DE102020117609A1 - Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung - Google Patents

Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung Download PDF

Info

Publication number
DE102020117609A1
DE102020117609A1 DE102020117609.0A DE102020117609A DE102020117609A1 DE 102020117609 A1 DE102020117609 A1 DE 102020117609A1 DE 102020117609 A DE102020117609 A DE 102020117609A DE 102020117609 A1 DE102020117609 A1 DE 102020117609A1
Authority
DE
Germany
Prior art keywords
status data
battery
data
initial
reconstructed
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
DE102020117609.0A
Other languages
English (en)
Other versions
DE102020117609B8 (de
DE102020117609B4 (de
Inventor
Kaan Atukalp
Manuel Wanisch
Arpit Maheshwari
Cedrik Kirst
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Twaice Technologies GmbH
Original Assignee
Twaice Technologies GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Twaice Technologies GmbH filed Critical Twaice Technologies GmbH
Priority to DE102020117609.0A priority Critical patent/DE102020117609B8/de
Priority to US18/004,169 priority patent/US20240010100A1/en
Priority to PCT/EP2021/068545 priority patent/WO2022003208A1/de
Publication of DE102020117609A1 publication Critical patent/DE102020117609A1/de
Application granted granted Critical
Publication of DE102020117609B4 publication Critical patent/DE102020117609B4/de
Publication of DE102020117609B8 publication Critical patent/DE102020117609B8/de
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
    • B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
    • B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Power Engineering (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

Ein Verfahren zum Verarbeiten von Zustandsdaten (201, 210) einer Batterie (91-96) umfasst das Anwenden eines Autoencoder künstlichen neuronalen Netzwerks (310) auf initiale Zustandsdaten (201, 210). Daraus werden rekonstruierte (209) erhalten. Das Verfahren umfasst das Durchführen einer Alterungsschätzung basierend auf den rekonstruierten Zustandsdaten (209), um einen Zustandsindikator (99) zu erhalten, der indikativ für einen Alterungszustand der Batterie (91-96) ist.

