DE102021205879A1

DE102021205879A1 - Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren

Info

Publication number: DE102021205879A1
Application number: DE102021205879.5A
Authority: DE
Inventors: Christian Simonis; Tobias Huelsing
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2021-06-10
Filing date: 2021-06-10
Publication date: 2022-12-15
Also published as: CN115469224A

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zur Prädiktion eines modellierten Alterungszustands (SOH) eines elektrischen Energiespeichers (41) mit mindestens einer elektrochemischen Einheit, insbesondere einer Batteriezelle, mit folgenden Schritten:- Bereitstellen (S11) eines Verlaufs mindestens einer Betriebsgröße (F) des Energiespeichers (41);- Bereitstellen eines Alterungszustandsmodells (9), das ausgebildet ist, um abhängig von dem Verlauf der mindestens einen Betriebsgröße (F) des Energiespeichers (41) bis zu einem Zeitpunkt dem elektrochemischen Energiespeicher (41) einen entsprechenden Alterungszustand (SOH) für den Zeitpunkt zuzuordnen,- Generieren eines künstlichen Verlaufs für die mindestens einen Betriebsgröße (F) ausgehend von einem aktuellen Zeitpunkt in die Zukunft abhängig von einem Nutzungsmuster (N), das eine Art der momentanen Nutzung oder des momentanen Betriebs des Energiespeichers (41) angibt, womit ein Verlauf des Alterungszustands in die Zukunft prädiziert wird;- Bestimmen (S14) des Nutzungsmusters abhängig von einem bisherigen Verlauf der mindestens einen Betriebsgröße (F) des Energiespeichers (41), wobei das Nutzungsmuster (N) abhängig von dem Verlauf der mindestens einen Betriebsgröße (F) seit einem jüngsten Nutzungswechselzeitpunkt bestimmt wird; wobei der jüngste Nutzungswechselzeitpunkt einen Zeitpunkt angibt, zu dem zuletzt ein Wechsel des Nutzungsverhaltens des Energiespeichers (41) stattgefunden hat;- Prädizieren (S16) des Alterungszustands abhängig von dem künstlichen Verlauf für die mindestens einen Betriebsgröße (F).

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 zur Prädiktion eines Alterungszustands eines elektrischen Energiespeichers gemäß Anspruch 1 sowie eine Vorrichtung zur Prädiktion eines Alterungszustands eines elektrischen Energiespeichers in einem elektrisch betreibbaren Gerät gemäß dem nebengeordneten Anspruch vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein computerimplementiertes Verfahren zur Prädiktion eines modellierten Alterungszustands eines elektrischen Energiespeichers mit mindestens einer elektrochemischen Einheit, insbesondere einer Batteriezelle, vorgesehen, mit folgenden Schritten:

- Bereitstellen eines Verlaufs mindestens einer Betriebsgröße des Energiespeichers;
- Bereitstellen eines Alterungszustandsmodells, das ausgebildet ist, um abhängig von dem Verlauf der mindestens einen Betriebsgröße des Energiespeichers bis zu einem Zeitpunkt dem elektrochemischen Energiespeicher einen entsprechenden Alterungszustand für den Zeitpunkt zuzuordnen,
- Generieren eines künstlichen Verlaufs für die mindestens einen Betriebsgröße ausgehend von einem aktuellen Zeitpunkt in die Zukunft abhängig von einem Nutzungsmuster, das eine Art der momentanen Nutzung oder des momentanen Betriebs des Energiespeichers angibt, womit ein Verlauf des Alterungszustands in die Zukunft prädiziert wird;
- Bestimmen des Nutzungsmusters abhängig von einem bisherigen Verlauf der mindestens einen Betriebsgröße des Energiespeichers, wobei das Nutzungsmuster abhängig von dem Verlauf der mindestens einen Betriebsgröße seit einem jüngsten Nutzungswechselzeitpunkt bestimmt wird; wobei der jüngste Nutzungswechselzeitpunkt einen Zeitpunkt angibt, zu dem zuletzt ein Wechsel des Nutzungsverhaltens des Energiespeichers stattgefunden hat;
- Prädizieren des Alterungszustands abhängig von dem künstlichen Verlauf für die mindestens einen Betriebsgröße.

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. 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 Gaußprozessmodell, ausgebildet sein und kann trainiert sein, um den durch das physikalische Alterungsmodell erhaltenen Alterungszustand zu korrigieren. 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.
Diese Möglichkeit der Prädiktion nutzt in vorteilhafter Weise das trainierte Alterungszustandsmodell und Nutzungsmuster, so dass eine genauere Prädiktion des Alterungszustands möglich ist als bei reinen extrapolierenden Verfahren.
Zur Modellierung eines Alterungszustands eines Energiespeichers mithilfe eines physikalischen bzw. elektrochemischen Alterungszustandsmodells und einer optionalen Präzisierung durch ein datenbasiertes Korrekturmodell (hybrides Alterungszustandsmodell) ist es notwendig, die Zeitverläufe von Betriebsgrößen relativ hochfrequent bereitzustellen. Diese Zeitverläufe der Betriebsgrößen müssen weiterhin für die erforderlichen Genauigkeitsanforderungen möglichst lückenlos bereitgestellt werden, d. h. für die Bestimmung des Alterungszustands zu einem aktuellen Zeitpunkt für eine Gerätebatterie ist es notwendig, die Zeitverläufe der Batterietemperatur, des Batteriestroms, der Batteriespannung und des Ladezustands, insbesondere auf Zellebene bereitzustellen.
Die Berechnung des elektrochemischen Modells nebst Korrekturmodell findet vorzugsweise geräteextern statt, da diese sehr rechenaufwendig ist und häufig die geforderte Verarbeitungsleistung in den oder hardware-nah an den batteriebetriebenen Geräten nicht ausreicht oder aus Kostengründen nicht vorgehalten werden soll. Daher werden die Zeitverläufe der Betriebsgrößen an eine geräteexterne Zentraleinheit übertragen und dort der Alterungszustand gemäß dem elektrochemischen Modell sowie ggf. dem Korrekturmodell bestimmt.
Für die Prädiktion werden ausgehend von dem aktuellen Zeitpunkt bzw. aktuellen Auswertungszeitraum die mindestens eine Betriebsgröße (Belastungsgröße), also z.B. der zeitliche Verlauf einer Temperatur und/oder eines Stroms bei einer Batterie als Energiespeicher, in einem Nutzungsmustermodell generiert. Das Nutzungsmustermodell ist ausgebildet, um abhängig von einem oder mehreren Nutzungsparametern, die das Nutzungsmuster explizit oder implizit, d.h. mithilfe eines datenbasierten Modells, vorgegeben, kontinuierliche Verläufe der mindestens einen Betriebsgröße auszugeben. Dies ermöglicht, ein durch das Nutzungsmuster parametriertes Nutzungsverhalten in Zeitreihen der mindestens einen Betriebsgröße umzusetzen. Dies kann durch ein direktes Generieren des Verlaufs der mindestens einen Betriebsgröße und/oder durch ein Generieren von mindestens einer Belastungsgröße, der selbst auch einem Verlauf der mindestens einen Betriebsgröße entsprechend kann, wobei aus dem Verlauf der mindestens einen Belastungsgröße ein Verlauf der mindestens einen Betriebsgröße mithilfe eines geeigneten Modells generiert wird. Das Nutzungsmuster kann somit Arten der Belastung des Energiespeichers mithilfe der Belastungsgröße angeben. Die Belastungsgröße gibt bei einer Gerätebatterie als Energiespeicher zumindest eine Strombelastung an. Eine weitere Belastungsgröße bei einer Batterie als Energiespeicher kann die Temperaturbelastung sein.
Es kann vorgesehen sein, dass die Nutzungsmuster, insbesondere vorgegeben durch Zeitreihen der mindestens einen Belastungsgröße auf Basis von datenbasierten Nutzungsmustermodellen unter Zuhilfenahme von historischen Nutzungsverhalten erstellt werden, wobei die erstellten Nutzungsmuster insbesondere zum Prädizieren des Alterungszustands ermittelt werden.
Dies erfordert jedoch, dass die historische Nutzung des Energiespeichers einem konstanten Nutzungsmuster oder Betriebsmuster unterliegt, d.h. dass die Art der Nutzung des Energiespeichers im Wesentlichen gleichbleibend ist. Jedoch kann es beim Nutzungsverhalten zu dauerhaften oder längerfristig andauernden Änderungen kommen, beispielsweise wenn ein neuer Nutzer das Gerät benutzt, dieser ein geändertes Verhalten zeigt oder das Gerät an einen neuen Ort gebracht wird. Bei einem Fahrzeug kann beispielsweise ein geändertes Nutzungsverhalten durch den Verkauf eines Fahrzeugs an einen neuen Fahrer oder einen neuen Beruf oder Hobby des Fahrers bewirkt werden. Eine Mittelung der Charakteristiken des Verlaufs der Betriebsgrößen seit Lebensdauerbeginn kann beispielsweise einen kürzlich erfolgten Wechsel des Benutzers und des Nutzungsverhaltens des Energiespeichers nicht ordnungsgemäß berücksichtigen, insbesondere wenn sich das Nutzungsverhalten (Nutzungsmuster) bzw. die Art der Betriebsweise deutlich ändert. Somit ist die Wahl der Generierung des künftigen Verlaufs der mindestens einen Belastungsgröße zur Prädiktion des Alterungszustand von dem Nutzungsmuster abhängig, das für den historischen Verlauf der Betriebsgrößen des Energiespeichers erkannt und aus diesem ermittelt worden ist.
Das obige Verfahren sieht daher vor, einen Nutzungswechselzeitpunkt als den Zeitpunkt der letzten (jüngsten) Änderung des Nutzungsverhaltens zu erkennen, um daraus das Nutzungsmuster lediglich ausgehend von dem bestimmten letzten Nutzungswechselzeitpunkt abzuleiten. Dieses Nutzungsmuster ist dann die Grundlage für die Generierung der Verläufe der Belastungsgrößen und der „künstlichen“, prädizierten Betriebsgrößen, die als Zeitreihen-Daten zur Grundlage der Prädiktion des Alterungszustands im datenbasierten Alterungszustandsmodell dienen.
Das obige Verfahren sieht dazu vor, aus den bisher aufgezeichneten Betriebsgrößenverläufen eines Energiespeichers die relevanten Betriebsmerkmale aus dem Betrieb seit dem letzten Nutzungswechselzeitpunkt zu extrahieren, um darauf basierend eine Prädiktion der Betriebsgrößen für die Prädiktion von zukünftigen Alterungszuständen bzw. Alterungszustandsverläufen, die auf einen Auswertungszeitraum bezogene Merkmale und/oder akkumulierte Merkmale, insbesondere über die gesamte bisherige Lebensdauer ermittelte statistische Größen umfassen.
Weiterhin kann das mindestens eine Betriebsmerkmal ein über einen Auswertungszeitraum gemitteltes Merkmal und/oder ein kumuliertes Merkmal und/oder ein über die gesamte bisherige Lebensdauer ermitteltes statistisches Merkmal umfassen und insbesondere umfassen:

