DE102020100668B4

DE102020100668B4 - Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen

Info

Publication number: DE102020100668B4
Application number: DE102020100668.3A
Authority: DE
Inventors: Michael Baumann
Original assignee: Twaice Technologies GmbH
Current assignee: Twaice Technologies GmbH
Priority date: 2020-01-14
Filing date: 2020-01-14
Publication date: 2021-07-22
Anticipated expiration: 2040-01-15
Also published as: DE102020100668A1; US20230059529A1; WO2021143983A1; EP4090986A1

Abstract

Verschiedene Beispiele betreffen Techniken, um in einem zweistufigen Prozess eine Charakterisierung einer wiederaufladbaren Batterie vorzunehmen. Dazu wird ein vorgelagerte Algorithmus verwendet, um ein oder mehrere abgeleitete Zustandsgrößen der Batterie zu bestimmen. Diese dienen dann als Eingangsgrößen für einen Maschinen-gelernten Algorithmus. Daraus wird ein Alterungswert der Batterie erhalten.

Description

TECHNISCHES GEBIET
Verschiedene Beispiele der Erfindung betreffen im Allgemeinen Techniken zur Charakterisierung von wiederaufladbaren Batterien. Insbesondere betreffen verschiedene Beispiele der Erfindungstechniken, um einen Alterungswert der wiederaufladbaren Batterie unter Verwendung von mindestens einem Maschinengelernten (ML) Algorithmus zu bestimmen.
HINTERGRUND
Wiederaufladbare Batterien, beispielsweise Traktions-Batterien von Elektrofahrzeugen, weisen eine begrenzte Lebensdauer auf. Dies bedeutet, dass ein Alterungswert über der Zeit und/oder als Funktion der Entladungszyklen zunehmen kann. Der Alterungswert kann durch einen sogenannten Gesundheitszustand (SOH) charakterisiert sein. Der SOH ist typischerweise im Zusammenhang mit der Kapazität und/oder der Impedanz von Batteriezellen der Batterie bestimmt.
Bei fortschreitender Alterung der Batterie kann es zu Einschränkungen im Zusammenhang mit dem Betrieb eines entsprechenden Batterie-getriebenen Geräts als Last der wiederaufladbaren Batterie kommen. Deshalb gibt es Bestrebungen, den Alterungswert der Batterie besonders genau zu bestimmen.
Es sind zum Beispiel Techniken bekannt, um mittels einer vollständigen Entladung die Gesamtkapazität der Batterie als Alterungswert zu bestimmen. Eine weitere Technik misst beispielsweise die Platten-Korrosion oder die Elektrolyt-Dichte der Batterie. Noch eine weitere Technik bringt Meßfühler in die Batterie ein, um beispielsweise den Zellwiderstand zu messen. Relative Techniken führen eine teilweise Entladung durch und vergleichen das Ergebnis mit einem Zellmodell oder einer Referenzzelle. Dazu kann zum Beispiel ein Kalman-Filter eingesetzt werden. Sh. etwa Plett, Gregory L. „Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 2. Modeling and identification." Journal of power sources 134.2 (2004): 262-276.
Eine Technik zur Bestimmung des Alterungswerts verwendet einen ML Algorithmus, um basierend auf Messdaten etwa für die elektrische Spannung, die als Eingangsgrößen für den ML Algorithmus dienen, den Alterungswert zu bestimmen. Es wurde beobachtet, dass solche Techniken manchmal ungenaue Ergebnisse für den Alterungswert liefern.
Ferner beschreibt US 2020 / 0 011 932 A1 ein Batteriekapazitätsfadingmodell mit Deep Learning, US 2016 / 0 239 592 A1 ein datengesteuertes Batteriealterungsmodell mit statistischer Analyse und künstlicher Intelligenz und DE 10 2004 004 280 B4 ein Verfahren zur Diagnose von Batterien.
KURZE BESCHREIBUNG DER ERFINDUNG
Deshalb besteht ein Bedarf für verbesserte Techniken, um einen Alterungswert für eine wiederaufladbare Batterie zu bestimmen, insbesondere unter Verwendung von mindestens einem ML Algorithmus. Insbesondere besteht ein Bedarf für Techniken, die es ermöglichen, den Alterungswert besonders genau und zuverlässig für unterschiedlichste Batterietypen zu bestimmen.
Diese Aufgabe wird von den Merkmalen der unabhängigen Patentansprüche gelöst. Die Merkmale der abhängigen Patentansprüche definieren Ausführungsformen.
Ein Computer-implementiertes Verfahren zum Bestimmen eines Alterungswerts einer wiederaufladbaren Batterie umfasst das Erhalten von Messdaten für ein oder mehrere Zustandsgrößen der Batterie. Das Verfahren umfasst das Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen der Batterie unter Verwendung eines vorgelagerten Algorithmus. Dabei umfassen Eingangswerte des vorgelagerten Algorithmus die ein oder mehreren Zustandsgrößen. Außerdem umfasst das Verfahren das Bestimmen des Alterungswerts unter Verwendung von mindestens einem ML Algorithmus. Dabei umfassen Eingangswerte des mindestens einen ML Algorithmus die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie.
Ein Computerprogramm oder ein Computerprogrammprodukt oder ein computerlesbares Speichermedium umfasst Programmcode. Der Programmcode kann von einem Prozessor geladen und ausgeführt werden. Wenn der Programmcode von dem Prozessor ausgeführt wird, bewirkt dies, dass der Prozessor ein Verfahren zum Bestimmen eines Alterungswerts einer wiederaufladbaren Batterie ausführt. Das Verfahren umfasst das Erhalten von Messdaten für ein oder mehrere Zustandsgrößen der Batterie; sowie das Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen der Batterie unter Verwendung eines vorgelagerten Algorithmus. Dabei umfassen Eingangswerte des Algorithmus die ein oder mehreren Zustandsgrößen. Das Verfahren umfasst ferner das Bestimmen des Alterungswerts unter Verwendung von mindestens einem ML Algorithmus. Dabei umfassen Eingangswerte des mindestens einen ML Algorithmus die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie.
Ein Gerät umfasst einen Prozessor, der eingerichtet ist, um Programmcodes zu laden und auszuführen. Wenn der Prozessor den Programmcode ausführt, bewirkt dies, dass der Prozessor ein Verfahren zum Bestimmen eines Alterungswerts einer wiederaufladbaren Batterie ausführt. Dieses Verfahren umfasst das Erhalten von Messdaten für ein oder mehrere Zustandsgrößen der Batterie; das Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen der Batterie unter Verwendung eines vorgelagerten Algorithmus. Die Eingangswerte des vorgelagerten Algorithmus umfassen dabei die ein oder mehreren Zustandsgrößen. Das Verfahren umfasst ferner das Bestimmen des Alterungswerts unter Verwendung von mindestens einem ML Algorithmus. Die Eingangswerte des mindestens einen ML Algorithmus umfassen dabei die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie.
Die oben dargelegten Merkmale, sowie Merkmale, die nachfolgend beschrieben werden, können nicht nur in den entsprechenden explizit dargelegten Kombinationen verwendet werden, sondern auch in weiteren Kombinationen oder isoliert, ohne den Schutzumfang der vorliegenden Erfindung zu verlassen.
Figurenliste

1 illustriert schematisch ein System, umfassend mehrere Batterien und einen Server gemäß verschiedenen Beispielen.
2 illustriert Details einer Batterie gemäß verschiedenen Beispielen.
3 illustriert Details eines Servers gemäß verschiedenen Beispielen.
4 ist ein Flussdiagramm eines beispielhaften Verfahrens.
5 ist ein Flussdiagramm eines beispielhaften Verfahrens.
6 illustriert den Datenfluss zum Bestimmen eines Alterungswerts mittels mehrerer Algorithmen gemäß verschiedenen Beispielen.
7 illustriert schematisch Messdaten, die Zustandsgrößen einer Batterie in Form eines Lastkollektivs indizieren, gemäß verschiedenen Beispielen.
8 illustriert schematisch Messdaten, die eine Zustandsgröße der Batterie in Form einer Ereignis-bezogenen Darstellung indizieren, gemäß verschiedenen Beispielen.
9 illustriert schematisch eine Zeitreihe von Messdaten gemäß verschiedenen Beispielen.

DETAILLIERTE BESCHREIBUNG VON AUSFÜHRUNGSFORMEN
Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung der Ausführungsbeispiele, die im Zusammenhang mit den Zeichnungen näher erläutert werden.
Nachfolgend wird die vorliegende Erfindung anhand bevorzugter Ausführungsformen unter Bezugnahme auf die Zeichnungen näher erläutert. In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder ähnliche Elemente. Die Figuren sind schematische Repräsentationen verschiedener Ausführungsformen der Erfindung. In den Figuren dargestellte Elemente sind nicht notwendigerweise maßstabsgetreu dargestellt. Vielmehr sind die verschiedenen in den Figuren dargestellten Elemente derart wiedergegeben, dass ihre Funktion und genereller Zweck dem Fachmann verständlich wird. In den Figuren dargestellte Verbindungen und Kopplungen zwischen funktionellen Einheiten und Elementen können auch als indirekte Verbindung oder Kopplung implementiert werden. Eine Verbindung oder Kopplung kann drahtgebunden oder drahtlos implementiert sein. Funktionale Einheiten können als Hardware, Software oder eine Kombination aus Hardware und Software implementiert werden.
Nachfolgend werden Techniken im Zusammenhang mit der Charakterisierung von wiederaufladbaren Batterien beschrieben. Die hierin beschriebenen Techniken können im Zusammenhang mit unterschiedlichsten Typen von Batterien eingesetzt werden, beispielsweise im Zusammenhang mit Batterien auf Lithium-Ionen-Basis, wie z.B. Lithium-Nickel-Mangan-Kobaltoxid-Batterien oder Lithium-Manganoxid-Batterien.
