DE102022202882A1

DE102022202882A1 - Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster

Info

Publication number: DE102022202882A1
Application number: DE102022202882.1A
Authority: DE
Inventors: Christian Simonis; Shi LI; Parameswaran Krishnan
Original assignee: Robert Bosch GmbH
Current assignee: Robert Bosch GmbH
Priority date: 2022-03-24
Filing date: 2022-03-24
Publication date: 2023-09-28
Also published as: CN116804711A; US20230305073A1

Abstract

Die Erfindung betrifft ein computerimplementiertes Verfahren zum Prädizieren eines Alterungszustands oder eines Verlaufs eines Alterungszustands einer Gerätebatterie mit mindestens einer elektrochemischen Einheit in einem technischen Gerät.

Description

Technisches Gebiet
Die Erfindung betrifft netzunabhängig betriebene elektrische Geräte, insbesondere elektrisch antreibbare Kraftfahrzeuge, insbesondere Elektrofahrzeuge oder Hybridfahrzeuge, mit Gerätebatterien und weiterhin Maßnahmen zur Bestimmung eines prädizierten Alterungszustands (SOH: State of Health) der Gerätebatterie.
Technischer Hintergrund
Die Energieversorgung von netzunabhängig betriebenen elektrischen Geräten und Maschinen, wie z. B. elektrisch antreibbaren Kraftfahrzeugen, erfolgt mithilfe von Gerätebatterien. Diese liefern elektrische Energie zum Betrieb der Geräte.
Gerätebatterien degradieren über ihre Lebensdauer 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 neue Gerätebatterie einen Alterungszustand in Bezug auf seine verfügbare Kapazität von 100 % auf, die im Laufe seiner Lebensdauer zusehends abnimmt. Ein Maß der Alterung der Gerätebatterie (zeitliche Änderung des Alterungszustands) hängt von einer individuellen Belastung der Gerätebatterie, 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 der Gerätebatterie basierend auf historischen Betriebsgrößenverläufen bestimmt werden, jedoch ist dieses Modell in bestimmten Situationen ungenau. Diese Ungenauigkeit des herkömmlichen Alterungszustandsmodells erschwert eine genaue Zustandsbestimmung sowie die Prädiktion des Alterungszustandsverlaufs. Jedoch ist eine zuverlässige Prädiktion des Verlaufs des Alterungszustands der Gerätebatterie eine wichtige Möglichkeit, da mit ihr eine Bestimmung der Restlebensdauer und eine wirtschaftliche Bewertung eines Restwerts der Gerätebatterie möglich ist. Weiterhin ist die Prädiktion des Alterungszustands von Mehrwert, um vorausschauende Wartungsintervalle zu planen und durchzuführen.
Eine Prädiktion des Alterungszustands kann basierend auf einem prädizierten Nutzungsmuster erfolgen, das aus einem historischen Nutzungsmuster aus der Vergangenheit generiert wird. Das so prädizierte Nutzungsmuster soll dazu auf das Nutzungsverhalten aus der Vergangenheit bezogen sein, um so die unterschiedlichen Nutzungsarten der Gerätebatterie zu berücksichtigen.
Offenbarung der Erfindung
Erfindungsgemäß sind ein computerimplementiertes Verfahren zum Bereitstellen eines prädizierten Verlaufs eines Alterungszustands abhängig von einem prädizierten Nutzungsmuster gemäß Anspruch 1 sowie eine entsprechende Vorrichtung gemäß dem nebengeordneten Anspruch vorgesehen.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
Gemäß einem ersten Aspekt ist ein computerimplementiertes Verfahren zum Prädizieren eines Alterungszustands oder eines Alterungszustandsverlaufs einer Gerätebatterie mit mindestens einer elektrochemischen Einheit in einem technischen Gerät vorgesehen, mit folgenden Schritten:

- Bereitstellen eines zeitlichen Betriebsgrößenverlaufs aus mindestens einer Betriebsgröße der Gerätebatterie;
- Ermitteln von aufeinanderfolgenden Zyklen, insbesondere Betriebszyklen, Ruhezyklen und Ladezyklen, aus dem zeitlichen Betriebsgrößenverlauf für einen vorgegebenen zurückliegenden Zeitraum, wobei jedem Zyklus ein Betriebsgrößenverlauf in einem vorgegebenen Zeitabschnitt zugeordnet ist;
- Jeweiliges Zuordnen der ermittelten Zyklen zu vorgegebenen Zyklusprofilen, die jeweils eine Art der Nutzung und/oder eine Höhe einer Belastung der Gerätebatterie charakterisieren, so dass eine Abfolge von Zyklusprofilen erhalten wird;
- Bestimmen einer Häufigkeitsverteilung von Übergängen von einem Zyklusprofil zu einem zeitlich nachfolgenden Zyklusprofil in der gebildeten Abfolge von Zyklusprofilen, insbesondere in Form eines Hidden Markow Modells;
- Erstellen einer prädizierten Abfolge von Zyklusprofilen durch sukzessives zufälliges Auswählen (Sampeln) von Zyklusprofilen entsprechend der Häufigkeitsverteilung der Übergänge ausgehend von dem jeweils zuletzt ausgewählten Zyklusprofil,
- Zuordnen von den Zyklusprofilen zugeordneten Profil-Betriebsgrößenverläufen zu der prädizierten Abfolge von Zyklusprofilen, um einen prädizierten Betriebsgrößenverlauf zu erhalten;
- Ermitteln eines prädizierten Alterungszustands oder eines prädizierten Alterungszustandsverlaufs basierend auf dem prädizierten Betriebsgrößenverlauf mithilfe eines Alterungszustandsmodells oder Reichweitenmodells.

Weiterhin können die Zyklen Betriebszyklen mit einem durch den Betrieb des Geräts verursachten dynamischen Stromfluss mit einem quasi-kontinuierlich positivem Entladestrom und ggfs. kurzen Zeitabschnitten von Rekuperationsströmen sowie Ruhezyklen mit einem Batteriestrom von etwa 0 A und Ladezyklen mit einem kontinuierlichem Ladestrom umfassen.
Insbesondere können die Zyklusprofile ein oder mehrere den Betriebszyklen zugeordnete Betriebszyklusprofile unterschiedlicher Belastungen und ein oder mehrere den Ladezyklen zugeordnete Ladezyklusprofile unterschiedlicher Belastungen umfassen. Die Betriebszyklen können ggfs. Rekuperationsphasen beinhalten.
Der Alterungszustand einer Gerätebatterie wird üblicherweise nicht direkt gemessen. Dies würde eine Reihe von Sensoren in Inneren der Gerätebatterie erfordern, die die Herstellung einer solchen Gerätebatterie kostenintensiv sowie aufwändig machen und den Raumbedarf vergrößern würde. Zudem sind alltagstaugliche Messverfahren zur direkten Alterungszustandsbestimmung in den Gerätebatterien noch nicht auf dem Markt verfügbar.
