DE102020215176A1

DE102020215176A1 - Verfahren und system zum schätzen einer leerlaufspannung einer batteriezelle

Info

Publication number: DE102020215176A1
Application number: DE102020215176.8A
Authority: DE
Inventors: Maskim V. Subbotin; John F. Christensen; Nikhil Ravi; Gerd Simon Schmidt; Reinhardt Klein; Anantharaman Subbaraman; Yumi Kondo; Farshad Ramezan Pour Safaei; Yongfang Cheng
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2019-12-04
Filing date: 2020-12-02
Publication date: 2021-06-10
Also published as: CN112904208A; US20210173012A1

Abstract

Ein Batterieverwaltungssystem umfasst einen Speicher, einen Stromsensor, der einen Stromfluss durch eine Batterie zu einer Last misst, einen Spannungssensor, der einen Spannungspegel zwischen einem ersten Anschluss und einem zweiten Anschluss der Batterie misst, die jeweils mit der Last und dem Speicher verbunden sind, einen Temperatursensor, der einen Temperaturpegel der Batterie misst; und eine Steuerung, die dafür ausgelegt ist, mit dem Stromsensor, dem Temperatursensor und dem Spannungssensor operativ verbunden zu werden. Die Steuerung ist dafür ausgelegt, eine Messung eines ersten Strompegels und eines ersten Spannungspegels zu empfangen und eine korrigierte Kapazität und korrigierte Leerlaufspannungsschätzung zu nutzen, um eine geschätzte Leerlaufspannung der Batterie im Vergleich zu einer geschätzten Kapazität auszugeben.

Description

TECHNISCHES GEBIET
Die vorliegende Offenbarung betrifft die Batteriezellentechnologie.
HINTERGRUND
Die OCV-Kurve (OCV - Open Circuit Voltage = Leerlaufspannung) gegenüber der Kapazitätskurve (oder SoC-Kurve) einer Lithium-Ionen-Zelle ist ein Kennzeichen, das die Leistung der Batterie definieren kann. Dieses Kennzeichen kann zu Beginn der Lebensdauer einer Zelle nach deren Herstellung oder während des Entwicklungsprozesses (z. B. nach der Bildung) gemessen werden und wird von einem Batterieverwaltungssystem (Battery Management System - BMS) verwendet, um den Stromfluss durch die Zelle zu verwalten oder einem Benutzer oder Komponenten einer höheren Ebene des Systems, das die Batterie nutzt, Diagnoseinformationen über die Zelle bereitzustellen. Die OCV-Kurve kann von dem BMS normalerweise für die gesamte Lebensdauer der Zelle festgelegt sein, obwohl sie sich auf Grund der Alterung der Batterie wesentlich ändern kann und diese Änderungen die BMS-Leistung beeinflussen können. In einem fortschrittlicheren BMS kann die Kurve durch eine verbleibende Kapazität der Zelle in Bezug auf die Kapazität zu Beginn der Lebensdauer (Beginning of Life - BOL) skaliert werden, während ihre kennzeichnenden Merkmale unverändert bleiben.
KURZFASSUNG
Nach einer Ausführungsform umfasst ein Verfahren zum Schätzen einer Leerlaufspannungskapazität einer Batterie das Sammeln von Messungen von Strom, Spannung und Temperatur der Batterie, bis ein aufgezeichnetes Verlaufsintervall mindestens eine Ladestufe, eine Entladestufe und einen Ruhepunkt umfasst, um eine Spannungsmessung zu bestimmen, die als Leerlaufspannungswert verwendet werden kann, das Bestimmen einer verzerrten Kapazität und einer verzerrten Leerlaufspannung der Batterie unter Nutzung eines Maschinenlernmodells und einer Aufzeichnung von Strom, Spannung und Temperatur der Batterie während des normalen Betriebs, wobei das Maschinenlernmodell dafür ausgelegt ist, eine korrigierte Kapazität und Leerlaufspannungsschätzungen auszugeben, und das Abschwächen und Korrigieren jeglicher Verzerrungen, die zeitabhängigen Strom-, Spannungs- und Temperaturmessungen zugeordnet sind, unter Verwendung eines Schätzverfahrens, das Verzerrungswerte schätzt und diese von den ursprünglichen Messungen abzieht, und das Nutzen eines Stapelalgorithmus mit der korrigierten Kapazität und den korrigierten Leerlaufspannungsschätzungen als Eingaben, um eine geschätzte Leerlaufspannung der Batterie in Abhängigkeit von einer geschätzten Kapazität, ausgerichtet mit physikalischen Eigenschaften der Batterie, auszugeben.
Gemäß einer zweiten Ausführungsform umfasst ein Batterieverwaltungssystem einen Speicher, einen Stromsensor, der einen Stromfluss durch eine Batterie zu einer Last misst, einen Spannungssensor, der einen Spannungspegel zwischen einem ersten Anschluss und einem zweiten Anschluss der Batterie misst, die jeweils mit der Last und dem Speicher verbunden sind, einen Temperatursensor, der einen Temperaturpegel der Batterie misst, und eine Steuerung, die dafür ausgelegt ist, mit dem Stromsensor, dem Temperatursensor und dem Spannungssensor operativ verbunden zu werden. Die Steuerung ist dafür ausgelegt, eine Messung eines ersten Strompegels, der zu einer ersten Zeit durch die Batterie zur Last fließt, von dem Stromsensor zu empfangen, eine Messung eines ersten Spannungspegels zwischen dem ersten Anschluss und dem zweiten Anschluss der Batterie, die jeweils mit der Last verbunden sind, zu der ersten Zeit vom Spannungssensor zu empfangen, jegliche, einer Leerlaufspannung zugeordnete Verzerrung unter Nutzung eines Verzerrungsschätzalgorithmus und eines Maschinenlernmodells abzuschwächen, wobei das Maschinenlernmodell dafür ausgelegt ist, eine korrigierte Kapazität auszugeben und die Leerlaufspannungsschätzung zu korrigieren, und einen Stapelalgorithmus bei der korrigierten Kapazität und der korrigierten Leerlaufspannungsschätzung zu nutzen, um eine geschätzte Leerlaufspannung der Batterie im Vergleich zu einer geschätzten Kapazität auszugeben.
Gemäß einer dritten Ausführungsform umfasst ein Batterieverwaltungssystem einen Speicher, einen Stromsensor, der einen Stromfluss durch eine Batterie zu einer Last misst, einen Spannungssensor, der einen Spannungspegel zwischen einem ersten Anschluss und einem zweiten Anschluss der Batterie misst, die jeweils mit der Last und dem Speicher verbunden sind, einen Temperatursensor, der einen Temperaturpegel der Batterie misst, und eine Steuerung, die dafür ausgelegt ist, mit dem Stromsensor, dem Temperatursensor und dem Spannungssensor operativ verbunden zu werden; und einer Steuerung, die dafür ausgelegt ist, operativ mit dem Stromsensor, dem Temperatursensor und dem Spannungssensor verbunden zu werden. Die Steuerung ist dafür ausgelegt, eine Messung eines ersten Strompegels, der zu einer ersten Zeit durch die Batterie zur Last fließt, von dem Stromsensor zu empfangen, eine Messung eines ersten Spannungspegels zwischen dem ersten Anschluss und dem zweiten Anschluss der Batterie, die jeweils zu der ersten Zeit mit der Last verbunden sind, vom Spannungssensor zu empfangen, jegliche, der Leerlaufspannung zugeordnete Verzerrung unter Nutzung eines Maschinenlernmodells abzuschwächen, wobei das Maschinenlernmodell dafür ausgelegt ist, eine korrigierte Kapazität auszugeben und Leerlaufspannungsschätzungen zu korrigieren und die korrigierte Kapazität und die korrigierte Leerlaufspannungsschätzung zu nutzen, um eine geschätzte Leerlaufspannung der Batterie im Vergleich zu einer geschätzten Kapazität auszugeben.
