WO2020109108A1 - Verfahren zum überwachen eines energiespeichers in einem bordnetz - Google Patents

Verfahren zum überwachen eines energiespeichers in einem bordnetz Download PDF

Info

Publication number
WO2020109108A1
WO2020109108A1 PCT/EP2019/081943 EP2019081943W WO2020109108A1 WO 2020109108 A1 WO2020109108 A1 WO 2020109108A1 EP 2019081943 W EP2019081943 W EP 2019081943W WO 2020109108 A1 WO2020109108 A1 WO 2020109108A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
operating variable
energy store
voltage
model
Prior art date
Application number
PCT/EP2019/081943
Other languages
English (en)
French (fr)
Inventor
Juergen Motz
Oliver Dieter Koller
Frederic HEIDINGER
Original Assignee
Robert Bosch Gmbh
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Robert Bosch Gmbh filed Critical Robert Bosch Gmbh
Priority to US17/274,332 priority Critical patent/US20210339652A1/en
Priority to JP2021530149A priority patent/JP7288053B2/ja
Priority to CN201980078201.4A priority patent/CN113039089B/zh
Publication of WO2020109108A1 publication Critical patent/WO2020109108A1/de

Links

Classifications

    • 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
    • B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
    • B60L3/12—Recording operating variables ; Monitoring of operating variables
    • 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
    • B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • 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
    • B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
    • B60L58/14—Preventing excessive discharging
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16533—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application
    • G01R19/16538—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies
    • G01R19/16542—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values characterised by the application in AC or DC supplies for 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
    • 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
    • G01R31/3828—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration
    • G01R31/3832—Arrangements for monitoring battery or accumulator variables, e.g. SoC using current integration without measurement of battery voltage
    • 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]
    • G01R31/389—Measuring internal impedance, internal conductance or related variables
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • 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
    • B60L2240/00—Control parameters of input or output; Target parameters
    • B60L2240/40—Drive Train control parameters
    • B60L2240/54—Drive Train control parameters related to batteries
    • B60L2240/547—Voltage
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • 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
    • B60L2260/00—Operating Modes
    • B60L2260/40—Control modes
    • B60L2260/50—Control modes by future state prediction
    • B60L2260/54—Energy consumption estimation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
    • H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M2220/00—Batteries for particular applications
    • H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Definitions

  • the invention relates to a method for monitoring an energy store in an electrical system of a motor vehicle and an arrangement for performing the method.
  • an on-board network is to be understood as the entirety of all electrical components in a motor vehicle. This includes electrical consumers as well as supply sources such as batteries.
  • a microcontroller is usually provided to control the on-board electrical system, which performs monitoring functions in addition to control functions.
  • the on-board electrical system has the task of supplying electrical consumers with energy. If the power supply fails due to a fault or aging in the vehicle electrical system or in an electrical system component in today's vehicles, important functions such as power steering are no longer applicable. Since the driving ability of the driver If the vehicle is not impaired, but only becomes stiff, the failure of the vehicle electrical system is generally accepted in today's series-produced vehicles, since the driver is available as a fallback level.
  • the publication DE10 2013 203 661 A1 describes a method for operating a motor vehicle with an electrical vehicle electrical system, which has at least one semiconductor switch that is loaded during operation. During the process, an actual load on the semiconductor switch is determined on the basis of previous load events.
  • FIG. 1 A method for determining the condition of batteries is described in the publication DE 10 2016 211 898 A1. Methods from the reliability determination are used to determine the health status of the battery to describe. So-called stress-resilience models are used, which provide information about the probability of failure of the component.
  • a method for recognizing a state of an energy store is known from the publication DE 199 59 019 A1.
  • the actual values of the energy store can be fed to an estimation routine and decoupled from a model-based parameter estimator as well as a filter.
  • Parameterization parameters obtained are fed to a predictor that extrapolates the behavior of the energy store.
  • EP 1 231 476 B1 describes a method for determining the aging condition of a battery.
  • an open circuit voltage, an internal resistance and an internal voltage drop are estimated and used as input variables for a model.
  • This model is initialized and then stimulated. With the help of the model, the state of aging is estimated.
  • the method presented is used to monitor an energy store in an electrical system of a motor vehicle.
  • the monitoring of a battery as an energy store in an on-board electrical system is dealt with.
  • the method presented is not limited to the monitoring of a battery, but can also be used with other energy stores, for example with capacitors, in particular with high-performance capacitors .