- einen elektrochemischen Zustand, insbesondere bei Batterien als Energiespeicher eine SEI-Schichtdicke, eine Änderung von zyklisierbarem Lithium aufgrund von Anoden/Kathoden-Nebenreaktionen, eine Rate einer schnellen Aufnahme von Elektrolytlösungsmittel, eine Rate einer langsamen Aufnahme von Elektrolytlösungsmitteln, eine Rate einer Lithiumabscheidung, eine Verlustrate von aktivem Anodenmaterial, eine Verlustrate von aktivem Kathodenmaterial, einem Innenwiderstand und dergleichen,
- einem Histogrammmerkmal, wie Temperatur über Ladezustand, Ladestrom über Temperatur oder Entladestrom über Temperatur, einen Stromdurchsatz, eine akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang, eine Ladekapazität sowie ein Extremwert, z.B. lokales Maximum, der geglätteten differentiellen Kapazität dQ/dU oder eine kumulierte Fahrstrecke.

Diese Größen werden vorzugsweise so umgerechnet, dass sie das reale Nutzungsverhalten bestmöglich charakterisieren. Weiterhin werden die Größen so auf Basis von Domänenwissen bzw. Features Engineering so skaliert, dass sie über Lebensdauer durch ein vorzugsweise konstantes Wachstum bei gleichem Betrieb des Energiespeichers, also einer linearen Merkmalsfunktion, charakterisiert sind. Z.B. beim akkumulierten Ladungsdurchsatz (Ah) findet eine Normierung, z.B. unter Berücksichtigung des SOHR statt, sodass der reale Batterie-Wirkungsgrad zur Bewältigung der gleichen Fahrtstecke (in KM) korrekt abgebildet wird.
Insbesondere können die Betriebsmerkmale weiterhin einen oder mehrere elektrochemische Zustände der Gerätebatterie als Energiespeicher umfassen, 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, den Innenwiderständen, einen basierend auf Basismodellen, wie beispielsweise auf Grundlage von Coulomb Counting ermittelten Alterungszustand sowie Histogrammmerkmale, wie Temperatur über Ladezustand, Ladestrom über Temperatur und Entladestrom über Temperatur, dem Stromdurchsatz in Amperestunden, die Ladekapazität sowie ein lokaler Extremwert der geglätteten differentiellen Kapazität dQ/dU. Auch diese Größen können auf Basis von Domänenwissen bzw. Features Engineering so skaliert werden, dass sie über die Lebensdauer des Energiespeichers durch ein vorzugsweise konstantes Wachstum bei gleichem Betrieb des Energiespeichers, also einer linearen Merkmalsfunktion, charakterisiert sind
Eine oder mehrere dieser Merkmale können für aufeinanderfolgende Auswertungszeitpunkte seit dem Beginn der Lebensdauer ermittelt werden und hinsichtlich des zugrundliegenden Nutzungsmusters analysiert werden. Beispielsweise kann mithilfe eines Clustering-Verfahrens, wie z. B. eines Density-based-Clustering-Verfahren, oder alternativ kompetitiven Lernalgorithmen basierend auf den betrachteten Betriebsmerkmalen analysiert werden, um eine Änderung des Nutzungsmusters zu erkennen.
Zusätzlich kann eine gradientenbasierte Überwachungsfunktion verwendet werden, die lineare zeitliche Verläufe über der Zeit erkennt und den Zeitpunkt einer Gradientenänderung, speziell, wenn diese sprunghaft erfolgt, als Nutzungswechselzeitpunkt annimmt. Diese Gradientenüberwachung kann auf mindestens ein Merkmal angewandt werden, für welches ein lineares Wachstum für den Fall einer gleichbleibenden Nutzung angenommen werden kann, wie z.B. die kumulierte Fahrleistung über einen hinreichend langen Zeitraum oder der akkumulierte Ladungsdurchsatz (Ah), normiert bzgl. des Batterie-Wirkungsgrads.
Auch kann ein Nutzungswechselzeitpunkt mithilfe einer Anomaliedetektion erkannt werden, indem für jeden Auswertungszeitraum die Betriebsmerkmale hinsichtlich einer Anomalie überprüft werden. Dazu wird beispielsweise ein Variational Autoencoder oder ein Autoencoder geräteindividuell basierend auf historischen Daten in den Auswertungszeitpunkten seit Beginn der Lebensdauer kontinuierlich mit den ermittelten Betriebsmerkmalen bzw. deren Gradienten trainiert, welche aufgrund der Normierung vorzugweise konstant im Normalzustand sind Zu jedem neuen Auswertungszeitpunkt wird der Autoencoder abgefragt und ein Anomaliewert (basierend auf Rekonstruktionsfehler aus dem Latent-Space) festgestellt. Weicht der festgestellte Anomaliewert deutlich von einem zuvor ermittelten Normalverhalten für einen hinreichend langen Zeitraum (wie z.B. ein oder mehrere Auswertungszeiträume) ab, d.h. um mehr als einen Schwellenbetrag von einem zuvor ermittelten Anomaliewert in einem oder mehreren Auswertungszeiträumen), so kann der Auswertungszeitpunkt als ein Nutzungswechselzeitpunkt erkannt werden.
Ist der jüngste Nutzungswechselzeitpunkt aus den Betriebsgrößenverläufen einer Gerätebatterie seit Beginn der Lebensdauer bestimmt worden, können die Betriebsgrößenverläufe, die Belastungsgrößen darstellen, seit dem bestimmten jüngstem Nutzungswechselzeitpunkt und dem aktuellen Zeitpunkt ausgewählt werden. Daraus wird ein aktuelles Nutzungsmuster erstellt, das nachfolgend für eine Prädiktion des Alterungszustands genutzt werden kann. In der Phase, in der noch nicht hinreichend viele Datenpunkte zum Training der unsupervised Anomalie-Erkennung zum Fahrerwechsel vorhanden sind, kann ein Gradientenmonitoring des mindestens einen Betriebsmerkmals zur Bewertung erfolgen, ob das mindestens eine Betriebsmerkmal einer typischen Nutzungsart des Energiespeichers zugeordnet werden können. Sobald hinreichend viele Datenpunkte vorhanden sind, z.B. nach zwei Monaten, kann der Unsupervised Learning Algorithmus trainiert und eingesetzt werden, um einen Nutzungswechsel bestmöglich zu bewerten.
Das Nutzungsmuster ergibt sich aus den Modellparametern eines Nutzungsmustermodells, das vorzugsweise datenbasiert ausgebildet ist, insbesondere als rekurrentes neuronales Netz, wie z.B. ein Bayes'sches LSTM (LSTM: Long Short Term Memory). Dieses wird trainiert, indem eine kalendarische Zeitangabe den Belastungsgrößenverläufen bzw. den Betriebsgrößenverläufen zugeordnet wird. Das Nutzungsmustermodell ordnet dann der kalendarischen Zeitangabe einen entsprechenden Verlauf der mindestens einen Belastungsgröße bzw. der mindestens einen Betriebsgröße zu bzw. generiert diese bei entsprechender Vorgabe der kalendarischen Zeitangabe. Die kalendarische Zeitangabe kann das Kalenderdatum und eine Uhrzeit angeben und daraus abzuleitende Informationen, wie Wochentag, Jahreszeit bzw. Monat und dergleichen.
Es kann vorgesehen sein, dass der künstliche Verlauf der mindestens einen Betriebsgröße abhängig von einem bereitgestellten Nutzungsmuster mithilfe eines insbesondere datenbasierten Nutzungsmustermodells generiert wird.
Es kann vorgesehen sein, dass der elektrische Energiespeicher abhängig von dem Verlauf des prädizierten modellierten Alterungszustands betrieben wird, wobei insbesondere eine Restlebensdauer des elektrischen Energiespeichers abhängig von dem Verlauf des prädizierten modellierten Alterungszustand signalisiert wird. Weiterhin kann vorgesehen sein, dass je nach Restlebensdauer die Anzahl der verbleibenden Schnell-Lade-Zyklen erhöht oder verringert wird.
Dazu wird ausgehend von einem aktuellen Alterungszustand der betrachteten Gerätebatterie basierend auf aus dem aktuellen Nutzungsmuster erstellten künstlichen Betriebsgrößenverläufen der Alterungszustandsverlauf in die Zukunft fortgeschrieben. Es ergibt sich der prädizierte Alterungszustandsverlauf, aus dem beispielsweise eine voraussichtliche Lebensdauer bestimmt werden kann, insbesondere in Form eines Zeitpunkts, an dem der prädizierte Alterungszustand einen vorgegebenen Schwellenwert unterschreitet.
Insbesondere kann zur Bestimmung des prädizierten Verlaufs des Alterungszustands das Alterungszustandsmodell mit einem gesamten Verlauf der mindestens einer Betriebsgröße beaufschlagt werden, der den bisherigen Verlauf der mindestens einen Betriebsgröße bis zu dem aktuellen Auswertungszeitraum und den künstlichen Verlauf der mindestens einen Betriebsgröße ausgehend von dem aktuellen Auswertungszeitraum in die Zukunft umfasst.
Das obige Verfahren ermöglicht es, einen Alterungszustand auch dann sehr genau zu prädizieren, wenn während des bisherigen Betriebs der Gerätebatterie Änderungen im Nutzungsverhalten aufgetreten sind. Dieses Verfahren hat gegenüber einer einfachen Extrapolation eines Alterungszustandsverlaufs den Vorteil, dass der weitere Verlauf des Alterungszustands abhängig von dem zuletzt festgestellten Nutzungsverhalten der Gerätebatterie ermittelt werden kann und dadurch genauer erfolgen kann.
Es kann vorgesehen sein, dass das Nutzungsmustermodell ausgebildet ist, um abhängig von Nutzungsparametern des Nutzungsmusters kontinuierlich einen Verlauf der mindestens einen Betriebsgröße oder einen Verlauf mindestens einer Belastungsgröße, aus der die mindestens eine Betriebsgröße generierbar ist, auszugeben.
Weiterhin kann der Nutzungswechselzeitpunkt mithilfe einer Anomalieerkennung, insbesondere mithilfe eines Autoencoders, bestimmt werden, wobei die Anomalieerkennung abhängig von dem Verlauf der mindestens einen Betriebsgrößen seit dem Zeitpunkt der Inbetriebnahme oder seit einem jüngsten festgestellten Nutzungswechselzeitpunkt trainiert wird, wobei ein Nutzungswechselzeitpunkt bei Erkennen einer Anomalie im Verlauf der mindestens einen Betriebsgröße erkannt wird.
Es kann vorgesehen sein, dass, wenn der jüngste Nutzungswechselzeitpunkt noch nicht eine vorbestimmte Zeitdauer zurückliegt, ein Zeitpunkt einer jüngsten Gradientenänderung mindestens eines aus dem Verlauf der mindestens einen Betriebsgröße bestimmten Betriebsmerkmals um mehr als einen vorgegebenen Gradientenbetrag als ein Nutzungswechselzeitpunkt bestimmt wird.
Insbesondere kann der Nutzungswechselzeitpunkt mithilfe eines Clustering-Verfahrens zur Definition eines Normal-Clusters basierend auf einem Verlauf von Gradienten des mindestens einen Betriebsmerkmals bestimmt werden.
Das mindestens eine Betriebsmerkmal kann ein über einen vorgegebenen Auswertungszeitraum gemitteltes Merkmal und/oder ein kumuliertes Merkmal und/oder ein über die gesamte bisherige Lebensdauer ermitteltes statistisches Merkmal umfassen. Vorzugsweise findet eine Normierung bzw. Skalierung des Merkmals statt, sodass seine erwartete Zunahme über der Lebensdauer bei konstanter Nutzung möglichst linear ist.
Für das mindestens eine Betriebsmerkmal kann ein Gradientenverlauf über aufeinanderfolgenden Auswertungszeiträume bestimmt werden, wobei als Nutzungswechselzeitpunkt ein Zeitpunkt einer Änderung des Gradienten des mindestens einen Betriebsmerkmals um mehr als einen vorbestimmten Schwellenwert bestimmt wird.
Der Energiespeicher kann 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 eine Vorrichtung zur Prädiktion eines modellierten Alterungszustands eines elektrischen Energiespeichers mit mindestens einer elektrochemischen Einheit, insbesondere einer Batteriezelle vorgesehen, wobei die Vorrichtung ausgebildet ist zum:

