DE102020212236A1

DE102020212236A1 - Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von Alterungszuständen von elektrischen Energiespeichern für eine Vielzahl von Geräten mithilfe von maschinellen Lernverfahren

Info

Publication number: DE102020212236A1
Application number: DE102020212236.9A
Authority: DE
Inventors: Christoph Woll; Christian Simonis
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2020-09-29
Filing date: 2020-09-29
Publication date: 2022-03-31
Also published as: US20220099751A1; US11733313B2; CN114325439A

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Betreiben einer Zentraleinheit (2), die in Kommunikationsverbindung mit einer Vielzahl von Geräten (4) mit elektrischen Energiespeichern (41) steht, mit folgenden Schritten:- Bereitstellen eines datenbasierten Alterungszustandsmodells, das trainiert ist, um einem Betriebsmerkmalspunkt, der einen Betrieb des elektrischen Energiespeichers (41) charakterisiert und sich aus mehreren Betriebsmerkmalen ergibt, einen Alterungszustand zuzuordnen,- Bereitstellen (S2) von Betriebsmerkmalspunkten für die Energiespeicher (41) der Vielzahl von Geräten (4);- Auswählen (S4) von mindestens einem der Betriebsmerkmalspunkte abhängig von den Zustands-Unsicherheiten der Alterungszustände aller Betriebsmerkmalspunkte des Energiespeichers (41), so dass der mindestens eine Betriebsmerkmalspunkt die höchste Relevanz für die Verbesserung von Zustands-Unsicherheiten der bereitgestellten Betriebsmerkmalspunkte aufweist;- Auswählen (S6, S8) mindestens eines Geräts (4) aus der Vielzahl von Geräten (4) abhängig von dem mindestens einen ausgewählten Betriebsmerkmalspunkt;- Veranlassen (S9) einer Vermessung des aktuellen tatsächlichen Alterungszustands in dem mindestens einen ausgewählten Gerät (4);- Nachtrainieren (S11) des datenbasierten Alterungszustandsmodells basierend auf dem Ergebnis der Messung des tatsächlichen Alterungszustands.

Description

Technisches Gebiet
Die Erfindung betrifft netzunabhängig betriebene elektrische Geräte mit elektrischen Energiespeichern, insbesondere elektrisch antreibbare Kraftfahrzeuge, insbesondere Elektrofahrzeuge oder Hybridfahrzeuge, und weiterhin Maßnahmen zur Bestimmung eines Alterungszustands (SOH: State of Health) der elektrischen Energiespeicher. Weiterhin betrifft die Erfindung neben mobilen auch stationäre elektrische Energiespeicher.
Technischer Hintergrund
Die Energieversorgung von netzunabhängig betriebenen elektrischen Geräten und Maschinen, wie z.B. elektrisch antreibbaren Kraftfahrzeugen, erfolgt mithilfe von elektrischen Energiespeichern, in der Regel Gerätebatterien bzw. Fahrzeugbatterien. Diese liefern elektrische Energie zum Betrieb der Geräte. Als elektrischer Energiespeicher kommen jedoch auch Brennstoffzellen in Betracht.
Der Alterungszustand eines Energiespeichers nimmt im Laufe seiner Lebensdauer zusehends ab, was sich in einer abnehmenden maximalen Speicherkapazität auswirkt. Ein Maß der Alterung des Energiespeichers hängt von einer individuellen Belastung des Energiespeichers, d. h. bei Fahrzeugbatterien von Kraftfahrzeugen vom Nutzungsverhalten eines Fahrers, externen Umgebungsbedingungen und vom Fahrzeugbatterietyp ab.
Zwar kann mithilfe eines physikalischen Alterungszustandsmodells der momentane Alterungszustand des Energiespeichers basierend auf historischen Betriebszustandsverläufen bestimmt werden, jedoch ist dieses Modell in bestimmten Situationen ungenau. Diese Ungenauigkeit des herkömmlichen Alterungszustandsmodells erschwert eine Prädiktion des Alterungszustandsverlaufs. Jedoch ist die Prädiktion des Verlaufs des Alterungszustands der Energiespeicher eine wichtige technische Größe, da mit ihr eine wirtschaftliche Bewertung eines Restwerts des Energiespeichers möglich ist.
Offenbarung der Erfindung
Erfindungsgemäß sind ein Verfahren zum Betreiben einer Zentraleinheit zum Bereitstellen eines Alterungszustandsmodells für elektrische Energiespeicher, insbesondere von elektrisch betriebenen Geräten oder Maschinen, gemäß Anspruch 1 sowie ein Verfahren zum Betreiben eines elektrisch betreibbaren Geräts, eine Vorrichtung in einem elektrisch betreibbaren Gerät und eine Zentraleinheit gemäß den nebengeordneten Ansprüchen vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein computerimplementiertes Verfahren zum Betreiben einer Zentraleinheit, die in Kommunikationsverbindung mit einer Vielzahl von Geräten mit elektrischen Energiespeichern steht, vorgesehen, mit folgenden Schritten:

- Bereitstellen eines datenbasierten Alterungszustandsmodells, das trainiert ist, um einem Betriebsmerkmalspunkt, der einen Betrieb des elektrischen Energiespeichers charakterisiert und sich aus mehreren Betriebsmerkmalen ergibt, einen Alterungszustand zuzuordnen,
- Bereitstellen von Betriebsmerkmalspunkten für die Energiespeicher der Vielzahl von Geräten;
- Auswählen von mindestens einem der Betriebsmerkmalspunkte abhängig von Zustands-Unsicherheiten der Alterungszustände aller Betriebsmerkmalspunkte des Energiespeichers, so dass der mindestens eine Betriebsmerkmalspunkt die höchste Relevanz für die Verbesserung von Zustands-Unsicherheiten der bereitgestellten Betriebsmerkmalspunkte aufweist;
- Auswählen mindestens eines Geräts aus der Vielzahl von Geräten abhängig von dem mindestens einen ausgewählten Betriebsmerkmalspunkt;
- Veranlassen einer Vermessung des aktuellen tatsächlichen Alterungszustands in dem mindestens einen ausgewählten Gerät;
- Nachtrainieren des datenbasierten Alterungszustandsmodells basierend auf dem Ergebnis der Messung des tatsächlichen Alterungszustands.

Weiterhin können die Betriebsmerkmale für einen Auswertungszeitraum aus Verläufen von Betriebsgrößen der Energiespeicher ermittelt werden, vorzugweise seit Inbetriebnahme aller Geräte.
