DE102022213590B4 - Method and device for determining a predicted battery state for the purpose of anomaly prediction of a device battery in a technical device using edge computing - Google Patents
Method and device for determining a predicted battery state for the purpose of anomaly prediction of a device battery in a technical device using edge computing Download PDFInfo
- Publication number
- DE102022213590B4 DE102022213590B4 DE102022213590.3A DE102022213590A DE102022213590B4 DE 102022213590 B4 DE102022213590 B4 DE 102022213590B4 DE 102022213590 A DE102022213590 A DE 102022213590A DE 102022213590 B4 DE102022213590 B4 DE 102022213590B4
- Authority
- DE
- Germany
- Prior art keywords
- battery
- model
- state
- aging
- predicted
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 230000032683 aging Effects 0.000 claims description 158
- 230000002123 temporal effect Effects 0.000 claims description 17
- 230000010354 integration Effects 0.000 claims description 12
- 239000002245 particle Substances 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 description 23
- 238000011156 evaluation Methods 0.000 description 22
- 230000008569 process Effects 0.000 description 19
- 230000008859 change Effects 0.000 description 12
- 238000001514 detection method Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 8
- 230000036541 health Effects 0.000 description 8
- 229910052744 lithium Inorganic materials 0.000 description 8
- 238000006243 chemical reaction Methods 0.000 description 5
- 238000007599 discharging Methods 0.000 description 5
- 239000003792 electrolyte Substances 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000014759 maintenance of location Effects 0.000 description 4
- 125000004122 cyclic group Chemical group 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000003797 telogen phase Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000009792 diffusion process Methods 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000011545 laboratory measurement Methods 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241001236093 Bulbophyllum maximum Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 239000010405 anode material Substances 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000006182 cathode active material Substances 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008021 deposition Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Secondary Cells (AREA)
Abstract
Die Erfindung betrifft ein Verfahren zum Bestimmen mindestens eines prädizierten inneren Batteriezustands einer bestimmten Gerätebatterie (41) eines technischen Geräts (4) und zum Feststellen einer Anomalie der bestimmten Gerätebatterie (41) basierend auf dem mindestens einen prädizierten inneren Batteriezustands.The invention relates to a method for determining at least one predicted internal battery state of a specific device battery (41) of a technical device (4) and for detecting an anomaly of the specific device battery (41) based on the at least one predicted internal battery state.
Description
Technisches GebietTechnical area
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. Die Erfindung betrifft Verfahren und Vorrichtungen zum Ermitteln eines prädizierten inneren Batteriezustands einer Gerätebatterie in einem technischen Gerät unter Auswertung des Verhaltens der Gerätebatterien einer Vielzahl gleichartiger Gerätebatterien. Die Erfindung betrifft weiterhin Verfahren zum robusten Ermitteln eines prädizierten inneren Batteriezustands in dem technischen Gerät für eine Anomalieprädiktion.The invention relates to electrical devices operated independently of the mains, in particular electrically driven motor vehicles, in particular electric vehicles or hybrid vehicles, with device batteries and also to measures for determining a predicted state of health (SOH) of the device battery. The invention relates to methods and devices for determining a predicted internal battery state of a device battery in a technical device by evaluating the behavior of the device batteries of a large number of similar device batteries. The invention also relates to methods for robustly determining a predicted internal battery state in the technical device for an anomaly prediction.
Technischer HintergrundTechnical background
Die Energieversorgung von netzunabhängig betriebenen elektrischen Geräten und Maschinen, wie z. B. elektrisch antreibbaren Kraftfahrzeugen, erfolgt in der Regel mit Gerätebatterien bzw. Fahrzeugbatterien. Diese liefern elektrische Energie zum Betrieb der Geräte.The energy supply for electrical devices and machines that operate independently of the mains, such as electrically powered vehicles, is usually provided by device batteries or vehicle batteries. These supply electrical energy to operate the devices.
Gerätebatterien degradieren über ihre Lebensdauer und abhängig von deren Belastung bzw. Nutzung. Diese Degradation wird zyklische Alterung genannt und führt zu einer kontinuierlich abnehmenden maximalen Leistungs- bzw. Speicherkapazität. Der Alterungszustand entspricht einem Maß zur Angabe der Alterung von Gerätebatterien. Gemäß der Konvention kann eine neue Gerätebatterie einen Alterungszustand (bezüglich ihrer Kapazität, SOH-C) von 100 % aufweisen, der 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.Device batteries degrade over their service life and depending on their load or use. This degradation is called cyclical ageing and leads to a continuously decreasing maximum power or storage capacity. The ageing state corresponds to a measure of the ageing of device batteries. According to the convention, a new device battery can have an ageing state (in terms of its capacity, SOH-C) of 100%, which decreases noticeably over the course of its service life. A measure of the ageing of the device battery (change in the ageing state over time) depends on an individual load on the device battery, i.e. in the case of vehicle batteries in motor vehicles, on the usage behavior of a driver, external environmental conditions and the vehicle battery type.
Um Gerätebatterien aus einer Vielzahl von Geräten zu überwachen, werden in der Regel Betriebsgrößendaten kontinuierlich erfasst und als Betriebsgrößenverläufe blockweise an eine geräteexterne Zentraleinheit übertragen. Im Falle von Gerätebatterien mit einer Vielzahl von Batteriezellen können die Betriebsgrößen auf Zellebene erfasst und in komprimierter Form an die Zentraleinheit übertragen werden. Zur Auswertung der Betriebsgrößendaten, insbesondere zur Ermittlung von Batteriezuständen in Modellen, die auf Differentialgleichungen basieren, werden die Betriebsgrößendaten mit einer hohen zeitlichen Auflösung (Abtastraten) von beispielsweise zwischen 1 und 100 Hz abgetastet und daraus mit einem Zeitintegrationsverfahren ein innerer elektrochemischer Batteriezustand ermittelt.In order to monitor device batteries from a large number of devices, operating variable data is usually recorded continuously and transmitted in blocks as operating variable curves to a central unit external to the device. In the case of device batteries with a large number of battery cells, the operating variables can be recorded at cell level and transmitted to the central unit in compressed form. To evaluate the operating variable data, in particular to determine battery states in models based on differential equations, the operating variable data is sampled with a high temporal resolution (sampling rates) of, for example, between 1 and 100 Hz and an internal electrochemical battery state is determined from this using a time integration method.
Basierend auf den inneren Batteriezuständen kann eine Überwachung der Gerätebatterie erfolgen, um Anomalien zu erkennen. Gelingt es, die Batteriezustände zu prädizieren, kann eine prädiktive Erkennung einer anstehenden Anomalie vorgenommen werden.Based on the internal battery conditions, the device battery can be monitored to detect anomalies. If the battery conditions can be predicted, a predictive detection of an impending anomaly can be performed.
Das Dokument
Das Dokument
Offenbarung der ErfindungDisclosure of the invention
Erfindungsgemäß sind ein Verfahren und eine Vorrichtung zum geräteinternen Ermitteln mindestens eines prädizierten inneren Batteriezustands einer Gerätebatterie eines technischen Geräts mithilfe von Edge Computing und zum Erkennen einer Anomalie basierend auf dem mindestens einen prädizierten inneren Batteriezustands gemäß Anspruch 1 sowie ein entsprechendes System gemäß dem nebengeordneten Anspruch vorgesehen.According to the invention, a method and a device for internally determining at least one predicted internal battery state of a device battery of a technical device using edge computing and for detecting an anomaly based on the at least one predicted internal battery state according to claim 1 and a corresponding system according to the independent claim are provided.
Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.Further embodiments are specified in the dependent claims.
Gemäß einem ersten Aspekt ist ein Verfahren zum Bestimmen mindestens eines prädizierten inneren Batteriezustands einer bestimmten Gerätebatterie eines technischen Geräts und zum Feststellen einer Anomalie der bestimmten Gerätebatterie basierend auf dem mindestens einen prädizierten inneren Batteriezustands, mit folgenden Schritten:
- - Bereitstellen des mindestens einen inneren Batteriezustands der bestimmten Gerätebatterie durch Auswerten eines elektrochemischen Batteriemodells basierend auf Betriebsgrößenverläufen der bestimmten Gerätebatterie, wobei das elektrochemische Batteriemodell basierend auf Betriebsgrößenverläufen einer Vielzahl von Gerätebatterien parametrisiert und/oder trainiert ist;
- - Bereitstellen eines mithilfe des mindestens einen inneren Batteriezustand parametrisierten Batterie-Dynamik-Modells, wobei das Batterie-Dynamik-Modell zumindest einen Batteriestrom auf eine Batteriespannung abbildet;
- - Anpassen oder Korrigieren des mindestens einen inneren Batteriezustands mithilfe eines Beobachtermodells basierend auf einem Spannungsunterschied zwischen einer gemessenen Batteriespannung der bestimmten Gerätebatterie und einer mithilfe des Batterie-Dynamik-Modells modellierten Batteriespannung der bestimmten Gerätebatterie zu einem oder mehreren Zeitpunkten;
- - Prädizieren eines prädizierten Betriebsgrößenverlaufs mithilfe eines weiteren Batteriedynamikmodell, das mit dem korrigierten mindestens einen inneren Batteriezustand parametrisiert ist;
- - Ermitteln eines prädizierten Verlaufs des mindestens einen inneren Batteriezustands abhängig von dem prädizierten Betriebsgrößenverlauf mithilfe des elektrochemischen Batteriemodells, das die Zeitreihenintegration ausgehend von dem mindestens einen korrigierten inneren Batteriezustand (Z') zu einem aktuellen Zeitpunkt vornimmt.
- - Providing the at least one internal battery state of the specific device battery by evaluating an electrochemical battery model based on operating variable profiles of the specific device battery, wherein the electrochemical battery model is parameterized and/or trained based on operating variable profiles of a plurality of device batteries;
- - Providing a battery dynamics model parameterized using the at least one internal battery state, wherein the battery dynamics model maps at least one battery current to a battery voltage;
- - adjusting or correcting the at least one internal battery state using an observer model based on a voltage difference between a measured battery voltage of the specific device battery and a battery voltage of the specific device battery modeled using the battery dynamics model at one or more points in time;
- - Predicting a predicted operating variable curve using a further battery dynamics model which is parameterized with the corrected at least one internal battery state;
- - Determining a predicted course of the at least one internal battery state depending on the predicted operating variable course using the electrochemical battery model, which carries out the time series integration starting from the at least one corrected internal battery state (Z') at a current point in time.