- Bereitstellen mindestens einer Betriebsgröße des Energiespeichers;
- Bereitstellen eines Alterungszustandsmodells, das ausgebildet ist, um abhängig von einem Verlauf der mindestens einen Betriebsgröße des Energiespeichers bis zu einem Zeitpunkt dem elektrochemischen Energiespeicher einen entsprechenden Alterungszustand für den Zeitpunkt zuzuordnen,
- Generieren eines künstlichen Verlaufs für die mindestens einen Betriebsgröße ausgehend von einem aktuellen Zeitpunkt in die Zukunft abhängig von einem Nutzungsmuster, das eine Art der momentanen Nutzung oder des momentanen Betriebs des Energiespeichers angibt, womit ein Verlauf des Alterungszustands in die Zukunft prädiziert wird;
- Bestimmen des Nutzungsmusters abhängig von einem bisherigen Verlauf der mindestens einen Betriebsgröße des Energiespeichers, wobei das Nutzungsmuster abhängig von dem Verlauf der mindestens einen Betriebsgröße seit einem jüngsten Nutzungswechselzeitpunkt bestimmt wird; wobei der jüngste Nutzungswechselzeitpunkt einen Zeitpunkt angibt, zu dem zuletzt ein Wechsel des Nutzungsverhaltens des Energiespeichers stattgefunden hat;
- Prädizieren des Alterungszustands abhängig von dem künstlichen Verlauf für die mindestens einen Betriebsgröße.

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 eine schematische Darstellung eines funktionalen Aufbaus eines hybriden Alterungszustandsmodells mit nutzungsabhängiger Prädiktion des Alterungszustands;
5 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Ermitteln eines prädizierten Verlaufs eines Alterungszustands einer Fahrzeugbatterie als Energiespeicher;
6 ein Diagramm des zeitlichen Verlaufs eines beispielhaften Betriebsmerkmals.