Der Alterungszustand eines wiederaufladbaren elektrischen Energiespeichers, insbesondere einer Gerätebatterie, wird üblicherweise nicht direkt gemessen. Dies würde eine Reihe von Sensoren in der Nähe des Energiespeichers erfordern, die die Herstellung eines solchen Energiespeichers kostenintensiv sowie aufwendig machen und den Raumbedarf vergrößern würde. Zudem sind alltagstaugliche Messverfahren zur Alterungszustandsbestimmung in den Geräten noch nicht auf dem Markt verfügbar. Daher wird der aktuelle Alterungszustand in der Regel mithilfe eines physikalischen Alterungsmodells in den Geräten ermittelt. Dieses physikalische Alterungszustandsmodell ist in bestimmten Situationen ungenau und weist üblicherweise Modellabweichungen von bis zu mehr als 5 % auf.
Aufgrund der Ungenauigkeit des physikalischen Alterungsmodells kann dieses zudem lediglich den momentanen Alterungszustand des Energiespeichers angeben. Eine Prädiktion des Alterungszustands, die insbesondere von der Betriebsweise des Energiespeichers, wie z. B. von der Höhe und Menge des Ladungszuflusses und Ladungsabflusses bei einer Gerätebatterie, und damit von einem Nutzungsverhalten und von Nutzungsparametern abhängt, würde zu sehr ungenauen Vorhersagen führen und ist derzeit nicht vorgesehen.
Der Alterungszustand (SOH: State of Health) ist bei Gerätebatterien als elektrischer Energiespeicher die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung des elektrischen Energiespeichers dar. Im Falle einer Gerätebatterie oder eines Batterie-Moduls oder einer Batterie-Zelle kann der Alterungszustand als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) oder als Anstieg des Innenwiderstands (SOH-R) angegeben werden. Die Kapazitätserhaltungsrate SOH-C ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.
Vielversprechend sind Ansätze, eine nutzer- und nutzungsindividuelle Prädiktion eines Alterungszustands des elektrischen Energiespeichers basierend auf einem datenbasierten Alterungszustandsmodell vorzusehen. Das datenbasierte Alterungszustandsmodell, welches auch als hybrides Modell, also einer Kombination von physikalischen und datenbasierten Modellen ausgeführt sein kann, kann in einer Zentraleinheit (Cloud) implementiert sein und mithilfe von Betriebsgrößen einer Vielzahl von Geräten trainiert werden, die mit der Zentraleinheit in Kommunikationsverbindung stehen.
Alterungszustandsmodelle zur Ermittlung von Alterungszuständen für elektrische Energiespeicher können rein datenbasiert oder in Form eines hybriden Alterungszustandsmodells mit einer Kombination eines physikalischen Alterungsmodells mit einem datenbasierten Korrekturmodell bereitgestellt werden. Weiterhin kann das datenbasierte Alterungszustandsmodell mit einem probabilistischen oder auf künstlicher Intelligenz-basierendem Regressionsmodell, insbesondere einem Gaußprozessmodell ausgebildet sein. Mögliche Alternativen zum Supervised Learning stellen Random-Forest-Modell, AdaBoost-Modell, einer Support-Vector-Machine oder ein Bayes'schen neuronalen Netzwerk dar.
Bei einem hybriden Modell kann ein Alterungszustand mithilfe eines physikalischen bzw. physikalisch motivierten Alterungsmodells ermittelt werden und dieser mit einem Korrekturwert beaufschlagt werden, der sich aus einem datenbasierten Korrekturmodell ergibt, insbesondere durch Addition oder Multiplikation.
Datenbasierte Modelle erfordern generell einen Trainingsprozess, für den Trainingsdatensätze benötigt werden.
Die Generierung eines Trainingsdatensatzes für eine Gerätebatterie in einem bestimmten Gerät ist für dessen Nutzer mit gewissen Einschränkungen verbunden, da ein eine Diagnosemessung (reale Vermessung), z.B. in Form eines vollständigen Ladungszyklus benötigt wird, vorzugweise ausgeführt bei reproduzierbaren Umgebungsbedingungen mit geringer Stromstärke. Dies erfordert eine längere Ladezeitdauer, in der das Gerät nicht betrieben werden sollte. Eine aussagekräftige Angabe über den Alterungszustand kann man beispielsweise erhalten, wenn die Gerätebatterie während eines Ladevorgangs von einem vollständig entladenen Zustand in einen vollständig geladenen Zustand gebracht wird. Diese Methode der Ermittlung des Alterungszustands basiert auf einem Basis-Modell der Gerätebatterie und einer Ermittlung einer maximalen Ladung der Gerätebatterie mittels Coulomb-Counting. Die Vermessung geringerer Ladungshübe einer Gerätebatterie zur Ermittlung des Alterungszustands ist ebenfalls möglich, jedoch nur mit einer geringeren Genauigkeit.
Insgesamt können so ohne äußeren Eingriff in die Gerätebatterie Trainingsdatensätze zur Verfügung gestellt werden, die eine Aussage über den Alterungszustand der Gerätebatterie ermöglichen. Die Trainingsdatensätze werden jedoch entweder entsprechend dem Benutzerverhalten nur zu bestimmten geeigneten Zeitpunkten bestimmt, oder der Nutzer eines Geräts muss gezielt aufgefordert werden, eine längere Ladezeit in Kauf zu nehmen, wenn ein Trainingsdatensatz systematisch ermittelt werden soll.
Insbesondere während einer Anfangszeit im Flottenbetrieb weist die Schätzung des Modellwerts des datenbasierten Alterungszustandsmodell Bereiche von Betriebszuständen hoher Unsicherheit über den modellierten Alterungszustand auf. Der Grund hierfür liegt in einer nicht ausreichenden Trainingsbasis für alle relevanten Betriebsbereiche der Gerätebatterie, da noch nicht alle Betriebspunkte der berücksichtigten Gerätebatterien bekannt sind. Diese Betriebszustände der Gerätebatterie werden durch Verläufe von Batteriezuständen bestimmt, die jeweils durch Betriebsmerkmale charakterisiert werden können. Die Betriebsmerkmale charakterisieren eine Nutzung der Gerätebatterie in einem oder mehreren Auswertungszeiträumen und können aus den Verläufen der Betriebsgrößen, wie z. B. den Verläufen des Batteriestroms, der Batteriespannung, der Batterietemperatur und des Ladezustands, innerhalb des Auswertungszeitraums generiert werden.