Der Alterungszustand (SOH: State of Health) ist bei Gerätebatterien die Schlüsselgröße zur Angabe einer verbleibenden Batteriekapazität oder verbleibenden proportionalen Reichweite bei voller 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 und nimmt mit zunehmender Alterung ab. 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.
Der prädizierte Alterungszustand kann alternativ bei einem Fahrzeug als technisches Gerät auch in Form einer verbleibenden Restreichweite bis zum Erreichen einer vorgegebenen Alterungszustandsgrenze, die ein Endzeitpunkt der Nutzungszeitdauer der Fahrzeugbatterie als Gerätebatterie bestimmt, angegeben werden. Die Restreichweite kann Summierung von durch den Zyklusprofilen jeweils zugeordneten Zyklusreichweiten bestimmt werden.
Daher wird der aktuelle Alterungszustand einer Gerätebatterie in der Regel mithilfe eines Batteriemodells in einem Steuergerät ermittelt. Dieses Batteriemodell ist in bestimmten Situationen ungenau und weist üblicherweise Modellabweichungen von bis zu mehr als 5 % auf. Aufgrund der Ungenauigkeit des Batteriemodells kann dieses zudem lediglich den momentanen Alterungszustand des Energiespeichers einigermaßen genau angeben und eignet sich nicht für eine Prädiktion.
Weiterhin kann das Ermitteln des prädizierten Alterungszustands oder des prädizierten Alterungszustandsverlaufs basierend auf dem prädizierten Betriebsgrößenverlauf mithilfe eines Alterungszustandsmodells durchgeführt werden, das ein elektrochemisches Modell umfasst, das durch ein nichtlineares Differentialgleichungssystem gebildet wird und über Zeitintegration lösbar ist.
Zur Modellierung und Prädiktion eines Alterungszustands für eine Gerätebatterie als Energiespeicher kann ein physikalisches Alterungsmodell verwendet werden, das fortlaufende Betriebsgrößen der Gerätebatterie auswertet, insbesondere indem ein Differentialgleichungssystem per numerischem Zeitintegrationsverfahren gelöst wird. Basierend auf dem Differentialgleichungssystem kann eine Änderung der internen elektrochemischen Zustände der Gerätebatterie abhängig von einem Verlauf der Betriebsgrößen bis zu einem Zeitpunkt (Prädiktionshorizont) simuliert und für einen prädizierten Zeitpunkt den physikalischen Alterungszustand angeben.
Zur Durchführung des Zeitintegrationsverfahrens müssen die Betriebsgrößen, wie beispielsweise ein Batteriestrom, eine Batterietemperatur, eine Batteriespannung und ein Ladezustand, als hochaufgelöste Zeitreihen vorliegen. Das Alterungszustandsmodell basierend auf einem Zeitintegrationsverfahren benötigt für Gerätebatterien zumindest die Verläufe des Batteriestroms und der Temperatur. Die weiterhin benötigten Verläufe der Batteriespannung und des Ladezustands (SOC) können gemessen werden oder aus Verläufen des Batteriestroms und der Temperatur in geeigneter Weise mithilfe eines Batterie-Performance-Modells ermittelt werden. Diese Betriebsgrößen gehen als Verlaufsgrößen in das Alterungszustandsmodell ein und ermöglichen so die Bestimmung eines Alterungszustands. Es ist somit notwendig, zunächst ein Betriebsgrößenverlauf in der Vergangenheit zu analysieren, so dass entsprechende künstliche Betriebsgrößenverläufe für die Zukunft erstellt werden können.
Weiterhin kann das Alterungszustandsmodells mit einem datenbasierten Korrekturmodell ergänzt sein, so dass ein hybrides datenbasiertes Alterungszustandsmodells mit einem probabilistischen oder auf künstlicher Intelligenz basierendem Regressionsmodell, insbesondere einem Gaußprozessmodell, gebildet wird. Das datenbasierte Korrekturmodell kann auf das Residuum des physikalischen Alterungszustandsmodell 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.
Somit können Alterungszustandsmodelle zur Ermittlung von Alterungszuständen für elektrische Energiespeicher in Form eines hybriden Alterungszustandsmodells, also einer Kombination eines physikalischen Alterungsmodells mit einem datenbasierten Korrekturmodell, 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.
Zur Modellierung eines Alterungszustands einer Gerätebatterie mithilfe eines physikalischen bzw. elektrochemischen Alterungszustandsmodells und einer optionalen Präzisierung durch ein datenbasiertes Korrekturmodell (in Kombination also ein 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, um den Alterungszustand zu einem aktuellen Zeitpunkt zu bestimmen.
Basierend auf einem solchen physikalischen Alterungsmodell oder einem hybriden Alterungszustandsmodell kann ein aktueller Alterungszustand der betrachteten Gerätebatterie sowie auch prädizierte Alterungszustände basierend auf prädizierten Betriebsgrößenverläufe, die eine prognostizierte Last der Gerätebatterie repräsentieren, erstellt werden. Beispielsweise kann als Restlebensdauer der Gerätebatterie eine Zeitdauer bis zu einem Lebensdauerende bestimmt werden, der einen Zeitpunkt angibt, an dem der prädizierte Alterungszustand einen vorgegebenen Schwellenwert, der das Lebensdauerende, wie z. B. SOH-C=0,8, angibt und z. B. einer Hersteller-Garantie-Grenze entspricht, unterschreitet.
Es kann vorgesehen sein, dass die Gerätebatterie abhängig von dem Verlauf des prädizierten modellierten Alterungszustands betrieben wird, wobei insbesondere eine Restlebensdauer der Gerätebatterie abhängig von dem Verlauf des prädizierten modellierten Alterungszustand signalisiert wird. Weiterhin kann die Planung und Durchführung prädiktiver Inspektions- und Wartungs-Intervalle auf Basis der Alterungsprädiktion vorgesehen sein.
Weiterhin kann vorgesehen sein, dass je nach Restlebensdauer die Anzahl der verbleibenden Schnell-Lade-Zyklen erhöht oder verringert wird oder eine Anpassung der Betriebsgrenzen (Strom-Begrenzung) oder Betriebs-Strategie, z. B. im Hinblick auf das Thermo-Management (Derating) erfolgt. Weiterhin kann eine alterungsabhängige bzw. eine von einem prädizierten Alterungszustandsverlauf abhängige Anpassung der Ladestrategie erfolgen. Dazu können Schnell-Lade-Zyklen zugelassen oder blockiert werden, je nachdem, ob die Anzahl der verbleibenden Schnell-Lade-Zyklen erreicht worden ist.
Die Berechnung eines solchen physikalischen Alterungsmodells ist aufwändig und wird in der Regel aufgrund mangelnder Rechenkapazitäten nicht in einem Steuergerät des technischen Geräts ausgeführt. Diesbezüglich kann die Auswertung in einer gerätefernen Zentraleinheit, die mit dem technischen Gerät in Kommunikationsverbindung steht, vorgenommen werden.
