-
Die vorliegende Erfindung betrifft ein computerimplementiertes Verfahren zur Kalibrierung eines Systems zur Berechnung erster berechneter Ladezustände einer Batterie eines Kraftfahrzeugs gemäß Anspruch 1.
-
Aus dem Stand der Technik ist es bekannt, dass der Ladezustand einer Batterie eines Kraftfahrzeugs berechnet wird. Es ist vorteilhaft, den Ladezustand möglichst genau zu ermitteln und einem Benutzer anzuzeigen, da der Benutzer entscheiden muss, ob und wann er die Batterie wieder auflädt.
-
Theoretisch ist es möglich, den Ladezustand ausgehend von einem bekannten Ladezustand (z.B. vollständig aufgeladen) zu berechnen, indem der Batteriestrom über die Zeit integriert wird. Dieses Verfahren ist allerdings stark temperaturabhängig.
-
Es ist außerdem bekannt, den Ladezustand mittels einer Spannung der Batterie bei offenem Stromkreis zu ermitteln. Bei Lithium-Ionen-Batterien ist die Abhängigkeit des Ladezustands von dieser jedoch relativ gering, sodass die Spannung sehr genau gemessen werden muss.
-
In
US 4 390 841 A ist Verfahren beschrieben, bei dem ein mathematisches Modell die Grundlage für die Überwachung der Kapazitätsvorhersage bildet, die aus der Messung des Entladestroms und gespeicherten Batterieparametern ermittelt wird. Über die Lebensdauer der Batterie erfolgt eine Selbstkalibrierung durch Verwendung einer Rückkopplungsspannung, die auf der Differenz zwischen vorhergesagten und gemessenen Spannungen basiert.
-
In
DE 10 2019 119 736 A1 ist ein System zum Auffinden von optimierten Aktionen für die Kalibrierung einer Softwareapplikation zur Bestimmung eines Ladezustands einer Traktionsbatterie eines Kraftfahrzeugs offenbart. Es umfasst einen Lernverstärkungs-Agenten, der dazu ausgebildet ist, eine oder mehrere Aktionen auszuwählen zur Bearbeitung von Daten aus einem Datenspeicher für die Berechnung eines Ladezustands der Traktionsbatterie, wobei der Lernverstärkungs-Agent ausgebildet ist, den berechneten Ladezustand an ein Vergleichsmodul weiterzugeben, welches dazu ausgebildet ist, den berechneten Ladezustand mit einem gemessenen Ladezustand zu vergleichen und das Vergleichsergebnis an ein Belohnungsmodul weiterzugeben, das ausgebildet ist, eine Belohnung für das Vergleichsergebnis zu ermitteln und diese Belohnung an den Lernverstärkungs-Agenten weiterzugeben, der ausgebildet ist auf Basis dieser Belohnung für das Vergleichsergebnis erneut eine oder mehrere Aktionen auszuwählen.
-
Wang et al. offenbaren in „A Deep Reinforcement Learning Framework for Energy Management of Extended Range Electric Delivery Vehicles" (2019 IEEE Intelligent Vehicles Symposion (IV) Paris, France - ISBN 9781728105604; Seiten 1837-1842) ein Verfahren mit verstärkendem Lernen zur Reduktion des Energieverbrauchs eines elektrischen Fahrzeugs.
-
Zhu et al. offenbaren in „Energy Management of Hybrid Electric Vehicles via Deep Q-Networks" (2020 American Control Conference (ACC), Denver, Co, USA - ISBN 9781538682661; Seiten 3077-3082) einen automatisierten Entwicklungsprozess für die Energiemanagementstrategie für ein Hybridfahrzeug unter Verwendung eines Algorithmus verstärkenden Lernens vorgestellt, der eine Datenbank mit simulierten realen Strecken nutzt.
-
How et al. offenbaren in „State-of-Charge Estimation of Li-Ion Battery in Electric Vehicles: A Deep Neural Network Approach" (IEEE Transactions on Industry Applications Bd. 56 (2020), Nr. 5, S. 5565-5574) ein Modell zur Schätzung des Ladezustands für eine Lithium-Ionen-Batterie, das einen Ansatz für ein tiefes neuronales Netz für Elektrofahrzeuganwendungen verwendet.
-
Demgegenüber liegt der vorliegenden Erfindung die Aufgabe zugrunde, ein System zur Berechnung eines Ladezustands einer Batterie initial automatisiert zu kalibrieren.
-
Diese Aufgabe wird durch ein Verfahren gemäß Anspruch 1 und durch eine Vorrichtung gemäß Anspruch 10 gelöst. Ausführungsformen der Erfindung sind in den abhängigen Ansprüchen angegeben.
