels eines Fehlerrückführungsverfahrens Gewichtungen mehrerer Knoten so lange parametrisiert, bis sich ein gewünschtes Eingangs-/Ausgangsverhältnis einstellt, d. h. Input-Werte des künstlichen neuronalen Netzes werden jeweils Output-Werten korrekt zugeordnet.
In Weiterbildung des erfindungsgemäß vorgeschlagenen Verfahrens wird das künstliche neuronale Netz mit mindestens einem Input Layer, mindestens einem Hidden Layer und mindestens einem Output Layer mit mindestens einem Knoten versehen. Die gemäß Verfahrensschritt a) erhaltenen Datensätze des Input Layers werden dem künstlichen neuronalen Netzes aufgegeben, wobei am Output Layer die Ausgabe des mindestens einen inneren Zustands SoC, SoH, T_int der mindestens einen elektrochemischen Batteriezelle erfolgt, die durch das künstliche neuronale Netz beim Testen abgeschätzt wurde.
Beim erfindungsgemäß vorgeschlagenen Verfahren werden Datensätze von Impedanzdaten im Frequenzbereich zwischen 0,1 Hz und 10 kHz zum Trainieren gemäß Verfahrensschritt b) aufgenommen und aus den Impedanzdaten werden Realteile und Imaginärteile berechnet, die gemäß Verfahrensschritt b) zum Trainieren an das künstliche neuronale Netz übergeben werden.
Beim erfindungsgemäß vorgeschlagenen Verfahren ist das künstliche neuronale Netz derart aufgebaut, dass gemäß Verfahrensschritt b) im Input Layer eine Anzahl von Knoten vorgegeben ist, die einer Stützzahl von Messfrequenzen im Frequenzbereich während der Datenaufnahme entspricht.
In mindestens einem Hidden Layer des im Rahmen des erfindungsgemäß vorgeschlagenen Verfahrens eingesetzten künstlichen neuronalen Netzes sind bis zu 15 Knoten angeordnet, zum Schätzen von Temperaturen mittels ermittelter Impedanzdatensätze.
Die Erfindung betrifft darüber hinaus die Verwendung des Verfahrens zur Abschätzung des inneren Zustands beziehungsweise eines inneren Zustandsparameters eines Energiespeichers (SoC, SoH, T_int), insbesondere einen mindestens eine Lithium-Ionen-Batteriezelle aufweisenden Batteriespeicher in elektrisch angetriebenen Fahrzeugen.
Vorteile der Erfindung
Durch die erfindungsgemäß vorgeschlagene Lösung, ist es unter Verwendung mobiler Impedanzspektroskopie möglich, für jede einzelne Batteriezelle eines Batteriepacks eine innere Zelltemperatur zuverlässiger zu schätzen. Dadurch kann die Anzahl notwendiger fest verbauter Temperatursensoren auf ein Minimum reduziert werden, was zur Reduzierung der Kosten eines Batteriepacks führt. Die nunmehr vorliegende genauere Information über eine innere Batteriezellentemperatur kann in vorteilhafter Weise für die Implementation von Sicherheitsfunktionen, so zum Beispiel ein Abschalten der Batterie aufgrund hoher thermischer Belastung und/oder als Eingangsgröße für genauere Zellalterungsmodelle genutzt werden. Es ist nunmehr eine genauere Abschätzung einer restlichen verbleibenden Nutzungszeit möglich. Durch das erfindungsgemäß vorgeschlagene Verfahren kann eine genauere Ermittlung der mittleren inneren Zelltemperatur einer elektrochemischen Batteriezelle erreicht werden. Dies ist bisher nur über die Implementierung eines Temperatursensors in das Innere einer Batteriezelle möglich. Bei derzeitigen Lösungen kann die Temperatur einer Batteriezelle lediglich über einen Temperatursensor auf der Oberfläche der Batteriezelle oder mithilfe einer Abschätzung über den Widerstand über ein Kennfeld ermittelt werden. Die für diese Ermittlungsverfahren erforderliche Parametrierung ist einerseits aufwendig und beansprucht andererseits eine längere Messzeit, die bei Einsatz des erfindungsgemäß vorgeschlagenen Verfahrens nunmehr eingespart werden kann.