Zur Prädiktion des Alterungszustandsverlaufs ist es bei Verwendung eines auf einer Zeitintegration basierten Alterungszustandsmodells notwendig, die Betriebsgrößenverläufe mit einer hohen zeitlichen Auflösung in die Zukunft zu prädizieren. Es geht dabei nicht um die genaue Vorhersage der tatsächlichen Betriebsgrößenverläufe, sondern die prädizierten Betriebsgrößenverläufe sollten das Belastungsmuster, das sich in der Nutzung der Gerätebatterie in der Vergangenheit gezeigt hat, in die Zukunft fortschreiben. Um einen möglichst genauen prädizierten Alterungszustandsverlauf und eine genaue Bestimmung der Restlebensdauer der Gerätebatterie zu erhalten, ist daher das Bereitstellen von Betriebsgrößenverläufen, die einem zur Vergangenheit äquivalenten Belastungsmuster entsprechen, essenziell.
Das prädizierte Belastungsmuster, das durch prädizierte Betriebsgrößenverläufe angegeben wird, wird gemäß dem obigen Verfahren gemäß einem probabilistischen Lastmustermodell erstellt. Das probabilistische Lastmustermodell kann als Hidden-Markov-Modell (HMM)erstellt werden, wobei Zyklusprofile einer bestimmten Betriebsart der Gerätebatterie Knoten darstellen, die über Kanten miteinander verbunden sind, denen jeweils eine Übergangswahrscheinlichkeit zugeordnet ist. Dieses probabilistische Lastmustermodell wird basierend auf historischen Betriebsgrößenverläufen für einen vorgegebenen zurückliegenden Zeitraum erstellt, die hinsichtlich von Zyklen vorbestimmter aufeinanderfolgender Zeitabschnitte analysiert werden. Beispielsweise können diese Zeitabschnitte Zeitdauern zwischen 1 und 10 min betragen. Eine Abtastung bzw. Simulation über das HMM ist auch deutlich niederfrequenter möglich und kann z.B. einmal pro Stunde erfolgen bis hin zu 6 mal pro Tag. Hierbei sollen eher Nutzer-Entscheidungen modelliert und simuliert werden, welche Nutzungs-Szenarien beschreiben (Parken, Laden, Fahren) und sich somit unmittelbar auf die Zeitreihen der Lastprofile auswirken.
Im Detail werden aus den historischen Betriebsgrößenverläufen nun Abfolgen einzelner Zyklen ermittelt, die Betriebsgrößenverläufe für einen entsprechenden Zeitabschnitt darstellen. Die Zeitabschnitte können eine vorbestimmte Zeitdauer aufweisen.
Es werden Zyklusprofile vorgegeben, wie beispielsweise Betriebszyklen mit verschiedenen Belastungen, Ruhezyklen und Ladezyklen für unterschiedliche Ladeleistungen. Insbesondere können die Zyklusprofile ein oder mehrere den Betriebszyklen zugeordnete Betriebszyklusprofile, ein oder mehrere den Ruhezyklen zugeordnete Ruhezyklusprofile und ein oder mehrere den Ladezyklen zugeordnete Ladezyklusprofile umfassen, die sich jeweils voneinander durch die Art der Belastung für die betreffende Gerätebatterie unterscheiden.
Jede der Zyklen wird dann einem vorgegebenen Zyklusprofil zugeordnet. Dies kann mithilfe eines regelbasierten Klassifikationsverfahren erfolgen, so dass jeder der Zeitabschnitte einem entsprechenden Zyklusprofil entsprechend einer größtmöglichen Ähnlichkeit zugeordnet ist, so dass eine Abfolge von Zyklusprofilen gebildet wird. Beispielsweise kann das Klassifikationsverfahren die durchschnittlichen Lade- bzw. Entladeströme und der Bereich einer durchschnittlichen Batterietemperatur während des Zyklus zur Zuordnung zu einem Zyklusprofil nutzen. Dazu können für Belastungsmerkmale, die aus den Betriebsgrößenverläufen aggregierte Größen darstellen können, jeweils Belastungsbereiche vorgegeben werden, die jeweils einem Zyklusprofil zugeordnet sind, so dass eine Zuordnung der Zyklen zu Zyklusprofilen durch Aggregieren von Betriebsgrößen zu Belastungsmerkmalen und Zuordnen der Belastungsmerkmale zu den dem entsprechenden Zyklusprofil zugeordneten Belastungsbereichen vorgenommen werden kann.
Alternativ kann das jeweilige Zuordnen der ermittelten Zyklen zu Zyklusprofilen mithilfe eines regelbasierten Klassifikationsverfahrens oder eines Clustering-Verfahrens basierend auf Belastungsmerkmalen erfolgen, wobei die Belastungsmerkmale mindestens eine aggregierte Größe aus den Betriebsgrößenverläufen des jeweiligen Zyklus umfasst.
Aus der Abfolge der Zyklusprofile für den vorgegebenen Zeitraum ergeben sich somit anhand der Häufigkeiten von bestimmten Übergängen von einem Zyklusprofil zum darauffolgenden Zyklusprofil die Übergangswahrscheinlichkeiten von einem Zyklusprofil zu einem nachfolgenden Zyklusprofil. Daraus wird das Hidden-Markov-Modell erstellt.
Insbesondere können die Zyklusprofile ein oder mehrere Betriebszyklusprofile, die sich bezüglich deren für den Zeitabschnitt durchschnittlichen Ah-Durchsatz, den maximalen Entladestrom, einer Angabe über eine Änderungshäufigkeit, z.B. ermittelt mithilfe einer Wavelet-Transformation als Belastungsmerkmale und dergleichen unterscheiden, ein oder mehrere Ladezyklusprofile, die sich hinsichtlich ihres Ladestroms, Ladungshub und dergleichen als Belastungsmerkmale, ein oder mehrere Ruhezyklen, die ohne signifikante Stromentnahme oder Zufuhr in die Gerätebatterie gekennzeichnet sind und sich hinsichtlich der durchschnittlichen Batterietemperatur und dergleichen als Belastungsmerkmale unterscheiden, aufweisen.
Durch Analyse der Betriebsgrößenverläufe kann so eine Abfolge der einzelnen Zyklusprofile erstellt werden und daraus ein Hidden-Markov-Modell mit probabilistischen Übergangswahrscheinlichkeiten ermittelt werden.
Es kann vorgesehen sein, dass zum Bestimmen der Häufigkeitsverteilung von Übergängen von einem Zyklusprofil zu einem zeitlich nachfolgenden Zyklusprofil in der gebildeten Abfolge von Zyklusprofilen ein Hidden Markow Modell erstellt wird, in dem Zyklusprofile Knoten bilden, die über Kanten verbunden sind, denen Häufigkeiten der Übergänge von einem Zyklusprofil zu einem nachfolgenden Zyklusprofil zugeordnet sind.
Im Betrieb wird das Hidden-Markov-Modell kontinuierlich bezüglich der aktuellen Betriebsgrößenverläufe für jedes individuelle Fahrzeug in der Zentraleinheit aktualisiert. Dazu ist das Ende des vorgegebenen Zeitraums immer bezüglich eines aktuellen Zeitpunkts definiert.