Beschreibung von Ausführungsformen
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als elektrische Energiespeicher in einer Vielzahl von Kraftfahrzeugen als gleichartige Geräte beschrieben. In den Kraftfahrzeugen kann in einer Steuereinheit ein datenbasiertes Alterungszustandsmodell für die jeweilige Fahrzeugbatterie implementiert sein. Das Alterungszustandsmodell kann, wie nachfolgend beschrieben, in einer fahrzeugexternen Zentraleinheit kontinuierlich basierend auf Betriebsgrößen der Fahrzeugbatterien aus der Fahrzeugflotte aktualisiert bzw. nachtrainiert werden. Das Alterungszustandsmodell wird in der Zentraleinheit betrieben und zur Alterungsberechnung und Alterungsprädiktion eingesetzt.
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 geräteexternen Zentraleinheit (Cloud) in Verbindung stehen.
1 zeigt ein System 1 zum Sammeln von Flottendaten in einer Zentraleinheit 2 zur Erstellung und zum Betrieb sowie zur Auswertung eines Alterungszustandsmodells. Das Alterungszustandsmodell dient zur Bestimmung eines Alterungszustands eines elektrischen Energiespeichers, wie z. B. einer Fahrzeugbatterie oder einer Brennstoffzelle in einem Kraftfahrzeug. 1 zeigt eine Fahrzeugflotte 3 mit mehreren Kraftfahrzeugen 4.
Eines der Kraftfahrzeuge 4 ist in 1 detaillierter dargestellt. Die Kraftfahrzeuge 4 weisen jeweils eine Fahrzeugbatterie 41 als wiederaufladbaren elektrischen Energiespeicher, einen elektrischen Antriebsmotor 42 und eine Steuereinheit 43 auf. Die Steuereinheit 43 ist mit einem Kommunikationsmodul 44 verbunden, das geeignet ist, Daten zwischen dem jeweiligen Kraftfahrzeug 4 und einer Zentraleinheit 2 (einer sogenannten Cloud) zu übertragen.
Die Kraftfahrzeuge 4 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, welche den Alterungszustand der Fahrzeugbatterie 41 beeinflussen. Die Betriebsgrößen F können im Falle einer Fahrzeugbatterie einen momentanen Batteriestrom, eine momentane Batteriespannung, eine momentane Batterietemperatur und einen momentanen Ladezustand (SOC: State of Charge) angeben, sowohl 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 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 Merkmalsraum 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 beruht auf dem hybriden Alterungszustandsmodell der 2. Zur Prädiktion eines zukünftigen Alterungszustandsverlaufs wird ein Dynamikmodell 9 verwendet, um zeitliche Verläufe von Betriebsgrößen F, wie der Batteriespannung U und dem Ladezustand SOC, auf Basis eines Verlaufs mindestens einer Belastungsgröße wie dem Verlauf des Batteriestroms I und der Batterietemperatur T, zu generieren und alle diese Betriebsgrößen F insgesamt, nämlich die zeitlichen Verläufe der Batteriespannung U, des Ladezustands SOC, des Batteriestroms I und gegebenenfalls der Batterietemperatur T, als „künstliche“ Betriebsgrößenverläufe dem hybriden Alterungszustandsmodell bereitzustellen.
Für Batterien als Energiespeicher entsprechen somit die Verläufe der erzeugten Belastungsgrößen einem Teil der „künstlichen“ Betriebsgrößenverläufe. Bei anderen Typen von Energiespeichern können sich die Belastungsgrößen von den Betriebsgrößen F unterscheiden. Auch können in anderen Ausführungsformen die Verlaufe der Betriebsgrößen F vollständig den Belastungsgrößen entsprechen oder unmittelbar von einem Nutzungsmustermodell generiert werden.
Das Dynamikmodell 9 hat also die Aufgabe, für das hybride Alterungszustandsmodell im Prädiktionsfall generierte (nicht reale, künstlich erzeugte) Zeitreihen bzw. Verläufe von Belastungsgrößen für die Erstellung von Betriebsgrößen F und/oder als zumindest einen Teil der Betriebsgrößen F bereitzustellen, mit denen eine Prädiktion des Verlaufs des Alterungszustands durch Fortschreiben des aktuellen Alterungszustands (basierend auf den seit Lebensdauerbeginn (Inbetriebnahme) erfassten Verläufen der Betriebsgrößen F) durchgeführt werden kann.
Das Dynamikmodell 9 kann verschiedenartig ausgestaltet sein, wie beispielsweise ein Ersatzschaltungsmodell, ein elektrochemisches Modell, ein Einzelpartikelmodell von Batteriezellen oder dergleichen. Das Dynamikmodell 9 kann insbesondere einem elektrochemischen Batteriemodell entsprechen, das Gleichgewichtszustände modelliert und sich in Ruhephasen an Zell-Spannungen kalibriert um einen Batteriestrom und Ladezustand aus einer Batteriespannung zu generieren. Alternativ kann das Dynamikmodell ein Batterie-Performance-Modell zur Charakterisierung der System-Übertragungsfunktion ausgeführt sein, wobei die Nichtlinearität der Stromstärke über ein Butler-Volmer Tuning herausgerechnet wird.
Die Generierung der Betriebsgrößenverläufe aus den Verläufen der Belastungsgrößen geschieht in Abhängigkeit des resultierenden Alterungszustands SOH der Fahrzeugbatterie 41, welche eine Aktualisierung des Dynamikmodells 9, speziell bezüglich seiner Parameter oder alternativ seiner Zustände bewirkt. Somit ändert sich das Übertragungsverhalten des Dynamikmodells 9 in Abhängigkeit des Alterungszustand der Fahrzeugbatterie 41. Typischerweise erfolgt dieser Parameter-Update einmal pro (simuliertem) Monat während einer Simulation bzw. Prädiktion.
Die Berücksichtigung des Alterungszustand SOH erfolgt, indem entweder Parameter und/oder Zustände des Dynamikmodells 9 auf Basis des berechneten modellierten Alterungszustands SOH aktualisiert werden.
Für das Beispiel des Batterie-Performance-Modells wird die Batteriespannung aus den Zellenspannungen U_cell wie folgt bestimmt: $U_{c e l l} = O V C (S O C) + R 1 (S O H) + (U_{o h m i c} + U_{c t}) + R 2 (S O H) * U_{d i f f}$
wobei OCV der Leerlaufspannung, U_ohmic dem Spannungsabfall über der Batteriezelle aufgrund des ohmschen Widerstands, U_ct dem Spannungsabfall basierend auf dem Ladungswechselwiderstand, U_diff dem Spannungsabfall basierend auf dem Diffusionswiderstand, R1 (SOH) und R2(SOH) den zu optimierenden Parametern entsprechen. Dabei wird R1 = R_ohmic + R_ct(T, I) für den Hochfrequenz-Anteil und R2 für den Niederfrequenz-Anteil parametriert. R_ct( (CT = Charge Transfer) beschreibt den nichtlinearen Anteil der Übertragungsfunktion aufgrund der nichtlinearen Abhängigkeit von der Stromstärke. $R_{c t} (T, I_{0}, I) = R_{C T 0} (T) \cdot ƒ I (T, I_{0}, I)$
I₀ entspricht dem Strom im dynamischen Gleichgewichtszustand. In diesem Betriebspunkt ist der Widerstand gemäß der Butler-Volmer-Gleichung hinreichend genau linearisierbar.
