DE102021204014A1

DE102021204014A1 - Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustandsmodells zur Ermittlung von aktuellen und prädizierten Alterungszuständen von elektrischen Energiespeichern mithilfe von Transfer-Lernen mithilfe maschineller Lernverfahren

Info

Publication number: DE102021204014A1
Application number: DE102021204014.4A
Authority: DE
Inventors: Christian Simonis; Andras Gabor Kupcsik
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2021-04-22
Filing date: 2021-04-22
Publication date: 2022-10-27
Also published as: CN115236541A

Abstract

Die Erfindung betrifft ein Verfahren zum Bereitstellen eines hybriden Alterungszustandsmodells für gleichartige Energiespeicher einer Gruppe von technischen Geräten basierend auf weiteren hybriden Alterungszustandsmodellen für Energiespeicher von weiteren Gruppen von technischen Geräten, mit folgenden Schritten- Bereitstellen der weiteren hybriden Alterungszustandsmodelle (GP), die jeweils ein parametriertes physikalisches Alterungsmodell zum Bereitstellen eines physikalischen Alterungszustands und ein datenbasiertes Korrekturmodell zum Bereitstellen einer Korrekturgröße zum Korrigieren des physikalischen Alterungszustands umfassen, wobei jedes der weiteren hybriden Alterungszustandsmodelle trainiert ist, um abhängig von einem zeitlichen Verlauf mindestens einer Betriebsgröße, die den Betrieb des Energiespeichers charakterisiert, einen Alterungszustand (SOH) zu ermitteln,- Erstellen des hybriden Alterungszustandsmodells mit einem vorgegebenen physikalischen Alterungsmodell (PM) und mit einem Korrekturmodell (KM), das durch eine parametrierbare Kombination, insbesondere einer Linearkombination, eines Teils der Korrekturmodelle (GP1..GPn) oder aller Korrekturmodelle der weiteren hybriden Alterungszustandsmodelle bestimmt ist, wobei die Parametrierung der Kombination basierend auf Trainingsdatensätzen durchgeführt wird, die jeweils einem Verlauf mindestens einer Betriebsgröße einen Alterungszustand als Label zuordnen.

Description

Technisches Gebiet
Die Erfindung betrifft netzunabhängig betriebene elektrische Geräte mit elektrischen Energiespeichern, insbesondere elektrisch antreibbare Kraftfahrzeuge, insbesondere Elektrofahrzeuge oder Hybridfahrzeuge, und weiterhin Maßnahmen zur Bestimmung eines Alterungszustands (SOH: State of Health) des elektrischen Energiespeichers. Weiterhin betrifft die Erfindung neben mobilen auch stationäre elektrische Energiespeicher.
Technischer Hintergrund
Die Energieversorgung von netzunabhängig betriebenen elektrischen Geräten und Maschinen, wie z.B. elektrisch antreibbaren Kraftfahrzeugen, erfolgt mithilfe von elektrischen Energiespeichern, in der Regel Gerätebatterien bzw. Fahrzeugbatterien. Diese liefern elektrische Energie zum Betrieb der Geräte. Als elektrischer Energiespeicher kommen jedoch auch Brennstoffzellen-Systeme, inklusive Wasserstofftank, in Betracht.
Elektrische Energiespeicher bzw. Energiewandler degradieren über ihre Lebensdauer und abhängig von deren Belastung bzw. Nutzung. Diese sogenannte Alterung führt zu einer kontinuierlich abnehmenden maximalen Leistungs- bzw. Speicherkapazität. Der Alterungszustand entspricht einem Maß zur Angabe der Alterung von Energiespeichern. Gemäß der Konvention weist eine neuer Energiespeicher einen Alterungszustand von 100% auf, der im Laufe seiner Lebensdauer zusehends abnimmt. Ein Maß der Alterung des Energiespeichers (zeitliche Änderung des Alterungszustands) hängt von einer individuellen Belastung des Energiespeichers, d. h. bei Fahrzeugbatterien von Kraftfahrzeugen vom Nutzungsverhalten eines Fahrers, externen Umgebungsbedingungen und vom Fahrzeugbatterietyp ab.
Zwar kann mithilfe eines physikalischen Alterungszustandsmodells der momentane Alterungszustand des Energiespeichers basierend auf historischen Betriebszustandsverläufen bestimmt werden, jedoch ist dieses Modell in bestimmten Situationen ungenau. Diese Ungenauigkeit des herkömmlichen Alterungszustandsmodells erschwert eine Prädiktion des Alterungszustandsverlaufs. Jedoch ist die Prädiktion des Verlaufs des Alterungszustands der Energiespeicher eine wichtige technische Größe, da mit ihr eine wirtschaftliche Bewertung eines Restwerts des Energiespeichers möglich ist.
Offenbarung der Erfindung
Erfindungsgemäß sind ein Verfahren zum Bereitstellen eines datenbasierten Alterungszustandsmodells zur Ermittlung eines aktuellen Alterungszustands und/oder zur Prädiktion eines Alterungszustands eines elektrischen Energiespeichers gemäß Anspruch 1 sowie eine Vorrichtung gemäß dem nebengeordneten Anspruch vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein computerimplementiertes Verfahren zum Bereitstellen eines hybriden Alterungszustandsmodells für gleichartige Energiespeicher einer Gruppe von technischen Geräten basierend auf weiteren hybriden Alterungszustandsmodellen für Energiespeicher von weiteren Gruppen von technischen Geräten vorgesehen, mit folgenden Schritten:

- Bereitstellen der weiteren hybriden Alterungszustandsmodelle, die jeweils ein parametriertes physikalisches Alterungsmodell zum Bereitstellen eines physikalischen Alterungszustands und ein datenbasiertes Korrekturmodell zum Bereitstellen einer Korrekturgröße zum Korrigieren des physikalischen Alterungszustands umfassen, wobei jedes der weiteren hybriden Alterungszustandsmodelle trainiert ist, um abhängig von einem zeitlichen Verlauf mindestens einer Betriebsgröße, die den Betrieb des Energiespeichers charakterisiert, einen Alterungszustand zu ermitteln,
- Erstellen des hybriden Alterungszustandsmodells mit einem vorgegebenen physikalischen Alterungsmodell und mit einem Korrekturmodell, das durch eine parametrisierbare Kombination, insbesondere einer Linearkombination, eines Teils der Korrekturmodelle oder aller Korrekturmodelle der weiteren hybriden Alterungszustandsmodelle bestimmt ist, wobei die Parametrierung der Kombination basierend auf Trainingsdatensätzen durchgeführt wird, die jeweils einem Verlauf mindestens einer Betriebsgröße einen Alterungszustand als Label zuordnen.

Energiespeicher im Sinne dieser Beschreibung umfassen Gerätebatterien, Energiewandlersysteme mit einem elektrochemischen Energiewandler mit einem Energieträgervorrat, wie z.B. Brennstoffzellensysteme mit einer Brennstoffzelle und einem Energieträgervorrat.
Der Alterungszustand eines elektrischen Energiespeichers, insbesondere einer Gerätebatterie, wird üblicherweise nicht direkt gemessen. Dies würde eine Reihe von Sensoren in Inneren des Energiespeichers erfordern, die die Herstellung eines solchen Energiespeichers kostenintensiv sowie aufwendig machen und den Raumbedarf vergrößern würde. Zudem sind alltagstaugliche Messverfahren zur direkten Alterungszustandsbestimmung in den Energiespeichern noch nicht auf dem Markt verfügbar. Daher wird der aktuelle Alterungszustand eines elektrischen Energiespeichers in der Regel mithilfe eines physikalischen Alterungsmodells in einem von dem Energiespeicher separaten Steuergerät ermittelt. Dieses physikalische Alterungszustandsmodell ist in bestimmten Situationen ungenau und weist üblicherweise Modellabweichungen von bis zu mehr als 5 % auf.
Aufgrund der Ungenauigkeit des physikalischen Alterungsmodells kann dieses zudem lediglich den momentanen Alterungszustand des Energiespeichers einigermaßen genau angeben. Eine Prädiktion des Alterungszustands, die insbesondere von der Betriebsweise des Energiespeichers, wie z. B. von der Höhe und Menge des Ladungszuflusses und Ladungsabflusses bei einer Gerätebatterie, und damit von einem Nutzungsverhalten und von Nutzungsparametern abhängt, würde zu sehr ungenauen Vorhersagen führen und ist derzeit nicht vorgesehen.
Der Alterungszustand (SOH: State of Health) ist bei Gerätebatterien die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden Batterieladung. Der Alterungszustand stellt ein Maß für die Alterung der Gerätebatterie dar. Im Falle einer Gerätebatterie oder eines Batterie-Moduls oder einer Batterie-Zelle kann der Alterungszustand als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) angegeben werden. Die Kapazitätserhaltungsrate SOH-C ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität der vollständig aufgeladenen Batterie angegeben. Alternativ kann der Alterungszustand als Anstieg des Innenwiderstands (SOH-R) bezüglich eines Innenwiderstands zu einem Lebensdauerbeginn der Gerätebatterie angegeben werden. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.
Vielversprechend sind Ansätze, eine nutzer- und nutzungsindividuelle Modellierung und Prädiktion eines Alterungszustands des elektrischen Energiespeichers basierend auf einem Alterungszustandsmodell vorzusehen, dass die Verläufe von Betriebsgrößen vom Zeitpunkt der Inbetriebnahme nutzt, um den Alterungszustand jeweils Zeitschritt für Zeitschritt ausgehend von dem Alterungszustand zum Inbetriebnahmezeitpunkt anzupassen.
