-
Die
Erfindung betrifft ein Steuerungssystem der Entlade/Lade-Zyklen
einer wiederaufladbaren Batterie zur Bildung einer intelligenten
Batterie. Die Erfindung betrifft auch eine zugehörige, mit einer intelligenten
Batterie ausgerüstete
Vorrichtung.
-
Die
Erfindung findet im Bereich mit einer wiederaufladbaren Batterie
ausgerüsteter
modularer Geräte Anwendung
wie z. B.: Persönliche
oder professionelle Zellulartelefone, schnurlose Werkzeuge, tragbare
Computer, Spiele...
-
Unter
intelligenter Batterie versteht man generell eine wiederaufladbare
Batterie in Verbindung mit einem System, welches ihre Ladungsmenge
steuert. Dieses System enthält
Mittel zum Sammeln der Daten über die
Ladungsmenge der Batterie und Mittel zum Ausgeben der vorberechneten
Informationen in Bezug auf die zukünftigen Entladebedingungen.
-
Ein
technisches Problem, welches sich bei der Vorbestimmung der Informationen über die
zukünftigen Entladebedingungen
für eine
wiederaufladbare Batterie stellt, ist die Variabilität der Konstruktionsparameter der
Batterie und die Variabilität
der Angewohnheiten des Anwenders der zugehörigen Vorrichtung.
-
Die
Variabilität
der Konstruktionsparameter der Batterie liegt individuell betrachtet
der Dispersion der Strukturdaten im Laufe der Herstellung eines
selben Batterietyps zugrunde.
-
Die
Variabilität
der Angewohnheiten des Anwenders führt zu unsachgemäßen Anwendungen,
welche die Batterie beschädigen
und die späteren
Möglichkeiten
des Wiederaufladens beeinträchtigen
können.
Diese unsachgemäßen Anwendungen
beinhalten das Wiederaufladen während
zu langen Zeiträumen
oder das zu häufige
Wiederaufladen einer nicht grundsätzlich entladenen Batterie.
-
Ein
anderes technisches Problem liegt auch der Tatsache zugrunde, das
die derzeitigen Anwendungen der wiederaufladbaren Batterien eine
sehr hohe Präzision
in Bezug auf die in einem bestimmten Zeitpunkt verfügbare Energiemenge
erfordern.
-
Ein
Gerät und
eine Methode zur Voraussage der Entladung einer Batterie sind bereits
aus dem Patent
EP 0 420 530 bekannt.
Dieses Dokument beschreibt eine Technik zur Voraussage der verbleibenden
Zeitreserve, bevor die Batterie entladen ist. Diese Technik ist
auf einen adaptiven Ladezustands-Algorithmus gegründet, welcher
in Echtzeit aktiv ist, um auf die Änderungen der Batteriezustände anzusprechen.
Dieser Algorithmus ist auf die gemessenen Entladecharakteristiken
der Batterie gegründet,
deren Zeitreserve vorausgesagt werden muss. Die Anzahl der Charakteristiken
ist auf zwei Parameter reduziert, die anhand einer einzigen Kurve
anhand einer linearen Region und einer exponentiellen Region festgestellt
werden. Diese Entladecharakteristiken werden mit den dynamischen
Parametern des in Echtzeit gesteuerten und berechneten Batteriesystems
kombiniert, um eine kontinuierliche Bewertung und eine Neubewertung
der unter veränderlichen
Bedingungen verbleibenden Zeitreserve zu erhalten. Im Laufe der
Entladung findet eine kontinuierliche Verbesserung der Voraussage
der verbleibenden Zeitreserve statt.
-
Ein
System zur Steuerung der Ladungsmenge einer Batterie unter Verwendung
eines Neuronennetzes ist bereits aus der Veröffentlichung bekannt mit dem
Titel „Neural
Network, A proper Approach to the Energy Management Problem" von Marcus STOLL
in „10th European Photovoltaic Solar Energy Conference", 8.–10. April
1991, LISSABON, PORTUGAL, S. 427–430. Die angeführte Veröffentlichung
beschreibt die Verwendung eines Neuronennetzes, um die Aufgabe zu übernehmen,
die Ladungsmenge (SOC) einer Blei-Säure-Batterie in einem Wiederaufladesystem
(RES) vorauszusagen. Dem angeführten
Dokument zufolge ist die Bestimmung der Ladungsmenge (SOC) eine
wichtige Aufgabe, die ausgeführt
werden muss, um das Energieniveau einer Batterie zu steuern. Insbesondere
ermöglicht
die Bestimmung der Ladungsmenge die Planung zur Verwendung von erneuerbarer
Energie, die Optimierung der Anwendungsbedingungen einer H&E-Vorrichtung,
das Treffen von Entscheidungen in Bezug auf die verschiedenen Phasen
der Entlade/Lade-Zyklen der Batterie.
-
Es
wird ein Neuronennetz mittels einer Datenbank zur Abschätzung der
Ladungsmenge (SOC) eingesetzt. Zur Verringerung der Kosten wird
das Neuronennetz nur über
einen kleinen Teil des Entladebereichs der Batterie eingesetzt.
Da der Entladestrom während
dem größten Zeitraum
sehr klein ist findet der Einsatz des Neuronennetzes in diesem Bereich
statt.
-
Während der
Lernphase des Neuronennetzes verwendet man eine Datenbank, welche
den Entladestrom, die Entladespannung und die Entladungsmenge unter
Standard-Anwendungsbedingungen enthält, d. h. bei stetiger Temperatur
von 20°C
und stetigem Strom. Diese Datenbank kann außerdem Informationen in Bezug
auf die Entladezyklen und Entladetiefen und die Durchschnittstemperatur
der Batterie enthalten. Es werden verschiedene Sätze dieser Daten, welche Eingangsvektoren
bilden, dem Neuronennetz bereitgestellt, um ihm das Entladeverhalten
der Batterien zu lehren. Das Neuronennetz organisiert eine geeignete
Darstellung des Verhaltens der Batterie.
-
Während der
Klassifikationsphase des Neuronennetzes stellt man nur Entladestrom
und -spannung zu seiner Verfügung,
und es gibt am Ausgang die entsprechende Entladungsmenge der Batterie
aus.
-
Ein
Problem, welches sich bei der Anwendung des bekannten Systems stellt,
ist, dass das System nicht dazu in der Lage ist, direkt den verbleibenden
Zeitraum vorauszusagen, bevor die Entladespannung nicht einen kritischen
Grenzwert erreicht hat.
-
Ein
anderes Problem, welches sich bei der Anwendung des bekannten Systems
stellt, ist, dass die den vorhergehenden Lade/Entlade-Zyklen und
der Tiefe der Entladungen in diesen Zyklen entsprechenden Daten nicht
korrekt berücksichtigt
werden können.
Denn diese Daten sind unter Berücksichtigung
der reellen Anwendung, die mit der Batterie bei Betrieb gemacht
wird, außerordentlich
variabel und beeinflussen die reelle in der Batterie vorhandene
Menge Ladung in einem bestimmten Zeitpunkt eines Entladezyklus sehr,
während
in dem bekannten System des angeführten Dokuments die Stellenwerte
des Neuronennetzes ab dem Ende der Lernphase definitiv festgelegt
werden.
-
Ein
Ziel dieser Erfindung ist die Bereitstellung eines Steuerungssystems
der Entlade/Lade-Zyklen einer Batterie, welche voraussagende Informationen
in Bezug auf den Zeitpunkt ausgibt, in dem einen vorbestimmten kritischen
Entladungsgrenzwert der Batteriespannung der Batterie erreicht sein
wird, und insbesondere voraussagende Informationen in Bezug auf
den Zeitraum ausgehend von jedem Zeitpurkt bei laufender Anwendung,
der bis zu dem Zeitpunkt verbleibt, in dem diese vorbestimmte kritische
Entladespannung erreicht sein wird.
-
Ein
Ziel dieser Erfindung ist die Bereitstellung eines Steuerungssystems
der Entlade/Lade-Zyklen einer Batterie, welche derartige voraussagende
Informationen ausgibt, die sich automatisch an die neuen Spannungsdaten
anpassen, die bei jeder Entladephase der Batterie unter Berücksichtigung
der bereits zuvor ausgeführten
Entlade/Lade-Zyklen variieren.