Die hierin beschriebenen Batterien können für Batterien in unterschiedlichen Anwendungsszenarien eingesetzt werden, beispielsweise für Batterien die in Geräten wie Kraftfahrzeugen oder Drohnen oder tragbaren elektronischen Geräten wie etwa Mobilfunkgeräte eingesetzt werden. Es wäre auch denkbar, die hierin beschriebenen Batterien in Form von stationären Energiespeichern einzusetzen. Innenraum- oder Außenraumanwendungen sind denkbar, die sich vor allem hinsichtlich der Temperaturbereiche unterscheiden. Anwendungsszenarien umfassen: stationärer Energiespeicher in einem Mikrostromnetz; Energiespeicher für mobile Anwendungen; Niederlastenergiespeicher; Energiespeicher für Leichtelektrofahrzeuge wie z.B. Fahrräder oder Roller; Energiespeicher für Elektropersonenkraftwagen; Innenraumanwendung; und Außenraumanwendung.
Die hierin beschriebenen Techniken ermöglichen es, im Zusammenhang mit der Charakterisierung der Batterie einen Alterungswert der Batterie zu ermitteln. Der Alterungswert korreliert mit der Alterung der wiederaufladbaren Batterie. Der Alterungswert kann die Qualität der Batterie beschreiben (und könnte deshalb auch als Q-Wert bezeichnet werden). Der Alterungswert kann z.B. größere Werte annehmen, je weiter die Alterung der Batterie fortgeschritten ist. Der Alterungswert kann mit dem SOH korrelieren oder diesem entsprechen. Der Alterungswert kann zum Beispiel eine Zunahme des Widerstands bzw. der Impedanz der Batterie quantifizieren. Der Alterungswert kann zum Beispiel die Abnahme der Gesamtkapazität der Batterie quantifizieren.
Gemäß verschiedenen hierin beschriebenen Beispielen ist es möglich, dass der Alterungswert unter Verwendung von mindestens einem ML Algorithmus bestimmt wird. Ein ML Algorithmus ist dadurch charakterisiert, dass in einer Lernphase Parameterwerte von Parametern des ML Algorithmus mittels eines geeigneten Trainings gesetzt werden. Das Training erfolgt automatisiert und basiert dabei auf Trainingsdaten. Im vorliegenden Beispiel können die Trainingsdaten Referenz-Zustandsgrößen der Batterie umfassen, sowie a-priori-Wissen (engl. ground truth) über den jeweils zugehörigen Alterungswert. Dann können im Rahmen des Trainings die Parameterwerte des ML Algorithmus so angepasst werden, dass, ausgehend von den Referenz-Zustandsgrößen der Trainingsdaten, der ML Algorithmus einen Alterungswert bestimmt, der besonders gut mit dem zugehörigen Referenz-Alterungswert übereinstimmt. Dies bedeutet also, dass mittels des ML Algorithmus eine Dimensionalitätsreduktion vorgenommen werden kann, die die ein oder mehreren Zustandsgrößen auf einen entsprechenden Alterungswert abbildet. Beispiele für ML Algorithmen umfassen zum Beispiel: künstliche neuronale Netze (KNNs); genetische Algorithmen; Supportvektormaschinen; etc.
KNNs können z.B. als mehrschichtiges Feedforward Netzwerk ausgebildet sein, bei denen die Neuronen der verschiedenen Schichten keine Schleifen ausbilden. Ein Beispiel eines solchen mehrschichtigen feedforward KNNs ist ein Convolutional Neural Network, bei dem in zumindest einigen Schichten Faltungen der Werte der Neuronen mit einem Kernel durchgeführt werden. Auch Pooling-Schichten oder Nichtlineare Schichten können vorgesehen sein. Es wäre aber auch möglich, rekurrente KNNs zu verwenden, etwa um eine Zeitreihe zu berücksichtigen.
Verschiedene Beispiele der hierin beschriebenen Techniken beruhen auf der Erkenntnis, dass Referenztechniken zur Bestimmung des Alterungswerts der Batterie mittels eines ML Algorithmus bestimmte Einschränkungen aufweisen können. So wurde zum Beispiel beobachtet, dass oftmals eine sehr große Anzahl an Messdaten für ein oder mehrere Zustandsgrößen der Batterie als Eingangsgrößen für den ML Algorithmus benötigt wird, um eine hinreichende Genauigkeit zu erzielen. Beispielsweise können ansonsten Unterschiede von Batterie zu Batterie - auch für Batterien des nominell selben Typs, zum Beispiel aufgrund von baulich bedingten Variationen - dazu führen, dass der Alterungswert nur mit einer gewissen Ungenauigkeit bestimmt werden kann. Eine weitere Einschränkung bekannter Techniken betrifft die Lernphase. Hier kann es oftmals erforderlich sein, eine große Anzahl von Trainingsdaten zu verwenden, um eine ausreichende Genauigkeit beim Bestimmen des Alterungswert zu erhalten.
Um solche und andere Einschränkungen der Referenztechniken zu beheben, kann es gemäß verschiedenen Beispielen möglich sein, einen zweistufigen Ansatz im Zusammenhang mit der Bestimmung des Alterungswert zu verwenden. In einer ersten Stufe werden ein oder mehrere abgeleitete Zustandsgrößen der Batterie bestimmt; die ein oder mehreren abgeleiteten Zustandsgrößen werden dabei basierend auf Messdaten für ein oder mehrere Zustandsgrößen der Batterie bestimmt. Diese Bestimmung der ein oder mehreren abgeleiteten Zustandsgrößen kann unter Verwendung eines vorgelagerten Algorithmus, dessen Eingangswerte die ein oder mehreren Zustandsgrößen umfassen, erfolgen. In einer zweiten Stufe erfolgt dann das Bestimmen des Alterungswerts unter Verwendung von mindestens einem ML Algorithmus. Dabei beinhalten die Eingangswerte des mindestens einen ML Algorithmus die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie.
Die Messdaten können durch ein oder mehrere Sensoren erfasst werden. Beispielsweise könnten Strom-Messsensoren, Spannungs-Messsensoren, Temperatursensoren, Drucksensoren, Verspannungssensoren, Feuchtigkeitssensoren, etc. verwendet werden. Die Messdaten können von einem Managementsystem der Batterie erhalten werden. Die Messdaten können zeitaufgelöst die ein oder mehreren Zustände quantifizieren. Alternativ oder zusätzlich wäre es denkbar, dass die Messdaten als sogenanntes Lastkollektiv bereitgestellt werden: dabei wird die Häufigkeit des Auftretens von Werten der Zustandsgröße quantifiziert, zum Beispiel für zwei oder mehr Zustandsgrößen relativ zueinander oder auch in Bezug auf eine absolute Referenz (z.B. eine Zeitreferenz oder eine Lade/Entlade-Zyklusreferenz). Das bedeutet, dass die als Lastkollektiv bereitgestellten Messdaten zum Beispiel den Bruchteil der Betriebszeit oder der Betriebszyklen indizieren könnte, in denen bestimmte Wertekombinationen für mehrere Zustandsgrößen im Betrieb auftreten. Das Lastkollektiv kann insbesondere Stressfaktoren indizieren, d.h. solche Zustandsgrößen, die besonders relevant sind für die Alterung. Das Lastkollektiv kann also ein Belastungsprofil der Batterie beschreiben. Schließlich wäre es - alternativ oder zusätzlich zu einer Implementierung der Messdaten als zeitaufgelöste Wertereihe und/oder als Lastkollektiv - denkbar, dass die Messdaten die ein oder mehreren Zustandsgrößen Ereignis-bezogen indizieren. Dies bedeutet, dass die Messdaten die ein oder mehreren Zustandsgrößen in Abhängigkeit von ein oder mehreren vorgegebenen Ereigniskriterien indizieren könnten. Nimmt beispielsweise mindestens eine der ein oder mehreren Zustandsgrößen einen vorgegebenen Wert oder Wertebereich an, dann könnte das Kriterium für das Vorliegen eines Ereignisses erfüllt sein. In diesem Fall könnten die Messdaten für einen bestimmten Zeitausschnitt die entsprechende mindestens eine Zustandsgröße oder auch ein oder mehrere weitere Zustandsgrößen zeitaufgelöst indizieren, rund um das Ereignis herum. Es wäre aber auch möglich, dass die Messdaten lediglich das Vorliegen eines entsprechenden Ereignisses, beispielsweise Versehen mit einem entsprechenden Zeitstempel, indizieren (ohne weitere Details zu den Zustandsgrößen aufzulösen).
Es wäre möglich, dass die Messdaten für ein Messzeitintervall erhalten werden. Das Messzeitintervall kann sich vom gegenwärtigen Zeitpunkt in die Vergangenheit erstrecken, zum Beispiel für eine bestimmte vorgegebene Messzeitdauer. Das Messzeitintervall könnte zum Beispiel mittels eines Schiebefensterverfahrens bestimmt werden, das heißt mit fortschreitender Zeit laufend aktualisiert werden und nachgeführt werden. Dadurch können jeweils aktuelle Messdaten erhalten werden, die den gegenwärtigen Zustand der Batterie gut beschreiben. Insbesondere kann eine Charakterisierung der Batterien im laufenden Feldbetrieb möglich sein, zum Beispiel in dem die Messdaten über eine Kommunikationsverbindung von einem Managementsystem der Batterie empfangen werden.