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 und damit ein Maß zur Charakterisierung des Restwerts der Batterie dar. Im Falle einer Gerätebatterie oder eines Batterie-Moduls oder einer Batteriezelle kann der Alterungszustand als Kapazitätserhaltungsrate (Capacity Retention Rate, SOH-C) angegeben werden. Die Kapazitätserhaltungsrate SOH-C, d. h. der kapazitätsbezogene Alterungszustand, ist als Verhältnis der gemessenen momentanen Kapazität zu einer Anfangskapazität (zum Zeitpunkt der Inbetriebnahme) 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 (Zeitpunkt der Inbetriebnahme) der Gerätebatterie angegeben werden. Die relative Änderung des Innenwiderstands SOH-R steigt mit zunehmender Alterung der Batterie an.The state of health (SOH) is the key value for indicating the remaining battery capacity or remaining battery charge of device batteries. The state of health is a measure of the aging of the device battery and thus a measure for characterizing the residual value of the battery. In the case of a device battery or a battery module or a battery cell, the state of health can be specified as the capacity retention rate (SOH-C). The capacity retention rate SOH-C, i.e. the capacity-related state of health, is specified as the ratio of the measured instantaneous capacity to an initial capacity (at the time of commissioning) of the fully charged battery and decreases with increasing aging. Alternatively, the state of health can be specified as an increase in the internal resistance (SOH-R) with respect to an internal resistance at the start of the service life (time of commissioning) of the device battery. The relative change in the internal resistance SOH-R increases with increasing aging of the battery.
Der Alterungszustand einer Gerätebatterie bezüglich einer zyklischen Alterung wird üblicherweise nicht direkt gemessen. Dies würde eine Reihe von Sensoren im 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 Energiespeichern noch nicht auf dem Markt verfügbar.The aging state of a device battery with regard to cyclic aging is usually not measured directly. This would require a series of sensors inside the device battery, which would make the production of such a device battery costly and complex and would increase the space required. In addition, everyday measuring methods for directly determining the aging state in energy storage devices are not yet available on the market.
Das Überwachen von Gerätebatterien einer Vielzahl von Geräten wird daher aus Kapazitätsgründen in einer geräteexternen Zentraleinheit vorgenommen. Dazu übermitteln die Geräte zeitliche Betriebsgrößenverläufe von Betriebsgrößen der Gerätebatterien an die Zentraleinheit, wobei in der Zentraleinheit ein elektrochemisches Batteriemodell in eines Alterungsmodells ausgeführt wird, um einen Alterungszustand und aktuelle elektrochemische innere Zustände zu ermitteln. Je nach verwendetem Modell werden dazu kontinuierlich Zeitreihen von Betriebsgrößen als Betriebsgrößenverläufe, wie beispielsweise Batteriestrom, Batterietemperatur, Ladezustand und/oder Batteriespannung, erfasst und blockweise und gegebenenfalls in komprimierter Form an die Zentraleinheit übermittelt. Dort werden die Betriebsgrößenverläufe ausgewertet, so dass basierend auf einem oder mehreren Alterungszustandsmodellen ein geräteindividueller Zustand, angegeben durch innere elektrochemische Batteriezustände und gegebenenfalls weitere Größen berechnet/ermittelt werden können.For capacity reasons, device batteries of a large number of devices are therefore monitored in a central unit external to the device. To do this, the devices transmit temporal operating variables of the device batteries' operating variables to the central unit, with an electrochemical battery model being executed in an aging model in the central unit in order to determine an aging state and current internal electrochemical states. Depending on the model used, time series of operating variables are continuously recorded as operating variable curves, such as battery current, battery temperature, state of charge and/or battery voltage, and transmitted to the central unit in blocks and, if necessary, in compressed form. The operating variable curves are evaluated there so that, based on one or more aging state models, a device-specific state, specified by internal electrochemical battery states and, if necessary, other variables, can be calculated/determined.
Zudem können die Betriebsgrößen aus der Vielzahl von Gerätebatterien mit statistischen Methoden ausgewertet werden, um ein weiteres elektrochemisches Performance Batteriemodell z.B. durch Anfitten, zu parametrisieren. Die Modellparameter entsprechen ebenfalls inneren elektrochemischen Batteriezuständen, die physikalischen zuständen entsprechen. Die inneren elektrochemischen Batteriezustände, die durch das Alterungsmodell und das Performance-.Modell ermittelt werden können entsprechen einander oder können ineinander umgerechnet werden.In addition, the operating variables from the large number of device batteries can be evaluated using statistical methods in order to parameterize another electrochemical performance battery model, e.g. by fitting. The model parameters also correspond to internal electrochemical battery states, which correspond to physical states. The internal electrochemical battery states that can be determined by the aging model and the performance model correspond to one another or can be converted into one another.
Die elektrochemischen Batteriezustände können einen oder mehrere der folgenden elektrochemischen Zustandsgrößen als innere Batteriezustände umfassen:
- - eine Menge an zyklisierbarem Lithium,
- - einen Volumenanteil der Anode,
- - einen Volumenanteil der Kathode,
- - eine Reaktionsrate oder einen Reaktionskoeffizient bzgl. einer Anode,
- - ein Diffusionskoeffizient der Anode,
- - eine Schichtdicke bzgl. der Anode,
- - eine Reaktionsrate oder einen Reaktionskoeffizienten bzgl. der Kathode,
- - einen Diffusionskoeffizient der Kathode,
- - eine Porosität in der Anode,
- - eine Porosität in der Kathode,
- - ein Bruggemann-Koeffizient in der Anode,
- - ein Bruggemann-Koeffizient in der Kathode,
- - eine Elektrolytkonzentration,
- - einen Kontaktwiderstand,
- - eine mechanische Partikelbelastung.
- - an amount of cyclable lithium,
- - a volume fraction of the anode,
- - a volume fraction of the cathode,
- - a reaction rate or reaction coefficient with respect to an anode,
- - a diffusion coefficient of the anode,
- - a layer thickness regarding the anode,
- - a reaction rate or reaction coefficient with respect to the cathode,
- - a diffusion coefficient of the cathode,
- - a porosity in the anode,
- - a porosity in the cathode,
- - a Bruggemann coefficient in the anode,
- - a Bruggemann coefficient in the cathode,
- - an electrolyte concentration,
- - a contact resistance,
- - mechanical particle loading.
Auch weitere Parameter zur elektrochemischen oder mechanischen oder physikalischen Modellierung können enthalten sein.Additional parameters for electrochemical, mechanical or physical modeling may also be included.
Das elektrochemische Batteriemodell, z.B. in Form eines Alterungsmodells, umfasst ein Differentialgleichungssystem, das basierend auf über Modellparameter parametrisierte Differentialgleichungen innere Batteriezustände, insbesondere Gleichgewichtszustände und ggfs. kinetische Zustände, mithilfe eines Zeitintegrationsverfahren modelliert und eine Beziehung zwischen Betriebsgrößen der Batteriezellen der Gerätebatterie, nämlich einem Batteriestrom, einer Batteriespannung, einer Batterietemperatur und einem Ladezustand der Gerätebatterie bereitstellt. Derartige elektrochemische Batteriemodelle sind beispielsweise aus den Druckschriften
Ein mögliches elektrochemisches Batteriemodell kann z.B. in Form eines hybriden Alterungszustandsmodells vorgesehen werden, das einer Kombination eines physikalischen Alterungsmodells mit einem datenbasierten Modell entspricht. Bei dem hybriden Alterungszustandsmodell 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.A possible electrochemical battery model can be provided, for example, in the form of a hybrid aging state model, which corresponds to a combination of a physical aging model with a data-based model. In the hybrid aging state model, a physical aging state can be determined using a physical or electrochemical aging model and this can be subjected to a correction value that results from a data-based correction model, in particular by addition or multiplication.
Das physikalische Alterungsmodell basiert auf elektrochemischen Modellgleichungen, welche in an sich bekannter Weise elektrochemische Zustände eines nichtlinearen Differentialgleichungs-Systems hinsichtlich Alterungsreaktionen charakterisiert, fortlaufend abhängig von den zeitlichen Betriebsgrößenverläufen gemäß einem Zeitintegrationsverfahren berechnet und diese zur Ausgabe auf den physikalischen Alterungszustand abbildet, als SOH-C und/oder als SOH-R. Die Berechnungen können typischerweise in der Zentraleinheit (Cloud) in Abständen von vorgegebenen Auswertungszeiträumen von z. B. einmal pro Woche ausgeführt werden.The physical aging model is based on electrochemical model equations, which characterize electrochemical states of a non-linear differential equation system in terms of aging reactions in a known manner, continuously calculate them depending on the temporal operating variable profiles according to a time integration method and map them to the physical aging state for output, as SOH-C and/or as SOH-R. The calculations can typically be carried out in the central unit (cloud) at intervals of predetermined evaluation periods, e.g. once a week.
Weiterhin kann das Korrekturmodell des hybriden datenbasierten Alterungszustandsmodells mit einem probabilistischen oder auf künstlicher Intelligenz basierenden probabilistischen 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.Furthermore, the correction model of the hybrid data-based aging state model can be designed with a probabilistic or artificial intelligence-based probabilistic regression model, in particular a Gaussian process model, and can be trained to correct the aging state obtained by the physical aging model. For this purpose, there is therefore a data-based correction model of the aging state for correcting the SOH-C and/or at least one more for correcting the SOH-R. Possible alternatives to the Gaussian process are other supervised learning methods, such as those based on a random forest model, an AdaBoost model, a support vector machine or a Bayesian neural network.
Es kann vorgesehen sein, dass das Alterungszustandsmodell in einer gerätefernen Zentraleinheit bereitgestellt wird, das das physikalische Alterungsmodell umfasst, das auf einem Differentialgleichungssystem basiert und ausgebildet ist, um durch ein Zeitintegrationsverfahren einen Alterungszustand zu berechnen, wobei das physikalische Alterungsmodell basierend auf Betriebsgrößenverläufen einer Vielzahl von Gerätebatterien gleichen Typs gefittet ist, um einem zeitlichen Betriebsgrößenverlauf der bestimmten Gerätebatterie einem Alterungszustand zuzuordnen.It can be provided that the aging state model is provided in a central unit remote from the device, which comprises the physical aging model which is based on a differential equation system and is designed to calculate an aging state by means of a time integration method, wherein the physical aging model is fitted based on operating variable profiles of a plurality of device batteries of the same type in order to assign an aging state to a temporal operating variable profile of the specific device battery.
Zur Überwachung der Gerätebatterie können die inneren Zustände des physikalischen Alterungsmodells (Differentialgleichungssystems) des hybriden Alterungszustandsmodells in der Zentraleinheit basierend auf den Betriebsgrößenverläufe z. B. ausgehend von einem Inbetriebnahmezeitpunkt (Lebensdauerbeginn)/Bezugszeitpunkt durch das Zeitintegrationsverfahren weiterentwickelt werden, woraus sich ein Alterungszustand modellbasiert bestimmen lässt. Dies setzt voraus, dass Betriebsgrößenverläufe kontinuierlich vorliegen. Das physikalische Alterungsmodell wird basierend auf hochgenau bestimmten Alterungszuständen SOH zu regelmäßigen Zeitpunkten parametriert.To monitor the device battery, the internal states of the physical aging model (differential equation system) of the hybrid aging state model in the central unit can be further developed based on the operating variable curves, e.g. starting from a commissioning point (start of service life)/reference point in time using the time integration method, from which an aging state can be determined based on the model. This requires that operating variable curves are continuous. The physical aging model is parameterized based on highly precise aging states SOH at regular points in time.