Ein solches Alterungszustandsmodell kann ein integratives Modell umfassen, das basierend auf einem zeitlichen Verlauf der mindestens einer Betriebsgröße des jeweiligen Energiespeichers der jeweiligen Gerätegruppe den Alterungszustand entsprechend durch Akkumulation von Einzelbelastungsbeiträgen der durch den momentanen Wert der mindestens einen Betriebsgröße beginnend mit dem Inbetriebnahmezeitpunkt ermittelt.
Dieses Alterungszustandsmodell kann rein datenbasiert aber auch als hybrides datenbasiertes Alterungszustandsmodell implementiert werden. Ein solches Alterungszustandsmodell kann z. B. in einer Zentraleinheit (Cloud) implementiert sein und mithilfe von Betriebsgrößen einer Vielzahl von Energiespeichern verschiedener Geräte parametrisiert bzw. trainiert werden, die mit der Zentraleinheit in Kommunikationsverbindung stehen.
Alterungszustandsmodelle zur Ermittlung von Alterungszuständen für elektrische Energiespeicher können in Form eines hybriden Alterungszustandsmodells, also einer Kombination eines physikalischen Alterungsmodells mit einem datenbasierten Modell, bereitgestellt werden. Bei einem hybriden Modell kann ein physikalischer Alterungszustand mithilfe eines physikalischen bzw. elektrochemischen Alterungsmodells ermittelt werden und dieser mit einem Korrekturwert beaufschlagt werden, der sich aus einem datenbasierten Korrekturmodell ergibt, insbesondere durch Addition oder Multiplikation. Das physikalische Alterungsmodell basiert auf elektrochemischen Modellgleichungen, welche elektrochemische Zustände eines nichtlinearen DifferentialgleichungsSystems charakterisiert, fortlaufend berechnet und diese zur Ausgabe auf den physikalischen Alterungszustand abbildet, als SOH-C und/oder als SOH-R. Die Berechnungen können typischerweise in der Cloud z.B. einmal pro Woche ausgeführt werden.
Weiterhin kann das Korrekturmodell des hybriden datenbasierten Alterungszustandsmodells mit einem probabilistischen oder auf künstlicher Intelligenz-basierendem Regressionsmodell, insbesondere einem Gaußprozessmodel oder einem Bayes'schen neuronalen Netz, ausgebildet sein und kann trainiert sein, um den durch das physikalische Alterungsmodell erhaltenen Alterungszustand zu korrigieren. Bei einem parametrierten physikalischen Alterungsmodell ist das resultierende Residuum typischerweise um 0 herum verteilt, sodass keine systematische Modellabweichung bzgl. des Residuums existiert. Hierzu existieren folglich ein datenbasiertes Korrekturmodell des Alterungszustands zur Korrektur des SOH-C und/oder mindestens ein weiteres zur Korrektur des SOH-R. Mögliche Alternativen zum Gaußprozess stellen weitere Supervised Learning Verfahren, wie basierend auf einem Random-Forest-Modell, einem AdaBoost-Modell, einer Support-Vector-Machine oder einem Bayes'schen neuronalen Netzwerk dar.
Eine Prädiktion des Alterungszustands ist hilfreich, z.B. wenn eine verbleibende Restlebensdauer des Energiespeichers ermittelt werden soll und diese z.B. gegen Garantiebedingungen oder CO2-Flottenvorgaben bewertet werden. Dazu kann das datenbasierte Alterungszustandsmodell in Verbindung mit einem vorgegebenen Nutzungsmuster, das die Art der Nutzung und des Betriebs des elektrischen Energiespeichers angibt, kontinuierlich abgefragt werden. Dazu ist ausgehend von dem aktuellen Zeitpunkt eine laufende Generierung von zeitlichen Verläufen von künstlichen Betriebsgrößen notwendig, die von dem physikalischen Alterungsmodell aufgrund des Zeitintegrations-Verfahrens zur Lösung der Differentialgleichung benötigt werden, um einen prädizierten Alterungszustand zu modellieren. Insbesondere wird dadurch der prädizierte Verlauf des Alterungszustands ausgehend von dem aktuellen Zeitpunkt bestimmt. Die Betriebsgrößen werden dazu entweder direkt abhängig von dem erkannten Nutzungsmuster oder basierend auf von dem Nutzungsmuster abgeleiteten Verläufen von Belastungsgrößen, aus denen die Verläufe der benötigten Betriebsgrößen generiert werden, erzeugt.
Das Alterungszustandsmodell wird vorzugsweise in einer geräteexternen Zentraleinheit (Cloud) bereitgestellt und trainiert. Diese Zentraleinheit kann Alterungszustandsmodelle für verschiedene Gerätegruppen mit jeweils einer Vielzahl von Geräten mit gleichartigen Energiespeichern bereitstellen, die mit gleichen oder unterschiedlichen Arten von Energiespeichern versehen sind. Insbesondere bei Brennstoffzellensystemen oder Batteriesystemen hängt die Modellierung des Alterungszustands erheblich von der Elektrochemie der verwendeten Einheit ab. Somit ist für jede dieser Gerätegruppen jeweils ein eigenes Alterungszustandsmodell zu erstellen. Im laufenden Betrieb werden somit die in der Zentraleinheit implementierten Alterungszustandsmodelle für die jeweilige Gerätegruppe benutzt, um den aktuellen Alterungszustand oder einen prädizierten Alterungszustand für eine individuelle Gerätebatterie der betreffenden Gerätegruppe zu bestimmen.
Das Training bzw. das Bereitstellen der jeweiligen Alterungszustandsmodelle für die Gerätegruppen findet in der Regel unabhängig voneinander statt.
Als Ergebnis des Trainings ergeben sich für jede der Gerätegruppen ein hybrides Alterungszustandsmodell mit einem physikalischen Modell und einem dazugehörigen datenbasierten Korrekturmodell. Die hybride Alterungszustandsmodelle sind herkömmlich jeweils nur basierend auf den zeitlichen Verläufen der mindestens einen Betriebsgröße der Energiespeicher aus der entsprechenden Gerätegruppe trainiert. Wird eine neue Gerätegruppe mit einem an sich unbekannten Typ eines Energiespeichers in Betrieb genommen, bei der der Alterungszustand der einzelnen Energiespeicher durch ein entsprechendes hybrides Alterungszustandsmodell in der Zentraleinheit bestimmt werden soll, so wird zunächst die Struktur des physikalischen Modells anhand von naheliegenden Modellparametern oder charakteristischen physikalischen Größen bestimmt, wie z.B. einer elektrochemischen Bibliothek, welche spezielle Materialkombinationen und deren Eigenschaften umfasst, bestimmt. Diese können den Modellparametern eines der physikalischen Alterungsmodelle der trainierten hybriden Alterungszustandsmodelle entsprechen, davon abgeleitet sein oder entsprechend der Elektrochemie der Energiespeicher der neuen Gerätegruppe bestimmt sein. Da das physikalische Modell das elektrochemische Verhalten des Energiespeichers widerspiegelt, sind die physikalischen Modelle aller Energiespeicher der verschiedenen Gerätegruppe identisch, sind Modellfehler des physikalischen Modells systematisch oder werden durch das datenbasierte Korrekturmodell entsprechend abgebildet.
Das obige Verfahren sieht nun vor, für das neu zu erstellende hybride Alterungszustandsmodell für die neu in Betrieb genommene Gerätegruppe ein Korrekturmodell bereitzustellen, das das in bestehenden Korrekturmodellen von bestehenden hybriden Alterungszustandsmodellen implementierte Wissen nutzt und dadurch das neu zu erstellende hybride Alterungszustandsmodell verbessert. Dies ist insbesondere dann vorteilhaft, wenn für das Trainieren des Korrekturmodells des neu zu erstellen hybriden Alterungszustandsmodell noch nicht ausreichend Trainingsdatensätze vorliegen.
Das obige Verfahren sieht entsprechend vor, dass das Korrekturmodelle für das neue hybride Alterungszustandsmodell als parametrisierbare Kombination, vorzugsweise als Linearkombination, der Modellausgaben der bestehenden Alterungszustandsmodelle bzw. eines Teils der bestehenden Alterungszustandsmodelle bestimmt wird. Zur Anpassung des neuen Korrekturmodells wird die Kombination vorher erlernter Modellparametrisierungen der Korrekturmodelle, wie z.B. direkt der Output des Gaußprozesses oder die entsprechende Kernelfunktionen eines Gaußprozesses, vorzugsweise abschnittsweise oder an diskreten Stützstellen miteinander kombiniert, entsprechend parametriert, sodass die berücksichtigten Korrekturmodelle der bestehenden Alterungszustandsmodelle in gewichteter Weise berücksichtigt werden.
Auf diese Weise kann das in den bestehenden Korrekturmodellen implementierte Systemwissen genutzt werden. Insbesondere kann das Wissen über systematische Fehler des physikalischen Alterungsmodells, das durch das Korrekturmodell korrigiert werden soll, aus den bestehenden Korrekturmodellen entnommen werden.
Weiterhin kann das physikalische Alterungsmodell des zu erstellenden hybriden Alterungszustandsmodells aus den bestehenden physikalischen Alterungsmodellen der bestehenden Alterungszustandsmodellen ausgewählt werden oder abhängig von dem Typ des Energiespeichers vorgegeben werden.
Insbesondere können zum Bereitstellen des Teils der Korrekturmodelle diese abhängig von einem Bewertungsmaß für jedes der Korrekturmodelle aus allen Korrekturmodellen der weiteren hybriden Alterungszustandsmodelle ausgewählt werden, wobei sich das Bewertungsmaß für jedes der Korrekturmodelle aus aggregierten Unsicherheitsangaben der Auswertung des betreffenden Korrekturmodells an den Auswertungspunkten der Trainingsdatensätze insbesondere abhängig von der entsprechenden Modellausgabe des physikalischen Alterungsmodells ergibt, wobei insbesondere der Teil der Korrekturmodelle als diejenigen der Korrekturmodelle ausgewählt werden, die bezüglich der Trainingsdatensätzen die beste Eignung bzgl. DatenraumAbdeckung aufweisen. Vorzugsweise kann die Eignung und/oder die Datenraumabdeckung durch ein Bewertungsmaß angegeben sein, das prädiktive Kovarianzen bezüglich einer Minimierung der Unsicherheit bzw. einer Optimierung der differenziellen Entropie angibt.