In verschiedenen Beispielen wäre es möglich, dass die Messdaten eine Zeitreihe für die mindestens eine Zustandsgröße umfassen. Die Zeitreihe kann beispielsweise das Messzeitintervall abdecken. Beispielsweise wäre es möglich, dass die Messdaten die zeitliche Entwicklung von Werten der mindestens einen Zustandsgröße beschreiben. Beispielsweise könnte die zeitliche Entwicklung von Strom-, Spannung- oder Temperaturwerten mit einer gewissen Abtastrate erhalten werden. Es wäre aber auch möglich, dass die zeitliche Abhängigkeit von Lastkollektiven im Rahmen der Messdaten indiziert wird. Das bedeutet, dass zum Beispiel eine Zeitreihe von Lastkollektiven für unterschiedliche Zeitpunkte erhalten wird. Derart kann eine Veränderung der Häufigkeit des Auftretens von Werten der Zustandsgrößen beschrieben werden. Auch im Zusammenhang mit Ereignis-bezogenen Messdaten kann eine Zeitreihe bereitgestellt werden. Beispielsweise könnte die Häufigkeit von bestimmten Ereignissen zeitaufgelöst indiziert werden, d. h. es könnte angegeben werden, wie oft in einem bestimmten Zeitintervall ein bestimmtes Ereignis aufgetreten ist.
Es wäre denkbar, dass die ein oder mehreren Zustandsgrößen ausgewählt sind aus folgender Gruppe: elektrischer Stromfluss; elektrische Spannung; Temperatur; Feuchtigkeit; Umgebungsdruck; Verspannung; usw. Die ein oder mehreren Zustandsgrößen können auch als direkt beobachtbare Zustandsgrößen der Batterie bezeichnet werden, weil diese durch die Messdaten indiziert werden können, d.h. von z.B. Sensoren gemessen werden können.
Wie obenstehend beschrieben, ist es dann möglich, unter Verwendung eines vorgelagerten Algorithmus ein oder mehrere abgeleitete Zustandsgrößen der Batterie zu bestimmen. Dies bedeutet, dass die ein oder mehreren abgeleiteten Zustandsgrößen auch als versteckte Observablen bezeichnet werden können, weil diese nicht direkt durch entsprechende Sensoren gemessen werden können. Der vorgelagerte Algorithmus kann als Abbildung implementiert sein, die die ein oder mehreren Zustandsgrößen auf die ein oder mehreren abgeleiteten Zustandsgrößen abbildet.
Wenn die Messdaten eine Zeitreihe der mindestens einen Zustandsgröße umfassen, dann ist es auch möglich, dass eine Zeitreihe der ein oder mehreren abgeleiteten Zustandsgrößen unter Verwendung des vorgelagerten Algorithmus bestimmt wird. Beispielsweise könnte der vorgelagerte Algorithmus wiederholt ausgeführt werden, nämlich für jeden Zeitpunkt der Zeitreihe einmal. Derart wird eine Zeitreihe von abgeleiteten Zustandsgrößen erhalten. Es wären aber auch vorgelagerte Algorithmen denkbar, die als Eingangsgröße direkt die Zeitreihe einer oder mehrere Zustandsgrößen empfangen und daraus eine einzelne abgeleitete Zustandsgröße, etwa zum Ist-Zeitpunkt, bestimmen.
Es wäre auch möglich, dass der vorgelagerte Algorithmus eine Vorhersage für die ein oder mehreren abgeleiteten Zustandsgrößen bereitstellt. Zum Beispiel wäre es denkbar, dass die ein oder mehreren Zustandsgrößen für ein oder mehrere Zeitpunkte im Messzeitintervall erhalten werden. Dann könnte mittels des vorgelagerten Algorithmus eine Vorhersage gemacht werden, beispielsweise unter Berücksichtigung eines historischen Betriebsprofils der Batterie. Diese Vorhersage für die ein oder mehreren abgeleiteten Zustandsgrößen könnte dann dem ML Algorithmus als Eingabe übergeben werden, sodass dieser auch eine Vorhersage für den Alterungswert (auf Grundlage der Vorhersage für die ein oder mehreren abgeleiteten Zustandsgrößen) bestimmt.
Als allgemeine Regel können unterschiedliche vorgelagerte Algorithmen im Zusammenhang mit den hierin beschriebenen Techniken eingesetzt werden. (i) Zum Beispiel könnte ein analytischer Algorithmus verwendet werden, der eine feste Abbildung umsetzt. Der analytische Algorithmus könnte Parameterwerte aufweisen, die zum Beispiel empirisch bestimmt werden, zum Beispiel anhand von Labormessungen. (ii) Es könnte auch ein numerischer Algorithmus verwendet werden, zum Beispiel im Zusammenhang mit einer Simulation des elektrischen und/oder thermischen Zustands der Batterie. Beispielsweise könnte eine finite Elemente Methodik eingesetzt werden. (iii) Der vorgelagerte Algorithmus kann insbesondere in manchen Beispielen kein ML einsetzen und sich dadurch vom nachgelagerten mindestens einen ML Algorithmus abgrenzen. Im Gegensatz zu dem ML Algorithmus kann eine Lernphase für den vorgelagerten Algorithmus entfallen, d.h. dass insbesondere kein Maschinen-implementiertes automatisches Training auf Grundlage von Trainingsdaten für den vorgelagerten Algorithmus vorgesehen ist. Ein händisches Parametrieren des Algorithmus ist möglich. (iv) Es könnte z.B. ein Kalmanfilter verwendet werden, um den vorgelagerten Algorithmus zu implementieren. Der Kalmanfilter kann ein Zellmodell von Batteriezellen umfassen. Das Zellmodell kann eine Abhängigkeit von den ein oder mehreren abgeleiteten Zustandsgrößen aufweisen. Es ist dann möglich, die ein oder mehreren abgeleiteten Zustandsgrößen mittels des Kalmanfilters zu bestimmen, indem die Werte der ein oder mehreren abgeleiteten Zustandsgrößen des Kalmanfilter-Modells solange angepasst werden, bist der Wert der modellierten Zustandsgröße gut übereinstimmt mit dem Wert der beobachteten Zustandsgröße. (v) Der vorgelagerte Algorithmus könnte auch eine Simulation verwenden. Dabei könnte zum Beispiel ein Belastungsprofil der Batterie verwendet werden, um die Entwicklung der ein oder mehreren abgeleiteten Zustandsgrößen in der Zukunft abzuschätzen - d. h. unter der Annahme, dass das beobachtete Belastungsprofil in der Vergangenheit auch in der Zukunft für diese Batterie vorliegt. Das Belastungsprofil könnte zum Beispiel im Allgemeinen Größen beschreiben wie: Entladerate; Entladetiefe; usw. Das Belastungsprofil kann erhalten werden aus den ein oder mehreren Zustandsgrößen oder das Belastungsprofil kann direkt in Form der Messdaten erhalten werden, etwa als Lastkollektiv.
Im Allgemeinen wäre es möglich, dass mehr als ein einzelner vorgelagerter Algorithmus verwendet wird, etwa eine Kombination aus den o.g. Beispielen. Dadurch wäre es denkbar, mehr als eine abgeleitete Zustandsgröße zu bestimmen. Verschiedene vorgelagerte Algorithmen können dabei zumindest teilweise auf Messdaten zurückgreifen, die unterschiedliche Zustandsgrößen der Batterie betreffen.
In verschiedenen Beispielen ist es denkbar, dass jeweils mindestens eine abgeleitete Zustandsgröße der ein oder mehreren abgeleiteten Zustandsgrößen eine Korrelation mit einem jeweiligen Alterungsmechanismus der Batterie aufweist. Insbesondere wäre es möglich, dass eine zeitliche Entwicklung einer oder mehrerer der mindestens einen abgeleiteten Zustandsgröße eine Korrelation mit einem jeweiligen Alterungsmechanismus oder einer zeitlichen Entwicklung des jeweiligen Alterungsmechanismus der Batterie aufweist.
Als allgemeine Regel können wiederaufladbare Batterien einer Vielzahl von Alterungsmechanismen ausgesetzt sein. Alterungsmechanismen können durch physikalische und/oder chemische Prozesse bewirkt werden. Alterungsmechanismen können zum Beispiel für den Verlust eines aktiven negativen Elektrodenmaterials, den Verlust eines aktiven positiven Elektrodenmaterials oder für den Verlust von zwischen positiver und negativer Elektrode ausgetauschten Ionen (d.h. im Fall von Lithiumionenbatterien dem Verlust von Lithium) verantwortlich sein. Verschiedene Alterungsmechanismen sind zum Beispiel beschrieben in Birkl, Christoph R., et al. „Degradation diagnostics for lithium ion cells." Journal of Power Sources 341 (2017): 373-386: 3, zweite Spalte von links. Weil die ein oder mehreren abgeleiteten Zustandsgrößen mit den Alterungsmechanismen korrelieren, kann es möglich sein, dass der mindestens eine ML Algorithmus ein oder mehrere Alterungsmechanismen quantifiziert. Wenn der ML Algorithmus mehrere Alterungsmechanismen quantifiziert, kann der Alterungswert basierend auf einer Kombination von Werten für die mehreren Alterungsmechanismen, die als Ausgabewert vom mindestens einen ML Algorithmus erhalten werden, bestimmt werden.
Solche ein oder mehreren Alterungsmechanismen können im Allgemeinen ausgewählt sein aus folgender Gruppe: Lithiumablagerung an Elektroden von Zellen der Batterie; Ausbildung und Wachstum einer Festkörper-Elektrolyt-Zwischenphase (engl. solid electrolyte interphase) oder elektronischer Kontaktverlust etwa durch Partikelbruch. Für Lithium-Ionenbatterien ist die Ablagerung von Lithium und die Ausbildung von entsprechenden Dendriten ein wesentlicher Alterungsmechanismus.