-
Anspruch 1 betrifft ein computerimplementiertes Verfahren zur Kalibrierung eines Systems zur Berechnung erster berechneter Ladezustände einer Batterie eines Kraftfahrzeugs. Bei der Batterie kann es sich insbesondere um eine wiederaufladbare Batterie handeln, die im Kraftfahrzeug als Energiequelle für einen elektrischen Antrieb des Kraftfahrzeugs verwendet wird. Das Kraftfahrzeug kann dabei mit diesem elektrischen Antrieb bewegt werden.
-
Das zu kalibrierende System umfasst mehrere System-Datensätze und ist dazu ausgebildet, die ersten berechneten Ladezustände aus den System-Datensätzen zu berechnen. Die System-Datensätze können beispielsweise Bestandteile einer Nachschlagetabelle sein. Jeweils einer der ersten berechneten Ladezustände ist dabei einem der System-Datensätze zugeordnet. Dies kann vorzugsweise der System-Datensatz sein, aus dem der jeweilige erste berechnete Ladezustand berechnet wurde. Ein System-Datensatz kann dabei beispielsweise mehrere Kraftfahrzeugparameter umfassen. Die Kraftfahrzeugparameter können beispielsweise ein Batteriestrom, ein Drehmoment des Antriebs und/oder eine Drehzahl des Antriebs umfassen. Es ist auch möglich, dass verschiedene System-Datensätze zur Berechnung des gleichen ersten berechneten Ladezustands führen.
-
Die ersten berechneten Ladezustände weichen jeweils um eine erste Abweichung von wahren Ladezuständen ab. Die wahren Ladezustände können beispielsweise gemessen werden. Unter einer Abweichung wird dabei im Rahmen dieser Beschreibung insbesondere ein Betrag verstanden. Dies kann insbesondere bedeuten, dass eine Abweichung gleich groß ist, wenn der jeweilige Ladezustand um den Betrag größer als der wahre Ladezustand ist und wenn der jeweilige Ladezustand um den Betrag kleiner als der wahre Ladezustand ist.
-
Im Stand der Technik wurden die System-Datensätze durch einen Ingenieur so angepasst, dass die Abweichung der ersten berechneten Ladezustände von den wahren Ladezuständen verringert werden. Diese Arbeit ist sehr aufwändig und fordert außerdem eine sehr große Erfahrung.
-
Um diese bislang von einem Ingenieur durchgeführte Anpassung automatisiert vornehmen zu lassen, wird eine künstliche Intelligenz mit Parametern erstellt, die dazu ausgebildet ist als Eingangsdaten einen KI-Datensatz aus einer Datenmenge, die mehrere KI-Datensätze umfasst, und eine einem zweiten berechneten Ladezustand, der diesem KI-Datensatz zugeordnet ist, zugeordnete zweite Abweichung zu verwenden. Als KI-Datensatz kann beispielsweise ein System-Datensatz eines unkalibrierten Systems verwendet werden. Die zweite Abweichung ist eine Abweichung des zweiten berechneten Ladezustands vom wahren Ladezustand. Unter dem Begriff „automatisiert“ wird dabei im Rahmen dieser Beschreibung insbesondere verstanden, dass der Vorgang ohne einen manuellen Eingriff eines Menschen erfolgt.
-
Die im Rahmen dieser Beschreibung erwähnten unterschiedlichen Datensätze - System-Datensätze, KI-Datensätze und Trainingsdatensätze - können insbesondere gleich aufgebaut sein, die gleiche Struktur aufweisen und/oder gleiche Datenarten umfassen. So könnte beispielsweise ein KI-Datensatz auch als System-Datensatz oder Trainingsdatensatz verwendet werden. Ein System-Datensatz kann auch als KI-Datensatz oder Trainingsdatensatz verwendet werden. Ein Trainingsdatensatz kann als System-Datensatz oder KI-Datensatz verwendet werden.
-
Die künstliche Intelligenz ist außerdem dazu ausgebildet, als Ausgangsdaten jeweils eine erste Wahrscheinlichkeit für verschiedene Veränderungen des KI-Datensatzes und eine erste Bewertungsfunktion auszugeben. Die erste Bewertungsfunktion ist dabei dazu ausgebildet, die verschiedenen Veränderungen zu bewerten.