Gemäß einer Ausführungsform kann die Kombination durch einen Parametrierungsvektor bestimmt sein, der Gewichtungen für die Modellausgaben des Teils der Korrekturmodelle oder aller Korrekturmodelle angibt, wobei der Parametrierungsvektor durch ein multivariates Optimierungsverfahren bestimmt wird.
Insbesondere kann das Optimierungsverfahren ein Bayes'sches Optimierungsverfahren, ein Grid-Search-Verfahren oder ein Random-Search-Verfahren umfassen
Das Optimierungsverfahren kann eine Kostenfunktion berücksichtigen, die die Abstände der durch die Trainingsdatensätze vorgegebenen Alterungszustände und die Modellausgabe des Alterungszustands bewertet.
Es kann vorgesehen sein, dass der Parametrierungsvektor durch eine Parameterierungsfunktion bestimmt ist, die den Parametrierungsvektor abhängig von mindestens einem Betriebsmerkmal angibt, wobei das mindestens eine Betriebsmerkmal aus dem auszuwertenden Verlauf der mindestens einen Betriebsgröße als aggregiertes Merkmal bestimmt wird und auf einen Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen und/oder elektrochemische Zustände des Energiespeichers umfasst.
Insbesondere kann die Parametrierungsfunktion durch Interpolation von Parametrisierungsvektoren durchgeführt werden, die von verschiedenen Betriebsmerkmalsbereichen, die durch Untermengen der Trainingsdatensätze durch Klassifikation oder Clustering bestimmt sind, abhängig ermittelt werden.
Alternativ kann die Parametrierungsfunktion durch eine Softmax-Funktion abhängig von mindestens einem Betriebsmerkmal vorgegeben werden.
Weiterhin können Trainingsdatensätzen, insbesondere durch ein Active Learning-Verfahren, hinzugefügt werden, wobei die Parametrisierung der datenbasierten Alterungsmodelle, z.B. durch erlernte Kernel-Kombinationen, jeweils basierend auf den gesamten Trainingsdatensätzen durch Lösung eines Optimierungsproblems durchgeführt wird, insbesondere bis eine vorgegebene Anzahl von Trainingsdatensätzen bereitgestellt ist, wobei für die hinzuzufügende Trainingsdatensätze von Geräten ermittelt werden, für die eine hohe Unsicherheit der Ermittlung des Alterungszustands vorliegt und/oder eine hohe Relevanz für die Verbesserung des Alterungszustandsmodells vorliegt.
Insbesondere kann, wenn die vorgegebene Anzahl von Trainingsdatensätzen vorliegt, das erstellte hybride Korrekturmodell verworfen werden und lediglich basierend auf den Trainingsdatensätzen neu trainiert werden.
Gemäß einer Ausführungsform kann die Parametrisierung der datenbasierten Alterungsmodelle, z.B. durch erlernte Kernel-Kombinationen, abhängig von Betriebsmerkmalsbereichen bereichsweise durchgeführt werden, wobei die Betriebsmerkmalebereiche durch Bereiche eines oder mehrerer Betriebsmerkmale definiert sind, wobei die Betriebsmerkmale sich durch signaltechnische Verarbeitung bzw. Aggregation des Verlaufs der mindestens einen Betriebsgröße ergeben.
Es kann vorgesehen sein, dass ein Offsetwert ermittelt wird, um eine Ausgabe des physikalischen Modells insbesondere additiv zu beaufschlagen, wobei der Offsetwert aus einem Residuum des vorgegebenen physikalischen Alterungsmodells auf Basis der Trainingsdatensätze bestimmt wird, um den systematischen Fehler des vorgegebenen physikalischen Alterungsmodells zu korrigieren.
Es kann vorgesehen sein, dass das Verfahren in einer Zentraleinheit ausgeführt wird, die mit jedem der technischen Geräte aller Gruppen von Geräten in Kommunikationsverbindung steht.
Weiterhin können die Energiespeicher zum Betrieb eines Geräts, wie einem Kraftfahrzeug, einem Pedelec, einem Fluggerät, insbesondere einer Drohne, einer Werkzeugmaschine, einem Gerät der Unterhaltungselektronik, wie ein Mobiltelefon, einem autonomen Roboter und/oder einem Haushaltsgerät verwendet werden.
Gemäß einem weiteren Aspekt ist ein insbesondere computerimplementiertes Verfahren zum Bestimmen eines aktuellen oder prädizierten Alterungszustands mithilfe eines hybriden Alterungszustandsmodells für einen Energiespeicher einer Gruppe von gleichartigen Energiespeichern in technischen Geräten vorgesehen, wobei das hybride Alterungszustandsmodell ein parametriertes physikalisches Alterungsmodell zum Bereitstellen eines physikalischen Alterungszustands und ein datenbasiertes Korrekturmodell zum Bereitstellen einer Korrekturgröße zum Korrigieren des physikalischen Alterungszustands umfasst, wobei das datenbasierte Korrekturmodell einer, insbesondere durch Transfer Learning parametrisierten, parametrisierbaren Kombination von mehreren bereitgestellten trainierten datenbasierten Korrekturmodellen anderer hybrider Alterungszustandsmodelle für weitere Gruppen von Energiespeichern entspricht, wobei der aktuelle oder prädizierte Alterungszustand mithilfe des hybriden Alterungszustandsmodells durch Auswerten eines Verlaufs mindestens einer Betriebsgröße eines der Energiespeicher ermittelt wird.
Weiterhin kann das hybride Alterungszustandsmodell eine Summe des physikalischen Alterungsmodell, des datenbasierten Korrekturmodells und insbesondere eines Offsetwerts umfassen oder dieser entsprechen, wobei der Offsetwert zur Eliminierung einer systematischen Abweichung des vorgegebenen physikalischen Alterungsmodells bestimmt ist.
Durch das Vorsehen des korrigierenden Offsetwerts kann vorgesehen sein, dass das Korrekturmodell nur im Interpolationsfall korrigiert und im Extrapolationsfall auf ihren Prior (GP=0 → Extrapolation erfolgt folglich rein mit physikalischem Modell) zurückgeht. Das ergibt sich aus der Tatsache, dass der Offsetwert, so bestimmt wird, dass er das Residuum im Mittel ausgleicht und somit die zugrundeliegenden Korrekturmodelle der weiteren hybriden Alterungszustandsmodelle um 0 verteilt ist. Das durch den Offsetwert korrigierte physikalische Alterungsmodell hat somit keinen systematischen Fehler mehr.
Gemäß einem weiteren Aspekt ist eine Vorrichtung zum Durchführen eines der obigen Verfahren vorgesehen.
Figurenliste
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:

1 eine schematische Darstellung eines Systems zur Bereitstellung von fahrer- und fahrzeugindividuellen Betriebsgrößen zur Bestimmung eines Alterungszustands einer Fahrzeugbatterie in einer Zentraleinheit;
2 eine schematische Darstellung eines funktionalen Aufbaus eines hybriden Alterungszustandsmodells;
3 ein Flussdiagramm zur Darstellung eines Verfahrens zum Trainieren eines datenbasierten Alterungszustandsmodells;
4 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Bereitstellen eines hybriden Alterungszustandsmodells für eine neue Fahrzeugflotte mit Energiespeichern eines unbekannten Typs; und
5 eine schematische Darstellung der Vorgehensweise zur Erstellung, der Parametrisierung und des Betriebs des neu zu erstellenden hybriden Alterungszustandsmodells basierend auf Korrekturmodellen von bestehenden hybriden Alterungszustandsmodellen.

Beschreibung von Ausführungsformen
Im Folgenden wird das erfindungsgemäße Verfahren anhand des Beispiels von Fahrzeugbatterien als elektrische Energiespeicher in einer Vielzahl von Kraftfahrzeugen (Fahrzeugflotte) als gleichartige Geräte beschrieben. Das Alterungszustandsmodell kann in einer Zentraleinheit kontinuierlich basierend auf Betriebsgrößen der Fahrzeugbatterien aus der Fahrzeugflotte (Gerätegruppe) aktualisiert bzw. nachtrainiert werden. Das Alterungszustandsmodell wird in der Zentraleinheit betrieben und zur Alterungsberechnung und Alterungsprädiktion eingesetzt. Alternativ oder zusätzlich kann das datenbasiertes Alterungszustandsmodell in einer Steuereinheit für die jeweilige Fahrzeugbatterie in den Kraftfahrzeugen implementiert sein.
Das obige Beispiel steht stellvertretend für eine Vielzahl von stationären oder mobilen Geräten mit netzunabhängiger Energieversorgung, wie beispielsweise Fahrzeuge (Elektrofahrzeuge, Pedelecs usw.), Anlagen, Werkzeugmaschinen, Haushaltsgeräte, IOT-Geräte und dergleichen, die über eine entsprechende Kommunikationsverbindung (z. B. LAN, Internet) mit einer Zentraleinheit (Cloud) in Verbindung stehen.
1 zeigt ein System 1 zum Sammeln von Flottendaten in einer Zentraleinheit 2 zur Erstellung und zum Betrieb sowie zur Auswertung eines Alterungszustandsmodells. Das Alterungszustandsmodell dient zur Bestimmung eines Alterungszustands eines elektrischen Energiewandlers oder Energiespeicher-Systems, wie z. B. einer Fahrzeugbatterie oder einer Brennstoffzelle in einem Kraftfahrzeug. 1 zeigt mehrere Fahrzeugflotten 3 mit jeweils mehreren Kraftfahrzeugen 4.