Die Betriebsmerkmale bestimmen den Eingangsgrößenpunkt (Betriebsmerkmalspunkt), auf den das datenbasierte Alterungszustandsmodell trainiert wird. Um gezielt das datenbasierte Alterungszustandsmodell zu verbessern, ist es zweckmäßig, Labels zu genau den Betriebsmerkmalspunkten zu generieren, an denen eine hohe Zustands-Unsicherheit und gleichzeitig eine hohe Relevanz für weitere Energiespeicher der Flotte vorliegt. Dazu wird das datenbasierte Alterungszustandsmodell so gewählt, dass dieses neben einer Modellwertprädiktion auch eine Angabe über eine Zustands-Unsicherheit bestimmen kann. Als Modelle eignen sich beispielsweise probabilistische oder auf künstlicher Intelligenz-basierender Regressionsmodelle, wie z. B. ein Gauß-Prozess-Modell oder alternative Supervised Learning Verfahren.
Durch Auswertung von bisherig erfassten, realen Betriebsmerkmalspunkten für die Vielzahl von Geräten, die mit der Zentraleinheit in Verbindung stehen, mit dem datenbasierten Alterungszustandsmodells soll derjenige Betriebsmerkmalspunkt ausgewählt werden, für den eine Label-Erzeugung die größtmögliche Reduzierung der Zustands-Unsicherheiten an allen realen und relevanten Betriebsmerkmalspunkten erreicht wird. Somit hat der ausgewählte Betriebsmerkmalspunkt die größte Relevanz für die Weiterbildung des datenbasierten Alterungszustandsmodells, so dass die Zustands-Unsicherheiten der Alterungszustände an allen realen Betriebsmerkmalspunkten reduziert werden.
Dazu kann das Auswählen mindestens einer der Betriebsmerkmalspunkte durchgeführt werden, indem eine vorgegebene Anzahl (z. B. zwischen 50 und 500) von Betriebsmerkmalspunkten mit den höchsten Zustands-Unsicherheiten des Alterungszustands bestimmt wird und mithilfe eines Clustering-Verfahrens aus der vorgegebenen Anzahl von Betriebsmerkmalspunkten die Relevanz für weitere Energiespeicher der Flotte bewertet wird. Vorzugsweise geschieht dies, indem derjenige Betriebsmerkmalspunkt ausgewählt wird, der dem Zentroiden des gefundenen Clusterbereichs nächstliegend ist.
Insbesondere kann das Clustering-Verfahren mit einer der folgenden Methoden durchgeführt werden: K-Means, EM-Clustering, Gaussian Mixture Modelle und Competitive Learning.
Der ausgewählte Betriebsmerkmalspunkt kann mithilfe mindestens eines vorgegebenen Kriteriums auf physikalische Sicherheitsgrenzen und Limitierungen des Betriebs des Energiespeichers überprüft werden, wobei das Auswählen mindestens eines Geräts aus der Vielzahl von Geräten abhängig von dem mindestens einen ausgewählten Betriebsmerkmalspunk zur Vermessung des aktuellen tatsächlichen Alterungszustands von dem Ergebnis der Überprüfung abhängt.
Weiterhin kann das Auswählen des mindestens einen Geräts aus der Vielzahl von Geräten mit Zuständen des Energiespeichers, der dem Betriebsmerkmalspunkt bestmöglich entspricht, mithilfe eines Active-Learning-Verfahrens durchgeführt werden, insbesondere mit einem der folgenden Verfahren: Pool-based Sampling, Uncertainty Sampling, Variance Reduction und Expected Error Reduction.
Somit erfolgen Label-Generierungen an den Schwachstellen des datenbasierten Modells, wobei die Unsicherheitsbewertung vorzugsweise über einen Gauß-Prozess im Hinblick auf seine Zustands-Unsicherheit bzw. Konfidenz der Modellausgabe, d.h. des Alterungszustands, erfolgen kann. Anschließend wird per Cluster-Analyse bewertet, welche der Zustands-Unsicherheiten repräsentativ für die Vielzahl von Geräten sind. Dieser Betriebsmerkmalsraum wird verwendet, um eine Label-Generierung durch eines der Geräte anzufordern. Das betreffende Gerät kann mithilfe von Active Learning Methoden basierend auf dem ausgewählten Betriebsmerkmalspunkt ausgewählt werden, mit dem Ziel, anschließend an diesem Energiespeicher per Diagnosemessung (reale Vermessung) ein relevantes Label zu generieren.
An dieses Gerät wird auf Basis der geclusterten Modell-Analyse sämtlicher Betriebsmerkmalspunkte in Folge eine Anfrage zur Label-Generierung gesendet, insbesondere eine Anfrage, eine Messung zu einer geplanten Zeit durchzuführen.
Beispielsweise kann im Falle einer Gerätebatterie dort eine vollständige Entladung und ein anschließender vollständiger Ladevorgang durchgeführt werden, um den momentanen Alterungszustand der Gerätebatterie durch Coulomb-Counting zu ermitteln. Dies geschieht vorzugweise mit einer geringen Stromstärke, um Dynamikeinflüsse der Batterie, welche die Messgenauigkeit beeinflussen können, zu minimieren.
Die so generierten Labels werden nun z. B. in der Zentraleinheit verwendet, um das datenbasierte Alterungszustandsmodell nachzutrainieren bzw. zu verbessern. Auf diese Weise ist es möglich, das datenbasierte Alterungszustandsmodell mit einer möglichst geringen Zahl von Label-Generierungen, d. h. Vermessungsvorgängen, sukzessive zu verbessern.
Diese Vermessungsvorgänge stellen für die Benutzer der Geräte üblicherweise eine Beeinträchtigung dar. Die gezielte Auswahl von Geräten zur Label-Generierung ermöglicht es zum einen, das datenbasierte Alterungszustandsmodell in effizienter Weise zu verbessern, indem die Zustands-Unsicherheiten an den Betriebsmerkmalspunkten erheblich reduziert werden, und zum anderen wird aufgrund der hohem Flottenrepräsentanz des Labels durch die geringere Zahl von Label-Generierungen die Nutzerakzeptanz verbessert, da die Nutzer der Geräte mit einer geringeren Häufigkeit zu Maßnahmen einer Label-Generierung für die Verbesserung des Alterungszustandsmodells aufgefordert werden.
Zudem verbessert sich das datenbasierte Alterungszustandsmodell mit diesem automatischen Ablauf selbsttätig, ohne dass ein manueller Eingriff notwendig ist.
Es kann zudem vorgesehen sein, dass die Modellparameter des nachtrainierten Alterungszustandsmodells an die Geräte übermittelt werden, wobei eine Bestimmung des Alterungszustands in den Geräten durchgeführt wird. Weiterhin ist es möglich, dass die Ergebnisse des Alterungszustandsmodells an die Geräte übermittelt werden.