Als weiteres Modell zur Bestimmung eines hochgenauen Alterungszustands ein Basismodell vorgesehen sein, gemäß dem eine SOH-C-Messung durch Coulomb-Counting bzw. durch Bildung eines zeitlichen Stromintegrals während des Ladevorgangs vorgenommen wird, 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 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. As a further model for determining a highly accurate aging state, a basic model can be provided, according to which a SOH-C measurement is carried out by Coulomb counting or by forming a temporal current integral during the charging process, which is divided by the change in the state of charge between the beginning and the end of the relevant charging and/or discharging phase. The calibration is advantageously carried out on the no-load voltage characteristic in rest phases in order to also calculate the state of charge curve in the central unit. A sufficiently reliable indication of the state of age can be obtained, for example, if the vehicle battery is charged from a defined relaxed state under reproducible load and ambient conditions of a fully discharged charging state is brought to a fully charged state.
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. So ermittelte Alterungszustände können nicht zu jeder Zeit bestimmt werden und dienen in der Regel als Label für das Fitten des physikalischen Alterungsmodells und zum Trainieren des Korrekturmodells.The maximum charge recorded in this way can be related to an initial maximum charging capacity of the vehicle battery. Resistance-related aging states (SOH-R values) can also be calculated using voltage changes related to a current change. These are usually related to a defined time interval as well as defined environmental conditions and the energy flow direction of the system. Aging states determined in this way cannot be determined at any time and are usually used as labels for fitting the physical aging model and for training the correction model.
Es kann vorgesehen, sein dass die Berechnung des mindestens einen elektrochemischen Batteriezustandes mithilfe eines Beobachters erfolgt, der z.B. einen Luenberger-Beobachter, einen Kalman-Filter oder einen Partikel-Filter umfassen kann. Hierbei werden Beobachtungen eines vorzugsweise in der Zentraleinheit ausgeführten, an sich bekannten Batterie-Performance-Modells unter Zuhilfenahme von Anfitten der Modellgleichungen verwendet. Kinetische Modellparameter und Gleichgewichtsparameter werden basierend auf zeitabschnittsweise ausgewerteten Betriebsgrößenverläufen im dynamischen bzw. statischen Fall durch einen Fittingprozess ermittelt. Diese Modellparameter entsprechen physikalischen Batteriezuständen der Gerätebatterie und können mit den Zuständen des physikalischen Alterungsmodells mit geeigneten Verfahren zur Datenfusion fusioniert werden.It can be provided that the calculation of at least one electrochemical battery state is carried out with the help of an observer, which can include, for example, a Luenberger observer, a Kalman filter or a particle filter. Observations of a known battery performance model, preferably executed in the central unit, are used with the aid of fitting the model equations. Kinetic model parameters and equilibrium parameters are determined by a fitting process based on operating variable profiles evaluated over time in the dynamic or static case. These model parameters correspond to physical battery states of the device battery and can be fused with the states of the physical aging model using suitable data fusion methods.
Hierbei kann der Fittingprozess in der Zentraleinheit getriggert werden, z.B., wenn eine hinreichend lange Ruhephase erkannt wird (Fitten von Equilibrium-Parametern) oder eine hinreichend dynamische Fahrphase erkannt wird (Fitten von kinetischen Parametern).The fitting process can be triggered in the central unit, e.g. when a sufficiently long rest phase is detected (fitting of equilibrium parameters) or a sufficiently dynamic driving phase is detected (fitting of kinetic parameters).
Mithilfe der Betriebsgrößenverläufe der Betriebsgrößen aller mit der Zentraleinheit in Verbindung stehender Gerätebatterien kann nun das hybride Alterungszustandsmodell parametriert bzw. trainiert werden. Insbesondere wird das physikalische Alterungsmodell zu regelmäßigen Zeitpunkten, wie beispielsweise alle drei Monate, an die Betriebsgrößenverläufe der Vielzahl von Gerätebatterien angefittet. Man erhält entsprechend Modellparameter des elektrochemischen/physikalischen Alterungsmodells, die Gleichgewichtsparameter und/oder kinetische Parameter angeben. Anschließend kann das Korrekturmodell auf das Residuum des elektrochemischen Alterungsmodells basierend auf der Vielzahl von Betriebsgrößenverläufen der Vielzahl von Gerätebatterien trainiert werden.The hybrid aging state model can now be parameterized or trained using the operating variables of all device batteries connected to the central unit. In particular, the physical aging model is fitted to the operating variables of the large number of device batteries at regular points in time, such as every three months. This gives model parameters of the electrochemical/physical aging model that specify equilibrium parameters and/or kinetic parameters. The correction model can then be trained on the residue of the electrochemical aging model based on the large number of operating variables of the large number of device batteries.
Es kann vorgesehen sein, dass einzelne Gerätebatterien oder damit kompatible Einrichtungen, wie Ladesäulen oder Ladekabeln, zur Datenerfassung oder auch zur Datenvorverarbeitung oder Datenaggregierung dienen. Vorteilhafterweise findet die Modell-Parametrierung des elektrochemischen Batteriemodells/physikalischen Alterungsmodells und des Batterie-Performance-Modells mit mehreren Labels, die auf Basis dezentral erfasster Messungen erfasst oder abgeleitet wurden, in einer Zentraleinheit statt.It can be intended that individual device batteries or compatible devices, such as charging stations or charging cables, are used for data acquisition or for data preprocessing or data aggregation. Advantageously, the model parameterization of the electrochemical battery model/physical aging model and the battery performance model with several labels that were recorded or derived on the basis of decentrally recorded measurements takes place in a central unit.
Der mindestens eine innere Batteriezustand kann durch Auswerten eines Betriebsgrößenverlaufs einer bestimmten Gerätebatterie als latenter Zustand in dem Differentialgleichungssystem bestimmt werden und ggfs. mit Modellparametern eines Batterie-Performance-Modells fusioniert werden. Der mindestens eine innere Batteriezustand wird an das Gerät mit der bestimmten Gerätebatterie übermittelt und dort zur Parametrisierung eines Batterie-Dynamik-Modells genutzt.The at least one internal battery state can be determined by evaluating an operating variable profile of a specific device battery as a latent state in the differential equation system and, if necessary, merged with model parameters of a battery performance model. The at least one internal battery state is transmitted to the device with the specific device battery and used there to parameterize a battery dynamics model.
Das Batterie-Dynamik -Modell ermöglicht eine Simulation eines elektrischen Verhaltens der Gerätebatterie, wie beispielsweise aus
Basierend auf den Verläufen des Batteriestroms und der Batterietemperatur, die in dem jeweiligen technischen Gerät gemessen werden, kann dann ein entsprechender Verlauf der Batteriespannung und des Ladezustands der Gerätebatterie (durch Ladungsakkumulation) modelliert werden, so dass zu einem Zeitpunkt stets eine modellierte Batteriespannung und ein modellierter Ladezustand zur Verfügung steht.Based on the battery current and battery temperature curves measured in the respective technical device, a corresponding curve of the battery voltage and the state of charge of the device battery (through charge accumulation) can then be modeled, so that a modeled battery voltage and a modeled state of charge are always available at a given point in time.
Aufgrund von Fertigungstoleranzen und sonstigen Einflüssen weichen die Gerätebatterien in ihrem Verhalten individuell voneinander ab, so dass mithilfe eines Beobachtermodells eine Korrektur des mindestens einen inneren Batteriezustands vorgenommen werden kann. Dazu kann das Beobachtermodell genutzt werden, um die aktuelle gemessene Batteriespannung mit der modellierten aktuellen Batteriespannung zu vergleichen und den mindestens einen inneren Batteriezustand, der als Modellparameter in dem Batterie-Dynamik-Modell verwendet wird, abhängig von dem Spannungsunterschied anzupassen. Als Ergebnis erhält man einen korrigierten/angepassten mindestens einen inneren Batteriezustand, der das Verhalten der bestimmten Gerätebatterie genau beschreibt.Due to manufacturing tolerances and other influences, the behavior of the device batteries differs from one another, so that a correction of at least one internal battery state can be made using an observer model. The observer model can be used to compare the current measured battery voltage with the modeled current battery voltage and to adjust the at least one internal battery state, which is used as a model parameter in the battery dynamics model, depending on the voltage difference. The result is a corrected/adjusted at least one internal battery state that accurately describes the behavior of the specific device battery.
Das Beobachtermodell kann beispielsweise als Luenberger-Beobachter oder mithilfe eines extended Kalman-Filters oder eines Partikel-Filters implementiert sein und korrigiert den mindestens einen inneren Batteriezustand abhängig von dem Spannungsunterschied zwischen der modellierten Batteriespannung und der gemessenen Batteriespannung. Das Beobachtermodell ist so ausgebildet, dass es basierend auf mehreren Spannungsunterschieden zu unterschiedlichen Zeitpunkten die Beobachtungsfehler der Spannungsunterschiede auf plausibelste Weise durch Korrekturen/Anpassungen des mindestens einen inneren Batteriezustands erklärt. Dies ermöglicht die batteriespezifische Beschreibung von Fertigungsstreuungen, Serienstreuungen und plötzlichen Ereignissen, wie beispielsweise bei einem vorausgegangenen Unfall des technischen Geräts.The observer model can be implemented, for example, as a Luenberger observer or using an extended Kalman filter or a particle filter and corrects the at least one internal battery state depending on the voltage difference between the modeled battery voltage and the measured battery voltage. The observer model is designed in such a way that, based on several voltage differences at different times, it explains the observation errors of the voltage differences in the most plausible way by correcting/adjusting the at least one internal battery state. This enables the battery-specific description of production variations, series variations and sudden events, such as a previous accident involving the technical device.
Weiterhin kann ein Fehler der Gerätebatterie basierend auf dem prädizierten Verlauf des mindestens einen inneren Batteriezustands bestimmt werden, wobei insbesondere der Fehler der Gerätebatterie basierend auf einem Schwellenwertvergleich einer Untergrenze und/oder Obergrenze eines Konfidenzbereichs des mindestens einen inneren Batteriezustands zu einem künftigen Zeitpunkt mit einem vorgegebenen Schwellenwert bestimmt wird.Furthermore, a fault of the device battery can be determined based on the predicted course of the at least one internal battery state, wherein in particular the fault of the device battery is determined based on a threshold value comparison of a lower limit and/or upper limit of a confidence range of the at least one internal battery state at a future point in time with a predetermined threshold value.