-
Die KI-Datensätze werden mittels eines Algorithmus zur Erzeugung mehrerer Trainingsdatensätze verwendet. Dabei können insbesondere jeweils aus einem KI-Datensatz mehrere Trainingsdatensätze erzeugt werden. Die Trainingsdatensätze umfassen jeweils einen der KI-Datensätze, den diesem KI-Datensatz zugeordneten zweiten berechneten Ladezustand, die diesem zweiten berechneten Ladezustand zugeordnete zweite Abweichung, eine vom Algorithmus verwendete Strategie zur Veränderung der KI-Datensätze und eine zweite Bewertungsfunktion für die vom Algorithmus durchgeführten Veränderungen der KI-Datensätze. Die Strategie umfasst dabei zweite Wahrscheinlichkeiten für Veränderungen der KI-Datensätze.
-
Die künstliche Intelligenz wird unter Verwendung der Trainingsdatensätze trainiert. Während des Trainings werden die Parameter der künstlichen Intelligenz angepasst. Aus dem Stand der Technik ist es bereits bekannt, dass künstliche Intelligenzen trainiert werden können und auch müssen, damit sie bei der bestimmungsgemäßen Anwendung gute Ergebnisse erreichen. Dabei gilt, dass im Normalfall die künstliche Intelligenz die ihr gestellte Aufgabe umso besser löst, mit desto mehr Daten sie zuvor trainiert wurde. Im hier vorliegenden Fall werden die Trainingsdatensätze aus den KI-Datensätzen mittels eines Algorithmus erzeugt. Es ist also frei wählbar, wie viele Trainingsdatensätze aus den KI-Datensätzen erzeugt werden. Wenn der Algorithmus mehrfach verwendet wird, um Trainingsdatensätze zu erzeugen, werden aus einem KI-Datensatz mehrere Trainingsdatensätze erzeugt. Es können also aus einer vergleichsweise geringen Datenmenge, den KI-Datensätzen, durch mehrmalige Anwendung des Algorithmus ein Vielfaches an Trainingsdatensätzen erzeugt werden, mit denen dann die künstliche Intelligenz trainiert wird. Es müssen daher nicht mehrere Trainingsdatensätze mit Messungen erzeugt werden.
-
Nach dem Training wird das System mit der künstlichen Intelligenz kalibriert, indem die System-Datensätze und die ersten Abweichungen als Eingangsdaten der künstlichen Intelligenz verwendet werden. Dies ist möglich, da die künstliche Intelligenz als Eingangsdaten den KI-Datensatz und die zweite Abweichung erwartet, die aber auch durch den System-Datensatz und die erste Abweichung ersetzt werden können, wenn das System kalibriert werden soll. Die künstliche Intelligenz verändert die System-Datensätze mehrfach gemäß den ersten Wahrscheinlichkeiten und bewertet die veränderten System-Datensätze mit der ersten Bewertungsfunktion. Dabei führt die künstliche Intelligenz verschiedene Veränderungen der System-Datensätze durch. Die am besten bewerteten Veränderungen werden als kalibrierte System-Datensätze gespeichert und vom System verwendet, um die ersten berechneten Ladezustände zu berechnen.
-
Die trainierte künstliche Intelligenz kann verwendet werden, um mehrere Systeme zu kalibrieren. Zu diesem Zweck werden die unkalibrierten System-Datensätze und die dazugehörigen Abweichungen des jeweiligen Systems der künstlichen Intelligenz zugeführt.
-
Die Erfindung ist besonders vorteilhaft, da unter Verwendung des Algorithmus beliebig viele Trainingsdatensätze erzeugt werden können, mit denen die künstliche Intelligenz trainiert werden kann, ohne dabei Messungen durchführen zu müssen. Dies kann vorzugsweise automatisiert erfolgen. Die einmal trainierte künstliche Intelligenz kann dann automatisiert eine Vielzahl an Systemen kalibrieren.
-
Nach einer Ausführungsform der Erfindung kann die erste Bewertungsfunktion Veränderungen umso besser bewerten, desto geringer dritte Abweichungen zwischen aus den veränderten System-Datensätzen berechneten dritten Ladezuständen und den jeweils dazugehörigen wahren Ladezuständen sind.
-
Dabei kann es ein Ziel der künstlichen Intelligenz sein, eine möglichst gute Bewertung zu erreichen. Eine Bewertung kann dabei insbesondere eine Summe an Einzelbewertungen für einzeln durchgeführte Veränderungen umfassen oder aus der Summe bestehen. Die künstliche Intelligenz kann somit verstärkendes Lernen verwenden.
-
Nach einer Ausführungsform der Erfindung kann die künstliche Intelligenz ein künstliches neuronales Netz umfassen.