Beim erfindungsgemäß vorgeschlagenen Verfahren kann durch Anlernen, d. h. Trainieren eines künstlichen neuronalen Netzes, mit großen Datenmengen, insbesondere Impedanzdatenmengen, eine Batteriezelle-zu-Batteriezelle-Varianz im künstlichen neuronalen Netz zur Zustandsschätzung des Energiespeichers mit berücksichtigt werden. Die Batteriezelle-zu-Batteriezelle-Varianz einer elektrochemischen Batteriezelle beschreibt die Unterschiede hinsichtlich charakteristischer Zellgrößen wie beispielsweise Innenwiderstand und/oder Zellkapazität, die durch ungleichmäßige Herstellung und/oder Lieferung und/oder Lagerung hervorgerufen werden können. Diese Effekte verstärken sich bei einer ungleichmäßigen Alterung der Batteriezellen.
Das erfindungsgemäß vorgeschlagene Verfahren erlaubt eine zuverlässigere Schätzung weiterer innerer Zustände wie einen Alterungszustand (SoH ≙ State of Health) und einen Ladezustand (SoC ≙ State of Charge). Aus den vorliegenden Impedanzdaten, die einen frequenzabhängigen Widerstand der elektrochemischen Batteriezellen widerspiegeln, können weitere Zustände ermittelt werden. Beispielsweise kann eine aufgenommene Impedanzkurve für elektrochemische Batteriezellen einzelnen Batteriezuständen (SoC, SoH) zugeordnet werden. Dadurch besteht eine Anknüpfungsmöglichkeit für die Nutzung zentraler Recheneinheiten, beim Cloud-Computing zur Auswertung vernetzter Fahrzeuge mit installierter Impedanzsensorik, die im Idealfall in das Batteriemanagementsystem integriert ist.
Die Schätzung des SoH (SoH ≙ State of Health) ist mit den bisher eingesetzten Methoden relativ ungenau und sehr aufwendig. Durch das erfindungsgemäß vorgeschlagene Verfahren kann eine Schätzung herbeigeführt werden, die für die Batteriezellen im Ruhezustand des Fahrzeugs den SoH einfacher bestimmt. Des Weiteren kann durch die erfindungsgemäß vorgeschlagene Lösung das künstliche neuronale Netz über Cloud-Updates auf die alternden Batteriezellen angepasst werden. Dadurch wird auch die Genauigkeit bei der Temperaturschätzung und der SoC-Schätzung (SoC ≙ State of Charge) in einfacher Weise angepasst. Dadurch wiederum wird die Genauigkeit, die sich bei der Temperaturschätzung und bei der SoC-Schätzung erreichen lässt, deutlich verbessert.
Figurenliste
Anhand der Zeichnungen wird die Erfindung nachstehend eingehender beschrieben.
Es zeigen:

1 eine schematische Darstellung einer Batteriezelle-zu-Batteriezelle-Varianz für mehrere baugleiche Batteriezellen,
2 eine beispielhafte Netzstruktur eines künstlichen neuronalen Netzes für die Temperaturschätzung mithilfe von Impedanzdaten und
3 eine Schätzgenauigkeit für eine innere Zelltemperatur für drei verwendete Batteriezellen unter Last in einem Frequenzbereich zwischen 0,1 Hz bis 10 kHz.

Ausführungsformen der Erfindung
In der nachfolgenden Beschreibung der Ausführungsformen der Erfindung werden gleiche oder ähnliche Elemente mit gleichen Bezugszeichen bezeichnet, wobei auf eine wiederholte Beschreibung dieser Elemente in Einzelfällen verzichtet wird. Die Figuren stellen den Gegenstand der Erfindung nur schematisch dar.
