-
Technisches Gebiet
-
Die Erfindung betrifft Energiespeicher-Systeme, insbesondere batteriebetriebene Maschinen, wie elektrisch antreibbare Kraftfahrzeuge, insbesondere Elektrofahrzeuge oder Hybridfahrzeuge, und weiterhin Maßnahmen zur Bestimmung eines Alterungszustands (SOH: State of Health) eines Energiespeichers für eine batteriebetriebene Maschine.
-
Technischer Hintergrund
-
Die Energieversorgung von batteriebetriebenen Maschinen und Geräten, wie insbesondere elektrisch antreibbaren Kraftfahrzeugen, erfolgt mithilfe von Energiespeichern, insbesondere Gerätebatterien, wie z.B. einer Fahrzeugbatterie. Im Folgenden wird im Rahmen von Energiespeichern von Gerätebatterien und Fahrzeugbatterien gesprochen. Die Bezeichnung Energiespeicher soll jedoch alle Speichersysteme für elektrische Energie umfassen, die elektrische Energie basierend auf einer elektrochemischen Reaktion bereitstellen. Im weiteren Sinne können hierzu auch Brennstoffzellen angesehen werden, denen im Unterschied zu Batterien chemische Energie kontinuierlich zugeführt wird.
-
Die Gerätebatterie liefert elektrische Energie zum Betrieb von Maschinensystemen. Der Alterungszustand der Gerätebatterie verschlechtert sich im Laufe seiner Lebensdauer zusehends, was sich in einer abnehmenden maximalen Speicherkapazität auswirkt. Ein Maß der Alterung der Gerätebatterie hängt von einer individuellen Belastung der Gerätebatterie, d. h. vom Nutzungsverhalten eines Benutzers, und vom Typ der Gerätebatterie ab.
-
Zwar kann mithilfe eines physikalischen Alterungsmodells der momentane Alterungszustand basierend auf historischen Betriebsgrößenverläufen bestimmt werden, jedoch ist dieses Modell häufig sehr ungenau. Diese Ungenauigkeit des herkömmlichen Alterungsmodells erschwert eine Prädiktion des Alterungszustandsverlaufs. Jedoch ist die Prädiktion des Verlaufs des Alterungszustands der Gerätebatterie eine wichtige technische Größe, da mit ihr eine wirtschaftliche Bewertung eines Restwerts der Gerätebatterie möglich ist.
-
Zudem stehen für Batterietypen, die vor Inbetriebnahme nicht umfangreich vermessen wurden, keine Alterungszustandsmodelle zur Verfügung, mit denen das Batteriesteuergerät einen Alterungszustand angeben kann. Insbesondere sind sowohl Details zur Zellchemie als auch der Batterieaufbau bzw. deren Verschaltung unbekannt und somit sind die reinen Betriebsgrößen der Batterie die einzigen verlässlichen Werte, anhand derer ein Alterungszustand ermittelt werden kann.
-
Offenbarung der Erfindung
-
Erfindungsgemäß sind ein Verfahren zum Bestimmen eine Alterungszustandstrajektorie einer Gerätebatterie in einer batteriebetriebenen Maschine, insbesondere eines elektrisch antreibbaren Kraftfahrzeugs, gemäß Anspruch 1 sowie eine Vorrichtung und eine batteriebetriebene Maschine gemäß den nebengeordneten Ansprüchen vorgesehen.
-
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
-
Gemäß einem ersten Aspekt ist ein computer-implementiertes Verfahren zum Bestimmen eines prädizierten Alterungszustandsverlaufs einer oder einer Vielzahl von Gerätebatterien in batteriebetriebenen Maschinen, insbesondere in elektrisch antreibbaren Kraftfahrzeugen vorgesehen, mit folgenden Schritten:
- - Bereitstellen von Datenpunkten eines Alterungszustandsverlaufs einer Gerätebatterie oder von Trajektorienpunkte einer Alterungszustandstrajektorie für eine Vielzahl von Gerätebatterien in einer Zentraleinheit, wobei die Datenpunkte bzw. die Trajektorienpunkte jeweils einen Alterungszustand über einen Alterungszeitpunkt der Gerätebatterie angeben, wobei der Alterungszustandsverlauf bzw. die Alterungszustandstrajektorie einen Verlauf eines Alterungszustands bis zu einem aktuellen Alterungszustand angeben;
- - Ermitteln einer Datenbasis von mehreren Datenpunkten/Trajektorienpunkte innerhalb eines Zeitabschnitts, der zu dem aktuellen Alterungszeitpunkt endet, wobei die Datenbasis so ermittelt wird, dass das Residuum zwischen Modellfunktion und Datenpunkten/Trajektorienpunkten durch Fitting der Modellfunktion minimiert wird.
- - Extrapolieren der mehreren Datenpunkte/Trajektorienpunkte durch Parametrisieren der Modellfunktion, insbesondere einer linearen Modellfunktion;
- - Bestimmen eines prädizierten Alterungszustands mithilfe der parametrisierten Modellfunktion.
-
Weiterhin kann eine Datenbasis von mehreren Datenpunkten/Trajektorienpunkten ermittelt werden, indem der Zeitabschnitt ausgehend von einem Zeitpunkt gewählt wird, an dem zuletzt eine zweite Ableitung einer der Datenpunkte/Trajektorienpunkte einen vorgegebenen Krümmungsschwellenwert betragsmäßig übersteigt.