Weiterhin kann der Konfidenzbereich des mindestens einen korrigierten inneren Batteriezustands durch Auswerten der Betriebsgrößenverläufe der Vielzahl von Gerätebatterien für den entsprechenden mindestens einen inneren Batteriezustand insbesondere gemäß dem Gesetz der großen Zahlen bestimmt werden.Furthermore, the confidence interval of the at least one corrected internal battery state can be determined by evaluating the operating variable curves of the plurality of device batteries for the corresponding at least one internal battery state, in particular according to the law of large numbers.
Der korrigierte/angepasste mindestens eine innere Batteriezustand kann hinsichtlich seiner Konfidenz bewertet werden. Die Konfidenz σ kann hierzu z.B. als konstant bzw. fest angenommen werden basierend auf Erprobungs- oder Validierungsergebnisse, welche die Streuung bzw. die Genauigkeit der kinetischen bzw. Equilibriums Parameter für verschiedene Betriebsgrößenverläufe auswertet. Weiterhin kann basierend auf der „Anzahl an Fits“ das Gesetz der großen Zahlen (Wurzel n) Gesetz angewandt werden, um die effektiv resultierende Unsicherheit, charakterisiert durch die Standardabweichung σres zu verfeinern bzw. bei einer hinreichend hohen Anzahl an Beobachtungen n auch die resultierende Unsicherheit zu verringern:
Die Auswertung kann z.B. gradientenbasiert erfolgen und ein Quantil eines Gradienten in einem vorbestimmten Zeitraum, wie z.B. innerhalb der letzten 3 Stunden, auswerten.The evaluation can, for example, be gradient-based and evaluate a quantile of a gradient in a predetermined period of time, such as within the last 3 hours.
Die Labels zur stochastischen Auswertung (z.B. SEl-Dicke) kann aus Labor-Messungen stammen, bei denen mehrere Batterie-Zellen mit unterschiedlicher Alterungshistorie, wie zyklischen Alterungen und kalendarischen Alterungen, und mit unterschiedlichen Lasthistorien, die z.B. eine Temperatur-Historie, eine Entladungshub-Historie, einen Stromdurchsatz, eine Ladeleistung, eine Entladeleistung sowie weitere Stressfaktoren umfassen kann, ausgewertet und vermessen werden.The labels for stochastic evaluation (e.g. SEl thickness) can come from laboratory measurements in which several battery cells with different aging histories, such as cyclic aging and calendar aging, and with different load histories, which can include e.g. a temperature history, a discharge stroke history, a current throughput, a charging power, a discharging power and other stress factors, are evaluated and measured.
Alternativ oder zusätzlich kann auch ein paralleles probabilistisches Modell ausgewertet werden, welches eine Unsicherheit bzw. eine Konfidenz bereitstellen kann. Optional kann auch hier eine additive Korrektur des probabilistischen Modells, z.B. ausgeführt als Gaußprozess stattfinden.Alternatively or additionally, a parallel probabilistic model can be evaluated, which can provide an uncertainty or a confidence. Optionally, an additive correction of the probabilistic model can also take place here, e.g. implemented as a Gaussian process.
Der angepasste/korrigierte mindestens eine innere Batteriezustand zu einem aktuellen Zeitpunkt wird nun als Ausgangspunkt verwendet, um mithilfe des auf Zeitreihenintegration des prädizierten Betriebsgrößenverlaufs und dem elektrochemischen Batteriemodells einen prädizierten Verlauf der mindestens einen inneren Batteriezustand zu ermitteln.The adjusted/corrected at least one internal battery state at a current point in time is now used as a starting point to determine a predicted course of the at least one internal battery state using the time series integration of the predicted operating variable course and the electrochemical battery model.
Dazu werden die prädizierten Betriebsgrößenverläufe mithilfe eines Nutzungsmustermodells, das aus den historischen Betriebsgrößenverläufen oder Teilen davon ein Nutzungsverhalten ableitet, bestimmt. Das Nutzungsmustermodell, bestimmt realistische künstliche Betriebsgrößenverläufe, die eine zyklische Alterung der Gerätebatterie bewirken, die im Wesentlichen der durch die vorherige Nutzung verursachten zyklischen Alterung entspricht.For this purpose, the predicted operating size trends are determined using a usage pattern model that derives usage behavior from the historical operating size trends or parts thereof. The usage pattern model determines realistic artificial operating size trends that cause cyclical aging of the device battery that essentially corresponds to the cyclical aging caused by previous use.
In Folge kann basierend auf den prädizierten inneren Batteriezuständen und deren Konfidenzen eine Anomalieerkennung durchgeführt werden.Subsequently, anomaly detection can be performed based on the predicted internal battery states and their confidences.
Die Anomalieerkennung kann regelbasiert oder datenbasiert vorgenommen werden, um den mindestens einen inneren Batteriezustand und dessen Konfidenz zu einem bestimmten Zeitpunkt innerhalb des Prädiktionshorizonts zu bewerten, um einen Fehler oder ein ordnungsgemäßer Betrieb der Fahrzeugbatterie zu erkennen.Anomaly detection can be rule-based or data-based to evaluate at least one internal battery state and its confidence at a specific time within the prediction horizon to detect a fault or proper operation of the vehicle battery.
Gemäß einem weiteren Aspekt ist eine Vorrichtung zur Durchführung eines der obigen Verfahren vorgesehen.According to a further aspect, an apparatus for carrying out one of the above methods is provided.
Kurzbeschreibung der ZeichnungenShort description of the drawings
Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
-
1 eine schematische Darstellung eines Systems zum Bereitstellen von fahrer- und fahrzeugindividuellen Betriebsgrößen zur Bestimmung eines Alterungszustands einer Fahrzeugbatterie; -
2 eine schematische Darstellung eines funktionalen Aufbaus des verteilten Systems der Zentraleinheit und eines Steuergeräts in dem technischen Gerät; und -
3 eine Darstellung eines Flussdiagramms zur Veranschaulichung eines Verfahrens zur Ermittlung eines prädizierten Verlaufs eines Alterungszustands; -
4 eine Darstellung eines prädizierten Verlaufs eines inneren Batteriezustands basierend auf dem mit korrigierten inneren Batteriezustand parametrisierten Batterie-Dynamik-Modell und den prädizierten Betriebsgrößenverläufen.
-
1 a schematic representation of a system for providing driver and vehicle-specific operating variables for determining an ageing state of a vehicle battery; -
2 a schematic representation of a functional structure of the distributed system of the central unit and a control device in the technical device; and -
3 a representation of a flow chart to illustrate a method for determining a predicted course of an aging state; -
4 a representation of a predicted course of an internal battery state based on the battery dynamics model parameterized with the corrected internal battery state and the predicted operating variable curves.
Beschreibung von AusführungsformenDescription of embodiments
Im Folgenden wird das erfindungsgemäße Verfahren anhand von Fahrzeugbatterien als Gerätebatterien in einer Vielzahl von Kraftfahrzeugen als gleichartige Geräte beschrieben. Dazu wird ein Alterungszustandsmodell in der Zentraleinheit betrieben und zur Berechnung eines Alterungszustands eingesetzt. In der Zentraleinheit wird das Alterungszustandsmodell kontinuierlich basierend auf Betriebsgrößen der Fahrzeugbatterien aus der Fahrzeugflotte aktualisiert bzw. auf Basis von Referenzmessungen nachtrainiert, um innere Batteriezustände bezogen auf den jeweiligen Alterungszustand als latenter Zustand des Differentialgleichungssystems zu erhalten. Diese stellen jeweils die über die gesamte Vielzahl der Fahrzeugbatterie für den bestimmten Alterungszustand durchschnittlichen inneren Batteriezustand dar. Weiterhin werden die inneren Batteriezustände, die basierend auf dem aktuell trainierten Alterungszustandsmodell ermittelt wurden, an die Fahrzeuge kommuniziert und dort zur Parametrierung eines Batterie- Dynamik -Modells verwendet. In den Fahrzeugen werden basierend auf einem Beobachter die Modellparameter des Batterie- Dynamik -Modells und somit die inneren Batteriezustände an den tatsächlichen individuellen Batteriezustand der betreffenden Fahrzeugbatterie angepasst. Die angepassten inneren Batteriezustände und das so angepasste Batterie-Dynamik-Modell für die Prädiktion des Alterungszustands verwendet.In the following, the method according to the invention is described using vehicle batteries as device batteries in a large number of motor vehicles as similar devices. For this purpose, an aging state model is operated in the central unit and used to calculate an aging state. In the central unit, the aging state model is continuously updated based on operating variables of the vehicle batteries from the vehicle fleet or retrained on the basis of reference measurements in order to obtain internal battery states related to the respective aging state as a latent state of the differential equation system. These each represent the average internal battery state across the entire plurality of vehicle batteries for the specific aging state. Furthermore, the internal battery states that were determined based on the currently trained aging state model are communicated to the vehicles and used there to parameterize a battery dynamics model. In the vehicles, the model parameters of the battery dynamics model and thus the internal battery states are adapted to the actual individual battery state of the vehicle battery in question based on an observer. The adapted internal battery states and the adapted battery dynamics model are used to predict the aging state.
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. Weiterhin ist es auch möglich, dass das Gerät mit der Gerätebatterie in Kommunikationsverbindung steht und die Verbindung zwischen der Gerätebatterie und der Zentraleinheit übernimmt, wie z.B. eine Ladeeinrichtung oder ein Ladekabel.The above example is representative of a large number of stationary or mobile devices with a grid-independent energy supply, such as vehicles (electric vehicles, pedelecs, etc.), systems, machine tools, household appliances, IOT devices and the like, which are connected to a central unit external to the device (cloud) via a corresponding communication connection (e.g. LAN, Internet). Furthermore, it is also possible for the device to be in communication with the device battery and to take over the connection between the device battery and the central unit, such as a charging device or a charging cable.