Für die Durchführung einer Alterungszustandsprädiktion werden nun ausgehend von dem aktuellen Zustand des Alterungszustandsmodells Betriebsgrößenverläufe prädiziert.
Dazu wird eine Abfolge von prädizierten Zyklusprofilen aus dem Hidden-Markov-Modell gesampelt, indem basierend auf dem zuletzt ermittelten Zyklusprofil das jeweils nächste Zyklusprofil prädiziert wird durch Zufallsauswahl entsprechend den Übergangswahrscheinlichkeiten. Dies wird bis zu einem Prädiktionshorizont durchgeführt, das den künftigen Zeitpunkt angibt, bis zu dem die Prädiktion reichen soll.
Zu jedem der Zyklusprofile wird mithilfe eines Lastmustermodells ein Verlauf einer oder mehrerer Betriebsgrößen oder einer oder mehrerer Belastungsgrößen, wie beispielsweise einem Batteriestrom und einer Batterietemperatur, konstruiert. Werden Belastungsgrößen ermittelt, so können diese zur Generierung weiterer Betriebsgrößenverläufe insbesondere mithilfe eines Batterie-Performance-Modells verwendet werden. So können aus Verläufen der Belastungsgrößen des Batteriestroms und der Batterietemperatur Verläufe einer Batteriespannung und eines Ladezustands bestimmt werden.
Es kann vorgesehen sein, dass die den Zyklusprofilen zugeordneten Profil-Betriebsgrößenverläufe jeweils demjenigen Betriebsgrößenverlauf des jüngsten Zyklus entspricht, der dem betreffenden Zyklusprofil zugeordnet ist.
Alternativ können die den Zyklusprofilen zugeordneten Profil-Betriebsgrößenverläufe jeweils demjenigen Betriebsgrößenverlauf des Zyklus entsprechen oder davon abgeleitet sein, der dem betreffenden Zyklusprofil zugeordnet ist und der dem Zentroiden des zugehörigen Clusters am nächsten liegt.
Somit ist vorgesehen, jedem der vordefinierten Zyklusprofile ein Profil-Betriebsgrößenverlauf zuzuordnen, der einem künstlichen prädizierten Betriebsgrößenverlauf entspricht. Die zugeordneten Profil-Betriebsgrößenverläufe können beispielsweise jeweils dem Betriebsgrößenverlauf entsprechen, der als Zyklus zuletzt dem entsprechenden Zyklusprofil zugeordnet worden ist. Alternativ kann jedem Zyklusprofil derjenige Profil-Betriebsgrößenverlauf zugeordnet werden, der bei einem Cluster von Zyklen, die dem betreffenden Zyklusprofil zugeordnet sind, am nächsten am Zentroiden des durch die entsprechenden Zyklen gebildeten Clusters liegt.
Durch Aneinanderhängen von Profil-Betriebsgrößenverläufen entsprechend der Abfolge der Zyklusprofile kann prädizierter Betriebsgrößenverlauf oder erst ein prädizierter Belastungsgrößenverlauf und daraus ein prädizierter Betriebsgrößenverlauf erstellt werden. Der prädizierte Betriebsgrößenverlauf gibt einen möglichen, künstlich erzeugten Betriebsgrößenverlauf an, der eine bei Fortschreibung des Nutzungsverhaltens der Gerätebatterie daraus resultierende zyklische Alterung am besten nachbildet.
Kurzbeschreibung der Zeichnungen
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 Prädiktion eines Alterungszustands einer Fahrzeugbatterie in einer Zentraleinheit;
2 eine schematische Darstellung eines funktionalen Aufbaus eines datenbasierten Alterungszustandsmodells;
3 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zum Erstellen eines prädizierten Lastprofils für die Ermittlung eines prädizierten Alterungszustands bzw. eines prädizierten Alterungszustandsverlaufs bzw. einer verbleibenden Restlebensdauer;
4 eine Darstellung eines beispielhaften Hidden-Markov-Modells mit Übergangswahrscheinlichkeiten als Grundlage für die Erstellung eines prädizierten Zyklusprofils für die Ermittlung von prädizierten Betriebsgrößenverläufen.

Beschreibung von Ausführungsformen
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als Gerätebatterien 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 und/oder Merkmalen 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 einer Fahrzeugbatterie 41 in einem Kraftfahrzeug 4. 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 Zeitreihen eines Batteriestroms, einer Batteriespannung, einer Batterietemperatur und eines Ladezustands (SOC: State of Charge), sowohl auf Pack-, Modul- und/oder Zellebene. Die Betriebsgrößen F werden in einem schnellen Zeitraster von 1 Hz bis 100 Hz erfasst und können in unkomprimierter und/oder komprimierter Form regelmäßig an die Zentraleinheit 2 übertragen werden.
Weiterhin können die Zeitreihen unter Ausnutzung von Kompressions-Algorithmen zwecks Minimierung des Datenverkehrs zur Zentraleinheit 2 im Abstand von mehreren Stunden bis zu mehreren Tagen 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 oder semi-hybrides Modell 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 oder daraus bestimmt werden, 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 einen funktionalen Aufbau einer Ausführungsform eines datenbasierten Alterungszustandsmodells 9, das ein physikalisches Alterungsmodell 5 und ein datenbasiertes Korrekturmodell 6 aufweist. Diese erhalten Betriebsgrößen F bzw. Betriebsmerkmale M eines aktuellen Auswertungszeitraums/Alterungszeitpunkts (Alter der Fahrzeugbatterie seit Inbetriebnahmezeitpunkt). Die Betriebsmerkmale M des aktuellen Auswertungszeitraums/Alterungszeitpunkts werden in einem Merkmalsextraktionsblock 8 basierend auf den Zeitreihen der Betriebsgrößen F erzeugt.
Bei dem physikalischen Alterungsmodell 5 handelt es sich um ein nichtlineares, mathematisches Modell, das auf Differenzialgleichungen zur Abbildung elektrochemischer Vorgänge basiert. Ein solches Modell ist aus dem Stand der Technik bekannt und ermöglicht es, durch Auswerten von Differenzialgleichungen, die die Elektrochemie der Fahrzeugbatterie 41 in Bezug auf alterungsrelevante Modellparameter durch Zustandsfortschreibung basierend auf den Betriebsgrößenverläufen (seit dem Inbetriebnahmezeitpunkt bzw. einem Zeitpunkt, zu dem der interne Zustand bekannt ist, bis zu dem zu betrachteten aktuellen Zeitpunkt bzw. Auswertungszeitraum ) einen jeweiligen physikalischen Alterungszustand SOHph zu bestimmen. Das Auswerten des physikalischen Alterungsmodells 5 des Alterungszustandsmodells 9 mit Betriebsgrößenverläufen F, insbesondere seit Lebensdauerbeginn der Fahrzeugbatterie 41, führt gemäß dem Zeitintegrationsverfahren dazu, dass sich ein interner Zustand des Gleichungssystems der physikalischen Differenzialgleichungen einstellt, der einem physikalischen internen Zustand der Fahrzeugbatterie 41 entspricht.