-
Bei unbekannten Batterietypen von Gerätebatterien in batteriebetriebenen Maschinen kann u.U. durch das jeweilige Batteriesteuergerät keine Angabe zum Alterungszustands der jeweiligen Gerätebatterie ermittelt bzw. bereitgestellt werden. Lediglich Betriebsgrößen wie Batteriespannung, Batteriestrom, Batterietemperatur und Ladezustand sind in diesen Fällen auslesbar. Zwar kann der jeweilige Alterungszustand einer Gerätebatterie durch Beobachten des Batterieverhaltens während eines Lade- oder Entladevorgang bestimmt werden, diese Verfahren sind jedoch ungenau und für eine Abschätzung einer Restlebensdauer nicht geeignet. Selbst bei Batterien bekannten Batterietyps können auf diese Weise Genauigkeiten von 5 % nicht unterschritten werden, da diese im Wesentlichen vom nutzungsbedingten Betriebsprofil wie beispielsweise dem Hub des Ladezustands, einem durchschnittlichen Temperaturbereich des Batteriebetriebs und dergleichen abhängig sind.
-
Die Nutzung von Flottendaten von batteriebetriebenen Maschinen mit Gerätebatterien mit unbekannten Batterietypen stellt für die Bestimmung des Alterungszustands eine noch größere Herausforderung dar, da Betriebsgrößen durch unterschiedliche Lastprofile, Nutzerprofile sowie durch Seriensteuerung der Gerätebatterien beeinflusst werden.
-
Das obige Verfahren sieht nun vor, basierend auf Betriebsdaten einer oder einer Vielzahl von Gerätebatterien unbekannten Batterietyps in einer geräteexternen Zentraleinheit eine Auswertung vorzunehmen, mit der der Verlauf des Alterungszustands für den betreffenden Gerätebatterietyp aus einer Auswertungen von Zeitverläufen von Betriebsgrößen zur Bestimmung des Alterungszustands bestimmt werden kann.
-
Zur Modellierung des Alterungszustands kann zwischen physikalischen und datengetriebenen Verfahren unterschieden werden. Physikalische Verfahren bilden das Alterungsverhalten über eine kausale physikalische Beschreibung der zugrundeliegenden Alterungsmechanismen ab. Bei datenbasierten Verfahren wird aus Messungen und Beobachtungen der Verlauf des Alterungszustands prognostiziert. Datenbasierte Verfahren werden in der Praxis häufig verwendet, da sie eine effiziente Datenverarbeitung mit impliziter Beschreibung der Alterungsmechanismen und zugrundliegender Wirkketten darstellen. Der Vorteil von datenbasierten Verfahren gegenüber dem Stand der Technik besteht darin, dass das Verfahren auch Gerätebatterien unbekannten Batterietyps, zu der keine elektrochemische Parametrierung verfügbar ist, im Hinblick auf deren Alterungszustand fortlaufend quantifiziert bewertbar sind. Auch ermöglicht das Verfahren die Verbesserung der Alterungszustandstrajektorie sobald neue Datenpunkte für die Gerätebatterien der betrachteten batteriebetriebenen Maschinen ermittelt worden sind. Die Alterungszustandstrajektorie kann durch sukzessive bei Vorliegen einer ausreichenden Anzahl von Datenpunkten bestimmt werden.
-
Die Zuverlässigkeit bzw. Genauigkeit von einfachen datenbasierten Verfahren wie z. B. lineare Regression ist insbesondere durch den Umstand begrenzt, dass der Alterungszustand in der Regel einen stark nicht linearen Verlauf über die Zeit aufweist. Dies erschwert zum einen die Wahl der optimalen Datenbasis von Datenpunkten, die für die Prädiktion berücksichtigt werden und zum anderen die Wahl eines geeigneten Prädiktionshorizontes inwieweit der Alterungszustand zuverlässig in die Zukunft prädiziert werden kann. Bei nicht physikalisch basierten Alterungszustandsmodellen, die einen Alterungszustand basierend auf historischen Datenpunkten prädizieren, erfolgt die Prädiktion häufig mittels linearer Extrapolation. Hierbei ist es entscheidend, welche der Datenpunkte für die Linearisierung berücksichtigt werden.
-
Der Verlauf des Alterungszustands von Gerätebatterien ist bei älteren Gerätebatterien, insbesondere gegen deren Lebensende, stark nicht-linear und der Gradient ist besonders steil. Daher besteht bei der Auswahl der zu berücksichtigenden Datenpunkte die Schwierigkeit, den Datenbereich so zu wählen, dass das Alterungszustandsmodell den vorliegenden Trend innerhalb der geltenden Grenzen bestmöglich beschreibt und gleichzeitig eine plausible Prädiktion entlang einer Alterungszustandstrajektorie angibt.
-
Zudem ist es notwendig, einen Prädiktionshorizont als ein Alterungszeitpunkt der betreffenden Gerätebatterie anzugeben, bis zu dem eine hinreichend zuverlässige Prädiktion des Alterungszustands durch eine Auswertung historischer Datenpunkte möglich ist.
-
Um eine standardisierte, auf beliebige Batterieformate übertragbare Prädiktion des Alterungszustands zu ermöglichen, ist es erforderlich, ein allgemeingültiges Kriterium für die Auswahl der für die Prädiktion zu berücksichtigenden Datenpunkte bzw. Trajektorienpunkte und der Auswahl des Prädiktionshorizonts festzulegen. Diesbezüglich sieht das obige Verfahren vor, die optimale Datenbasis für die Prädiktion des Alterungszustands auszuwählen und den Prädiktionshorizont für naive Prädiktionen, d.h. einfache Extrapolation gemäß einer vorgegebenen Modellfunktion über eine systematische mathematische Analyse der Alterungszustandstrajektorie basierend auf historischen Daten vorzunehmen.