Gemäß weiterer Ausführungsformen kann die Vielzahl von Geräten ein Kraftfahrzeug, ein Pedelec, ein Fluggerät, insbesondere eine Drohne, eine Werkzeugmaschine, ein Haushaltsgerät, ein Unterhaltungselektronik-Gerät (Mobiltelefon, drahtlose Kopfhörer, etc.), ein autonomer Roboter, ein Energieversorgungssystem und dergleichen umfassen.
Gemäß einem weiteren Aspekt ist eine Vorrichtung zum Betreiben einer Zentraleinheit, die in Kommunikationsverbindung mit einer Vielzahl von Geräten mit elektrischen Energiespeichern steht, vorgesehen, wobei die Vorrichtung ausgebildet ist zum:

- Bereitstellen eines datenbasierten Alterungszustandsmodells, das trainiert ist, um einem Betriebsmerkmalspunkt, der einen Betrieb des elektrischen Energiespeichers charakterisiert und sich aus mehreren Betriebsmerkmalen des Energiespeichers ergibt, einen Alterungszustand zuzuordnen,
- Bereitstellen von Betriebsmerkmalspunkten für die Energiespeicher der Vielzahl von Geräten;
- Auswählen von mindestens einen der Betriebsmerkmalspunkte abhängig von den Zustands-Unsicherheiten der Alterungszustände aller Betriebsmerkmalspunkte des Energiespeichers, so dass der mindestens ein Betriebsmerkmalspunkt die höchste Relevanz für die Verbesserung von Zustands-Unsicherheiten der bereitgestellten Betriebsmerkmalspunkte aufweist;
- Auswählen mindestens eines Geräts aus der Vielzahl von Geräten abhängig von dem mindestens einen ausgewählten Betriebsmerkmalspunkt;
- Veranlassen einer Vermessung des aktuellen tatsächlichen Alterungszustands in dem mindestens einen ausgewählten Gerät;
- Nachtrainieren des datenbasierten Alterungszustandsmodells basierend auf dem Ergebnis der Messung des tatsächlichen Alterungszustands.

Figurenliste
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:

1 eine schematische Darstellung eines Systems zur Bereitstellung von fahrer- und fahrzeugindividuellen Betriebsgrößen zur Bestimmung eines Alterungszustands einer Fahrzeugbatterie in einer Zentraleinheit;
2 eine schematische Darstellung eines funktionalen Aufbaus eines hybriden Alterungszustandsmodells;
3 ein Flussdiagramm zur Darstellung eines Verfahrens zum Bereitstellen eines Alterungszustandsmodells in der Zentraleinheit;
4 beispielhaft einen Verlauf des modellierten Alterungszustands und des Konfidenzintervalls über einem beispielhaften Betriebsmerkmal; und
5 ein Flussdiagramm zur Darstellung eines Verfahrens zum Betreiben eines Kraftfahrzeugs zur Label-Generierung für das Alterungszustandsmodell.

Beschreibung von Ausführungsformen
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als elektrischer Energiespeicher in einer Vielzahl von Kraftfahrzeugen als gleichartige Geräte beschrieben. In den Kraftfahrzeugen kann in einer Steuereinheit ein datenbasiertes Alterungszustandsmodell für die jeweilige Fahrzeugbatterie implementiert sein. Das Alterungszustandsmodell kann in einer Zentraleinheit kontinuierlich basierend auf Betriebsgrößen der Fahrzeugbatterien aus der Fahrzeugflotte aktualisiert bzw. nachtrainiert werden.
Das obige Beispiel steht stellvertretend für eine Vielzahl von stationären oder mobilen Geräten mit netzunabhängiger Energieversorgung, wie beispielsweise Fahrzeuge (Elektrofahrzeuge, Pedelecs usw.), Anlagen, Werkzeugmaschinen, Haushaltsgeräte, IOT-Geräte und dergleichen, die über eine entsprechende Kommunikationsverbindung (z. B. LAN, Internet) mit einer Zentraleinheit (Cloud) in Verbindung stehen.
1 zeigt ein System 1 zum Sammeln von Flottendaten in einer Zentraleinheit 2 zur Erstellung und zum Betrieb sowie zur Auswertung eines Alterungszustandsmodells. Das Alterungszustandsmodell dient zur Bestimmung eines Alterungszustands eines elektrischen Energiespeichers, wie z. B. einer Fahrzeugbatterie oder einer Brennstoffzelle) in einem Kraftfahrzeug. 1 zeigt eine Fahrzeugflotte 3 mit mehreren Kraftfahrzeugen 4.
Eines der Kraftfahrzeuge 4 ist in 1 detaillierter dargestellt. Die Kraftfahrzeuge 4 weisen jeweils eine Fahrzeugbatterie 41 als wiederaufladbaren elektrischen Energiespeicher, einen elektrischen Antriebsmotor 42 und eine Steuereinheit 43 auf. Die Steuereinheit 43 ist mit einem Kommunikationsmodul 44 verbunden, das geeignet ist, Daten zwischen dem jeweiligen Kraftfahrzeug 4 und einer Zentraleinheit 2 (einer sogenannten Cloud) zu übertragen.
Die Kraftfahrzeuge 4 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, von denen der Alterungszustand der Fahrzeugbatterie abhängt. Die Betriebsgrößen F können im Falle einer Fahrzeugbatterie einen momentanen Batteriestrom, eine momentane Batteriespannung, eine momentane Batterietemperatur und einen momentanen Ladezustand (SOC: State of Charge) angeben, sowohl auch Pack-, Modul- und / oder Zellebene. Die Betriebsgrößen F werden in einem schnellen Zeitraster von 2 Hz bis 100 Hz erfasst und können in unkomprimierter und/oder komprimierter Form regelmäßig an die Zentraleinheit 2 übertragen werden. Beispielsweise können die Zeitreihen im Abstand von 10 min bis zu mehreren Stunden blockweise an die Zentraleinheit 2 übertragen werden.
Aus den Betriebsgrößen F können in der Zentraleinheit 2 oder in anderen Ausführungsformen auch bereits in den jeweiligen Kraftfahrzeugen 4 Betriebsmerkmale M generiert werden, die sich auf einen Auswertungszeitraum beziehen. Der Auswertungszeitraum kann für die Bestimmung des Alterungszustands wenige Stunden (z. B. 6 Stunden) bis mehrere Wochen (z. B. einen Monat) betragen. Ein üblicher Wert für den Auswertungszeitraum beträgt eine Woche.