-
Nach einer Ausführungsform der Erfindung kann beim Training der künstlichen Intelligenz die Trainingsdatensätze mit einer Monte-Carlo-Baumsuche verändert werden. Die Monte-Carlo-Baumsuche kann dabei mehrere Entscheidungspunkte umfassen. Die künstliche Intelligenz kann an jedem Entscheidungspunkt die Veränderung auswählen, von der die beste Bewertung gemäß der ersten Bewertungsfunktion erwartet wird. Das Training der künstlichen Intelligenz kann somit mittels Selbstspiel erfolgen. Hierbei lernt die künstliche Intelligenz, Datensätze so zu kalibrieren, dass die Abweichungen zwischen den aus den Datensätzen errechneten Ladezuständen und den wahren Ladezuständen gering werden. Die Parameter der künstlichen Intelligenz können dabei während des Trainings zwischen Veränderungen verschiedener Trainingsdatensätze angepasst werden.
-
Nach einer Ausführungsform der Erfindung können die Parameter derart angepasst werden, dass die von der künstlichen Intelligenz durchgeführten Veränderungen ähnlicher den vom Algorithmus durchgeführten Veränderungen werden.
-
Nach einer Ausführungsform der Erfindung können die Veränderungen eine Erhöhung, eine Verringerung und/oder eine Beibehaltung von Zahlenwerten der Daten des jeweiligen KI-Datensatzes umfassen. Es ist auch möglich, dass die Veränderungen aus dieser Erhöhung, dieser Verringerung und/oder dieser Beibehaltung bestehen.
-
Nach einer Ausführungsform der Erfindung kann der Algorithmus eine Monte-Carlo-Baumsuche sein. Die Strategie kann Wahrscheinlichkeiten für eine Erhöhung, Verringerung und/oder eine Beibehaltung von Zahlenwerten der Daten des jeweiligen KI-Datensatzes umfassen.
-
Nach einer Ausführungsform der Erfindung kann der Algorithmus die Trainingsdatensätze durch Selbstspiel erzeugen.
-
Nach einer Ausführungsform der Erfindung können die Parameter bei der Erstellung der künstlichen Intelligenz zufällig definiert werden.
-
Das System gemäß Anspruch 10 umfasst eine digitale Prozessoreinheit und eine digitale Speichereinheit. In der digitalen Speichereinheit sind Instruktionen gespeichert, die durch die Prozessoreinheit auslesbar und ausführbar sind. Die Instruktionen sind dazu ausgebildet, die Prozessoreinheit beim Auslesen der Instruktionen zur Durchführung eines Verfahrens nach einer Ausführungsform der Erfindung zu veranlassen.
-
Weitere Merkmale und Vorteile der vorliegenden Erfindung werden deutlich anhand der nachfolgenden Beschreibung bevorzugter Ausführungsbeispiele unter Bezugnahme auf die beiliegenden Abbildungen. Dabei werden für gleiche oder ähnliche Merkmale sowie für Merkmale mit gleichen oder ähnlichen Funktionen die gleichen Bezugszeichen verwendet. Dabei zeigt
- 1 eine graphische Darstellung mehrerer Datensätze nach einer Ausführungsform der Erfindung;
- 2 eine Tabellendarstellung der Datensätze aus 1;
- 3 eine graphische Darstellung mehrerer gemessener wahrer Ladezustände einer Batterie, mehrerer aus unkalibrierten Datensätzen berechnete Ladezustände und mehrere aus kalibrierten Datensätzen berechnete Ladezustände; und
- 4 eine schematische Darstellung einer künstlichen Intelligenz nach einer Ausführungsform der Erfindung mit Eingangsdaten und Ausgangsdaten.
-
Die in 1 dargestellte graphische Darstellung dient vor allem einem besseren Verständnis der Datensätze aus 2 für den menschlichen Verstand. Ein Punkt in der graphischen Darstellung entspricht dabei einem Datensatz. Die Datensätze können dabei sowohl KI-Datensätze als auch Trainingsdatensätze oder System-Datensätze im Sinne dieser Erfindung sein. Für eine Verarbeitung der Datensätze durch das System, den Algorithmus und/oder die KI kann auch die tabellarische Darstellung aus 2 verwendet werden.