-
Ein
Ziel dieser Erfindung ist die Bereitstellung eines solchen Steuerungssystems,
welches derartige voraussagende Informationen ausgibt, die sich
an die neuen reellen Spannungsdaten anpassen, die aufgrund der Dispersion
des Verhaltens jeder einzelnen Batterie bei jeder Entladephase der
Batterie in Bezug auf die vorausgesagten Spannungsdaten und in Bezug
auf ein Durchschnittsverhalten variieren.
-
Diese
Probleme werden wie in Anspruch 1 aufgeführt von einem Steuerungssystem
der Entlade/Lade-Zyklen einer wiederaufladbaren Batterie gelöst, verknüpft mit
einer wiederaufladbaren Batterie mit Entladephasen, die mit Ladephasen
entsprechend Entlade/Lade-Zyklen abwechseln, wobei dieses System
enthält:
Erste
adaptive Rechenmittel, die ausgelegt sind, um bei Beginn einer Entladephase
eines Entlade/Lade-Zyklus der Batterie einen Funktionsparametersatz
mit der Bezeichnung erste Parameter zu sammeln und um am Eingang
einen vorbestimmten Grenzwert einer kritischen Entladespannung zu
erhalten, und die ausgelegt sind, um am Ausgang eine berechnete
voraussagende Angabe über
den Zeitpunkt auszugeben, in dem die Batterie diesen kritischen
Grenzwert erreicht, welcher dem Ende dieser Entladephase entspricht,
wobei dieses System außerdem
enthält:
Zweite
und dritte, mit den ersten Rechenmitteln verknüpfte adaptive Rechenmittel,
die ausgelegt sind, um am Eingang in einem Initialzeitpunkt bei
Beginn der besagten Entladephase der Batterie einen Wert der Batteriespannung
mit der Bezeichnung Initialspannung, einen Wert einer Variation
dieser Initialspannung nach einem kurzen Zeitraum ausgehend von
diesem Initialzeitpunkt und einen Wert der Initialzahl der Entlade/Lade-Zyklen dieser
Batterie zu erhalten, die vor der besagten Entladephase ausgeführt wurden,
und die ausgelegt sind, um am Ausgang ab dem Zeitpunkt der besagten
Entladephase, in dem die Initialwerte zur Verfügung stehen, respektive einen
Satz Näherungsparameter
und einen Satz entsprechender Korrekturparameter auszugeben, die
addiert werden, um die besagten ersten Funktionsparameter zu ergeben,
welche den besagten ersten Rechenmitteln vorgegeben werden;
und
einen auf die besagten Parameter anwendbaren Rechner (160).
-
Diese
Probleme werden insbesondere wie in Anspruch 2 aufgeführt von
einem wie zuvor definierten System gelöst, welches außerdem enthält:
Eine
Arbeitsspeicherzone zum Aufzeichnen während der besagten Entladephase
der Sätze
mit momentan reellen Werten, jeweils aus einer Messung der Entladespannung
der Batterie und dem dieser Messung entsprechenden laufenden Zeitpunkt
gebildet,
wobei das Steuerungssystem derart ausgelegt ist,
dass während
der Ladephase der Batterie, welche der besagten Entladephase des
betreffenden Entlade/Lade-Zyklus
folgt:
Die ersten Rechenmittel außerdem ausgelegt sind, um A
POSTERIORI auf autonome Weise zu rechnen und Parameter mit der Bezeichnung
reelle Parameter auszugeben, welche der Funktionsweise dieser ersten
Rechenmittel in der Situation entsprechen, in der ihnen die Sätze mit
momentan reellen Werten vorgegeben werden, mit der Messung der am
Eingang vorgegebenen Entladespannung und des am Ausgang vorgegebenen entsprechenden
laufenden Zeitpunkts, wobei der Rechner für den Erhalt der besagten von
den zweiten Rechenmitteln während
der Entladephase berechneten Näherungsparameter
und der besagten von den ersten Rechenmitteln während der Ladephase berechneten
reellen Parameter und für
die Ausgabe der respektiven Differenzen zwischen diesen Parametern
mit der Bezeichnung Fehlerparameter ausgelegt ist,
und die
dritten Rechenmittel außerdem
zur Berechnung der Parameter mit der Bezeichnung Adaptationsparameter
auf autonome Weise ausgelegt sind, welche der Funktionsweise dieser
dritten Rechenmittel in der Situation entsprechen, in der ihnen
die Fehlerparameter am Ausgang vorgegeben werden, während ihnen
die Initialwerte der vorhergehenden Entladephase am Eingang vorgegeben
werden,
und ein System ist, in dem die dritten Rechenmittel
in der nachfolgenden Entladephase des folgenden Entlade/Lade-Zyklus
die in der besagten Ladephase berechneten Adaptationsparameter als
Funktionsparameter beibehalten.
-
In
einer besonderen Ausführungsform
wie in Anspruch 3 aufgeführt
werden diese Probleme von einem wie zuvor definierten Steuerungssystem
gelöst,
in dem:
Die ersten, zweiten und dritten Rechenmittel respektive
aus einem ersten, zweiten und dritten Neuronennetz gebildet werden,
die ersten Funktionsparameter die synaptischen Koeffizienten des
ersten Neuronennetzes sind, wobei das erste Neuronennetz eine Eingangszelle
für einen
Spannungswert und eine Ausgangszelle für einen Zeitwert hat, das zweite
Neuronennetz drei Eingangszellen für die besagten Initialwerte
und eine Anzahl von Ausgangszellen für die Näherungsparameter in gleicher
Anzahl wie die Anzahl der synaptischen Koeffizienten des ersten
Neuronennetzes hat und das dritte Neuronennetz drei Eingangszellen
für die
besagten Initialwerte und eine Anzahl von Ausgangszellen für die Korrekturparameter
in gleicher Anzahl wie die Anzahl der synaptischen Koeffizienten
des ersten Neuronennetzes hat, und in dem:
Der Rechner in der
Entladephase für
die Entgegennahme und Addition der Näherungsparameter und der Korrekturparameter
und für
die Ausgabe der besagten dem ersten Neuronennetz vorgegebenen synaptischen
Koeffizienten ausgelegt ist.
-
In
einer anderen besonderen Ausführungsform
wie in Anspruch 4 aufgeführt
werden diese Probleme von einem wie zuvor definierten Steuerungssystem
gelöst,
in dem das erste Neuronennetz für
die Umsetzung der ersten Rechenmittel während der Ladephase ausgelegt
ist, welche der Entladephase des von einer Rückübertragungsmethode betroffenen
Entlade/Lade-Zyklus folgt, zur Berechnung der reellen Parameter,
welche seine eigenen reellen synaptischen Koeffizienten in der Situation
sind, in der für
jeden Satz mit momentan reellen Werten die Messung der Entladespannung
an seinem Eingang und des entsprechenden Stromzeitpunkts an seinem
Ausgang vorgegeben wird, der Rechner ausgelegt ist, um die Fehlerparameter
auszugeben, die von den respektiven Differenzen zwischen den besagten
vom ersten Neuronennetz während
der besagten Ladephase berechneten reellen synaptischen Koeffizienten
und den besagten vom zweiten Neuronennetz für die besagte vorhergehende
Entladephase berechneten Näherungsparametern
gebildet wird,
wobei das dritte Neuronennetz zur Umsetzung
der dritten Rechenmittel ausgerichtet ist, um mit einer Rückübertragungsmethode
die Adaptationsparameter zu berechnen, welche in der Situation seine
eigenen synaptischen Adaptationskoeffizienten sind, in dem die Fehlerparameter
an seinen Ausgängen
vorgegeben werden und die Initialwerte der vorhergehenden Entladephase
an seinen Eingängen
vorgegeben werden, und dieses dritte Neuronennetz in der nachfolgenden
Entladephase des folgenden Entlade/Lade-Zyklus diese in der besagten
Ladephase berechneten synaptischen Koeffizienten beibehält.