Description

  • TECHNISCHES GEBIET
  • Verschiedene Beispiele der Offenbarung betreffen im Allgemeinen Techniken zur Charakterisierung von wiederaufladbaren Batterien. Insbesondere betreffen verschiedene Beispiele der Erfindung Techniken, um einen Gesundheitszustand der Batterie unter Verwendung von ein oder mehreren Maschinen-gelernten (ML) Algorithmen zu bestimmen. Verschiedene Beispiele der Erfindung betreffen insbesondere die Verwendung von künstlichen neuronalen Netzwerken (KNN), die als Autoencoder ausgebildet sind.
  • HINTERGRUND
  • Wiederaufladbare Batterien, beispielsweise Traktions-Batterien von Elektrofahrzeugen, weisen eine begrenzte Lebensdauer auf. Dies bedeutet, dass ein oder mehrere Alterungswerte, die indikativ für den Alterungszustand der Batterie sind, über der Zeit und/oder als Funktion der Entladungszyklen der Batterie zunehmen können. Beispielsweise ist der sogenannte Gesundheitszustand (SOH) ein Alterungswert bzw. Zustandsindikator, der indikativ für den Alterungszustand der Batterie ist. Der SOH wird typischerweise im Zusammenhang mit der Kapazität und/oder der Impedanz von Batteriezellen der Batterie bestimmt. Typischerweise ist der SOH nicht direkt messbar und ist daher ein verborgener Alterungszustand, der durch Inferenz aus anderen Größen ermittelt werden muss.
  • Zum Bestimmen des SOH oder eines anderen Zustandsindikators, der indikativ für einen verborgenen Alterungszustand der Batterie ist, können Zustandsdaten verwendet werden, die ein oder mehrere Betriebsgrößen der Batterie beschreiben. Dann kann eine Alterungsschätzung basierend auf solchen Zustandsdaten durchgeführt werden, um den Zustandsindikator zu erhalten, der indikativ für den verborgenen Alterungszustand der Batterie ist.
  • Dabei sind unterschiedliche Implementierungen für die Alterungsschätzung bekannt. Eine mögliche Implementierung ist z.B. in der deutschen Patentanmeldung 10 2020 100 668 vom 14. Januar 2020 beschrieben. Dort wird ein Maschinen-gelernter Algorithmus zur Charakterisierung von wiederaufladbaren Batterien verwendet. Es muss aber nicht in allen Beispielen ein Maschinen-gelernter (ML) Algorithmus verwendet werden. Beispielsweise ist aus der deutschen Patentanmeldung 10 2019 111 979 vom 8. Mai 2019 bekannt, ein empirisch-parametrisiertes Modell für die Alterungsschätzung zu verwenden, beispielsweise unter Verwendung einer elektrisch-thermischen Simulation in einem iterativ abwechselnden Verfahren.
  • Solchen Techniken zur Alterungsschätzung ist gemein, dass eine vergleichsweise große Menge von Zustandsdaten der Batterie gesammelt werden muss. Dies kann speicherintensiv sein. Außerdem kann dies hohe Anforderungen an die Rechenkapazität zum Durchführen der Alterungsschätzung bedingen. Schließlich kann das Übertragen solcher Zustandsdaten von einem Batteriemanagementsystem der jeweiligen Batterie, beispielsweise über eine Telematik-Einheit, zu einem Server, der die entsprechende Alterungsschätzung durchführt, eine große Übertragungsbandbreite erfordern. Dies ist nicht immer praktikabel, beispielsweise aufgrund von unzureichender Netzabdeckung und aus solchen Latenzen bzw. Unterbrechungen resultierenden Fehlstellen in den Zustandsdaten.
  • Außerdem wurde beobachtet, dass herkömmliche Techniken zur Alterungsschätzung sensibel auf fehlende oder fehlerbehaftete Zustandsdaten reagieren. Beispielsweise kann die Genauigkeit der Alterungsschätzung herabgesetzt sein, d.h. der Zustandsindikator, der indikativ für den verborgenen Alterungszustand der Batterie ist, kann manchmal nur ungenau bestimmt werden. Fehlerhafte oder fehlende Zustandsdaten werden beobachtet, wenn beispielsweise eine Messsensorik ausfällt oder Zustandsdaten aufgrund von Beschränkungen einer Funkstrecke nicht übertragen werden können.
  • KURZE BESCHREIBUNG DER ERFINDUNG
  • Deshalb besteht ein Bedarf für verbesserte Techniken zur Alterungsschätzung einer wiederaufladbaren Batterie. Insbesondere besteht ein Bedarf für solche Techniken, die zumindest einige der voranstehend beschriebenen Einschränkungen und Nachteile beheben oder lindern.
  • Diese Aufgabe wird gelöst von den Merkmalen der unabhängigen Patentansprüche. Die Merkmale der abhängigen Patentansprüche definieren Ausführungsformen.
  • Nachfolgend werden verschiedene Techniken im Zusammenhang mit wiederaufladbaren Batterien beschrieben. Insbesondere werden Techniken beschrieben, welche die Datenweiterverarbeitung von initialen Zustandsdaten, die ein oder mehrere Betriebsgrößen der Batterie - etwa Strom oder Spannung an ein oder mehreren Batteriezellen oder Temperatur, etc. - beschreiben, betreffen. Zum Beispiel können die initialen Zustandsdaten im Zusammenhang mit einer Alterungsschätzung der Batterie weiterverarbeitet werden. Es wäre aber auch denkbar, dass die initialen Zustandsdaten weiterverarbeitet werden, um den Betrieb der Batterie zu steuern. Alternativ oder zusätzlich könnte zum Beispiel ein Fehlermodus einer Batterie basierend auf der Datenweiterverarbeitung der initialen Zustandsdaten ausgelöst werden. Dabei erfolgt die Datenweiterverarbeitung verschiedenen hierin beschriebenen Beispielen unter Verwendung eines Autoencoder-KNNs.
  • Ein Verfahren zum Verarbeiten von Zustandsdaten einer Batterie umfasst das Erhalten von initialen Zustandsdaten. Die initialen Zustandsdaten beschreiben ein oder mehrere Betriebsgrößen der Batterie. Das Verfahren umfasst auch das Anwenden eines ersten neuronalen Netzwerks auf die initialen Zustandsdaten, um derart eine codierte Repräsentation der initialen Zustandsdaten zu erhalten. Das Verfahren umfasst ferner das Anwenden eines zweiten neuronalen Netzwerks auf die codierte Repräsentation der initialen Zustandsdaten, um derart rekonstruierte Zustandsdaten zu erhalten.
  • Eine Vorrichtung - beispielsweise ein Server - umfasst einen Prozessor und einen Speicher. Der Prozessor kann Programmcode aus dem Speicher laden und ausführen. Dies bewirkt, dass der Prozessor das oben beschriebene Verfahren zum Verarbeiten von Zustandsdaten einer Batterie ausführt.
  • Die rekonstruierten Zustandsdaten können auf verschiedene Art und Weise weiterverwendet werden. Das Verfahren könnte z.B. auch das Durchführen einer Alterungsschätzung - etwa zur Bestimmung des Ist-Gesundheitszustands oder zur Prädiktion des Gesundheitszustands - basierend auf den rekonstruierten Zustandsdaten umfassen, um derart einen Zustandsindikator zu erhalten, der indikativ für einen Alterungszustand der Batterie ist. Alternativ oder zusätzlich könnte auch der Betrieb der Batterie basierend auf den rekonstruierten Zustandsdaten gesteuert werden. Zum Beispiel könnte eine Abweichung zwischen den rekonstruierten Zustandsdaten und den initialen Zustandsdaten erkannt werden und der Betrieb der Batterie basierend auf dieser Abweichung gesteuert werden. Basierend auf den rekonstruierten Zustandsdaten oder einer solchen Abweichung wäre es auch denkbar, einen Fehlermodus auszulösen.
  • Das Steuern der Batterie kann z.B. das Übersenden von Steuerdaten an die Batterie bzw. ein Batteriemanagementsystem umfassen, wobei die Steuerdaten auf Grundlage der rekonstruierten Zustandsdaten bestimmt werden. Z.B. wäre es denkbar, basierend auf den Steuerdaten ein Lademanagement und/oder ein Thermomanagement der Batterie einzustellen.
  • Insbesondere ist es denkbar, dass die rekonstruierten Zustandsdaten auch verborgene Betriebsgrößen aus den ein oder mehreren Betriebsgrößen der initialen Zustandsdaten ableiten. Das bedeutet, dass ein oder mehrere verborgene Betriebsgrößen, das heißt von den initialen Zustandsdaten nicht ausdrücklich indizierte Betriebsgrößen, rekonstruiert werden. Also wäre es möglich, dass die initialen Zustandsdaten mindestens eine Zeitreihe umfassen, welche die mindestens eine Betriebsgröße angeben. Die rekonstruierten Zustandsdaten können dann mindestens eine weitere Zeitreihe aufweisen, welche die mindestens eine verborgene Betriebsgröße angeben; wobei aber die initialen Zustandsdaten diese Zeitreihe nicht beinhalten. Als Beispiel wäre es denkbar, dass die mindestens eine verborgene Betriebsgröße einen Stromfluss in der Batterie betrifft, während die von den initialen Zustandsdaten angezeigten Betriebsgrößen die Temperatur und die Spannung in der Batterie betreffen. Derart kann es zum Beispiel entbehrlich sein, eine Schaltung zu messen des Stromflusses in der Batterie vorzuhalten, was typischerweise vergleichsweise aufwendig ist (zum Beispiel muss ein ShuntWiderstand vorgesehen sein, der geeignet platziert ist). Wenn zum Beispiel der Kontakt zu Batteriezellen verloren geht, kann es manchmal vorkommen, dass keine Werte mehr für den Stromfluss vorhanden sind und auch in einem solchen Szenario, welches einen temporären Ausfall betrifft, kann es hilfreich sein, durch die rekonstruierten Zustandsdaten Rückschlüsse auf nicht direkt beobachtete Betriebsgrößen zu ziehen.
  • Das erste neuronale Netzwerk kann z.B. zusammen mit dem zweiten neuronalen Netzwerk ein Autoencoder-Netzwerk bilden. Entsprechend kann das erste neuronale Netzwerk auch als Encoder-Netzwerk bezeichnet werden und das zweite neuronale Netzwerk kann auch als Decoder-Netzwerk bezeichnet werden.
  • Ein Computerprogramm oder ein Computerprogrammprodukt oder ein computerlesbares Speichermedium umfasst Programmcode. Der Programmcode kann von einem Prozessor geladen und ausgeführt werden. Wenn der Prozessor den Programmcode ausführt, bewirkt dies, dass der Prozessor ein Verfahren zum Verarbeiten von Zustandsdaten durchführt. Das Verfahren umfasst das Erhalten von initialen Zustandsdaten, die ein oder mehrere Betriebsgrößen der Batterie beschreiben. Die initialen Zustandsdaten beschreiben ein oder mehrere Betriebsgrößen der Batterie. Das Verfahren umfasst auch das Anwenden eines ersten neuronalen Netzwerks auf die initialen Zustandsdaten, um derart eine codierte Repräsentation der initialen Zustandsdaten zu erhalten. Das Verfahren umfasst ferner das Anwenden eines zweiten neuronalen Netzwerks auf die codierte Repräsentation der initialen Zustandsdaten, um derart rekonstruierte Zustandsdaten zu erhalten.
  • Ein Verfahren zum Verarbeiten von Zustandsdaten einer Batterie umfasst das Erhalten von initialen Zustandsdaten. Initiale Zustandsdaten beschreiben ein oder mehrere Betriebsgrößen der Batterie. Das Verfahren umfasst auch das Anwenden eines ersten neuronalen Netzwerks auf die initialen Zustandsdaten. Derart wird eine codierte Repräsentation der initialen Zustandsdaten erhalten. Ferner umfasst das Verfahren das Durchführen einer Alterungsschätzung basierend auf der codierten Repräsentation der initialen Zustandsdaten. Daraus wird ein Zustandsindikator erhalten, der indikativ einen Alterungszustand der Batterie ist. Dieses Durchführen der Alterungsschätzung umfasst dabei das Anwenden eines zweiten neuronalen Netzwerks auf die codierte Repräsentation der initialen Zustandsdaten.
  • Eine Vorrichtung - beispielsweise ein Server - umfasst einen Prozessor und einen Speicher. Der Prozessor kann Programmcode aus dem Speicher laden und ausführen.
  • Dies bewirkt, dass der Prozessor das oben beschriebene Verfahren zum Verarbeiten von Zustandsdaten einer Batterie ausführt.
  • Das erste neuronale Netzwerk kann also ein Encoder-KNN eines Autoencoder-KNN sein.
  • Ein Computerprogramm oder ein Computerprogrammprodukt oder ein computerlesbares Speichermedium umfasst Programmcode. Der Programmcode kann von einem Prozessor geladen und ausgeführt werden. Wenn der Prozessor den Programmcode ausführt, bewirkt dies, dass der Prozessor ein Verfahren zum Verarbeiten von Zustandsdaten einer Batterie ausführt. Das Verfahren umfasst das Erhalten von initialen Zustandsdaten. Initialen Zustandsdaten beschreiben ein oder mehrere Betriebsgrößen der Batterie. Das Verfahren umfasst auch das Anwenden eines ersten neuronalen Netzwerks auf die initialen Zustandsdaten. Derart wird eine codierte Repräsentation der initialen Zustandsdaten erhalten. Ferner umfasst das Verfahren das Durchführen einer Alterungsschätzung basierend auf der codierten Repräsentation der initialen Zustandsdaten. Daraus wird ein Zustandsindikator erhalten, der indikativ einen Alterungszustand der Batterie ist. Dieses Durchführen der Alterungsschätzung umfasst dabei das Anwenden eines zweiten neuronalen Netzwerks auf die codierte Repräsentation der initialen Zustandsdaten.
  • Ein Verfahren zum Trainieren eines ersten neuronalen Netzwerks wird bereitgestellt. Das erste neuronale Netzwerk ist eingerichtet, um basierend auf initialen Zustandsdaten eine codierte Repräsentation der initialen Zustandsdaten bereitzustellen. Dabei beschreiben die initialen Zustandsdaten ein oder mehrere Betriebsgrößen einer Batterie. Das Verfahren umfasst das Anwenden eines zweiten neuronalen Netzwerks auf die codierte Repräsentation der Zustandsdaten. Derart werden rekonstruierte Zustandsdaten erhalten. Außerdem umfasst das Verfahren das Anwenden eines dritten neuronalen Netzwerks auf die codierte Repräsentation der Zustandsdaten, um einen Zustandsindikator zu erhalten. Dieser Zustandsindikator ist indikativ für einen Alterungszustand der Batterie, beispielsweise zum gegenwärtigen Zeitpunkt, für den die ein oder mehreren Betriebsgrößen durch die Zustandsdaten beschrieben werden, oder aber alternativ oder zusätzlich für einen zukünftigen Zeitpunkt. Das Verfahren umfasst ferner das Bestimmen einer Verlustfunktion für das Trainieren des ersten neuronalen Netzwerks basierend auf einem Vergleich der rekonstruierten Zustandsdaten mit den initialen Zustandsdaten. Die Verlustfunktion wird ferner basierend auf einem Vergleich des Zustandsindikators mit einem entsprechenden Referenzwert bestimmt. Das Verfahren umfasst auch das Trainieren des ersten neuronalen Netzwerks basierend auf der Verlustfunktion. Optional wäre es auch denkbar, dass das zweite und das dritte neuronale Netzwerk basierend auf der Verlustfunktion trainiert werden.