1 zeigt eine Batteriezelle-zu-Batteriezelle-Varianz 30 für mehrere baugleiche Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28. In der Darstellung gemäß 1 sind in einem Nyquist-Plot 10 Impedanzdaten für eine erste Batteriezelle 12, eine zweite Batteriezelle 14, eine dritte Batteriezelle 16, eine vierte Batteriezelle 18, eine fünfte Batteriezelle 20, eine sechste Batteriezelle 22, eine siebte Batteriezelle 24, eine achte Batteriezelle 26 sowie eine neunte Batteriezelle 28 aufgetragen.
Im Nyquist-Plot 10 gemäß 1 ist auf einer x-Achse ein Realteil 48 (Z_real in mΩ) aufgetragen, während auf der y-Achse ein Imaginärteil 50 (Z_imag in mΩ) der entsprechenden Impedanzwerte aufgetragen ist.
Bei den hier einander gegenübergestellten Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 handelt es sich beispielsweise um Lithium-Eisen-Phosphat(LFeP)-Zellen. Es können im Rahmen des Nyquist-Plots 10 auch andere elektrochemische Systemzellen, d. h. andere Lithium-Ionen-Batteriezellen, untersucht werden. Der Nyquist-Plot 10 kann für alle Impedanzspektren Verwendung finden, unabhängig von dem, was untersucht wird. Er selbst hat mit den hier einander gegenüber gestellten Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 nichts zu tun und ist lediglich eine Darstellungsform, die es ermöglicht, Zusammenhänge zu veranschaulichen. Die erfindungsgemäß vorgeschlagene Methodik unter Nutzung eines künstlichen neuronalen Netzes 60 erlaubt eine Anwendung auf alle elektrochemischen Zellen, die die unterschiedlichsten chemischen Zusammensetzungen aufweisen können. Aus dieser Vielfalt beschreiben Lithium-Ionen-Batteriezellen lediglich einen kleinen Ausschnitt.
Im Nyquist-Plot 10 gemäß 1 sind demnach verschiedene Batteriezelle-zu-Batteriezelle-Varianzen 30 aufgenommen. Diese werden einem künstlichen neuronalen Netz 60 (vgl. Darstellung gemäß 2) zum Anlernen beziehungsweise Trainieren aufgegeben. In der Trainingsphase, in der zum Beispiel zu den Eingangsspektren gehörende Temperaturen als Output-Werte vorgegeben werden, ermittelt das künstliche neuronale Netz 60 Gewichtungsfunktionen. Das künstliche neuronale Netz 60 passt während der Trainingsphase die internen Parameter, d. h. die Gewichtungsfunktionen, so an, dass bei Verarbeitung der Inputdaten mit dem künstlichen neuronalen Netz 60 ein berechneter Wert mit dem zuvor vorgegebenen Output-Wert weitestgehend übereinstimmt. In der Testphase hingegen sind die Rechenparameter innerhalb des künstlichen neuronalen Netzes 60 festgesetzt. Somit können im künstlichen neuronalen Netz 60 Inputdaten aufgegeben werden und diese werden innerhalb des künstlichen neuronalen Netzes 60 so verarbeitet, was im Rahmen von Rechenoperationen erfolgt, dass ein Output-Wert erreicht wird, der zum Beispiel mit einer recht hohen Genauigkeit die tatsächliche Temperatur einer Batteriezelle 12, 14, 16, 18, 20, 22, 24, 26, 28 angibt.
Wie aus dem Nyquist-Plot 10 gemäß 1 des Weiteren hervorgeht, sind jeweils für die neun Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 die Impedanzdaten aufgenommen, die sich bei acht unterschiedlichen Temperaturwerten einstellen. So liegt beispielsweise eine erste Temperatur 32 bei -10 °C, eine zweite Temperatur 34 bei 0 °C, eine dritte Temperatur 36 bei 10 °C, während eine vierte Temperatur 38 bei 20 °C (etwa Raumtemperatur) liegt. Des Weiteren sind im Nyquist-Plot 10 gemäß 1 eine fünfte Temperatur 40 aufgetragen, die bei 30 °C liegt, ferner eine sechste Temperatur 42, die 40 °C entspricht, eine siebte Temperatur 44, die 50 °C entspricht, sowie schließlich eine achte Temperatur 46, die 60 °C entspricht. Aus der Darstellung gemäß dem Nyquist-Plot 10 in 1 geht hervor, dass die Streuung der Zelldaten, d. h. die Batteriezelle-zu-Batteriezelle-Varianz 30, nicht unerheblich ist.