Figurenliste

1 ist ein beispielhaftes Blockschaltbild eines Systems.
2B veranschaulicht ein Beispiel für ein Blockschaltbild einer grafischen Darstellung eines hybriden OCV-Kapazitätsschätzalgorithmus.
2A veranschaulicht eine endgültige Schätzung der OCV(k)-Q(k)-Kurve, die von dem Stapelalgorithmus erzeugt wurde.
3 ist ein Beispiel für ein Simulationsergebnis eines ML-Modelltrainings.
4 ist ein beispielhaftes Blockschaltbild einer grafischen Darstellung einer entwickelten Maschinenlernmodellschätz-OCV(t)-Trajektorie.
5 ist ein Beispiel für eine grafische Darstellung des Verzerrungskorrektur- und Umwandlungsprozesses.
6 veranschaulicht ein Beispiel für die OCV-Kapazitätskurven der alternden Zelle.
7 veranschaulicht ein Schätzfehlerhistogramm.
8 veranschaulicht ein Diagramm der Kapazitätsschätzung mit aktualisierten OCV-SoC-Daten.

AUSFÜHRLICHE BESCHREIBUNG
Hier werden Ausführungsformen der vorliegenden Offenbarung beschrieben. Es versteht sich jedoch, dass die offenbarten Ausführungsformen nur Beispiele sind und andere Ausführungsformen verschiedene und alternative Formen annehmen können. Die Figuren sind nicht unbedingt maßstabsgerecht; einige Merkmale könnten übertrieben oder minimiert sein, um Einzelheiten von besonderen Komponenten zu zeigen. Daher sollen hier offenbarte spezielle strukturelle und funktionelle Einzelheiten nicht als beschränkend gedeutet werden, sondern nur als eine repräsentative Grundlage, um einem Fachmann zu lehren, die Ausführungsformen auf verschiedenartige Weise einzusetzen. Wie der durchschnittliche Fachmann verstehen wird, können verschiedene Merkmale, die mit Bezug auf irgendeine der Figuren veranschaulicht und beschrieben werden, mit Merkmalen kombiniert werden, die in einer oder mehreren anderen Figuren veranschaulicht sind, um Ausführungsformen zu ergeben, die nicht ausdrücklich veranschaulicht oder beschrieben sind. Die Kombinationen von veranschaulichten Merkmalen bieten repräsentative Ausführungsformen für typische Anwendungen. Verschiedene Kombinationen und Modifikationen der Merkmale in Übereinstimmung mit der Lehre dieser Offenbarung könnten jedoch für besondere Anwendungen oder Implementierungen gewünscht sein.
Die OCV-Kurve (Leerlaufspannungskurve) gegenüber der Kapazitätskurve einer Lithium-Ionen-(Li-Ionen)-Zelle kann ein sehr wichtiges Kennzeichen sein, das Informationen über die verbleibende Kapazität der Zelle, ihr Alter und die Zusammensetzung verbleibender aktiver Materialien innerhalb der Zelle bereitstellt. Die Kenntnis der OCV-Kurve kann es dem Batterieverwaltungssystem (BMS) ermöglichen, seine Aufgaben genau auszuführen, wie das Bereitstellen von Informationen über die verbleibende Batteriekapazität, Leistungsgrenzschätzungen und das Verwalten eines Schnellladeprozesses, während die Rate des Leistungsrückgangs der Zelle gesteuert wird.
Die genaue Echtzeitschätzung des spezifizierten Ladezustands (State of Charge - SoC) der Batterie kann während des dynamischen Betriebs unter Verwendung von aktualisierten Informationen über die OCV-SoC-Beziehung der Zelle durch verschiedene Kennzeichnungstests oder einen Schätzalgorithmus bestimmt werden. Die Schätzung des Gesundheitszustands (State of Health - SoH) kann die Modellqualität verbessern und zu einer verbesserten Spannungsvoraussage, einer verbesserten SoC-Schätzgenauigkeit und besseren Schnellladealgorithmen führen.
Während die OCV- gegenüber der Kapazitätskurve für eine gegebene Zelle in einem Labor gekennzeichnet werden kann, kann es sehr schwierig sein, diese während des Betriebs eines Elektrofahrzeugs, eines Smartphones oder eines Elektrowerkzeugs zu konstruieren, da dies entweder einen sehr langsamen Lade- oder Entladezyklus, lange Ruhezeiten bei einem spezifizierten Ladezustand (SoC) erfordern kann. Somit kann diese Art von Kennzeichnung für eine Anwendung im wirklichen Leben unpraktisch sein.
Ein vorgeschlagener hybrider Algorithmus kann genaue Schätzungen einer OCV-Kurve gegenüber einer Kapazitätskurve basierend auf Messungen bereitstellen, die während des Betriebs von Lithium-Ionen-Zellen verfügbar sind, wie eine Kombination von Verwendungszyklen mit Ladungen und Ruhezeiten von unterschiedlicher Dauer, und kann somit eine Aktualisierung der OCV-Kurve bei der Anwendung im wirklichen Leben ermöglichen.
1 ist ein beispielhaftes Blockschaltbild eines Systems. Das System 100 kann eine Batteriesatz-Hardware 101 und eine BMS-Software 113 aufweisen. Die BMS-Software 113 kann Algorithmen aufweisen, die mit einem Batteriemodell 115, einer SoH-Schätzung (SoH - State of health, Gesundheitszustand) 117, einer aktualisierten OCV-SoC-Funktion 119, einer Kapazitätsschätzung 121 und einer SoC-Schätzung im Zusammenhang stehen.
Das Batteriesystem 100 kann die OCV und gegebenenfalls den SoC und SoH einer an eine Last angeschlossenen Batterie überwachen. Das Batteriesystem 100 weist einen Batteriesatz 103, der einer Last 109 Elektroenergie bereitstellt, eine Batterieverwaltungssystem-(BMS)-Steuerung 113, die hier auch als die „Steuerung“ 113 bezeichnet wird, und eine Benutzer-Anzeigevorrichtung auf. Während 1 den Batteriesatz 103 und das Batterieverwaltungssystem 113 als separate Elemente zeigt, ist in manchen Ausführungsformen das BMS physisch in den Batteriesatz integriert, während in anderen Ausführungsformen ein BMS über einen digitalen Kommunikationskanal an eine oder mehrere Batteriesätze angeschlossen ist, wie einen CAN-Bus (Controller Area Network), einen Universal Serial Bus, ein Ethernet oder irgendeinen anderen geeigneten digitalen Kommunikationskanal.
Die Batteriesatz-Hardware 101 kann verschiedene Komponenten aufweisen, einschließlich eines Batteriesatzes 103, eines Spannungssensors 105, eines Temperatursensors 107, einer Last 109 und eines Stromsensors 111. Der Batteriesatz 103 kann auch elektrische Anschlüsse aufweisen. Die Anschlüsse können mit Batteriezellen verbunden sein und der Batteriesatz 103 kann über die Anschlüsse an eine Last 109 angeschlossen sein, damit der Batteriesatz 101 der Last 109 Elektroenergie bereitstellen kann. Während 1 eine Last 109 zeigt, die Elektroenergie von den Batteriezellen 103 im Batteriesatz 101 empfängt, werden die Fachleute auf dem Fachgebiet auch erkennen, dass die Last 109 in manchen Konfigurationen durch eine elektrische Stromquelle ersetzt wird, die dem Batteriesatz 103 Elektroenergie bereitstellt, um die Batteriezellen zu laden.