  • at least one operating variable of a battery for example an internal resistance, a capacity and / or polarizations of the battery, is determined and this at least one operating variable is passed on to a prediction model that calculates current values for the operating variable and uses a load Resilience model determines future values for the at least one company size.
  • the future value of the at least one operating variable is given to a voltage predictor which calculates an expected minimum voltage of the battery for a selected function.
  • terminal voltage at the consumer is decisive for the function of the safety-relevant consumers in the respective channel.
  • This terminal voltage results from the transmission chain with voltage source, e.g. battery or DC converter, wiring harness resistors in the corresponding sub-branches and the combination of the load currents of the individual components.
  • the function-based and boundary condition-based predictive failure prediction significantly increases the quality of the prediction compared to the known functions, since it can be predicted under which conditions and when the battery can no longer adequately support the on-board electrical system, resulting in a failure.
  • the described method predicts the failure of the energy store, for example the battery, on the basis of its past use and the relevant system functions in order to take countermeasures in good time, as a result of which the function availability is increased.
  • the arrangement presented serves to carry out the method and can be used, for example, in conjunction with a battery sensor.
  • Figure 1 shows a block diagram of a battery sensor according to the prior art.
  • Figure 2 shows the equivalent circuit diagram of a battery.
  • Figure 3 shows the procedure for determining the state of function (SOF).
  • FIG. 4 shows an embodiment of the method presented in a flow chart.
  • the following embodiments describe the use of the method presented in connection with a battery.
  • the method presented is not restricted to these applications and can be carried out in conjunction with all suitable energy stores, for example in conjunction with capacitors, in particular with high-performance capacitors, such as, for example, supercapacitors or ultracapacitors.
  • FIG. 1 shows a battery sensor according to the prior art, which is generally designated by the reference number 10.
  • Input variables in a unit 12, in particular a measuring unit in particular, are the temperature T 14 and the current 1 16, the output variable is the voltage U 18.
  • parameters and states are estimated.
  • a feedback unit 22 a battery model 24 and an adaptation 26 of the parameters are provided here.
  • a variable 0 28, state variables ⁇ x 30 and model parameters ⁇ 2 32 are output.
  • a node 29 serves to adapt the battery model 24 to the battery.
  • the current 1 16 goes directly and the temperature T 14 goes indirectly into the battery dell 24 a. This calculates ⁇ 28 and compares it with the real voltage U 18. In the event of deviations, the battery model 24 is corrected via the feedback unit 22.
  • a block 40 for sub-algorithms is also provided. This includes a battery temperature model 42, a quiescent voltage determination 44, a peak current measurement 46, an adaptive start current prediction 48 and a battery size measurement 50.
  • charge profiles 60 are provided, which go into a block 62 with predictors. These are a charge predictor 64, a voltage predictor 66 and an aging predictor 68. Outputs of block 62 are a SOC 70, courses of current 72 and voltage 74 and an SOH 76.
  • the battery sensor 10 determines the current SOC (State of Charge) 70 of the battery and the current SOH 76 (State of Health, loss of capacity compared to the initial state) of the battery.
  • the predictors 64, 66, 68 enable the battery sensor 10 to predict the SOC 70 and the SOH 76 according to several predefined load scenarios. These can now also be adapted to automated driving or to the respective application.
  • the predictors 64, 66, 68 are also able to simulate an engine starting process with the current battery condition and to determine its effects on the SOC 70, SOH 76 and the SOF (State of Function). If the engine start in the simulation leads to falling below certain limit values, the start-stop mode is blocked.
  • FIG. 2 shows the equivalent circuit diagram of a battery, which is designated overall by reference numeral 100.
  • This equivalent circuit diagram comprises an internal resistor R, 102, a first capacitor CD 104, a second capacitor Ck 106, to which a resistor Rk 108 is connected in parallel, a third capacitor CD 110, to which a resistor RD P 112 is connected in parallel, and one further resistance Studn 114.
  • FIG. 3 shows how the state of function is determined. A curve of the voltage 156 for the past 160 is plotted in a first graph 150, on the abscissa 152 of the time t and on the ordinate 154 of which the voltage u (t) is plotted.
  • a course of the current 176 for the past 160 is plotted in a second graph 170, on the abscissa 172 of which the time t is plotted and on the ordinate 174 the current i (t).
  • a current curve 182 characteristic of a certain driving maneuver and a voltage curve 180 predicted or predicted by the predictor are drawn.