  • Eine Vorrichtung - beispielsweise ein Server - umfasst einen Prozessor und einen Speicher. Der Prozessor kann Programmcode aus dem Speicher laden und ausführen. Dies bewirkt, dass der Prozessor das oben beschriebene Verfahren zum Trainieren des ersten neuronalen Netzwerks ausführt.
  • Das erste neuronale Netzwerk kann also ein Encoder-KNN eines Autoencoder-KNN ausbilden und das zweite neuronale Netzwerk kann also ein Decoder-KNN eines Autoencoder-KNN ausbilden.
  • Ein Computerprogramm oder ein Computerprogrammprodukt oder ein computerlesbares Speichermedium umfasst Programmcode. Der Programmcode kann von einem Prozessor geladen und ausgeführt werden. Wenn der Prozessor den Programmcode ausführt, bewirkt dies, dass der Prozessor ein Verfahren zum Trainieren eines ersten neuronalen Netzwerks ausführt. Das erste neuronale Netzwerk ist eingerichtet, um basierend auf initialen Zustandsdaten eine codierte Repräsentation der initialen Zustandsdaten bereitzustellen. Dabei beschreiben die initialen Zustandsdaten ein oder mehrere Betriebsgrößen einer Batterie. Das Verfahren umfasst das Anwenden eines zweiten neuronalen Netzwerks auf die codierte Repräsentation der Zustandsdaten. Derart werden rekonstruierte Zustandsdaten erhalten. Außerdem umfasst das Verfahren das Anwenden eines dritten neuronalen Netzwerks auf die codierte Repräsentation der Zustandsdaten, um einen Zustandsindikator zu erhalten. Dieser Zustandsindikator ist indikativ für einen Alterungszustand der Batterie. Das Verfahren umfasst ferner das Bestimmen einer Verlustfunktion für das Trainieren des ersten neuronalen Netzwerks basierend auf einem Vergleich der rekonstruierten Zustandsdaten mit den initialen Zustandsdaten. Die Verlustfunktion wird ferner basierend auf einem Vergleich des Zustandsindikators mit einem entsprechenden Referenzwert bestimmt. Das Verfahren umfasst auch das Trainieren des ersten neuronalen Netzwerks basierend auf der Verlustfunktion. Optional wäre es auch denkbar, dass das zweite und das dritte neuronalen Netzwerk basierend auf der Verlustfunktion trainiert werden.
  • 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 illustriert zeitkontinuierliche, initiale Zustandsdaten einer Batterie gemäß verschiedenen Beispielen.
    • 5 illustriert Zustandsdaten einer Batterie in Form eines Lastkollektivs gemäß verschiedenen Beispielen.
    • 6 illustriert schematisch ein Encoder-KNN eines Autoencoder-KNN gemäß verschiedenen Beispielen.
    • 7 illustriert schematisch ein Decoder-KNN eines Autoencoder-KNN gemäß verschiedenen Beispielen.
    • 8 ist ein Flussdiagramm eines beispielhaften Verfahrens gemäß verschiedenen Beispielen.
    • 9 illustriert schematisch rekonstruierte Zustandsdaten im Vergleich mit initialen Zustandsdaten gemäß verschiedenen Beispielen.
    • 10 illustriert schematisch das Anwenden eines Autoencoder-KNN auf initiale Zustandsdaten und die nachgelagerte Datenweiterverarbeitung von entsprechenden rekonstruierten Zustandsdaten gemäß verschiedenen Beispielen.
    • 11 illustriert schematisch das Anwenden eines Encoder-KNN ohne Decoder-KNN eines Autoencoder-KNN auf initiale Zustandsdaten und die anschließende Weiterverarbeitung einer codierten Repräsentation der initialen Zustandsdaten gemäß verschiedenen Beispielen.
    • 12 ist Flussdiagramm eines beispielhaften Verfahrens.
    • 13 illustriert schematisch das Training eines Autoencoder-KNN 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, den Betrieb einer Batterie besonders genau zu steuern. Es ist beispielsweise möglich, einen Fehlermodus der Batterie gezielt auszulösen. Alternativ oder zusätzlich ermöglichen es die hierin beschriebenen Techniken, im Zusammenhang mit der Charakterisierung der Batterie einen Zustandsindikator, der indikativ für einen Alterungszustand (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. Der Alterungswert kann zum Beispiel für einen gegenwärtigen ist-Zeitpunkt ermittelt werden oder für einen zukünftigen Zeitpunkt, das heißt es kann eine Prädiktion durchgeführt werden. Der Alterungswert könnte z.B. eine Restlebensdauer indizieren, die z.B. im Zusammenhang mit einem Anteil der Nennkapazität definiert ist und anwendungsspezifisch variabel sein kann.
  • 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-Zustandsdaten der Batterie umfassen, sowie a-priori-Wissen (engl. ground truth) über den jeweils zugehörigen Alterungswert, d.h. einen entsprechenden Referenzwert für den Alterungswert. Dann können im Rahmen des Trainings die Parameterwerte des ML-Algorithmus so angepasst werden, dass, ausgehend von den Trainingsdaten, der ML-Algorithmus einen Alterungswert bestimmt, der besonders gut mit dem zugehörigen Referenzwert 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.
  • Die hierin beschriebenen Techniken sind aber nicht auf die Verwendung eines ML-Algorithmus zur Alterungsschätzung beschränkt. Alternativ oder zusätzlich könnte auch ein empirisch parametrisiertes Alterungsmodell verwendet werden. Das bedeutet, dass ein Alterungsmodell verwendet werden kann, dessen Struktur physikalisch-technische Eigenschaften der Batterie abbildet und welches Parameterwerte aufweist, die z.B. basierend auf Referenzmessungen oder auf Grundlage von Expertenwissen festgelegt sind. Ein iterativ optimierender Trainingsschritt wie bei einem ML-Algorithmus ist dann nicht notwendig. Ein beispielhaftes empirisches Alterungsmodell ist beschrieben in: J. Schmalstieg, S. Käbitz, M. Ecker, und D. U. Sauer, „A holistic aging model for Li(NiMnCo)O2 based 18650 lithium-ion batteries," Journal of Power Sources, Bd. 257, S. 325-334, 2014.
  • Verschiedene Beispiele der hierin beschriebenen Techniken beruhen auf der Erkenntnis, dass - im Wesentlichen unabhängig von der konkreten algorithmisch Implementierung der Alterungsschätzung - zum Durchführen der Alterungsschätzung regelmäßig eine große Menge an Zustandsdaten, die ein oder mehrere Betriebsgrößen der Batterie beschreiben, benötigt werden. Dadurch entstehen große Speichermengen, wenn entsprechende Zustandsdaten an einer zentralen Stelle - etwa einem Server oder einer damit verbundenen Datenbank - gesammelt werden. Dies kann hohe Kosten für den Datentransfer und das Abspeichern verursachen und außerdem kann der Datentransfer Einschränkungen aufgrund von limitierter Netzverfügbarkeit unterliegen.
  • Ferner beruhen verschiedene Beispiele der hierin beschriebenen Techniken auf der Erkenntnis, dass das Erfassen von assoziierten, die ein oder mehreren Betriebsgrößen der Batterie beschreibenden Messdaten, Ungenauigkeiten ausgesetzt sein können. Beispielsweise kann es aufgrund von Ungenauigkeiten bei der Erfassung von entsprechenden Messdaten vorkommen, dass die daraus erhaltenen Zustandsdaten unvollständig oder fehlerbehaftet sind. Beispiele für entsprechende Ungenauigkeiten umfassen z.B. Signalrauschen in den Messdaten, etwa aufgrund von Störeinflüssen der Umgebung auf entsprechende Sensoren, die eingerichtet sind, um die Messdaten zu erfassen. Es können auch Lücken oder Ausreißer in den Zustandsdaten beobachtet werden, etwa weil bei der Erfassung der Messdaten oder der Übertragung der Zustandsdaten Totzeiten auftreten. Außerdem wurde beobachtet, dass Ungenauigkeiten aufgrund von Offset-Fehlern in den Zustandsdaten auftreten können. Solche Offsetfehler können aufgrund von systematischen Verschiebungen der Messdaten auftreten. Manchmal kann es vorkommen, dass die Zeitauflösung der Zustandsdaten ungenügend ist, etwa weil durch eine Vorverarbeitung der assoziierten Messdaten eine Komprimierung stattfindet oder weil die Sampling-Rate der Sensoren gering ist.
  • Ein weiteres Szenario betrifft zum Beispiel das Nichtvorhandensein von Zustandsdaten, die eine bestimmte Betriebsgröße der Batterie beschreiben; die verfügbaren Zustandsdaten können ein oder mehrere Betriebsgrößen umfassen, also z.B. eine entsprechende Zeitreihe beinhalten (z.B. für die Zellspannung und Temperatur), aber nicht eine bestimmte Betriebsgröße (z.B. den Stromfluss in einer Zelle). Zum Beispiel kann kein Sensor vorhanden sein, der die entsprechende Betriebsgröße direkt misst (also im Fall des Stromflusses ein geeigneter Shuntwiderstand). Eine solche Betriebsgröße kann auch als „versteckt“ bezeichnet sein, weil sie nicht direkt gemessen werden kann. Verschiedene Beispiele beruhen auf der Erkenntnis, dass es in einem solchen Szenario erstrebenswert sein kann, ein oder mehrere versteckte Betriebsgrößen aus den gemessenen Betriebsgrößen bzw. den durch die Zustandsdaten indizierten Betriebsgrößen abzuleiten. Derart kann nämlich zum Beispiel eine Alterungsschätzung besonders genau erfolgen, indem auch ein oder mehrere versteckte Betriebsgrößen berücksichtigt werden. Es wäre auch denkbar, dass der Betrieb der Batterie auf Grundlage der ein oder mehreren versteckten Betriebsgrößen gesteuert wird, was zum Beispiel ein besseres Lademanagement oder Thermomanagement ermöglichen kann.
  • Schließlich wurde beobachtet, dass Zustandsdaten, die mehrere Betriebsgrößen der Batterie beschreiben und entsprechend typischerweise auf Grundlage von mehreren Messdaten zusammengesetzt werden (wobei die mehreren Messdaten von unterschiedlichen Sensoren erfasst werden) an einer reduzierten Datensynchronität leiden können. Dies kann bedeuten, dass die Zeitbasis der verschiedenen Sensoren, die Messdaten für unterschiedliche Betriebsgrößen bereitstellen, gegeneinander verschoben sein kann, etwa weil keine zentrale Synchronisierung vorliegt.
  • Ganz allgemein formuliert wurde auch beobachtet, dass bei unterschiedlichen Batterien Dateninkonsistenzen auftreten, etwa auf Grundlage von fertigungstechnisch bedingter Varianz der die entsprechenden Messdaten erfassenden Sensoren usw.
  • Aufgrund solcher Ungenauigkeiten in den Zustandsdaten wurde beobachtet, dass herkömmliche Techniken zur Alterungsschätzung den Alterungswert nur vergleichsweise ungenau bzw. wenig belastbar bestimmen können. Wenn der Alterungswert anschließend z.B. zur Steuerung des Batteriebetriebs verwendet wird, kann dies den weiteren Betrieb der Batterie negativ beeinflussen. Zum Beispiel kann es bei einer überschätzten Alterung der Batterie vorkommen, dass ohne tatsächlich zugrunde liegenden physikalisch-technischen Grund vergleichsweise strikte Betriebsrandbedingungen auf den Betrieb der Batterie auferlegt werden, so dass entsprechende Einschränkungen für den Benutzer auffällig werden, ohne dass dies tatsächlich notwendig wäre. Bei einer Unterschätzung der Alterung der Batterie kann die Lebensdauer oder der Wirkungsgrad oder die Ressourceneffizienz beim Betrieb der Batterie herabgesetzt werden. Insgesamt kann die Sicherheit beim Betrieb der Batterie herabgesetzt werden, wenn z.B. Fehlerzustände der Batterie nicht frühzeitig erkannt werden.
  • Gemäß verschiedenen hierin beschriebenen Beispielen können solche Nachteile und Einschränkungen der Alterungsschätzung vermieden oder gelindert werden. Dazu kann im Allgemeinen ein Autoencoder künstliches neuronales Netzwerk (Autoencoder-KNN) eingesetzt werden. Ein Autoencoder-KNN umfasst ein Encoder-KNN und ein Decoder-KNN. Während des Trainings des Autoencoder-KNN werden ideale Zustandsdaten (d.h. z.B. simulierte Zustandsdaten oder manuell korrigierte Zustandsdaten, die keine oder nur vergleichsweise wenig Fehler wie oben geschildert aufweisen) oder fehlerbehaftete Zustandsdaten als Eingabe in das Autoencoder-KNN verwendet und als Referenz werden ideale Referenz-Zustandsdaten zum Bestimmen einer entsprechenden Verlustfunktion benutzt. Dann können die Gewichte von ein oder mehreren versteckten Schichten (engl. hidden layers) des Encoder-KNN und des Decoder-KNN angepasst werden. Dieses Training erfolgt typischerweise in einer iterativen Anpassung der Gewichte durch einen Optimierungsalgorithmus, bis die Verlustfunktion einen Extremwert annimmt. Typischerweise kann das Training ohne Überwachung erfolgen. Das Encoder-KNN gibt eine codierte Repräsentation der initialen Zustandsdaten aus, auf die es angewendet wird. Die codierte Repräsentation kann eine Dimensionalitätsreduktion gegenüber den initialen Zustandsdaten bewirken. Eine solche Reduktion der Dimensionalität (d.h. eine Komprimierung) kann dadurch erreicht werden, dass typischerweise die verschiedenen Bestandteile der initialen Zustandsdaten nicht vollständig unabhängig voneinander sind, sondern miteinander korrelieren. Diese Korrelationen können im Rahmen des trainierenden Autoencoder-KNN angelernt werden, so dass die Dimensionalitätsreduktion ermöglicht wird. Solche Korrelationen können z.B. dadurch auftreten, dass die Initialen Zustandsdaten mehrere Betriebsgrößen beschreiben, die miteinander korrelieren: typischerweise korreliert z.B. Strom und Spannung bei Betrieb einer Batterie miteinander. Weiterhin könnte z.B. die Temperatur der Batterie mit dem Stromfluss durch die Batterie korrelieren, usw.