Die Betriebsmerkmale können beispielsweise auf den Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen umfassen. Insbesondere können die Betriebsmerkmale beispielsweise umfassen: Elektrochemische Zustände (Schichtdicken, Konzentrationen, zyklisierbares Lithium, ...), Histogrammdaten über dem Ladezustandsverlauf, der Temperatur, der Batteriespannung, des Batteriestroms, insbesondere Histogrammdaten bezüglich der Batterietemperaturverteilung über dem Ladezustand, der Ladestromverteilung über der Temperatur und/oder der Entladestromverteilung über der Temperatur, akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil (z. B. 20 %) der gesamten Batteriekapazität liegt), ein Maximum der differentiellen Kapazität (dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) und weitere.
Aus den Betriebsmerkmalen M lassen sich weitere Angaben entnehmen: ein zeitliches Belastungsmuster wie Lade- und Fahrzyklen, bestimmt durch Nutzungsmuster (wie bspw. Schnellladen bei hohen Stromstärken oder starke Beschleunigung bzw. Bremsvorgänge mit Rekuperation), eine Nutzungszeit der Fahrzeugbatterie, eine über die Laufzeit kumulierte Ladung und eine über die Laufzeit kumulierte Entladung, einen maximalen Ladestrom, einen maximalen Entladestrom, eine Ladehäufigkeit, einen durchschnittlichen Ladestrom, einen durchschnittlichen Entladestrom, einen Leistungsdurchsatz beim Laden und Entladen, eine (insbesondere durchschnittliche) Ladetemperatur, eine (insbesondere durchschnittliche) Spreizung des Ladezustands und dergleichen.
Der Alterungszustand (SOH: State of Health) ist die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung der Fahrzeugbatterie oder eines Batterie-Moduls oder einer Batterie-Zelle dar und kann als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) oder als Anstieg des Innenwiderstands (SOH-R) angegeben werden. Die Kapazitätserhaltungsrate SOH-C ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.
In der Zentraleinheit 2 ist ein Alterungszustandsmodell implementiert, das insbesondere ganz oder teilweise datenbasiert ist. Das Alterungszustandsmodell kann regelmäßig, d. h. nach Ablauf der jeweiligen Auswertungszeitdauer, verwendet werden, um basierend auf den Betriebsmerkmalen eine Ermittlung des momentanen Alterungszustands der Fahrzeugbatterie 41 vorzunehmen. Mit anderen Worten ist es möglich, basierend auf den Betriebsmerkmalen, die sich aus den Betriebsgrößenverläufen eines der Kraftfahrzeuge 4 der Flotte 3 einen Alterungszustand der betreffenden Fahrzeugbatterie 41 oder dieses Energiespeichers dazugehörigen Module bzw. Zellen, ergeben, zu ermitteln.
Weiterhin können Betriebsmerkmale, beispielsweise durch lineare oder nichtlineare Extrapolation oder mithilfe eines Prädiktionsmodells, künftige Alterungszustände der Fahrzeugbatterie 41 ermittelt werden. Vorzugweise können zur Vorhersage der Betriebsmerkmale datenbasierte Algorithmen eingesetzt werden, z.B. autoregressive Methoden unter Zuhilfenahme von ARIMA-Modellen, welche neben Trends auch Periodizitäten im Verlauf der historischen Betriebsmerkmale zur Vorhersage dieser charakterisiert.
2 zeigt beispielhaft schematisch den funktionalen Aufbau einer Ausführungsform eines datenbasierten Alterungszustandsmodells 9, das in einer hybriden Weise aufgebaut ist. Das Alterungszustandsmodell 9 umfasst ein physikalisches Alterungsmodell 5 und ein Korrekturmodell 6. Diese erhalten Betriebsgrößen F bzw. Betriebsmerkmale M eines aktuellen Auswertungszeitraums. Die Betriebsmerkmale M des aktuellen Auswertungszeitraums werden in einem Merkmalsextraktionsblock 8 basierend auf den Zeitreihen der Betriebsgrößen F erzeugt.
Die Betriebsgrößen F gehen direkt in das physikalische Alterungszustandsmodell 5 ein, welches vorzugsweise als elektrochemisches Modell ausgeführt ist und entsprechende elektrochemische Zustände, wie Schichtdicken (z.B. SEI-Dicke), Änderung des zyklisierbaren Lithiums aufgrund von Anode/Kathode-Nebenreaktionen, schneller Verbrauch von Elektrolyten, langsamer Verbrauch von Elektrolyten, Verlust des Aktivmaterials in Anode, Verlust des Aktivmaterials in Kathode, etc....), mithilfe von nichtlinearen Differentialgleichungen beschreibt.
Das physikalische Alterungsmodell 5 entspricht einem elektrochemischen Modell der Batteriezelle und der Zellchemie. Dieses Modell ermittelt abhängig von den Betriebsgrößen F interne physikalische Batteriezustände, um einen physikalisch basierten Alterungszustand in Form einer Kapazitätserhaltungsrate (SOH-C) und/oder als Innenwiderstandanstiegsrate (SOH-R) bereitzustellen.
Die durch das elektrochemische Modell bereitgestellten Modellwerte für den Alterungszustand SOH sind jedoch in bestimmten Situationen ungenau, und es ist daher vorgesehen, diese mit einer Korrekturgröße k zu korrigieren. Die Korrekturgröße k wird von dem datenbasierten Korrekturmodell 6 bereitgestellt, das mithilfe von Trainingsdatensätzen aus den Fahrzeugen 4 der Fahrzeugflotte 3 trainiert wird.
Für die Bestimmung eines korrigierten Alterungszustands SOH_korr werden die Ausgänge SOH, k des physikalischen Alterungsmodells 5 und des Korrekturmodells 6, welches vorzugsweise als Gauß-Prozess-Modell ausgeführt ist, miteinander beaufschlagt. Insbesondere können diese in einem Summierblock 7 addiert oder multipliziert (nicht gezeigt) werden, um den korrigierten Alterungszustand SOH_korr zu einem aktuellen Auswertungszeitraum zu erhalten
Andere Ausgestaltungen des datenbasierten Alterungszustandsmodells sind ebenfalls möglich, beispielsweise kann das datenbasierte Alterungszustandsmodell als nicht-hybrides, rein datenbasiertes Modell basierend auf einem probabilistischen oder einem auf künstlicher Intelligenz basierendem Regressionsmodell, insbesondere einem Gauß-Prozess-Modell, oder einem Bayesschen neuronalen Netz ausgebildet sein. Dieses ist trainiert, um einen Alterungszustand SOH aus einem Betriebsmerkmalspunkt, der durch aktuelle Betriebsmerkmale M eines aktuellen Auswertungszeitraums bestimmt ist, bereitzustellen, wobei die Betriebsmerkmale in einem Merkmalsextraktionsblock 8 basierend auf den Zeitreihen der Betriebsgrößen F ermittelt werden.