  • a voltage U 190 is shown, which represents the starting point for the calculation of the SOF.
  • U 190 is typically the currently measurable operating voltage, but a theoretically expected minimum voltage can also be used, which can be used for a worst oasis prediction.
  • the characteristic current curve 182 represents a virtual current profile i (t) according to a platform or a customer specification, for example the battery current profile that results during an engine start to predict the battery voltage dip during the engine warm start for stop / start applications.
  • the minimum predicted voltage for a specific current profile i (t) is used as SOF (State of Function; measure for the performance of the battery to fulfill a certain vehicle function, e.g. the warm start of the engine) and in the following to make a decision the availability of a specific function is used.
  • SOF State of Function
  • FIG. 4 shows the flow chart of an exemplary implementation of the method presented.
  • the current capacity and the internal resistance of the battery are determined or measured in a battery state detection software 200. These are passed on to a forecast model 202.
  • the forecasting model 202 calculates the future values of the capacity (C_pred (t)) and the internal resistance (Ri_pred (t)) with the aid of representative load spectra (RLK; expected future load profile of the battery) and a load-bearing capacity model.
  • the forecasting model can be based on a load-bearing capacity model, a physical model, a model based on machine learning, regression or on a spline extrapolation.
  • a voltage predictor 204 uses an electrical equivalent circuit, as shown in FIG. 2, for example, this calculates the expected minimum voltage of the battery for a given function, analogous to the way the SOF works.
  • Load profiles 206 for current I, starting voltage U and temperature T are used for this purpose.
  • the specified current profile can come from any functions, for example from a start-stop or safe-stop maneuver for automated driving.
  • the predicted minimum voltage (U_pred (t)) is compared with the limit value, below which the vehicle electrical system would fail. If this limit is reached or fallen below, the time t corresponds to the remaining life of the battery. Otherwise, the time step t is increased by one
  • new representative load collectives (RLK) are calculated using the future load model. These representative load collectives are based, for example, on the past load on the battery in the form of changes in the state of charge, the current, the voltage, the temperature, the ampere-hourly throughput, etc., and map the future, expected load on the battery. A distinction is also made, for example, between different boundary conditions, such as the season, route, etc.
  • the method therefore provides for the construction of a diagnostic model of a battery.
  • at least one battery size for example voltage, current, temperature, is measured via a sensor.
  • These battery sizes will be is sent to the battery state detection software (BSD) 200, which determines battery state descriptive quantities.
  • BSD 200 can be based on physical, statistical or Al models (AI: artificial intelligence: artificial intelligence).
  • AI artificial intelligence: artificial intelligence
  • the variables describing the condition, such as the internal resistance of the battery, the capacity, etc., are passed on to the forecasting model 202.
  • the battery sizes can be classified over time, e.g. B. to form representative load collectives of the load on the battery.
  • other signals from the battery or from the system can be used to form the representative load spectra.
  • These RLKs are also sent to the forecasting model 202.
  • the forecast model 202 predicts the future course of the state-describing quantities of the battery.
  • the forecast model can also be a physical, statistical or Al model.
  • the extrapolated state-describing battery sizes are used in a valuation model to determine the time of failure of the battery. This can essentially be done in two different ways.
  • the first possibility compares the extrapolated state-describing battery sizes with a limit value or a limit value distribution, from which the battery is no longer functional.
  • the second option uses the extrapolated state-describing battery sizes to simulatively determine the remaining service life (RUL: Remaining Useful Life).
  • RUL Remaining Useful Life
  • the method can be used to determine a remaining battery life.
  • a maintenance interval and / or battery replacement can then be regulated based on the remaining service life.
  • measures in energy management ment to increase the remaining service life. This measure can be selected from suspending and / or degrading functions of changing the target operating range of the battery or, in the case of several energy stores, shifting the load between these energy stores.

Landscapes

  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Chemical & Material Sciences (AREA)
  • Electrochemistry (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Chemical & Material Sciences (AREA)
  • Manufacturing & Machinery (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Water Supply & Treatment (AREA)
  • Quality & Reliability (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Feedback Control In General (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

Verfahren zum Überwachen eines Energiespeichers in einem Bordnetz eines Kraftfahrzeugs, bei dem mindestens eine aktuelle Betriebsgröße des Energiespeichers bestimmt wird und diese mindestens eine Betriebsgröße an ein Prognosemodell weitergegeben wird und dieses Prognosemodell aus dem aktuellen Wert für die mindestens eine Betriebsgröße zukünftige Werte für die mindestens eine Betriebsgröße bestimmt, wobei der zukünftige Wert der mindestens einen Betriebsgröße an einen Spannungsprädiktor gegeben wird, der eine zu erwartende Minimalspannung des Energiespeichers für eine ausgewählte Funktion berechnet.