-
Dazu sieht das obige Verfahren eine Anwendbarkeit auf beliebige Alterungsverläufe vor, die naturgemäß immer monoton sind, unabhängig von den Verfahren zur Ermittlung der Alterungsverläufe, die als Alterungszustandstrajektorie oder als Menge von Datenpunkten vorgegeben sein kann. Die Datenpunkte und/oder die Alterungszustandstrajektorie können unter Nutzung physikalischer und/oder hybrider Modelle zur Alterungszustandsschätzung von Batterien beliebiger Batteriechemien und Formate ermittelt werden.
-
Besonders für kurz- und mittelfristige Prädiktionshorizonte stellt das obige Verfahren eine geeignete Methode dar, die Zuverlässigkeit einer Prognose eines zukünftigen Alterungszustands abzuschätzen und eine Restlebensdauer ohne weiteres Vorwissen über das zugrundeliegende Alterungsverhalten zu bestimmen.
-
Das obige Verfahren geht von einer Datenbasis aus, bei dem Alterungszustände einer Gerätebatterie oder von mehreren Gerätebatterien eines beliebigen, nicht notwendigerweise identischen Gerätebatterietyps bis zu einem aktuellen Alterungszeitpunkt erfasst worden sind. Die erfassten Datenpunkte könne nun direkt weiterverarbeitet werden oder zu einer gemeinsamen Alterungszustandstrajektorie kombiniert werden, um Ausreißer zu eliminieren und den Verlauf der Alterungszustandswerte zu glätten.
-
Für die erfassten Datenpunkte/Trajektorienpunkte eines Alterungszustandsverlaufs wird eine Datenbasis so ermittelt, dass eine an die Datenpunkte/Trajektorienpunkte der Datenbasis angefittete Modellfunktion abhängig von einem sich ergebenden Residuum bestimmt ist. Insbesondere soll das Residuum einen Grenzwert nicht übersteigen. Dazu können beispielsweise die zweiten Ableitungen gebildet werden, um mithilfe weiterer Filterfunktionen einen geglätteten Verlauf der Krümmungen des erfassten Alterungszustandsverlaufs zu bestimmen. Die zweiten Ableitungen zu den jeweiligen Alterungszeitpunkten werden ausgehend von dem zuletzt vorliegenden (jüngsten) Datenpunkt/Trajektorienpunkt in die Vergangenheit Punkt für Punkt d.h. zu den relevanten Alterungszeitpunkten, mit einem Schwellenwertvergleich dahingehend überprüft, ob diese einen bestimmten Schwellenwert übersteigen. Die Datenbasis an für die Extrapolation zu berücksichtigenden Datenpunkten/Trajektorienpunkte ergibt sich ausgehend von dem Datenpunkt, dessen zugeordnete zweite Ableitung (Krümmung) den vorgegebenen Schwellenwert übersteigt, bis hin zu dem aktuellen Alterungszeitpunkt. Dadurch wird erreicht, dass die Datenbasis für die Prädiktion genau den Teil des Alterungszustandsverlaufs umfasst, in dem die Steigung ausreichend flach ist, so dass die Modellfunktion der naiven Prädiktion das Verhalten des Alterungszustandsverlaufs im ausgewählten Datenbereich hinreichend beschreibt und sich im Extrapolationsbereich möglichst stetig fortsetzt.
-
Mithilfe der prädizierten Modellfunktion kann ein Zeitpunkt prädiziert werden, zu dem ein bestimmter Alterungszustand erreicht wird, der modellbasiert mit einer hinreichend hohen Güte vorhergesagt werden kann. Relevant sind hierbei insbesondere das Lebensende der Gerätebatterie oder eine Restlebensdauer der Gerätebatterie, basierend auf der Modellfunktion. Durch insbesondere lineare Extrapolation kann nun eine Restlebensdauer der betreffenden Gerätebatterie bestimmt werden, für den der Alterungszustand einen vorgegebenen Grenzalterungszustand unterschreitet.
-
Zudem kann ein optimaler Prädiktionshorizont basierend auf der identifizierten Datenbasis an Datenpunkten/Trajektorienpunkten ermittelt werden. Dabei werden zwei Prädiktionen mit zunehmendem Prädiktionshorizont durchgeführt, bis die Abweichung ΔSOH der prädizierten Alterungszustandswerte einen vordefinierten Grenzwert übersteigt. Die Prädiktionen beinhalten eine naive Prädiktion die beispielsweise eine lineare Extrapolation umfassen kann und eine Prädiktion/Extrapolation mit konstanter Krümmung umfassen, die sich aus dem Verlauf der zweiten Ableitungen im ausgewählten Datenbereich ergibt. Die Extrapolation basierend auf dem Verlauf der zweiten Ableitungen kann beispielsweise auf Basis des gewichteten Mittel- bzw. Medianwertes der zweiten Ableitungen im Bereich der Datenbasis abhängig sein.
-
Es kann ein Prädiktionshorizont als ein Zeitpunkt ermittelt werden, bis zu dem eine vorgegebene Prädiktionssicherheit vorliegt, wobei der Zeitpunkt als ein Zeitpunkt bestimmt ist, an dem eine Abweichung zwischen der Modellfunktion und einer weiteren Modellfunktion, die ausgehend von der Krümmung und ggfs. Der Steigung der mehreren Datenpunkte/Trajektorienpunkte der Datenbasis an dem aktuellen Alterungszeitpunkt einen weiteren prädizierten Verlauf extrapoliert, die vorgegebene Prädiktionssicherheit erreicht. Mit anderen Worten, der Zeitpunkt wird dadurch bestimmt, dass eine absolute oder relative Abweichung zwischen der Modellfunktion und der Extrapolation basierend auf der Krümmung der Trajektorie im Bereich der Datenbasis, die vorgegebene Prädiktionssicherheit
-
Insbesondere kann der prädizierte Alterungszustand zu dem Zeitpunkt des Prädiktionshorizonts als gewichteter Mittelwert des Modellwert der Modellfunktion und des Modellwerts der weiteren Modellfunktion bestimmt werden.