-
Der
Vorteil dieses Steuerungssystems in der einen oder anderen ihrer
Ausführungsformen
ist, dass sich die voraussagenden Angaben an die einzelnen Entlade/Lade-Charakteristiken
der Batterie anpassen, mit welcher dieses Steuerungssystem verknüpft ist,
sei es für
einen bestimmten Batterietyp oder für verschiedene Batterietypen, denn
dieses Steuerungssystem weist den Vorteil auf, sich an jeden neuen
Entlade/Lade-Zyklus anpassen
zu können.
-
Ein
anderer Vorteil ist, dass diese voraussagenden Angaben sehr präzise und
sehr zuverlässig
sind.
-
Ein
anderer Vorteil ist, dass diese Angaben Messungen einbeziehen, welche
es dem Anwender ermöglichen,
eine mit dieser „intelligenten" Batterie ausgerüstete zugehörige Vorrichtung
unter optimalen Anwendungsbedingungen zu betreiben.
-
In
einer Ausführungsform
der Erfindung wie in Anspruch 13 aufgeführt enthält eine zugehörige Vorrichtung
ein solches Steuerungssystem, wobei diese zugehörige Vorrichtung von der wiederaufladbaren
Batterie versorgt wird, mit der das besagte Steuerungssystem verknüpft ist.
-
Der
Vorteil dieses Systems ist, einfach umsetzbar zu sein. Die mit diesem
System verknüpfte
zugehörige
Vorrichtung ist besonders leistungsstark.
-
Die
Erfindung wird hiernach im Detail in Bezug auf die beigefügten schematischen
Figuren beschrieben, von denen:
-
1A ein
Steuerungssystem für
wiederaufladbare Batterie zeigt, um ein globales System mit der
Bezeichnung intelligente Batterie zu bilden, welche in einer Entladephase
eines Entlade/Lade-Zyklus arbeitet; und
-
1B dasselbe
Steuerungssystem beim Lernen in einer aufeinander folgenden Ladephase
zeigt, um eine Adaptationsfunktion zu erlernen;
-
2A ein
erstes Neuronennetz NN1 zeigt,
-
2B ein
zweites Neuronennetz NN2 zeigt, und
-
2C ein
drittes Neuronennetz für
dieses Steuerungssystem zeigt;
-
3 ein
Blockdiagramm zeigt, welches die Schritte des Lernverfahrens der
drei Neuronennetze des Steuerungssystems in der auf die Entladephase
nachfolgenden Ladephase symbolisiert, um eine Adaptationsfunktion
zu erlernen;
-
4A eine
Kurve der Entladespannung einer Batterie unter Berücksichtigung
der Zeit zeigt;
-
4B eine
Kurve der Entladezeit einer Batterie unter Berücksichtigung der Entladespannung
zeigt; und
-
4C Kurven
der Entladezeit einer Batterie unter Berücksichtigung der Anzahl von
Entlade/Lade-Zyklen zeigt, bei α ohne
die dritten adaptiven Rechenmittel, bei β mit den dritten voraussagenden
und adaptiven Rechenmittel, und bei γ der reell gemessenen Werte;
-
5A die
Elemente zur Umsetzung eines Steuerungssystems zeigt, und
-
5B ein
Steuerungssystem in einer zugehörigen
Vorrichtung zeigt;
-
6A die
Struktur einer nuronalen Zelle der versteckten Schicht des ersten
Neuronennetzes NN1 des Steuerungssystems zeigt, und
-
6B die
Struktur der neuronalen Ausgangszelle dieses selben ersten Netzes
NN1 zeigt.
-
In
Bezug auf 5B, deren Legende auf Tabelle
II steht, ist ein Steuerungssystem 100 mit einer wiederaufladbaren
Batterie 110 verknüpft,
um ein globales System mit der Bezeichnung intelligente Batterie 120 zu
bilden. Diese wiederaufladbare Batterie hat Ladephasen, welche mit
Entladephasen gemäß aufeinanderfolgenden
Entlade/Lade-Zyklen abwechseln. Das System 100 steuert
die Entladephasen und eventuell die Ladephasen der Entlade/Lade-Zyklen
der wiederaufladbaren Batterie. Dieses Steuerungssystem 100 enthält einen
Rechner 160, um eine Anzeige eines Zeitpunkts tTH in einer Entladephase auszugeben, in dem
die Batterie 110 einen vorbestimmten kritischen Spannungsgrenzwert
VTH erreicht, und spezifischer um eine Anzeige
eines Zeitraums ΔtTH auszugeben, der verbleibt, bevor dieser
vorbestimmte Grenzwert der Entladespannung VTH erreicht
wird, oder auch um beide Anzeigen auszugeben.
-
Das
System dieser intelligenten Batterie 120 kann in die zugehörige Vorrichtung 130 eingebaut
oder mit ihr verknüpft
werden. In diesem Falle ist diese wiederaufladbare Batterie 110 über die
Anschlüsse
D1, D2 mit dieser zugehörigen
Vorrichtung 130 verknüpft.
Die zugehörige
Vorrichtung enthält
außerdem
Anzeigemittel 140, um dem Anwender die Zeitanzeigen tTH oder ΔTH oder beide auszugeben.
-
Das
Steuerungssystem 100 ist auch mit Mitteln zur Messung 150 der
Zeit und der Batteriespannung verknüpft.
-
Funktionsweise des Steuerungssystems 100 während einer
Entladephase eines Entlade/Lade-Zyklus
-
In
Bezug auf 1A, welche das in einer Entladephase
der Batterie arbeitende Steuerungssystem darstellt, sammelt dieses
Steuerungssystem 100 einerseits sogenannte Initialwerte
in einem sogenannten Initialzeitpunkt to, welcher mit dem absoluten
Anfang einer Entladephase der Batterie in einem Entlade/Lade-Zyklus
zusammenfällt.
Diese Initialwerte sind:
Vo als Batteriespannung, wobei Vo
dann Initialspannung der Batterie in diesem Initialzeitpunkt to
bezeichnet wird;
ΔVo
als Variation der Batteriespannung, auch Variation der Initialspannung
bezeichnet, gemessen im Laufe des ersten sehr kurzen Zeitraums Δto der Batterieanwendung
zwischen dem Initialzeitpunkt to und einem späteren Zeitpunkt t'o = to + Δto;
No
als Anzahl der Entlade/Lade-Zyklen der Batterie, die vor dem betrachteten
Initialzeitpunkt to bereits ausgeführt wurden; No kann eventuell
gleich 0 (Null) sein, wenn der betrachtete Zyklus der erste Anwendungszyklus der
Batterie ist, die noch neu und war und niemals wiederaufgeladen
wurde; No wird mit Anzahl an Initialzyklen bezeichnet.
-
Dieses
System 100 kann andererseits in jedem aufeinanderfolgenden
laufenden Zeitpunkt t dieser selben Entladephase Momentanwerte sammeln.
Diese momentanen Werte sind:
Vt als die Spannung der Batterie
in einem laufenden Zeitpunkt t und dem entsprechenden Zeitpunkt
t.
-
In
Bezug auf 1A enthält ein Steuerungssystem 100 des
Entlade/Lade-Zyklus
einer wiederaufladbaren Batterie 110 erste, zweite und
dritte miteinander verknüpfte
voraussagende und adaptive Rechenmittel mit der jeweiligen Bezeichnung
NN1, NN2 und NN3, um anhand der initialen Spannungswerte Vo, ΔVo, No, in einer
Entladephase gemessen, und anhand des festgelegten Grenzwertes einer
kritischen Spannung VTH, die voraussagende
Anzeige eines Zeitpunkts mit der Bezeichnung kritischer Zeitpunkt
tTH auszugeben, in dem in derselben Entladephase
die Spannung der Batterie einen kritischen Grenzwert VTH erreicht,
und spezifischer eine voraussagende Anzeige eines Zeitraums ΔtTH, der verbleibt, bevor diese kritische
Entladespannung VTH erreicht wird, wobei
dieser Grenzwert vorbestimmt wird, damit bevor die Spannung der
Batterie diesen Grenzwert VTH erreicht,
die Batterie 110 eine präzise bekannte Funktionsenergie
beibehält,
die in einer bestimmten Spanne gelegen ist, und diese Energie korrekt
an die Funktionsweise einer zugehörigen Vorrichtung 130 angepasst
ist, welche sie versorgt.