Mittels der hierin beschriebenen Techniken ist es insbesondere möglich, mehrere solche Alterungsmechanismen bei der Charakterisierung der Batterie zu berücksichtigen und dadurch einen besonders genauen Alterungswert zu bestimmen.
In manchen Beispielen kann eine zeitliche Entwicklung solcher Alterungsmechanismen berücksichtigt werden. Derart kann zum Beispiel eine Vorhersage für den Alterungswert der Batterie getroffen werden, die die zeitliche Entwicklung der ein oder mehreren Alterungsmechanismen berücksichtigt.
Beispielsweise kann ein ML Algorithmus verwendet werden, der eine zeitliche Vorhersage auf Grundlage der zeitlichen Entwicklung der ein oder mehreren abgeleiteten Zustandsgrößen treffen kann. Das bedeutet, dass der ML Algorithmus eine entsprechende Zeitreihe von Werten der ein oder mehreren abgeleiteten Zustandsgrößen als Eingabe empfangen kann. Beispiele umfassen ein rekurrentes künstliches neuronales Netz, etwa ein Long short-term memory (LSTM) Netzwerk.
Dabei wäre es in manchen Beispielen denkbar, dass mehrere ML Algorithmen verwendet werden. Diese können dann unterschiedlichen Alterungsmechanismen zugeordnet sein. Das bedeutet, dass verschiedene ML Algorithmen Werte ausgeben, die verschiedene Alterungsmechanismen quantifizieren. Entsprechend ist es möglich, dass die verschiedenen ML Algorithmen unterschiedliche abgeleitete Zustandsgrößen als Eingangsgröße erhalten. Die mehreren ML Algorithmen können also parallelgeschaltet sein. Eine solche Technik kann den Vorteil aufweisen, dass die Komplexität und der Umfang jedes einzelnen ML Algorithmus begrenzt sein kann, insbesondere im Vergleich zu einem Szenario, bei welchem ein einzelner ML Algorithmus eine Vielzahl von Alterungsmechanismen quantifiziert. Dadurch kann es möglich sein, jeden einzelnen ML Algorithmus besonders genau zu trainieren und damit insgesamt den Alterungswert der Batterie besonders genau zu bestimmen.
Außerdem kann es möglich sein, für die Quantifizierung unterschiedlicher Alterungsmechanismen unterschiedliche Typen von ML Algorithmen einzusetzen. Zum Beispiel könnte ein support vector machine (SVM) zur Quantifizierung eines ersten Alterungsmechanismus verwendet werden und ein künstliches neuronales Netzwerk für die Quantifizierung eines zweiten Alterungsmechanismus verwendet werden. Solchen Techniken liegt die Erkenntnis zugrunde, dass oftmals - beispielsweise in Abhängigkeit von der Art der Eingangsgröße - unterschiedliche ML Algorithmen besonders effizient und genau arbeiten können.
Als Nächstes werden einige konkrete Beispiele im Zusammenhang mit den ein oder mehreren abgeleiteten Zustandsgrößen beschrieben, die als Eingangswerte für den ML-Algorithmus verwendet werden können.
Beispielsweise wäre es möglich, dass die ein oder mehreren abgeleiteten Zustandsgrößen ein Anodenpotenzial mindestens einer Zelle der Batterie und/oder ein Kathodenpotenzial der mindestens einen Zelle der Batterie und/oder ein Verhältnis des Anodenpotenzials und des Kathodenpotenzials zueinander beinhalten.
Beispielsweise ist das Anodenpotenzial indikativ für den Alterungsmechanismus der Lithiumablagerung (engl. Lithium-Plating). Hierbei könnte der vorgelagerte Algorithmus zum Beispiel durch eine Simulation gemäß Ecker, Madeleine. Lithium Plating in Lithium-Ion Batteries: An Experimental and Simulation Approach. Shaker Verlag, 2016, Kapitel 5.2 implementiert werden. Das Anodenpotenzial für Lithium-Ionen-Batterien korreliert mit der Lithium-Ablagerung. Die Lithium-Ablagerung bewirkt typischerweise eine plötzliche bzw. nichtlineare Alterung, d.h. ein Abknicken der Kapazität der Batterie als Funktion der Ladungszyklen bzw. der Betriebsdauer. Oftmals kann eine solche nichtlineare Alterung nicht oder nur begrenzt durch einen ML Algorithmus erfasst werden, der lediglich die direkt beobachtbaren Zustandsgrößen als Eingangswerte erhält. Typischerweise müsste nämlich in einem solchen Fall eine große Anzahl von Trainingsdaten berücksichtigt werden. Deshalb kann durch die beschriebenen Techniken der Alterungswert besonders genau bestimmt werden.
Das Verhältnis des Anodenpotenzials und des Kathodenpotenzials zueinander wird auch als Elektroden-Balancing bezeichnet. Es wurde festgestellt, dass dieses Verhältnis indikativ für die Alterung der Batterie ist. Nimmt beispielsweise der Anodenüberhang aufgrund von Alterung ab, so verschiebt sich die Potentiallage der Elektroden. Daraus ergibt sich ein anderes Elektroden-Balancing.
In einem weiteren Beispiel können die ein oder mehreren abgeleiteten Zustandsgrößen ein differenzielles Spannungsspektrum und/oder ein differenzielles Kapazitätsspektrum einer Entladungskurve - beispielsweise bei kleinen Stromflüssen - mindestens eine Zelle der Batterie umfassen. Eine solche Technik wird oftmals auch als differentielle Spannungsanalyse (engl. differential voltage analysis, DVA) bezeichnet.
Die DVA entspricht einer Analyse der Spannungskennlinie einer Batteriezelle bei einer Entladung mit konstantem Stromfluss. Alternativ oder zusätzlich könnte aber auch die Aufladung mit konstantem Ladestromfluss betrachtet werden. Zum Beispiel könnte die Änderung der Spannung für veränderliche Ladungszustände als Funktion des Ladezustands aufgetragen werden. Es könnte auch die Veränderung des Ladungszustands für veränderliche Spannungen über dem Ladungszustand aufgetragen werden. Siehe zum Beispiel Keil, Peter. Aging of lithium-ion batteries in electric vehicles. Diss. Technische Universität München, 2017: 16. Anhand einer DVA ist es möglich, den Verlust von Kathodenmaterial - beispielsweise von Lithium - und den Verlust von Anodenmaterial als ein oder mehrere abgeleitete Zustandsgrößen und somit als Eingangswerte für den mindestens einen ML Algorithmus zu bestimmen (engl. loss of Li inventory, LLI; sowie loss of anode material, LAM). Beispielsweise wäre es möglich, im Rahmen der DVA die Lage und/oder die Höhe von lokalen Maxima der jeweiligen charakteristischen Kurve, wie voranstehend beschrieben, bestimmt werden und als Eingangswert für den mindestens einen ML Algorithmus verwendet werden. Eine korrelierte Zunahme von LLI und LAM kann korrelieren mit dem Alterungsmechanismus Lithium-Plating.
Ferner könnten die ein oder mehreren abgeleiteten Zustandsgrößen eine mechanische Verspannung mindestens einer Zelle der Batterie umfassen. Es sind beispielsweise Algorithmen bekannt, die als Funktion der Temperatur, des Ladungszustands und/oder der Lade-/Entladerate die Ausdehnung der Batteriezellen beschreiben. Siehe zum Beispiel Oh, Ki-Yong und Bogdan I. Epureanu. „A novel thermal swelling model for a rechargeable lithium-ion battery cell." Journal of Power Sources 303 (2016): 86-96 und Oh, Ki-Yong, et al. „A novel phenomenological multiphysics model of Li-ion battery cells." Journal of Power Sources 326 (2016): 447-458. Mechanische Verspannung als weitere abgeleitete Zustandsgröße kann auch durch verschiedene Alterungsmechanismen hervorgerufen werden, insbesondere Verdickung der Batterie durch thermisches Anschwellen. Die Dickenzunahme durch Alterung kann also durch SEI-Wachstum und/oder Lithium-Ablagerung und irreversible Elektrodenarbeit entstehen. Durch die Bestimmung der mechanischen Verspannung kann daher die Quantifizierung mehrerer Alterungsmechanismen erfolgen.
Die ein oder mehreren abgeleiteten Zustandsgrößen könnten auch eine Leerlaufspannung (OCV) mindestens einer Zelle der Batterie umfassen. Der vorgelagerte Algorithmus könnte dabei zum Beispiel analytisch implementiert werden und die Messdaten könnten Ereignis-bezogen erhalten werden, wenn zum Beispiel eine bestimmte Pausephase/Ruhezeit für die Batterie erreicht ist. Dann ist die Spannung indikativ für eine Leerlaufspannung ohne Last.
In einem weiteren Beispiel können die ein oder mehreren abgeleiteten Zustandsgrößen ein Lastkollektiv umfassen, das durch einen vorgelagerten Algorithmus auf Grundlage der Messdaten bestimmt wird (in anderen Beispielen wäre es aber auch möglich, dass das Lastkollektiv in Form der Messdaten erhalten wird; d.h. das Lastkollektiv könnte lokal bei den Batterien bestimmt werden, was die benötigte Übertragungsdatenmenge begrenzt).
Aus der voranstehenden Beschreibung ist ersichtlich, dass durch die Verwendung von ein oder mehreren vorgelagerten Algorithmen unterschiedliche abgeleitete Zustandsgrößen flexibel bestimmt werden können. Dies kann ausgenutzt werden, um besonders umfassende Information betreffend den Zustand der Batterie zu erhalten. Dann kann im Rahmen der zweiten Stufe durch den mindestens einen ML Algorithmus der Alterungswert der Batterie besonders genau bestimmt werden.