Eines der Kraftfahrzeuge 4 ist in
Die Steuereinheit 43 ist insbesondere ausgebildet, um Betriebsgrößen mit einer hohen zeitlichen Auflösung, wie beispielsweise zwischen 1 und 50 Hz, wie z. B. 10 Hz, zu erfassen und diese über die Kommunikationseinrichtung 44 an die Zentraleinheit 2 zu übermitteln.The
Die Kraftfahrzeuge 4 senden an die Zentraleinheit 2 die Betriebsgrößen F, die zumindest Größen angeben, welche den Alterungszustand der Fahrzeugbatterie 41 beeinflussen, und die für eine Bestimmung der inneren Zustände der Batteriezellen 45 benötigt werden. 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 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.The motor vehicles 4 send the operating variables F to the
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.The
In der Zentraleinheit 2 ist ein elektrochemisches Batteriemodell, wie z.B. ein Alterungsmodell, implementiert, das ein Differentialgleichungssystem umfasst und auf Zeitreihenintegration von Betriebsgrößenverläufen basiert, um bei Auswertung eines Betriebsgrößenverlaufs aktuelle innere Batteriezustände zu bestimmen. Derartige elektrochemische Batteriemodelle sind beispielsweise aus dem Stand der Technik der Druckschriften
Das Alterungszustandsmodell kann durch zuverlässige hochgenaue Messungen des Alterungszustands von individuellen Fahrzeugbatterien 41 in der Flotte 3 parametriert werden, so dass sich bei einer Auswertung mit Betriebsgrößenverläufen innere Batteriezustände als innere Zustände des entsprechenden Differentialgleichungssystem ergeben.The aging state model can be parameterized by reliable, high-precision measurements of the aging state of
Die Betriebsgrößendaten ermöglichen somit durch Modellauswertung eine Modellierung eines oder mehrerer aktuellen inneren Batteriezustände.The operating variable data thus enable modeling of one or more current internal battery states through model evaluation.
Das Alterungszustandsmodell kann als hybrides Modell teilweise datenbasiert sein. Das Alterungszustandsmodell eignet sich als elektrochemisches Batteriemodell und kann regelmäßig, d. h. z. B. nach Ablauf der jeweiligen Auswertungszeitdauer, verwendet werden, um basierend auf den zeitlichen Verläufen der individuellen Betriebsgrößen (seit Inbetriebnahme oder einem Zeitpunkt eines definierten Zustands der jeweiligen Fahrzeugbatterie) und daraus ermittelten Betriebsmerkmalen eine Ermittlung der momentanen Alterungszustände der betreffenden Fahrzeugbatterie 41 der zugeordneten Fahrzeugflotte 3 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, ein Alterungszustand der betreffenden Fahrzeugbatterie 41 zu ermitteln. Gleichzeitig ergeben sich durch die Auswertung des Differentialgleichungssystems innere Batteriezustände, die der individuellen Fahrzeugbatterie zugeordnet istThe aging state model can be partially data-based as a hybrid model. The aging state model is suitable as an electrochemical battery model and can be used regularly, i.e. e.g. after the respective evaluation period has elapsed, to determine the current aging states of the
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.The state of health (SOH) is the key value for indicating the remaining battery capacity or remaining battery charge. The state of health is a measure of the aging of the vehicle battery or a battery module or a battery cell and can be specified as the capacity retention rate (SOH-C) or as the increase in internal resistance (SOH-R). The capacity retention rate SOH-C is specified as the ratio of the measured instantaneous capacity to an initial capacity of the fully charged battery. The relative change in internal resistance SOH-R increases as the battery ages.
Bei dem physikalischen Alterungsmodell 5 handelt es sich um ein nichtlineares, mathematisches Modell, das auf Differentialgleichungen basiert. Das Auswerten des physikalischen Alterungsmodells des Alterungszustandsmodells mit Betriebsgrößenverläufen, insbesondere seit Lebensdauerbeginn der Fahrzeugbatterie 41, führt dazu, dass sich ein innerer Zustand des Gleichungssystems der physikalischen Differentialgleichungen einstellt, der einem elektrochemischen inneren Batteriezustand der Fahrzeugbatterie 41 entspricht. Da das physikalische Alterungsmodell auf physikalischen und elektrochemischen Gesetzmäßigkeiten basiert, sind die Modellparameter des physikalischen Alterungsmodells Größen, die physikalische Eigenschaften angeben.The physical aging
Die Zeitreihen der Betriebsgrößen F der Fahrzeugbatterie 41 (bei Gesamtbatteriebetrachtung) gehen also direkt in das physikalische Alterungszustandsmodell 5 ein, welches vorzugsweise als elektrochemisches Modell ausgeführt ist und entsprechende innere elektrochemische innere Batteriezustände, 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 modelliert.The time series of the operating variables F of the vehicle battery 41 (when considering the entire battery) are therefore directly included in the physical aging
Das physikalische Alterungsmodell 5 entspricht somit einem elektrochemischen Batteriemodell der Fahrzeugbatterien und der Zellchemie. Das Alterungsmodell 5 ermittelt abhängig von den zeitlichen Betriebsgrößenverläufen F einen physikalisch basierten Alterungszustand SOHph der Dimension von mindestens eins und zusätzlich als latente innere Zustände innere Batteriezustände, welche insbesondere linear oder nichtlinear auf eine Kapazitätserhaltungsrate (SOH-C) und/oder eine Innenwiderstandsanstiegsrate (SOH-R) abgebildet werden können, um diese als Alterungszustand (SOH-C und SOH-R) bereitzustellen.The physical aging
Die durch das physikalische Alterungsmodell 5 bereitgestellten Modellwerte für den physikalischen Alterungszustand SOHph sind jedoch in bestimmten Situationen ungenau, und es kann daher vorgesehen sein, 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.However, the model values for the physical ageing state SOHph provided by the
Das Korrekturmodell 6 erhält eingangsseitig Betriebsmerkmale M, die aus den Verläufen der Betriebsgrößen F ermittelt und auch einen oder mehrere der inneren 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 des elektrochemischen physikalischen Alterungsmodells sowie vorteilhafterweise der physikalische Alterungszustand SOHph.The correction model 6 receives operating characteristics M on the input side, which are determined from the courses of the operating variables F and can also include one or more of the internal electrochemical states of the differential equation system of the physical model. Furthermore, the correction model 6 can receive the physical aging state SOHph obtained from the physical aging
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.From the operating variables F, operating characteristics M can be generated in the
Die Betriebsmerkmale M (für Einzelbatteriebetrachtung oder Gesamtbatteriebetrachtung) 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 Elektrolytlösungsmitteln, 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 % ΔSOC] der gesamten Batteriekapazität liegt), die Ladekapazität sowie ein Extremwert (z. B. Maximum) der 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. Diese Größen werden vorzugsweise so umgerechnet, dass sie das reale Nutzungsverhalten bestmöglich charakterisieren und im Merkmalsraum normieren. Die Betriebsmerkmale M können insgesamt oder nur teilweise für das nachfolgend beschriebene Verfahren verwendet werden.The operating characteristics M (for individual battery consideration or overall battery consideration) can, for example, include characteristics related to the evaluation period and/or accumulated characteristics and/or statistical variables determined over the entire service life to date. In particular, the operating characteristics can, for example, include: electrochemical states, such as. B. SEI layer thickness, change in cyclable lithium due to anode/cathode side reactions, rapid uptake of electrolyte solvents, slow uptake of electrolyte solvents, lithium deposition, loss of active anode material and loss of active cathode material, information on impedances or internal resistances, histogram features such as temperature versus state of charge, charge current versus temperature and discharge current versus temperature, in particular multi-dimensional histogram data regarding battery temperature distribution versus state of charge, charge current distribution versus temperature and/or discharge current distribution versus temperature, current throughput in ampere hours, total accumulated charge (Ah), an average capacity increase during a charge process (in particular for charges where the charge increase is above a threshold proportion [e.g. 20% ΔSOC] of the total battery capacity), charge capacity and an extreme value (e.g. B. Maximum) of the differential capacity during a measured charging process with a sufficiently large change in the state of charge (smoothed curve of dQ/dU: change in charge divided by change in battery voltage) or the accumulated driving performance. These quantities are preferably converted in such a way that they characterize the real usage behavior as best as possible and normalize it in the feature space. The operating characteristics M can be used in whole or in part for the procedure described below.
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 Gaußprozessmodell ausgeführt ist, miteinander beaufschlagt. Insbesondere können diese in einem Summierblock 7 addiert oder ansonsten auch 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 Alterungswerts SOH des hybriden Modells verwendet werden. Die Konfidenz bzw. der Konfidenzwert des Gaußprozessmodells charakterisiert somit die Modellierungs-Unsicherheit der Abbildung von Betriebsmerkmalspunkten auf einen Alterungszustand.To determine a corrected aging state SOH to be output, the outputs SOHph, k of the physical aging
Das Trainieren des hybriden Alterungszustandsmodells erfolgt in der Zentraleinheit 2 mithilfe eines Trainingsblocks 10. Dazu werden Trainingsdatensätze definiert, die Betriebsgrößenverläufe einem empirisch oder modellbasiert ermittelten Alterungszustand als Label zuordnen.The hybrid aging state model is trained in the
Beispielsweise kann zur Bestimmung eines Alterungszustands als Label für das Training des hybriden oder datenbasierten Alterungszustandsmodells ein Basismodell vorgesehen sein, gemäß dem eine SOH-C-Messung durch Coulomb-Counting bzw. durch Bildung eines zeitlichen Stromintegrals während des Ladevorgangs vorgenommen wird, welches durch den Hub des Ladezustands zwischen Beginn und Ende der betreffenden Lade- und/oder Entladephase dividiert wird. Eine hinreichend zuverlässige Angabe über den Alterungszustand 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.For example, to determine an ageing state, a base model can be provided as a label for training the hybrid or data-based ageing state model, according to which a SOH-C measurement is carried out by Coulomb counting or by forming a temporal current integral during the charging process, which is divided by the change in the state of charge between the beginning and the end of the relevant charging and/or discharging phase. A sufficiently reliable indication of the ageing state can For example, this can be obtained when the vehicle battery is brought from a fully discharged charging state to a fully charged state during a charging process under reproducible load and ambient conditions. The maximum charge recorded in this way can be related to an initial maximum charging capacity of the vehicle battery. Resistance-related aging states (SOH-R values) can also be calculated using voltage changes related to a current change. These are usually related to a defined time interval as well as defined ambient conditions and the energy flow direction of the system.