In 3 ist ein Flussdiagramm dargestellt, das den Ablauf eines Verfahrens zum Betreiben eines flottenbasierten Systems der 1 ausführlicher beschreibt. Da die Label-Generierung für das Training eines Alterungszustandsmodells in der Regel aufwendig ist und eine nutzungsfreie Zeit des Kraftfahrzeugs erfordert, um die Ermittlung des aktuellen Alterungszustands einer Fahrzeugbatterie, insbesondere der Kapazitätserhaltungsrate, vorzunehmen, zielt das dargestellte Verfahren darauf ab, das datenbasierte Alterungszustandsmodell mit einer möglichst geringen Anzahl von Messungen des tatsächlichen Alterungszustands in den Kraftfahrzeugen der Fahrzeugflotte vorzunehmen. Das Verfahren geht aus von einem flottenbasierten System, wie es in 1 dargestellt ist. In der Zentraleinheit 2 ist ein datenbasiertes Alterungszustandsmodell implementiert.
In Schritt S1 werden von den Fahrzeugen 4 der Fahrzeugflotte 3 Betriebsgrößen F bezüglich eines aktuellen Zeitpunkts empfangen.
In Schritt S2 werden jeweils aus den Betriebsgrößen F Betriebsmerkmale extrahiert, die es ermöglichen, mithilfe des datenbasierten Alterungszustandsmodells 9 einen aktuellen Alterungszustand SOH der jeweiligen Fahrzeugbatterie 41 zu ermitteln. Dazu wird das Alterungszustandsmodell 9 an einem entsprechenden Betriebsmerkmalspunkt ausgewertet und diesem der Modellwert, der einem modellierten Alterungszustand entspricht, zugeordnet. Weiterhin wird die Zustands-Unsicherheit als Modellausgang ausgewertet. Die Betriebsmerkmalspunkte aller Fahrzeuge werden in einer Datenbank entsprechend gespeichert.
In Schritt S3 werden die Betriebsmerkmalspunkte mit dem datenbasierten Alterungszustandsmodell 9 ausgewertet, um für jeden der Betriebsmerkmalspunkte eine Zustands-Unsicherheit zu erhalten. Man erhält dadurch für alle Betriebsmerkmalspunkte entsprechende Zustands-Unsicherheiten.
4 zeigt beispielhaft den Verlauf des modellierten Alterungszustands SOH und des Konfidenzintervalls, das der Zustands-Unsicherheit entspricht, über einem beispielhaften Betriebsmerkmal M, wobei der Übersichtlichkeit halber nur ein Betriebsmerkmal M betrachtet wird. Die Unsicherheitsbereiche als Bereiche hoher Zustands-Unsicherheit sind schraffiert, die Bereiche geringer Zustands-Unsicherheit gepunktet dargestellt.
In Schritt S4 werden aus den so bestimmten Zustands-Unsicherheiten eine Anzahl derjenigen Betriebsmerkmalspunkte ausgewählt, die nach Sortierung nach der Zustands-Unsicherheit die höchsten Zustands-Unsicherheiten aufweisen. Neben den aktuellen ausgewählten Alterungszuständen werden zusätzlich alle historische Alterungszustände aller bekannten Energiespeicher seit Inbetriebnahme verwendet. Die Anzahl kann zwischen 50 und 500, beispielsweise 100 betragen. Insbesondere werden eine Anzahl von Betriebsmerkmalspunkte ausgewählt, bei denen eine Zustands-Unsicherheit hoch ist, insbesondere einen vorgegebenen Modellunsicherheitsschwellenwert übersteigt, bzw. bei denen eine Konfidenz niedrig ist, insbesondere einen vorgegebenen Konfidenzschwellenwert unterschreitet. Die Zustands-Unsicherheiten beziehen sich nun auf aktuelle Alterungszustände in der Flotte von Energiespeichern.
In Schritt S5 wird auf die Anzahl ausgewählter Betriebsmerkmalspunkte ein Clustering-Verfahren angewendet. Für das Clustering-Verfahren wird vorzugsweise eine Anzahl, insbesondere zwei Clusterbereiche, vorgegeben, so dass sich während des Clusterings ein Normal-Clusterbereich und ein Anomalie-Clusterbereich ergibt.
Als Ergebnis des Clustering-Verfahrens wird ein Zentroid des Normal-Clusterbereich bestimmt. Der repräsentative Normal-Clusterbereich wird dadurch gekennzeichnet, dass zum einen ein Großteil der ausgewählten Betriebsmerkmalspunkte, (z.B. mehr als ein vorgegebener Grenzwert (z.B. 90%) aller Betriebsmerkmalspunkte), Teil davon sind.
Weiterhin sind Merkmale im Normal-Cluster üblicherweise stochastisch normalverteilt, d.h. im Zentroid bündelt sich über mehrere Merkmale und somit über mehrere Dimensionen hinweg die Kombination mehrerer durchschnittlichen und somit für das Normalverhalten der Flotte repräsentativen Betriebsmerkmalspunkte. Je näher am Zentroiden des Normal-Clusters die unsicheren Alterungszustände befinden, an denen aktuell ein Label generiert werden kann, desto repräsentiver für die Flotte ist dieser Zustand.
Als nächstes wird in Schritt S6 ein aktueller Betriebsmerkmalspunkt, d.h. ein Betriebsmerkmalspunkt, der sich auf den zuletzt abgeschlossenen Auswertungszeitraum bezieht, aus der ausgewählten Anzahl der Betriebsmerkmalspunkte ermittelt, der dem Zentroid am nächsten liegt. Alternativ kann auch der Mittelwert der dem Normal-Clusterbereich zugeordnete Betriebsmerkmalspunkte bestimmt werden und derjenige Betriebsmerkmalspunkt ermittelt werden, der einen geringsten euklidischen Abstand zu dem Mittelwert aufweist.
Das Clustering-Verfahren kann mit einer der folgenden Methoden, vorzugsweise aus dem Bereich Unsupervised Learning mit durchgeführt werden: K-Means, EM-Clustering, Gaussian Mixture Modelle, Competitive Learning und dergleichen.
In Schritt S7 wird überprüft, ob der ausgewählte Betriebsmerkmalspunkt einem Sicherheitskriterium genügt. Ist dies der Fall (Alternative: Ja), wird das Verfahren mit Schritt S8 fortgesetzt, andernfalls (Alternative: Nein) wird der ausgewählte Betriebsmerkmalspunkt verworfen und das Verfahren beendet. Damit wird gewährleistet, dass der ausgewählte Betriebsmerkmalspunkt zum einen physikalisch sinnvoll sind sowie zum anderen eine physikalische Sicherheitsgrenze und Limitierungen des Batterie-Managementsystems einhält, da nicht jeder Betriebsmerkmalspunkt eingestellt werden kann. Z.B. stellt die Temperatur der Fahrzeugbatterie 41 ein Betriebsmerkmal dar, das physikalisch wegen De-Rating-Grenzen im System nicht angefahren werden können.