Eines der Kraftfahrzeuge 4 ist in 1 detaillierter dargestellt. Die Kraftfahrzeuge 4 weisen jeweils eine Fahrzeugbatterie 41 als wiederaufladbaren elektrischen Energiespeicher, einen elektrischen Antriebsmotor 42 und eine Steuereinheit 43 auf. Die Steuereinheit 43 ist mit einem Kommunikationsmodul 44 verbunden, das geeignet ist, Daten zwischen dem jeweiligen Kraftfahrzeug 4 und einer Zentraleinheit 2 (einer sogenannten Cloud) zu übertragen.
Die Kraftfahrzeuge 4 jeder Flotte 3 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, welche den Alterungszustand der Fahrzeugbatterie 41 beeinflussen. Die Betriebsgrößen F können im Falle einer Fahrzeugbatterie einen momentanen Batteriestrom I(t), eine momentane Batteriespannung U(t), eine momentane Batterietemperatur T(t) und einen momentanen Ladezustand SOC(t) (SOC: State of Charge) angeben, sowohl auf Pack-, Modul- und / oder Zellebene. Die Betriebsgrößen F werden in einem schnellen Zeitraster von 2 Hz bis 100 Hz erfasst und können in unkomprimierter und/oder komprimierter Form regelmäßig an die Zentraleinheit 2 übertragen werden. Beispielsweise können die Zeitreihen unter Ausnutzung von Kompressions-Algorithmen zwecks Minimierung des Datenverkehrs zur Zentraleinheit 2 im Abstand von 10 min bis zu 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 Datenpunkten, Modellparametern, Zuständen und dergleichen auf.
In der Zentraleinheit 2 ist für jede Fahrzeugflotte ein Alterungszustandsmodell implementiert, das als hybrides Modell teilweise datenbasiert ist. Das Alterungszustandsmodell kann regelmäßig, d. h. z.B. nach Ablauf der jeweiligen Auswertungszeitdauer, verwendet werden, um basierend auf den zeitlichen Verläufen der Betriebsgrößen (jeweils seit Inbetriebnahme der jeweiligen Fahrzeugbatterie) und daraus ermittelten Betriebsmerkmalen eine Ermittlung des momentanen Alterungszustands der betreffenden Fahrzeugbatterie 41 der zugeordneten Fahrzeugflotte vorzunehmen. Mit anderen Worten ist es möglich, basierend auf den Verläufen der Betriebsgrößen von einer der Fahrzeugbatterien 41 der Kraftfahrzeuge 4 der zugeordneten Fahrzeugflotte 3 und den Betriebsmerkmalen, die sich aus diesen Verläufen der Betriebsgrößen ergeben, einen Alterungszustand der betreffenden Fahrzeugbatterie 41 zu ermitteln.
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.
2 zeigt beispielhaft schematisch den funktionalen Aufbau einer Ausführungsform eines datenbasierten Alterungszustandsmodells 9, das in einer hybriden Weise aufgebaut ist. Das Alterungszustandsmodell 9 umfasst ein physikalisches Alterungsmodell 5 und ein Korrekturmodell 6.
Bei dem physikalischen Alterungsmodell 5 handelt es sich um ein mathematisches Modell, das auf Differenzialgleichungen basiert. Das Auswerten des physikalischen Alterungsmodells des Alterungszustandsmodells mit Betriebsgrößenverläufen, insbesondere seit Lebensdauerbeginn der Gerätebatterie, führt dazu, dass sich ein interner Zustand des Gleichungssystems der physikalischen Differenzialgleichungen einstellt, der einem physikalischen internen Zustand der Gerätebatterie entspricht. Da das physikalische Alterungsmodell auf physikalischen Gesetzmäßigkeiten basiert, sind die Modellparameter des physikalischen Alterungsmodells Größen, die physikalische Eigenschaften angeben.
Die Zeitreihen der Betriebsgrößen F gehen also direkt in das physikalische Alterungszustandsmodell 5 ein, welches vorzugsweise als elektrochemisches Modell ausgeführt ist und entsprechende interne elektrochemische Zustände, wie Schichtdicken (z.B. SEI-Dicke), Änderung des zyklisierbaren Lithiums aufgrund von Anode/Kathode-Nebenreaktionen, schneller Verbrauch von Elektrolyten, langsamer Verbrauch von Elektrolyten, Verlust des Aktivmaterials in Anode, Verlust des Aktivmaterials in Kathode, etc....), mithilfe von nichtlinearen Differentialgleichungen und einem mehrdimensionalem Zustandsvektor beschreibt.
Das physikalische Alterungsmodell 5 entspricht somit einem elektrochemischen Modell der Batteriezellen und der Zellchemie. Dieses Modell ermittelt abhängig von den Betriebsgrößen F interne physikalische Batteriezustände, um einen physikalisch basierten Alterungszustand SOHph der Dimension von mindestens eins in Form der oben genannten elektrochemischen Zustände, welche linear oder nichtlinear auf eine Kapazitätserhaltungsrate (SOH-C) und/oder eine Innenwiderstandanstiegsrate (SOH-R) abgebildet werden, um diese als Alterungszustand (SOH-C und SOH-R) bereitzustellen.
Die durch das elektrochemische Modell bereitgestellten Modellwerte für den physikalischen Alterungszustand SOHph sind jedoch in bestimmten Situationen ungenau, und es ist daher vorgesehen, diese mit einer Korrekturgröße k zu korrigieren. Die Korrekturgröße k wird von dem datenbasierten Korrekturmodell 6 bereitgestellt, das mithilfe von Trainingsdatensätzen aus den Fahrzeugen 4 der Fahrzeugflotte 3 und / oder mithilfe von Labordaten trainiert wird.
Das Korrekturmodell 6 erhält eingangsseitig Betriebsmerkmale M, die aus den Verläufen der Betriebsgrößen F ermittelt und auch einen oder mehrere der internen elektrochemischen Zustände des Differentialgleichungssystems des physikalischen Modells umfassen können. Weiterhin kann das Korrekturmodell 6 eingangsseitig den aus dem physikalischen Alterungsmodell 5 erhaltenen physikalischen Alterungszustand SOHph erhalten. Die Betriebsmerkmale M des aktuellen Auswertungszeitraums werden in einem Merkmalsextraktionsblock 8 basierend auf den Zeitreihen der Betriebsgrößen F erzeugt. Zu den Betriebsmerkmalen M zählen weiterhin die inneren Zustände aus dem Zustandsvektor den elektrochemischen physikalischen Alterungsmodells sowie vorteilhafterweise der physikalische Alterungszustand SOHph.
Aus den Betriebsgrößen F können in der Zentraleinheit 2 für jede Fahrzeugflotte 3 oder in anderen Ausführungsformen auch bereits in den jeweiligen Kraftfahrzeugen 4 Betriebsmerkmale M generiert werden, die sich auf einen Auswertungszeitraum beziehen. Der Auswertungszeitraum kann für die Bestimmung des Alterungszustands wenige Stunden (z. B. 6 Stunden) bis mehrere Wochen (z. B. einen Monat) betragen. Ein üblicher Wert für den Auswertungszeitraum beträgt eine Woche.
Die Betriebsmerkmale M können beispielsweise auf den Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen umfassen. Insbesondere können die Betriebsmerkmale beispielsweise umfassen: Elektrochemische Zustände, wie z.B. SEI-Schichtdicke, Änderung von zyklisierbarem Lithium aufgrund von Anoden/Kathoden-Nebenreaktionen, schnelle Aufnahme von Elektrolytlösungsmittel, langsame Aufnahme von Elektrolytlösungsmitteln, Lithiumabscheidung, Verlust von aktivem Anodenmaterial und Verlust von aktivem Kathodenmaterial, Informationen zu Impedanzen bzw. den Innenwiderständen, Histogrammmerkmale, wie Temperatur über Ladezustand, Ladestrom über Temperatur und Entladestrom über Temperatur, insbesondere mehrdimensionale Histogrammdaten bezüglich der Batterietemperaturverteilung über dem Ladezustand, der Ladestromverteilung über der Temperatur und/oder der Entladestromverteilung über der Temperatur, den Stromdurchsatz in Amperestunden, die akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil (z. B. 20 %) der gesamten Batteriekapazität liegt), die Ladekapazität sowie ein Extremwert (Maximum) der differentiellen Kapazität während eines gemessenen Ladevorgangs mit ausreichend großem Hub des Ladezustands (dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) oder die akkumulierte Fahrleistung. Diese Größen werden vorzugsweise so umgerechnet, dass sie das reale Nutzungsverhalten bestmöglich charakterisieren. Die Betriebsmerkmale M können insgesamt oder nur teilweise für das nachfolgend beschriebene Verfahren verwendet werden.
Für die Bestimmung eines korrigierten auszugebenden Alterungszustands SOH werden die Ausgänge SOHph, k des physikalischen Alterungsmodells 5 und des datenbasierten Korrekturmodells 6, welches vorzugsweise als Gauß-Prozess-Modell ausgeführt ist, miteinander beaufschlagt. Insbesondere können diese in einem Summierblock 7 addiert oder multipliziert (nicht gezeigt) werden, um den auszugebenden modellierten Alterungszustand SOH zu einem aktuellen Auswertungszeitraum zu erhalten. Die Konfidenz des Gaußprozesses kann im Additions-Fall weiterhin als Konfidenz des auszugebenden korrigierten Alterungswert SOH des hybriden Modells verwendet werden.