  • Die codierte Repräsentation der Zustandsdaten wird also vom Encoder-KNN erhalten. Das Decoder-KNN kann dann optional auf die codierte Repräsentation der initialen Zustandsdaten, wie sie vom Encoder-KNN erhalten wird, angewendet werden. Das Decoder-KNN kann dann rekonstruierte Zustandsdaten bereitstellen, die mit den initialen Zustandsdaten korrelieren. Auf Grundlage der rekonstruierten Zustandsdaten kann anschließend die Alterungsschätzung durchgeführt werden. Daraus wird ein Zustandsindikator erhalten, der indikativ für den Alterungszustand der Batterie ist (Alterungswert).
  • Dabei ist es aber nicht in allen hierin beschriebenen Varianten notwendig, dass im Rahmen der Alterungsschätzung - während der Inferenz des Alterungswerts - das Decoder-KNN angewendet wird (vielmehr kann in verschiedenen Beispielen des Decoder-KNN lediglich für das Training des Encoder-KNN verwendet werden und während der Inferenzphase dann nicht weiter verwendet werden).
  • In manchen Beispielen kann die Alterungsschätzung nämlich auch auf Grundlage der codierten Repräsentation der Zustandsdaten, wie sie vom Encoder-KNN erhalten wird, durchgeführt werden. Dies kann insbesondere dann möglich sein, wenn zum Durchführen der Alterungsschätzung ein ML-Algorithmus verwendet wird, also z.B. ein weiteres KNN. Eine solche Technik hat den Vorteil, dass aufgrund der Dimensionalitätsreduktion die codierte Repräsentation der initialen Zustandsdaten gegenüber den initialen Zustandsdaten selbst der Rechenaufwand des Durchführens der Alterungsschätzung basierend auf decodierten Repräsentation der Zustandsdaten vergleichsweise geringer ist.
  • Allgemein formuliert können durch die Verwendung eines solches Autoencoder-KNN verschiedene Effekte erzielt werden. Insbesondere kann, erstens, eine Komprimierung erreicht werden, indem die codierte Repräsentation der initialen Zustandsdaten eine Dimensionalitätsreduktion gegenüber den initialen Zustandsdaten selbst aufweist. Dies ermöglicht das Einsparen von Speicherplatz und das effizientere Durchlaufen von Daten weiterverarbeitenden Modellen, beispielsweise im Zusammenhang mit dem Durchführen der Alterungsschätzung. Zweitens kann es durch einen Vergleich der rekonstruierten Zustandsdaten mit den initialen Zustandsdaten ermöglicht werden, Fehler in den initialen Zustandsdaten zu identifizieren. Tritt nämlich eine Abweichung zwischen den rekonstruierten Zustandsdaten und den initialen Zustandsdaten auf, so kann diese Abweichung indikativ für einen entsprechenden Fehler sein. Dann wäre es z.B. denkbar, die Alterungsschätzung in Abhängigkeit von den ein oder mehreren Abweichungen, die durch den Vergleich der rekonstruierten Zustandsdaten mit den initialen Zustandsdaten erkannt werden, durchzuführen. Zum Beispiel könnte derart eine Zuverlässigkeit der Alterungsschätzung abgeschätzt werden, nämlich indem durch den Vergleich der rekonstruierten Zustandsdaten mit den initialen Zustandsdaten die Zuverlässigkeit der initialen Zustandsdaten selbst geschätzt wird. Es wäre aber auch denkbar, dass die initialen Zustandsdaten in Abhängigkeit von den ein oder mehreren erkannten Abweichungen gefiltert oder gewichtet, vor dem Durchführen der Alterungsschätzung. Derart könnte beispielsweise erreicht werden, dass ein Bereich der initialen Zustandsdaten, in dem die ein oder mehreren Abweichungen erkannt werden - und der deshalb als fehlerbehaftet angenommen werden kann -, beim Durchführen der Alterungsschätzung nicht oder weniger stark berücksichtigt wird. Dadurch kann das Konfidenzniveau der Alterungsschätzung erhöht werden. Es ist also möglich, die Datenqualität der initialen Zustandsdaten durch eine entsprechende Korrektur bzw. Filterung aufzuwerten.
  • Es wäre denkbar, dass die Alterungsschätzung wahlweise in Abhängigkeit von den initialen Zustandsdaten oder den rekonstruierten Zustandsdaten ausgeführt wird. Zum Beispiel wäre es denkbar, dass zwischen den initialen Zustandsdaten und den rekonstruierten Zustandsdaten für das Durchführen der Alterungsschätzung in Abhängigkeit von den ein oder mehreren Abweichungen zwischen den initialen Zustandsdaten und den rekonstruierten Zustandsdaten ausgewählt wird. Als Beispiel: Werden kaum oder nur geringe Abweichungen erkannt, so kann geschlussfolgert werden, dass die Datenqualität der initialen Zustandsdaten gut ist. Dann kann darauf verzichtet werden, auf die rekonstruierten Zustandsdaten im Zusammenhang mit dem Durchführen der Alterungsschätzung zurückzugreifen; vielmehr können die initialen Zustandsdaten verwendet werden. Werden jedoch signifikante Abweichung zwischen den initialen Zustandsdaten und den rekonstruierten Zustandsdaten festgestellt, so kann es erstrebenswert sein, die rekonstruierten Zustandsdaten für das Durchführen der Alterungsschätzung zu verwenden. Dies kann daran liegen, dass andernfalls ein Konfidenzniveau für den bestimmten Alterungswert auf Grundlage der fehlerbehafteten initialen Zustandsdaten besonders schlecht wird.
  • Alternativ oder zusätzlich zur Berücksichtigung der erkannten ein oder mehreren Abweichungen zwischen den initialen Zustandsdaten und den rekonstruierten Zustandsdaten im Rahmen der Alterungsschätzung wäre es auch denkbar, dass die entsprechende Information - die indikativ für einen Fehler in den initialen Zustandsdaten bzw. ein Konfidenzniveau der initialen Zustandsdaten ist - im Rahmen der Überwachung des Betriebs der Batterie selbst verwendet wird (also nicht notwendigerweise zur Alterungsschätzung verwendet wird). Beispielsweise könnte ein Fehlermodus für die Batterien Abhängigkeit von den ein oder mehreren Abweichungen ausgelöst werden. Der Fehlermodus könnte einen Benutzer der Batterie z.B. darüber informieren, dass eine Wartung der Batterie bzw. eines Batteriemanagementsystem oder einer entsprechenden Telematik-Einheit erforderlich ist. Zum Beispiel könnte ein Sensorausfall identifiziert werden. Es könnte ein Fehler der Kommunikationsschnittstelle (z.B. Aussetzer in der Übertragung) erkannt werden. Derart kann der Betrieb der Batterie besonders zuverlässig implementiert werden. Ausfälle oder Fehler im Betrieb der Batterie können erkannt werden. Es können entsprechende Gegenmaßnahmen rechtzeitig eingeleitet werden.
  • In manchen Beispielen wäre es auch denkbar, dass der Betrieb der Batterie selbst basierend auf den rekonstruierten Zustandsdaten gesteuert wird. Eine solche Steuerung des Betriebs der Batterie basierend auf den rekonstruierten Zustandsdaten kann wiederum alternativ oder zusätzlich zur Verwendung der rekonstruierten Zustandsdaten im Zusammenhang mit der Alterungsschätzung erfolgen. Um dem Betrieb der Batterie basierend auf den rekonstruierten Zustandsdaten zu steuern, wäre es beispielsweise denkbar, dass die rekonstruierten Zustandsdaten - die durch Anwenden des Autoencoder-KNNs z.B. zentral auf einem Server erzeugt werden - zu einem Batteriemanagementsystem der Batterie übertragen werden, so dass dieses den Betrieb der Batterie - also z. B. das Steuern von Lade- oder Entladevorgängen - basierend auf den rekonstruierten Zustandsdaten durchführen kann. Derart kann der Betrieb der Batterie besonders genau gesteuert werden und insbesondere können Fehler in den initialen Zustandsdaten kompensiert werden.
  • Voranstehend wurden verschiedene Varianten beschrieben, bei denen auf Grundlage der rekonstruierten Zustandsdaten eine nachfolgende Datenweiterverarbeitung - etwa im Rahmen des Durchführens der Alterungsschätzung und/oder im Zusammenhang mit dem Auslösen des Fehlermodus und/oder betreffend die Steuerung des Betriebs der Batterie - erfolgt. Diese Techniken werden nachfolgend im Zusammenhang mit den FIGs. näher beschrieben.
  • 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 z.B. 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 Betriebsdaten 41 an den Server 81 senden können. Beispielsweise wäre es möglich, dass die Betriebsdaten 41 indikativ sind für ein oder mehrere Betriebsgrößen der jeweiligen Batterie 91-96, z.B. Ladungszustand, Stromfluss, Spannung, usw.
  • Die Betriebsdaten 41 können, als allgemeine Regel, z.B. Messdaten und/oder anhand der Messdaten bestimmte Zustandsdaten umfassen. 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 ein oder mehreren Betriebszustände quantifizieren. Anhand der Messdaten können die Zustandsdaten bestimmt werden. In einer einfachen Implementierung können die Zustandsdaten direkt den Messdaten entsprechen. Es wäre aber auch möglich, die Messdaten zu verarbeiten, um derart Zustandsdaten zu erhalten. Beispielsweise könnte eine Zeitauflösung geändert werden, z.B. durch eine Tiefpassfilterung. Eine Signalglättung könnte erfolgen. Allgemein formuliert können die Zustandsdaten als zeitaufgelöste Wertereihe bereitgestellt werden. Alternativ oder zusätzlich wäre es aber auch denkbar, dass die Zustandsdaten als sogenanntes Lastkollektiv bereitgestellt werden. Dabei wird die Häufigkeit des Auftretens von Werten von ein oder mehreren Betriebsgrößen quantifiziert, z.B. für zwei oder mehr Betriebsgrößen 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 Zustandsdaten z.B. den Bruchteil der Betriebszeit oder der Betriebszyklen indizieren könnte, in denen bestimmte Wertekombinationen für mehrere Betriebsgrößen im Betrieb auftreten. Das Lastkollektiv kann insbesondere Stressfaktoren indizieren, d.h. solche Betriebsgrößen, 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 Zustandsdaten als zeitaufgelöste Wertereihe und/oder als Lastkollektiv - denkbar, dass die Zustandsdaten die ein oder mehreren Betriebsgrößen Ereignis-bezogen indizieren. Dies bedeutet, dass die Zustandsdaten die ein oder mehreren Betriebsgrößen in Abhängigkeit von ein oder mehreren vorgegebenen Ereigniskriterien indizieren könnten. Nimmt beispielsweise mindestens eine der ein oder mehreren Betriebsgrößen einen vorgegebenen Wert oder Wertebereich an, dann könnte das Kriterium für das Vorliegen eines Ereignisses erfüllt sein. In diesem Fall könnten die Zustandsdaten für einen bestimmten Zeitausschnitt die entsprechende mindestens eine Betriebsgröße oder auch ein oder mehrere weitere Betriebsgrößen zeitaufgelöst indizieren, rund um das Ereignis herum - dort können entsprechende Zeitreihen der Messdaten als Zustandsdaten übertragen werden.
  • In 1 ist auch beispielhaft illustriert, dass der Server 81 über die Kommunikationsverbindungen 49 Steuerdaten 42 an die Batterien 91-96 senden kann. Dadurch kann der Betrieb der Batterien 91-96 gesteuert werden. 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. Das könnte aber auch basierend auf rekonstruierten Zustandsdaten, die vom Server 81 durch ein Autoencoder-KNN erhalten werden.
  • In 1 ist außerdem für jede der Batterien 91-96 schematisch ein jeweiliger Alterungswert 99 illustriert (z.B. 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, d.h. Techniken, die das Durchführen einer Alterungsschätzung unter Verwendung eines Autoencoder-KNNs betreffen.
  • 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 z.B. durch Software auf einem CPU implementiert sein. Alternativ oder zusätzlich könnte z.B. ein Applikationsspezifischer 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 (welches dann manchmal auch als Telematik-Einheit bezeichnet wird). 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 z.B. Betriebsgrößen der jeweiligen Batterie messen, etwa den Stromfluss und/oder die Spannung in zumindest einigen der Batteriezellen. Die Sensoren können alternativ oder zusätzlich auch andere Betriebsgrößen 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 der Betriebsdaten 41 an den Server 81 zu senden. Das heißt es wäre denkbar, dass eine Vorverarbeitung der Messdaten zum Erhalten der Betriebsdaten 41 durch das Managementsystem 61 durchgeführt wird, sodass Zustandsdaten erhalten werden; es wäre aber auch denkbar, dass die Messdaten von den Betriebsdaten 41 direkt an den Server 81 gesendet werden. Das bedeutet: Die Messdaten können zu einem kleineren oder größeren Umfang von dem Managementsystem 61 vorverarbeitet werden, bevor diese in Form der Betriebsdaten 41 gesendet werden. Zum Beispiel wäre eine Komprimierung denkbar, etwa in Form eines Lastkollektivs. Es könnten auch Messwerte gefiltert werden, z.B. 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 (z.B. für den gegenwärtigen Zeitpunkt oder zur Prädiktion) für die Batterien 91-96 mittels einer Alterungsschätzung, z.B. mit einem empirisch-parametrisierten Modell oder einem ML-Algorithmus; Anwenden eines vorgelagerten Algorithmus zum Bestimmen von Zustandsdaten basierend auf Messdaten; Trainieren und/oder Anwenden eines ML-Algorithmus auf die Zustandsdaten zum Bestimmen des Alterungswerts, etwa eines Autoencoder-KNN; Anwenden eines Encoder-KNN des Autoencoder-KNN und optional eines Decoder-KNN des Autoencoder-KNN; Senden von Steuerdaten an Batterien 91-96, z.B. um Betriebsrandbedingungen einzustellen; Hinterlegen von einem Ergebnis einer Charakterisierung bzw. eines Alterungswerts einer entsprechenden Batterie 91-96 in einer Datenbank 82; Auslösen eines Fehlermodus für die Batterien 91-96; Steuern des Betriebs der Batterien 91 -96; etc.