Ein Beispiel für einen nichtzulässigen Betriebsmerkmalspunkt ist z.B. ein Merkmal, welches per Diagnose nur bei hohen Lasten gemessen werden kann, z.B. bei hohen Temperaturen oder hohen Strömen, die aktuell wegen der gealterten Batterie (hoher Innenwiderstand wg. SOHR) nicht mehr darstellbar sind, weil vorher das Batteriemanagementsystem eingreifen würde.
Ferner kann beispielsweise kann in S7 ein nicht-sinnvoller Betriebsmerkmalspunkt vorliegen, wenn an dem betreffenden Energiespeicher schon längere Zeit kein Balancing-Vorgang stattgefunden hat und daher die erwartete Genauigkeit der Label-Generierung nicht hoch genug wäre.
Mögliche alternative Strategien für die Auswahl des betreffenden Fahrzeugs stellen Active-Learning-Verfahren, wie Pool-based Sampling, Uncertainty Sampling, Variance Reduction, Representative Active Learning. oder auch Expected Error Reduction, dar.
Ist der Betriebsmerkmalspunkt bestimmt, wird nachfolgend in Schritt S8 dasjenige Kraftfahrzeuge 4 der Fahrzeugflotte 3 ausgewählt, dessen Fahrzeugbatterie 41 aktuell so betrieben wird, dass dessen Betriebsmerkmale dem ausgewählten Betriebsmerkmalspunkt möglichst genau entsprechen.
In Schritt S9 werden die ausgewählten Kraftfahrzeuge entweder angefragt oder informiert, zu einem vorbestimmten Zeitfenster während des aktuellen Auswertungszeitraums ein Verfahren zur Label-Generierung durchzuführen oder die Auswertung erfolgt automatisiert an einer Ladestation. Das vorbestimmte Zeitfenster kann idealerweise während einer Nachtzeit sein, während der ein Ladevorgang mit möglichst großem Hub des Ladezustands vorgenommen wird. Dies verringert die Beeinträchtigung des Nutzers, da die Verfahren zur Label-Generierung, d. h. Ermittlung eines aktuellen Alterungszustands, in der Regel zeitaufwendig sind.
Zur Label-Generierung wird idealerweise die Fahrzeugbatterie 41 vollständig entladen und anschließend in einem Ladevorgang vollständig aufgeladen, um die gesamte zum Laden aufgewendete Batteriekapazität zu ermitteln. Diese gibt im Vergleich zur Batteriekapazität zum Einbauzustand den Alterungszustand der Fahrzeugbatterie an. Andere Verfahren zur Label-Generierung, d. h. zur Ermittlung des aktuellen Alterungszustands, wie z.B. mithilfe eines geeigneten Diagnose-Sensors, sind ebenfalls denkbar, weisen jedoch häufig eine geringere Zuverlässigkeit auf, die ggfs. beim Nachtrainieren des Alterungszustandsmodells berücksichtigt werden muss.
Wird das Kraftfahrzeug 4 aus der Fahrzeugflotte 3 zur Durchführung eines Messvorgangs zur Label-Generierung aufgefordert, kann gleichzeitig der Nutzer des Kraftfahrzeugs 4 bzw. dessen Halter durch geeignete Kommunikationsmittel, wie beispielsweise dessen Mobilgerät, per E-Mail oder dergleichen, darüber informiert werden, dass das Kraftfahrzeug 4 während der Label-Generierung nicht zur Verfügung steht oder nicht genutzt werden sollte. Alternativ kann eine hochautomatisierte Label-Generierung erfolgen, wenn das Einverständnis des Nutzers vorliegt.
In Schritt S10 wird überprüft, ob die Label-Generierung abgeschlossen ist. Ist dies der Fall (Alternative: Ja), teilt dies das betreffende Kraftfahrzeug 4 der Zentraleinheit 2 in Schritt S11 mit und übermittelt das ermittelte Label, d. h. den tatsächlichen, gemessenen Alterungszustand. In der Zentraleinheit 2 steht dann in Verbindung mit dem Betriebsmerkmalspunkt des betreffenden Fahrzeugs 4 ein weiterer Trainingsdatensatz für ein Nachtrainieren bzw. Präzisieren des datenbasierten Alterungszustandsmodells zu Verfügung. Andernfalls (Alternative: Nein) wird zu Schritt S6 zurückgesprungen.
5 zeigt ein Flussdiagramm zur Veranschaulichung eines Verfahrens, wie es in einem der Kraftfahrzeuge der Fahrzeugflotte ausgeführt wird.
In Schritt S21 übermittelt das Fahrzeug der Fahrzeugflotte die Betriebsgrößen für einen aktuellen Auswertungszeitraum, d. h. insbesondere die Verläufe des Batteriestroms, der Batteriespannung, der Batterietemperatur und des Ladezustands.
In Schritt S22 wird überprüft, ob eine Anforderung nach einer Label-Generierung von der Zentraleinheit eingegangen ist. Ist dies der Fall (Alternative: Ja), wird das Verfahren in Schritt S23 fortgesetzt, anderenfalls (Alternative: Nein) wird zu Schritt S21 zurückgesprungen.
In Schritt S23 wird zu dem in der Anforderung von der Zentraleinheit 2 enthaltenen Zeitpunkt eine Label-Generierung gestartet. Dazu sollte sich das Fahrzeug in einem Ladezustand befinden. Die Label-Generierung kann also für den Ladevorgang durchgeführt werden, der dem vorgegebenen Zeitpunkt bestmöglich entspricht.
Eine Möglichkeit der Label-Generierung besteht darin, die Fahrzeugbatterie 41 unter möglichst definierten Bedingungen vollständig zu entladen und anschließend mit geringer Stromstärke vollständig aufzuladen, wobei die in der Fahrzeugbatterie 41 speicherbare Energiemenge gemessen wird. Diese gibt in Verbindung mit einer anfänglichen Batteriekapazität den momentanen Alterungszustand an. Ist in dem Kraftfahrzeug die Anforderung nach einer Label-Generierung eingegangen, so kann auf einen nächsten Ladevorgang gewartet und, wenn eine vorbestimmte Tageszeit oder Wochentag vorliegt, die Label-Generierung gestartet werden. Die Tageszeit und/oder der Wochentag sind so gewählt, dass eine geringstmögliche Beeinträchtigung des Nutzers des Kraftfahrzeugs erfolgt.