Für die Skalierung und die Dimensionsreduzierung der Betriebsmerkmale kann ggfs. eine PCA (Principal Components Analysis) verwendet werden, um redundante linear-abhängige Information im Merksmalsraum entsprechend vor dem Trainieren des Korrekturmodells (unsupervised) zu reduzieren. Alternativ kann auch eine Kernel-PCA verwendet werden, um in der Komplexitätsreduktion der Daten auch nichtlineare Effekte abzubilden zu können. Sowohl vor der Dimensionsreduzierung und speziell danach findet eine Normalisierung des gesamten Betriebsmerkmalsraums (bzw. des Hauptkomponenten-Raums) statt, z.B. mit Min/Max-Scaling oder der Z-Transformation.
Die Berechnung des Alterungszustands und die Prädiktion des Alterungszustands sind daher möglich für Energiespeicher mit mindestens einer elektrochemischen Einheit, z.B. einer Batterie-Zelle. Das Verfahren ist durch regel- und / oder datenbasierte Abbildung auch auf das Gesamtsystem des Energiespeichers anwendbar. Am Beispiel der Batterie kann die Alterungsprädiktion neben ZellEbene somit direkt auch auf Modulebene und Packebene angewandt werden.
3 zeigt ein Flussdiagramm zur Veranschaulichung eines beispielhaften Verfahrens zum Trainieren des hybriden Alterungszustandsmodells in der Zentraleinheit 2. Dazu werden Trainingsdatensätze definiert, die Verläufe von Betriebsgrößen einem empirisch ermittelten Alterungszustand als Label zuordnen.
Die Ermittlung eines Alterungszustands als Label kann in an sich bekannter Weise durch Auswertung der Betriebsgrößenverläufe mit einem zusätzlichen Modell in dem Fahrzeug oder in der Zentraleinheit 2 unter definierten Last- und UmgebungsBedingungen einer Labelerzeugung erfolgen, wie z.B. in einer Werkstatt, auf einem Prüfstand oder einem Diagnose- oder Labelerzeugungsmodus, der ein Betriebsmodus darstellt und das Einhalten vorbestimmter Betriebsbedingungen der Fahrzeugbatterie, wie z.B. konstante Temperatur, konstanter Strom und der gleichen garantiert. Dazu kann können andere Modelle zur Ermittlung des Alterungszustands genutzt werden, z.B. basierend auf der Analyse einer erkannten Lade- und / oder Entladephasen der Batterienutzung. Vorzugweise wird eine SOH-C-Messung durch Coulomb-Counting bzw. durch Bildung eines zeitlichen Stromintegrals während des Ladevorgangs vorgenommen, welches durch den Hub des Ladezustands zwischen Beginn und Ende der betreffenden Lade- und / oder Entladephase dividiert wird. Vorteilhafterweise erfolgt hierbei die Kalibrierung an der Leerlaufspannungskennlinie in Ruhephasen, um den Ladezustandsverlauf in der Zentraleinheit mitzuberechnen. Eine hinreichend zuverlässige Angabe über den Alterungszustand zur Nutzung als Label kann man beispielsweise erhalten, wenn die Fahrzeugbatterie während eines Ladevorgangs aus einem definierten relaxierten Zustand unter reproduzierbaren Last- und Umgebungsbedingungen von einem vollständig entladenen Lade-Zustand in einen vollständig geladenen Zustand gebracht wird. Die dadurch erfasste maximale Ladung kann zu einer initialen maximalen Ladekapazität der Fahrzeugbatterie in Beziehung gesetzt werden. Widerstandsbezogene Alterungszustände (SOH-R-Werte) können auch durch Spannungsänderungen bezogen auf eine Stromänderung errechnet werden. Üblicherweise sind diese auf ein definiertes Zeitintervall sowie definierte Umgebungsbedingungen und die Energiefluss-Richtung des Systems bezogen.
Ein Trainingsdatensatz für eine Fahrzeugbatterie ergibt sich somit aus dem jeweils zu einem Zeitpunkt ermittelten Alterungszustand und den Betriebsgrößenverläufen für die betreffende Fahrzeugbatterie von dem Inbetriebnahmezeitpunkt der betreffenden Fahrzeugbatterie bis zu diesem Zeitpunkt. Für eine Fahrzeugbatterie können mehrere Trainingsdatensätze zu verschiedenen Zeitpunkten ermittelt werden, wobei die Zeitpunkte relativ zu dem Inbetriebnahmezeitpunkt (Lebensdauerbeginn) angegeben werden können. Die Trainingsdatensätze werden für die Vielzahl von Fahrzeugen gesammelt und bereitgestellt.
Das Alterungszustandsmodell kann in herkömmlicher Weise mit den Trainingsdatensätzen trainiert werden. D.h. unter Beibehaltung des physikalischen Alterungsmodells 5 werden die Trainingsdatensätze durch das hybride Alterungszustandsmodell 9 ausgewertet und jeweils ein Fehlermaß, z.B. der RMSE (relative mean squared error) (Loss-Funktion) zwischen dem Ausgabewert des modellierten Alterungszustands SOH des betrachteten Trainingsdatensatzes und dem zugehörigen Label zur Anpassung und Trainieren des Korrekturmodells 6 in an sich bekannter Weise genutzt. Hier ist es vorgesehen, dass das Training auf das Residuum des physikalischen Modells erfolgt, sodass der das Korrekturmodell entsprechend datengetriebene Korrekturen genau dort vornehmen kann, wo es die Datenlage mit hinreichender Konfidenz erlaubt. Die Trainingsdatensätze stellen dann die Trainingsmenge dar.
Alternativ kann das Training erfolgen, indem die Trainingsdatensätze in eine Trainingsmenge und eine Testmenge unterteilt werden. Die Trainingsmenge dient zum Trainieren des hybriden Alterungszustandsmodells, während die Testmenge zur Validierung des hybriden Alterungszustandsmodells mithilfe neuer, nicht für das Training verwendeter, unbekannter Daten der Testmenge dient. Vorzugsweise wird ein dritter Datensatz, der Validierungs-Datensatz verwendet, um die Hyperparameter des Korrekturmodells zu optimieren. Final erfolgt das Testen des hybriden Alterungszustandsmodells 9 immer auf neuen Daten, wobei die Performance des hybriden Alterungszustandsmodells 9 auf diesem unabhängigen Datensatz nachgewiesen wird, bevor das Deployment und der anschließende produktive Betrieb in der Zentraleinheit 2 erfolgt.
In Schritt S1 wird das physikalische Alterungsmodell 5 abhängig von einem ersten Teil der Trainingsmenge parametrisiert, insbesondere durch Parameteroptimierung mithilfe der Kleinste-Quadrate-Methode oder dergleichen. Der physikalische Alterungszustand SOHph als Ausgang des physikalischen Alterungsmodell 5 wird dabei als der Alterungszustand des jeweiligen Trainingsdatensatzes angenommen.
In Schritt S2 wird das physikalische Alterungsmodell auf die gesamte Trainingsmenge des hybriden Modells angewendet, d. h. eine Anzahl von Trainingsdatensätzen, die mindestens die Menge an Trainingsdatensätzen, mit der das physikalische Alterungsmodell parametrisiert worden ist, umfasst oder sogar über sie hinausgeht. Der Fehler des physikalischen Alterungsmodells 5 wird entsprechend in einem Gesamtfehler bzgl. des Residuums als Histogramm der Modellabweichung evaluiert. Dieses Residuum in enthält in Kombination mit den Betriebsmerkmalen M bzw. den Betriebsgrößen F alle relevanten Informationen bezüglich der systematischen Schwächen des physikalischen Alterungsmodells 5. Auch ergibt sich die Information, wie sich das physikalische Alterungsmodell 5 bezüglich neuer nicht für die Parametrisierung des physikalischen Alterungsmodells 5 genutzte Trainingsdatensätze verhält, d.h. wie es generalisiert.
In einem nächsten Schritt S3 wird das datenbasierte Korrekturmodell 6 auf die vollständige Trainingsmenge des hybriden Alterungszustandsmodells 9 trainiert. Diese Trainingsmenge des hybriden Modells umfasst mindestens die Trainingsmenge des physikalischen Modells entsprechend Schritt S1. Für das Training des Korrekturmodells 6 werden sowohl die Betriebsmerkmale M aus den Betriebsgrößen F extrahiert als auch die internen Zustände des physikalischen Alterungsmodells 5 als eine Teilmenge von M verwendet, um sämtliche Betriebsmerkmale auf einen Fehler zwischen der Modellvorhersage (physikalischen Alterungszustand) des physikalischen Alterungsmodells und dem gelabelten Alterungszustand entsprechend des Trainingsdatensatzes abzubilden. Weiterhin kann M auch den modellierten physikalischen Alterungszustands SOHph umfassen. Dadurch kann das Korrekturmodell 6 die Schwächen des physikalischen Alterungsmodells 5 lernen, um so in dem Korrekturblock eine Korrektur des physikalischen Alterungszustands vornehmen zu können.
Das Trainieren des datenbasierten Korrekturmodells 6 kann mit Cross-Validierung und sequenziellem Bagging (Bootstrap Aggregating) durchgeführt werden, um die Robustheit und Genauigkeit zu verbessern. Wenn das Korrekturmodell trainiert ist, kann das trainierte hybride Alterungszustandsmodell mithilfe der Testmenge in Schritt S4 validiert werden, so dass die Gesamt-Performance für die Alterungszustandsberechnung validiert werden kann.
Das trainierte hybride Alterungszustandsmodell kann nun für die Ermittlung des Alterungszustands basierend auf den zeitlichen Verläufen von Betriebsgrößen F einer Fahrzeugbatterie seit Lebensdauerbeginn genutzt werden.
Das Training des hybriden Alterungszustandsmodells kann immer dann angestoßen werden, wenn neue gelabelte Trainingsdatensätze verfügbar sind, speziell, wenn sie neue und relevante Informationen beinhalten. Beim Betrieb in einer Zentraleinheit 2 basierend auf Flottendaten ist somit ein ständiges Nachtrainieren des hybriden Alterungszustandsmodells zur Ermittlung des aktuellen Alterungszustands einer Fahrzeugbatterie und zur Verwendung bei einer Prädiktion des Alterungszustands möglich.