-
Die aus den zweiten Ableitungen ermittelte Krümmung und der letzte Steigungswert des Alterungszustandsverlaufs im ausgewählten Datenbereich wird nun synthetisch extrapoliert. Dadurch wird erreicht, dass der Prädiktionshorizont genau so ausgewählt wird, dass die naive Prädiktion das Verhalten der Prädiktion basierend auf konstanter Krümmung bis zum Erreichen des vordefinierten Grenzwerts bestmöglich widerspiegelt.
-
Zur Prädiktion des Alterungsverhaltens kann nun basierend auf den optimalen Prädiktionshorizont, der sich aus der zuvor ermittelten optimalen Datenbasis ergibt, ein prädizierter Alterungszustand bereitgestellt werden, der sich als ein gewichteter Mittelwert der naiven und krümmungsbasierten Prädiktion ergibt. So wird abhängig von der Gewichtung entweder der naive oder krümmungsbasierte Prädiktion größere Bedeutung in Bezug auf den prädizierten Alterungszustand beigemessen.
-
Die Gewichtungen, die angeben wie stark z.B. die lineare Prädiktion und z.B. wie stark die Prädiktion mit konstanter Krümmung gewichtet werden sollen, können mithilfe eines Gewichtungsmodells bestimmt werden. Das Gewichtungsmodell kann über Clustering Verfahren auf Basis von Ähnlichkeitsbedingungen für jede Batterie als selbstlernendes System optimiert und über große Datenmengen angelernt werden.
-
Weiterhin kann der prädizierte Alterungszustand zu dem Zeitpunkt des Prädiktionshorizonts signalisiert werden.
-
Der prädizierte Alterungszustand kann seitens Fahrzeug- oder Batteriehersteller gegen seine technische Spezifikation verglichen werden, um ein fortlaufendes Lebensdauer-Monitoring der Gerätebatterie durchzuführen. Weiterhin ist der prädizierte Alterungszustand relevant für ein Nutzungszertifikat der Gerätebatterie, da mit ihm der Restwert der Gerätebatterie einhergeht.
-
Weiterhin kann das Degradationsverhalten mehrerer Gerätebatterien einer Flotte miteinander verglichen werden, um Aussagen zur Serienstreuung und zum Alterungsverlauf mit statistischen Quantilbewertungen durchzuführen. Gerätebatterien aus besonders kritischen Quantilen können mit Maßnahmen zur Lebensdauerverlängerung der Gerätebatterie, z.B. mithilfe einer optimierten Ladekurve oder reduzierten Stressfaktoren, im Nutzungsverhalten optimiert werden.
-
Weiterhin kann das Verfahren ganz oder teilweise in einer geräteexternen Zentraleinheit, die mit einer Vielzahl von batteriebetriebenen Maschinen in Kommunikationsverbindung steht, ausgeführt werden.
-
Gemäß einem weiteren Aspekt ist eine Vorrichtung zum Bestimmen eines prädizierten Alterungszustandsverlaufs einer oder einer Vielzahl von Gerätebatterien eines identischen Batterietyps in batteriebetriebenen Maschinen, insbesondere in elektrisch antreibbaren Kraftfahrzeugen, wobei die Vorrichtung ausgebildet ist zum:
- - Empfangen von Datenpunkten eines Alterungszustandsverlaufs einer Gerätebatterie oder von Trajektorienpunkte einer Alterungszustandstrajektorie für eine Vielzahl von Gerätebatterien in einer Zentraleinheit, wobei die Datenpunkte bzw. die Trajektorienpunkte jeweils einen Alterungszustand über einen Alterungszeitpunkt der Gerätebatterie angeben, wobei der Alterungszustandsverlauf bzw. die Alterungszustandstrajektorie einen Verlauf eines Alterungszustands bis zu einem aktuellen Alterungszustand angeben;
- - Ermitteln einer Datenbasis von mehreren Datenpunkten/Trajektorienpunkte innerhalb eines Zeitabschnitts, der zu dem aktuellen Alterungszeitpunkt endet, wobei die Datenbasis so ermittelt wird, dass das Residuum zwischen Modellfunktion und Datenpunkten/Trajektorienpunkten durch Fitting der Modellfunktion minimiert wird.;
- - Extrapolieren der mehreren Datenpunkte/Trajektorienpunkte durch Parametrisieren der Modellfunktion, insbesondere einer linearen Modellfunktion;
- - Bestimmen eines prädizierten Alterungszustands mithilfe der parametrisierten Modellfunktion.
-
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 bezüglich des Betriebs einer Fahrzeugbatterie von Fahrzeugen einer Fahrzeugflotte an eine Zentraleinheit;
- 2 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Ermittlung einer Alterungszustandstrajektorie für eine Fahrzeugbatterie in einem Kraftfahrzeug unbekannten Batterietyps;
- 3 ein Diagramm mit Datenpunkten bzw. Trajektorienpunkten und einer Extrapolation ausgehend von einem aktuellen Alterungszeitpunkt T für unterschiedliche Datenbasen;
- 4 eine Darstellung einer Alterungszustandstrajektorie für beispielhafte Datenpunkte nebst ersten und zweiten Ableitungen der Datenpunkte; und
- 5a und 5b Beispiele für prädizierte Verläufe der ersten Prädiktion und der zweiten Prädiktion zum Veranschaulichen des Bestimmens des Prädiktionshorizonts.