-
Wie
auf 1A dargestellt werden in einer Ausführungsform
die ersten, zweiten und dritten voraussagenden und adaptive Rechenmittel
des Steuerungssystems 100 aus einem ersten Neuronennetz
mit der Bezeichnung NN1, einem zweiten Neuronennetz mit der Bezeichnung
NN2, in Serie mit dem ersten Neuronennetz NN1 geschaltet, und einem
dritten Neuronennetz NN3 gebildet, parallel zum zweiten Neuronennetz
geschaltet.
-
In
der nachfolgenden Beschreibung wird zuerst eine erste Entladephase
mit der Bezeichnung PD1 betrachtet, die in einem Zeitpunkt to in
einem Entlade/Lade-Zyklus beginnt; und es wird ein vorbestimmter
kritischer Grenzwert der Entladespannung VTH festgelegt.
-
Das
erste Neuronennetz NN1 hat einen Eingang für:
Die Spannung VTH, welche den vorbestimmten kritischen Grenzwert
bildet, und einen Ausgang zur Ausgabe in jedem laufenden Zeitpunkt
t, z. B. jede Minute:
Des Zeitpunkts tTH,
in dem dieser vorbestimmte kritische Spannungsgrenzwert VTH erreicht wird.
-
In
Bezug auf 5A, deren Legende auf Tabelle
I steht, ist das erste Neuronennetz NN1 mit Mitteln zur Messung
der Zeit 150a verknüpft,
welche eine Messung jedes laufenden Zeitpunkts t ausgeben, und es
ist mit einem Rechner 160 verknüpft, der eine Addierfunktion
hat und durch die Differenz zwischen dem laufenden Zeitpunkt t und
dem im Zeitpunkt tTH berechneten Wert ausgibt:
Einen
Wert ΔtTH des verbleibenden Zeitraums, bevor der
vorbestimmte kritische Grenzwert der Entladespannung VTH in
dem Falle erreicht wird, in dem die Batterie normal arbeitet, um
eine zugehörige
Vorrichtung 130 zu versorgen, und sich aufgrund dieser
Funktion normal entlädt.
-
In
dieser exemplarischen Ausführungsform
sind die synaptischen Koeffizienten oder Stellenwerte dieses ersten
Neuronennetzes NN1 Stücker
13 und WjA bezeichnet, wobei „j" ein Index von 1
bis 13 ist. Sie werden erste Parameter WjA bezeichnet und während dieser
ersten Entladephase PD1 von dem zweiten Neuronennetz NN2, welches
mit dem dritten Neuronennetz NN3 zusammenwirkt, automatisch berechnet
und ausgegeben.
-
Das
zweite Neuronennetz NN2 hat 3 Eingänge für:
Vo die im Initialzeitpunkt
to dieser ersten Entladephase PD1 gemessene Initialspannung,
ΔVo die Variation
der Initialspannung in einem Zeitpunkt to', nach einem Kurzen Zeitraum Δto von z.
B. einer Minute ausgehend vom Initialzeitpunkt to festgestellt,
No
die Initialzahl der Zyklen,
und hat 13 Ausgänge für 13 Parameter WjB mit der
Bezeichnung Näherungsparameter,
die in die Bildung der synaptischen Koeffizienten oder Stellenwerte
WjA des ersten Neuronennetzes NN1 eingebunden sind.
-
Das
dritte Neuronennetz NN3 hat dieselben Eingänge wie das zweite Neuronennetz
NN2, d. h. drei Eingänge
für:
Vo
die im Initialzeitpunkt to dieser ersten Entladephase PD1 gemessene
Initialspannung,
ΔVo
die Variation der Initialspannung in einem Zeitpunkt t'o, nach einem Kurzen
Zeitraum Δto
von z. B. einer Minute ausgehend vom Initialzeitpunkt to festgestellt,
No
die Initialzahl der Zyklen,
und hat 13 Ausgänge für 13 Parameter WjC zur jeweiligen
Korrektur der aus dem zweiten Neuronennetz NN2 kommenden 13 Näherungsparameter
WjB.
-
Der
Rechner 160, der eine Addierfunktion hat, gibt u. a. den
Wert der Initialvariation Δto
aus, indem er die Differenz zwischen der im Zeitpunkt to gemessenen
Initialspannung und einer späteren
Spannung V'o im folgenden
Zeitpunkt t'o berechnet,
wie ΔVo
= Vo – V'o.
-
Dieser
Rechner 160 gibt u. a. in seiner Funktion als Addierer
die synaptischen Koeffizienten oder Stellenwerte WjA aus, die für die Funktionsweise
des ersten Neuronennetzes während
dieser ersten Entladephase PD1 erforderlich sind, indem er die Addition
der aus dem zweiten Neuronennetz kommenden Näherungsparameter WjB mit den
aus dem dritten Neuronennetz kommenden Korrekturparameter WjC ausführt.
-
Die
13 jeweiligen Ergebnisse WjA = WjB + WjC werden dem ersten Neuronennetz
während
dieser ersten Entladephase PD1 als erste Funktionsparameter vorgegeben.
-
In
Bezug auf 5B, deren Legende auf Tabelle
II steht, enthält
ein Steuerungssystem 100 außerdem Arbeitsspeicherzonen
RAM 170b zum je nach Fall Aufzeichnen oder Ausgeben der
variablen Messungen oder der Stellenwerte des ersten und des dritten
Neuronennetzes, und eine Festspeicherzone ROM 170a zum
Speichern der Strukturdaten der Neuronennetze NN1, NN2 und NN3,
der festen Parameter und der Stellenwerte des zweiten Neuronennetzes
NN2.
-
Diese
Speicher sind für
den Rechner 160 zugänglich,
der die zur Funktion des Steuerungssystems 100 erforderlichen
Berechnungen ausführt.
-
Jedes
der Neuronennetze NN1, NN2 und NN3 muss organisiert (oder angeordnet)
sein, um diese Berechnungen zu vollenden und diese Ausgaben bereitzustellen.
Zu diesem Zweck unterliegt jedes von ihnen einem Lernverfahren und
einem Testverfahren mit der Bezeichnung Trainingsphasen, während denen
ihre synaptischen Koeffizienten bestimmt und in bestimmten Fällen festgelegt
werden.
-
Lernverfahren der Neuronennetze
-
Die
Aufgabe des ersten Neuronennetzes NN1 ist das Erlernen der Modelle
von Entladekurven. Dieses Lernen ermöglicht den Aufbau einer Relation
zwischen dem momentanen Wert der Entladespannung der Batterie mit
der Bezeichnung Vt und dem laufenden Zeitpunkt t, in dem die Batterie
diese Spannung Vt erreicht. Das erste Neuronennetz NN1 muss bei
seinem Lernen Funktionen Fw konstruieren, welche die Relation (1a) lösen: t = Fw(Vt) (1a)wobei der
F zugeteilte Index w die Tatsache symbolisiert, dass die Funktion
F an die Stellenwerte WjA bzw. die synaptischen Koeffizienten des
ersten Neuronennetzes NN1 gebunden ist.
-
Das
erste Neuronennetz NN1 wurde konstruiert, um eine nicht lineare
Funktion Fw zu generieren.
-
In
Bezug auf 2A enthält das erste Neuronennetz NN1:
Eine
aus 2 neuronalen Zellen gebildete Eingangsschicht mit einer ersten
neuronalen Zelle NE0A für
die Eingabe eines bei –1
gewählten
Grenzwertes und eine zweite neuronale Zelle NE1A für die Eingabe
des momentanen Spannungswerts Vt im Zeitpunkt t,
eine versteckte
Schicht aus 5 neuronalen Zellen mit einer ersten versteckten neuronalen
Zelle NC0A für
die Eingabe eines bei –1
gewählten
Grenzwerts und vier versteckte neuronale Zellen mit der Bezeichnung
NC1A bis NC4A,
und eine Ausgangsschicht mit einer einzigen
neuronalen Zelle mit der Bezeichnung NSA.