Description

Beschreibung
Titel
Verfahren zum Überwachen eines Energiespeichers in einem Bordnetz
Die Erfindung betrifft ein Verfahren zum Überwachen eines Energiespeichers in einem Bordnetz eines Kraftfahrzeugs und eine Anordnung zum Durchführen des Verfahrens.
Stand der Technik
Unter einem Bordnetz ist im automotiven Einsatz die Gesamtheit aller elektri schen Komponenten in einem Kraftfahrzeug zu verstehen. Somit sind davon so wohl elektrische Verbraucher als auch Versorgungsquellen, wie bspw. Batterien, umfasst. Man unterscheidet dabei zwischen dem Energiebordnetz und dem Kommunikationsbordnetz, wobei hierin vor allen Dingen auf das Energiebordnetz eingegangen wird, das dafür zuständig ist, die Komponenten des Kraftfahrzeugs mit Energie zu versorgen. Zur Steuerung des Bordnetzes ist üblicherweise ein Mikrocontroller vorgesehen, der neben Steuerungsfunktionen auch Überwa chungsfunktionen ausführt.
In einem Kraftfahrzeug ist darauf zu achten, dass elektrische Energie so verfüg bar ist, dass das Kraftfahrzeug jederzeit gestartet werden kann und während des Betriebs eine ausreichende Stromversorgung gegeben ist. Aber auch im abge stellten Zustand sollen elektrische Verbraucher noch für einen angemessenen Zeitraum betreibbar sein, ohne dass ein nachfolgender Start beeinträchtigt wird.
Das Bordnetz hat die Aufgabe, die elektrischen Verbraucher mit Energie zu ver sorgen. Fällt die Energieversorgung aufgrund eines Fehlers bzw. Alterung im Bordnetz bzw. in einer Bordnetzkomponente in heutigen Fahrzeugen aus, so ent fallen wichtige Funktionen, wie die Servolenkung. Da die Lenkfähigkeit des Fahr- zeugs nicht beeinträchtigt, sondern nur schwergängig wird, ist der Ausfall des Bordnetzes in heutigen in Serie befindlichen Fahrzeugen allgemein akzeptiert, da der Fahrer als Rückfallebene zur Verfügung steht.
Aufgrund der zunehmenden Elektrifizierung von Aggregaten sowie der Einfüh rung von neuen Fahrfunktionen resultieren höhere Anforderungen an die Sicher heit und Zuverlässigkeit der elektrischen Energieversorgung im Kraftfahrzeug.
Bei zukünftigen hochautomatisierten Fahrfunktionen, wie bspw. einem Autobahn- Piloten, werden dem Fahrer fahrfremde Tätigkeiten in begrenztem Maße erlaubt. Hieraus resultiert, dass bis zum Beenden der hochautomatisierten Fahrfunktion der menschliche Fahrer die Funktion als sensorische, regelungstechnische, me chanische und energetische Rückfallebene nur noch eingeschränkt oder gar nicht wahrnehmen kann. Daher besitzt die elektrische Versorgung beim hochau tomatisierten Fahren zur Gewährleistung der sensorischen, regelungstechni schen und aktuatorischen Rückfallebene eine bisher im Kraftfahrzeug nicht ge kannte Sicherheitsrelevanz. Fehler bzw. Alterung im elektrischen Bordnetz müs sen daher zuverlässig und möglichst vollständig im Sinne der Produktsicherheit erkannt werden.
Um den Ausfall von Komponenten prognostizieren zu können, wurden zuverläs sigkeitstechnische Ansätze zur Überwachung von Fahrzeugkomponenten erar beitet. Dazu werden die Bordnetz- Komponenten während des Betriebs über wacht und es wird deren Schädigung ermittelt.
Die Druckschrift DE10 2013 203 661 Al beschreibt ein Verfahren zum Betreiben eines Kraftfahrzeugs mit einem elektrischen Bordnetz, das wenigstens einen Halbleiterschalter aufweist, der während des Betriebs belastet wird. Bei dem Ver fahren wird eine Istbelastung des Halbleiterschalters auf Grundlage zurücklie gender Belastungsereignisse ermittelt.