-
Beschreibung von Ausführungsformen
-
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als Gerätebatterien in einem Kraftfahrzeug als batteriebetriebenes Gerät bzw. batteriebetriebene Maschine beschrieben. Dieses Beispiel steht stellvertretend für eine Vielzahl von stationären oder mobilen batteriebetriebenen Maschinen und Geräte mit netzunabhängiger Energieversorgung, wie beispielsweise Fahrzeuge (Elektrofahrzeuge, Pedelecs usw.), Anlagen, Werkzeugmaschinen, Haushaltsgeräte, IOT-Geräte, eine Gebäudeenergieversorgungen, Fluggeräte, insbesondere Drohnen, autonome Roboter und Geräte der Unterhaltungselektronik, insbesondere Mobiltelefone, und dergleichen, die über eine entsprechende Kommunikationsverbindung (z. B. LAN, Internet) mit einer Zentraleinheit (Cloud) in Verbindung stehen.
-
Das Verfahren dient zum Prädizieren eines Alterungszustandsverlaufs einer oder einer Vielzahl von Gerätebatterien gleichen Typs, wobei der letztgenannte Fall im Folgenden näher beschrieben wird.
-
1 zeigt ein System 1 zum Sammeln von Flottendaten in einer Zentraleinheit 2 zur Erstellung und zum Betrieb sowie zur Auswertung eines Alterungszustandsmodells, das als Referenz- oder Beobachtermodell ausgebildet sein kann. Das Referenz- oder Beobachtermodell dient zur Bestimmung eines Alterungszustandswerts der Fahrzeugbatterie in einem Kraftfahrzeug und kann so bei Bestimmung von Alterungszustandswerten zu verschiedenen Zeitpunkten einen Alterungszustandsverlauf angeben. 1 zeigt eine Fahrzeugflotte 3 mit mehreren Kraftfahrzeugen 4. In der Zentraleinheit 2 kann basierend auf den Flottendaten eine Alterungszustandstrajektorie für die Fahrzeugbatterien von Kraftfahrzeugen 4 der Fahrzeugflotte 3 bestimmt werden, indem aus den Datenpunkten ein wahrscheinlichster Verlauf des Alterungszustands bestimmt wird. Die Alterungszustandstrajektorie gibt für verschiedene Alterungszeitpunkte einen Trajektorienpunkt an, der einen geschätzten Alterungszustand der Fahrzeugbatterie für den bestimmten Alterungszeitpunkt angibt.
-
Alternativ kann das Alterungszustandsmodell auch als physikalisches (elektrochemisches) Modell insbesondere in Verbindung mit einem trainierbaren datenbasierten Korrekturanteil, z.B. in Form eines Machine-Learning-Modells, wie z.B. eines neuronalen Netzes oder dergleichen, ausgebildet sein.
-
Eines der Kraftfahrzeuge 4 ist in 1 detaillierter dargestellt. Die Kraftfahrzeuge 4 weisen jeweils eine Fahrzeugbatterie 41 als Gerätebatterie, 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 der Zentraleinheit 2 (einer sogenannten Cloud) zu übertragen. Die Steuereinheit 43 ist mit einer Sensoreinheit 45 verbunden, die einen oder mehrere Sensoren aufweist, um Betriebsgrößen kontinuierlich zu erfassen.
-
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 41 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 je nach Signaltyp in einem schnellen Zeitraster von 0.1 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 mehreren Stunden blockweise an die Zentraleinheit 2 übertragen werden.
-
Die Zentraleinheit 2 weist eine Datenverarbeitungseinheit 21, in der das nachfolgend beschriebene Verfahren ausgeführt werden kann, und eine Datenbank 22 zum Speichern von Alterungszuständen mit den jeweils zugehörigen Alterungszeitpunkten der Fahrzeugbatterien 41 einer Vielzahl von Fahrzeugen 4 der Fahrzeugflotte 3 auf.
-
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 kann eine Alterungszustandstrajektorie mithilfe eines Verfahrens ermittelt werden, das insbesondere ganz oder teilweise datenbasiert ist. Die Alterungszustandstrajektorie soll die Fahrzeugbatterie unbekannten Batterietyps, d.h. mit unbekannten elektrochemischen Eigenschaften und unbekannten Parametern der Batterie, charakterisieren, um für Alterungszeitpunkte der Fahrzeugbatterien jeweils einen Alterungszustand angeben oder prädizieren zu können. Alterungszustandswerte für die Fahrzeugbatterien unbekannten Batterietyps werden basierend auf den zeitlichen Verläufen der entsprechenden Betriebsgrößen durch Auswertung des Batterieverhaltens während eines Lade- und/ oder Entladevorgang ermittelt, wie zum Beispiel durch das an sich bekannte Coulomb-Counting-Verfahren.
-
Der Alterungszustandswert wird dem Alterungszeitpunkt der betreffenden Fahrzeugbatterie 41 zugeordnet und so ein Datenpunkt für die Erstellung eines Alterungszustandsverlaufsmodells bestimmt.
-
Das nachfolgend beschriebene Verfahren wird in der Zentraleinheit 2 ausgeführt und ermöglicht es, für eine oder mehrere Fahrzeugbatterien einen Alterungszustand zu einem künftigen Alterungszeitpunkt zu prädizieren. Dabei soll der Alterungszeitpunkt als ein Zeitpunkt gewählt werden, bis zu dem eine hinreichende zuverlässige Prädiktion des Alterungsverhaltens möglich ist. Das Verfahren kann in der Steuereinheit 21 der Zentraleinheit 2 als Software und/oder Hardware aus implementiert sein.