-
Demnach
bemerkt man, dass während
der Lernverfahren des ersten Neuronennetzes NN1 sein Eingang NE1A
einen momentanen Spannungswert Vt sammelt, während dieser selbe Eingang
den kritischen Grenzwert der Spannung VTH bei
laufender Anwendung sammelt.
-
Die
Struktur der Funktionsgleichung jedes versteckten Neurons mit der
Bezeichnung NC1A bis NC4A ist diejenige eines formellen „Standard"-Neurons wie dargestellt
auf 6A, welche die versteckte Zelle NC1A als Beispiel
zeigt.
-
Jedes
gegebene versteckte Neuron NCiA erhält einerseits am Eingang die
momentane Spannung Vt mit einem eingehenden Stellenwert oder synaptischen
Koeffizienten, welcher einer der 13 Stellenwerte mit der Bezeichnung
WjA ist, und es erhält
andererseits einen Grenzwert mit dem konstanten Wert „–1", einem anderen der
13 Stellenwerte mit der Bezeichnung WjA zugeteilt. Der Index „i" ist der Index 1
bis 4 der betreffenden versteckten neuronalen Zelle NC1A bis NC4A.
Jedes versteckte Neuron NCiA bildet eine gewichtete Summe mit der
Bezeichnung Σ der
einem Stellenwert WjA zugeteilten Eingaben und rechnet eine Zwischenausgabe Ei
(Vt) aus.
-
Jedes
versteckte Neuron NC1A bis NC4A transferiert diese Zwischenausgabe
Ei(Vt) über
eine Aktivierungsfunktion mit der Bezeichnung Si, und es berechnet
eine Ausgabe mit der Bezeichnung Si(Vt) nach der Relation (2a): Si(Vt) = Si[Ei(Vt)] (2a)
-
Es
muss jetzt noch die Aktivierungsfunktion Si(Vt) jedes versteckten
Neurons besser definiert werden. Es kann als mögliche Aktivierungsfunktion
eine unter den gesamten nicht linearen Funktionen gewählte Funktion übernommen
werden.
-
Die
Aktivierungsfunktion Si ist vorzugsweise eine Sigmafunktion „tanh" gleich der hyperbolischen
Tangensfunktion, welche sehr gut an die Form der zu konstruierenden
Entladekurven angepasst ist, wie man später aufzeigen wird. In der
versteckten Schicht zeigen die 4 neuronalen Zellen NC1A bis NC4A
an dem beschriebenen Beispiel folglich eine nicht lineare Funktion „tanh".
-
Die
Struktur des einzigen Ausgangsneurons NSA ist auf 6B dargestellt.
Sie bildet eine gewichtete Summe mit der Bezeichnung Σ der Ausgaben
Si(Vt) sämtlicher
versteckten Neuronen NCiA unter Verwendung der synaptischen Koeffizienten
WjA, wobei dieser Summe ein Grenzwert „–1" hinzugefügt wird, der aus der versteckten
Zelle NC0A kommt, und dieser Grenzwert über einen der synaptischen
Koeffizienten WjA in das Ausgangsneuron NSA eingegeben wird.
-
Dieses
Ausgangsneuron bildet zuerst die gewichtete Summe Σ, welche
eine Zwischenausgabe Es(Vt) ergibt.
-
Dann
transferiert das Ausgangsneuron NSA diese Zwischenausgabe Es(Vt) über eine
Aktivierungsfunktion mit der Bezeichnung Ls, und es berechnet eine
Endausgabe mit der Bezeichnung Fw(Vt) nach der Relation (3a): Fw(Vt) = Ls[Es(Vt)] (3a)
-
Die
Aktivierungsfunktion Ls dieses Ausgangsneurons wird linear gewählt. Die
Ausgabe des Ausgangsneurons ist die Funktion Fw, welche man zu generieren
sucht.
-
Die
Bezeichnungen der Stellenwerte jedes versteckten Neurons NCiA sind
auf 2A vermerkt, genau wie die Bezeichnungen der Eingangsstellenwerte
des Ausgangsneurons NSA. Sämtliche
dieser Stellenwerte mit der Bezeichnung W1A bis W13A werden aus
all den 13 Stellenwerten WjA gebildet, die von dem zweiten und dritten
parallel geschalteten Neuronennetz NN2 und NN3 übertragen werden, deren Ausgänge vom
Rechner 160 als Addierfunktion verknüpft sind.
-
In
Bezug auf 4A zeigt eine konventionelle
Entladekurve einer Nickel-Kadmium-Batterie
beispielsweise die momentane Spannung Vt in Volt unter Berücksichtigung
der Zeit t in Minuten. Diese Kurve zeigt eine starke Neigung im
ersten Funktionszeitraum, z. B. die ersten 100 Minuten, dann eine
schwache Neigung zwischen 100 und 500 Anwendungsminuten und schließlich eine
starke Neigung nach 500 Minuten. Selbstverständlich wird diese Entladekurve
rein als Beispiel gegeben.
-
Doch
man erinnere bei diesem System daran, dass das erste Neuronennetz
NN1 einem Lernen unterzogen werden muss, welches zur Ausgabe einer
Zeit t führt,
die eine Funktion Fw der Batteriespannung Vt ist.
-
Deshalb
wurde auf 4B eine für diese Beschreibung interessante
Entladekurve dargestellt. Diese Kurve zeigt die Zeit t unter Berücksichtigung
der Batteriespannung Vt. Diese Kurve der 4B wurde
ganz einfach gezeichnet, indem die Werte, die auf 4A auf
der Abszisse lagen, auf die Ordinate der 4B übertragen
wurden; und indem die Werte, die auf 4A auf
der Ordinate lagen, auf die Abszisse der 4B übertragen
wurden. Man kann feststellen, dass diese Entladekurve eine Form
hat, die der Form einer Kurve „tanh" nahe kommt. Aus
diesem Grund werden Funktionen vom Sigmatyp vorgezogen, um die Aktivierungsfunktionen
in den Neuronen der versteckten Schicht umzusetzen.
-
4B stellt
folglich eine Entladekurve dar, welche die Zeit t in Minuten unter
Berücksichtigung
der Spannung Vt in Volt zeigt und nahezu ebene Endteile und einen
Mittelteil mit einer starken Neigung aufweist. Deshalb wird im ersten
Neuronennetz NN1 die Modellbildung des Mittelteils der Entladekurve
der Relation (1a) von den beiden ersten neuronalen Zellen NC1A,
NC2A der versteckten Schicht ausgeführt, deren Aktivierungsfunktion
jeweils eine starke Neigung haben; wogegen die Modellbildung der
Endteile dieser Schichten von folgenden versteckten neuronalen Zellen
NC3A, NC4A ausgeführt
werden, die eine Aktivierungsfunktion mit geringerer Neigung zeigen.
-
Das
Vorhandensein von versteckten Zellen mit Aktivierungsfunktionen,
die deutlich unterschiedliche Neigungen zeigen, bedingt, jede versteckte
Zelle bei der Ausführung
von verschiedenen vorbestimmten Aufgaben zu spezialisieren. Es ist
eindeutig, dass das Neuronennetz NN1 die Aufgabe erlernen könnte, die
Funktion Fw auch ohne diese Spezialisierung mit demselben Leistungsniveau
ausgeben könnte.
Aber der Erfindung zufolge wurde festgestellt, dass sich die Lernphase
des Neuronennetzes NN1 aufgrund der Tatsache beträchtlich
verkürzt,
dass jede Zelle einer vorbestimmten Aufgabe gewidmet ist.
-
Die
Neigungen der Aktivierungsfunktion Si der versteckten Zellen NC1A,
NC2A können
z. B. 7.0 betragen, und die Neigungen der Aktivierungsfunktion Si
der folgenden versteckten Zellen NC2A, NC4A können z. B. 2.0 betragen.
-
Für das Erlernen
des ersten Neuronennetzes NN1 werden die Zeitkurven t der Entladung
unter Berücksichtigung
der Entladespannung V(t) bei einer großen Anzahl N von Entladezyklen
und für
eine große
Anzahl von Batterien 110 selben Typs, z. B. Nickel-Kadmium-Batterien,
z. B. jede Minute aufgezeichnet.