Da das physikalische Alterungsmodell 5 auf physikalischen und elektrochemischen Gesetzmäßigkeiten basiert, umfassen die internen Zustände des physikalischen Alterungsmodells Größen, die physikalische Eigenschaften angeben, wie z. B. ein Gleichgewichtspotenzial für eine Anodennebenreaktion, einen Transferkoeffizienten für die Anodennebenreaktion mit einem ersten Elektrolyten, einen Anodenpolarisationsfaktor, eine SEI Leitfähigkeit, eine Abscheidungsrate, ein Gleichgewichtspotenzial für eine Kathodennebenreaktion, eine Nebenreaktionsrate an der Kathode; einen stromabhängigen Koeffizienten des mechanischen Stresses in dem aktiven Material der Anode, eine Gewichtung für den Kapazitätsverlust aufgrund Verlust von aktivem Material und dergleichen. Die internen Zustände können verwendet werden, um den physikalisch basierten Alterungszustand SOHph in Form einer Kapazitätserhaltungsrate (SOH-C) und/oder einer Innenwiderstandanstiegsrate (SOH-R) als lineare oder nichtlineare Abbildung der internen Zustände bereitzustellen.
Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften US 2016/023,566 , US 2016/023,567 und US 2020/150,185 bekannt.
Die durch das physikalische Alterungsmodell 5 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.
Für die Bestimmung eines korrigierten auszugebenden Alterungszustands SOH werden die Ausgänge SOHph, k des physikalischen Alterungsmodells 5 und des 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 bzw. Alterungszeitpunkt zu erhalten. Die Konfidenz des Gaußprozesses kann im Additions-Fall weiterhin als Konfidenz des auszugebenden korrigierten Alterungswert SOH des hybriden Modells verwendet werden.
Das Korrekturmodell 6 erhält eingangsseitig Betriebsmerkmale M, die aus den Verläufen der Betriebsgrößen F in einem Merkmalsextraktionsblock 8 basierend ermittelt und auch einen oder mehrere der internen elektrochemischen Zustände des Differentialgleichungssystems des physikalischen Alterungsmodells 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 dem Merkmalsextraktionsblock 8 basierend auf den Zeitreihen der Betriebsgrößen F erzeugt. Zu den Betriebsmerkmalen M zählen weiterhin die internen Zustände aus dem Zustandsvektor den elektrochemischen physikalischen Alterungsmodells 5 sowie vorteilhafterweise der physikalische Alterungszustand (SOHph).
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 als Betriebsmerkmale Merkmale aus Histogrammdaten ermittelt werden, die aus den Verläufen der Betriebsgrößen erstellt worden sind. So können beispielsweise Histogramme bezüglich des Batteriestroms über der Batterietemperatur und dem Ladezustand der Fahrzeugbatterie, ein Histogramm der Batterietemperatur über dem Ladezustand der Fahrzeugbatterie, ein Histogramm des Ladestroms über einer Batterietemperatur und ein Histogramm eines Entladestroms über der Batterietemperatur erstellt werden. Ferner können als Betriebsmerkmale die akkumulierte Gesamtladung (Ah), eine durchschnittliche Kapazitätszunahme bei einem Ladevorgang (insbesondere für Ladevorgänge, bei denen die Ladungszunahme über einem Schwellenanteil [z. B. 20 % ΔSOC] der gesamten Batteriekapazität liegt), die Ladekapazität sowie ein Extremwert (z. B. ein lokales Maximum) der geglätteten differentiellen Kapazität während eines gemessenen Ladevorgangs mit ausreichend großem Hub des Ladezustands (geglätteter Verlauf von dQ/dU: Ladungsänderung dividiert durch Änderung der Batteriespannung) oder die akkumulierte Fahrleistung jeweils seit Inbetriebnahme der Gerätebatterie berücksichtigt werden.
Diese Größen werden vorzugsweise so umgerechnet, dass sie das reale Nutzungsverhalten bestmöglich charakterisieren und sind im Merkmalsraum normiert. Die Betriebsmerkmale M können insgesamt oder nur teilweise für das nachfolgend beschriebene Verfahren verwendet werden.
Andere Ausgestaltungen des datenbasierten Alterungszustandsmodells sind ebenfalls möglich, beispielsweise kann das datenbasierte Alterungszustandsmodell als nicht-hybrides, rein datenbasiertes Modell basierend auf einem probabilistischen oder einem auf künstlicher Intelligenz basierendem Regressionsmodell, insbesondere einem Gauß-Prozess-Modell, oder einem Bayes'schen neuronalen Netz ausgebildet sein. Dieses ist trainiert, um einen modellierten Alterungszustand SOH aus einem Betriebsmerkmalspunkt, der durch aktuelle Betriebsmerkmale M des aktuellen Auswertungszeitraums/Alterungszeitpunkt bestimmt ist, bereitzustellen, wobei die Betriebsmerkmale M in einem Merkmalsextraktionsblock 8 basierend auf den Zeitreihen der Betriebsgrößen F ermittelt werden.
Die Betriebsmerkmale M und auch weitere Betriebsmerkmale, die in dem Merkmalsextraktionsblock 8 generiert werden, können zudem dem datenbasierten Korrekturmodell 6 zugeführt werden, das vorzugsweise als Gauß-Prozess-Modell ausgeführt ist. Dem datenbasierten Korrekturmodell ist vorteilhafterweise eine Reduktion des Merkmalsraums, speziell mithilfe einer Hauptkomponenten (PCA)-Transformation, vorgeschaltet. Das datenbasierte Korrekturmodell 6 dient zum Bereitstellen einer Korrekturgröße k zur Beaufschlagung des durch das datenbasierte Alterungsmodell ermittelten physikalischen Alterungszustands, um einen korrigierten Alterungszustand SOH für den betrachteten Zeitpunkt zu erhalten. Das datenbasierte Korrekturmodell 6 ist auf das Residuum des datenbasierten Alterungsmodells 5 trainiert und mit real gemessenen Alterungszuständen als Labels trainiert und validiert.
Ferner können in dem datenbasierten Korrekturmodell 6 als Eingangsgrößen elektrochemische Zustände, die sich durch Auswerten des datenbasierten Alterungsmodell für einen Alterungszustand ergeben berücksichtigt werden. Elektrochemische Zustände können z. B. eine oder mehrere der folgende Größen umfassen: eine SEI-Schichtdicke, eine Änderung von zyklisierbarem Lithium aufgrund von Anoden/Kathoden-Nebenreaktionen, eine Rate der schnellen Aufnahme von Elektrolytlösungsmittel, eine Rate der langsamen Aufnahme von Elektrolytlösungsmitteln, eine Rate der Lithiumabscheidung, einen Verlust von aktivem Anodenmaterial und einen Verlust von aktivem Kathodenmaterial, sowie Informationen zu Impedanzen bzw. den Innenwiderständen.
Das Alterungszustandsmodell 9 kann in der Zentraleinheit 2 angewendet werden, wobei Betriebsgrößenverläufe F der einzelnen Fahrzeuge 4 an die Zentraleinheit 2 übermittelt werden. Alternative Ausführungsformen können vorsehen, dass das Alterungszustandsmodell 9 durch Übertragen von entsprechenden Modellparametern an das jeweilige Fahrzeug im Fahrzeug angewendet wird.