1 illustriert Aspekte im Zusammenhang mit einem System 80. Das System 80 umfasst einen Server 81, der mit einer Datenbank 82 verbunden ist. Außerdem umfasst das System 80 Kommunikationsverbindungen 49 zwischen dem Server 81 und jeder von mehreren Batterien 91-96. Die Kommunikationsverbindungen 49 könnten zum Beispiel über ein Mobilfunknetzwerk implementiert werden. Beispielsweise können die Batterien 91-96 ein Ensemble bilden, d.h. alle vom gleichen Typ sein.
In 1 ist beispielhaft illustriert, dass die Batterien 91-96 über die Kommunikationsverbindungen 49 Messdaten 41 an den Server 81 senden können. Beispielsweise wäre es möglich, dass die Messdaten 41 indikativ sind für ein oder mehrere Zustandsgrößen der jeweiligen Batterie 91-96, z.B. Ladungszustand, Stromfluss, Spannung, usw.
In 1 ist auch beispielhaft illustriert, dass der Server 81 über die Kommunikationsverbindungen 49 Steuerdaten 42 an die Batterien 91-96 senden kann. Beispielsweise wäre es möglich, dass die Steuerdaten 42 ein oder mehrere Betriebsgrenzen für den zukünftigen Betrieb der jeweiligen Batterie 91-96 indizieren. Zum Beispiel könnten die Steuerdaten ein oder mehrere Steuerparameter für ein Thermomanagement der jeweiligen Batterie 91-96 und/oder ein Lademanagement der jeweiligen Batterie 91-96 indizieren. Durch Verwendung der Steuerdaten 42 kann der Server 81 also den Betrieb der Batterien 91-96 beeinflussen bzw. steuern. Dies könnte z.B. basieren auf einem Alterungswert, der vom Server 81 für die jeweilige Batterie ermittelt wird.
In 1 ist außerdem für jede der Batterien 91-96 schematisch ein jeweiliger Alterungswert 99 illustriert (zum Beispiel ist die Batterie 95 vergleichsweise stark gealtert, und die Batterien 91, 94 sind noch nicht besonders stark gealtert). Nachfolgend werden Techniken zur Ermittlung des Alterungswert 99 beschrieben.
2 illustriert Aspekte im Zusammenhang mit den Batterien 91-96. Die Batterien 91-96 sind mit einem jeweiligen Gerät 69 gekoppelt. Dieses Gerät - z.B. ein Elektromotor - wird durch elektrische Energie aus der jeweiligen Batterie 91-96 getrieben.
Die Batterien 91-96 umfassen bzw. sind assoziiert mit ein oder mehreren Managementsysteme 61, z.B. ein BMS oder eine andere Steuerlogik wie eine onboard-unit im Falle eines Fahrzeugs. Das Managementsystem 61 kann zum Beispiel durch Software auf einem CPU implementiert sein. Alternativ oder zusätzlich könnte zum Beispiel ein Applikations-spezifischer Schaltkreis (ASIC) oder ein Feldprogrammierbares gated array (FPGA) verwendet werden. Die Batterien 91-96 könnten z.B. über ein Bussystem mit dem Managementsystem 61 kommunizieren. Die Batterien 91-96 umfassen auch eine Kommunikationsschnittstelle 62. Das Managementsystem 61 kann über die Kommunikationsschnittstelle 62 eine Kommunikationsverbindung 49 mit dem Server 81 aufbauen.
Während in 2 das Managementsystem 61 separat von den Batterien 91-96 gezeichnet ist, wäre es in anderen Beispielen auch möglich, dass das Managementsystem 61 Teil der Batterien 91-96 ist.
Außerdem umfassen die Batterien 91-96 ein oder mehrere Batterieblöcke 63. Jeder Batterieblock 63 umfasst typischerweise eine Anzahl von parallel geschalteten und/oder seriell geschalteten Batteriezellen. Dort kann elektrische Energie gespeichert werden.
Typischerweise kann das Managementsystem 61 auf ein oder mehrere Sensoren in den ein oder mehreren Batterieblöcken 63 zurückgreifen. Die Sensoren können zum Beispiel Zustandsgrößen der jeweiligen Batterie messen, etwa den Stromfluss und/oder die Spannung in zumindest einigen der Batteriezellen. Die Sensoren können alternativ oder zusätzlich auch andere Zustandsgrößen im Zusammenhang mit zumindest einigen der Batteriezellen messen, beispielsweise Temperatur, Volumen, Druck, etc. Das Managementsystem 61 kann dann eingerichtet sein, um ein oder mehrere solcher Messwerte von Sensoren in Form von Messdaten 41 an den Server 81 zu senden.
Die Messwerte können zu einem kleineren oder größeren Umfang von dem Managementsystem 61 vorverarbeitet werden, bevor diese in Form der Messdaten 41 gesendet werden. Zum Beispiel wäre eine Komprimierung denkbar, etwa in Form eines Lastkollektiv. Es könnten auch Messwerte gefiltert werden, zum Beispiel Ereignis-bezogen.
3 illustriert Aspekte im Zusammenhang mit dem Server 81. Der Server 81 umfasst einen Prozessor 51 sowie einen Speicher 52. Der Speicher 52 kann ein flüchtiges Speicherelement und/oder ein nicht-flüchtiges Speicherelement umfassen. Außerdem umfasst der Server 81 auch eine Kommunikationsschnittstelle 53. Der Prozessor 51 kann über die Kommunikationsschnittstelle 53 eine Kommunikationsverbindung 49 mit jeder der Batterien 91-96 und der Datenbank 82 aufbauen.
Zum Beispiel kann Programmcode im Speicher 52 gespeichert sein und vom Prozessor 51 geladen werden. Der Prozessor 51 kann dann den Programmcode ausführen. Das Ausführen des Programmcodes bewirkt, dass der Prozessor 51 ein oder mehrere der folgenden Prozesse ausführt, wie sie im Zusammenhang mit den verschiedenen Beispielen hierin im Detail beschrieben sind: Charakterisierung von Batterien 91-96; Ermitteln eines Alterungswerts 99 für die Batterien 91-96; Anwenden eines vorgelagerten Algorithmus zum Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen, z.B. mit einer oder mehreren Simulationen, wie etwa einer elektrischen Simulation oder einer thermischen Simulation von Batterien 91-96; Trainieren und/oder Anwenden eines ML Algorithmus zum Bestimmen des Alterungswerts und basierend auf einem Ergebnis eines vorgelagerten Algorithmus; Senden von Steuerdaten an Batterien 91-96, zum Beispiel um Betriebsrandbedingungen einzustellen; Hinterlegen von einem Ergebnis einer Charakterisierung bzw. eines Alterungswerts einer entsprechenden Batterie 91-96 in einer Datenbank 82; etc.
4 ist ein Flussdiagramm eines beispielhaften Verfahrens. Das Verfahren wird typischerweise von einem Server ausgeführt. Das Verfahren dient der Server-seitigen Charakterisierung einer Batterie. Zum Beispiel wäre es möglich, dass das Verfahren gemäß 4 vom Prozessor 51 des Servers 81 basierend auf Programmcode aus dem Speicher 52 ausgeführt wird (vgl. 3).
Zunächst wird in Box 1011 eine Lernphase für einen ML Algorithmus durchgeführt. Im Rahmen der Lernphase wird ein Training des ML Algorithmus durchgeführt. Dies bedeutet, dass basierend auf Trainingsdaten und a-priori-Wissen im Zusammenhang mit den Trainingsdaten Parameterwerte oder Gewichte für den ML Algorithmus gesetzt werden. Zum Beispiel könnten im Zusammenhang mit einem künstlichen neuronalen Netzwerk Techniken der Rückwärtspropagation (engl. back propagation) eingesetzt werden.
Als allgemeine Regel können unterschiedliche Trainingsdaten im Rahmen der Lernphase berücksichtigt werden. Als allgemeine Regel gibt es unterschiedliche Varianten betreffend die Implementierung der Trainingsdaten. In einer Variante könnten die Trainingsdaten zum Beispiel durch Labormessungen erhalten werden, bei denen eine Batterie im Labor untersucht wird. Zum Beispiel könnten invasive Untersuchungstechniken eingesetzt werden, bei denen zusätzliche Detektoren und Sensoren in die Batterie eingebracht werden, die in Feldgeräten der jeweiligen Batterie nicht vorhanden sind. In einer weiteren Variante könnten die Trainingsdaten aber auch durch Messungen an Feldgeräten erhalten werden. Zum Beispiel könnten die Trainingsdaten Referenzdaten von einem Ensemble von Referenzbatterien (vgl. 1: Batterien 91-96) umfassen. Diese Referenzdaten könnten zum Beispiel Messwerte für ein oder mehrere Zustandsgrößen dieser Referenzbatterien umfassen. Die Referenzdaten können ferner a-priori-Wissen über einen jeweils zugehörigen Alterungswert für die Batterien umfassen. Beispielsweise könnte für manche Referenzbatterien eine vollständige oder nahezu vollständige Entladung auftreten, im jeweiligen Fahrzyklus, wobei dies dann dazu ausgenutzt werden kann, die Gesamtkapazität als Alterungswert zu bestimmen. Eine weitere Möglichkeit wäre die Verwendung eines Kalmanfilters zur Zustandsschätzung, wie etwa beschrieben in Plett, Gregory L. „Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 2. Modeling and identification." Journal of power sources 134.2 (2004): 262-276. Dann kann der ML Algorithmus basierend auf solchen Referenzdaten in Box 1011 trainiert werden. Mittels solcher Techniken kann insbesondere ein wiederholtes Ausführen der Lernphase verschachtelt mit einer Anwendungsphase - vgl. Box 1012 -, in der der trainierte ML Algorithmus zum Bestimmen des Alterungswert verwendet wird, erfolgen (das ist in 4 durch die gestrichelte Linie dargestellt). Das bedeutet, dass auf Grundlage von Messungen an Feldgeräten die Genauigkeit der Charakterisierung laufend verbessert werden kann.