Ist die Label-Generierung abgeschlossen, wird der ermittelte Alterungszustand an die Zentraleinheit 2 in Schritt S24 übertragen. Anschließend wird das Verfahren mit Schritt S21 fortgesetzt.

Claims

Computerimplementiertes Verfahren zum Betreiben einer Zentraleinheit (2), die in Kommunikationsverbindung mit einer Vielzahl von Geräten (4) mit elektrischen Energiespeichern (41) steht, mit folgenden Schritten: - Bereitstellen eines datenbasierten Alterungszustandsmodells, das trainiert ist, um einem Betriebsmerkmalspunkt, der einen Betrieb des elektrischen Energiespeichers (41) charakterisiert und sich aus mehreren Betriebsmerkmalen ergibt, einen Alterungszustand zuzuordnen, - Bereitstellen (S2) von Betriebsmerkmalspunkten für die Energiespeicher (41) der Vielzahl von Geräten (4); - Auswählen (S4) von mindestens einem der Betriebsmerkmalspunkte abhängig von den Zustands-Unsicherheiten der Alterungszustände aller Betriebsmerkmalspunkte des Energiespeichers (41), so dass der mindestens eine Betriebsmerkmalspunkt die höchste Relevanz für die Verbesserung von Zustands-Unsicherheiten der bereitgestellten Betriebsmerkmalspunkte aufweist; - Auswählen (S6, S8) mindestens eines Geräts (4) aus der Vielzahl von Geräten (4) abhängig von dem mindestens einen ausgewählten Betriebsmerkmalspunkt; - Veranlassen (S9) einer Vermessung des aktuellen tatsächlichen Alterungszustands in dem mindestens einen ausgewählten Gerät (4); - Nachtrainieren oder Aktualisieren (S11) des datenbasierten Alterungszustandsmodells basierend auf dem Ergebnis der Messung des tatsächlichen Alterungszustands.
Verfahren nach Anspruch 1, wobei das Auswählen mindestens einer der Betriebsmerkmalspunkte durchgeführt wird, indem eine vorgegebene Anzahl von Betriebsmerkmalspunkten mit den höchsten Zustands-Unsicherheiten des Alterungszustands bestimmt wird und mithilfe eines Clustering-Verfahrens aus der vorgegebenen Anzahl von Betriebsmerkmalspunkten derjenige Betriebsmerkmalspunkt ausgewählt wird, der dem Zentroiden des gefundenen Clusterbereichs nächstliegend ist.
Verfahren nach Anspruch 2, wobei Clustering-Verfahren mit einer der folgenden Methoden durchgeführt wird: K-Means, EM-Clustering, Gaussian Mixture Modelle, und Competitive Learning.
Verfahren nach einem der Ansprüche 1 bis 3, wobei die Betriebsmerkmale für einen Auswertungszeitraum aus zeitlichen Verläufen von Betriebsgrößen des Energiespeichers (41) ermittelt werden.
Verfahren nach einem der Ansprüche 1 bis 4, wobei das datenbasierte Alterungszustandsmodell als ein rein datenbasiertes oder hybrides Modell, insbesondere mit einem probabilistischen Regressionsmodell, insbesondere einem Gauß-Prozess-Modell, oder einem Bayesschen neuronalen Netzwerk ausgebildet ist.
Verfahren nach einem der Ansprüche 1 bis 5, wobei der ausgewählte Betriebsmerkmalspunkt mithilfe mindestens eines vorgegebenen Kriteriums auf physikalische Sicherheitsgrenzen und Limitierungen des Betriebs des Energiespeichers (41) überprüft wird, wobei das Auswählen mindestens eines Geräts aus der Vielzahl von Geräten (4) abhängig von dem mindestens einen ausgewählten Betriebsmerkmalspunkt zur Vermessung des aktuellen tatsächlichen Alterungszustands von dem Ergebnis der Überprüfung abhängt.
Verfahren nach einem der Ansprüche 1 bis 6, wobei das Auswählen des mindestens einen Geräts (4) aus der Vielzahl von Geräten (4) mit Zuständen des Energiespeichers (41), der dem Betriebsmerkmalspunkt bestmöglich entspricht, mithilfe eines Active-Learning-Verfahrens durchgeführt wird, insbesondere mit einem der folgenden Verfahren: Pool-based Sampling, Uncertainty Sampling, Variance Reduction und Expected Error Reduction.
Verfahren nach einem der Ansprüche 1 bis 7, wobei Modellparameter des nachtrainierten Alterungszustandsmodells an die Geräte (4) übermittelt werden, wobei eine Bestimmung des Alterungszustands in den Geräten (4) durchgeführt wird.
Verfahren nach einem der Ansprüche 1 bis 8, wobei die Vielzahl von Geräten (4) ein Kraftfahrzeug, ein Pedelec, ein Fluggerät, insbesondere eine Drohne, eine Werkzeugmaschine, ein Gerät der Unterhaltungselektronik, wie ein Mobiltelefon, ein autonomer Roboter und/oder ein Haushaltsgerät umfasst.
Vorrichtung zum Betreiben einer Zentraleinheit (2), die in Kommunikationsverbindung mit einer Vielzahl von Geräten (4) mit elektrischen Energiespeichern (41) steht, wobei die Vorrichtung ausgebildet ist zum: - Bereitstellen eines datenbasierten Alterungszustandsmodells, das trainiert ist, um einem Betriebsmerkmalspunkt, der einen Betrieb des elektrischen Energiespeichers (41) charakterisiert und sich aus mehreren Betriebsmerkmalen des Energiespeichers (41) ergibt, einen Alterungszustand zuzuordnen, - Bereitstellen von Betriebsmerkmalspunkten für die Energiespeicher (41) der Vielzahl von Geräten (4); - Auswählen von mindestens einem der Betriebsmerkmalspunkte abhängig von den Zustands-Unsicherheiten der Alterungszustände aller Betriebsmerkmalspunkte des Energiespeichers, so dass der mindestens eine Betriebsmerkmalspunkt die höchste Relevanz für die Verbesserung von Zustands-Unsicherheiten der bereitgestellten Betriebsmerkmalspunkte aufweist; - Auswählen mindestens eines Geräts (4) aus der Vielzahl von Geräten (4) abhängig von dem mindestens einen ausgewählten Betriebsmerkmalspunkt; - Veranlassen einer Vermessung des aktuellen tatsächlichen Alterungszustands in dem mindestens einen ausgewählten Gerät (4); - Nachtrainieren des datenbasierten Alterungszustandsmodells basierend auf dem Ergebnis der Messung des tatsächlichen Alterungszustands.
Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 9 auszuführen.
Maschinenlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 9 auszuführen.