In dem Batteriesatz 103 misst der Spannungssensor 105 ein Spannungspotential aller Batteriezellen, was durch eine Verbindung des Spannungssensors 105 mit den Anschlüssen 8B des Batteriesatzes 103 in 1 gezeigt ist. Falls der Batteriesatz 103 von irgendeiner Last getrennt wird und wieder in einen stillen Ruhezustand zurückkehren kann, kann der Spannungssensor 105 die OCV der Batteriezellen direkt messen. Während des Betriebs des Batteriesatzes 103 zum Zuführen von elektrischem Strom zur Last 109 misst der Spannungssensor 105 jedoch die OCV der Batteriezellen nicht. Der Spannungssensor 105 kann jedoch Spannungsmessungen erzeugen, die die Steuerung 113 im Zusammenhang mit anderen Sensordaten verwenden, um Schätzungen der OCV für die Batteriezellen zu erzeugen.
Der Stromsensor 111 kann einen Fluss von elektrischem Strom durch alle Batteriezellen des Batteriesatzes 103 messen. Der Stromsensor 111 kann ein Strommesser sein, der mit den Batteriezellen in Reihe geschaltet ist, aber die Fachleute werden erkennen, dass ein Nebenschlusswiderstand, ein Stromzangen-Strommesser oder irgendeine andere geeignete indirekte Stromerfassungsvorrichtung auch zur Verwendung mit dem Batteriesatz 103 geeignet ist. Der Temperatursensor 107 kann ein Thermoelement, Thermistor oder jede andere geeignete Temperatursonde sein, die an den Batteriezellen befestigt werden kann, um Messungen der Temperatur der Batteriezellen im Betrieb zu erzeugen. Bei manchen Ausführungsformen weist der Temperatursensor 107 ferner mehrere Temperaturerfassungselemente auf, die die Temperaturen von verschiedenen Batteriezellen innerhalb einer größeren Gruppierung von Batteriezellen in größeren Batteriesatzkonfigurationen messen, wo die Batteriezellen möglicherweise keine gleichmäßigen Temperaturen haben.
Die Steuerung 113 weist mindestens eine digitale Logikvorrichtung und mindestens eine Speichervorrichtung auf. Die Steuerung 113 ist mit dem Batteriesatz 103 operativ verbunden und empfängt Sensordaten vom Spannungssensor 116, Stromsensor 120 und Temperatursensor 107. Im System 100 ist die Steuerung 113 unter Verwendung mindestens eines Mikroprozessors, eines Mikrokontrollers, eine frei programmierbare logische Anordnung (FPGA), eines digitalen Signalprozessors (DSP), einer anwendungsspezifischen integrierten Schaltung (ASIC) oder anderer geeigneter digitaler Logikvorrichtungen implementiert. Die Steuerung 113 weist gegebenenfalls Analog-Digital-Wandler (ADCs) in Ausführungsformen auf, in denen einer oder mehrere der Sensoren analoge Erfassungssignale erzeugen, um es der Steuerung 113 zu ermöglichen, digitale Darstellungen der analogen Sensorsignale zu verarbeiten, obwohl die Sensoren in anderen Ausführungsformen ADC-Schaltungen aufweisen, die digitale Ausgabedaten direkt erzeugen. Der Speicher in der Steuerung 113 kann sowohl eine flüchtige Datenspeichervorrichtung, wie einen statischen oder dynamischen Direktzugriffspeicher (RAM), als auch einen nichtflüchtigen Speicher, wie ein NOR- und NAND-Flash oder eine Magnetplatte aufweisen, die Langzeitdaten speichert, wie in Systemsoftware/Firmware gespeicherte Programmbefehle und Parameter für ein Batteriemodell und andere Batteriekennzeichen, die nachstehend beschrieben werden.
Die Steuerung 113 führt gespeicherte Programmbefehle im Speicher aus, um ein Batteriemodell 115 und eine Ladezustand-(SoC)-Schätzung 123 zu implementieren. Das Batteriemodell 115 weist gespeicherte Parameter für eine äquivalente Schaltung oder ein elektrochemisches Modell auf, das den internen Zustand der Batteriezellen schätzt. Die Zustands- und Parameterschätzlogik kann mit dem Batteriemodell 115 und Eingabedaten vom Spannungssensor 105, Stromsensor 111 und Temperatursensor 107 verwendet werden, um Schätzungen für die OCV mit der OCV-Schätzfunktion 119, den SoC mit der SoC-Schätzfunktion 123 und den SoH 117 und der Kapazitätsschätzfunktion 121 zu erzeugen. SoH-Parameter können die Kapazität, Impedanz, Volumenanteile von aktiven Materialien und zyklierbarem Lithium, Diffusionskoeffizienten, Porosität, Feststoff-Elektrolyt-Grenzflächendicke oder irgendwelche anderen Eigenschaften aufweisen, die auf geeignete Weise den Gesundheitszustand der Zelle beschreiben können. In einer anderen Ausführungsform kann das System auch eine Schätzfunktion für eine Fahrzeugreichweite oder die verbleibende Laufzeit einer Vorrichtung aufweisen, die es einer Steuerung ermöglicht, die geschätzten SoC- und SoH-Kennzeichen der Batteriezellen 112 im Batteriesatz 103 im Zusammenhang mit den vergangenen, aktuellen und vorausgesagten künftigen Stromverbrauchskennzeichen der Last 140 zu verwenden, um eine Schätzung der verbleibenden Nutzkapazität der Batterie, um die Last zu betreiben, zu erzeugen. Zum Beispiel kann in einem Elektrofahrzeug die Reichweitenschätzfunktion eine Schätzung der verbleibenden Fahrreichweite des Fahrzeugs, bevor der Batteriesatz 103 aufgeladen werden muss, bereitstellen. Bei einem Smartphone oder einer anderen mobilen elektronischen Vorrichtung kann eine Laufzeit-Schätzfunktion verwendet werden, um eine Schätzung darüber bereitzustellen, wie lange die Vorrichtung noch arbeiten kann, bis der Batteriesatz 103 aufgeladen werden muss. Die BMS-Steuerung 113 kann auch mit einer Benutzer-Anzeigevorrichtung 180 verbunden werden, die zum Beispiel eine LCD-Anzeige oder eine Audioausgabevorrichtung ist, die eine Ausgabe basierend auf der geschätzten OCV, dem geschätzten SoC und SoH der Batteriezellen oder eine Ausgabe entsprechend der geschätzten verbleibenden Fahrzeugreichweite oder Vorrichtungslaufzeit erzeugt.