Die Ermittlung eines Alterungszustands als Label kann in an sich bekannter Weise durch Auswertung der Betriebsgrößenverläufe mit einem zusätzlichen Alterungsmodell in dem Fahrzeug oder in der Zentraleinheit 2 unter definierten Last- und Umgebungs-Bedingungen einer Labelerzeugung erfolgen, wie z. B. in einer Werkstatt, auf einem Prüfstand oder einem Diagnose- oder Labelerzeugungsmodus, der einen Betriebsmodus darstellt und das Einhalten vorbestimmter Betriebsbedingungen der Fahrzeugbatterie, wie z. B. konstanter Temperatur, konstanter Strom und dergleichen garantiert. Dazu können andere Modelle zur Ermittlung des Alterungszustands genutzt werden. Das Training des datenbasierten Korrekturmodells kann auf herkömmliche Weise basierend auf den Trainingsdatensätzen erfolgen.The determination of an aging state as a label can be carried out in a manner known per se by evaluating the operating variable curves with an additional aging model in the vehicle or in the
Das physikalische Alterungsmodell 5 kann unter Kontrolle des Trainingsblocks 10 in Ruhephasen an die Betriebsgrößenverläufe z. B. mithilfe eines Least-Square-Verfahrens oder Ähnlichem angefittet werden. Das physikalische Alterungsmodell 5 kann Gleichgewichtszustände modellieren und durch Modellparameter beschrieben sein. Die Modellparameter können in regelmäßigen Abständen neu parametriert werden, insbesondere wenn Betriebsgrößenverläufe für einen definierten Zeitabschnitt von mindestens einigen (z. B. drei) Stunden vorliegen. Diese Daten können für gleichartige Fahrzeugbatterien 41 durch Auswertung in der Zentraleinheit 2 gesammelt und dort die Anpassung oder Neuparametrierung durchgeführt werden.The physical aging
Derartige Modellparameter des physikalischen Alterungsmodells 5 können beispielsweise eine skalare Angabe zu dem zyklisierbaren Lithium (Wert bezieht sich auf die Kathodenkapazität), dem Anteil des zyklisierbaren Lithiums zum Lebensdauerbeginn der Batterie (skalarer Wert), einem Volumenanteil der Anode und einem Volumenanteil der Anode zu Lebensdauerbeginn der Fahrzeugbatterie 41 umfassen. Der Alterungszustand SOH kann als Linearkombination der inneren Gleichgewichtszustände näherungsweise ermittelt werden.Such model parameters of the physical aging
Die Auswertung von Betriebsgrößenverläufen einer bestimmten Fahrzeugbatterie mit dem hybriden Alterungszustandsmodell 9, das basierend auf Flottendaten von Betriebsgrößenverläufen einer Vielzahl von Fahrzeugbatterien unterschiedlichen kalendarischen Alters und unterschiedlichen Alterungszustandes führt nun zu individuellen inneren Batteriezuständen Z, die sich durch die Auswertung des Differentialgleichungssystems ergeben.The evaluation of operating variable curves of a specific vehicle battery with the hybrid aging
Die inneren Batteriezuständen Z können direkt an das betreffende Fahrzeug übermittelt werden oder alternativ kann mithilfe eines weiteren Batteriemodells, wie z.B. einem Batterie-Performance-Modell die inneren Batteriezustände auf einem zweiten Weg aus den Betriebsgrößenverläufen ermittelt werden und diese dann mit den zuvor erhaltenen inneren Batteriezuständen mit geeigneten Verfahren zur Datenfusion fusioniert oder kombiniert werden, z.B. durch gewichtete Mittelwertbildu8ng und dergleichen. Die so ermittelten inneren Batteriezustände sind auf Basis einer Vielzahl von Fahrzeugbatterien bestimmt und stellen für ein bestimmtes kalendarisches Alter den Batteriezustand im Durchschnitt über die gesamte Fahrzeugflotte dar.The internal battery states Z can be transmitted directly to the vehicle in question or, alternatively, the internal battery states can be determined in a second way from the operating variables using another battery model, such as a battery performance model, and these can then be merged or combined with the previously obtained internal battery states using suitable data fusion methods, e.g. by weighted averaging and the like. The internal battery states determined in this way are determined on the basis of a large number of vehicle batteries and represent the average battery state across the entire vehicle fleet for a specific calendar age.
Die mit den jeweiligen Betriebsgrößenverläufen in dem hybriden Alterungszustandsmodell bestimmten jeweiligen inneren Batteriezustände Z werden zu vorgegebenen Zeitpunkten, insbesondere nach jeder Aktualisierung oder jedem Neutraining des Alterungszustandsmodells an die angeschlossenen Fahrzeuge 4 der Fahrzeugflotte 3 übermittelt. Dort werden diese in einem dort implementierten Batterie-Dynamik-Modell 12, das als fraktionales Modell ausgebildet sein kann, berücksichtigt, um aus den individuellen im Fahrzeug gemessenen Betriebsgrößenverläufen Imess(t), Tbat(t) des Batteriestroms Imess und der Batterietemperatur Tbat einen Verlauf des Ladezustands und der Batteriespannung Umod zu ermitteln. Das Batterie-Dynamik-Modell 12 ist in an sich bekannter Weise ausgebildet, das elektrische Verhalten der Fahrzeugbatterie 41 basierend auf den inneren Batteriezuständen Z zu simulieren. Insbesondere ist das Batterie-Dynamik-Modell 12 ausgebildet, aus einem Batteriestrom Imess, einer Batterietemperatur TBat und einem Ladezustand SOC eine Batteriespannung Umod zu bestimmen. Der Ladezustand wird in der Regel in einem Batteriemanagementsystem kontinuierlich überwacht und durch zeitliche Ladungsintegration des Verlaufs des fließenden Batteriestroms bestimmt.The respective internal battery states Z determined with the respective operating variable profiles in the hybrid aging state model are transmitted to the connected vehicles 4 of the
Es ist weiterhin ein Beobachtermodell 13, z. B. eines Luenberger-Beobachters, vorgesehen, der für einen oder mehrere Zeitpunkte die modellierte Batteriespannung Umod mit einer aktuell gemessenen Batteriespannung Umess vergleicht und einen Spannungsunterschied dahingehend auswertet, dass die erhaltenen inneren Batteriezustände Z zu angepassten inneren Batteriezustände Z' angepasst werden. Das Beobachtermodell 13 passt also die inneren Batteriezustände Z abhängig von der Beobachtung des Spannungsunterschieds an. Dadurch können batterieindividuelle Abweichungen der inneren Batteriezustände Z von den basierend auf dem über alle Flottendaten parametrierten/trainierten Alterungszustandsmodell 9 bestimmt werden, sodass Abweichungen des Batterieverhaltens vom durchschnittlichen Bautyp der Fahrzeugbatterien 41 aufgrund von Herstellungstoleranzen und Serienstreuungen berücksichtigt werden. Im Ergebnis erhält man angepasste innere Batteriezustände Z'.Furthermore, an observer model 13, e.g. a Luenberger observer, is provided, which for one or more points in time the modelled Battery voltage U mod is compared with a currently measured battery voltage U mess and a voltage difference is evaluated such that the obtained internal battery states Z are adapted to adapted internal battery states Z'. The observer model 13 therefore adapts the internal battery states Z depending on the observation of the voltage difference. This makes it possible to determine battery-specific deviations of the internal battery states Z from those based on the aging
Diese können einem Fahrer entsprechend angezeigt werden und berücksichtigen sowohl die flottenbasierten Beobachtungen aus der Vielzahl von gleichartigen Fahrzeugbatterien 41 als auch die individuellen Eigenschaften der Fahrzeugbatterie 41 des betreffenden Fahrzeugs.These can be displayed to a driver accordingly and take into account both the fleet-based observations from the multitude of
Die so ermittelten angepassten inneren Batteriezustände Z' können nun zur Auswertung in einem weiteren Batterie-Dynamik-Modell 14 verwendet werden. Das weitere Batterie-Dynamik-Modell 14 und nachfolgende Auswertungen können entweder im Fahrzeug 4 oder nach Rückübermittlung der ermittelten angepassten inneren Batteriezustände Z' in der Zentraleinheit 2 ausgeführt werden. Das weitere Batteriedynamikmodell 14 kann wie zuvor beschrieben Verläufe des Batteriestroms und der Batterietemperatur des Ladezustands in entsprechende Verläufe der Batteriespannung und des Ladezustands umwandeln, wobei das weitere Batteriedynamikmodell 14 basierend auf den ermittelten angepassten inneren Batteriezustände Z' parametrisiert ist.The adjusted internal battery states Z' determined in this way can now be used for evaluation in a further
Das weitere Batteriedynamikmodell 14 wird dazu genutzt, prädizierte Lastgrößenverläufe, nämlich Verläufe des Batteriestroms Ip und der Batterietemperatur Tp in entsprechende Verläufe der prädizierten Batteriespannung Up und des prädizierten Ladezustands SOCP umzuwandeln.The further
Die prädizierte Lastgrößenverläufe können im Fahrzeug 4 oder in der Zentraleinheit 2 basierend auf nutzungsindividuellen Merkmalen künstlich mithilfe eines Nutzungsmustermodells 15 erzeugt werden. Dazu wird beispielsweise ein Nutzungsverhalten bzw. Fahrstil des Fahrers analysiert und realistische Lastgrößenverläufe d. h. Verläufe des Batteriestroms und der Batterietemperatur für einen zukünftigen Zeitraum daraus abgeleitet. Dies kann beispielsweise dadurch erfolgen, dass vorbestimmte Fahrzyklen, Ruhezyklen und Ladezyklen mit jeweils vorgegebener Zeitdauer mit bestimmten Häufigkeiten im Wechsel abhängig von einem durch nutzungsbezogene Größen (Lastprofil) definierten Nutzungsverhalten aneinandergereiht werden, sodass den Zyklen zugeordnete Lastgrößenverläufe sich aus deren Aneinanderreihung ergeben. Der resultierende gesamte Lastgrößenverlauf entspricht dann einem realistischen Verlauf des Batteriestroms und der Batterietemperatur, der von dem bestimmten Nutzer bzw. dem Fahrer ausgehend von dem aktuellen Zeitpunkt realisiert wird. Auf diese Weise wird ein gesamter Lastgrößenverlauf vorzugsweise bis zu einem vorgegebenen Prädiktionshorizont, d. h. einem zukünftigen Zeitpunkt bzw. einer in der Zukunft liegenden Zeitdauer, ermittelt.The predicted load size curves can be artificially generated in the vehicle 4 or in the
Beispielsweise kann das Nutzungsmustermodell 15 datenbasiert ausgebildet sein, und basierend auf einer Charakterisierung des Nutzungsverhaltens des Nutzers bzw. des Fahrverhaltens bzw. Fahrstil des Fahrers eine Abfolge von vordefinierten Fahrzyklusprofilen, Ruhezyklusprofilen und Ladezyklusprofilen (denen jeweils ein zeitlicher Abschnitt eines Lastgrößenverlaufs zugeordnet ist) bereitstellen, aus denen sich, wie oben beschrieben, ein gesamter Lastgrößenverlauf bestimmen lässt. Das datenbasierte Nutzungsmustermodell 15 kann somit trainiert sein, um abhängig von nutzungsbezogenen Größen, wie beispielsweise ein mittlerer Amperestunden(Ah)-Durchsatz, ein durchschnittlicher Entladestrom, ein durchschnittlicher Ladestrom und dergleichen, eine Abfolge von Fahrzyklusprofilen, Ruhezyklusprofilen und Ladezyklusprofilen zuzuordnen.For example, the
In einem weiteren hybriden Alterungszustandsmodell 16, das in dem Fahrzeug 4 oder in der Zentraleinheit 2 implementiert sein kann, kann nun der prädizierte Lastgrößenverlauf IP, Tp und die daraus ermittelten prädizierten Verläufe der Batteriespannung Up und des Ladezustands SOP in an sich bekannter Weise durch Auswerten des physikalischen Alterungsmodells 5 und des datenbasierten Korrekturmodells 8 wie oben beschrieben bis zum vorgegebenen Prädiktionshorizont ausgewertet werden, um einen prädizierten Alterungszustand SOH bzw. einen Verlauf eines prädizierten Alterungszustands SOH , zu erhalten. Gleichzeitig erhält man eine zeitliche Evolution der inneren Batteriezustände, die sich als latente Zustände bei der Auswertung des Alterungszustandsmodells 9 ergeben.In a further hybrid aging
Beispielsweise ist in
Die Auswertung kann z.B. Gradienten basiert erfolgen und ein Quantil eines Gradienten in einem vorbestimmten Zeitraum, wie z.B. innerhalb der letzten 3 Stunden, auswerten.The evaluation can, for example, be gradient-based and evaluate a quantile of a gradient in a predetermined period of time, such as within the last 3 hours.