Das Ermitteln der Trainingsdaten kann mithilfe von Active Learning durchgeführt werden, wobei Trainingsdaten bezüglich Betriebsmerkmalspunkten (Kombination von Betriebsmerkmalen) ermittelt werden, für das Korrekturmodell eine hohe Unsicherheit aufweist. Insbesondere können die Geräte der Gerätegruppe ausgewählt werden, deren Betriebsmerkmalspunkte hohe Modellunsicherheit und gleichzeitig eine hohe Relevanz für die bestehende Fahrzeugflotte 3 aufweisen, sodass von einer Label-Generierung und anschließendem Modell-Training eine möglichst hohe Anzahl von Fahrzeugen 4 der betreffenden Fahrzeugflotte 3 profitieren.
4 zeigt ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Inbetriebnahme eines neuen hybriden Alterungszustandsmodells für eine neue Fahrzeugflotte 3 mit entsprechend neuartigen Fahrzeugbatterien 41. Dabei wird davon ausgegangen, dass in der Zentraleinheit 2 bereits für weitere bestehende Fahrzeugflotten 3 trainierte hybride Alterungszustandsmodelle vorliegen, die jeweils ein physikalisches Modell und ein datenbasiertes Korrekturmodell, wie oben beschrieben, aufweisen. Das nachfolgend beschriebene Verfahren wird in Verbindung mit dem Blockdiagramm der 5 näher beschrieben.
In Schritt S11 wird für die neu in Betrieb zu nehmende Fahrzeugflotte 3 ein physikalisches Alterungsmodell PM parametriert. Dies kann durch Wahl von bekannten Modellparametern, beispielsweise bei einer bekannten Zellchemie der Fahrzeugbatterie der neuen Fahrzeugflotte 3, oder durch geeignete Auswahl von Modellparametern des physikalischen Alterungsmodells PM eines der bereits trainierten bestehenden Alterungszustandsmodelle erfolgen.
D.h. wird eine neue Gerätegruppe/Fahrzeugflotte mit einem an sich unbekannten Typ eines Energiespeichers in Betrieb genommen, bei der der Alterungszustand der einzelnen Energiespeicher durch ein entsprechendes hybrides Alterungszustandsmodell in der Zentraleinheit 2 bestimmt werden soll, so wird zunächst die Struktur des physikalischen Alterungsmodells PM anhand von naheliegenden Modellparametern oder charakteristischen physikalischen Größen bestimmt, wie z.B. einer elektrochemischen Bibliothek, welche spezielle Materialkombinationen und deren Eigenschaften umfasst, bestimmt. Es erfolgt also die Auswahl eines physikalischen Modells auf Basis von elektrochemischen Ähnlichkeitsbedingungen.
In einem nachfolgenden Schritt S12 werden nach der Inbetriebnahme der Fahrzeugflotte ein Trainingsdatensatz oder mehrere Trainingsdatensätze ermittelt.
Die Trainingsdatensätze können für die Fahrzeuge der neuen Fahrzeugflotte erfasst werden entsprechend den oben beschriebenen Verfahren zur Ermittlung von Trainingsdatensätzen durch Labelbestimmung. Dazu werden von den mehreren der Fahrzeugflotte 3 zugehörigen Fahrzeugbatterien 41 zeitlichen Verläufe der mindestens einen Betriebsgröße F seit den entsprechenden Inbetriebnahmezeitpunkten empfangen und mithilfe weiterer Alterungszustandsmodelle unter reproduzierbaren Diagnose-Bedingungen ausgehend von einem relaxierten Systemzustand bei definiertem Ladeprofil, definierter Temperatur bestimmt und ausgewertet, um einen Alterungszustand als Label zu erhalten. Der Alterungszustand kann beispielsweise durch empirische Verfahren basierend auf einem der oben beschriebenen Verfahren mithilfe des zusätzlichen Basismodells unter definierten und reproduzierbaren Bedingungen aus den jeweiligen Verläufen der mindestens einen Betriebsgröße bestimmt oder direkt durch Laboruntersuchungen bestimmt werden. Die Trainingsdatensätze ordnen einen jeweiligen zeitlichen Verlauf der mindestens einen Betriebsgröße einem entsprechenden Alterungszustand zu.
In Schritt S13 wird überprüft, ob eine ausreichende Anzahl von initialen Trainingsdatensätzen vorliegt. Wird festgestellt, dass eine ausreichende Anzahl von initialen Trainingsdatensätzen vorliegt (Alternative: Ja), so wird das Verfahren mit Schritt S14 fortgesetzt, anderenfalls wird zu Schritt S12 zurückgesprungen. Die Anzahl kann einer geringen Anzahl von z.B. zwischen 50 bis 5000 Trainingsdatensätzen entsprechen.
Nachfolgend wird für das zu modellierende neue Alterungszustandsmodell der neu in Betrieb genommenen Fahrzeugflotte 3 das Korrekturmodell KM in Form einer mathematischen Kombination der bereits bekannten parametrierten Korrekturmodellen GP1..GPn aller oder eines Teils der bestehenden hybriden Alterungszustandsmodelle bereitgestellt, so dass ein Transfer Learning basierend auf dem in den bestehenden hybriden Alterungszustandsmodellen implementierten Wissen vorgenommen wird.
Es wird hierbei Transfer Learning auf den Gaußprozesses bezüglich seiner Aufgabe als neu zu erstellendes Korrekturmodell KM angewandt. Vorzugsweise werden hier bereits bestehende und parametrisierte Gaußprozesse, welche als Korrekturmodelle GP1..GPn trainiert wurden, bzgl. ihrer Modellausgaben miteinander kombiniert. Alternativ ist auch eine Kombination der Hyperparameter der bereits bestehenden und parametrisierten Gaußprozesse möglich. Dies ermöglicht es ein vorläufiges hybrides Alterungszustandsmodell für die Fahrzeugbatterien der neuen Fahrzeugflotte zu erstellen, welches robuste und genaue Extrapolationseigenschaften außerhalb des gelabelten Bereichs aufweist, speziell für den Merkmalsraum extrapolierenden Prädiktionsfall mit großem Prognosehorizont. Die Korrekturmodelle GP1..GPn sind als Gaußprozessmodelle bereitgestellt, die neben einer Modellausgabe auch eine Unsicherheitsangabe über die Zuverlässigkeit des an dem Auswertungspunkt ermittelten Modellausgabe ausgeben können. Die den Korrekturmodellen GP1..GPn zugrunde liegende Funktion werden hierin entsprechend als GP bezeichnet.
In einem optionalen Schritt S14 wird zunächst basierend auf den bestehenden Trainingsdatensätzen eine Teilmenge der Korrekturmodelle GP1..GPn der bestehenden Alterungszustandsmodelle ausgewählt, die basierend auf den Betriebsgrößenverläufen der Trainingsdatensätze in Verbindung mit dem in Schritt S11 ausgewählten physikalischen Modell PM, das zum Betreiben des jeweiligen Korrekturmodells die internen elektrochemischen Zustände und den physikalischen Alterungszustand SOHph zur Auswertung mit den aus den Betriebsgrößen ermittelten Betriebsmerkmalen bereitstellt.
Die Auswahl der Teilmenge der Korrekturmodelle GP1 ..GPn erfolgt abhängig von einem Bewertungsmaß. Das Bewertungsmaß wird für jedes der Korrekturmodelle GP1..GPn in Verbindung mit dem ausgewählten physikalischen Modell PM bestimmt. Das Bewertungsmaß evaluiert die Eignung bezüglich einer DatenraumAbdeckung. Vorzugsweise kann dies mit der geringsten Unsicherheit bzw. einer Optimierung der differenziellen Entropie der prädiktiven Kovarianzen als Bewertungsmaß bewertet werden. Die Bewertung der Korrekturmodelle GP1..GPn entspricht einer Aggregation der Unsicherheitsangaben der sich aus den Auswertungspunkten der Trainingsdatensätze ergebenden Unsicherheitsangaben des Korrekturmodells. Zum Bestimmen des Bewertungsmaß können die sich ergebenden Unsicherheitsangaben addiert werden oder aus ihnen ein repräsentativer Durchschnittswert ermittelt werden.
Die Teilmenge der Korrekturmodelle GP1..GPn wird entsprechend der Bewertungsmaße ausgewählt entsprechend eines Eignungs-Rankings. Beispielsweise können eine vorgegebene Anzahl n der bestehenden Alterungszustandsmodelle aus der gesamten Anzahl der bestehenden Alterungszustandsmodelle ausgewählt werden. Die vorgegebene Anzahl n kann beispielsweise zwischen n=5 und 20 betragen. Die Auswahl kann entsprechend der Höhe der zugeordneten Bewertungsmaße erfolgen, sodass diejenigen Korrekturmodelle GP1..GPn ausgewählt werden, die an den Auswertungspunkten der ermittelten Trainingsdatensätze die geringsten Unsicherheiten aufweisen. Bei der Auswahl der bestehenden Korrekturmodelle GP1..GPn kann weiterhin Expertenwissen über den verwendeten Batterietyp genutzt werden.
Weiterhin kann eine regelbasierte Vorauswahl der Korrekturmodelle GP1..GPn auf Basis von Domänenwissen erfolgen, z.B. Aussortieren unterschiedlicher Zellchemie-Modelle aufgrund fehlender Ähnlichkeits-Charakteristika.
Alternativ können auch alle bestehenden Korrekturmodelle GP1..GPn für die Ermittlung des neuen Alterungszustandsmodell berücksichtigt bzw. ausgewählt werden.