Der Einsatz eines Batteriesensors gemäß dem Stand der Technik ist in Figur 1 erläutert. Ein Verfahren zur Zustandsbestimmung von Batterien ist in der Druck schrift DE 10 2016 211 898 Al beschrieben. Hierbei werden Methoden aus der Zuverlässigkeitsbestimmung verwendet, um den Gesundheitszustand der Batte- rie zu beschreiben. Verwendung finden dabei sogenannte Belastung- Belastbarkeitsmodelle, die eine Aussage über die Ausfallwahrscheinlichkeit der Komponente geben.
Aus der Druckschrift DE 199 59 019 Al ist ein Verfahren zum Erkennen eines Zustands eines Energiespeichers bekannt. Die Istgrößen des Energiespeichers sind einer Schätzroutine sowie entkoppelt sowohl einem modellbasierten Para meterschätzer als auch einem Filter zuführbar. Erhaltene Parametrierungsgrößen werden einem das Verhalten des Energiespeichers extrapolierenden Prädiktor zugeführt.
Die Druckschrift EP 1 231 476 Bl beschreibt ein Verfahren zur Bestimmung des Alterungszustands einer Batterie. Bei dem Verfahren werden eine Ruhespan nung, ein Innenwiderstand und ein innerer Spannngsabfall abgeschätzt und als Eingangsgrößen eines Modells verwendet. Dieses Modell wird initialisiert und anschließend stimuliert. Mit Hilfe des Modells wird der Alterungszustand abge schätzt.
Offenbarung der Erfindung
Vor diesem Hintergrund werden ein Verfahren zum Überwachen eines Energie speichers, bspw. einer Batterie, in einem Bordnetz eines Kraftfahrzeugs gemäß Anspruch 1 und eine Anordnung zum Durchführen des Verfahrens mit den Merkmalen des Anspruchs 15 vorgestellt. Ausführungsformen ergeben sich aus den abhängigen Ansprüchen und der Beschreibung.
Das vorgestellte Verfahren dient zum Überwachen eines Energiespeichers in ei nem Bordnetz eines Kraftfahrzeugs. Im Folgenden wird insbesondere auf die Überwachung einer Batterie als Energiespeicher in einem Bordnetz eingegan gen. Das vorgestellte Verfahren ist aber nicht auf die Überwachung einer Batterie beschränkt, sondern kann auch bei anderen Energiespeichern, bspw. bei Kon densatoren, insbesondere bei Hochleistungskondensatoren, angewendet wer den. Bei dem Verfahren wird in Ausgestaltung mindestens eine Betriebsgröße einer Batterie, bspw. ein Innenwiderstand, eine Kapazität und/oder Polarisationen der Batterie, bestimmt und diese mindestens eine Betriebsgröße an ein Prädiktions modell weitergegeben, das aktuelle Werte für die Betriebsgröße berechnet und über ein Belastungs-Belastbarkeitsmodell zukünftige Werte für die mindestens eine Betriebsgröße bestimmt. Der zukünftige Wert der mindestens einen Be triebsgröße wird an einen Spannungsprädiktor gegeben, der eine zu erwartende Minimalspannung der Batterie für eine ausgewählte Funktion berechnet.
Es hat sich gezeigt, dass für die Funktion der sicherheitsrelevanten Verbraucher im jeweiligen Kanal die Klemmenspannung am Verbraucher maßgebend ist. Die se Klemmenspannung ergibt sich aus der Übertragungskette mit Spannungs quelle, bspw. Batterie oder Gleichspannungswandler, Kabelbaumwiderständen in den entsprechenden Teilzweige sowie der Kombination der Lastströme der ein zelnen Komponenten.
Weiterhin wurde erkannt, dass eine Unterschreitu ng der für den jeweiligen Be triebsfall nötigen Mindestversorgungsspannung zu einem Versagen der entspre chenden Komponente führt. Dies kann im sicherheitsrelevanten Szenario eine Verletzung von Sicherheitszielen bewirken oder die Verfügbarkeit von automati sierten Fahrfunktionen einschränken.