-
An
dem Beispiel werden 20 Batterien verwendet, die 140 Entlade/Lade-Zyklen unterzogen
werden. Eine Batterie wird als vollkommen geladen betrachtet, wenn
ihre Spannung Vo 9 V beträgt,
und sie wird betrachtet, den kritischen Grenzwert erreicht zu haben,
wenn ihre Spannung VTH = 6 V beträgt. Mit
dieser Methode werden 20 × 140
= 2800 Entladekurven so aufgezeichnet, dass jede Kurve 1600 Punkte
ausweist.
-
Jede
Kurve wird einem unterschiedlichen Netz NN1 gelehrt. Somit werden
in der Lernphase 2800 Netze initialisiert, d. h. 1 Netz pro Kurve.
In jeder Kurve wird z. B. die Hälfte
der Punkte, d. h. 800 Punkte, für
das Erlernen des entsprechenden Neuronennetzes NN1 verwendet, und
die andere Hälfte
der Punkte, d. h. 800 Punkte, wird zum Testen des besagten Neuronennetzes
NN1 verwendet.
-
Am
Ende dieses Trainings mit der Lernphase und den Tests werden die
13 Stellenwerte WjA jedes der 2800 Neuronennetze NN1 in einer Zone
des Arbeitsspeichers RAM mit der Bezeichnung 170b auf 5B gespeichert.
-
Von
nun an bilden die Werte der Sätze
von 13 Stellenwerten WjA im Speicher eine Datenbank zum Erlernen
des zweiten Neuronennetzes NN2.
-
Die
Aufgabe des zweiten Neuronennetzes NN2 ist das Erlernen einer Relation
zwischen von der Entladespannung der Batterie abhängigen Parametern.
Somit erhält
das zweite Neuronennetz NN2:
No die Anzahl an Initialzyklen,
Vo
die erste aufgezeichnete Spannung der betreffenden Entladekurve,
und
ΔVo
die den Ursprung dieser Entladekurve bildende Neigung, und es muss
anhand dieser Messungen die 13 Stellenwerte WjA messen können, die
für die
Funktionsweise des ersten Neuronennetzes NN1 erforderlich sind.
-
Diese
Relation wird mit der Funktion G der Relation (4a) ausgedrückt: WjA = G(Vo, ΔVo, No) (4a)
-
In
Bezug auf 2B wird die Struktur des zweiten
Neuronennetzes NN2 von seiner Aufgabe vorgegeben. Dieses Neuronennetz
NN2 enthält:
Eine
Eingangsschicht mit drei Eingangszellen NE1B, NE2B, NE3B für die Werte
Vo, ΔVo
und No, plus eine Eingangszelle NE0B für einen Grenzwert bei –1;
13
Ausgangszellen NS1B bis NS13B für
respektive jeden der 13 Näherungsparameter
WjB der benachbarten Werte des gesuchten Stellenwertes des ersten
Neuronennetzes;
eine einzige versteckte Schicht mit 8 versteckten
neuronalen Zellen mit der Bezeichnung NC1B bis NC8B, plus eine versteckte
Zelle NC0B für
einen Grenzwert bei –1.
-
Der
Erfindung zufolge wurden die von den Initialwerten Vo und ΔVo gebildeten
Eingänge
spezifisch gewählt,
denn es wurde ersichtlich, dass dies die empfindlichsten Werte hinsichtlich
den Eigenschaften der Batterie waren.
-
Auch
der dritte von der Initialzahl No der Zyklen gebildete Eingang wurde
spezifisch gewählt,
da er es aufgrund der Tatsache ermöglicht, einen Alterungseffekt
der Batterie zu berücksichtigen,
da je mehr Entlade/Lade-Zyklen eine Batterie unterzogen wurde, desto
weniger Lebenszeit ihr verbleibt, d. h. desto weniger effizient
ist der Wiederaufladeeffekt und desto schneller ist die Entladezeit.
Dieser Alterungseffekt ist auf 4C dargestellt,
die bei γ gemessene
Punkte zeigt, die der Entladezeit tTH entsprechen,
um den kritischen Grenzwert VTH vom Initialzeitpunkt
to ausgehend und unter Berücksichtigung
der Initialzahl an Zyklen No zu erreichen. Diese Messungen γ zeigen,
dass je mehr die Anzahl bereits ausgeführter Zyklen groß ist, desto
kürzer
die Entladezeit tTH ist.
-
Die
synaptischen Koeffizienten oder Stellenwerte mit der Bezeichnung
WnB dieses zweiten Neuronennetzes werden während seiner Lernphase festgelegt
und in der Speicherzone im Festspeicher ROM 170a, auf 5B dargestellt,
abgelegt.
-
Auf
das Neuronennetz NN2 angewandte Tests haben gezeigt, dass ein solches
mit 8 versteckten Zellen versehenes Netz mit als Aufgabe die Aktivierung
einer nicht linearen hyperbolischen Tangensfunktion „tanh" dazu in der Lage
ist, die Aufgabe zu bewältigen,
die ihm zugeteilt wird.
-
Es
ist zu beachten, dass im Gegensatz zur Ausgangszelle NSA des ersten
Neuronennetzes die Ausgangszellen mit der Bezeichnung NS1B bis NS13B
des zweiten Neuronennetzes NN2 eine nicht lineare Aktivierungsfunktion
haben, vorzugsweise „tanh".
-
Wie
das erste Neuronennetz NN1 hat dieses zweite Neuronennetz NN2 versteckte
Zellen, deren Neigung der Sigma-Aktivierungsfunktion von einer Zelle
zur anderen unterschiedlich ist. Diese Ausführungsform ermöglicht es,
keine große
Anzahl an versteckten Zellen zu verwenden.
-
Somit
wird das zweite Neuronennetz NN2 unter Verwendung von 1400 Vektoren
zu 13 Stellenwerten geschult, die beim Lernvorgang des ersten Neuronennetzes
NN1 mittels der 2800 aufgezeichneten Kurven hervorgebracht wurden,
und die anderen 1400 generierten Vektoren werden für die Tests
verwendet.
-
Das
Testverfahren wird folgendermaßen
durchgeführt:
Für die
1400 Vektoren, die nicht zum Lernsatz gehören, werden die entsprechenden
Initialwerte Vo, ΔVo
und No an den Eingängen
des zweiten Neuronennetzes eingegeben. Dieses berechnet einen Ausgabewert
von 13 Stellenwerten WjB, wie ihm gelehrt wurde, dies zu tun.
-
In
der Folge dieses Testverfahrens werden diese 13 Stellenwerte WjB
einem Neuronennetz NN1 zur selben Zeit vorgegeben, in der der vorbestimmte
kritische Wert der Entladespannung VTH =
6 Volt seinem Eingang WE1A zugeführt
wird. Dieses erste Neuronennetz NN1 berechnet dann den automatisch
angepassten Voraussagewert der Entladezeit tTH,
welcher mit dem der Testkurve verglichen wird.
-
In
Bezug auf 4C wird bei α eine Voraussagekurve der Entladezeit
unter Berücksichtigung
der so erhaltenen Anzahl an Zyklen No gezeigt.
-
In
der weiter oben beschriebenen Lernphase wurde nicht das Vorhandensein
des dritten Neuronennetzes NN3 berücksichtigt.
-
In
Bezug auf 4C, wenn dieses dritte Neuronennetz
NN3 nicht in den Kreislauf aufgenommen wird, unterscheidet sich
die Kurve α,
welche die Voraussage der Entladezeit tTH unter
Berücksichtigung
der Anzahl an Zyklen No macht, von einer auf reellen Messungen stützenden
Kurve γ,
d. h., dass das Steuerungssystem einen durchschnittlichen Fehler
von 10 Min. bei der Vorbestimmung des Zeitpunktes tTH macht,
in dem die Batterie den kritischen Spannungsgrenzwert VTH erreicht.
-
Folglich
ist es wichtig, diesen Fehler, der die Vorbestimmung dieses Zeitpunkts
tTH beeinträchtigt, zu korrigieren.