  • Als Nächstes werden Details im Zusammenhang mit möglichen Implementierungen der Zustandsdaten - die beispielsweise von dem Server 81 auf Grundlage von Messdaten bestimmt werden können, oder aber schon durch das Managementsystem 61 bestimmt werden können - beschrieben.
  • 4 illustriert beispielhaft Zustandsdaten 201. Im Beispiel der 4 indizieren die Zustandsdaten 201 einen Zeitverlauf des Stromflusses 202 in ein oder mehreren Zellen einer Batterie 91-96. Als allgemeine Regel wäre es aber denkbar, dass der Zeitverlauf von weiteren oder anderen Betriebsgrößen der Batterien 91-96 durch die Zustandsdaten 201 indiziert wird. Die Zustandsdaten 201 können auf Grundlage von Messdaten erhalten werden, die von ein oder mehreren Sensoren - z.B. im Fall des Stromflusses 202 durch einen Shuntwiderstand - gemessen werden.
  • Im Beispiel der 4 ist dargestellt, dass die Zustandsdaten 201 für ein Sampling-Interval 203 erhalten werden. Das Sampling-Intervall könnte z.B. in absoluter Zeit fortlaufen definiert sein („sliding window“). Als allgemeine Regel wäre es aber auch denkbar, dass das Sampling-Interval 203 basierend auf dem Überwachen des Ladungszustands der Batterie bestimmt wird. Allgemeiner formuliert die Messdaten basierend auf dem Überwachen des Ladungszustands gesampelt werden, um die Zustandsdaten 201 zu erhalten. Dies bedeutet, dass die Zustandsdaten einem bestimmten Zeitausschnitt der Messdaten entsprechen und/oder einen bestimmten Teil aller Messwerte der Messdaten umfassen (etwa nur jeden zweiten oder dritten Messwert, z.B. im Rahmen einer Tiefpassfilterung). Durch ein solches Sampling der Messdaten zum Erhalten der Zustandsdaten 201 kann erreicht werden, dass nachfolgende ML-Algorithmen - beispielsweise ein Autoencoder-KNN - die entsprechenden Zustandsdaten verarbeiten können, d.h., dass die Dimensionalität der Zustandsdaten mit einer von einem Eingang des nachfolgenden ML-Algorithmus erwarteten Dimensionalität übereinstimmt. Das Sampling der Messdaten zum Erhalten der Zustandsdaten kann - wie obenstehend bereits beschrieben - auf dem Server 81 durchgeführt werden, oder aber lokal an den jeweiligen Batterien, z.B. durch das Managementsystem 61 (vergleiche 2). Indem das Sampling vom Überwachen des Ladungszustands abhängt, kann sichergestellt werden, dass die nachfolgende Verarbeitung der Zustandsdaten 201 durch einen ML-Algorithmus - beispielsweise einen Autorencoder-KNN - einen signifikanten Ausschnitt der Messdaten beinhaltet und damit zuverlässig und ohne große Unsicherheit betrieben werden kann. Beispielsweise wird vermieden, dass lediglich Rauschen oder Messwerte im Ruhezustand an den nachfolgenden ML-Algorithmus übergeben wird, was zu unvorhersehbaren Ergebnissen führen könnte.
  • Beispielsweise wäre es denkbar, dass das Sampling-Interval 203 Ladungszyklen der jeweiligen Batterie 91-96 entspricht, d.h. zum Beispiel volle Ladung, volle Entladung oder umgekehrt. Es könnten auch äquivalente Vollzyklen, gemessen an der Nominalkapazität (auch als Nennkapazität bezeichnet, d.h. diejenige Kapazität, die die Batterie im neuen Zustand aufweist), als Sampling-Interval 203 verwendet werden. Es kann also zum Beispiel ein Schwellenwert bestimmt werden, bis zu welchem das Laden der Batterie fortgeschritten sein soll, bis das Sampling-Intervall 203 beendet wird. Der Schwellenwert könnte in Abhängigkeit von der aktuellen Kapazität oder der Nominalkapazität bestimmt sein. Die aktuelle Kapazität kann durch eine vorangegangene Alterungsschätzung erhalten werden. Eine andere Implementierungsvariante für die Bestimmung des Sampling-Intervals 203 beruht auf dem Ladungsdurchsatz: Beispielseite könnte die Stromstärke über der Zeit integriert werden und, wenn ein bestimmter vorgegebener Schwellenwert überschritten wird, kann das Sampling-Interval 203 abgeschlossen sein. Alle solche Techniken zum Bestimmen des Sampling-Intervals ermöglichen es, dass reproduzierbar Zustandsdaten an das Autoencoder-KNN übergeben werden, die vergleichbare Betriebsabschnitte der Batterie beschreiben. Dadurch kann - mit einem entsprechenden Training unter Verwendung der entsprechenden Referenz-Zustandsdaten - eine besonders genaue Alterungsschätzung erfolgen.
  • Im Beispiel der 4 ist illustriert, dass die Zustandsdaten 201 fehlerbehaftet sind. Insbesondere ist in 4 dargestellt, dass die Zustandsdaten 201 einen zeitlichen Ausreißer 205 aufweisen, bei dem die Messwerte für den Stromfluss 202 plötzlich zeitlich begrenzt von den benachbarten Messwerten abweichen. Außerdem ist in 4 dargestellt, dass in einem Bereich 206 keine Messwerte für den Stromfluss 202 vorhanden sind, d.h. die Zustandsdaten 201 sind unvollständig. Im Beispiel der 4 sind die Zustandsdaten 201 auch mit Rauschen behaftet, was sich an schnellen Veränderungen des Stromflusses 202 bemerkbar machen kann. Dies sind lediglich Beispiele für verschiedene Unzulänglichkeiten von Zustandsdaten 201 und in verschiedenen Varianten können solche Unzulänglichkeiten einzelnen oder überlagert auftreten oder es wäre auch denkbar, dass andere Unzulänglichkeiten der Zustandsdaten 201 beobachtet werden. Gemäß verschiedenen hierin beschriebenen Techniken ist es möglich, eine Alterungsschätzung oder andere Datenweiterverarbeitung auf Grundlage der fehlerbehafteten Zustandsdaten 201 zuverlässig und genau durchzuführen, in dem ein Autoencoder-KNN verwendet wird.
  • Als allgemeine Regel können unterschiedlichste Fehlertypen für die initialen Zustandsdaten auftreten, beispielsweise eine geringe Zeitauflösung (das heißt eine geringe sämtlichen Rate), eine geringe Auflösung der Messwerte für die jeweilige Betriebsgröße, ein Offset der Messwerte für die jeweilige Betriebsgröße, Datensynchronität und Inkonsistenzen. Solche und weitere Fehlertypen können mittels der hierin beschriebenen Techniken im Zusammenhang mit den rekonstruierten Zustandsdaten behoben werden.
  • Dabei ist es aber nicht in allen Varianten erforderlich, dass die Zustandsdaten 201 zeitaufgelöst bereitgestellt werden, wie im Beispiel der 4. Voranstehend wurden verschiedene Beispiele beschrieben, bei denen die Zustandsdaten 201 eine Betriebsgröße - im Beispiel der 4 den Stromfluss 202 - zeitaufgelöst abbilden. Dies ist lediglich ein Beispiel. In anderen Beispielen, wie in 5 dargestellt, wäre es auch denkbar, dass die Zustandsdaten 210 in Form eines Lastkollektiv vorliegen. Dabei sind die Betriebsgrößen Entladungstiefe 212 und Ladungszustand 211 miteinander korreliert. Die entsprechenden Werte indizieren die - typischerweise relativ definierte - Häufigkeit des Betriebs der jeweiligen Batterie 91-96 bei den jeweiligen Betriebsgrößen 211, 212 (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 Zustandsdaten 210 nicht bereitgestellt.
  • In den verschiedenen hierin beschriebenen Beispielen können solche Zustandsdaten 201, 210 mittels ein oder mehreren ML-Algorithmen verarbeitet werden. Insbesondere ist es möglich, dass eine Verarbeitung mittels eines Autoencoder-KNN stattfindet. Details zum Autoencoder-KNN werden als nächstes im Zusammenhang mit 6 bis 8 beschrieben.
  • 6 illustriert einen Teil des Autoencoder-KNN, nämlich ein Encoder-KNN 311, welches mehrere versteckte Schichten 312 aufweist. Beispiele für solche Schichten 312 können z.B. sein: Aktivierungsschichten, RNN-Schichten oder Dense-Schichten. Die Anzahl der Neuronen pro Schicht 312 kann variieren. Das Encoder-KNN 311 wird auf eine Eingabe 301 angewendet, die z.B. in Form der Zustandsdaten 201 im Sampling-Interval 203 vorliegen kann und/oder in Form der Zustandsdaten 210 als Lastkollektiv. Es wird eine Ausgabe 321 vom Encoder-KNN 311 erhalten, die dann einer codierten Repräsentation der Eingabe 311 entspricht. Die Ausgabe 321 weist eine Dimensionalitätsreduktion gegenüber der Eingabe 301 auf.
  • 7 illustriert Aspekte im Zusammenhang mit dem Autoencoder-KNN, und zwar insbesondere im Zusammenhang mit dem Decoder-KNN 361. Auch das Decoder-KNN 361 weist mehrere versteckte Schichten 362 auf, die eine unterschiedliche Anzahl von Neuronen aufweisen können. Wiederum können z.B. ein oder mehrere der folgenden Schichten verwendet werden: Aktivierung; RNN; Dense. Dargestellt ist, dass eine Ausgabe 371 vom Decoder-KNN 361 erhalten wird, wenn dieses auf eine Eingabe 351 angewendet wird. Die Eingabe 351 des Decoder-KNN 361 kann in verschiedenen Beispielen der Ausgabe 321 des Encoder-KNN 311 entsprechen, insbesondere wenn die volle Funktionalität des Autoencoder-KNNs verwendet wird. In einem solchen Fall entspricht dann die Ausgabe 371 des Decoder-KNN einer rekonstruierten Variante der Eingabe 301 in das Encoder-KNN. Das bedeutet, dass z.B. bei Anwendung des Encoder-KNN 311 auf Zustandsdaten 201, 210, die ein oder mehrere Betriebsgrößen einer Batterie 91-96 beschreiben, rekonstruierte Zustandsdaten als Ausgabe 371 erhalten werden können.
  • Nachfolgend wird im Zusammenhang mit 8 beschrieben, wie durch Verwendung solcher Autoencoder-KNN-Techniken, wie sie im Zusammenhang mit 6 und 7 beschrieben wurden, vorteilhafte Effekte im Zusammenhang mit der Verarbeitung der Zustandsdaten 201, 210 erzielt werden können.
  • 8 ist ein Flussdiagramm eines beispielhaften Verfahrens. Das Verfahren kann z.B. gänzlich auf dem Server 81 ausgeführt werden, es wäre aber auch möglich, dass das Verfahren gänzlich auf einem Managementsystem 61 einer der Batterien 91-96 ausgeführt wird. Es wären auch kombinierte Varianten denkbar, bei denen einzelne Schritte des Verfahrens aus 8 auf dem Managementsystem 61, das einer der Batterien 91-96 zugeordnet ist, ausgeführt werden, und weitere Schritte auf dem Server 81 ausgeführt werden. Das Verfahren aus 8 kann z.B. von einem Prozessor ausgeführt werden, basierend auf Programmcode, den dieser aus einem nichtflüchtigen Speicher lädt (vergleiche z.B. 3: Prozessor 51 und Speicher 52).
  • In 8 sind optionale Schritte mit gestrichelten Linien gekennzeichnet.
  • Zunächst erfolgt im optionalen Block 3005 das Vorverarbeiten von Messdaten, um initiale Zustandsdaten zu erhalten. Beispielsweise könnten unterschiedliche Operationen im Zeitraum und/oder Frequenzraum angewendet werden, z.B. ein Sampling, ein Hochpassfilter, ein Tiefpassfilter, usw. Beispielsweise wäre es denkbar, dass das Sampling in Abhängigkeit von einer Überwachung des Ladens/Entladens der jeweiligen Batterie 91-96 erfolgt, d.h., dass der Ladungszustand der Batterie überwacht wird und das Sampling basierend auf dem Überwachen des Beladungszustandes durchgeführt wird. Details im Zusammenhang mit dem Sampling wurden voranstehend beispielsweise im Zusammenhang mit 4 diskutiert.
  • Im Rahmen von Block 3005 wäre es auch denkbar, Messwerte zu akkumulieren bzw. im Rahmen eines Histogrammen-Ansatzes ein Lastkollektiv zu erstellen, wie voranstehend im Zusammenhang mit 5 beschrieben.
  • Dann werden die derart erhaltenen initialen Zustandsdaten im Block 3010 mittels eines Encoder-KNN codiert, d.h. das Encoder-KNN wird angewendet auf die initialen Zustandsdaten, um derart eine codierte Repräsentation der initialen Zustandsdaten zu erhalten. Entsprechende Techniken im Zusammenhang mit dem Encoder-KNN wurden voranstehend im Zusammenhang mit 6 beschrieben.
  • Wenn die codierten initialen Zustandsdaten aus Block 3010 erhalten wurden, kann anschließend Block 3015 durchgeführt werden. Beispielsweise wäre es denkbar, dass Blöcke 3005 und 3010 auf eine Managementsystem 61 der jeweiligen Batterie 91-96 durchgeführt werden, vergleiche z.B. 2. Dann wäre es denkbar, dass im Rahmen von Block 3015 die derart erhaltenen codierten Zustandsdaten - die in der Größe gegenüber den initialen Zustandsdaten reduziert sind - über die Kommunikationsverbindung 49 an den Server 81 übertragen werden (vergleiche auch 1). Alternativ oder zusätzlich wäre es denkbar, dass die codierte Repräsentation der initialen Zustandsdaten zwischengespeichert wird, z.B. in der Datenbank 82. Eine solche Zwischenspeicherung kann z.B. dazu dienen, das Durchführen der Alterungsschätzung verzögern zu können, beispielsweise bis genügend Instanzen der initialen Zustandsdaten bzw. decodierten initialen Zustandsdaten erhalten wurden, um eine genaue Alterungsschätzung mit genügend großer Datengrundlage durchführen zu können. In jedem Fall kann es zuträglich sein, dass die codierten initialen Zustandsdaten der Größe gegenüber den initialen Zustandsdaten reduziert sind, um damit Rechenressourcen und Speicherressourcen zu schonen.
  • In 8 sind dann zwei Varianten dargestellt, nämlich einmal gemäß Zweig 3020-3025; und einmal gemäß Zweig 3030. Zunächst wird die Variante gemäß Zweig 3020-3025 beschrieben.