Ein solches Unterschreiten der Mindestversorgungsspannung kann durch die Degradation des Energiespeichers, bspw. der Batterie, entstehen. Um dem ent gegenzuwirken und eine möglichst hohe Funktionsverfügbarkeit zu erreichen, wird eine prädiktive Diagnose- Funktion für die Batterie benötigt, auf deren Grund lage entweder eine prädiktive Wartung (engl.: Predictive Maintenance) oder Maßnahmen im Bordnetzenergiemanagement umgesetzt werden (engl.: Predicti ve Health Management).
Die funktions- und randbedingungsbasierte prädiktive Ausfallvorhersage erhöht im Vergleich zu den bekannten Funktionen die Güte der Prädiktion deutlich, da vorhergesagt werden kann, unter welchen Bedingungen und wann die Batterie das Bordnetz nicht mehr ausreichend stützen kann und es somit zu einem Aus fall kommt. Das beschriebene Verfahren prädiziert den Ausfall des Energiespeichers, bspw. der Baterie, auf Basis ihrer vergangenen Nutzung und der relevanten System funktionen, um rechtzeitig Gegenmaßnahmen zu ergreifen, wodurch die Funkti onsverfügbarkeit erhöht wird.
Das vorgestellte Verfahren hat, zumindest in einigen der Ausführungen, eine Reihe von Vorteilen:
- Erhöhung der Funktionsverfügbarkeit, z. B. Start- Stopp und/oder automatisierte Fahrfunktionen,
- Wartungsunterstützung, daraus folgt eine Maximierung der Wartungsintervalle, ohne zusätzliche Ausfälle zu erzeugen, dies führt zu einer Maximierung der Fahrzeugverfügbarkeit für Flotenbetreiber,
- Kostenreduktion durch das Vermeiden von Liegenbleibern, bspw. Bergungskos ten usw.,
- Sicherheitserhöhung durch das Vermeiden von Liegenbleibern in unübersichtli chen Situationen.
Die vorgestellte Anordnung dient zur Durchführung des Verfahrens und kann bspw. in Verbindung mit einem Bateriesensor eingesetzt werden.
Weitere Vorteile und Ausgestaltungen der Erfindung ergeben sich aus der Be schreibung und den beiliegenden Zeichnungen.
Es versteht sich, dass die voranstehend genannten und die nachstehend noch zu erläuternden Merkmale nicht nur in der jeweils angegebenen Kombination, son dern auch in anderen Kombinationen oder in Alleinstellung verwendbar sind, oh ne den Rahmen der vorliegenden Erfindung zu verlassen.
Kurze Beschreibung der Zeichnungen Figur 1 zeigt in einem Blockdiagramm einen Batteriesensor nach dem Stand der Technik.
Figur 2 zeigt das Ersatzschaltbild einer Batterie.
Figur 3 zeigt das Vorgehen bei der Bestimmung des State of Function (SOF).
Figur 4 zeigt in einem Ablaufdiagramm eine Ausführung des vorgestellten Ver fahrens.
Ausführungen der Erfindung
Die Erfindung ist anhand von Ausführungsformen in den Zeichnungen schema tisch dargestellt und wird nachfolgend unter Bezugnahme auf die Zeichnungen ausführlich beschrieben.
Die folgenden Ausführungsformen beschreiben die Anwendung des vorgestellten Verfahrens in Verbindung mit einer Batterie. Das vorgestellte Verfahren ist nicht auf diese Anwendungen beschränkt und kann in Verbindung mit allen geeigneten Energiespeichern, bspw. in Verbindung mit Kondesatoren, insbesondere mit Hochleistungskondensatoren, wie bspw. Superkondensatoren (engl.: supercaps) oder Ultrakondensatoren, durchgeführt werden.
Figur 1 zeigt einen Batteriesensor nach dem Stand der Technik, der insgesamt mit der Bezugsziffer 10 bezeichnet ist. Eingangsgrößen in eine Einheit 12, insbe sondere eine Messeinheit, sind die Temperatur T 14 und der Strom 1 16, Aus gangsgröße ist die Spannung U 18.
In einem Block 20 erfolgt die Abschätzung von Parametern und Zuständen. Hier in sind eine Rückkopplungseinheit 22, ein Batteriemodell 24 und eine Adaption 26 der Parameter vorgesehen. Es werden eine Variable 0 28, Zustandsvariablen ^x 30 und Modellparamater ^2 32 ausgegeben.