Demzufolge verringert sich mit ansteigender Temperatur der Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 der Innenwiderstand aufgrund schneller ablaufender elektrochemischer Reaktionen an den Elektroden, dem Elektrolyten sowie an deren Grenzflächen. Der in 1 als Nyquist-Plot 10 dargestellte Datensatz wird einem künstlichen neuronalen Netz 60 gemäß 2 aufgegeben.
Der Darstellung in 2 ist eine Netzarchitektur für ein künstliches neuronales Netz 60 zur Schätzung der Temperatur mithilfe von Impedanzdaten zu entnehmen. Ein Eingangsvektor 62 umfasst Impedanzdaten als Realteil 48 Re_Z und/oder Imaginärteil 50 Im_Z. Hier könnten auch andere Daten verwendet werden, wie die Impedanz und die Phase, die aus Real- und Imaginärteil 48 beziehungsweise 50 berechnet werden können. Ein Hidden Layer 70 kann beispielsweise bis zu 15 Neuronen umfassen und erlernt mithilfe von Impedanztrainingsdaten ein Muster zur Temperaturvorhersage. Es könnten jedoch auch andere Netzarchitekturen Einsatz finden, die mehrere Hidden Layer 70 umfassen, in denen jeweils mehr als 15 Knoten 72 ausgeführt sind. Neben der Temperatur können auch weitere Zustände wie der Ladezustand (SoC) sowie ein Alterungszustand (SoH) geschätzt werden.
Wie aus 2 hervorgeht, umfasst das in dieser Figur dargestellte künstliche neuronale Netz 60 einen Input Layer 64, der eine Anzahl von Knoten 66 enthält. In der in 2 dargestellten Netzarchitektur sind die Knoten 66 des Input Layers 64 durch N₁₁, N₁₂, N₁₃, N₁₄, ... N_12n identifiziert.
Ein Eingangsvektor 62, der dem Input Layer 64 des künstlichen neuronalen Netzes 60 gemäß der Darstellung in 2 aufgegeben wird, ist durch einzelne Impedanzdaten, beziehungsweise zum Beispiel deren Imaginär- und Realteile 50 beziehungsweise 48, wiedergegeben, so zum Beispiel Z_Re(f1), Z_Im(f1), die den Knoten 66 N₁₁ beziehungsweise N₁₂ aufgegeben werden, ferner beispielsweise Z_Re(f2), Z_Im(f2), die beide den Knoten 66 N₁₃ und N₁₄ aufgegeben werden, und so fort. Aus der in 2 dargestellten Netzarchitektur geht hervor, dass die einzelnen Knoten 66 des Input Layers 64 über Kanten 68 beispielsweise mit dem Hidden Layer 70 verbunden sind. Der mindestens eine Hidden Layer 70, der Teil des künstlichen neuronalen Netzes 60 ist, umfasst ebenfalls mehrere Knoten 72 identifiziert als N₂₁, N₂₂, N₂₃, N₂₄, ... N_22n. Um den einzelnen Knoten 72 des mindestens einen Hidden Layers 70 wiederrum laufen Kanten 74 zu einem Output Layer 76. In dem in 2 dargestellten Output Layer 76 befindet sich lediglich ein Knoten 78, identifiziert als N₃₁. Dieser liefert einen Output, d. h. eine innere Zelltemperatur am Ausgang, d. h. den Schätzwert 80 T_int der jeweiligen Batteriezelle 12, 14, 16, 18, 20, 22, 24, 26, 28.