Die Labels zur stochastischen Auswertung (z.B. SEI-Dicke) kann aus Labor-Messungen stammen, bei denen mehrere Batterie-Zellen mit unterschiedlicher Alterungshistorie, wie zyklischen Halterungen und kalendarischen Alterungen, und mit unterschiedlichen Lasthistorien, die z.B. eine Temperatur-Historie, eine Depth of Decharge-Historie, einen Stromdurchsatz, eine Ladeleistung, eine Entladeleistung sowie weitere Stressfaktoren umfassen kann, ausgewertet und vermessen werden.The labels for stochastic evaluation (e.g. SEI thickness) can come from laboratory measurements in which several battery cells with different aging histories, such as cyclic mounting and calendar aging, and with different load histories, which can include, for example, a temperature history, a depth of discharge history, a current throughput, a charging power, a discharging power and other stress factors, are evaluated and measured.
Alternativ oder zusätzlich kann auch ein paralleles probabilistisches Modell ausgewertet werden, welches eine Unsicherheit bzw. eine Konfidenz bereitstellen kann. Optional kann auch hier eine additive Korrektur des probabilistischen Modells, z.B. ausgeführt als Gaußprozess stattfinden.Alternatively or additionally, a parallel probabilistic model can be evaluated, which can provide an uncertainty or a confidence. Optionally, an additive correction of the probabilistic model can also take place here, e.g. implemented as a Gaussian process.
Basierend auf den so ermittelten prädizierten Verläufen der inneren Batteriezustände kann ein datenbasiertes oder regelbasiertes Anomalieerkennungmodell 17 betrieben werden. Das Anomalieerkennungmodell 17 wertet zu einem oder mehreren Zeitpunkten, zu denen prädizierte innere Batteriezustände ggfs. nebst deren Konfidenzen vorliegen, aus, um das Vorliegen einer Anomalie zu erkennen. Dabei kann die jeweilige Konfidenz des betreffenden prädizierten inneren Batteriezustandes berücksichtigt werden. Beispielsweise kann bei einem regelbasierten Anomalieerkennungmodell 17 eine Anomalie festgestellt werden, wenn eine untere Konfidenzgrenze eines oder mehrerer auszuwertender prädizierter innerer Batteriezustände über einem vorgegebenen Schwellenwert liegen oder wenn eine obere Konfidenzgrenze eines oder mehrerer auszuwertender prädizierter innerer Batteriezustände unter einem vorgegebenen Schwellenwert liegenBased on the predicted courses of the internal battery states determined in this way, a data-based or rule-based
In
In Schritt S1 werden zunächst in jedem der Fahrzeuge Betriebsgrößen F der jeweiligen Fahrzeugbatterien 41 erfasst, einschließlich der Batterietemperatur, des Batteriestroms, der Batteriespannung und des Ladezustands. Die Betriebsgrößenverläufe werden mit einer hohen zeitlichen Auflösung von beispielsweise 10 Hz erfasst und in der Zentraleinheit 2 bereitgestellt. Die Betriebsgrößen entsprechen dem Batteriestrom, der Batterietemperatur, der Batteriespannung und ggfs. dem Ladezustand. Eine Datenaufbereitung wird durchgeführt, einschließlich einer Ausreißererkennung, Filterung und Datenbereinigung, ggfs. eine Interpolation oder dergleichen.In step S1, operating variables F of the
In Schritt S2 wird in der Zentraleinheit 2 ein hybrides Alterungszustandsmodell trainiert, basierend auf den gesammelten Betriebsgrößenverläufen der Vielzahl von Fahrzeugbatterien 41. Das Trainieren des Alterungszustandsmodells erfolgt, wie zuvor beschrieben, durch Fitten des elektrochemischen Alterungsmodells 5 und durch Trainieren des Korrekturmodells 8 auf das sich ergebende Residuum. Das Fitten und Trainieren des hybriden Alterungszustandsmodells 9 kann in vorgegebenen regelmäßigen Zeitabständen von beispielsweise zwischen 3 bis 6 Monaten, basierend auf mit zuverlässig ermittelten Alterungszuständen gelabelten Betriebsgrößenverläufen erfolgen.In step S2, a hybrid aging state model is trained in the
Die Labels für den Trainingsprozess können sich einer Auswertung bestimmter Vorgänge wie z.B. einem Ladevorgang unter vorbestimmten Bedingungen hochgenau ergeben. So kann zur Bestimmung eines Alterungszustands ein Basismodell vorgesehen sein, gemäß dem eine Bestimmung eines kapazitätsbezogenen Alterungszustands durch Coulomb-Counting bzw. durch Bildung eines zeitlichen Stromintegrals während des Ladevorgangs vorgenommen wird, welches durch den Hub des Ladezustands zwischen Beginn und Ende der betreffenden Lade- und/oder Entladephase dividiert wird.The labels for the training process can be derived with high precision from an evaluation of certain processes, such as a charging process under predetermined conditions. For example, a basic model can be provided to determine an aging state, according to which a capacity-related aging state is determined by Coulomb counting or by forming a temporal current integral during the charging process, which is divided by the change in the state of charge between the start and end of the relevant charging and/or discharging phase.
Bei der entsprechenden Auswertung des hybriden Alterungszustandsmodells 9 mit Betriebsgrößenverläufen für ein individuelles Fahrzeug ergeben sich als latente Zustände im Differenzialgleichungssystem innere Batteriezustände, die als physikalische Zustände interpretiert werden können. Diese inneren Batteriezustände Z werden nun in Schritt S3 an das betreffende individuelle Fahrzeug 4 übermittelt. Dies kann beispielsweise nach jeder Neuparametrisierung des Alterungszustandsmodells 9 für jedes der Fahrzeuge 4 der Fahrzeugflotte 3 erfolgen.When the hybrid aging
In Schritt S4 werden im Fahrzeug die so ermittelten inneren Batteriezustände Z zur Parametrisierung des Batterie-Dynamik-Modells 12 verwendet. Das Batterie-Dynamik-Modell ist ausgebildet, um ausgehend von Lastgrößen, nämlich des Batteriestroms Miess und der Batterietemperatur TBat eine Batteriespannung Umod und einen Ladezustand SOC zu ermitteln. Die inneren Batteriezustände Z können z.B. eine Menge an verfügbaren zyklisierbaren Lithium, ein Volumenanteil der Kathode, ein Volumenanteil der Anode und dergleichen umfassen.In step S4, the internal battery states Z determined in this way are used in the vehicle to parameterize the battery
Im Schritt S5 wird das Batterie-Dynamik-Modell 12 ausgeführt und unter Verwendung der gemessenen Batterietemperatur TBat und des gemessenen Batteriestroms Imess eine entsprechende Spannungsantwort als modellierte Batteriespannung Umod berechnet.In step S5, the
In Schritt S6 wird die modellierte Batteriespannung Umod wird mit einer in der Fahrzeugbatterie 41 gemessenen Batteriespannung Umess verglichen und ein entsprechender Spannungsunterschied als Spannungsresiduum ermittelt.In step S6, the modeled battery voltage U mod is compared with a battery voltage U mess measured in the
Im nachfolgenden Schritt S7 wird das Beobachtermodell 13 angewendet, das den ermittelten Spannungsunterschied verwendet, und die inneren Batteriezustände Z korrigiert, um den Beobachtungsfehler in der plausibelsten Weise zu erklären. Das Beobachtermodell 13 kann als ein Luenberger-Beobachter ausgebildet sein, der aus mehreren zeitlich versetzten Abfragen entsprechende Änderungen der in der Zentraleinheit 2 bestimmten inneren Batteriezustände Z bestimmt. Daraus ergibt sich eine entsprechende Anpassung der inneren Batteriezustände Z auf die individuelle Fahrzeugbatterie 41.In the following step S7, the observer model 13 is applied, which uses the determined voltage difference, and corrects the internal battery states Z in order to explain the observation error in the most plausible way. The observer model 13 can be designed as a Luenberger observer, which determines corresponding changes in the internal battery states Z determined in the
Dieser Schritt kann embedded bzw. im Fahrzeug 4 berechnet werden. Durch diesen Schritt kann sichergestellt werden, dass das lokale Modell nun Randbedingungen und Einflüsse beschreibt, welche über das zentrale Alterungszustandsmodell 9 in der Zentraleinheit 2 nicht beschrieben werden können, z.B. aufgrund Batterie-spezifischer Größen, wie Serienstreuung und Fertigungstoleranzen, die nur lokal ermittelt werden können (z.B. aufgrund des Spannungs-Residuums).This step can be embedded or calculated in the vehicle 4. This step can ensure that the local model now describes boundary conditions and influences that cannot be described via the central aging
Die angepassten inneren Batteriezustände Z' können nun zur prädiktiven Anomalieerkennung verwendet werden. Die prädiktive Anomalieerkennung kann im Fahrzeug 4 oder nach entsprechender Rückübermittlung in der Zentraleinheit 2 ausgeführt werden.The adjusted internal battery states Z' can now be used for predictive anomaly detection. The predictive anomaly detection can be carried out in the vehicle 4 or after appropriate feedback in the
Im Schritt S8 können die angepassten inneren Batteriezustände Z' zur Parametrisierung des weiteren Batteriedynamikmodells 14 verwendet werden. Dieses dient dazu, ausgehend von prädizierten Lastgrößenverläufen Betriebsgrößenverläufe zu prädizieren.In step S8, the adapted internal battery states Z' can be used to parameterize the further
Dazu werden in Schritt S9 mithilfe eines Nutzungsmustermodells 15 Lastgrößenverläufe des Batteriestroms Ip und der Batterietemperatur Tp wie oben beschrieben bis zu einem vorgegebenen Prädiktionshorizont (Zeitpunkt in der Zukunft) prädiziert. Die Lastgrößenverläufe werden mithilfe des weiteren Batteriedynamikmodells 14 in Verläufe der prädizierten Batteriespannung Up und des prädizierten Ladezustands SOCp modelliert.For this purpose, in step S9, load size curves of the battery current I p and the battery temperature T p are predicted as described above up to a predetermined prediction horizon (point in time in the future) using a
Die Lastgrößenverläufe und die daraus ermittelten Verläufe der Batteriespannung Up und des Ladezustands SOCp werden nun in Schritt S10 als prädizierte Betriebsgrößenverläufe in einem weiteren hybriden Alterungszustandsmodell 16 ausgewertet, um einen Verlauf eines prädizierten Alterungszustands SOHp und gleichzeitig als latente Zustände die prädizierten inneren Batteriezustände zu erhalten. Das weitere hybride Alterungszustandsmodell 16 kann dem Alterungszustandsmodell 9 entsprechen, das in der Zentraleinheit 2 basierend auf der Vielzahl von Fahrzeugen parametriert worden ist. Die Auswertung des Alterungszustandsmodells 9 erfolgt basierend auf einem latenten Zustand des Differenzialgleichungssystems zu einem aktuellen Zeitpunkt, der sich aus den angepassten inneren Batteriezuständen Z' des individuellen Fahrzeugs 4 ergibt.The load variable curves and the curves of the battery voltage U p and the state of charge SOC p determined therefrom are now evaluated in step S10 as predicted operating variable curves in a further hybrid aging
Gemeinsam mit dem prädizierten Alterungszustand ergeben sich prädizierte Verläufe der inneren Batteriezustände. Somit kann durch Auswertung des weiteren hybriden Alterungszustandsmodells 16 ein Verlauf eines Batteriezustands, wie beispielsweise einer SEI-Schichtdicke, prädiziert werden, wie dies beispielsweise in
In
Weiterhin kann optional auch eine Korrektur der Prädiktion durch das rein elektrochemische Alterungsmodell durch das datengetriebene, probabilistische Korrekturmodell stattfinden, das vorteilhafterweise als Gaußprozess-Regressor ausgeführt ist. Es ist auch denkbar, dass als Punktschätzer nur die physikalische Prädiktion herangezogen wird und das probabilistische Modell nur als Lieferant der Unsicherheitsquantifizierung (in diesem Fall ohne Korrektur des Punktschätzers) agiert.Furthermore, the prediction by the purely electrochemical aging model can optionally be corrected by the data-driven, probabilistic correction model, which is advantageously implemented as a Gaussian process regressor. It is also conceivable that only the physical prediction is used as a point estimator and the probabilistic model acts only as a provider of uncertainty quantification (in this case without correction of the point estimator).