Die Kapazitätsschätzfunktion 121 kann den Parameter θ unter Verwendung der Fehlerquadratmethode, eines erweiterten Kalman-Filters, einer Bewegungshorizont-Schätzfunktion (Moving Horizon Estimator) und/oder der Rekursionsmethode der kleinsten Quadrate (RLS) schätzen. Der Algorithmus Rekursionsalgorithmus der kleinsten Quadrate (RLS) greift auf einen Puffer von zuvor gespeicherten Schätzdaten im Speicher zu, um die Kapazität basierend auf der zuvor erhältlichen Schätzung, zwei oder mehr SoC-Wert-Schätzungen im zeitlichen Verlauf und der akkumulierten Ladung zu schätzen. Die Entwicklung der auf dem RLS-Algorithmus basierenden Parameterschätzung mit Messungen, die nach jeder Abtastdauer erhältlich sind, ist folgendermaßen, wie es den Fachleuten bekannt ist $P_{k} = \frac{1}{α_{{k - 1}}} (P_{{k - 1}} - \frac{P_{{k - 1}}^{2} x_{k}^{2}}{α_{{k - 1}} + x_{{k}}^{2} P_{{k - 1}}})$
$θ_{{k}} = θ_{{k - 1}} + \frac{P_{{k - 1}} x_{k} (y_{k} - θ_{{k - 1}} x_{k})}{α_{{k - 1}} + x_{{k}}^{2} P_{{k - 1}}}$
wobei α∈[0,1] der Gedächtnisfaktor ist und P_0 der Anfangswert der Unsicherheitsmatrix ist. Die Steuerung 113 kann gespeicherte Programmbefehle ausführen, um den vorstehenden RLS-Algorithmus oder eine andere Variation eines SoH-Schätzprozesses zu implementieren. Der Prozess stellt sicher, dass die Steuerung 113 die OCV-Ereignisse zu Zeiten erzeugen kann, wenn der Ladeerregungspegel der Batterie ausreichend niedrig ist, um es der OCV-SoC-Schätzfunktion 119 zu ermöglichen, genaue OCV-Schätzungen zu erzeugen. Da sowohl der OCV-SoC- als auch der SoH-Prozess auf genauen OCV-SoC-Eingaben beruhen, ermöglicht der Prozess genaue Schätzungen von OCV-SoC und SoH, während der Batteriesatz 103 während des dynamischen Betriebs mit der Last 109 verbunden bleibt. Da die Steuerung die Kapazitätsschätzung mit den neuesten Informationen über die OCV_SoC-Beziehung der Zelle versorgen kann, kann die Genauigkeit des SoH-Schätzalgorithmus erheblich verbessert werden.
Im Gegensatz dazu kann eine Echtzeitanwendung keine Unterbrechung des normalen Betriebs der von einer Batterie betriebenen Vorrichtung erlauben, um eine aktualisierte OCV-SoC-Beziehung zu messen. Somit kann ein auf Maschinenlernen basierender Ansatz (z. B. Subbotin, 2018) einen genauen OCV-SoC der Zelle in Echtzeit bereitstellen und dem SoH-Schätzalgorithmus diese Informationen zuführen. Ein solcher Hybridmodellierungsansatz kann die Kapazitätsschätzung der Zelle, die von der Kapazitätsschätzfunktion 121 genutzt wird, erheblich verbessern. Der Maschinenlernalgorithmus kann auf einem neuronalen Netz basieren und unter Verwendung eines elektrochemischen Modells einer Zelle trainiert werden. Somit kann das System einen Satz von Informationen über interne Zustände der Batterie enthalten und eine genaue Schätzung der OCV-SoC-Funktion in Echtzeit bereitstellen.
Die Steuerung kann gegebenenfalls die gemessenen Änderungen ΔSoC und Messungen des Stromflusses durch die Batterie im zeitlichen Verlauf während des Betriebs des Batteriesatzes 104 verwenden, um Schätzungen des SoH der Batteriezellen zu erzeugen, während der Batteriesatz 103 die Last 109 antreibt. Um den SoH zu schätzen, kann die Steuerung 113 die Kapazitätsschätzfunktion 121 verwenden, um mehrere Messungen von Änderungen des SoC im zeitlichen Verlauf mit einem Prozess zu kombinieren, der als „Coulomb-Zählung“ bezeichnet wird, der sich auf die Gesamtmenge der Ladung bezieht, die der Batteriesatz 103 der Last 109 im zeitlichen Verlauf zuführt, um die Gesamtkapazität der Batteriezellen zu verschiedenen Zeiten zu schätzen. Der Coulomb-Zählprozess misst akkumulierte Ladung basierend auf der folgenden Gleichung: $A c c u m u l a t e d C h a r g e = \int_{t_{1}}^{t_{2}} I (τ) d τ .$
Die Steuerung kann die akkumulierte Ladung durch Summieren der Strompegelmesswerte identifizieren, die vom Stromsensor 111 zwischen den Zeiten t1 bis t2 empfangen wurden, um die akkumulierte Ladung als einen Wert in Einheiten von Coulomb oder einer äquivalenten Ladungseinheit zu identifizieren. Wie auf dem Fachgebiet allgemein bekannt ist, beziehen sich die Strommesswerte, die oft unter Verwendung von Amps als Einheit ausgedrückt werden, auf die Rate, mit der sich Ladung in einer Schaltung bewegt. Die Steuerung 113 summiert die Ratenmessungen im zeitlichen Verlauf, um einen numerischen Integrationsprozess zu implementieren, der die gesamte akkumulierte Ladung über die Zeitspanne von t1 bis t2 identifiziert.
Der SoH wird mit ΔSoC und der akkumulierten Ladung basierend auf der folgenden Gleichung in Beziehung gesetzt:
$Δ S o C = S o C (t_{2}) - SoC (t_{1}) = \frac{1}{S o H} * \int_{t_{1}}^{t_{2}} I (τ) d τ$
Die vorstehende Gleichung, die für SoH aufgelöst wird, stellt Folgendes bereit:
$S o H = \frac{1}{Δ SoC} * \int_{t_{1}}^{t_{2}} I (τ) d τ$
Die vorstehende Gleichung kann in einem Eingabe-Ausgabe-Format umgeschrieben werden, wobei die Ausgabe y für die akkumulierte Ladung (accumulated charge) und die Eingabe x für die Änderung des SoC steht. Der Parameter θ steht für den SoH der Batterie.
$A c c u m u l a t e d C h a r g e = S o H * (Δ S o C)$
$y = θ x .$
Der SoH-Schätzprozess erfordert im Allgemeinen mehrere Sätze von ΔSoC und akkumulierten Ladedaten, um genaue Schätzungen des SoH der Batterie zu erzeugen. Die Kapazitätsschätzfunktion 168 in der Steuerung 113 schätzt den Parameter θ unter Verwendung einer Fehlerquadratmethoden, eines erweiterten Kalman-Filters, einer Bewegungshorizont-Schätzfunktion und/oder einer Rekursionsmethode der kleinsten Quadrate (RLS). Eine Ausführungsform unter Verwendung von RLS wird nachstehend zu Veranschaulichungszwecken erläutert. Der Algorithmus Rekursionsalgorithmus der kleinsten Quadrate (RLS) greift auf einen Puffer von zuvor gespeicherten Schätzdaten im Speicher zu, um die Kapazität basierend auf der vorherigen erhältlichen Schätzung, zwei oder mehr SoC-Wert-Schätzungen im zeitlichen Verlauf und der akkumulierten Ladung zu schätzen. Die Entwicklung der auf dem RLS-Algorithmus basierenden Parameterschätzung mit Messungen, die nach jeder Abtastdauer erhältlich sind, ist folgendermaßen, wie es den Fachleuten bekannt ist
$P_{k} = \frac{1}{α_{{k - 1}}} (P_{{k - 1}} - \frac{P_{{k - 1}}^{2} x_{k}^{2}}{α_{{k - 1}} + x_{{k}}^{2} P_{{k - 1}}})$
$θ_{{k}} = θ_{{k - 1}} + \frac{P_{{k - 1}} x_{k} (y_{k} - θ_{{k - 1}} x_{k})}{α_{{k - 1}} + x_{{k}}^{2} P_{{k - 1}}}$
2B ist ein Beispiel für ein Blockschaltbild einer grafischen Darstellung eines hybriden OCV-Kapazitätsschätzalgorithmus. Der Algorithmus ist von hybrider Art, da er ein mit OCV-Daten betriebenes Maschinenlern-(ML)-Modell mit einem Physik-basierten Modell einer in einem Stapelalgorithmus 211 enthaltenen Zelle kombinieren kann.