Zur Prädiktion kann Nutzungsmustermodell 10 vorgesehen sein, das in nachfolgend beschriebener Weise Betriebsgrößenverläufe, insbesondere des Batteriestroms und der Batterietemperatur, prädizieren kann. Diese können mit einem an sich bekannten Batterie-Performance-Modell 11 durch weitere Betriebsgrößenverläufe, insbesondere der Batteriespannung und dem Ladezustand ergänzt werden.
In Verbindung mit 3 wird nun ein Verfahren beschrieben, mit dem ein Alterungszustand prädiziert werden kann. Die Prädiktion basiert auf dem vorbeschriebenen auf Zeitintegration basierenden Alterungszustandsmodell 9, das Betriebsgrößenverläufe mit hoher Auflösung auswerten kann. Zur Prädiktion wird nun ein Belastungsmuster aus künstlichen Betriebsgrößenverläufen in die Zukunft prädiziert, entweder bis zu einem vorgegebenen Prädiktionshorizont von einem Monat, drei Monaten, sechs Monaten, einem Jahr oder bis zu einem voraussichtlichen Lebensdauerende der Fahrzeugbatterie 41.
Das Verfahren sieht zunächst in Schritt S1 vor, die nutzerindividuellen Betriebsgrößenverläufe bis zu einem aktuellen Auswertungszeitpunkt zu erfassen. Die Betriebsgrößenverläufe F umfassen die Verläufe des Batteriestroms, der Batteriespannung, der Batterietemperatur und des Ladezustands.
Im Folgenden werden im Schritt S2 die Betriebsgrößenverläufe innerhalb eines vorgegebenen Zeitraums bis zu dem aktuellen Zeitpunkt von z. B. einem Monat, drei Monaten, sechs Monaten oder dergleichen, hinsichtlich Zyklen segmentiert. Die Zyklen können einer Unterteilung der Betriebsgrößenverläufe in aufeinanderfolgende Zeitabschnitte vorgegebener Dauer entsprechen.
Die Zyklen können anhand von Kriterien jeweils auch als Betriebszyklus, Ladezyklus oder Ruhezyklus mit variablen Dauern unterschieden werden. Betriebszyklen entsprechen Zeitabschnitten eines kontinuierlichen Betriebs, d. h. eines kontinuierlichen Entladestroms von größer als 0 A. Dabei können die Unterbrechungen eines Entladestrom von weniger als ein vorgegebene Minimalzeit, wie z. B. von 60 Sekunden, unberücksichtigt bleiben, um Ampelstopps oder Rekuperationsphasen auszublenden und diese noch dem betreffenden Betriebszyklus zuzuordnen. Weiterhin können Ruhezyklen identifiziert werden als Zeitabschnitte mit einem konstanten Batteriestrom von 0 A, deren Dauer größer ist als eine vorgegebene Minimalzeit. Als Ladezyklen können diejenigen zusammenhängende Zeitabschnitte identifiziert werden, in denen ein Ladestrom in die Fahrzeugbatterie 41 fließt.
Die Zyklen können in einem nachfolgenden Schritt S3 in Zyklusprofile klassifiziert werden. Die Zyklusprofile können in ein oder mehrere Betriebszyklusprofile, ein Ruhezyklusprofil und ein oder mehrere Ladezyklusprofile unterteilt werden. Dabei können die Betriebszyklusprofile entsprechend Belastungsmerkmalen, z.B. hinsichtlich ihres durchschnittlichen Leistungsdurchsatzes während der Dauer des dem Betriebszyklusprofil zugeordneten Zeitabschnitts, ihrer zeitlichen Dauer und dergleichen regelbasiert klassifiziert werden, um diese durch die Höhe des durchschnittlichen Strombezugs aus der betreffenden Fahrzeugbatterie 41 zu unterscheiden. Beispielsweise können die Betriebszyklusprofile in Bereiche von bis 10 Ah, bis 20 Ah und über 20 Ah unterteilt werden, um die Art der Belastung der Fahrzeugbatterie durch die Zuordnung zu einem entsprechenden Betriebszyklusprofil zu charakterisieren. Ferner können die Betriebszyklusprofile auch hinsichtlich der in dem zugeordneten Zeitabschnitt durchschnittlichen Batterietemperatur charakterisiert bzw. unterschieden werden, wie z. B. ein Betrieb unter 40°C und ein Betrieb über 40°C.
Allen Zyklen, in denen der Leistungsbezug weniger als ein vorgegebener Schwellenwert, z.B. 0,1 Ah pro Zeitabschnitt beträgt, kann ein Ruhezyklusprofil zugeordnet werden.
Zyklen, in denen kontinuierlich ein Ladestrom in die Fahrzeugbatterie 41 fließt, können einem Ladezyklusprofil zugeordnet werden. Ladezyklusprofile können hinsichtlich des fließenden Ladestroms unterschieden werden, beispielsweise Ladeströme bis zu 11 kW und Ladeströme über 11 kW können verschiedenen entsprechenden Ladezyklusprofilen entsprechen.
Die Betriebsgrößenverläufe F können nun entsprechend analysiert werden und zeitabschnittsweise unterschiedlichen Zyklusprofilen zugeordnet werden.
Alternativ kann die Zuordnung der Zyklen zu Zyklusprofilen mithilfe eines Clusteringverfahren basierend auf den Belastungsmerkmalen vorgenommen werden, das basierend auf den Belastungsmerkmalen die Zyklen jeweils in einen von mehreren Betriebszyklusprofilen, einem Ruhezyklusprofil oder einem von mehreren Ladezyklusprofilen zuordnet.
Es ergibt sich für beide Vorgehensweisen eine Abfolge von Zyklusprofilen für die einzelnen Zeitabschnitte gleicher oder variabler Dauer.
Die Zustandsbewertung kann regel- oder modellbasiert erfolgen, z.B. ein Ruhezyklus wird als ein lastfreier Zustand erkannt, z.B. wenn Ignition == Off.
Dynamische Zeitreihen-Daten probabilistisch aus historischen Flottendaten des Nutzers herausgelernt werden, nachdem Parkphasen eliminiert wurden. Die Prognose erfolgt hier speziell mit tiefen neuronalen Netzen, speziell Bayes'sche Netzen oder LSTM-Ansätze, vorzugsweise unter Verwendung von Attention-Mechanismen.