Um die Verläufe der Belastungsgrößen für die Prädiktion des Alterungszustands zu generieren, wird ein Nutzungsmustermodell 10 vorgesehen. Das Nutzungsmustermodell 10 setzt vorgegebene Nutzungsmuster N in Verläufe von Belastungsgrößen um, die die Belastung des Energiespeichers widerspiegeln, der der Energiespeicher bei der durch das Nutzungsmuster angegebenen Nutzungs- und Betriebsweise ausgesetzt ist. Die Nutzungsmuster N führen also zu der Ausgabe eines zeitlichen Verlaufs eines Batteriestroms I und einer Batterietemperatur T als Belastungsgrößen L durch das Nutzungsmustermodell 10, mit denen mithilfe des Dynamikmodells 9 der Satz von Betriebsgrößen F mit den Verläufen der Batteriespannung U und des Ladezustands SOC vervollständigt wird, um die künstlich generierten Verläufe der Betriebsgrößen F zu generieren.
Die Nutzungsmuster werden durch Nutzungsparameter N definiert, welche durch Flottendaten fahrzeugindividuell durch das Nutzungsmustermodell 10, vorzugsweise unter Zuhilfenahme von datenbasierten Verfahren, erlernt werden, und dienen dazu, das Nutzungsverhalten eines Nutzers bzw. eines Antriebsstrangs bezüglich der betreffenden Fahrzeugbatterie 41 zu simulieren.
Das Nutzungsmustermodell kann als ein rekurrentes neuronales Netz, wie z.B. ein LST oder GRU ausgebildet sein, insbesondere als ein Bayes'sches LSTM-Netz, ausgebildet sein und basierend auf Verläufen von Belastungsgrößen bzw. Betriebsgrößen F, die eine Art der Nutzung des Energiespeichers angeben, trainiert sein. Die dabei zu berücksichtigenden Verläufe von Belastungsgrößen bzw. Betriebsgrößen F sollten auf einem Zeitraum gleicher Nutzungsart und gleicher Betriebsart der Batterie basieren.
Die Nutzungsparameter, die das Nutzungsmuster angeben, entsprechen dann den Modellparametern des Nutzungsmustermodells, d.h. im Falle eines neuronalen Netzes den Gewichtungen und Bias-Werten der einzelnen Neuronen. Weiterhin können Prior und Posterior-Verteilungen sowie Wahrscheinlichkeiten, die gemäß Bayes-Theorem auf Beobachtungen konditioniert wurden, als relevante Parameter berücksichtigt werden.
Die Nutzungsmuster ergeben sich durch ein Training des Nutzungsmustermodells basierend auf bekannten zeitlichen Verläufen der Belastungsgrößen und/oder der Betriebsgrößen F bezüglich ihres kalendarischen Bezugs. D.h. das Nutzungsmustermodell wird eingangsseitig mit einer kalendarischen Zeitangabe und ausgangsseitig mit den Belastungsgrößen (Strom, Temperatur vorzugsweise als Zeitreihe) und/oder den Betriebsgrößen F in an sich für rekurrente neuronale Netze bekannter Weise trainiert. So kann durch Vorgabe einer kalendarischen Zeitangabe, wie des Datums und einer Uhrzeit, ein künstlicher Verlauf der Belastungsgrößen und/oder der Betriebsgrößen F generiert werden. Die kalendarische Zeitangabe kann ferner den Wochentag, den Monat und die Kenntnis über Feiertage enthalten und insbesondere durch Feature Engineering Saisonalitäten berücksichtigen.
Das Nutzungsmuster-Modell wird solange kein Fahrerwechsel erkannt wurde, regelmäßig unter Berücksichtigung neuer Daten trainiert, z.B. einmal pro Monat. Der Trainingsdatensatz umfasst typischerweise Verläufe von Betriebsgrößen F bzw. Belastungsgrößen seit dem letzten identifizierten Fahrerwechsel bis hin zu den neusten erfassten Betriebsgrößen F bzw. Belastungsgrößen. Typischerweise kann in der Mitte dieses Abschnitts ein Zeitabschnitt aus dem Trainingsdatensatz herausgelöst werden, der nicht zum Training sondern zur Validierung des Nutzungsmuster-Modells genutzt wird. Typischerweise wird ein Bayes'sches LSTM-Netz für die fahrerindividuelle Charakterisierung des Stromverlaufs eingesetzt. Weiterhin wird ein Bayes'sches LSTM-Netz für die fahrerindividuelle Charakterisierung des Temperaturverlaufs eingesetzt. Alternativen zum LSTM-Ansatz stellen ARIMAX-Modelle dar.
Das Nutzungsmustermodell 10 kann so direkt aus Rohdaten der Verläufe der Belastungsgrößen L und/oder der Betriebsgrößen F ausgebildet werden. Für die Fahrzeugbatterie 41 werden somit typische Muster des Stromprofils, z.B. wegen wiederkehrenden Pendler-Strecken & typische Stand- und Ruhezeiten und Lasten zu Temperaturbereichen erkannt und reproduzierbar gemacht.
Die Nutzungsmuster N können somit implizit Arten der Belastung der Fahrzeugbatterie 41 angeben, insbesondere periodische Belastungen.
Auch kann das Nutzungsmuster N insbesondere Umgebungsbedingungen und einen periodischen Belastungsverlauf angeben. Die Umgebungsbedingungen können z.B. aus einer Klimatabelle abgeleitet werden, einen Verlauf der Batterietemperatur innerhalb eines Tag-Nacht-Rhythmus, für die Jahreszeiten und dergleichen angeben, vorzugsweise unter Zuhilfenahme von GPS-abhängigen Wetterdaten aus der Zentraleinheit (Cloud). Dazu kann das Nutzungsmustermodell zusätzlich zu der kalendarischen Zeitangabe mit einer Temperaturverlaufsangabe trainiert und verwendet werden. Vorzugsweise können Vorhersagen von GPS-abhängigen Temperaturverläufen in die Prädiktion der Nutzmuster eingearbeitet werden.
Die Temperaturverlaufsangabe kann sich aus einer durchschnittlichen Temperatur in einem unmittelbar zurückliegenden Zeitraum, wie z.B. einem Monat, ergeben, die mithilfe von saisonalen Schwankungen, die sich aus einer Klimatabelle ergeben, prädiziert werden kann. Die Klimatabelle kann sich aus einer Ortsangabe (Geoposition) des Fahrzeugs (Fahrzeugort: Ortsangabe der häufigsten festgestellten Fahrzeugposition) abgeleitet werden. Somit sieht das Nutzungsmustermodell eine Abbildung der kalendarischen Zeitangabe und der Temperaturverlaufsangabe auf die Verläufe der Belastungsgrößen und/oder der Betriebsgrößen F als Eingangsgröße vor und ist auch entsprechend trainiert.
Zudem kann das Nutzungsmustermodell 10 kann abhängig von dem modellierten Alterungszustand SOH betrieben werden. Damit kann beispielsweise im Falle eines mit der Fahrzeugbatterie betriebenen Fahrzeugs berücksichtigt werden, dass ein Fahrer bei gealterter Batterie eher 3 mal pro Woche laden muss, anstatt wie anfänglich nur 2 mal, um seine gewünschte Strecke zurückzulegen.
Die Nutzungsmuster N werden fahrzeugindividuell trainiert und vorgegeben und charakterisieren die Art der Nutzung und des Betriebs bzw. das Nutzungs- und Betriebsverhalten der jeweiligen Fahrzeugbatterien 41.