Wie in 2B gezeigt ist, kann das ML-OCV-Modell verfügbare zeitabhängige Zellenmessungen in eine zeitabhängige OCV(t)-Schätzung abbilden. Derartige Messungen können eine momentane Messung von Spannung (z. B. V(t)), Temperatur (z. B. T(t)), Strom (z. B. I(t)) und Spannungsmessungen nach einer langen Ruhezeit (z. B. OCV(O)), zu zeitlichen Schätzungen der OCV (z. B. OCV(t)) gegenüber zeitlichen Schätzungen der Kapazität (z. B Q(t)) aufweisen. Derartige Messungen sind Eingaben 101, die dem ML-OCV-Modell 203 zugeführt werden. Die Messungen können mit verschiedenen Sensoren erfolgen. Das ML-Modell kann verschiedene Architekturen aufweisen, wie ANN, RNN, CNN, LSTM, Fuzzy-Netzwerk, Entscheidungsbaum, SVM oder irgendeine andere geeignete Architektur.
Ein Verzerrungskorrekturalgorithmus 207 kann versuchen, Strom- und Spannungsmessverzerrungen aus den Messungen zu eliminieren. Außerdem kann der Verzerrungskorrekturalgorithmus 207 zeitliche Schätzungen der OCV(t) gegenüber Schätzungen der Kapazität Q(t) in OCV(j)-Q(j)-Paare von Schätzungen umwandeln, wodurch die Zeitabhängigkeit entfernt wird, wobei j ein Index des entsprechenden OCV-Q-Paares ist. Der Prozess des Erzeugens von OCV(t)-Schätzungen und der Verzerrungskorrektur kann mehrmals wiederholt werden, um die Genauigkeit zu verbessern. Somit kann der Prozess bei mehreren Gelegenheiten erzeugt werden. Die Verzerrungskorrektur 107 kann durch ein Kalman-Filter, ein Teilchenfilter, ein Polynomfilter und andere ähnliche Filter ausgeführt werden.
Da Verzerrungen und Rauschen beim Strommessen zusätzliche Fehler in die vom ML-Modell erzeugten OCV(t)-Schätzungen einbringen können, kann das Korrigieren und Filtern hilfreich sein. Der Verzerrungskorrekturalgorithmus 207 kann OCV(t)- gegenüber Q(t)-Kurven verarbeiten, um OCV(j)- gegenüber Q(j)-Paare zu erzeugen, um Verzerrungen aus Strommessungen zu eliminieren und richtige Eingaben für den Stapelalgorithmus 211 aufzubereiten. Der Verzerrungskorrekturalgorithmus 207 kann ein Optimierungsproblem des Auffindens von konstanten Stromverzerrungen während kontinuierlicher Perioden des Ladens oder Entladens lösen, während die Summe von Euklidischen Abständen zwischen benachbarten Punkten entlang einer OCV-Q-Trajektorie minimiert wird. Die grafische Darstellung des Algorithmus ist in 5 gezeigt.
Ein Stapelalgorithmus 211 kann rohe OCV-Kapazitätsschätzungen zu einer endgültigen OCV- (z. B. OCV(k)) gegenüber einer Kapazitäts- (z. B. Q(k)) -Schätzung verarbeiten, wie sie als Ausgabe 213 gezeigt ist. Der Stapelalgorithmus 211 kann die OCV(k) und Q(k) durch Ausrichten dieser mit einem Physik-basierten Modell einer Zelle schätzen, die aus aktiven Materialien einer Lithium-Einsatzanode und einer Lithium-Einsatzkathode besteht. Der Stapelalgorithmus 211 kann einen Satz von OCV(j)-Q(j)-Paaren empfangen und diese in eine endgültige OCV(k)-Q(k)-Kurvenschätzung umwandeln, was physikalische Einschränkungen auferlegen kann. Die OCV-Kapazitätskurve einer Li-Ionen-Zelle kann eine Kombination aus Leerlaufpotentialen (OCP) von aktiven Materialien sein, die eine Anode und Kathode der Zelle aufweisen. Die Kombination kann durch aktive Volumenanteile von individuellen Materialien und einem Betrag von zyklierbarem, zur Reaktion verfügbarem Lithium bestimmt werden. Der Stapelalgorithmus 211 kann eine Optimierungsroutine aufweisen, die nach einer Potentialkombination von OCPs sucht, die das Best-Fit mit dem Eingabesatz OCV(j)-Q(j) bereitstellen kann, während Volumenanteile und gesamtes zyklierbares Lithium als Ausführungsvariablen verwendet werden und physikalische Einschränkungen dieser erfüllt werden. 2A kann eine endgültige OCV(k)-Q(k)-Kurvenschätzung zeigen, die vom Stapelalgorithmus erzeugt wurde. Die Stapelalgorithmusverarbeitung kann die OCV(k)-Q(k)-Kurvenschätzung noch enger mit der wirklichen OCV-Kurve ausrichten, indem physikalische Einschränkungen auferlegt werden, wie im Einzelnen angegeben. Der Stapelalgorithmus kann ein solcher sein, wie er in der US-Patentveröffentlichung Nr. 2019/0036356 mit dem Titel „Method and System for Estimating Battery Open Cell Voltage, State of Charge, and State of Health During Operation of the Battery“ (Verfahren und System zum Schätzen einer Leerlaufspannung, eines Ladezustands und eines Gesundheitszustands einer Batterie während des Betriebs der Batterie), die hier durch Bezugnahme in ihrer Gesamtheit einbezogen ist, beschrieben ist.
Das ML-Modell kann einen synthetischen Ansatz zum Erzeugen von ML-Modell-Trainingsdaten nutzen. Das Physik-basierte Modell der Li-Ionen-Zelle kann in einen begrenzten Satz von Versuchsmesswerten eingepasst und dann verwendet werden, um ML-Modell-Trainingsdaten für ein volles Spektrum von Verwendungsfällen, Umgebungsbedingungen und Zellalter zu erzeugen. Das System kann ein elektrochemisches Li-Ionen-Zellenmodell reduzierter Ordnung (Reduced Order Modell - ROM) verwenden und unter Verwendung von Versuchsmesswerten von einer Kraftfahrzeugzelle parametrisiert werden. Die Nutzung eines Modells zur Datenerzeugung ermöglicht ein schnelles Sammeln eines repräsentativen Datensatzes. Das ROM kann von Stromtrajektorien betrieben werden, die kombinierte Kombinationen von charakteristischen Antriebszyklen mit schnellen Ladungen und Ruhezeiten von beliebiger Dauer in beliebiger Reihenfolge sind, und die von beliebigen Anfangsbedingungen ausgehen. Um verschiedene Alterungsprozesse zwischen Zellen auf Grund der Herstellung und verschiedener Verwendungsfälle zu modellieren, können Parameter des ROM innerhalb von Bereichen, die während der Lebensdauer einer Zelle erwartet werden, permutiert werden. Zusätzlich zum Beschleunigen des Sammelns von Daten kann das Modell Schätzungen von OCV-Kapazitätskurven zur Verwendung im überwachten ML-Modelltraining bereitstellen.
3 ist ein Beispiel für ein Simulationsergebnis eines ML-Modelltrainings. Eine wichtige Aufgabe bei der Entwicklung einer genauen ML-Modellierung ist das Sammeln von Daten, die für das Modelltraining und -testen genutzt werden. Experimentelle Zellendaten können jedoch kostspielig sein, da sie eine erhebliche Menge an Ressourcen, Zeit (Monate) und Testausrüstung erfordern können, um einen Datensatz zu sammeln, der eine erwartete Variabilität von Verwendungsfällen und Umgebungsbedingungen im wirklichen Leben darstellen kann. Ein synthetischer Ansatz zum Erzeugen von ML-Modell-Trainingsdaten kann Vorteile haben. In einem derartigen Ansatz kann ein detailliertes, Physik-basiertes Modell der Li-Ionen-Zelle in einen begrenzten Satz von Versuchsmesswerten eingepasst und dann verwendet werden, um ML-Modell-Trainingsdaten für ein volles Spektrum von Verwendungsfällen, Umgebungsbedingungen und Zellalter zu erzeugen.