Werden beispielsweise die obenstehend erwähnten neun Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 untersucht, indem deren elektrochemische Impedanzspektren aufgenommen werden und gleichzeitig damit über einen gesonderten Sensor deren Zelltemperatur erfasst wird, wird zur Durchführung der Trainingsphase des künstlichen neuronalen Netzes 60 beispielsweise für sieben der neun Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 der ermittelte Datensatz, d. h. das elektrochemische Impedanzspektrum, als Input sowie die jeweilige Temperatur als Output an das künstliche neuronale Netz 60 übergeben. Dies bedeutet, dass nunmehr zur Durchführung der Trainingsphase am künstlichen neuronalen Netz 60 jeweilige Datensätze in Form von Impedanzspektren als Input samt Temperaturen für eine Batteriezelle 12, 14, 16, 18, 20, 22, 24, 26, 28 als Output für eine jede von sieben ausgewählten der insgesamt neun Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 an das künstliche neuronale Netz 60 übergeben werden. Diesem wird demnach mitgeteilt, dass die jeweiligen Impedanzspektren den Input darstellen und der jeweilige Output-Wert der zugehörigen Temperatur entspricht und diesen Wert annehmen muss. Nunmehr erfolgen Rechenoperationen innerhalb des künstlichen neuronalen Netzes 60, welches während der Trainingsphase interne Gewichtungsfunktionen derart ermittelt, dass nach einer mathematischen Verarbeitung der Inputdaten unter Berücksichtigung ermittelter Netzgewichtungsfunktionen der Output-Wert erscheint. Wenn die Gewichtungsfunktionen innerhalb des künstlichen neuronalen Netzes 60 so gut sind, dass der Output-Wert getroffen wird, erfolgt eine Speicherung derselben.
In der sich anschließenden Testphase des künstlichen neuronalen Netzes 60 werden nun die Datensätze der zwei noch verbliebenen der insgesamt neun Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 eingesetzt. Dabei werden dem künstlichen neuronalen Netz 60 lediglich die Impedanzspektren als Input übergeben. Diese werden nun mit den zuvor während der Trainingsphase ermittelten und anschließend gespeicherten Gewichtungsfunktionen mathematisch verarbeitet und am Ende wird ein Output-Wert abgeschätzt. Dieser Output-Wert gibt im Rahmen der Testphase des künstlichen neuronalen Netzes 60 die von diesem geschätzte Temperatur der jeweiligen Batteriezelle 12, 14, 16, 18, 20, 22, 24, 26, 28 wieder. Diese geschätzte Temperatur für die jeweiligen Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 wird am Ende mit der tatsächlich gemessenen Temperatur dieser beiden Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 verglichen, vgl. Darstellung gemäß 3.
Dem in einer Netzarchitektur gemäß 2 ausgeführten künstlichen neuronalen Netz 60 werden die Daten gemäß 1 zum Trainieren von beispielsweise sieben der neun Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 und zum Testen die Daten beziehungsweise Impedanzspektren von zwei der neun Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 im Rahmen des Eingangsvektors 62 am Input Layer 64 aufgegeben. Zu diesem Datensatz, d. h. den Impedanzspektren, ist dem künstlichen neuronalen Netz 60 die entsprechende Temperatur als Output-Wert bekannt. Der Datensatz des Eingangsvektors 62 wird dem Input Layer 64 des in 2 dargestellten künstlichen neuronalen Netzes 60 im Rahmen beispielsweise einer Feedforward-Struktur als Trainingsdaten oder Lerndaten aufgegeben. Unter Feedforward