Das Nutzungsmuster N, das in Form der Nutzungsparametern (Modellparameter) des Nutzungsmustermodells vorgegeben wird, kann in Form von Gradientenverläufen von kumulativen Betriebsmerkmalen plausibilisiert werden für kumulative Größen, von denen bei gleicher Nutzungsart oder Betriebsart ein lineares Wachstum erwartet ist, wie z.B. die km-Leistung oder der wirkungsgradnormierte AH-Durchsatz, z.B. unter Berücksichtigung des SOHR.
In 5 ist ein Flussdiagramm dargestellt, das ein Verfahren zur Prädiktion eines Alterungszustandsverlaufs beschreibt.
In Schritt S11 werden die Betriebsgrößenverläufe für eine Fahrzeugbatterie 41 bis zu einem aktuellen Auswertungszeitraum bereitgestellt.
In Schritt S12 werden, insbesondere in Verbindung mit einem Auswerten des hybriden Alterungszustandsmodell (zur Ermittlung des aktuellen Alterungszustands), Betriebsmerkmale für einen aktuellen Auswertungszeitraum ermittelt und bereitgestellt. Die ermittelten Betriebsmerkmale werden für alle Auswertungszeiträume seit Inbetriebnahme bzw. Lebensdauerbeginn der Fahrzeugbatterie 41 bestimmt und bereitgestellt.
In Schritt S13 werden die Betriebsmerkmale für zurückliegende und den aktuellen Auswertungszeitraum analysiert und daraus ein jüngster Nutzungswechselzeitpunkt ermittelt, sofern vorliegend.
Der Nutzungswechselzeitpunkt gibt allgemein eine signifikante Änderung des Nutzungsverhaltens an und kann sich durch Analysieren der zeitlichen Verläufe der Entwicklung von einem oder mehreren Betriebsmerkmalen über der Zeit (über die zeitliche Abfolge der Auswertungszeiträume) ergeben. Ergibt sich also eine Änderung des Nutzungsverhaltens bzw. Betriebsverhaltens der Fahrzeugbatterie 41, die nicht nur eine kurzzeitige Abweichung in Form von Ausreißern darstellt, so kann auf einen Nutzungswechselzeitpunkt geschlossen werden.
So können beispielsweise die zeitlich kumulierte Fahrstrecke oder der mit dem durch den Alterungszustand genormten Ah-Durchsatz der Fahrzeugbatterie durch Gradientenmonitoring über einen hinreichend langen Zeitraum überwacht werden. Tritt eine Gradientenänderung des zeitlichen Verlaufs der betrachteten Betriebsgröße F um mehr als einen vorbestimmten Betrag auf, so kann der entsprechende Auswertungszeitraum als Nutzungswechselzeitpunkt angenommen werden. Weitere Betriebsmerkmale, die zum Gradientenmonitoring geeignet sind können umfassen: kumulierte Histogramm-Daten, welche das Nutzungsverhalten charakterisieren, z.B. Ladezustand, Temperatur und dergleichen, eine inkrementelle Ladung, ausgewertet an einem lokalen Extremwert, z.B. das zweite lokale Maximum max(dQ/dU) über der Spannung U, wobei dQ/dU signaltechnisch aufbereitet, z.B. mit einem Tiefpassfilter geglättet wird, elektrochemische Zustände (SE! Dicke, zyklisierbares Lithium, Lösungsmittelkonzentration, Aufsummierte Verluste durch Lithium plating / stripping, Aktiv-Material Verlust an der Elektrode), eine Ladungsmenge, z.B. ermittelt über Coulomb Counting, vorzugsweise inklusive Kalibrierung an der OCV in einer Ruhephase.
Die Ermittlung des Nutzungswechselzeitpunkts kann neben dem Gradientenmonitoring auch mithilfe von unsupervised maschinellen Lernverfahren, wie z.B. Clustering-Verfahren, insbesondere density-based clustering, oder kompetitiven Lernalgorithmen durchgeführt werden, insbesondere durch Ausreißererkennung von extrapolierten Betriebsmerkmalen, wie z. B. eine plötzlich auftretende andauernde Abweichung des durchschnittlichen Ladungsdurchsatzes und dergleichen.
Auf Basis des Gradienten-Monitorings ist bekannt, wie die Betriebsmerkmale sich künftig verhalten werden. Es wird geprüft, ob der aktuelle Gradient, ausgewertet über einen hinreichend langen Zeitraum, passend zu den bisherigen Gradienten des Fahrers, also des Normal-Clusters, ist. Das Clustering-Verfahren nutzt die durch die Gradienten des betrachteten mindestens einen Betriebsmerkmals in den jeweiligen Auswertungszeiträumen bestimmten Datenpunkte, die sich aufgrund der Auswahl des mindestens einen Betriebsmerkmals nicht oder nur sehr langsam ändern. Wird durch das Clustering-Verfahren eine sprunghafte Änderung festgestellt, spricht das für eine Anomalie und ein systematischer Wechsel des Fahrstils bzw. ein Fahrerwechsel wird erkannt.
Weiterhin kann ein Autoencoder auf die fahrerindividuelle Historie basierend auf dem mindestens einen Betriebsmerkmal trainiert werden, wenn eine ausreichend Datenbasis vorhanden ist, die einem Nutzungsverhalten zugeordnet werden kann, z.B. zwei Monate. In der Phase, in der noch nicht hinreichend viele Datenpunkte zum Training des Autoencoders für die unsupervised Anomalie-Erkennung des Nutzungswechselzeitpunkts vorhanden sind, kann das oben beschriebene Gradientenmonitoring der Betriebsmerkmale zur Bewertung durchgeführt werden, ob die Betriebsmerkmale einem typischen Fahrer-Stil zugeordnet werden können. Sobald hinreichend viele Datenpunkte vorhanden sind, kann der Unsupervised Learning Algorithmus basierend auf dem Autoencoder trainiert und eingesetzt werden, um einen Fahrerwechsel bestmöglich zu bewerten.
Über Auswertung des Rekonstruktionsfehlers des Autoencoders kann nun bewertet werden, ob eine neue Gradientenbeobachtung in dem betrachteten Auswertungszeitraum zum Normal-Cluster gehört. Die Gradientenbeobachtung kann mehrdimensional sein und sich aus mehreren Gradienten von Betriebsmerkmalen ergeben. Wird eine Abweichung des internen (latenten) Zustands des Autoencoders um mehr als einen vorgegebenen Schwellenwert für einen hinreichend langen Zeitraum von aufeinanderfolgenden Auswertungszeiträumen (wie z.B. für zwischen 3 bis 10 Auswertungszeiträumen) festgestellt, wird ein Nutzungswechselzeitpunkt für den ersten Auswertungszeitraum, zu dem die entsprechende Abweichung des internen Zustands festgestellt worden ist, erkannt und die Bildung des „Normal-Cluster“ beginnt ausgehend von dem Nutzungswechselzeitpunkt von neuem.
Hierbei wird nun, solange eine ausreichend Datenbasis für das Normal-Cluster gesammelt wird, über Gradientenmonitoring sichergestellt, dass ein sinnvolles Normal-Cluster mit vergleichbaren Gradienten der kumulativen Betriebsmerkmale initialisiert werden kann. Sobald eine ausreichende Anzahl von Datenpunkten vorliegt kann, z.B. 2 Monate an Normal-Daten, die über Gradienten-Monitoring einem Fahrertyp zugeordnet werden können, findet der Wechsel vom regelbasierten Gradienten-Monitoring zum Unsupervised Learning, z.B. mithilfe des Autoencoders, statt. Hierzu wird der Autoencoder trainiert, um das Normal-Cluster bestmöglich zu charakterisieren. Der Vorteil des Autoencoders ist:

- dass seine Gewichte auch sehr effizient im Fahrzeug deployed werden können, was eine embedded Ausführung ermöglich kann
- dass speziell im mehrdimensionalen Merkmals-Bereich das Clustering-Verfahren zur Bewertung des Fahrerverhaltens performant erfolgen kann.

In regelmäßigen vorgegebenen Zeitabständen wird der Autoencoder neu trainiert oder nachtrainiert, vorzugsweise mit den relevanten historischen Datenpunkten innerhalb eines vorgegebenen zurückliegenden Zeitraums ausgehend von dem aktuellen Auswertungszeitraum- sofern kein systematischer Fahrerwechsel identifiziert wurde.
In 6 ist beispielhaft der Verlauf eines kumulativen Betriebsmerkmals, wie z.B. des Wachstums des wirkungsgradbereinigten AH-Durchsatzes dargestellt, der benötigt wird, um ein Fahrprofil darzustellen. Alternativ können andere kumulative Betriebsmerkmale hinsichtlich der Gradienten-Auswertung verwendet werden, wie z.B. der Verlust des zyklisierbaren Lithiums, das in erster Näherung linear zur Abnahme des SOHC ist. Weiterhin können auch Lösungsmittel-Konzentrationen oder weitere elektrochemischen Zustandsgrößen zur Gradienten-Analyse verwendet werden.
Grundsätzlich können auch nichtlinear wachsende kumulative Betriebsmerkmale zur Gradienten-Analyse und zum Clustering verwendet werden. Hierbei wandern die Cluster-Zentroiden im Laufe der Zeit, was ein regelmäßiges Trainieren des Autoencoders notwendig macht, vorzugsweise auf einen vorgegebenen zurückliegenden Zeitraum ausgehend von dem aktuellen Auswertungszeitraum.
Der Nutzungswechselzeitpunkt ergibt sich über die Auswertung des Autoencoders bezüglich des Rekonstruktionsfehlers aus dem Latent-Space, wenn ein Grenzwert für den Rekonstruktionsfehler für eine hinreichend lange Zeit überschritten wird.
Wurde ein jüngster Nutzungswechselzeitpunkt erkannt, der nicht dem Lebensdauerbeginn der Fahrzeugbatterie entspricht, so wird in Schritt S14 das Nutzungsmustermodell 10 basierend auf den Verläufen der Betriebsgrößen F bzw. der Belastungsgrößen in dem Zeitraum zwischen dem zuletzt ermittelten Nutzungswechselzeitpunkt bis zum aktuellen Zeitpunkt bestimmt. Die für eine Prädiktion zu verwendenden Nutzungsparameter ergeben sich durch das neue Training des Nutzungsmustermodell 10.
In Schritt S15 werden ausgehend von dem aktuellen Zeitpunkt basierend auf dem neu ermittelten Nutzungsmuster mithilfe des Nutzungsmustermodell 10 „künstliche“ Betriebsgrößenverläufe generiert, die den bisher erfassten Betriebsgrößenverläufe hinzugefügt werden.
Diese neuen Betriebsgrößenverläufe F werden in Schritt S16 verwendet einen prädizierten Verlauf des Alterungszustands mit dem hybriden Alterungszustandsmodell (in der Zentraleinheit 2) in der oben beschriebenen Weise zu ermitteln.
Im obigen Beispiel stellen die Belastungsgrößen als Ausgang des Nutzungsmustermodells 10 Stromverläufe und Temperaturverläufe dar, wobei entsprechend den aktualisierten Nutzungsparameter neue Stromverlaufsmuster generiert werden. Die Temperaturinformation kann beispielsweise abhängig von einer Geoposition des Fahrzeugs aus statistischen Daten von Temperaturverläufen abgeleitet werden, so dass auch bei einem abweichenden Betriebsverhalten der Fahrzeugbatterie infolge eines dauerhaften Ortswechsels des Fahrzeugs berücksichtigt werden können. Dies ermöglicht es, eine Änderung des Betriebsverhaltens der Fahrzeugbatterie aufgrund eines Ortswechsels in angemessener Weise so zu berücksichtigen, dass die neuen Temperaturbedingungen, wie z. B. jahreszeitliche Temperaturschwankungen, für die Prädiktion des Alterungszustands berücksichtigt werden können.
Der prädizierte Alterungszustandsverlauf kann in Schritt S17 für nachgelagerte Funktionen genutzt werden. So kann beispielsweise eine Restlebensdauerbestimmung vorgenommen werden, durch die ein Zeitpunkt ermittelt werden kann, an dem der prädizierte Alterungszustand einen vorgegebenen End-of-Life-Alterungszustand erreicht. Dieser Zeitpunkt kann entsprechend signalisiert werden.