Zum Beispiel könnten die Referenzdaten gegenüber den Messdaten, die im üblichen laufenden Betrieb erhalten werden, einen erweiterten Informationsgehalt aufweisen. Dies betrifft zum Beispiel die Möglichkeit, das a-priori-Wissen über den Alterungswert aus den Referenzdaten zu erhalten oder abzuleiten. Zum Beispiel wäre es denkbar, dass ein kompletter Entladungs-/Ladungsvorgang überwacht wird, d.h. entsprechende Strom-Spannungszeitreihen aufgezeichnet werden. Dann könnte die gesamte geflossene Ladung indikativ für die Kapazität der Batterie und damit den Alterungswert sein. Eine entsprechende Datenmenge kann besonders groß sein. Deshalb kann es manchmal hilfreich sein, die Referenzdaten selektiv anzufordern. Das bedeutet, dass das Verfahren das Anfordern der Referenzdaten mittels eines Steuerbefehls, der an Managementsysteme, die mit den Referenzbatterien assoziiert sind, gesendet wird. Zum Beispiel wäre es möglich, solche Daten zunächst in einem internen Speicher der Managementsysteme zwischenzuspeichern und dann bei Bedarf über eine Breitbandverbindung an den Server zu übermitteln, etwa wenn ein Ladevorgang in einer Umgebung mit Breitbandverbindung initiiert wird.
In Box 1012 erfolgt die Anwendungsphase. Dabei werden Messdaten einer Batterie - beispielsweise einer der Batterien 91-96 aus 1 - empfangen, die indikativ für ein oder mehrere Zustandsgrößen sind.
Beispielsweise könnten die Messdaten die ein oder mehreren Zustandsgrößen als Lastkollektiv indizieren. Dadurch könnte zum Beispiel im Vergleich zu den Referenzdaten aus Block 1011 eine signifikante Reduktion der benötigten Daten erfolgen. Das ermöglicht es, die Charakterisierung der Batterie im laufenden Betrieb der Batterie wiederholt auszuführen, ohne dass eine zu übertragende Datenmenge überhandnimmt.
In manchen Beispielen wäre es in diesem Zusammenhang möglich, dass die Messdaten inkrementell übertragen werden (inkrementelles Update). Das heißt, dass zum Beispiel Veränderungen des Lastkollektiv mit fortschreitender Zeit indiziert werden, jeweils referenziert auf zuvor übertragene Messdaten. Derart kann eine weitere Reduktion der Bandbreite erfolgen. Indem die Messdaten am Server zwischengespeichert werden, kann dennoch noch eine Rekonstruktion des vollen Informationsgehaltes erfolgen.
Es wäre möglich, dass die Anwendungsphase selektiv aktiviert wird, nämlich in Abhängigkeit von einem Trainingsgrad des ML Algorithmus. Der ML Algorithmus kann in Abhängigkeit von dem Trainingsgrad selektiv aktiviert werden. Dadurch könnte insbesondere in einem Szenario, bei dem zunächst für ein Ensemble von Batterien im Feldbetrieb Referenzdaten als Trainingsdaten gesammelt werden, vermieden werden, dass vergleichsweise ungenaue Ergebnisse durch einen nicht ausreichend trainierten ML Algorithmus erzielt werden (sogenanntes Kaltstartproblem). Anstatt in einer solchen Kaltstartphase den ML Algorithmus zur Charakterisierung der Batterie zu verwenden, kann ein alternativer Algorithmus, zum Beispiel ein empirisch parametrierter Charakterisierungsalgorithmus, verwendet werden, um den Alterungswert zu bestimmen.
5 ist ein Flussdiagramm eines beispielhaften Verfahrens. Das Verfahren wird von einem Server ausgeführt. Das Verfahren dient der Server-seitigen Charakterisierung einer Batterie. Zum Beispiel wäre es möglich, dass das Verfahren gemäß 5 vom Prozessor 51 des Servers 81 basierend auf Programmcode aus dem Speicher 52 ausgeführt wird (vgl. 3). Das Verfahren gemäß 5 kann zum Beispiel im Rahmen von Box 1012 gemäß dem Verfahren aus 4 ausgeführt werden. Das bedeutet, dass das Verfahren aus 5 eine Anwendungsphase eines ML Algorithmus indiziert.
Dabei werden in Box 1001 Messdaten erhalten, die indikativ für ein oder mehrere Zustandsgrößen einer Batterie sind. Die ein oder mehreren Zustandsgrößen können zum Beispiel den Stromfluss in ein oder mehreren Zellen der Batterie umfassen; und/oder eine Spannung über ein oder mehrere Zellen der Batterie umfassen; und/oder eine Temperatur von ein oder mehreren Zellen der Batterie umfassen; und/oder eine Entladungstiefe (engl. depth of discharge) der Batterie umfassen; und/oder eine Dauer von Pausephasen bei denen keine signifikante Ladung entnommen oder eingespeist wird; und/oder einen Ladungszustand (engl. state of charge, SOC) der Batterie umfassen.
Anschließend erfolgt in Box 1002 das Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen, wobei hierzu ein oder mehrere vorgelagerte Algorithmen verwendet werden. Die ein oder mehreren vorgelagerten Algorithmen könnten zum Beispiel analytische oder numerische Algorithmenmodule umfassen. Zum Beispiel könnten die ein oder mehreren vorgelagerten Algorithmen eine Simulation beispielsweise eines Temperaturverhaltens oder einer elektrischen Charakteristik der Batterie umfassen. Es wäre möglich, dass ein analytischer Algorithmus durch empirische Messungen parametriert wird.
Als Ergebnis von Box 1002 werden dann ein oder mehrere abgeleitete Zustandsgrößen erhalten.
In Box 1003 wird anschließend ein Alterungswert der Batterie - d.h. zum Beispiel ein Wert, der indikativ ist für die Kapazität und/oder die Impedanz - unter Verwendung von ein oder mehreren ML Algorithmen bestimmt. Die ein oder mehreren ML Algorithmen erhalten die ein oder mehreren abgeleiteten Zustandsgrößen aus Box 1002 als Eingangswerte.
In Abhängigkeit von dem Alterungswert wäre es dann möglich, dass eine entsprechende Steuerung der jeweiligen Batterie, die zum Beispiel in den Betriebsrandbedingungen eingestellt wird, erfolgt.
6 illustriert Aspekte im Zusammenhang mit einem zweistufigen Ansatz zum Bestimmen eines Alterungswerts 99. FIG. sechs ist ein Daten Flussdiagramm für eine entsprechende Bestimmung. Zum Beispiel könnte die Datenverarbeitung gemäß 6 im Zusammenhang mit dem Verfahren aus 5 ausgeführt werden.
Eine erste Stufe umfasst das Anwenden von zwei vorgelagerten Algorithmen 311-312; und eine zweite Stufe umfasst das Anwenden eines ML Algorithmus 331. Der ML Algorithmus 331 liefert als Ergebnis den Alterungswert 99. Deshalb kann die erste Stufe mit Box 1002 aus dem Verfahren von 5 korrelieren und die zweite Stufe kann mit Box 1003 aus dem Verfahren gemäß 5 korrelieren.
Im Allgemeinen wäre es aber auch möglich, dass mehrere ML Algorithmen im Rahmen der zweiten Stufe angewendet werden, die jeweils einen Beitrag zum endgültigen Alterungswert 99 als Ergebnis bereitstellen. Dann kann der Alterungswert 99 durch Kombination der Ergebnisse der verschiedenen ML Algorithmen erfolgen, wobei zum Beispiel die verschiedenen Ergebnisse mit unterschiedlichen Alterungsmechanismen korrelieren.
In 6 dienen Messdaten 41 als Eingabe für den zweistufigen Prozess. Messdaten können zum Beispiel über die Kommunikationsverbindung 49 von einer der Batterien 91-96 erhalten werden. Die Messdaten 41 könnten zum Beispiel als Lastkollektiv vorliegen. Ein beispielhaftes Lastkollektiv 500 ist in 7 dargestellt. Dabei sind die Zustandsgrößen Entladungstiefe 511 und Ladungszustand 512 im Lastkollektiv 500 miteinander korreliert. Die entsprechenden Werte 509 indizieren die - typischerweise relativ definierte - Häufigkeit des Betriebs der jeweiligen Batterie 91-96 bei den jeweiligen Zustandsgrößen 511-512 (bei einer relativ definierten Häufigkeit ist die Annahme, dass das Belastungsprofil der Batterie und damit das Lastkollektiv für einen bestimmten Verwendungszweck der Batterie konstant bleibt, d.h. keine Veränderung über der Zeit aufweist). Eine Zeitauflösung wird aber durch die Messdaten, die in Form des Lastkollektivs 500 vorliegen, nicht bereitgestellt. Solche Techniken beruhen auf der Erkenntnis, dass die Dynamik der entsprechenden Zustandsgrößen 501, 502 - im Gegensatz zur relativen Häufigkeit des Auftretens, zum Beispiel in bestimmten Bereichen 501 des Lastkollektives 500 mit besonders starker Alterung - einen vergleichsweise geringen Einfluss auf die Alterung aufweisen. Deshalb kann es ausreichend sein, dass die Messdaten die Zustandsgrößen 511, 512 nicht zeitaufgelöst, sondern in Form eines Lastkollektivs 500 indizieren. Außerdem wird dadurch die Datenmenge der Messdaten 41 komprimiert.