Ein Knoten 29 dient dazu, das Batteriemodell 24 an die Batterie anzupassen. Der Strom 1 16 geht direkt und die Temperatur T 14 geht indirekt in das Batteriemo- dell 24 ein. Dieses berechnet ΰ 28 und gleicht dieses mit der realen Spannung U 18 ab. Bei Abweichungen wird das Batteriemodell 24 über die Rückkopplungs einheit 22 korrigiert.
Weiterhin ist ein Block 40 für Sub-Algorithmen bereitgestellt. Dieser umfasst ein Batterietemperaturmodell 42, eine Ruhespannungsbestimmung 44, eine Spitzen strommessung 46, eine adaptive Startstromvorhersage 48 und eine Batteriegrö ßenerfassung 50.
Daneben sind Ladungsprofile 60 bereitgestellt, die in einen Block 62 mit Prä- diktoren eingehen. Diese sind ein Ladungsprädiktor 64, ein Spannungsprädiktor 66 und ein Alterungsprädiktor 68. Ausgaben des Blocks 62 sind ein SOC 70, Ver läufe von Strom 72 und Spannung 74 und ein SOH 76.
Der Batteriesensor 10 ermittelt somit den aktuellen SOC (State of Charge) 70 der Batterie und den aktuellen SOH 76 (State of Health, Kapazitätsverlust im Ver gleich zum Ausgangszustand) der Batterie. Über die Prädiktoren 64, 66, 68 ist der Batteriesensor 10 in der Lage, den SOC 70 und den SOH 76 nach mehreren vorher definierten Belastungsszenarien vorherzusagen. Diese können jetzt auch auf automatisiertes Fahren bzw. auf den jeweiligen Anwendungsfall angepasst werden.
Die Prädiktoren 64, 66, 68 sind weiterhin in der Lage, einen Motor- Startvorgang bei aktuellem Batteriezustand zu simulieren und dessen Auswirkungen auf den SOC 70, SOH 76 und den SOF (State of Function) zu ermitteln. Führt der Motor- Start in der Simulation zur Unterschreitung bestimmter Grenzwerte, wird der Start- Stopp- Betrieb gesperrt.
Figur 2 zeigt das Ersatzschaltbild einer Batterie, die insgesamt mit der Bezugszif fer 100 bezeichnet ist. Dieses Ersatzschaltbild umfasst einen Innenwiderstand R, 102, eine erste Kapazität CD 104, eine zweite Kapazität Ck 106, zu der parallel ein Widerstand Rk 108 geschaltet ist, eine dritte Kapazität CD 110, zu der parallel ein Widerstand RDP 112 geschaltet ist, sowie einen weiteren Widerstand Rün 114. Figur 3 zeigt die Funktionsweise der Bestimmung des State of Function. In einem ersten Graphen 150, an dessen Abszisse 152 die Zeit t und an dessen Ordinate 154 die Spannung u(t) aufgetragen ist, ist ein Verlauf der Spannung 156 für die Vergangenheit 160 aufgetragen. In einem zweiten Graphen 170, an dessen Abs zisse 172 die Zeit t und an dessen Ordinate 174 der Strom i(t) aufgetragen ist, ist ein Verlauf des Stroms 176 für die Vergangenheit 160 aufgetragen. Für die Zukunft 162 sind ein für ein bestimmtes Fahrmanöver charakteristischer Strom verlauf 182 sowie ein vom Prädiktor vorhergesagter bzw. prädizierter Span nungsverlauf 180 eingezeichnet. Weiterhin ist eine Spannung U 190 eingezeich net, die Ausgangspunkt für die Berechung des SOF darstellt. U 190 ist typi scherweise die aktuell messbare Betriebsspannung, es kann aber auch eine the oretisch erwartbare Mindestspannung angesetzt werden, die für eine Worst Oase Prädiktion herangezogen werden kann. Der charakteristische Stromverlauf 182 stellt ein virtuelles Stromprofil i(t) gemäß einer Plattform oder einer Kundenspezi fikation dar, bspw. das Batteriestromprofil, das sich während eines Motorstarts ergibt zur Prädiktion des Batteriespannungseinbruchs während des Motor- Warmstarts für Stopp/Start-Anwendungen.
Die minimale prädizierte Spannung für ein bestimmtes Stromprofil i(t) wird als SOF (State of Function; Maß für die Leistungsfähigkeit der Batterie, eine be stimmte Fahrzeugfunktion, bspw. den Warmstart des Motors, zu erfüllen) heran gezogen und im Folgenden zur Entscheidung über die Verfügbarkeit einer be stimmten Funktion herangezogen.