-
Dieser
Fehler kann korrigiert werden, indem man die für die Funktionsweise des ersten
Neuronennetzes vorgegebenen Stellenwerte korrigiert. Dies wird gemacht,
indem man dem ersten Neuronennetz NN1 die vom zweiten Neuronennetz
NN2 berechneten Parameter WjB nicht direkt bereitstellt, da sie
annähernd
sind und den besagten Fehler nach sich ziehen. Dies wird demnach
gemacht, indem man diese Näherungsparameter
WjB jeweils von Korrekturparametern WjC, die vom dritten Neuronennetz
NN3 in gleicher Anzahl wie die Näherungsparameter
WjB bereitgestellt werden, korrigieren lässt.
-
Um
die besten Stellenwerte WjA des ersten Neuronennetzes NN1 zu erlangen
werden die Näherungsparameter
WjB und die Korrekturparameter WjC vom Rechner 160 in seiner
Addierfunktion addiert und das Ergebnis diesem ersten Neuronennetz
NN1 vorgegeben.
-
In
Bezug auf 1B lernt das dritte Neuronennetz
NN3 in der Lernphase die Berechnung seiner eigenen synaptischen
Koeffizienten oder Stellenwerte als adaptive Werte, um es ihm zu
ermöglichen,
die Korrekturparameter WjB zu berechnen, die addiert mit den Näherungsparametern
WjA, welche vom zweite Neuronennetz NN2 bereitgestellt werden, die
am besten an die Funktionsweise des ersten Neuronennetzes NN1 angepassten
synaptischen Koeffizienten oder Stellenwerte bilden werden. Somit
kann dieses erste Neuronennetz NN1 mit diesen angepassten Stellenwerten
WjA während
der Entladung eine voraussagende Angabe zu dem am nächsten am
reellen Wert gelegenen kritischen Zeitpunkt tTH machen.
-
Z.
B. mit der Verwendung dieses dritten Neuronennetzes wird die Differenz
zwischen voraussagenden Angabe β von
tTH und dem gemessenen Wert γ um etwa
1 Minute verringert, wir anhand der Kurven der 4C gezeigt.
Dies ist ein großer
Vorteil für
den Erhalt von Präzision
bei den voraussagenden Angaben, da so das Steuerungssystem von einem
Fehler von 10 Min. während
der ca. 570 Min. der Entladedauer auf 1 Min. während dieser 570 Min. übergeht.
-
Das
so gebildete Steuerungssystem erreicht somit eine sehr hohe Präzision.
-
In
Bezug auf 2C erhält das dritte Neuronennetz
NN3:
No die Anzahl der Initialzyklen,
Vo die erste aufgezeichnete
Spannung der betreffenden Entladekurve, und
ΔVo die den
Ursprung dieser Entladekurve bildende Neigung, und es muss ausgehend
von diesen Messungen die 13 mitwirkenden Korrekturparameter WjC
berechnen können,
um mit den 13 annähernden
Stellenwerten WjB die für
die Funktionsweise des ersten Neuronennetzes NN1 notwendigen Stellenwerte
WjA bereitzustellen.
-
In
Bezug auf 2C wird die Struktur des dritten
Neuronennetzes NN3 von seiner Aufgabe festgesetzt. Dieses Neuronennetz
NN3 enthält:
Eine
Eingangsschicht mit drei Eingangszellen NE1C, NE2C, NE3C für die Werte
Vo, ΔVo
und No, plus eine Eingangszelle NE0C für einen Grenzwert bei –1;
13
Ausgangszellen NS1C bis NS13C für
respektive jeden der 13 Korrekturparameter WjC. Diese Ausgangszellen
haben identische Aktivierungsfunktionen wie die entsprechenden Ausgangszellen
des zweiten Neuronennetzes NN2, d. h. Sigmafunktionen „tanh" mit jeweils gleicher
Neigung;
eine einzige versteckte Schicht mit 1 versteckten
neuronalen Zellen mit der Bezeichnung AU ohne versteckte Zelle für einen
Grenzwert.
-
Das
dritte Neuronennetz benötigt
für seine
Funktionsweise 4 synaptische Koeffizienten am Eingang und 13 synaptische
Koeffizienten am Ausgang, also insgesamt 17 synaptische Koeffizienten
mit der Bezeichnung WkC, wobei k ein Index von 1 bis 17 ist.
-
In
Bezug auf 3, deren Legende auf Tabelle
III steht, die ein Blockdiagramm zeigt, welches den Ablauf des Lernverfahrens
des dritten Neuronennetzes NN3 veranschaulicht, umfasst dieses Verfahren:
-
1)
Einen ersten, von Block 1 veranschaulichten Schritt, der
einer ersten Entladephase PD1 entspricht; und während diesem Schritt:
- – Erhält das zweite
Neuronennetz die Initialwerte Vo, ΔVo und No und berechnet Näherungsparameter,
- – zeichnet
eine zweite Arbeitsspeicherzone (RAM) 170b die in Bezug
auf 5A von den Mitteln für die Zeitmessung 150a und
von den Mittel für
die Spannungsmessung 150b der wiederaufladbaren Batterie 110 bereitgestellten
momentanen Messungen auf; diese momentanen Messungen werden in jedem
laufenden Zeitpunkt der besagten Entladephase PD1 aufgezeichnet,
z. B. jede Minute, und sie enthalten die Messung des laufenden Zeitpunkts
t und des entsprechenden Spannungswerts Vt.
-
2)
Einen zweiten, von Block 2 der 3 und von 1B veranschaulichten
Schritt, welcher während der
frei gelassenen Zeit für
den Rechner 160 und für
die Neuronennetze vollbracht wird, die einer ersten Ladephase PC1
entsprechen, die dem Ende der ersten Entladephase PD1 entspricht;
während
diesem Schritt werden drei Unterschritte vollbracht:
-
2a)
Ein von Block 2a veranschaulichter Unterschritt, während dem:
Die
Sätze der
momentanen Messwerte Vt, t, gemessen in jedem laufenden Zeitpunkt
der vorhergehenden Entladephase PD1, dem ersten Neuronennetz NN1
vorgegeben werden, damit:
Die momentane Spannungsmessung Vt
dem Eingang NE1A des ersten Neuronennetzes NN1 vorgegeben wird,
die
entsprechende momentane Spannungsmessung t dem Ausgang NSA des ersten
Neuronennetzes NN1 vorgegeben wird.
-
Mit
einer nach dem Stand der Technik von Neuronennetzen bekannten Rückübertragungsmethode
berechnet das erste Neuronennetz NN1 seine 13 internen Stellenwerte,
die diesen vorgegebenen momentanen reellen Werten entsprechen. Diese
13 berechneten Stellenwerte werden reelle Stellenwerte genannt und
WjA* bezeichnet. Diese Stellenwerte WjA* sind die 13 bestmöglichen
Werte der Funktionsparameter des ersten Neuronennetzes NN1, die
der reellen Entladekurve entsprechen, die während der vorhergehenden Entladephase
PD1 aufgezeichnet wurde.
-
2b)
Ein von Block 2b veranschaulichter Unterschritt, der noch
während
der Ladephase PC1 vollbracht wird, während der:
Diese 13 besten
reellen Stellenwerte WjA* dann dem Rechner 160 zugeführt werden.
Dieser Rechner 160 erhält
ebenfalls die 13 Näherungsparameter
WjB, die vom zweiten Neuronennetz NN2 während der vorhergehenden Entladephase
PD1 berechnet wurden.
-
In
diesem zweiten Unterschritt 2b bildet der Rechner 160 in
seiner Funktion als Addierer respektive die Differenz zwischen diesen
13 reellen Stellenwerten WjA* und diesen 13 Näherungsparametern WjB, um 13 Fehlerparameter
mit der Bezeichnung WjC* zu berechnen WjC* =
WjA* – WjBwobei
man daran erinnert, dass j eine Zahl von 1 bis 13 ist, entsprechend
der Anzahl notwendiger Stellenwerte für die Funktionsweise des ersten
Neuronennetzes in diesem Beispiel.
-
2c)
Ein von Block 2c veranschaulichter Unterschritt, der ebenfalls
noch während
der Ladephase PC1 vollbracht wird, während der:
Diese 13 Fehlerparameter
WjC* respektive den 13 Ausgängen
NS1C bis NS13C des dritten Neuronennetzes NN3 vorgegeben werden,
während
die Initialwerte Vo, ΔVo
und No, die während
der vorhergehenden Entladephase PD1 verwendet wurden, seinen Eingängen NE1C
bis NE3C vorgegeben werden.