Claims

Computerimplementiertes Verfahren zur Prädiktion eines modellierten Alterungszustands (SOH) eines elektrischen Energiespeichers (41) mit mindestens einer elektrochemischen Einheit, insbesondere einer Batteriezelle, mit folgenden Schritten: - Bereitstellen (S11) eines Verlaufs mindestens einer Betriebsgröße (F) des Energiespeichers (41); - Bereitstellen eines Alterungszustandsmodells (9), das ausgebildet ist, um abhängig von dem Verlauf der mindestens einen Betriebsgröße (F) des Energiespeichers (41) bis zu einem Zeitpunkt dem elektrochemischen Energiespeicher (41) einen entsprechenden Alterungszustand (SOH) für den Zeitpunkt zuzuordnen, - Generieren eines künstlichen Verlaufs für die mindestens einen Betriebsgröße (F) ausgehend von einem aktuellen Zeitpunkt in die Zukunft abhängig von einem Nutzungsmuster (N), das eine Art der momentanen Nutzung oder des momentanen Betriebs des Energiespeichers (41) angibt, womit ein Verlauf des Alterungszustands in die Zukunft prädiziert wird; - Bestimmen (S14) des Nutzungsmusters abhängig von einem bisherigen Verlauf der mindestens einen Betriebsgröße (F) des Energiespeichers (41), wobei das Nutzungsmuster (N) abhängig von dem Verlauf der mindestens einen Betriebsgröße (F) seit einem jüngsten Nutzungswechselzeitpunkt bestimmt wird; wobei der jüngste Nutzungswechselzeitpunkt einen Zeitpunkt angibt, zu dem zuletzt ein Wechsel des Nutzungsverhaltens des Energiespeichers (41) stattgefunden hat; - Prädizieren (S16) des Alterungszustands abhängig von dem künstlichen Verlauf für die mindestens einen Betriebsgröße (F).
Verfahren nach Anspruch 1, wobei zur Bestimmung des prädizierten Verlaufs des Alterungszustands das Alterungszustandsmodell mit einem gesamten Verlauf der mindestens einer Betriebsgröße (F) beaufschlagt wird, der den bisherigen Verlauf der mindestens einen Betriebsgröße (F) und den künstlichen Verlauf der mindestens einen Betriebsgröße (F) umfasst.
Verfahren nach Anspruch 1 oder 2, wobei der künstliche Verlauf der mindestens einen Betriebsgröße (F) abhängig von einem bereitgestellten Nutzungsmuster (N) mithilfe eines insbesondere datenbasierten Nutzungsmustermodells (10) generiert wird.
Verfahren nach Anspruch 3, wobei das Nutzungsmustermodell (10) ausgebildet ist, um abhängig von Nutzungsparametern des Nutzungsmusters (N) kontinuierlich einen Verlauf der mindestens einen Betriebsgröße (F) oder einen Verlauf mindestens einer Belastungsgröße (L), aus der die mindestens eine Betriebsgröße (F) generierbar ist, auszugeben.
Verfahren nach einem der Ansprüche 1 bis 4, wobei der Nutzungswechselzeitpunkt mithilfe einer Anomalieerkennung, insbesondere mithilfe eines Autoencoders, bestimmt wird, wobei die Anomalieerkennung abhängig von dem Verlauf der mindestens einen Betriebsgrößen (F) seit dem Zeitpunkt der Inbetriebnahme oder seit einem jüngsten festgestellten Nutzungswechselzeitpunkt trainiert wird, wobei ein Nutzungswechselzeitpunkt bei Erkennen einer Anomalie im Verlauf der mindestens einen Betriebsgröße (F) erkannt wird.
Verfahren nach Anspruch 5, wobei, wenn der jüngste Nutzungswechselzeitpunkt noch nicht eine vorbestimmte Zeitdauer zurückliegt, ein Zeitpunkt einer jüngsten Gradientenänderung mindestens eines aus dem Verlauf der mindestens einen Betriebsgröße (F) bestimmten Betriebsmerkmals (M) um mehr als einen vorgegebenen Gradientenbetrag als ein Nutzungswechselzeitpunkt bestimmt wird.
Verfahren nach Anspruch 6, wobei der Nutzungswechselzeitpunkt mithilfe eines Clustering-Verfahrens zur Definition eines Normal-Clusters basierend auf einem Verlauf von Gradienten des mindestens einen Betriebsmerkmals bestimmt wird.
Verfahren nach einem der Ansprüche 6 bis 7, wobei das mindestens eine Betriebsmerkmal ein über einen Auswertungszeitraum gemitteltes Merkmal und/oder ein kumuliertes Merkmal und/oder ein über die gesamte bisherige Lebensdauer ermitteltes statistisches Merkmal umfasst und insbesondere umfasst: eine zeitlich kumulierte Fahrstrecke, ein mit dem durch den Alterungszustand genormten Ah-Durchsatz, kumulierte Histogramm-Daten, welche das Nutzungsverhalten charakterisieren, insbesondere einen Ladezustand oder eine Temperatur, eine inkrementelle Ladung, elektrochemische Zustände und/oder eine Ladungsmenge.
Verfahren nach einem der Ansprüche 1 bis 8, wobei das Alterungszustandsmodell (9) datenbasiert ist und wobei das Alterungszustandsmodell (9) als ein hybrides Modell ausgebildet ist und ein physikalisches Alterungsmodell (5), das auf elektrochemischen Modellgleichungen basiert und zur Ausgabe eines physikalischen Alterungszustand (SOHph) ausgebildet ist, und ein trainierbares datenbasiertes Korrekturmodell (6), insbesondere in Form eines Regressionsmodells, vorzugsweise einen Gaußprozess, umfasst, wobei das Korrekturmodell (6) trainiert ist, um den physikalischen Alterungszustand (SOHph) zu korrigieren und den korrigierten physikalischen Alterungszustand als den modellierten Alterungszustand (SOH), insbesondere mit quantifizierter Unsicherheit, bereitzustellen.
Verfahren nach einem der Ansprüche 1 bis 9, wobei der elektrische Energiespeicher (41) abhängig von dem Verlauf des prädizierten modellierten Alterungszustands (SOH) betrieben wird, wobei insbesondere eine Restlebensdauer des elektrischen Energiespeichers (41) abhängig von dem Verlauf des prädizierten modellierten Alterungszustand (SOH) signalisiert wird, wobei insbesondere abhängig von der Restlebensdauer die Anzahl der verbleibenden, zugelassenen Schnell-Lade-Zyklen erhöht oder verringert wird oder Strom- und De-Rating-Grenzen für den Betrieb des Energiespeichers optimiert werden.
Verfahren nach einem der Ansprüche 1 bis 10, wobei bei einer Batterie als Energiespeicher (41) die mindestens eine Betriebsgröße (F) einen Batteriestrom (I), eine Batterietemperatur (T), eine Batteriespannung (U) und einen Ladezustand (SOC) umfassen.
Verfahren nach einem der Ansprüche 1 bis 11, wobei der 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 wird.
Vorrichtung zur Prädiktion eines modellierten Alterungszustands (SOH) eines elektrischen Energiespeichers (41) mit mindestens einer elektrochemischen Einheit, insbesondere einer Batteriezelle, wobei die Vorrichtung ausgebildet ist zum: - Bereitstellen eines Verlaufs mindestens einer Betriebsgröße (F) des Energiespeichers (41); - Bereitstellen eines Alterungszustandsmodells (9), das ausgebildet ist, um abhängig von dem Verlauf der mindestens einen Betriebsgröße (F) des Energiespeichers (41) bis zu einem Zeitpunkt dem elektrochemischen Energiespeicher (41) einen entsprechenden Alterungszustand (SOH) für den Zeitpunkt zuzuordnen, - Generieren eines künstlichen Verlaufs für die mindestens einen Betriebsgröße (F) ausgehend von einem aktuellen Zeitpunkt in die Zukunft abhängig von einem Nutzungsmuster (N), das eine Art der momentanen Nutzung oder des momentanen Betriebs des Energiespeichers (41) angibt, womit ein Verlauf des Alterungszustands (SOH) in die Zukunft prädiziert wird; - Bestimmen des Nutzungsmusters (N) abhängig von einem bisherigen Verlauf der mindestens einen Betriebsgröße (F) des Energiespeichers (41), wobei das Nutzungsmuster (N) abhängig von dem Verlauf der mindestens einen Betriebsgröße (F) seit einem jüngsten Nutzungswechselzeitpunkt bestimmt wird; wobei der jüngste Nutzungswechselzeitpunkt einen Zeitpunkt angibt, zu dem zuletzt ein Wechsel des Nutzungsverhaltens des Energiespeichers (41) stattgefunden hat; - Prädizieren des Alterungszustands abhängig von dem künstlichen Verlauf für die mindestens einen Betriebsgröße (F).
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 12 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 12 auszuführen.