In einem weiteren Beispiel wäre es denkbar, dass die Messdaten 41 die ein oder mehreren Zustandsgrößen der Batterie zumindest teilweise Ereignis-bezogen indizieren. Ein entsprechendes Beispiel ist in 8 dargestellt. In 8 ist eine Ereignis-bezogene Darstellung 700 der Zustandsgröße elektrischer Stromfluss 513 dargestellt. In 8 ist gezeigt, dass für bestimmte Ereignisse 711 (durch die gestrichelten Rahmen hervorgehoben) eine entsprechende Kenngröße 725 der Ereignisse 711 in Form der Messdaten 41 an den Server 81 übermittelt werden könnte. Im Beispiel gemäß 8 ist das Ereignis 711 durch einen Einbruch des Stromflusses 513 über eine bestimmte Zeitdauer 722, die auf eine Zeitdauer 721 relativ konstanten Stromflusses folgt, charakterisiert. Der Einbruchs-Hub 725 könnte zum Beispiel in Form der Messdaten 41 an den Server 81 übermittelt werden und dann im Rahmen eines der vorgelagerten Algorithmen 311-312 zum Bestimmen einer entsprechenden abgeleiteten Zustandsgröße 321-322 verwendet werden. Dies ist aber nur ein Beispiel und andere Implementierungen von Ereignis-bezogenen Messdaten sind denkbar.
Wieder bezugnehmend auf 6: Es ist ein Beispiel gezeigt, in dem zwei vorgelagerte Algorithmen 311-312 verwendet werden, um auf Grundlage der Messdaten 41 abgeleitete Zustandsgrößen 321-322 zu bestimmen. Als allgemeine Regel wäre es möglich, dass lediglich ein einzelner vorgelagerter Algorithmus verwendet wird oder aber eine Anzahl von mehr als zwei vorgelagerten Algorithmen. Wenn mehr als ein einziger vorgelagerter Algorithmus verwendet wird, so können unterschiedliche vorgelagerte Algorithmen auf zumindest teilweise unterschiedliche Teile der Messdaten 41 als Eingangsgröße zurückgreifen. Beispielsweise wäre es denkbar, dass unterschiedliche Teile von Messdaten 41, die mit anderen Zustandsgrößen assoziiert sind, unterschiedlichen vorgelagerten Algorithmen 311, 312 zugeführt werden.
Zum Beispiel wäre es denkbar, dass Messdaten 41, die indikativ für ein Anodenpotenzial einer Zelle der Batterie sind, dem vorgelagerten Algorithmus 311 zugeführt werden und basierend darauf die abgeleitete Zustandsgröße 321 bestimmt wird, die mit dem Grad von Lithium-Ablagerung korreliert. Es wäre denkbar, dass ein solcher Teil der Messdaten 41 als Eingangsgröße dem weiteren vorgelagerten Algorithmus 312 zugeführt wird, der einem differenziellen Spannungsspektrum oder einem differenziellen Kapazitätsspektrum einer Entladungskurve einer Zelle der Batterie entspricht. Dann könnte basierend darauf die abgeleitete Zustandsgröße 322 bestimmt werden, die mit dem Verlust an Lithium-Ionen oder Anodenmaterial korreliert. Dies sind lediglich zwei Beispiele und es ist denkbar, dass andere vorgelagerte Algorithmen verwendet werden bzw. andere abgeleitete Zustandsgrößen bestimmt werden. Beispielsweise könnte es möglich sein, dass eine mechanische Verspannung von Zellen der Batterie bestimmt wird. Es könnte auch die Leerlaufspannung der mindestens einen Zeilen der Batterie bestimmt werden.
Im Beispiel der 6 werden dann die abgeleiteten Zustandsgrößen 321-322 dem (einzigen) ML Algorithmus 331 als Eingangsgrößen zugeführt. Im Allgemeinen wäre es aber auch möglich, dass mehrere ML Algorithmen verwendet werden, zum Beispiel unterschiedliche ML Algorithmen je nach abgeleiteter Zustandsgröße 321-322.
Wie im Beispiel der 6 auch dargestellt, kann es möglich sein, dass neben den abgeleiteten Zustandsgrößen 391-322 auch die Zustandsgrößen aus den Messdaten 41 als Eingangsgröße den ein oder mehreren ML Algorithmen 331 zugeführt werden.
Insbesondere wäre es in verschiedenen Beispielen denkbar, dass ein Lastkollektiv den ein oder mehreren ML Algorithmen 331 als Eingabe zugeführt wird. Mittels des Lastkollektivs kann es nämlich möglich sein, dass Belastungsprofil der Batterie im Messzeitraum zu charakterisieren. Derart kann eine Vorhersage des Alterungswerts für einen zukünftigen Zeitpunkt ermöglicht werden. Dies beruht auf der Erkenntnis, dass bei einer stärkeren Belastung der Batterie die Alterung schneller voranschreiten wird, als bei einer schwächeren Belastung der Batterie. Deshalb kann es in den verschiedenen hierin beschriebenen Beispielen möglich sein, ein feedforward KNN zu verwenden, das als Eingabewert ein oder mehrere Lastkollektive hält und als Ausgabe Wert den Alterungswert zu einem Vorhersagezeitpunkt bereitstellt (unter der Annahme, dass das historische Belastungsprofil auch dem zukünftigen Belastungsprofil entspricht, d.h. der relative Anteil des Betriebs bei bestimmten Stressfaktoren konstant über der Zeit ist).
Weitere Zustandsgrößen die direkt durch einfache Operationen (etwa Summation, Histogramming, Min oder Max-Operation, etc.) aus den Messdaten abgeleitet werden können sind: Mittlere Ladezeit, Maximale Temperatur, Minimale Entladungstiefe, etc..
9 illustriert Aspekte im Zusammenhang mit den Messdaten 41. Im Beispiel der 9 wird eine Zeitreihe 810 von Messdaten 41 erhalten. Die Messdaten 41 der Zeitreihe 810 weisen Messzeitpunkte auf, die über ein Messzeitintervall 801 verteilt sind. Dass Messzeitintervall 801 erstreckt sich ausgehend vom Ist-Zeitpunkt 802 in die Vergangenheit erstreckt.
Beispielsweise könnten die Messdaten 41 der Zeitreihe 810 jeweils Werte für den Strom oder die Spannung oder die Temperatur zum jeweiligen Messzeitpunkt im Messzeitintervall 801 indizieren. Daraus könnte dann ein Lastkollektiv gebildet werden oder es könnten bestimmte Ereignisse erkannt werden. Es wäre aber auch möglich, dass die Messdaten 41 der Zeitreihe 810 jeweils ein Lastkollektiv zum jeweiligen Messzeitpunkt im Messzeitintervall 801 indizieren, wobei zum Beispiel das jeweilige Lastkollektiv auf Grundlage von Werten, die zwischen dem jeweiligen Messzeitpunkt und dem vorangehenden Messzeitpunkt beobachtet werden, bestimmt wird. Das bedeutet also, dass die Veränderung der Belastung durch die mehreren Lastkollektive beschrieben werden könnte.
Als allgemeine Regel ist es optional, dass die Messdaten 41 eine entsprechende Zeitreihe 810 bereitstellen. Es wäre zum Beispiel auch denkbar, dass die Messdaten 41 jeweils lediglich Werte für ein oder mehrere Zustandsgrößen zum Ist-Zeitpunkt 802 indizieren. Zum Beispiel könnten die Messdaten 41 ein einzelnes Lastkollektiv umfassen, welches auf Grundlage von Werten, die über das gesamte Messzeitintervall 801 bis zum gegenwärtigen Ist-Zeitpunkt beobachtet werden, bestimmt wird.
9 illustriert auch Aspekte im Zusammenhang mit der Vorhersage des Alterungswerts 813. Im Beispiel der 9 wird der Alterungswert 813 für einen in der Zukunft liegenden Zeitpunkt 803 vorhergesagt.

Eine solche Vorhersage des Alterungswerts zu einem zukünftigen Zeitpunkt kann zum Beispiel basierend auf der entsprechenden Zeitreihe 810 erfolgen. Dazu gibt es verschiedene Möglichkeiten, die in Tabelle 1 zusammengefasst sind: TAB. 1: Varianten für die Vorhersage des Alterungswerts

Beispiel	Eingabe vorgelagerter Algorithm us	Ausgabe vorgelagerter Algorithmus, Eingabe ML Algorithmus
A	Zeitreihe von Zustandsgrößen in Messzeitintervall	Zeitreihe von abgeleiteten Zustandsgrößen in Messzeitintervall
B	Zeitreihe von Zustandsgrößen in Messzeitintervall	Abgeleitete Zustandsgrößen zu zukünftigem Zeitpunkt
C	Zustandsgröße als Lastkollektiv in Messzeitintervall	Abgeleitete Zustandsgrößen zu zukünftigem Zeitpunkt
D	Zeitreihe von Zustandsgrößen in Messzeitintervall	Abgeleitete Zustandsgrößen, insbesondere Lastkollektiv
E	Zustandsgröße als Lastkollektiv im Messzeitintervall	Abgeleitete Zustandsgrößen als Lastkollektiv in Messzeitintervall

Beispielsweise kann es im Beispiel B und im Beispiel C entbehrlich sein, einen ML Algorithmus zu verwenden, der eine Zeitreihe von Daten als Eingabe empfängt. Es könnte z.B. ein Feedforward-KNN verwendet werden. Im Beispiel A könnte ein rekurrentes KNN verwendet werden.