In einem nachfolgenden Schritt S4 wird die Abfolge der Zyklusprofile verwendet, um ein Hidden-Markov-Modell zu erstellen. Die Knoten bzw. Zustände des Hidden-Markov-Modells entsprechen dabei den einzelnen möglichen Zyklusprofilen, wie z.B. die Betriebszyklusprofile B1, B2, B3..., die Ladezyklusprofile L1, L2... und das Ruhezyklusprofil. Die Knoten der Zyklusprofile sind über Kanten mit Übergangswahrscheinlichkeiten p11, p12, ..., p54, p55 miteinander verbunden. Diese Abtastung bzw. Simulation über das HMM ist niederfrequent möglich und kann z.B. einmal pro Stunde erfolgen bis hin zu 4-6 mal pro Tag. Hierbei sollen Nutzer-Entscheidungen modelliert und simuliert werden, welche Nutzungs-Szenarien beschreiben (Parken, Laden, Fahren) und sich somit unmittelbar auf die Zeitreihen der Lastprofile auswirken, da die Zustände des HMM direkt mit Zeitreihendaten verknüpft sind, wobei die Zeitreihen-Muster über große Flottendaten fahrerindividuell erlernt werden.
4 zeigt beispielhaft eine grafische Darstellung eines Hidden Markow Modells 20 mit Knoten 21 und Kanten 22. Die Knoten 21 sind mit dem jeweiligen Zyklusprofil bezeichnet und die Kanten 22 mit beispielhaften Angaben zu den Übergangswahrscheinlichkeiten versehen. Gestrichelt sind die Übergangswahrscheinlichkeiten von einem Zyklusprofil auf das gleiche Zyklusprofil angegeben, wenn die Zyklen als Zeitabschnitte mit konstanter Dauer vorgegeben sind und so zwei aufeinanderfolgende Zyklusprofile gleich sein können. Das Hidden Markow Modell umfasst somit mindestens einen Zustand (Knoten), welcher mit einem Ladezyklusprofil oder mindestens einem Betriebszyklusprofil und einem Ruhezyklusprofil verknüpft ist, wobei nutzerindividuell Übergangswahrscheinlichkeiten und optional Beobachtungswahrscheinlichkeiten erlernt werden.
In einem nachfolgenden Schritt S5 kann nun für eine vorgegebene Prädiktionszeitdauer, die bis zu einem vorgegebenem Prädiktionshorizont reicht, eine Abfolge von Zyklusprofile entsprechend einer Monte-Carlo-Markov-Simulation bzw. unter Zuhilfenahme der Transitions-Matrix des Hidden-Markow-Modells gemäß einer Zufallsauswahl entsprechend der für den aktuellen Knoten vorgegebenen Übergangswahrscheinlichkeiten zu nachfolgenden Zyklusprofile vorgenommen werden. Es ergibt sich eine Abfolge von prädizierten Zyklusprofilen bis zu einem Prädiktionshorizont. Somit ergibt sich eine künftige Lastprognose auf Basis des HMMs und der dynamischen Zeitreihen-Prädiktion der Betriebsgrößen, wobei Ruhe- und Betriebs- und/oder Ladezyklen als dynamische Lastphasen über Zustands-Sampling aus dem HMM wieder zusammengesetzt werden. Die Lastprognose kann mit Erwartungswert und Konfidenz oder Quantil-Angabe bereitgestellt werden. Weiterhin kann eine Reichweitenprädiktion erfolgen, speziell auf Basis der Quantil-Prädiktion der Lastprognose oder auf Basis des Erwartungswertes.
Insbesondere werden in Schritt S6 jedem der Zyklusprofile ein Profil-Betriebsgrößenverlauf zugeordnet, insbesondere in Form eines Batteriestromverlaufs und eines Batterietemperaturverlaufs. Aus dem Batteriestromverlauf und dem Batterietemperaturverlauf können mithilfe eines geeigneten Batterie-Performance-Modells Verläufe der Batteriespannung und des Ladezustands berechnet werden. Die so ermittelten Betriebsgrößenverlaufe können als Eingangsgrößen für das hybride Alterungszustandsmodell verwendet werden, um einen entsprechenden prädizierten Verlauf des Alterungszustands zu ermitteln.
Der Profil-Betriebsgrößenverlauf kann für jedes der Zyklusprofile vorgegeben sein, so dass sich aus der Abfolge von Zyklusprofilen eine kontinuierliche Zeitreihe der Betriebsgrößenverläufe ergibt.
Die Erstellung des Batteriestromverlaufs für das jeweilige Zyklusprofil kann aus einem historischen Betriebsgrößenverlauf der betreffenden Fahrzeugbatterie in einem Zyklus, der dem entsprechenden Zyklusprofil entspricht, ermittelt werden. Insbesondere kann bei Clustern der dem entsprechenden Zyklusprofil zugeordneten Zyklen der Betriebsgrößenverlauf des am nächsten am Zentroiden des Clusters liegenden Zyklus zugeordneten Zyklus dem entsprechenden Zyklusprofil zugeordnet werden.
Für ein Ruhezyklusprofil ist der Batteriestrom 0A. Ein Batterietemperaturverlauf entspricht dabei im Wesentlichen dem Umgebungstemperaturverlauf, der von Wettervorhersagen und jahreszeitlichen Durchschnittstemperaturen abgeleitet werden kann.
Durch das Aneinanderhängen von so ermittelten Profil-Betriebsgrößenverläufen kann entsprechend ein prädizierter Betriebsgrößenverlauf konstruiert werden, der einen möglichen Betriebsgrößenverlauf am besten nachbildet und eine Alterung bewirken würde, die sich bei einer fortgesetzten Nutzung des Fahrzeugs mit dem Nutzungsprofil des Fahrers des Fahrzeugs ergeben würde.
Der prädizierte Betriebsgrößenverlauf kann in einem nachfolgenden Schritt S7 zur Prädiktion des Alterungszustands insbesondere zur Ermittlung eines prädizierten Alterungszustandsverlaufs verwendet werden. Der prädizierte Alterungszustandsverlauf kann hierbei z.B. durch das datenbasierte bzw. hybride Alterungszustandsmodell 9 bestimmt werden.
ZITATE ENTHALTEN IN DER BESCHREIBUNG
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
Zitierte Patentliteratur

US 2016023566 [0056]
US 2016023567 [0056]
US 2020150185 [0056]

Claims

Computerimplementiertes Verfahren zum Prädizieren eines Alterungszustands oder eines Verlaufs eines Alterungszustands einer Gerätebatterie (41) mit mindestens einer elektrochemischen Einheit in einem technischen Gerät (4), mit folgenden Schritten: - Bereitstellen (S1) eines zeitlichen Betriebsgrößenverlaufs aus mindestens einer Betriebsgröße der Gerätebatterie (41); - Ermitteln (S2) von aufeinanderfolgenden Zyklen, insbesondere Betriebszyklen, Ruhezyklen und Ladezyklen, aus dem zeitlichen Betriebsgrößenverlauf für einen vorgegebenen zurückliegenden Zeitraum, wobei jedem Zyklus ein Betriebsgrößenverlauf in einem vorgegebenen Zeitabschnitt zugeordnet ist; - Jeweiliges Zuordnen (S3) der ermittelten Zyklen zu einem von vorgegebenen Zyklusprofilen (R, B1, B2, L1, L2), die jeweils eine Art der Nutzung und/oder eine Höhe einer Belastung der Gerätebatterie (41) charakterisieren, so dass eine Abfolge von Zyklusprofilen (R, B1, B2, L1, L2) erhalten wird; - Bestimmen (S4) einer Häufigkeitsverteilung von Übergängen von einem Zyklusprofil zu einem zeitlich nachfolgenden Zyklusprofil (R, B1, B2, L1, L2) in der gebildeten Abfolge von Zyklusprofilen (R, B1, B2, L1, L2), insbesondere in Form eines Hidden Markow Modells; - Erstellen (S5) einer prädizierten Abfolge von Zyklusprofilen (R, B1, B2, L1, L2) durch sukzessives zufälliges Auswählen von Zyklusprofilen (R, B1, B2, L1, L2) entsprechend der Häufigkeitsverteilung der Übergänge ausgehend von dem zuletzt ausgewählten Zyklusprofil (R, B1, B2, L1, L2), - Zuordnen (S6) von den Zyklusprofilen zugeordneten Profil-Betriebsgrößenverläufen zu der prädizierten Abfolge von Zyklusprofilen, um einen prädizierten Betriebsgrößenverlauf zu erhalten; - Ermitteln (S7) eines prädizierten Alterungszustands oder eines prädizierten Alterungszustandsverlaufs basierend auf dem prädizierten Betriebsgrößenverlauf mithilfe eines vorgegebenen Alterungszustandsmodells.