Durch die Ausführung des weiteren hybriden Alterungszustandsmodells 16 ergeben sich innere Batteriezustände für den Zeitraum des angenommenen Prädiktionshorizonts. Diese inneren Batteriezustände können in Schritt S11 hinsichtlich ihrer Konfidenz, d. h. ihrer Vorhersageunsicherheit, mithilfe des datenbasierten Korrekturmodells, das als probabilistisches Modell als Teil des hybriden Alterungszustandsmodells ausgebildet sein kann, bewertet werden. Insbesondere kann basierend auf den prädizierten inneren Batteriezuständen und deren Konfidenzen eine Anomalieerkennung durchgeführt werden.By executing the further hybrid aging
Dafür wird das Anomalieerkennungsmodell 17 verwendet, das im Fahrzeug 4 oder durch Übermittlung der prädizierte in inneren Batteriezustände und deren Kompetenzen an die Zentraleinheit 2 zentral durchgeführt werden kann. Das Anomalieerkennungsmodell kann regelbasiert oder datenbasiert ausgebildet sein, um die Batteriezustände und deren Konfidenzen zu einem bestimmten Zeitpunkt innerhalb des Prädiktionshorizonts zu bewerten, um einen Fehler oder ein ordnungsgemäßer Betrieb der Fahrzeugbatterie 41 zu erkennen.For this purpose, the
Vorteilhafterweise erfolgt die Anomalieprädiktion auf Basis der unsicherheitsbasierten Prädiktion des mindestens einen elektrochemischen inneren Batteriezustandes. Beispielsweise kann hier ein Quantil, z.B. das 98% Quantil als Evaluierungsbasis verwendet werden und gegen einen vorgegebenen Schwellenwert verglichen werden. Dieser Schwellenwert kann auf einem Quantil von historischen Feld-Daten basiert sein.Advantageously, the anomaly prediction is carried out on the basis of the uncertainty-based prediction of at least one electrochemical internal battery state. For example, a quantile, e.g. the 98% quantile, can be used as an evaluation basis and compared against a predetermined threshold value. This threshold value can be based on a quantile of historical field data.
Es ist denkbar, dass der vorgegebene Schwellenwert auf Basis von Flottendaten weiter verfeinert und lernend korrigiert wird, wobei speziell die Kombination von elektrochemischen Parametern eine prädiktive Aussagekraft besitzt.It is conceivable that the specified threshold value will be further refined and corrected on the basis of fleet data, with the combination of electrochemical parameters in particular having predictive power.
Claims (11)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022213590.3A DE102022213590B4 (en) | 2022-12-14 | 2022-12-14 | Method and device for determining a predicted battery state for the purpose of anomaly prediction of a device battery in a technical device using edge computing |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102022213590.3A DE102022213590B4 (en) | 2022-12-14 | 2022-12-14 | Method and device for determining a predicted battery state for the purpose of anomaly prediction of a device battery in a technical device using edge computing |
Publications (2)
Publication Number | Publication Date |
---|---|
DE102022213590A1 DE102022213590A1 (en) | 2024-06-20 |
DE102022213590B4 true DE102022213590B4 (en) | 2024-08-22 |
Family
ID=91278685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102022213590.3A Active DE102022213590B4 (en) | 2022-12-14 | 2022-12-14 | Method and device for determining a predicted battery state for the purpose of anomaly prediction of a device battery in a technical device using edge computing |
Country Status (1)
Country | Link |
---|---|
DE (1) | DE102022213590B4 (en) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160023567A1 (en) | 2014-07-28 | 2016-01-28 | Ford Global Technologies, Llc | Temperature dependent electrochemical battery model for vehicle control |
US20160023566A1 (en) | 2014-07-28 | 2016-01-28 | Ford Global Technologies, Llc | Reduced order electrochemical battery model for vehicle control |
EP3435102A1 (en) | 2017-07-26 | 2019-01-30 | INVENOX GmbH | Method and device for detecting battery cell states and battery cell parameters |
US20200150185A1 (en) | 2018-11-13 | 2020-05-14 | Robert Bosch Gmbh | Method for approximating algorithms for fast charging li-ion batteries based on electrochemical battery models |
DE102020212282A1 (en) | 2020-09-29 | 2022-03-31 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for parameterizing an electrochemical battery model for a battery based on data from a large number of batteries |
DE102020215297A1 (en) | 2020-12-03 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods |
-
2022
- 2022-12-14 DE DE102022213590.3A patent/DE102022213590B4/en active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160023567A1 (en) | 2014-07-28 | 2016-01-28 | Ford Global Technologies, Llc | Temperature dependent electrochemical battery model for vehicle control |
US20160023566A1 (en) | 2014-07-28 | 2016-01-28 | Ford Global Technologies, Llc | Reduced order electrochemical battery model for vehicle control |
EP3435102A1 (en) | 2017-07-26 | 2019-01-30 | INVENOX GmbH | Method and device for detecting battery cell states and battery cell parameters |
US20200150185A1 (en) | 2018-11-13 | 2020-05-14 | Robert Bosch Gmbh | Method for approximating algorithms for fast charging li-ion batteries based on electrochemical battery models |
DE102020212282A1 (en) | 2020-09-29 | 2022-03-31 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for parameterizing an electrochemical battery model for a battery based on data from a large number of batteries |
DE102020215297A1 (en) | 2020-12-03 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods |
Also Published As
Publication number | Publication date |
---|---|
DE102022213590A1 (en) | 2024-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3966579B1 (en) | Server-side characterisation of rechargeable batteries | |
DE102020215297A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods | |
DE102020212299A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods | |
DE102020215201A1 (en) | Method and device for predicting an aging state of a device battery in a battery-operated device | |
DE102021203868A1 (en) | Method and device for operating a system for providing an electrochemical battery model for a device battery for a device | |
WO2021052540A1 (en) | Condition value for rechargeable batteries | |
DE102021203729A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores using reconstructed time series signals using machine learning methods | |
DE102021203865A1 (en) | Method and device for evaluating a relative aging condition of a device battery on the basis of a device group-based series variance of the device batteries | |
WO2023052521A1 (en) | Determination of an ageing value for batteries with current-voltage time series in time domain and load domain | |
DE102020212282A1 (en) | Method and device for parameterizing an electrochemical battery model for a battery based on data from a large number of batteries | |
DE102022208932A1 (en) | Method and device for the predictive diagnosis of a device battery of a technical device using a transformer model | |
DE102022200008A1 (en) | Method and system for efficiently monitoring battery cells of a device battery in a device-external central unit using a digital twin | |
DE102021214161A1 (en) | Method and device for providing an aging status for a portable battery with correction of status observations based on systematic status and environmental influences | |
DE102021204014A1 (en) | Method and device for providing an aging state model for determining current and predicted aging states of electrical energy stores using transfer learning using machine learning methods | |
DE102020212236A1 (en) | Method and device for operating a system for providing aging states of electrical energy storage devices for a large number of devices using machine learning methods | |
DE102022213590B4 (en) | Method and device for determining a predicted battery state for the purpose of anomaly prediction of a device battery in a technical device using edge computing | |
DE102022212239A1 (en) | Method and device for predictive diagnosis of a device battery of a technical device using a multivariate transformer model | |
DE102022203343A1 (en) | Method and device for operating a system for detecting an anomaly in an electrical energy storage device for a device using machine learning methods | |
DE102022202111A1 (en) | Method and device for detecting a critical anomaly in a device battery based on machine learning methods | |
DE102021205879A1 (en) | Method and device for operating a system for providing predicted aging states of electrical energy stores for a device using machine learning methods | |
DE102022208930A1 (en) | Method and device for initially providing an aging state model for energy storage based on active learning algorithms and time-discounted information evaluation | |
DE102022200007A1 (en) | Method and device for learning how to parameterize an aging model and providing an aging status for a device battery using a parameterized no-load voltage characteristic | |
DE102021207467A1 (en) | Method and device for operating a system for providing predicted confidence intervals of aging states of electrical energy stores for at least one device using machine learning methods | |
DE102020214390A1 (en) | Method and device for determining an aging status of a device battery of a battery-operated device | |
DE102022208929A1 (en) | Method and device for determining an aging state of a device battery in a technical device using edge computing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified | ||
R012 | Request for examination validly filed | ||
R016 | Response to examination communication | ||
R018 | Grant decision by examination section/examining division |