In Schritt S15 wird ein Offsetwert C basierend auf den Trainingsdatensätzen und dem in Schritt S11 ausgewählten physikalischen Alterungsmodell bestimmt und gegebenenfalls mit „-1“ multipliziert. Der Offsetwert C entspricht einer systematischen Abweichung zwischen dem physikalischen Alterungszustand SOHph und den durch die Labels der Trainingsdatensätze angegebenen Alterungszustände. Der Offsetwert C kann beispielsweise bestimmt werden als Durchschnittswert oder als ein repräsentativer Quantil-Wert der Abstände zwischen der Modellausgabe des ausgewählten physikalischen Alterungsmodells PM und dem entsprechenden Label aller verfügbaren Trainingsdatensätze. Der Offsetwert C wird additiv mit der Ausgabe des ausgewählten physikalischen Alterungsmodells PM beaufschlagt, sodass er im Additionsfall einen systematischen Fehler des gewählten physikalischen Alterungsmodells PM beseitigt und korrigiert. Dies ist vorteilhaft für den Gaußprozess aufgrund seines Priors und der Vergleichbarkeit mit vorherigen Gaußprozessen mit vergleichbarem Prior.
In Schritt S16 wird ein Parametrierungsvektor/Gewichtungsvektor w =[w₁, w₂, w₃ ,..., w_n] bestimmt, der die Kombination der Modellausgaben jedes der ausgewählten Korrekturmodelle GP1..GPn definiert. Beispielsweise kann dies als Linearkombination erfolgen, wobei die Modellausgaben der in S14 ausgewählten Korrekturmodelle GP1..GPn bzw. aller Korrekturmodelle durch eine durch den Parametrierungsvektor angegebene Gewichtungen linear miteinander fusioniert werden.
Das Optimierungskriterium wird basierend auf einer Kostenfunktion definiert, die die Abstände zwischen den Labels der Trainingsdatensätze und einer Modellausgabe k des neuen Korrekturmodells KM bewertet. Die Modellausgabe k des neuen Korrekturmodells KM entspricht einer Kombination, beispielsweise der Linearkombination, der durch einen jeweilige Gewichtung w berücksichtigten Modellausgabe GPi des entsprechenden ausgewählten Korrekturmodells i. Es gilt für das neue Korrekturmodell KM, k: $k = \sum_{i = 1}^{n} G p_{i} \cdot w_{i}$
Somit ergibt sich die Kostenfunktion KF beispielsweise als: $K F = \sum_{i = 1}^{J} {(L (T_{j}) - G P (T_{j}))}^{2}$
wobei J der Anzahl der Trainingsdatensätze T_1...J, GP(T_j) der Modellausgabe an dem entsprechenden Auswertungspunkt j des Trainingsdatensatzes T_j und L(T_j) dem Alterungszustand als Label an dem entsprechenden Auswertungspunkt j des Trainingsdatensatzes T_j entsprechen.
Die Optimierung kann beispielsweise durch ein Bayes'sches Optimierungsverfahren oder alternativ Grid Search oder eine andere Art von multivariaten Blackboxlernverfahren in an sich bekannter Weise erfolgen. Die Optimierung erfolgt hierbei so, dass die Kombination der Modellausgaben der Korrekturmodelle GP1..GPn durchgeführt wird, dass die modellierten Alterungszustände optimal zu den Alterungszuständen als Label an dem entsprechenden Auswertungspunkt des Trainingsdatensatzes passt.
Gemäß einer weiteren Ausführungsform kann eine Diskretisierung des Merkmalraums nach Bereichen von Betriebsmerkmalen erfolgen. Dazu können die verfügbaren Trainingsdatensätze in Teilmengen entsprechend Betriebsmerkmalsbereiche aufgeteilt werden. Die Unterteilung der Trainingsdatensätze erfolgt, indem zu jedem Trainingsdatensatz die Betriebsmerkmale ermittelt werden und die Trainingsdatensätze entsprechend von Wertebereichen eines oder mehrerer ausgewählter Betriebsmerkmale aufgeteilt werden. Dies kann auch unter Zuhilfenahme von Clustering-Verfahren erfolgen.
Die Betriebsmerkmalsbereiche können sich aus einer Klassifizierung der Trainingsdatensätze entsprechend den daraus resultierenden Betriebsmerkmalen ergeben, wobei durch Bereichsangaben von ausgewählten Betriebsmerkmalen die Betriebsmerkmalsbereiche definiert werden können. Die oben beschriebene Optimierung der Parametrisierungsvektoren erfolgt dann für jeden der Betriebsmerkmalsbereiche separat basierend auf den Betriebsmerkmalsbereichen zugehörigen Trainingsdatensätzen, d. h. es wird für jeden Modellierungsbereich ein separater und merkmalsabhängiger Parametrisierungsvektor nur mit den Trainingsdatensätzen bestimmt, der zur Betriebsmerkmalen führt, die in dem Parametrisierungsvektor zugeordneten Betriebsmerkmalsbereich liegen.
Für jede Teilmenge der Trainingsdatensätze kann nun ein entsprechender Parametrierungsvektor bzw. ein entsprechender Gewichtungsvektor nach obigem Verfahren ermittelt werden. Zur Ermittlung des Alterungszustands kann dann ein Parametrierungsvektor/ Gewichtungsvektor verwendet werden, der sich als eine linearisierte Kombination der für die Betriebsmerkmalsbereiche ermittelten Parametrierungsvektoren ergibt, so dass sich sprunglose Übergänge der Parametrierungen zwischen den Betriebsmerkmalsbereichen ergeben. Insbesondere können die Parametrierungsvektoren zwischen Stützstellen, die die Betriebsmerkmalsbereiche angeben, interpoliert werden. In dieser alternativen Ausführungsform kann das obige Optimierungsverfahren bereichsweise parallel mit Modellierung der Übergangs- und Stetigkeitsbedingungen der Parametrierungsfunktion, die die Parametrierungsvektoren abhängig von dem Betriebsmerkmalspunkt bestimmt, ausgeführt werden.
Eine Bestimmung der Parametrierungsfunktion in Form einer Softmax-Funktion kann wie folgt erreicht werden. Es wird ausgegangen von der Anzahl n von Gaußprozessen als ausgewählten Korrekturmodellen: ${G P_{i}}_{i = 1}^{n}$
Die Gaußprozesse sind mit folgenden Datensätzen trainiert: ${X_{i}, Y_{i}}_{i = 1}^{n},$
X_i ∈ ℝ^Mi×d, wobei Y_i ∈ ℝ^Mi×1. Hier wird exemplarisch von einem eindimensionalen Output ausgegangen.
Für ein Betriebsmerkmal x* eines neuen Trainingsdatensatzes kann der Posterior nun wie folgt ausgewertet werden: $y_{i}^{*} = G P_{i} (x^{*}) = p (y | x^{*}, X_{i}, Y_{i})$
Um die gewichtete Prädiktion sämtlicher Gaußprozesse zu berechnen, kann weiterhin eine entsprechende Parametrierungsfunktion ermittelt werden: $p (z = i | x^{*}), \sum_{i} p (z = i | x^{*}) = 1,$
wobei z eine Variable bzw. ein Merkmal beschreibt, die aufzeigt, welche Gaußprozesskomponente aktiv beziehungsweise dominierend ist. Es ergibt sich die kombinierte Posterior Prädiktion für sämtliche Gaußprozesse: $y^{*} = \sum_{i} p (z = i | x^{*}) p (y | x^{*}, X_{z} Y_{z})$
Eine typische Wahl der Parametrierungsfunktion stellt ein Softmax-Ansatz dar: $p = (z = i | x^{*}) = π_{i} (x^{*}) = \frac{exp (f_{i} (x^{*}))}{\sum_{i} exp (f_{i} (x^{*}))}$
Die Funktion ƒ_i(x*) kann als ein weiterer Gaußprozess oder als Regressor ausgeführt sein, um die Log-Evidenz log p(y|X) = log ∫ p(z) p(y_z|X_z)dz. als Bewertungsmaß zu minimieren. Dieser Ansatz kann auch zum Tuning der Hyperparameter durch Erwartungs-Maximierung eingesetzt werden. Alternativ kann π_i(x*) auch als Multi-Klassifikations-Modell ausgeführt sein, mit den Trainings-Daten ${X_{z}, z = 1}_{i = 1}^{n} .$
In Schritt S17 wird überprüft, ob eine ausreichende Anzahl von Trainingsdatensätzen zum Neuerstellen des hybriden Alterungszustandsmodells für die neue Fahrzeugflotte vorliegen. Ist dies der Fall (Alternative: ja), wird das Verfahren mit Schritt S18 fortgesetzt, anderenfalls wird das Verfahren mit Schritt S20 fortgesetzt.
In Schritt S18 wird das Alterungszustandsmodell basierend auf den nun erhaltenen Trainingsdatensätzen ohne Berücksichtigung der Korrekturmodelle GP1..GPn der bestehenden hybriden Alterungszustandsmodellen neu trainiert und dient nun dazu, den Alterungszustand für die Fahrzeugbatterien 41 der neuen Fahrzeugflotte zu modellieren. Hierzu wird basierend auf den verfügbaren Labels analog zu Schritt S12 und Schritt S13 erst das physikalische Alterungsmodell PM und anschließend sequentiell das Korrekturmodell KM parametrisiert. Somit ist das hybride Alterungszustandsmodell parametrisiert und es kann zur Berechnung und Prädiktion des Alterungszustands basierend auf Verläufen von Betriebsgrößen eingesetzt werden.