-
Diese
13 Fehlerparameter WjC* sind tatsächlich die bestmöglichen
Ausgänge
des dritten Neuronennetzes NN3.
-
Mit
der bekannten Rückübertragungsmethode
berechnet das dritte Neuronennetz NN3 dann seine eigenen adaptiven
synaptischen Koeffizienten mit der Bezeichnung WkC, die in einer
Zone des Arbeitsspeichers RAM 170b abgelegt werden.
-
3)
Diesen dritten Schritt, der einem zweiten Entlade/Lade-Zyklus entspricht,
der mit einer neuen Entladephase mit der Bezeichnung PD2 beginnt.
-
In
dieser neuen Entladephase PD2 werden die adaptiven synaptischen
Koeffizienten WkC, wobei k eine Zahl von 1 bis 17 ist entsprechend
der Struktur des dritten auf 2C dargestellten
Neuronennetzes ist, während
der Ladephase PC1 des vorhergehenden Zyklen berechnet, für eine neue
Bestimmung der synaptischen Koeffizienten des ersten Neuronennetz
NN1 im Funktionsverfahren des Steuerungssystems wie zuvor beschrieben
beibehalten.
-
Mit
diesen so berechneten adaptiven synaptischen Koeffizienten stellt
das dritte Neuronennetz NN3 in dieser neuen Entladephase PD2 besonders
geeignete Korrekturparameter WjC für die Korrektur der Näherungsparameter
WjB bereit, die vom zweiten Neuronennetz NN2 bereitgestellt wurden.
-
Der
Rechner 160 nimmt diese Korrektur vor, indem er die Addition
WjB + WjC ausführt,
welche die neuen synaptischen Koeffizienten ergibt, die für das erste
Neuronennetz NN1 in dieser zweiten Entladephase besser geeignet
sind.
-
Betriebsmodi des Steuerungssystems
für wiederaufladbare
Batterie
-
Das
Steuerungssystem 100 hat drei Betriebsmodi mit der Bezeichnung
Initialisierungsmodus, laufender Anwendungsmodus und Adaptationsmodus.
-
Der
Initialisierungsmodus wird jedes Mal eingesetzt, wenn die Batterie 110 einen
Ladevorgang eines Entlade/Lade-Zyklus beendet hat und dann einen
neuen Zyklen beginnend mit einer Entladephase beginnt. Sobald die
Batterie 110 in Betrieb genommen wird, wird unverzüglich die
Initialspannung Vo aufgezeichnet. Dann, im Zeitpunkt t'o, nachdem ein kleiner
Zeitraum to – t'o = Δto verging,
vorzugsweise genau 1 Minute, wird die Batteriespannung erneut aufgezeichnet,
was einen Wert mit der Bezeichnung V'o ergibt, und es wird dann die Differenz
der Initialspannung Vo – V'o = ΔVo berechnet,
z. B. von dem auf 5A und 5B dargestellten Rechner
mit Addierfunktion. Dann werden die beiden Werte Vo und ΔVo, zeitgleich
wie die Initialzahl No der bereits ausgeführten Zyklen, eine Zahl, die
vom Rechner 160 durch Erhöhung berechnet wird, am Eingang
des zweiten Neuronennetzes NN2 bereitgestellt, das dann den Vektor
von 13 Stellenwerten WjB berechnet, die auf das erste Neuronennetz
NN1 anzuwenden sind.
-
Der
laufende Anwendungsmodus wird während
der Entladephase selbst eingesetzt. In diesem laufenden Anwendungsmodus
wird die momentane Spannung Vt gemessen und jede Minute für die spätere Reaktualisierung
der Stellenwerte des dritten Neuronennetzes gespeichert. Der verbleibende
Zeitraum ΔtTH, bevor die Batterie den vorbestimmten
kritischen Spannungsgrenzwert VTH = 6 V
erreicht, wird als Differenz zwischen einer Zeit tTH und
einer Zeit t berechnet,
wobei tTH der
Ausgang des Netzes NN1A ist, wenn sein Eingang auf VTH =
6 V gestellt ist, und
wobei t der von den Messmitteln 150a gemessene
Zeitpunkt ist. Die Zeitangaben tTH oder
Zeiträume ΔtTH werden demnach jede Minute bereitgestellt.
-
Der
Adaptationsmodus wird während
der Ladephase eingesetzt und umfasst die Berechnung von neuen synaptischen
Stellenwerten WkC für
das dritte Neuronennetz NN3 anhand von reellen momentanen Werten Vt,
t, die dem ersten Neuronennetz NN1 anhand der Berechnung der reellen
Parameter WjA* und der Berechnung der Fehlerparameter WjC* vorgegeben
werden, die auf das dritte Neuronennetz NN3 entsprechend dem weiter
oben in Bezug auf 1B und 3 beschriebenen
Verfahren übertragen
wurden.
-
Allgemein
wird in Bezug auf 5A, deren Legende in Tabelle
I steht, das Steuerungssystem 100 von einem Mikroprozessor 160 zur
Ausführung
der Berechnungen und Verwaltung der Speicherzonen 170a, 170b zum
Abspeichern der Daten wahrgenommen. Diese Speicherzonen sind für den Mikroprozessor 160 zugänglich und
beinhalten eine Speicherzone zum Speichern der Strukturdaten der
Neuronennetze NN1, NN2 und NN3, der festen Parameter und der Stellenwerte
WnB des zweiten Neuronennetzes und eine Arbeitsspeicherzone RAM 170b zum
Aufzeichnen oder Ausgeben je nach Fall der variablen Messungen und
der Vektoren der Stellenwerte WjA, WjC, WjA*, WjC* des ersten und
dritten Neuronennetzes. Der Mikroprozessor 160 fuhrt die erforderlichen
Berechnungen für
die Funktionsweise des Steuerungssystems aus.
-
In
Bezug auf 5B, deren Legende in Tabelle
II steht, ist das Steuerungssystem 100 an Anzeigemittel 140 gekoppelt,
um dem Anwender die Zeit tTH oder den Zeitraum ΔtTH anzuzeigen, die oder der ab einem laufenden
Zeitpunkt t der Verwendung bis zu dem Zeitpunkt verbleibt, an dem
die Batterie diesen vorbestimmten kritischen Spannungsgrenzwert
VtTH erreicht, oder auch beide Anzeigen.
Die Anzeigemittel 140 können
außerdem
die Uhrzeit anzeigen, d. h. die Anzeige des laufenden Zeitpunkts;
diese Anzeigemittel können
auch am Ende der Ladephase in Folge auf eine Entladephase der Batterie
anzeigen, dass diese Ladephase beendet ist, z. B. wenn die Batterie
ihre Initialspannung Vo = 9 V erreicht hat.
-
Wie
zuvor gesagt ist das Steuerungssystem 100 Bestandteil einer
zugehörigen
Vorrichtung 130, welche Anschlussmittel D1, D2 für die wiederaufladbare
Batterie 110 enthält.
Die wiederaufladbare Batterie 110 ist an das Steuerungssystem 100 gekoppelt,
um die intelligente Batterie 120 zu bilden. Die zugehörige Vorrichtung 130 enthält außerdem die
Messmittel 150, z. B. ein Multimeter, den Mikroprozessor 160,
die Speicherzonen 170a, 170b, für den Mikroprozessor 160 zugänglich,
und die Anzeigemittel 140.
-
Für die Anfertigung
der Anzeigemittel sind mehrere dem Stand der Technik nach bekannte
Vorrichtungen verwendbar. Eine Vorrichtung kann ein Bildschirm mit
schriftlichen Anzeigen oder mit gezeichneten Anzeigen sein, oder
sie kann eine aus Dioden gebildete Tafel sein. TABELLE
I (FIG. 5A)
TABELLE
II (FIG. 5B)
TABELLE
III (FIG. 3 und FIG. 1B)
- t
- Minuten
- Vt
- Volt
TABELLE III (FIG. 3 und FIG. 1B)