  • In dieser Variante gemäß Zweig 3020-2025 erfolgt das decodieren der codierten Repräsentation der initialen Zustandsdaten in Block 3020, nämlich indem ein Decoder-KNN (vergleiche 7) auf die codierte Repräsentation der initialen Zustandsdaten angewendet wird. Das Decoder-KNN stellt dann rekonstruierte Zustandsdaten bereit. Die rekonstruierten Zustandsdaten können anschließend in Block 3025 ausgewertet werden, z.B. indem eine Alterungsschätzung basieren auf den rekonstruierten Zustandsdaten durchgeführt wird, um einen Alterungswert zu erhalten, der indikativ für den Alterungszustand der Batterie ist. Als allgemeine Regel kann der Alterungswert indikativ für den Ist-Alterungszustand zum gegenwärtigen Zeitpunkt sein, auf den sich die Zustandsdaten beziehen. Alternativ oder zusätzlich wäre es aber auch denkbar, dass die Alterungsschätzung eine Vorhersage für den Alterungswert trifft, also den Alterungswert für einen Zeitpunkt bestimmt, der vor dem neuesten Zeitpunkt, auf den sich die Zustandsdaten beziehen, liegt. Alternativ oder zusätzlich zu einer solchen Auswertung der rekonstruierten Zustandsdaten zum Zwecke der Alterungsschätzung wäre es beispielsweise möglich, dass in Abhängigkeit von den rekonstruierten Zustandsdaten ein Fehlermodus der Batterie gelöst wird. In diesem Zusammenhang wäre es nämlich insbesondere möglich, dass die rekonstruierten Zustandsdaten mit den initialen Zustandsdaten verglichen werden, um eine oder mehrere Abweichungen zu erkennen. Wenn eine oder mehrere Abweichungen erkannt werden, kann der Fehlermodus ausgelöst werden. Die Abweichungen können nämlich indikativ dafür sein, dass die initialen Zustandsdaten fehlerbehaftet sind, also z.B. Ausreißer 205 oder Lücken 206 aufweisen (wie z.B. im Zusammenhang mit 4 beschrieben). Solche Fehler in den initialen Zustandsdaten können indikativ für Probleme beim Betrieb der Batterie sein und entsprechend kann es hilfreich sein, den Fehlermodus auszulösen. Alternativ oder zusätzlich zu einem solchen Auslösen des Fehlermodus wäre es auch möglich, dass im Rahmen von Block 3025 und basierend auf den rekonstruierten Zustandsdaten der Batteriebetrieb gesteuert wird, nämlich z.B. indem entsprechende Steuerdaten 42 an die jeweilige Batterie 91-96 gesendet werden (vergleiche 1). Die rekonstruierten Zustandsdaten können nämlich z.B. korrigiert und/oder rekonstruiert im Vergleich zu den initialen Zustandsdaten sein. Das ist im Zusammenhang mit 9 dargestellt.
  • Das Beispiel der 9 entspricht grundsätzlich dem Beispiel 4: In 9 sind nämlich auch die initialen Zustandsdaten 201 (durchgezogene Linie) dargestellt. Ferner sind in 9 auch die rekonstruierten Zustandsdaten 209 (gepunktete Line) dargestellt, die durch Anwenden eines Autoencoder-KNN umfassend ein Encoder-KNN 311 sowie ein Decoder-KNN 361 erhalten werden. Aus 9 ist ersichtlich, dass der Ausreißer 205 korrigiert ist, sowie der Bereich 206 in denen keine initialen Zustandsdaten 201 vorhanden sind rekonstruiert ist.
  • Das Kompensieren eines Ausreißer 205 oder das Kompensieren eines Bereichs 206 in dem die Zustandsdaten fehlen - wie obenstehend beschrieben - sind aber nur Beispiele für Fehlertypen der initialen Zustandsdaten 201, die durch die hierin beschriebenen Beispiele im Zusammenhang mit dem Auto Encoder-KNN kompensiert werden können. Weitere Beispiele für Fehlertypen der initialen Zustandsdaten 201 wären zum Beispiel Erkennung oder Kompensation von fehlerhaften Messwerten. Als Beispiel könnte beschrieben werden, dass zum Beispiel ein Temperatursensor eine Fehlfunktion aufweist, wobei der Temperatursensor aber weiterhin (fehlerhafte) Messdaten bereitstellt. Im Rahmen dieser Fehlfunktion ist die Korrelation zwischen einer Zeitreihe von Temperaturmessdaten und einer weiteren Zeitreihe von Strommessdaten systematisch verschieden von einer entsprechenden Korrelation, die im Normalbetrieb beobachtet wird. Dies kann durch die Verwendung des Autoencoder-KNNs erkannt werden. Beispielsweise könnte dann ein Fehlermodus ausgelöst werden oder es wäre auch denkbar, dass korrigierte Temperaturmessdaten ausgegeben werden.
  • Wieder bezugnehmend auf 8: es wurde also beschrieben, wie auf Grundlage der rekonstruierten Zustandsdaten 209 der Betrieb der Batterien 91-96 gesteuert werden kann oder wie ein Fehlermodus ausgelöst werden kann. In den verschiedenen Beispielen wäre es auch denkbar, dass basierend auf den rekonstruierten Zustandsdaten, insbesondere einem Vergleich der rekonstruierten Zustandsdaten 209 mit den initialen Zustandsdaten 201, die Alterungsschätzung der entsprechenden Batterie 91-96 durchgeführt wird. Die Alterungsschätzung kann in Abhängigkeit von ein oder mehreren Abweichungen (in 9 durch die Pfeile illustriert) zwischen den initialen Zustandsdaten 201 und den rekonstruierten Zustandsdaten 209 durchgeführt werden. Beispielsweise wäre es denkbar, dass entweder die initialen Zustandsdaten 201 oder die rekonstruierten Zustandsdaten 209 - je nachdem ob die Alterungsschätzung basierend auf den initialen Zustandsdaten 201 oder aber basierend auf den rekonstruierten Zustandsdaten 209 durchgeführt wird) gefiltert und/oder gewichtet werden, bevor die Alterungsschätzung durchgeführt wird, d.h., bevor ein entsprechender Algorithmus (beispielsweise ein weiteres KNN oder aber ein empirisch parametrisiertes Modell) auf die internen Zustandsdaten 201, 210 oder die rekonstruierten Zustandsdaten 209 angewendet wird. Derart kann erreicht werden, dass die Alterungsschätzung Bereiche in den jeweiligen Zustandsdaten 201, 210, 209, die mit einer größeren Ungenauigkeit assoziiert sind (das ist typischerweise dort der Fall, wo die Abweichung zwischen den initialen Zustandsdaten 201, 210 und den rekonstruierten Zustandsdaten 209 groß ist) weniger stark im Rahmen der Alterungsschätzung berücksichtigt werden. Dadurch kann auch die Alterungsschätzung genauer durchgeführt werden.
  • Es wäre z.B. auch möglich, dass entweder die initialen Zustandsdaten 201, 210 oder aber die rekonstruierten Zustandsdaten 209 für das Durchführen der Alterungsschätzung in Abhängigkeit von diesen Abweichungen ausgewählt werden.
  • Eine Variante wie sie im Zusammenhang mit dem Zweig 3020-3025 in 8 illustriert ist, ist auch im Zusammenhang mit 10 dargestellt. In 10 ist das Autoencoder-KNN 310 dargestellt, welches die Reihenschaltung von Encoder-KNN 311 und Decoder-KNN 361 umfasst. Als Eingabe 301 in das Autoencoder-KNN 310 werden die initialen Zustandsdaten 201, 210 verwendet und als Ausgabe 371 aus dem Autoencoder-KNN 310 werden dann die rekonstruierten Zustandsdaten 209 erhalten. Es ist auch die codierte Repräsentation 208 der initialen Zustandsdaten 201, 210 dargestellt.
  • Dann können ein oder mehrere Algorithmen 411 beispielsweise auf die rekonstruierten Zustandsdaten 209 angewendet werden, zur Nachbearbeitung. Als Algorithmen 411 kommen sowohl empirisch-parametrisierte Algorithmen in Frage wie auch ML-Algorithmen, beispielsweise KNNs oder Supportvektormaschinen.
  • Die ein oder mehreren Algorithmen können eine Ausgabe 421 in Form eines Alterungswerts bereitstellen, d.h. eine Alterungsschätzung durchführen (vgl. 1, Alterungswert 99). Alternativ oder zusätzlich könnte die Ausgabe 421 auch Steuerdaten 42 (vergleiche 1) betreffen, und derart einen Betrieb der Batterien 91-96 steuern. Es könnte auch ein Auslösesignal für den Fehlermodus ausgegeben werden.
  • In 10 ist auch dargestellt, dass in manchen Beispielen die ein oder mehreren Algorithmen 411 - zusätzlich oder alternativ zur Ausgabe 371 des Autoencoder-KNN 310 - auch auf die initialen Zustandsdaten 201, 210, d.h. die Eingabe 301 in das Autoencoder-KNN 310, angewendet werden können. Beispielsweise könnte eine Auswahl zwischen den verschiedenen Eingangspfaden in Abhängigkeit von den Abweichungen zwischen den rekonstruierten Zustandsdaten 209 und den initialen Zustandsdaten 201, 210 erfolgen.
  • Wieder bezugnehmend auf 8: Wie im Zusammenhang mit dem Zweig 3030 dargestellt, ist es nicht in allen Varianten erforderlich, dass die codierte Repräsentation 208 der initialen Zustandsdaten 201, 210 decodiert wird. Vielmehr wäre es denkbar, dass die Datenauswertung in Block 3030 basierend auf der codierten Repräsentation 208 der initialen Zustandsdaten 201, 210 durchgeführt wird. Dabei kann als allgemeine Regel die Datenauswertung in Block 3030 grundsätzlich der Datenauswertung in Block 3025 entsprechen, d.h. zum Beispiel eine Alterungsschätzung betreffen, das Ausführen eines Fehlermodus betreffen, und/oder der Steuern des Betriebs einer Batterie betreffen.
  • Eine entsprechende Variante gemäß dem Zweig 3030 des Verfahrens der 8 ist auch im Zusammenhang mit 11 illustriert. Dort ist dargestellt, dass von dem Autoencoder-KNN 310 lediglich das Encoder-KNN 311 verwendet wird und dann ein nachfolgender Algorithmus 431 zur Datenauswertung - hier als KNN mit mehreren verschiedenen versteckten Schichten implementiert - auf die Ausgabe des Encoder-KNN 311 angewendet wird, das heißt decodierten initialen Zustandsdaten 208.
  • Voranstehend wurden verschiedene Techniken beschrieben, um mittels des Autoencoder-KNN 310 die Zustandsdaten 201, 210 zu codieren und anschließend auszuwerten. Dies entspricht der Inferenz, beispielsweise um den Alterungswert - der nicht direkt gemessen werden kann - zu bestimmen, oder aber andere abgeleitete Größen zu ermitteln. Bezugnehmend auf 12, wo ein beispielhaftes Verfahren dargestellt ist, entspricht das dem Inferenzblock 3115.
  • Vor dem Durchführen der Inferenz in Block 3115 kann das Autoencoder-KNN 310 in Block 3110 trainiert werden. Dies bedeutet, dass mittels eines iterativen optimierenden Verfahrens, welches eine Verlustfunktion berücksichtigt, die verschiedenen Gewichte der Neuronen in den unterschiedlichen Schichten des Encoder-KNN 311 sowie in den verschiedenen versteckten Schichten 362 des Decoder-KNN 361 angepasst werden. Nachfolgend werden im Zusammenhang mit 13 Beispiele für eine Variante des Trainierens des Autoencoder-KNN 310 beschrieben.
  • Als allgemeine Regel kann - während des Trainings (vergleiche 12: Block 3110) - die Eingabe 301 in das Autoencoder-KNN 310 ideale (d.h. ohne oder ohne wesentliche Fehlerbehaftung vorliegende) Zustandsdaten umfassen, oder aber auch Zustandsdaten, die fehlerbehaftet sind, also z.B. Lücken, Sprünge, Rauschen usw. aufweisen. Als Referenz (d.h. als ground truth) können zu den als Eingabe 301 verwendeten Zustandsdaten passende ideale Zustandsdaten verwendet werden. Aus einem Vergleich der Ausgabe 371 des Autoencoder-KNN 310 mit diesen idealen Zustandsdaten kann dann die Verlustfunktion gebildet werden und die Gewichte-entsprechend angepasst werden. Zum Beispiel könnte eine Rückwärtspropagation verwendet werden. Eine iterative numerische Optimierung mit Anpassung der Gewichte kann verwendet werden.
  • Nun wird der spezifische Fall des Trainings gemäß dem Beispiel der 13 erläutert. Dort wird auch eine Verlustfunktion 391 basierend auf der Ausgabe 371 des Autoencoder-KNN 310 gebildet. Die Verlustfunktion 391 kann z.B. einen Unterschied zwischen der Ausgabe 371 des Autoencoder-KNN 310 und idealen Zustandsdaten (ground truth), die mit den Zustandsdaten, die als Eingabe 301 dienen, korrespondieren, bestimmt werden. In dem Beispiel der 13 wird ferner beim Bestimmen der Verlustfunktion 391 die Ausgabe 421 eines weiteren neuronalen Netzwerkes 431 berücksichtigt. Dieses weitere neuronale Netzwerk 431 wurde bereits im Zusammenhang mit 11 beschrieben und ermöglicht eine Datenauswertung basierend auf den rekonstruierten Zustandsdaten, die als Ausgabe 321 des Encoder-KNN 311 erhalten werden, durchzuführen. Beispielsweise könnte mittels des KNN 431 ein Alterungswert bestimmt werden. Dieser Alterungswert könnte dann verglichen werden mit einem Referenz-Alterungswert (ground truth) - etwa mittels Labormessungen bestimmt - und die Verlustfunktion 391 kann basierend auf diesem Vergleich bestimmt werden.
  • Derart kann sichergestellt werden, dass die Codierung im Encoder-KNN 311 so erfolgt, dass anschließend mittels des KNN 431 eine aussagekräftige Inferenz betreffend den Alterungswert im Zusammenhang mit der Alterungsschätzung durchgeführt werden kann.
  • Die Verlustfunktion 391 kann nicht nur zum Trainieren des Encoder-KNN 311 verwendet werden, sondern könnte auch zum Trainieren des KNN 431 verwendet werden. Die Verlustfunktion kann auch zum Training des Decoder-KNN 361 verwendet werden. Das ist in 13 durch die entsprechenden rückkoppelnden Pfeile dargestellt.
  • Zusammenfassend wurden voranstehend Techniken beschrieben, die es ermöglichen, Zustandsdaten an einer zentralen Stelle zu sammeln. Dann kann ein Autoencoder-KNN auf die Zustandsdaten angewendet werden: dies kann das Anwenden eines Encoder-KNN des Autoencoder-KNN umfassen, sowie optional das Anwenden eines Decoder-KNN des Autoencoder-KNN.
  • Die Verwendung des Autoencoder-KNN kann auf zeitkontinuierlichen Zustandsdaten basieren und diese aufwerten, d.h. zum Beispiel Fehlstellen rekonstruieren oder Fehlstellen korrigieren. Dies kann einen fehlerfreien, sicheren und effizienten Betrieb im Zusammenhang mit der Alterungsschätzung oder anderen Anwendungen, beispielsweise dem Betrieb der Batterien selbst, sicherstellen.
  • 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.
  • 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 102020100668 [0004]
  • Zitierte Nicht-Patentliteratur
    • J. Schmalstieg, S. Käbitz, M. Ecker, und D. U. Sauer, „A holistic aging model for Li(NiMnCo)O2 based 18650 lithium-ion batteries,“ Journal of Power Sources, Bd. 257, S. 325-334, 2014 [0034]