In Schritt S20 können systematisch neue Labels aus der neuen Fahrzeugflotte mithilfe Active Learning an Betriebsmerkmalspunkten angefordert werden, an denen die Kombination der Korrekturmodelle eine hohe Unsicherheit aufweist. Die Unsicherheitsangaben des neuen vorläufigen Korrekturmodells ergibt sich aus der mit dem zu vorbestimmten Gewichtungsvektor gewichteten Summe der Unsicherheitsangaben. Durch Bestimmen desjenigen Fahrzeugs der neuen Fahrzeugflotte dessen Fahrzeug Batterie so betrieben worden ist, dass deren Betriebsmerkmalspunkte sich nahe eines Bereichs hohe Unsicherheit befindet kann gezielt die Labelgenerierung durch das betreffende Fahrzeug angefragt werden, welches anschließend im Rahmen von Diagnosemessungen unter definierten Bedingungen vermessen werden kann

Claims

Computerimplementiertes Verfahren zum Bereitstellen eines hybriden Alterungszustandsmodells für gleichartige Energiespeicher einer Gruppe von technischen Geräten basierend auf weiteren hybriden Alterungszustandsmodellen für Energiespeicher von weiteren Gruppen von technischen Geräten, mit folgenden Schritten - Bereitstellen der weiteren hybriden Alterungszustandsmodelle (GP), die jeweils ein parametriertes physikalisches Alterungsmodell zum Bereitstellen eines physikalischen Alterungszustands und ein datenbasiertes Korrekturmodell zum Bereitstellen einer Korrekturgröße zum Korrigieren des physikalischen Alterungszustands umfassen, wobei jedes der weiteren hybriden Alterungszustandsmodelle trainiert ist, um abhängig von einem zeitlichen Verlauf mindestens einer Betriebsgröße, die den Betrieb des Energiespeichers charakterisiert, einen Alterungszustand (SOH) zu ermitteln, - Erstellen des hybriden Alterungszustandsmodells mit einem vorgegebenen physikalischen Alterungsmodell (PM) und mit einem Korrekturmodell (KM), das durch eine parametrierbare Kombination, insbesondere einer Linearkombination, eines Teils der Korrekturmodelle (GP1..GPn) oder aller Korrekturmodelle der weiteren hybriden Alterungszustandsmodelle bestimmt ist, wobei die Parametrierung der Kombination basierend auf Trainingsdatensätzen durchgeführt wird, die jeweils einem Verlauf mindestens einer Betriebsgröße einen Alterungszustand als Label zuordnen.
Verfahren nach Anspruch 1, wobei das physikalische Alterungsmodell (PM) des zu erstellenden hybriden Alterungszustandsmodells aus den bestehenden physikalischen Alterungsmodellen der bestehenden Alterungszustandsmodellen ausgewählt wird oder abhängig von dem Typ des Energiespeichers vorgegeben wird (S11).
Verfahren nach einem der Ansprüche 1 oder 2, wobei die Korrekturmodelle der weiteren hybriden Alterungszustandsmodelle datenbasiert sind, wobei die Korrekturmodelle insbesondere als ein Gaußprozessmodell oder als Bayes'sches neuronales Netz ausgebildet sind.
Verfahren nach Anspruch 3 wobei zum Bereitstellen des Teils der Korrekturmodelle diese abhängig von einem Bewertungsmaß für jedes der Korrekturmodelle aus allen Korrekturmodellen der weiteren hybriden Alterungszustandsmodelle ausgewählt werden, wobei sich das Bewertungsmaß für jedes der Korrekturmodelle aus aggregierten Unsicherheitsangaben der Auswertung des betreffenden Korrekturmodells an den Auswertungspunkten der Trainingsdatensätze ergibt, wobei insbesondere der Teil der Korrekturmodelle als diejenigen der Korrekturmodelle ausgewählt werden, die bezüglich der Trainingsdatensätzen die geringste Unsicherheit aufweisen.
Verfahren nach einem der Ansprüche 1-4, wobei die Kombination durch einen Parametrierungsvektor parametrisiert oder bestimmt ist, der insbesondere Gewichtungen für die Modellausgaben des Teils der Korrekturmodelle oder aller Korrekturmodelle angibt, wobei der Parametrierungsvektor durch ein multivariates Optimierungsverfahren bestimmt wird.
Verfahren nach Anspruch 5, wobei das Optimierungsverfahren ein Bayes'sches Optimierungsverfahren, ein Grid-Search-Verfahren oder ein Random-Search-Verfahren umfasst.
Verfahren nach einem der Ansprüche 5 und 6, wobei das Optimierungsverfahren eine Kostenfunktion berücksichtigt, die die Abstände der durch die Trainingsdatensätze vorgegebenen Alterungszustände und die Modellausgabe des Alterungszustands bewertet.
Verfahren nach einem der Ansprüche 5 bis 7, wobei der Parametrierungsvektor durch eine Parameterierungsfunktion bestimmt ist, die den Parametrierungsvektor abhängig von mindestens einem Betriebsmerkmal angibt, wobei das mindestens eine Betriebsmerkmal aus dem auszuwertenden Verlauf der mindestens einen Betriebsgröße als aggregiertes Merkmal bestimmt wird und auf einen Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale und/oder über die gesamte bisherige Lebensdauer ermittelte statistische Größen und/oder elektrochemische Zustände des Energiespeichers umfasst.
Verfahren nach Anspruch 8, wobei die Parametrierungsfunktion durch Interpolation von Parametrisierungsvektoren durchgeführt wird, die von verschiedenen Betriebsmerkmalsbereichen, die durch Untermengen der Trainingsdatensätze durch Klassifikation oder Clustering bestimmt sind, abhängig ermittelt werden oder wobei die Parametrierungsfunktion durch eine Softmax-Funktion abhängig von mindestens einem Betriebsmerkmal vorgegeben wird.
Verfahren nach einem der Ansprüche 1-9, wobei Trainingsdatensätzen, insbesondere durch ein Active Learning-Verfahren, hinzugefügt werden wobei die Parametrisierung der Kombination jeweils basierend auf den gesamten Trainingsdatensätzen durchgeführt wird, insbesondere bis eine vorgegebene Anzahl von Trainingsdatensätzen bereitgestellt ist und wobei für die hinzuzufügende Trainingsdatensätze von Geräten ermittelt werden, für die eine hohe Unsicherheit der Ermittlung des Alterungszustands vorliegt und/oder eine hohe Relevanz für die Verbesserung des Alterungszustandsmodells vorliegt.
Verfahren nach Anspruch 10, wobei, wenn die vorgegebene Anzahl von Trainingsdatensätzen vorliegt, das erstellte hybride Korrekturmodell verworfen wird und lediglich basierend auf den Trainingsdatensätzen neu trainiert wird.
Verfahren nach einem der Ansprüche 1-11, wobei die Parametrisierung der Kombination abhängig von Betriebsmerkmalsbereichen bereichsweise durchgeführt wird, wobei die Betriebsmerkmalebereiche durch Bereiche eines oder mehrerer Betriebsmerkmale definiert sind, wobei die Betriebsmerkmale sich durch Aggregation des Verlaufs der mindestens einen Betriebsgröße ergeben.
Verfahren nach einem der Ansprüche 1-12, wobei ein Offsetwert ermittelt wird, um eine Ausgabe des physikalischen Modells insbesondere additiv zu beaufschlagen, wobei der Offsetwert aus einem Residuum des vorgegebenen physikalischen Alterungsmodells auf Basis der Trainingsdatensätze bestimmt wird, um den systematischen Fehler des vorgegebenen physikalischen Alterungsmodells zu korrigieren.
Verfahren nach einem der Ansprüche 1-13, wobei das Verfahren in einer Zentraleinheit ausgeführt wird, die mit jedem der technischen Geräte aller Gruppen von Geräten in Kommunikationsverbindung steht.
Verfahren nach einem der Ansprüche 1 bis 14, wobei die Energiespeicher (41) zum Betrieb eines Geräts, wie einem Kraftfahrzeug, einem Pedelec, einem Fluggerät, insbesondere einer Drohne, einer Werkzeugmaschine, einem Gerät der Unterhaltungselektronik, wie ein Mobiltelefon, einem autonomen Roboter und/oder einem Haushaltsgerät verwendet werden.
Verfahren zum Bestimmen eines aktuellen oder prädizierten Alterungszustands mithilfe eines hybriden Alterungszustandsmodells für einen Energiespeicher einer Gruppe von gleichartigen Energiespeichern in technischen Geräten, wobei das hybride Alterungszustandsmodell ein parametriertes physikalisches Alterungsmodell zum Bereitstellen eines physikalischen Alterungszustands und ein datenbasiertes Korrekturmodell zum Bereitstellen einer Korrekturgröße zum Korrigieren des physikalischen Alterungszustands umfasst, wobei das datenbasierte Korrekturmodell einer, insbesondere durch Transfer Learning parametrisierten, parametrisierbaren Kombination von mehreren bereitgestellten trainierten datenbasierten Korrekturmodellen anderer hybrider Alterungszustandsmodelle für weitere Gruppen von Energiespeichern entspricht, wobei der aktuelle oder prädizierte Alterungszustand mithilfe des hybriden Alterungszustandsmodells durch Auswerten eines Verlaufs mindestens einer Betriebsgröße eines der Energiespeicher ermittelt wird.
Verfahren nach Anspruch 16, wobei das hybride Alterungszustandsmodell eine Summe des physikalischen Alterungsmodells, des datenbasierten Korrekturmodells und insbesondere eines Offsetwerts umfasst, wobei der Offsetwert zur Eliminierung einer systematischen Abweichung des vorgegebenen physikalischen Alterungsmodells bestimmt ist.
Vorrichtung zum Durchführen eines der Verfahren der Ansprüche 1 bis 17.
Computerprogrammprodukt umfassend Befehle, die bei der Ausführung des Programms durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 17 auszuführen.
Maschinenlesbares Speichermedium, umfassend Befehle, die bei der Ausführung durch mindestens eine Datenverarbeitungseinrichtung diese veranlassen, die Schritte des Verfahrens nach einem der Ansprüche 1 bis 17 auszuführen.