Bei einer solchen Aufgabe kann ein elektrochemisches Li-Ionen-Zellmodell reduzierter Ordnung (ROM) unter Verwendung von Versuchsmesswerten von einer Kraftfahrzeugzelle parametrisiert werden. Die Nutzung eines Modells zur Datenerzeugung kann ein schnelles Sammeln eines repräsentativen Datensatzes ermöglichen. Das ROM kann von Stromtrajektorien betrieben werden, die Kombinationen von charakteristischen Antriebszyklen mit schnellen Ladungen und Ruhezeiten von beliebiger Dauer in beliebiger Reihenfolge sind, die von beliebigen Anfangsbedingungen ausgehen. Um das Alterungsverhalten einer Zelle und die Variabilität zwischen Zellen auf Grund der Herstellung und verschiedener Verwendungsfälle zu modellieren, können Parameter des ROM innerhalb von Bereichen, die während der Lebensdauer einer Zelle erwartet werden, permutiert werden. Zusätzlich zum Beschleunigen des Sammelns von Daten kann das Modell Schätzungen von OCV-Kapazitätskurven zur Verwendung im überwachten ML-Modelltraining bereitstellen.
Wie in 3 gezeigt ist, zeigen die ROM-Simulationsergebnisse die Spannungs-, Temperatur- und SoC-Reaktion auf Stromtrajektorien. Es können Messungen als Eingaben für das ML-Modell verfügbar sein, die in Eingabemerkmale konstruiert werden, um das Modell mit mehr beschreibenden Daten zu versorgen. Vergangene Messwerte von Spannung, Strom und Temperatur können bereitgestellt werden, um die Abhängigkeit des Stromzustands der Zelle und der entsprechenden OCV der vergangenen Lade-/Entladetrajektorie zu erfassen. Künftige Messwerte in Bezug auf die in Betracht gezogene Zeit, t, können verwendet werden, um das Filtern der Messungen zu erleichtern. Künftige Proben können in dieser Formulierung bereitgestellt werden, da ein kompletter Hybridalgorithmus OCV-Kapazitätsschätzungen bereitstellt, nachdem eine ausreichende Menge an Daten gesammelt und verarbeitet worden ist, und somit muss eine ML-Modellschätzung nicht zufällig sein.
4 ist ein beispielhaftes Blockschaltbild einer grafischen Darstellung eines Maschinenlernmodells, das OCV(t)-Schätzungen bereitstellt und Strom-, Spannungs-, und Temperaturmessungen als Eingaben verwendet. Die Verzerrungen und das Rauschen der Strommessungen können zusätzliche Fehler in vom ML-Modell erzeugten OCV(t)-Schätzungen einbringen. Außerdem nimmt der Stapelalgorithmus OCV- gegenüber Kapazitäts-Q-Paare und -Eingaben, nicht zeitabhängige OCV(t)- und Q(t)-Kurven, um Physik-basierte OCV- gegenüber Kapazitäts-Kurven zu erzeugen. Das ML-OCV-Modell kann verfügbare vorübergehende Zellenmessungen abbilden. Das ML-OCV-Modell kann momentane Messungen von Spannung, Temperatur und Strom verwenden. Als solche können Messungen eine momentane Messung von Spannung (z. B. V(t)), Temperatur (z. B. T(t)), Strom (z. B. I(t)) und Spannungsmessungen nach einer langen Ruhezeit (z. B. OCV(O)) aufweisen. Solche Messungen sind Eingaben 101, die in das ML-OCV-Modell eingespeist und zur Ausgabe der OCV(t) genutzt werden. Ein Stapelalgorithmus kann rohe OCV-Kapazitätsschätzungen zu einer endgültigen OCV-Messung (z. B. OCV(k)) und Kapazitätsmessung (z. B Q(k)) verarbeiten. Der Stapelalgorithmus 211 kann die OCV(k) und Q(k) durch Ausrichten dieser mit einem Physik-basierten Modell einer Zelle schätzen, die aus aktiven Materialien einer Lithium-Einsatzanode und einer Lithium-Einsatzkathode besteht.
5 ist ein Beispiel für eine grafische Darstellung des Verzerrungskorrektur- und Umwandlungsprozesses. Eine erste Kurve in der Figur kann eine echte OCV- gegenüber einer Q-Kurve für einen der simulierten Sätze von ROM-Parametern zeigen. Eine weitere Trajektorie kann OCV(t)- gegenüber Q(t)-Schätzungen zeigen, die von dem ML-Modell erzeugt wurden, als die Zelle vor der Verzerrungskorrektur Lade-Entlade-Trajektorien gefolgt ist. Die Coulomb-Zählung kann genutzt werden, um Q(t) zu berechnen und kann somit mit einer Stromverzerrung belastet sein. Wie in 5 gezeigt ist, rutschen Zellenladungen und -entladungen von der ML-Modellausgabe auf natürliche Weise in der OCV-Kurve nach oben oder unten. Das ML-Modell in den Simulationsergebnissen zeigt eine engere Übereinstimmung mit der echten OCV während des Antriebszyklus als während des schnellen Ladens, insbesondere bei Spannungen unterhalb von 3,85 V auf Grund von Verzerrungen.
Die korrigierte OCV(j)-Q(j)-Kurve kann die Ergebnisse nach der Verzerrungskorrektur und der Kumulierung von OCV(t)- gegenüber Q(t)-Trajektorien in eine Kurve zeigen - ein Satz von OCV(j)-Q(j)-Paaren. Die Korrektur und Kumulierung konnte die OCV(j)-Q(j)-Kurve der echten OCV-Kurve am nächsten bringen, wie in 5 gezeigt ist. Die Punkte auf der Verzerrungskorrektur- und Kumulierungskurve der korrigierten Trajektorien können berechnet werden, indem ein Optimierungsproblem des Auffindens von Punkten gelöst wird, die einem Satz von Punkten auf der ML-Modell-OCV-Schätzkurve innerhalb von Kugeln mit einem bestimmten Radius am nächsten sind, wobei Stromverzerrungsschätzungen als freie Variablen verwendet werden. Die Einfügung in 5 veranschaulicht diesen Prozess grafisch durch Zeigen von mehreren Punkten innerhalb einer Kugel von mehreren Trajektorien entlang der ML-Modell-OCV-Schätzung, die zu einem OCV(j)-Q(j)-Paar-Punkt kumuliert sind.