-
In Schritt S1 werden von den Fahrzeugen 4 der Fahrzeugflotte 3 Betriebsgrößen F, wie oben beschrieben, in regelmäßigen Zeitabständen an die Zentraleinheit 2 übermittelt. Somit stehen in der Zentraleinheit 2 Zeitverläufe der Betriebsgrößen F für eine Vielzahl von Fahrzeugbatterien 41 zur Auswertung zur Verfügung. Die Auswertungen erfolgen regelmäßig nach vorgegebenen Auswertungszeiträumen, so dass bereits ausgewertete Zeitverläufe der Betriebsgrößen F nicht wiederholt ausgewertet werden. Ein üblicher Wert für den Auswertungszeitraum beträgt eine Woche.
-
In Schritt S2 werden für jede der Fahrzeugbatterien 41 die Zeitverläufe der Betriebsgrößen F im zurückliegenden Auswertungszeitraum gefiltert. Insbesondere können die Zeitverläufe der Betriebsgrößen F dahingehend überprüft werden, ob Messausreißer vorliegen. Zudem können die Zeitverläufe gefiltert werden, um Messausreißer zu eliminieren. Diese Datenaufbereitung der Betriebsgrößen dient dazu, kurzzeitige Messfehler, die z.B. aufgrund einer Störeinwirkung (EMV) auftreten, herauszufiltern, um die Qualität einer nachfolgenden Bestimmung des Alterungszustandswerts zu verbessern. Als Filterverfahren kommen Tiefpassfilter, Glättungsverfahren oder dergleichen und geeignete Ausreißer-Eliminierungsverfahren in Betracht.
-
Beispielsweise erfolgt eine Plausibilitätsüberprüfung regelbasiert auf Domänenwissen (z.B. bei positivem Strom, darf der SOC nicht sinken). Weiterhin kann ein Abgleich und eine Bewertung mit vorherigen, typischen Zustandsgrößen und Nutzmustern erfolgen, um eine Anomalie-Bewertung durchzuführen. Zudem kann mithilfe von Sigma-Clipping das Residuum bewertet bzw. korrigiert werden, falls ein Grenzwert überschritten wird, insbesondere nachdem eine TrendFunktion, z.B. über ein nichtlineares Funktional (bspw. über ein ARIMA-Modell) herausgerechnet wurde. Dies führt zu einer Glättung der Zeitverläufe de Betriebsgrößen, weil Ausreißer bereinigt werden. Auch kann anschließend ein PT1-Glied oder ein Butterworth-Filter zur signaltechnischen Glättung der Verläufe eingesetzt werden.
-
In Schritt S3 wird basierend auf den Zeitreihen der Betriebsgrößen F eine Bestimmung des Alterungszustandswerts gemäß einem Referenz- oder Beobachtermodell durchgeführt. Dieses sieht vor, aus Beobachtung bzw. Messung der Betriebsgrößen den Alterungszustandswert als Kapazitätserhaltungsrate (SOH-C) oder basierend auf eine Innenwiderstandsänderung (SOH-R) zu bestimmen.
-
Beispielsweise kann ein Alterungszustandswert basierend auf der Kapazitätserhaltungsrate (Capacity Retention Rate) (SOH-C) basierend auf einem Coulomb- Counting-Verfahren bestimmt werden. Dazu wird anhand der Zeitverläufe der Betriebsgrößen erkannt, dass ein Aufladevorgang durchgeführt wird. Der Aufladevorgang kann beispielsweise erkannt werden, wenn ausgehend von einem Zustand des vollständigen Entladens der Fahrzeugbatterie 41 (dies kann erkannt werden, wenn eine Entladeschlussspannung erreicht worden ist) eine Zufuhr eines konstanten Stroms erfolgt. Der Aufladevorgang kann somit anhand eines konstanten Stromflusses in die Fahrzeugbatterie 41 festgestellt werden. Wenn der Aufladevorgang bis zu einem vollständigen Aufladen erfolgt ist, kann durch Integrieren des Stromflusses in die Fahrzeugbatterie die insgesamt der Fahrzeugbatterie zugeführte Ladungsmenge bestimmt werden. Diese maximale Ladungsmenge kann durch Vergleich mit einer Nominalladekapazität der Fahrzeugbatterie 41 einem Alterungszustandswert zugeordnet werden. Auch können Teilaufladungen mit bestimmter Ladungszufuhr und entsprechende Messungen der Zellenspannungen vor und nach dem teilweisen Aufladen ausgewertet werden, um den die Alterungszustandswert basierend auf der Kapazitätserhaltungsrate zu bestimmen.
-
Weiterhin kann das Coulomb-Counting auch bei Entladevorgängen durchgeführt werden, beispielsweise während eines Fahrzyklusses, indem eine abfließende Ladungsmenge bestimmt wird und die Zellenspannungen vor und nach dem teilweisen Aufladen ausgewertet werden. Wird auf diese Weise ein auf der Kapazitätserhaltungsrate bestimmter Alterungszustandswert SOH-C bestimmt, wird dieser ein Zeitstempel zugeordnet, der einem Alterungszeitpunkt der betreffenden Fahrzeugbatterie entspricht, um einen entsprechenden Datenpunkt zu bilden.
-
Alternativ kann ein Alterungszustandswert auch als innenwiderstandsbasierter Alterungszustands SOH-R bestimmt werden. Dabei wird zu Beginn des Ladevorgangs ein ΔU/ΔI als Quotient der Batteriespannungsänderung zur Batteriestromänderung bestimmt und diesem ein Alterungszustand SOH-R in an sich bekannter Weise zugeordnet. Der so ermittelte Alterungszustandswert kann dem Alterungszeitpunkt der betreffenden Fahrzeugbatterie 41 zugeordnet werden, um einen entsprechenden Datenpunkt zu bilden.