Claims (16)

  1. Verfahren zum Verarbeiten von Zustandsdaten (201, 210) einer Batterie (91-96), wobei das Verfahren umfasst: - Erhalten von initialen Zustandsdaten (201, 210), die ein oder mehrere Betriebsgrößen der Batterie (91-96) beschreiben, - Anwenden eines ersten neuronalen Netzwerks (311) auf die initialen Zustandsdaten (201, 210), um eine codierte Repräsentation (208) der initialen Zustandsdaten (201, 210) zu erhalten, - Anwenden eines zweiten neuronalen Netzwerks (361) auf die codierte Repräsentation (208) der initialen Zustandsdaten (201, 210), um rekonstruierte Zustandsdaten (209) zu erhalten, und - Durchführen einer Alterungsschätzung basierend auf den rekonstruierten Zustandsdaten (209), um einen Zustandsindikator (99) zu erhalten, der indikativ für einen Alterungszustand der Batterie (91-96) ist.
  2. Verfahren nach Anspruch 1, wobei das Verfahren weiterhin umfasst: - Vergleichen der rekonstruierten Zustandsdaten (209) mit den initialen Zustandsdaten (201, 210), um ein oder mehrere Abweichungen zu erkennen, wobei die Alterungsschätzung in Abhängigkeit von den ein oder mehreren Abweichungen durchgeführt wird.
  3. Verfahren nach Anspruch 2, wobei das Verfahren weiterhin umfasst: - Filtern und/oder Wichten der initialen Zustandsdaten (201, 210) und/oder der rekonstruierten Zustandsdaten (209) vor dem Durchführen der Alterungsschätzung und in einem Bereich, in dem die ein oder mehreren Abweichungen erkannt werden.
  4. Verfahren nach Anspruch 2 oder 3, wobei das Verfahren weiterhin umfasst: - Auslösen eines Fehlermodus für die Batterie (91-96) in Abhängigkeit von den ein oder mehreren Abweichungen.
  5. Verfahren nach einem der Ansprüche 2 bis 4, wobei das Verfahren weiterhin umfasst: - Auswählen der initialen Zustandsdaten (201, 210) oder der rekonstruierten Zustandsdaten (209) für das Durchführen der Alterungsschätzung in Abhängigkeit von den ein oder mehreren Abweichungen, wobei die Alterungsschätzung dann basierend auf den rekonstruierten Zustandsdaten ausgeführt wird, wenn diese ausgewählt werden.
  6. Verfahren nach einem der voranstehenden Ansprüche, wobei das Verfahren weiterhin umfasst: - Steuern des Betriebs der Batterie (91-96) basierend auf den rekonstruierten Zustandsdaten.
  7. Verfahren zum Verarbeiten von Zustandsdaten (201, 210) einer Batterie (91-96), wobei das Verfahren umfasst: - Erhalten von initialen Zustandsdaten (201, 210), die ein oder mehrere Betriebsgrößen der Batterie (91-96) beschreiben, - Anwenden eines ersten neuronalen Netzwerks (311) auf die initialen Zustandsdaten (201, 210), um eine codierte Repräsentation (208) der initialen Zustandsdaten (201, 210) zu erhalten, und - Durchführen einer Alterungsschätzung basierend auf der codierten Repräsentation der initialen Zustandsdaten (201, 210), um einen Zustandsindikator (99) zu erhalten, der indikativ für einen Alterungszustand der Batterie (91-96) ist, wobei das Durchführen der Alterungsschätzung das Anwenden eines zweiten neuronalen Netzwerks (431) auf die codierte Repräsentation (208) der initialen Zustandsdaten (201, 210) umfasst.
  8. Verfahren nach einem der voranstehenden Ansprüche, wobei das Verfahren weiterhin zumindest einen der folgenden Schritte umfasst: - Übertragen der codierten Repräsentation der initialen Zustandsdaten (201, 210) von einem der Batterie (91-96) zugeordneten Speicher zu einem zentralen Speicher zur Server-seitigen Weiterverarbeitung, und/oder - Zwischenspeichern der codierten Repräsentation der initialen Zustandsdaten (201, 210) bis zur Weiterverarbeitung.
  9. Verfahren nach einem der Ansprüche 1 bis 8, wobei die initialen Zustandsdaten (201) einen Zeitverlauf der ein oder mehreren Betriebsgrößen der Batterie (91-96) auflösen, wobei das Verfahren weiterhin umfasst: - Überwachen des Ladungszustands der Batterie (91-96), wobei die initialen Zustandsdaten (201) basierend auf einem Sampling von die ein oder mehreren Betriebsgrößen beschreibenden Messdaten der Batterie (91-96) erhalten werden, wobei das Sampling vom Überwachen des Ladungszustands abhängt.
  10. Verfahren nach einem der Ansprüche 1 bis 8, wobei die initialen Zustandsdaten (210) ein Lastkollektiv ein oder mehrerer Betriebsgrößen der Batterie (91-96) beschreiben.
  11. Verfahren nach einem der voranstehenden Ansprüche, wobei die initialen Zustandsdaten (209) ein oder mehrere Zeitreihen der ein oder mehreren Betriebsgrößen der Batterie umfassen, wobei die rekonstruierten Zustandsdaten (209) mindestens eine weitere Zeitreihe mindestens einer weiteren Betriebsgröße der Batterie umfassen, wobei die initialen Zustandsdaten (209) mindestens eine weitere Zeitreihe nicht umfassen.
  12. Verfahren nach Anspruch 11, wobei die ein oder mehreren Betriebsgrößen der Batterie umfassen: Spannung an mindestens einer Batteriezelle der Batterie und Temperatur; wobei die mindestens eine weitere Betriebsgröße umfasst: Stromfluss an der mindestens einen Batteriezelle.
  13. Verfahren zum Trainieren eines ersten neuronalen Netzwerks (311), wobei das erste neuronale Netzwerk (311) eingerichtet ist, um basierend auf initialen Zustandsdaten (201, 210), die ein oder mehrere Betriebsgrößen einer Batterie (91-96) beschreiben, eine codierte Repräsentation (208) der initialen Zustandsdaten (201, 210) bereitzustellen, wobei das Verfahren umfasst: - Anwenden eines zweiten neuronalen Netzwerks (361) auf die codierte Repräsentation (208) der initialen Zustandsdaten (201, 210), um rekonstruierte Zustandsdaten (209) zu erhalten, - Anwenden eines dritten neuronalen Netzwerks (431) auf die codierte Repräsentation (208) der initialen Zustandsdaten (201, 210), um einen Zustandsindikator (99), der indikativ für einen Alterungszustand der Batterie (91-96) ist, zu erhalten, - Bestimmen einer Verlustfunktion (391) für das Trainieren des ersten neuronalen Netzwerks (311) basierend auf einem Vergleich der rekonstruierten Zustandsdaten (209) mit den initialen Zustandsdaten (201, 210) sowie basierend auf einem Vergleich des Zustandsindikators (99) mit einem entsprechenden Referenzwert, und - Trainieren des ersten neuronalen Netzwerks (311) basierend auf der Verlustfunktion (391).
  14. Verfahren zum Verarbeiten von Zustandsdaten (201, 210) einer Batterie (91-96), wobei das Verfahren umfasst: - Erhalten von initialen Zustandsdaten (201, 210), die ein oder mehrere Betriebsgrößen der Batterie (91-96) beschreiben, - Anwenden eines ersten neuronalen Netzwerks (311) auf die initialen Zustandsdaten (201, 210), um eine codierte Repräsentation (208) der initialen Zustandsdaten (201, 210) zu erhalten, - Anwenden eines zweiten neuronalen Netzwerks (361) auf die codierte Repräsentation (208) der initialen Zustandsdaten (201, 210), um rekonstruierte Zustandsdaten (209) zu erhalten, und - Vergleichen der rekonstruierten Zustandsdaten (209) mit den initialen Zustandsdaten (201, 210), um ein oder mehrere Abweichungen zu erkennen, und - Auslösen eines Fehlermodus für die Batterie (91-96) in Abhängigkeit von den ein oder mehreren Abweichungen.
  15. Verfahren zum Verarbeiten von Zustandsdaten (201, 210) einer Batterie (91-96), wobei das Verfahren umfasst: - Erhalten von initialen Zustandsdaten (201, 210), die ein oder mehrere Betriebsgrößen der Batterie (91-96) beschreiben, - Anwenden eines ersten neuronalen Netzwerks (311) auf die initialen Zustandsdaten (201, 210), um eine codierte Repräsentation (208) der initialen Zustandsdaten (201, 210) zu erhalten, - Anwenden eines zweiten neuronalen Netzwerks (361) auf die codierte Repräsentation (208) der initialen Zustandsdaten (201, 210), um rekonstruierte Zustandsdaten (209) zu erhalten, und - Vergleichen der rekonstruierten Zustandsdaten (209) mit den initialen Zustandsdaten (201, 210), um ein oder mehrere Abweichungen zu erkennen, und - Steuern des Betriebs der Batterie auf Grundlage der rekonstruierten Zustandsdaten (209).
  16. Verfahren nach Anspruch 14, wobei die initialen Zustandsdaten (209) ein oder mehrere Zeitreihen der ein oder mehreren Betriebsgrößen der Batterie umfassen, wobei die rekonstruierten Zustandsdaten (209) mindestens eine weitere Zeitreihe mindestens einer weiteren Betriebsgröße der Batterie umfassen, wobei die initialen Zustandsdaten (209) die mindestens eine weitere Zeitreihe nicht umfassen.
DE102020117609.0A 2020-07-03 2020-07-03 Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung Active DE102020117609B8 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
DE102020117609.0A DE102020117609B8 (de) 2020-07-03 2020-07-03 Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung
US18/004,169 US20240010100A1 (en) 2020-07-03 2021-07-05 Processing of status data of a battery for aging estimation
PCT/EP2021/068545 WO2022003208A1 (de) 2020-07-03 2021-07-05 Verarbeitung von zustandsdaten einer batterie zur alterungsschätzung