6 veranschaulicht ein Beispiel für die OCV-Kapazitätskurven der Zelle. Die Entwicklung der OCV- gegenüber der Kapazitätskurve einer experimentellen Li-Ionen-Zelle ist auch gezeigt. Die OCV-Kapazitätskurve ist als die Entwicklung vom BOL bis zu 900 Zyklen gezeigt. Die Algorithmusvalidierung wurde an einem Satz von Daten ausgeführt, die während eines experimentellen Testens einer Kraftfahrzeug-Li-Ionen-Zelle erzeugt wurden. Die Testprozedur beinhaltete Charakterisierungstests, die zu Beginn der Lebensdauer der Zelle (Beginning of Live - BOL) und danach alle 100 Lade-Entladezyklen ausgeführt wurden. Zwischen Charakterisierungstests wurde jede Zelle mit einem schnellen Laden und einem Entladen mit dynamischem Antriebszyklus mit Ruhezeiten dazwischen zyklisch wiederholt. Ein vollständiges Laden und Entladen einer Zelle wurden durch den begrenzenden Spannungsbereich und SoC-Werte definiert. Das schnelle Laden wurde unter Verwendung des Bosch-BMS-Algorithmus ausgeführt, der die Ladezeit minimiert. Charakterisierungstests ermöglichten eine genaue Messung von OCV-Kapazitätskurven während der gesamten Lebensdauer der Zelle. Wie in 6 gezeigt ist, entwickelten sich die OCV-Kapazitätskurven der Zelle vom BOL bis zu 900 Zyklen. Wie aus der Figur ersichtlich ist, nahm die Kapazität der Zelle mit ihrer Alterung ab. Merkmale der OCV-Kapazitätskurve (Kurven, Krümmungen, ihre Formen und Positionen) entwickelten sich auch, wenn aktive Materialien innerhalb der Anode und Kathode und das zyklierbare Lithium genutzt wurden.
7 veranschaulicht ein Schätzfehlerhistogramm. Das Histogramm zeigt die OCV-Kapazitätskurve der Zelle nach 900 Zyklen an. Um die Leistung des Algorithmus zu bewerten, kann ein Kapazitätsschätzfehler als Metrik verwendet werden. 6 zeigt eine echte OCV-Kapazitätskurve und ihre entsprechende Schätzung in dem linken Unterplot nach 900 Zyklen. Das rechte Unterplot zeigt ein Balkendiagramm von Kapazitätsschätzfehlern für verschiedene OCVs. Wie in dem Histogramm gezeigt ist, lag eine Schätzung nach dem ungünstigsten Fall von 2,5 % der normalen Zellenkapazität bei etwa 3,85 V OCV. In ähnlichen Diagrammen, die als Validitätstest alle 100 Zyklen erzeugt wurden, lag der höchste beobachtete Fehler nach dem ungünstigsten Fall bei 3 % zum BOL der Zelle. Eine solche Bewertung zeigt, dass selbst in einem anspruchsvollen Testszenarium, bei dem die Zelle schnell altert, der entwickelte Algorithmus in der Lage war, eine Schätzgenauigkeit für den Fehler nach dem ungünstigsten Fall durch den Betriebsspannungsbereich innerhalb von 3 % zu halten.
8 veranschaulicht ein Diagramm der Kapazitätsschätzung mit aktualisierten OCV-SoC-Daten. Die Kapazitätsschätzung veranschaulicht eine Schätzung von 18650 Zellen über 500 Zyklen. Die echte Kapazität der Zelle kann alle 100 Zyklen durch Unterbrechung des normalen Betriebs der Batterie gemessen werden. Die Rautenformen können die (echte) Messkapazität der Zelle zusammen mit einem Fehlerbalken von 3 % anzeigen. Die obere Linie kann das Ergebnis des RLS-Algorithmus unter Verwendung der OCV-SoC-Beziehung zu Beginn der Lebensdauer sein. Die untere Linie kann das Ergebnis des RLS-Algorithmus zusammen mit der aktualisierten OCV-SoC-Beziehung alle 100 Zyklen sein. Wie gezeigt ist, kann die untere Linie im Vergleich zu der oberen Linie, die nicht die aktualisierten OCV-SoC-Informationen nutzt, näher an der gemessenen Kapazität liegen. Wie gezeigt ist, beginnen beide Algorithmen mit der gleichen anfänglichen Mutmaßung für die Kapazität und haben ähnliche (oder gleiche) Abstimmungsparameter. Der aktualisierte OCV-SoC-Anteil in der SoH-C-Schätzfunktion verbessert jedoch die Genauigkeit mit einem Schätzfehler von weniger als 2 %. In der Praxis kann das ML-OCV-Modell genutzt werden, um die OCV-SoC-Funktion häufiger zu schätzen, um die Genauigkeit der SoH-Schätzung weiter zu erhöhen.
Die hier offenbarten Prozesse, Verfahren oder Algorithmen können an eine Verarbeitungsvorrichtung, eine Steuerung oder einen Computer übertragbar oder von diesen implementiert sein, wobei es sich unter anderem um jede existierende programmierbare elektronische Steuereinheit oder dedizierte elektronische Steuereinheit handeln kann. In ähnlicher Weise können die Prozesse, Verfahren oder Algorithmen als Daten und Befehle gespeichert werden, die von einer Steuerung oder einem Computer in vielen Formen ausführbar sind, einschließlich, jedoch nicht darauf beschränkt, Informationen, die dauerhaft in einem nicht beschreibbaren Speichermedium gespeichert sind, wie ROM-Vorrichtungen, und Informationen, die veränderbar in beschreibbaren Speichermedien gespeichert sind, wie Disketten, Magnetbänder, CDs, RAM-Vorrichtungen und andere magnetische und optische Medien. Die Prozesse, Verfahren oder Algorithmen können auch in einem von einer Software ausführbaren Objekt implementiert sein. Alternativ können die Prozesse, Verfahren oder Algorithmen ganz oder teilweise unter Verwendung von geeigneten Hardwarekomponenten ausgeführt werden, wie anwendungsspezifische integrierte Schaltungen (ASICs), frei programmierbare logische Anordnungen (FPGAs), Zustandsmaschinen, Steuerungen oder andere Hardwarekomponenten oder Vorrichtungen, oder eine Kombination aus Hardware, Software und Firmware-Komponenten.
Während vorstehend beispielhafte Ausführungsformen beschrieben wurden, ist nicht beabsichtigt, dass diese Ausführungsformen alle möglichen Formen beschreiben, die in den Ansprüchen enthalten sind. Die in der Beschreibung verwendeten Wörter sind eher beschreibende als einschränkende Wörter, und es versteht sich, dass verschiedene Änderungen vorgenommen werden können, ohne das Wesen und den Schutzbereich der Erfindung zu verlassen. Wie vorstehend beschrieben wurde, können die Merkmale verschiedener Ausführungsformen kombiniert werden, um weitere Ausführungsformen der Erfindung zu bilden, die vielleicht nicht ausdrücklich beschrieben oder veranschaulicht wurden. Während verschiedene Ausführungsformen möglicherweise so beschrieben wurden, dass sie Vorteile bereitstellen oder gegenüber anderen Ausführungsformen oder Implementierungen des Stands der Technik in Bezug auf ein oder mehrere gewünschte Kennzeichen bevorzugt sind, wird der durchschnittliche Fachmann erkennen, dass bei einem oder mehreren Merkmalen oder Kennzeichen ein Kompromiss gewählt werden könnte, um gewünschte gesamte Systemattribute zu erhalten, die von der spezifischen Anwendung und Implementierung abhängen. Diese Attribute können unter anderem Kosten, Festigkeit, Haltbarkeit, Lebenszykluskosten, Verkehrsfähigkeit, Erscheinung, Verpackung, Größe, Wartbarkeit, Gewicht, Herstellbarkeit, einfache Montage usw. umfassen. Von daher liegen Ausführungsformen, die als weniger wünschenswert als andere Ausführungsformen oder Implementierungen des Stands der Technik in Bezug auf ein oder mehrere Kennzeichen beschrieben werden, nicht außerhalb des Schutzbereichs der Offenbarung und können für bestimmte Anwendungen wünschenswert sein.