ist im vorliegenden Zusammenhang zu verstehen, dass auf der Inputseite, d. h. auf dem Input Layer 64 des künstlichen neuronalen Netzes 60 Input in die Funktion beziehungsweise das künstliche neuronale Netz 60 eingeht und ein Output, der am Output Layer 76 beziehungsweise am Knoten 78 entsteht, berechnet wird. Innerhalb des künstlichen neuronalen Netzes 60 passen sich Gewichtungen einzelner Neuronen im künstlichen neuronalen Netz 60 so lange an, bis ein gewünschtes Eingangs- zu Ausgangsverhältnis vorliegt. Dies erfolgt innerhalb eines Trainingsalgorithmus'. Im Trainingsalgorithmus des künstlichen neuronalen Netzes 60 wird im Rahmen einer Fehlerrückführung oder Rückpropagierung ein Fehler minimiert, bis ein gewünschtes Eingangs- zu Ausgangsverhältnis vorliegt. Am Input Layer 64 liegen die Impedanzdaten der Impedanzmessung als Eingangsvektor 62 vor. Die Anzahl von der im Input Layer 64 enthaltenen Knoten 66 ist unter anderen Faktoren abhängig von der verwendeten Stützzahl der Messfrequenzen im Frequenzbereich. Am Output Layer 76 sitzt im vorliegenden Beispiel für das künstliche neuronale Netz 60 ein Knoten 78, welcher eine geschätzte Temperatur T_int der aufgenommenen Impedanzmessung wiedergibt. Die Anzahl der Schichten zwischen dem Input Layer 64 und dem Output Layer 76 kann variieren, abhängig von der Anzahl dazwischen liegender Hidden Layer 70. Diese kann mindestens 1 betragen und entsprechend der verwendeten Eingangsdaten optimiert werden.
Unter Laborbedingungen aufgenommene Impedanzdaten trainieren das künstliche neuronale Netz 60. Dem trainierten künstlichen neuronalen Netz 60 können nun neue unbekannte Messdaten präsentiert werden. Diese werden in der Testphase des künstlichen neuronalen Netzes 60 benutzt. In dieser werden Output-Werte abgeschätzt, wobei in der Trainingsphase ermittelte, optimierte und gewichtete Gewichtungsfunktionen benutzt werden.
Zur Temperaturschätzung im Wege der Impedanzspektroskopie unter Last ist eine Abschätzung des Einflusses eines Laststroms notwendig. Für Temperaturen oberhalb von 0 °C hat sich herausgestellt, dass ein Frequenzbereich für die Messung von 0,1 Hz bis 10 kHz zu einem vernachlässigbaren Fehler führt.
3 zeigt eine Darstellung einer Schätzgenauigkeit 84 für eine innere Zelltemperatur für dort dargestellte verwendete Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 unter Last innerhalb eines Frequenzbereichs von 0,1 Hz bis 10 kHz.
In der Darstellung gemäß 3 ist der Verlauf der Schätzgenauigkeit 84 für eine innere Zelltemperatur für drei verwendete der insgesamt neun Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 unter Last innerhalb eines Frequenzbereichs von 0,1 Hz bis 10 kHz aufgenommen. Der Temperaturverlauf 82 erstreckt sich von -10 °C bis ca. 40 °C. Die einzelnen Werte für die Schätzgenauigkeit 84 sind für einen ersten Laststrom 86 durch ein Kreuz sowie für einen zweiten Laststrom 88 durch einen Kreis angedeutet. Aus der Darstellung gemäß 3 ergibt sich ein zu erwartender Fehler der Temperaturschätzung der inneren Zelltemperatur T_int unter Berücksichtigung der Batteriezelle-zu-Batteriezelle-Varianz 30. Ein überlagerter Gleichstrom als künstliche Last führt zu einem Temperaturfehler < 8°C. Der Fehlerbereich wird hauptsächlich durch die Zellstreuung, d. h. die Batteriezelle-zu-Batteriezelle-Varianz 30 definiert, da Vergleichsmessungen ohne Laststrom 86, 88 in etwa der gleichen Größenordnung liegen.