-
Aus den Datensätzen wird mittels eines beispielsweise in einem Kraftfahrzeug angeordneten System ein berechneter Ladezustand der Batterie berechnet und - wenn gewünscht - einem Benutzer angezeigt. Solange das System unkalibriert ist, wird der in 3 dargestellte unkalibrierte Ladezustand 1 berechnet. Im kalibrierten Zustand wird der kalibrierte Ladezustand 2 aus 3 berechnet. Außerdem ist in 3 der wahre gemessene Ladezustand 3 der Batterie dargestellt. Wie deutlich zu sehen ist, weicht der unkalibrierte Ladezustand 1 um ein Vielfaches mehr vom wahren gemessenen Ladezustand 3 ab als der kalibrierte Ladezustand 2. Eine Kalibrierung des Systems ist also vorteilhaft, damit ein besonders genauer Ladezustand berechnet wird.
-
Um die Kalibrierung automatisiert durchführen zu können, wird die in 4 schematisch dargestellte künstliche Intelligenz 4 mit zufälligen Parametern erstellt. Die künstliche Intelligenz 4 erwartet als Eingangsdaten 5 einen Datensatz und eine Abweichung eines aus diesem Datensatz berechneten Ladezustand vom wahren Ladezustand. Die künstliche Intelligenz 4 gibt als Ausgangsdaten 6 eine Wahrscheinlichkeit für verschiedene Veränderungen des Datensatzes und eine erste Bewertungsfunktion zur Bewertung dieser Veränderungen aus.
-
Für jeden Datensatz wird eine erste Monte-Carlo-Baumsuche durchgeführt. Dabei wird der Zahlenwert des jeweiligen Datensatzes verringert, erhöht oder unverändert gelassen. Dies geschieht unter Verwendung einer Strategie durch einen Algorithmus im Selbstspiel, wobei die Strategie die Wahrscheinlichkeiten für eine Verringerung, Erhöhung oder das Unverändertlassen festlegt. Danach werden die Datensätze und die zugehörigen Abweichungen, die Strategie und eine Bewertung der jeweiligen ersten Monte-Carlo-Baumsuche als Trainingsdatensatz gespeichert. Die Bewertung entspricht dabei einer Summe aus Einzelbewertungen.
-
Die im vorherigen Absatz erwähnten Schritte werden mehrmals durchgeführt, sodass eine Vielzahl an Trainingsdatensätzen erzeugt wird. Dabei ist eine besonders große Anzahl besonders vorteilhaft. Die Trainingsdatensätze werden zum Training der künstlichen Intelligenz 4 verwendet. Während des Trainings wird eine Bewertungsfunktion der künstlichen Intelligenz 4 kalibriert, die dazu verwendet wird, von der künstlichen Intelligenz 4 an einem Datensatz vorgenommene Änderungen zu bewerten. Die Bewertung ist dabei umso besser je kleiner die Abweichung des aus dem jeweiligen Datensatz berechneten Ladezustands vom wahren Ladezustand ist.
-
Die Trainingsdatensätze werden als Eingangsdaten 5 der künstlichen Intelligenz 4 verwendet. Die künstliche Intelligenz umfasst einen Agenten, der eine zweite Monte-Carlo-Baumsuche für die Trainingsdatensätze durchführt. Die zweite Monte-Carlo-Baumsuche umfasst mehrere Entscheidungspunkte, wobei jeweils die Entscheidung getroffen wird, die dem Agenten gemäß der Bewertungsfunktion die höchste Belohnung verspricht.
-
Die zweite Monte-Carlo-Baumsuche wird iterativ durchgeführt, um die von der künstlichen Intelligenz 4 angewandten Wahrscheinlichkeiten für die Erhöhung, Verringerung oder Beibehaltung des jeweiligen Datensatzes und die Bewertungsfunktion den jeweiligen Parametern der ersten Monte-Carlo-Baumsuche anzunähern. Dabei werden die Parameter der künstlichen Intelligenz 4 im Selbstspiel angepasst. Nach einer ausreichenden Anzahl an Iterationen ist die künstliche Intelligenz 4 in der Lage, System-Datensätze eines Systems zur Berechnung eines Ladezustands einer Batterie zu kalibrieren, sodass das System den Ladezustand besonders genau ermitteln kann.
-
Dabei ist es besonders vorteilhaft, dass zum Training der künstlichen Intelligenz 4 die vom Algorithmus erzeugten Trainingsdatensätze verwendet werden. Es muss somit für das Training nicht eine vergleichsweise hohe Anzahl an Messungen durchgeführt werden. Die Trainingsdatensätze können automatisiert, beispielsweise aus einem unkalibrierten System-Datensatz, erzeugt werden. Das Training der künstlichen Intelligenz 4 wird ebenfalls automatisiert durchgeführt. Die trainierte künstliche Intelligenz 4 kann dann verwendet werden, um automatisiert verschiedene Systeme zur Berechnung von Ladezuständen einer Batterie zu kalibrieren.