Im Beispiel C kann es entbehrlich sein, die ein oder mehreren Zustandsgrößen der Batterie zeitaufgelöst zu überwachen. Vielmehr kann auf die Entwicklung der ein oder mehreren abgeleiteten Zustandsgrößen durch den vorgelagerten Algorithmus zurückgeschlossen werden, indem das Belastungsprofil der Batterie als Lastkollektiv berücksichtigt wird. Das Lastkollektiv kann zum Beispiel beschreiben, wie häufig die Batterie mit einer bestimmten Entladungstiefe und/oder Entladungsgeschwindigkeit entladen/geladen wird (z.B. in einem kritischen Temperaturbereich), wie groß die Laderate ist, wie schnell die Batterie entladen wird, welche Betriebstemperatur beim Laden oder Entladen der Batterie vorliegt, usw. Durch solche Stressfaktoren als Belastungsprofil kann dann zurückgeschlossen werden, wie die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie sich in Zukunft verhalten werden. Dazu kann im Beispiel C der vorgelagerte Algorithmus verwendet werden.
Im Beispiel D wäre es zum Beispiel möglich, dass eine Zeitreihe von direkt beobachteten Zustandsgrößen - beispielsweise Stromfluss, Spannung, Temperatur - im Messzeitintervall in Form der Messdaten 41 erhalten wird. Dann kann mittels des vorgelagerten Algorithmus ein oder mehrere abgeleitete Zustandsgrößen bestimmt werden, die mit ein oder mehreren Alterungsmechanismen der Batterie korrelieren. Auf Grundlage der Zeitreihe von Zustandsgrößen kann auch ein Lastkollektiv bestimmt werden, welches Stressfaktoren der Batterie als Belastungsprofil quantifiziert. Dann können solche abgeleiteten Zustandsgrößen als Eingangswerte des ML Algorithmus verwendet werden. In diesem Beispiel kann der ML Algorithmus insbesondere als Feedfoward-KNN ausgebildet sein. Eine Zeitreihe muss nicht berücksichtigt werden. Eine Vorhersage des Alterungswerts kann dadurch erzielt werden, dass der ML Algorithmus geeignet trainiert wird, nämlich unter Berücksichtigung der - z.B. relativ definierten - Lastkollektive. Durch die Lastkollektive kann nämlich die Belastung der Batterie charakterisiert werden, sodass eine zukünftig stärkere oder schwächere Alterung vorhergesagt werden kann.
Im Beispiel E kann aus einem Lastkollektiv für ein oder mehrere Zustandsgrößen ein weiteres Lastkollektiv für ein oder mehrere abgeleitete Zustandsgrößen ermittelt werden.
In den verschiedenen Beispielen aus TAB. 1 können - wie obenstehend zum Beispiel im Zusammenhang mit 6 beschrieben - auch weitere Zustandsgrößen als Eingabe in den ML Algorithmus verwendet werden, das heißt die Eingabe in den ML Algorithmus ist nicht auf die Ausgabe des vorgelagerten Algorithmus beschränkt. Insbesondere im Zusammenhang mit der Vorhersage des Alterungswert zum zukünftigen Zeitpunkt kann es in diesem Zusammenhang erstrebenswert sein, eine Statistik einer Zustandsgröße im Messzeitintervall als Eingabe in den ML Algorithmus zu berücksichtigen (dabei kann im Allgemeinen eine Zustandsgröße berücksichtigt werden, die auch durch den vorgelagerten Algorithmus ausgewertet wird; oder aber eine andere Zustandsgröße). Eine Statistik der Zustandsgröße Messzeitintervall kann also eine Auswertung des Verhaltens der Zustandsgröße - etwa Strom oder Spannung oder Temperatur, etc. - im Messzeitintervall beschreiben. Zum Beispiel könnte die Statistik ein oder mehrere der folgenden statistischen Größen beschreiben: Maximum der Zustandsgröße, etwa maximale Temperatur im Messzeitintervall; Minimum der Zustandsgröße, etwa minimale Temperatur im Messzeitintervall; Mittelwert der Zustandsgröße, etwa mittlere Temperatur im Messzeitintervall; Streuung der Zustandsgröße, das heißt Varianz der Temperatur im Messzeitintervall; usw. Als allgemeine Regel könnte die Statistik der Zustandsgröße auf Grundlage der Zeitreihe der Zustandsgröße bestimmt werden oder aber direkt von einem entsprechenden Steuergerät der jeweiligen Batterie erhalten werden.
Selbstverständlich können die Merkmale der vorab beschriebenen Ausführungsformen und Aspekte der Erfindung miteinander kombiniert werden. Insbesondere können die Merkmale nicht nur in den beschriebenen Kombinationen, sondern auch in anderen Kombinationen oder für sich genommen verwendet werden, ohne das Gebiet der Erfindung zu verlassen.

Claims

Computer-implementiertes Verfahren zum Bestimmen eines Alterungswerts (99) einer wiederaufladbaren Batterie (91-96), wobei das Verfahren umfasst: - Erhalten (1001) von Messdaten (41) für ein oder mehrere Zustandsgrößen (511-513) der Batterie (91-96), - Bestimmen (1002) von ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) der Batterie (91-96) unter Verwendung eines vorgelagerten Algorithmus (311, 312) wobei Eingangswerte des vorgelagerten Algorithmus (311, 312) die ein oder mehreren Zustandsgrößen (511-513) umfassen, und - Bestimmen (1003) des Alterungswerts (99) unter Verwendung von mindestens einem maschinen-gelernten Algorithmus (331), wobei Eingangswerte des mindestens einen maschinen-gelernten Algorithmus (331) die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) der Batterie (91-96) umfassen, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) zumindest einen von einem Verlust von Kathodenmaterial oder einem Verlust von Anodenmaterial umfassen.
Verfahren nach Anspruch 1, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) zumindest eines von einem Anodenpotential mindestens einer Zelle der Batterie (91-96), einem Kathodenpotential der mindestens einen Zelle der Batterie (91-96), sowie einem Verhältnis des Anodenpotentials und des Kathodenpotentials zueinander umfassen.
Verfahren nach Anspruch 1 oder 2, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) zumindest eines von einem differentiellen Spannungsspektrum oder einem differentiellen Kapazitätsspektrum einer Entladungskurve mindestens einer Zelle der Batterie (91-96) umfassen.
Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) eine mechanische Verspannung mindestens einer Zelle der Batterie (91-96) umfassen.
Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) eine Leerlaufspannung mindestens einer Zelle der Batterie (91-96) umfassen.
Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren abgeleiteten Zustandsgrößen ein Belastungsprofil der Batterie (91-96) umfassen.
Verfahren nach einem der voranstehenden Ansprüche, wobei die Eingangswerte des mindestens einen maschinen-gelernten Algorithmus (331) weiterhin eine Statistik der ein oder mehreren Zustandsgrößen (511-513) der Batterie oder von ein oder mehreren weiteren Zustandsgrößen (511-513) der Batterie in einem Messzeitintervall umfassen.
Verfahren nach einem der voranstehenden Ansprüche, wobei Eingangswerte des maschinen-gelernten Algorithmus (331) weiterhin die ein oder mehreren Zustandsgrößen (511-513) der Batterie (91-96) umfassen.
Verfahren nach einem der voranstehenden Ansprüche, wobei der mindestens eine maschinen-gelernte Algorithmus mehrere Alterungsmechanismen quantifiziert, wobei der Alterungswert (99) basierend auf einer Kombination von Werten für die mehreren Alterungsmechanismen bestimmt wird.
Verfahren nach Anspruch 9, wobei der mindestens eine maschinen-gelernte Algorithmus mehrere maschinen-gelernte Algorithmen umfasst, die unterschiedlichen Alterungsmechanismen zugeordnet sind.
Verfahren nach einem der voranstehenden Ansprüche, wobei die Messdaten (41) auf einem Server (81) über eine Kommunikationsverbindung (49) von einem Managementsystem (61) der Batterie (91-96) empfangen werden, wobei die Messdaten (41) in einem Messzeitintervall liegen, welches mittels eines Schiebefensterverfahren bestimmt ist.
Verfahren nach einem der voranstehenden Ansprüche, das weiterhin umfasst: - Empfangen von Referenzdaten von einem Ensemble von Referenzbatterien (91-96) an einem Server (81), und - Trainieren (1011) des mindestens einen maschinengelernten Algorithmus basierend auf den Referenzdaten.
Verfahren nach einem der voranstehenden Ansprüche, wobei die Messdaten (41) die ein oder mehreren Zustandsgrößen (511-513) als Lastkollektiv (500) und/oder Ereignis-bezogen indizieren.
Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren Zustandsgrößen (511-513) umfassen: einen elektrischen Stromfluss in ein oder mehreren Zellen der Batterie (91-96); eine elektrische Spannung über ein oder mehrere Zellen der Batterie (91-96); eine Temperatur von ein oder mehreren Zellen der Batterie (91-96); eine Entladungstiefe der Batterie (91-96); eine Dauer von Pausenphasen; oder ein Ladungszustand der Batterie (91-96).
Verfahren nach einem der voranstehenden Ansprüche, wobei die Messdaten (41) eine Zeitreihe (810) für die ein oder mehreren Zustandsgrößen (511-513) der Batterie (91-96) umfassen, wobei eine Zeitreihe (810) der ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) der Batterie (91-96) unter Verwendung des vorgelagerten Algorithmus bestimmt wird, wobei die Eingangswerte des mindestens einen maschinen-gelernten Algorithmus (331) die Zeitreihe der ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) umfasst.