Aus der Darstellung gemäß 3 lässt sich beispielsweise ablesen, wie groß ein Fehler einer Temperaturschätzung bei verschiedenen Temperaturen für verschiedene Batteriezellen 12, 14, 16, 18, 20, 22, 24, 26, 28 unter unterschiedlichen Belastungen ist. Beispielsweise markiert auf der x-Achse die Temperatur von 20 °C den höchsten Punkt. Verglichen mit der y-Achse sagt dies aus, dass bei der Temperaturschätzung ein Fehler von +4 °C entstanden ist. Dies bedeutet, dass das künstliche neuronale Netz 60 eine Temperatur von 24 °C vorhergesagt hat, obwohl die tatsächliche Temperatur nur 20 °C betragen hat, demnach ein Fehler von +4 °C aufgetreten ist. Die Aussage von 3 ist, dass für verschiedene tatsächliche Temperaturen mit dem künstlichen neuronalen Netz 60 über die Impedanzspektren jeweils eine Temperatur für eine Batteriezelle 12, 14, 16, 18, 20, 22, 24, 26, 28 geschätzt werden kann und dass die Abweichung, d. h. der Fehler (y-Achse) die Schätzgenauigkeit 84 für die geschätzte Temperatur nur wenige Grad Celsius von der tatsächlichen Temperatur beträgt (x-Achse).
Die erfindungsgemäß vorgeschlagene Lösung kann in vorteilhafter Weise bei Energiespeichersystemen eingesetzt werden, welche über elektrochemische Batteriezellen verfügen, insbesondere Lithium-Ionen-Batteriezellen. In besonders vorteilhafter Weise kann das diesem Energiespeichersystem zugeordnete Batteriemanagementsystem einen Impedanzmesschip verwenden. Ferner kann das erfindungsgemäß vorgeschlagene Verfahren bei Energiespeichersystemen eingesetzt werden, bei denen eine Information über die Zelltemperatur der Batteriezelle 12, 14, 16, 18, 20, 22, 24, 26, 28 erforderlich ist und keine Temperatursensoren verfügbar sind. Es können Batteriemanagementsysteme mit dem erfindungsgemäß vorgeschlagenen Verfahren ausgerüstet werden, die insbesondere bei Plug-In-Hybriden, bei Hybrid-Fahrzeugen sowie bei Elektrofahrzeugen zum Einsatz kommen sowie insbesondere in Zukunft zu erwarten stehende Batteriemanagementsysteme entsprechend nachgerüstet beziehungsweise vorbereitet werden.
Die Erfindung ist nicht auf die hier beschriebenen Ausführungsbeispiele und die darin hervorgehobenen Aspekte beschränkt. Vielmehr ist innerhalb des durch die Ansprüche angegebenen Bereichs eine Vielzahl von Abwandlungen möglich, die im Rahmen fachmännischen Handelns liegen.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

DE 102016219621 A1 [0002]
US 2018143257 A1 [0003]
US 2013069660 A1 [0004]

Claims

Verfahren zur Abschätzung des Zustands eines Energiespeichers mit mindestens einer elektrochemischen Batteriezelle (12, 14, 16, 18, 20, 22, 24, 26, 28) mittels eines Batteriemanagementsystems (BMS), welches einen Impedanzspektroskopiechip umfasst, mit zumindest nachfolgenden Verfahrensschritten: a) Bestimmung der frequenzabhängigen Impedanz der mindestens einen elektrochemischen Batteriezelle (12, 14, 16, 18, 20, 22, 24, 26, 28) mittels einer in Echtzeit durchgeführten Datensatzaufnahme, b) Trainieren eines künstlichen neuronalen Netzes (60) mit von der Temperatur abhängigen Trainingsspektren als Input und einer Vorgabe eines zu jedem Trainingsspektrum gehörenden Temperaturwerts als Output, c) Berücksichtigung einer Batteriezelle-zu-Batteriezelle-Varianz (30) zwischen den elektrochemischen Batteriezellen (12, 14, 16, 18, 20, 22, 24, 26, 28) beim Testen des künstlichen neuronalen Netzes (60) mit während Verfahrensschritt b) ermittelten Gewichtungsfunktionen und Testspektren und Abschätzung der zu den Testspektren gehörenden Temperaturwerten gemäß der in Verfahrensschritt b) ermittelten Gewichtungsfunktionen und d) Abschätzung mindestens eines inneren Zustands (SoC, SoH, T_int) der mindestens einen elektrochemischen Batteriezelle (12, 14, 16, 18, 20, 22, 24, 26, 28) des Energiespeichers mittels des trainierten künstlichen neuronalen Netzes (60).
Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass der Datensatz gemäß Verfahrensschritt a) dem künstlichen neuronalen Netz (60) an einem Input Layer (64) gemäß Verfahrensschritt b) als Trainingsdatensatz aufgegeben, ein Temperaturwert als Output übergeben wird und in der Trainingsphase gemäß Verfahrensschritt b) Gewichtungsfunktionen ermittelt, optimiert und gespeichert werden.
Verfahren gemäß Anspruch 3, dadurch gekennzeichnet, dass dem künstlichen neuronalen Netz (60) zu dem Datensatz gemäß Verfahrensschritt a) die Temperatur der mindestens einen elektrochemischen Batteriezelle (12, 14, 16, 18, 20, 22, 24, 26, 28) bekannt ist.
Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass innerhalb des künstlichen neuronalen Netzes (60) durch einen Trainingsalgorithmus, insbesondere durch ein Fehlerrückführungsverfahren, Gewichtungen mehrerer Knoten (66, 72, 78) so lange parametrisiert werden, bis sich ein gewünschtes Eingangs-/Ausgangsverhältnis einstellt und Input-Werte des künstlichen neuronalen Netzes (60) Output-Werten korrekt zugeordnet werden.
Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass das künstliche neuronale Netz (60) mit einem Input Layer (64) mindestens einem Hidden Layer (70) und einem Output Layer (76) mit mindestens einem Knoten (66, 72, 78) versehen wird.
Verfahren gemäß Anspruch 6, dadurch gekennzeichnet, dass die gemäß Verfahrensschritt a) ermittelten Datensätze an dem Input Layer (64) dem künstlichen neuronalen Netz (60) aufgegeben werden.
Verfahren gemäß Anspruch 6, dadurch gekennzeichnet, dass im Output Layer (76) die Ausgabe des mindestens einen inneren Zustands (SoC, SoH, T_int) der mindestens einen elektrochemischen Batteriezelle (12, 14, 16, 18, 20, 22, 24, 26, 28) vorgenommen wird.
Verfahren gemäß Anspruch 6, dadurch gekennzeichnet, dass dem Input Layer (64) des künstlichen neuronalen Netzes (60) die Datensätze gemäß Verfahrensschritt a) als Eingangsvektor (62) mindestens eine durch Impedanzspektroskopie ermittelte Größe übergeben wird.
Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass dem künstlichen neuronalen Netz (60) Datensätze von Impedanzdaten im Frequenzbereich zwischen 0,1 Hz und 10 kHz zum Trainieren des künstlichen neuronalen Netzes (60) gemäß Verfahrensschritt b) aufgegeben werden.
Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass im künstlichen neuronalen Netz (60) gemäß Verfahrensschritt b) im Input Layer (64) eine Anzahl von Knoten (66) vorgesehen ist, die einer Stützzahl von Messfrequenzen im Frequenzbereich während der Datenaufnahme entspricht.
Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass in Hidden Layer (70) des künstlichen neuronalen Netzes (60) bis zu 15 Knoten (72) angeordnet werden, zum Erlernen von Temperaturvoraussagen mittels gemessener Impedanzdatensätze.
Verfahren gemäß Anspruch 1, dadurch gekennzeichnet, dass zur Temperaturabschätzung durch Impedanzmessung eine Abschätzung des Einflusses mindestens eines Laststroms (86, 88) oder eines Laststroms (86) von 0 A vorgenommen wird.
Verwendung des Verfahrens gemäß einem der vorstehenden Ansprüche zur Abschätzung des inneren Zustands (SoC, SoH, T_int) eines Energiespeichers, insbesondere eines mindestens eine Lithium-Ionen-Batteriezelle aufweisenden Energiespeichers, in elektrisch angetriebenen Fahrzeugen.