Verfahren nach Anspruch 1, wobei die Zyklusprofile (R, B1, B2, L1, L2) ein oder mehrere den Betriebszyklen zugeordnete Betriebszyklusprofile (B1, B2), ein oder mehrere den Ruhezyklen zugeordnete Ruhezyklusprofile (R) und ein oder mehrere den Ladezyklen (L1, L2) zugeordnete Ladezyklusprofile umfassen, die sich jeweils voneinander durch die Art der Belastung für die betreffende Gerätebatterie (41) unterscheiden.
Verfahren nach Anspruch 2, wobei das jeweilige Zuordnen der ermittelten Zyklen zu Zyklusprofilen mithilfe eines regelbasierten Klassifikationsverfahrens oder eines Clustering-Verfahrens basierend auf Belastungsmerkmalen erfolgt, wobei die Belastungsmerkmale mindestens eine aggregierte Größe aus den Betriebsgrößenverläufen des jeweiligen Zyklus umfasst.
Verfahren nach Anspruch 3, wobei das jeweilige Zuordnen der ermittelten Zyklen zu Zyklusprofilen (R, B1, B2, L1, L2) ein Erkennen von Ruhezyklen in Zeitabschnitten ohne Stromfluss erfolgt, so dass den Zeitabschnitten ohne Stromfluss ein Ruhezyklusprofil zugeordnet wird und dem dem Ruhezyklus vorhergehenden und dem dem Ruhezyklus nachfolgenden Zyklus jeweils ein Betriebszyklus oder ein Ladezyklus zugeordnet wird.
Verfahren nach einem der Ansprüche 1 bis 4, wobei die mindestens eine Betriebsgröße der Gerätebatterie (41) einen Batteriestrom, eine Batterietemperatur, eine Batteriespannung und einen Ladezustand umfasst.
Verfahren nach einem der Ansprüche 1 bis 5, wobei die Profil-Betriebsgrößenverläufe jeweils einen Verlauf des Batteriestroms und der Batterietemperatur angeben, wobei die Verläufe der Batteriespannung und des Ladezustands mithilfe eines Batterie-Performance-Modells bestimmt werden.
Verfahren nach einem der Ansprüche 1 bis 6, wobei die den Zyklusprofilen zugeordneten Profil-Betriebsgrößenverläufe jeweils demjenigen Betriebsgrößenverlauf des jüngsten Zyklus entspricht, der dem betreffenden Zyklusprofil zugeordnet ist.
Verfahren nach einem der Ansprüche 1 bis 6, wobei die den Zyklusprofilen zugeordneten Profil-Betriebsgrößenverläufe jeweils demjenigen Betriebsgrößenverlauf des Zyklus entspricht, der dem betreffenden Zyklusprofil zugeordnet ist und der dem Zentroiden des zugehörigen Clusters am nächsten liegt.
Verfahren nach einem der Ansprüche 1 bis 8, wobei zum Bestimmen der Häufigkeitsverteilung von Übergängen von einem Zyklusprofil zu einem zeitlich nachfolgenden Zyklusprofil in der gebildeten Abfolge von Zyklusprofilen ein Hidden Markow Modell erstellt wird, in dem Zyklusprofile Knoten bilden, die über Kanten verbunden sind, denen Häufigkeiten der Übergänge von einem Zyklusprofil zu einem nachfolgenden Zyklusprofil zugeordnet sind.
Verfahren nach einem der Ansprüche 1 bis 9, wobei das Ermitteln des prädizierten Alterungszustands oder des prädizierten Alterungszustandsverlaufs basierend auf dem prädizierten Betriebsgrößenverlauf mithilfe eines Alterungszustandsmodells durchgeführt wird, das ein elektrochemisches Modell umfasst, das durch ein nichtlineares Differentialgleichungssystem gebildet wird und über Zeitintegration lösbar ist.
Verfahren nach einem der Ansprüche 1 bis 10, wobei das Ermitteln des prädizierten Alterungszustands basierend auf dem prädizierten Betriebsgrößenverlauf mithilfe eines Alterungszustandsmodells durchgeführt wird, um eine Restlebensdauer und, insbesondere bei einem Fahrzeug als technisches Gerät (4) eine Restreichweite, bis zum Erreichen eines Endzeitpunkts, zu dem ein vorgegebener Alterungszustand erreicht ist, zu bestimmen.
Computerimplementiertes Verfahren zum Bereitstellen eines Hidden Markow Modells insbesondere zur Verwendung in einem der Verfahren nach einem der Ansprüche 1 bis 10, mit folgenden Schritten: - Bereitstellen eines zeitlichen Betriebsgrößenverlaufs aus mindestens einer Betriebsgröße einer Gerätebatterie (41) mit mindestens einer elektrochemischen Einheit in einem technischen Gerät (4); - Ermitteln von aufeinanderfolgenden Zyklen, insbesondere Betriebszyklen, Ruhezyklen und Ladezyklen, aus dem zeitlichen Betriebsgrößenverlauf für einen vorgegebenen zurückliegenden Zeitraum, wobei jedem Zyklus ein Betriebsgrößenverlauf in einem vorgegebenen Zeitabschnitt zugeordnet ist; - Jeweiliges Zuordnen der ermittelten Zyklen zu einem von vorgegebenen Zyklusprofilen (R, B1, B2, L1, L2), die jeweils eine Art der Nutzung und/oder eine Höhe einer Belastung der Gerätebatterie (41) charakterisieren, so dass eine Abfolge von Zyklusprofilen (R, B1, B2, L1, L2) erhalten wird; - Bestimmen eines Hidden Markow Modells basierend auf einer Häufigkeitsverteilung von Übergängen von einem Zyklusprofil zu einem zeitlich nachfolgenden Zyklusprofil in der gebildeten Abfolge von Zyklusprofilen.
Vorrichtung zur Durchführung eines der Verfahren nach einem der Ansprüche 1 bis 12.
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.