Claims

Verfahren zum Schätzen einer Leerlaufspannungskapazität einer Batterie, umfassend: Sammeln von Messungen von Strom, Spannung und Temperatur der Batterie, bis ein aufgezeichnetes Verlaufsintervall mindestens eine Ladestufe, eine Entladestufe und einen Ruhepunkt aufweist, um eine Spannungsmessung zu bestimmen, die als Leerlaufspannungswert verwendet werden kann; Bestimmen einer verzerrten Kapazität und einer verzerrten Leerlaufspannung der Batterie unter Nutzung eines Maschinenlernmodells und einer Aufzeichnung von Strom, Spannung und Temperatur der Batterie bei einem normalen Betrieb, wobei das Maschinenlernmodell dafür ausgelegt ist, eine korrigierte Kapazität und Leerlaufspannungsschätzungen auszugeben; und Abschwächen und Korrigieren jeglicher Verzerrungen, die zeitabhängigen Strom-, Spannungs- und Temperaturmessungen zugeordnet sind, unter Verwendung eines Schätzverfahrens, das Verzerrungswerte schätzt und diese von den ursprünglichen Messungen abzieht; und Nutzen eines Stapelalgorithmus mit der korrigierten Kapazität und den korrigierten Leerlaufspannungsschätzungen als Eingaben, um eine geschätzte Leerlaufspannung der Batterie in Abhängigkeit von einer geschätzten Kapazität, ausgerichtet mit physikalischen Eigenschaften der Batterie, auszugeben.
Verfahren nach Anspruch 1, wobei das Verfahren ferner das Nutzen des Maschinenlernmodells umfasst, um eine Echtzeit-Leerlaufspannungsschätzung in Abhängigkeit von Zeit zu erzeugen.
Verfahren nach Anspruch 1, wobei der Strom, die Spannung und die Temperatur der Batterie zu einem momentanen Moment gemessen werden.
Verfahren nach Anspruch 1, wobei die Strom-, Spannungs- und Temperaturmessungen der Batterie über einen Zeitraum aufgezeichnet werden.
Verfahren nach Anspruch 1, wobei die Strom-, Spannungs- und Temperaturmessungen der Batterie mit einer Abtastfrequenz aufgezeichnet werden.
Verfahren nach Anspruch 1, wobei das Verfahren ferner den Schritt des Ausgebens der Leerlaufspannung der Batterie umfasst.
Verfahren nach Anspruch 1, wobei das Verfahren ferner das Abschwächen von Strommessverzerrungen unter Nutzung eines Verzerrungsschätzalgorithmus und eines Maschinenlernmodells umfasst.
Verfahren nach Anspruch 1, wobei das Verfahren ferner das Abschwächen von Spannungsmessverzerrungen unter Nutzung eines Verzerrungsschätzalgorithmus und eines Maschinenlernmodells umfasst.
Verfahren nach Anspruch 1, wobei die Leerlaufspannung der Batterie nach einem Ruhezeitraum der Batterie bekannt ist.
Verfahren nach Anspruch 1, wobei der normale Betrieb einen Ladezustand, einen Entladezustand und zwischengeschaltete Ruhezeiten umfasst.
Batterieverwaltungssystem, umfassend: einen Speicher; einen Stromsensor, der einen Stromfluss durch eine Batterie zu einer Last misst, einen Spannungssensor, der einen Spannungspegel zwischen einem ersten Anschluss und einem zweiten Anschluss der Batterie misst, die jeweils mit der Last und dem Speicher verbunden sind, einen Temperatursensor, der einen Temperaturpegel der Batterie misst, und eine Steuerung, die dafür ausgelegt ist, mit dem Stromsensor, dem Temperatursensor und dem Spannungssensor operativ verbunden zu werden, wobei die Steuerung dafür ausgelegt ist: eine Messung eines ersten Strompegels, der zu einer ersten Zeit durch die Batterie zur Last fließt, vom Stromsensor zu empfangen; eine Messung eines ersten Spannungspegels zwischen dem ersten Anschluss und dem zweiten Anschluss der Batterie, die jeweils zur ersten Zeit mit der Last verbunden sind, von dem Spannungssensor zu empfangen; jegliche Verzerrung, die einer Leerlaufspannung zugeordnet ist, unter Nutzung eines Maschinenlernmodells abzuschwächen, wobei das Maschinenlernmodell dafür ausgelegt ist, eine korrigierte Kapazität und korrigierte Leerlaufspannungsschätzungen auszugeben; und einen Stapelalgorithmus bei der korrigierten Kapazität und der korrigierten Leerlaufspannungsschätzung zu nutzen, um eine geschätzte Leerlaufspannung der Batterie im Vergleich zu einer geschätzten Kapazität auszugeben.
Batterieverwaltungssystem nach Anspruch 11, wobei das Maschinenlernmodell dafür ausgelegt ist, eine Echtzeit-Leerlaufspannungsschätzung in Abhängigkeit von Zeit zu erzeugen.
Batterieverwaltungssystem nach Anspruch 11, wobei der Strom, die Spannung und die Temperatur der Batterie zu einem momentanen Moment gemessen werden.
Batterieverwaltungssystem nach Anspruch 11, wobei die Steuerung ferner dafür ausgelegt ist, die Leerlaufspannung der Batterie auszugeben.
Batterieverwaltungssystem nach Anspruch 11, wobei die Steuerung ferner dafür ausgelegt ist, Strommessverzerrungen unter Nutzung sowohl des Verzerrungsschätzalgorithmus als auch des Maschinenlernmodells abzuschwächen.
Batterieverwaltungssystem nach Anspruch 11, wobei die Steuerung ferner dafür ausgelegt ist, Spannungsmessverzerrungen unter Nutzung eines Verzerrungsschätzalgorithmus und von Maschinenlernen abzuschwächen.
Batterieverwaltungssystem nach Anspruch 11, wobei die Leerlaufspannung der Batterie nach einem Ruhezeitraum der Batterie bekannt ist.
Batterieverwaltungssystem, umfassend: einen Speicher; einen Stromsensor, der einen Stromfluss durch eine Batterie zu einer Last misst; einen Spannungssensor, der einen Spannungspegel zwischen einem ersten Anschluss und einem zweiten Anschluss der Batterie misst, die jeweils mit der Last und dem Speicher verbunden sind; einen Temperatursensor, der einen Temperaturpegel der Batterie misst; und eine Steuerung, die dafür ausgelegt ist, mit dem Stromsensor, dem Temperatursensor und dem Spannungssensor operativ verbunden zu werden, wobei die Steuerung dafür ausgelegt ist: eine Messung eines ersten Strompegels, der zu einer ersten Zeit durch die Batterie zur Last fließt, vom Stromsensor zu empfangen; eine Messung eines ersten Spannungspegels zwischen dem ersten Anschluss und dem zweiten Anschluss der Batterie, die jeweils zur ersten Zeit mit der Last verbunden sind, von dem Spannungssensor zu empfangen; jegliche Verzerrung, die einer Leerlaufspannung zugeordnet ist, unter Nutzung eines Maschinenlernmodells abzuschwächen, wobei das Maschinenlernmodell dafür ausgelegt ist, eine korrigierte Kapazität und korrigierte Leerlaufspannungsschätzungen auszugeben; und die korrigierte Kapazität und die korrigierte Leerlaufspannungsschätzung zu nutzen, um eine geschätzte Leerlaufspannung der Batterie im Vergleich zu einer geschätzten Kapazität auszugeben.
Batterieverwaltungssystem nach Anspruch 18, wobei die Steuerung dafür ausgelegt ist, die Verzerrung unter Nutzung mehrerer Wiederholungen des Maschinenlernmodells abzuschwächen.
Batterieverwaltungssystem nach Anspruch 18, wobei die Steuerung ferner dafür ausgelegt ist, Spannungsmessverzerrungen unter Nutzung eines Verzerrungsschätzalgorithmus abzuschwächen.