-
Sowohl die Alterungszustandswerte SOH-C basierend auf der Kapazitätserhaltungsrate als auch die Alterungszustandswerte SOH-R, die auf der Innenwiderstandsänderung basieren, können für alle Fahrzeugbatterien entsprechend gemeinsam oder separat als neue Datenpunkte für die Bestimmung der Alterungszustandstrajektorie verwendet werden.
-
Somit können Alterungszustandswerte zu verschiedenen Alterungszeitpunkten der Gerätebatterie bereitgestellt werden. Als Datenbasis können Alterungszustandswerte einer einzelnen Gerätebatterie oder einer Vielzahl von Gerätebatterien verwendet werden. Die Datenpunkte bilden einen Alterungszustandsverlauf bis zu einem aktuellen Alterungszeitpunkt oder Trajektorienpunkte einer Alterungszustandstrajektorie bis zu dem aktuellen Alterungszeitpunkt. Die Alterungszustandswerte können als Beobachtungen durch Auswertung der Betriebsgrößen beispielsweise mithilfe eines Coulomb-Counting Verfahrens oder durch eine Vermessung der Innenwiderstandsänderung in an sich bekannter Weise verfolgen.
-
Alternativ können die Alterungszustandswerte auch mithilfe eines physikalischen (elektrochemischen Verfahrens) Modells oder eines hybriden Modells mit einem datenbasierten Teil als Modellwerte bestimmt werden.
-
Soll zu einem bestimmten Auswertungszeitpunkt (aktueller Alterungszeitpunkt, zu dem der jüngste Alterungszustandswert vorliegt) eine Prädiktion des Alterungszustands vorgenommen werden, wird in Schritt S4 zunächst die optimale Datenbasis ermittelt.
-
Die Bestimmung einer optimalen Datenbasis ist wichtig, da eine Extrapolation einer Modellfunktion zur Bestimmung eines Alterungszustands erheblich von der Parametrierung der Modellfunktion basierend auf der Auswahl der Datenpunkte /Trajektorienpunkte abhängt., wie z.B. in dem Diagramm der 3 dargestellt. 3 zeigt Datenpunkte bzw. Trajektorienpunkte als Kreuze. Bei einer Extrapolation ausgehend von einem aktuellen Alterungszeitpunkt T ergeben sich je nach berücksichtigter Datenbasis Z1, Z2, Z3 (Zeitabschnitt, in dem die Datenpunkte zur Parametrisierung verwendet werden) verschiedene lineare Verläufe K1, K2 K3 einer Modellfunktion zur Extrapolation. Diese extrapolierten Verläufe weisen mit zunehmender Alterungszeitdauer eine zunehmende Abweichung zu den tatsächlichen Modellwerten der Modellfunktion (durch Kreuze angegeben) und damit eine zunehmende Unschärfe bzw. Unsicherheit der Prädiktion auf.
-
Die Bestimmung der optimalen Datenbasis erfolgt durch das Auffinden eines Zeitabschnitts, der zu dem bestimmten Auswertungszeitpunkt endet. Es wird ein solcher Zeitabschnitt gesucht, in dem eine zweite Ableitung der Datenpunkte /Trajektorienpunkte einen vorgegebenen Schwellenwert nicht übersteigt. Ein solcher Zeitabschnitt kann ermittelt werden, indem eine zweite Ableitung der bis dahin ermittelten Alterungszustandstrajektorie bzw. des durch die Datenpunkte gebildeten Alterungszustandsverlaufs gebildet wird. Der Verlauf der zweiten Ableitung wird anschließend bezogen auf das absolute Maximum normalisiert. Es kann zudem vorgesehen sein, dass die Trajektorie der zweiten Ableitung des Verlaufs des Alterungszustands zunächst geglättet wird, zum Beispiel basierend auf einem gleitenden Mittelwert, um numerisches Rauschen zu unterdrücken.
-
Nun wird ausgehend vom letzten Datenpunkt der Alterungszustandstrajektorie überprüft, ob die zweite Ableitung d. h. die Krümmung der zurückliegenden Datenpunkte einen bestimmten vorgegebenen Schwellenwert übersteigt. Dies wird Datenpunkt zu Datenpunkt ausgehend von dem aktuellen Alterungszeitpunkt in die Vergangenheit überprüft. Die Datenbasis wird ausgewählt aus allen Trajektorienpunkten bzw. Datenpunkten des Alterungszustandsverlaufs, die zwischen dem Datenpunkt, bei dem die Krümmung den vorbestimmten Schwellenwert übersteigt und dem Datenpunkt des aktuellen Alterungszeitpunkts ausgewählt. Dadurch wird erreicht, dass die zeitliche Breite der Datenbasis optimal auf den Trend der Alterungszustandstrajektorie im Bereich der jüngsten Trajektorienpunkte eingestellt wird.
-
In 4 ist beispielhaft ein Alterungszustandsverlauf mit Datenpunkten (Kreuze) nebst deren erster (Kreise) und zweiten Ableitung (Quadrate) dargestellt. Man erkennt anhand des Pfeiles das Überschreiten des vorgegebenen Schwellenwerts durch die zweite Ableitung des Alterungszustandsverlaufs. Durch die Auswahl der Datenbasis in Schritt S4 wird ein Abschnitt am Ende der Alterungszustandsverlaufs ausgewählt, der hinreichend linear ist, um für eine naive Prädiktion, d.h. eine lineare Extrapolation der Alterungszustandstrajektorie verwendet werden zu können.
-
Im dargestellten Ausführungsbeispiel umfasst die ausgewählte Datenbasis die letzten fünf Datenpunkte des Alterungszustandsverlaufs. Dieser Auswahlschritt ermöglicht es, dass die Datenbasis für die Prädiktion genau den Teil der Alterungszustandsverlauf umfasst, indem die Steigerung ausreichend flach ist. Dies stellt sicher, dass die Modellfunktion der nativen Prädiktion das Verhalten der Alterungszustandstrajektorie im Auswahlbereich hinreichend beschreibt und im Extrapolationsbereich möglichst stetig fortsetzt.