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
DE102020117609.0A DE102020117609B8 (de) 2020-07-03 2020-07-03 Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung

Publications (3)

Publication Number Publication Date
DE102020117609A1 true DE102020117609A1 (de) 2022-01-05
DE102020117609B4 DE102020117609B4 (de) 2022-01-20
DE102020117609B8 DE102020117609B8 (de) 2022-11-03

Family

ID=77071458

Family Applications (1)

Application Number Title Priority Date Filing Date
DE102020117609.0A Active DE102020117609B8 (de) 2020-07-03 2020-07-03 Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung

Country Status (3)

Country Link
US (1) US20240010100A1 (de)
DE (1) DE102020117609B8 (de)
WO (1) WO2022003208A1 (de)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230168304A1 (en) * 2020-11-16 2023-06-01 Beijing Institute Of Technology Artificial intelligence (ai)-based charging curve reconstruction and state estimation method for lithium-ion battery
DE102022120558A1 (de) 2022-08-16 2024-02-22 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Überwachen von Batteriezellen einer Batterie eines Kraftfahrzeugs, Computerprogramm, Datenverarbeitungsvorrichtung und Kraftfahrzeug
CN117741456A (zh) * 2024-02-20 2024-03-22 云储新能源科技有限公司 一种动态可重构电池网络故障诊断方法、系统及电子设备
DE102022212232A1 (de) 2022-11-17 2024-05-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Erstellen eines robusten Anomalieerkennungsmodells zum Erkennen einer aktuellen oder anstehenden Anomalie einer Gerätebatterie mithilfe erlernter Latent Space Embeddings

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4235199B1 (de) * 2022-02-23 2024-04-03 Novum engineerING GmbH Beurteilung der leistung oder des zustands oder der ladebedingung eines batteriespeichers
DE102022202111A1 (de) 2022-03-02 2023-09-07 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren
DE102022134464A1 (de) 2022-12-22 2024-06-27 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Computerimplementiertes Verfahren zur Detektion anomaler Ladezyklen einer wiederaufladbaren Batterie
DE102023200346A1 (de) 2023-01-18 2024-07-18 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Erkennen einer Anomalie bei einem Fahrzeugbetrieb
US11902129B1 (en) 2023-03-24 2024-02-13 T-Mobile Usa, Inc. Vendor-agnostic real-time monitoring of telecommunications networks

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110054815A1 (en) 2007-04-20 2011-03-03 Jianhong Xu Professional diagnosis method of battery performance analysis
WO2018203170A1 (en) 2017-05-03 2018-11-08 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device
DE102020100668A1 (de) 2020-01-14 2021-07-15 TWAICE Technologies GmbH Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020137914A1 (ja) * 2018-12-28 2020-07-02 株式会社Ｇｓユアサ データ処理装置、データ処理方法、及びコンピュータプログラム
DE102019111979A1 (de) 2019-05-08 2020-11-12 TWAICE Technologies GmbH Charakterisierung von wiederaufladbaren Batterien
CN110488202B (zh) * 2019-07-24 2021-11-16 北京航空航天大学 基于深度神经网络的车辆电池荷电状态估计方法
CN111222584A (zh) * 2020-01-15 2020-06-02 北京辉腾格勒石墨烯科技有限公司 基于大数据和深度神经网络的锂电池实时评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110054815A1 (en) 2007-04-20 2011-03-03 Jianhong Xu Professional diagnosis method of battery performance analysis
WO2018203170A1 (en) 2017-05-03 2018-11-08 Semiconductor Energy Laboratory Co., Ltd. Neural network, power storage system, vehicle, and electronic device
DE102020100668A1 (de) 2020-01-14 2021-07-15 TWAICE Technologies GmbH Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
J. Schmalstieg, S. Käbitz, M. Ecker, und D. U. Sauer, „A holistic aging model for Li(NiMnCo)O2 based 18650 lithium-ion batteries," Journal of Power Sources, Bd. 257, S. 325-334, 2014
Künstliches neuronales Netz. 23.05.2020, Wikipedia [online]. In: https://de.wikipedia.org/w/index.php?title=K%C3%BCnstliches_neuronales_Netz&oldid=200247334

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20230168304A1 (en) * 2020-11-16 2023-06-01 Beijing Institute Of Technology Artificial intelligence (ai)-based charging curve reconstruction and state estimation method for lithium-ion battery
DE102022120558A1 (de) 2022-08-16 2024-02-22 Bayerische Motoren Werke Aktiengesellschaft Verfahren zum Überwachen von Batteriezellen einer Batterie eines Kraftfahrzeugs, Computerprogramm, Datenverarbeitungsvorrichtung und Kraftfahrzeug
DE102022212232A1 (de) 2022-11-17 2024-05-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Erstellen eines robusten Anomalieerkennungsmodells zum Erkennen einer aktuellen oder anstehenden Anomalie einer Gerätebatterie mithilfe erlernter Latent Space Embeddings
CN117741456A (zh) * 2024-02-20 2024-03-22 云储新能源科技有限公司 一种动态可重构电池网络故障诊断方法、系统及电子设备
CN117741456B (zh) * 2024-02-20 2024-05-07 云储新能源科技有限公司 一种动态可重构电池网络故障诊断方法、系统及电子设备

Also Published As

Publication number Publication date
DE102020117609B8 (de) 2022-11-03
DE102020117609B4 (de) 2022-01-20
US20240010100A1 (en) 2024-01-11
WO2022003208A1 (de) 2022-01-06

Similar Documents

Publication Publication Date Title
DE102020117609B4 (de) Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung
EP3966579B1 (de) Server-seitige charakterisierung von wiederaufladbaren batterien
AT521643B1 (de) Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie
EP3766120B1 (de) Charakterisierung von lithium-plating bei wiederaufladbaren batterien
DE102020100668B4 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102019111976A1 (de) Kapazitätsbestimmung bei Batterien
DE102020215297A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
DE102020212299A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
DE102019217613A1 (de) Verfahren zur diagnose eines motorzustands und diagnostisches modellierungsverfahren dafür
DE102019125375A1 (de) Zustandswert für wiederaufladbare Batterien
DE102022202882A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster
DE102021203865A1 (de) Verfahren und Vorrichtung zum Bewerten eines relativen Alterungszustands einer Gerätebatterie auf Basis einer Gerätegruppen-basierenden Serienstreuung der Gerätebatterien
DE102021203729A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern unter Nutzung von rekonstruierten Zeitreihensignalen mithilfe von maschinellen Lernverfahren
DE102022208932A1 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells
DE102022200008A1 (de) Verfahren und System zum effizienten Überwachen von Batteriezellen einer Gerätebatterie in einer geräteexternen Zentraleinheit mithilfe eines digitalen Zwillings
DE102020008050A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102022212239A1 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines multivariaten Transformer-Modells
DE102020008120A1 (de) Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung
DE102020008113A1 (de) Verarbeitung von zustandsdaten einer batterie zur alterungsschätzung
DE102022202111A1 (de) Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren
DE102022203343A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Erkennen einer Anomalie eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren
DE102020008052A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102021205879A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
DE102021207467A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Konfidenzintervallen von Alterungszuständen von elektrischen Energiespeichern für mindestens ein Gerät mithilfe von maschinellen Lernverfahren
DE102023200585B4 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Trace-Graph-Modells

Legal Events

Date Code Title Description
R163 Identified publications notified
R012 Request for examination validly filed
R018 Grant decision by examination section/examining division
R130 Divisional application to

Ref document number: 102020008120

Country of ref document: DE

Ref document number: 102020008113

Country of ref document: DE

R083 Amendment of/additions to inventor(s)
R020 Patent grant now final