-
In einem nächsten Schritt S5 wird der optimale Prädiktionshorizont ausgewählt. Dazu werden basierend auf der ausgewählten Datenbasis zwei Prädiktionen durchgeführt bis die Abweichungen ΔSOH der prädizierten Modellwerte voneinander einen vorbestimmten Grenzwert übersteigen. Die Prädiktionen umfassen eine erste Prädiktion z.B. mit einer Modellfunktion einer linearen Extrapolation (naive Prädiktion) basierend auf der Datenbasis von ausgewählten Datenpunkten. Alternativ können hier auch datengetriebene und im Allgemeinen nichtlineare Methoden als Alternative zur linearen Prädiktion eingesetzt werden.
-
Eine zweite Prädiktion entsprechend einer weiteren Modellfunktion wird basierend auf der Steigung zum aktuellen Alterungszeitpunkt und einer konstanten Krümmung basierend auf der Datenbasis von ausgewählten Datenpunkten durchgeführt. Die konstante Krümmung wird als ein gewichteter Mittel- bzw. Medianwert der Krümmung der Alterungszustandstrajektorie im ausgewählten Datenbereich berechnet. Die Gewichtung kann beispielsweise abhängig vom zeitlichen Abstand zum aktuellen Alterungszeitpunkt gewählt werden, so dass jüngere Werte höher gewichtet werden als ältere Werte.
-
Basierend auf der mittleren (oder dem Medianwert der) Krümmung und dem letzten Steigungswert des Alterungsverlaufs der ausgewählten Datenbass, d. h. dem Steigungswert zwischen dem aktuellen Alterungszeitpunkt und dem zuvor ermittelten Datenpunkt/Trajektorienpunkt kann der Alterungszustandsverlauf extrapoliert werden. Dies ist beispielsweise in 4 durch die naive erste Prädiktion (durchgezogene Linie) und die krümmungsbasierte zweite Prädiktion (gestrichelte Kurve) dargestellt. Man erkennt, dass die beiden Prädiktionen auseinanderlaufen bis zu dem Alterungszeitpunkt, an dem der vorbestimmte Grenzwert überschritten wird. Dieser Zeitpunkt stellt den Prädiktionshorizont dar.
-
5A und 5B zeigen zwei Beispiele für prädizierte Verläufe der ersten Prädiktion (durchgezogene Kurve) und der zweiten Prädiktion gestrichelte Kurve.
-
Man erkennt, dass die beiden Kurven jeweils divergieren bis zum Erreichen einer Abweichung des vorbestimmten Grenzwerts zum Zeitpunkt tPrdn des Prädiktionshorizonts.
-
Zur Angabe des Alterungsverhaltens wird in Schritt S6 nun der Alterungszustand zum Zeitpunkt des Prädiktionshorizontes signalisiert. Der Alterungszustand kann dazu ggfs. An das jeweilige Fahrzeug 4 zurückübermittelt werden.
-
Dieser Alterungszustand kann aus einem gewichteten Mittelwert der naiven ersten Prädiktion der Modellfunktion und krümmungsbasierten zweiten Prädiktion der weiteren Modellfunktion zu dem Zeitpunkt tPrdn des optimalen Prädiktionshorizontes bestimmt werden. So wird abhängig von der Gewichtung entweder der naiven oder krümmungsbasierten Prädiktion größere Bedeutung in Bezug auf den prädizierten Alterungszustand beigemessen.
-
Die Gewichtungen, die angeben, wie stark die lineare Prädiktion der Modellfunktion und wie stark die Prädiktion der weiteren Modellfunktion mit konstanter Krümmung gewichtet werden soll, kann durch ein vorgegebenes Gewichtungsmodell bestimmt werden. Das Gewichtungsmodell kann datenbasiert sein und ausgebildet und/oder trainiert sein, um basierend auf kumulierten oder statistischen Betriebsmerkmalen der betreffenden Fahrzeugbatterie, die den Betrieb der Fahrzeugbatterie über deren Gesamtbetriebsdauer (seit Inbetriebnahme) charakterisieren, wie z.B. einem gesamten Ah-Durchsatz, Belastungsgrößen, wie Häufigkeit von Schnellladevorgängen und dergleichen, die Gewichtungen zu bestimmen.
-
Das Gewichtungsmodell kann über Clustering Verfahren auf Basis von Ähnlichkeitsbedingungen der Vielzahl von Batterien als selbstlernendes System optimiert und über große Datenmengen angelernt und fortlaufend verbessert.
-
Der prädizierte Alterungszustand kann seitens Fahrzeug- oder Batteriehersteller gegen seine technische Spezifikation verglichen werden, um ein fortlaufendes Lebensdauer-Monitoring der Fahrzeugbatterie durchzuführen. Weiterhin ist der prädizierte Alterungszustand relevant für ein Nutzungszertifikat der Batterie, da mit ihm der Restwert der Fahrzeugbatterie einhergeht.
-
Weiterhin kann das Degradationsverhalten mehrerer Fahrzeugbatterien einer Flotte miteinander verglichen werden, um Aussagen zur Serienstreuung und zum Alterungsverlauf mit statistischen Quantilbewertungen durchzuführen. Fahrzeugbatterien aus besonders kritischen Quantilen können mit Maßnahmen zur Lebensdauerverlängerung der Fahrzeugbatterie, z.B. mithilfe einer optimierten Ladekurve oder reduzierten Stressfaktoren, im Nutzungsverhalten optimiert werden.