Figur 4 zeigt den Ablaufplan einer beispielhaften Umsetzung des vorgestellten Verfahrens. In einem ersten Schritt werden in einer Batteriezustandserkennungs software 200 die aktuelle Kapazität und der Innenwiderstand der Batterie be stimmt bzw. gemessen. Diese werden an ein Prognosemodell 202 weitergege ben. Das Prognosemodell 202 berechnet unter Zuhilfenahme von repräsentativen Lastkollektiven (RLK; zu erwartendes zukünftiges Belastungsprofil der Batterie) und über ein Belastungs- Belastbarkeitsmodell die zukünftigen Werte der Kapazi tät (C_pred(t)) und des Innenwiderstands (Ri_pred(t)). Das Prognosemodell kann auf einem Belastungs-Belastbarkeitsmodell, einem physikalischen Modell, einem auf Maschinenlernen basierenden Modell, auf Re gression oder auf einer Spline- Extrapolation basieren.
Diese Werte werden an einen Spannungsprädiktor 204 weitergegeben. Dieser berechnet über ein elektrisches Ersatzschaltbild, wie dies bspw. in Figur 2 darge stellt ist, analog zu der Funktionsweise des SOF die zu erwartende Minimalspan nung der Batterie für eine gegeben Funktion. Hierzu werden Lastprofile 206 für Strom I, Startspannung U und Temperatur T verwendet. Das vorgegeben Strom profil kann dabei von beliebigen Funktionen stammen, bspw. von einem Start- Stop- oder Safe-Stop- Manöver für automatisiertes Fahren.
Im nächsten Schritt 208 wird die prädizierte Minimalspannung (U_pred(t)) mit dem Grenzwert verglichen, bei dessen Unterschreitung das Bordnetz ausfallen würde. Wird dieser Grenzwert erreicht oder unterschritten, entspricht der Zeit punkt t der Restlebensdauer der Batterie. Ansonsten wird der Zeitschritt t um ein At erhöht und es werden über das zukünftige Lastmodell 210 neue repräsentati ve Belastungskollektive (RLK) berechnet. Diese repräsentativen Belastungskol lektive basieren bspw. auf der vergangenen Belastung der Batterie in Form von Änderungen des Ladezustands, des Stroms, der Spannung, der Temperatur, des Amperestundendurchsatzes usw. und bilden die zukünftige, zu erwartende Be lastung der Batterie ab. Dabei wird bspw. auch zwischen unterschiedlichen Randbedingungen, wie Jahreszeit, Fahrtstrecke usw., unterschieden. Diese re präsentativen Lastkollektive werden dann an das Prognosemodell gegeben und neue Werte für C_pred(t) und Ri_pred(t) werden bestimmt. Diese Iteration wird so lange durchgeführt, bis die prädizierte Minimalspannung den Grenzwert er reicht und somit die Restlebensdauer (RUL) bestimmt ist. Diese Information wird im nächsten Schritt an eine Steuereinheit 212 weitergegeben, die daraus Maß nahmen wie den prädiktiven Komponententausch (Predictive Maintenance) oder Steuerungsmaßnahmen zur Erhöhung der Lebensdauer (Predictive Health Ma nagement) ableitet.
Das Verfahren sieht somit den Aufbau eines Diagnosemodells einer Batterie vor. In Ausgestaltung wird hierbei über einen Sensor mindestens eine Batteriegröße, bspw. Spannung, Strom, Temperatur, gemessen. Diese Batteriegrößen werden an die Bateriezustandserkennungssoftware (BSD) 200 gesendet, welche bate riezustandsbeschreibende Größen bestimmt. Die BSD 200 kann hierbei auf phy sikalischen, statistischen oder auf Al-Modellen (AI: artificial intelligence: künstli che Intelligenz) basieren. Die zustandsbeschreibenden Größen, wie bspw. der Innenwiderstand der Baterie, die Kapazität usw., werden an das Prognosemo dell 202 weitergegeben.
In einem weiteren Modell können die Bateriegrößen über die Zeit klassiert wer den, um z. B. repräsentative Lastkollektive der Belastung der Baterie zu bilden. Zusätzlich können weitere Signale der Baterie oder aus dem System verwendet werden, um die repräsentativen Lastkollektive zu bilden. Diese RLKs werden auch an das Prognosemodell 202 gesendet.
Das Prognosemodell 202 prädiziert auf Basis der RLKs und der aktuell bestimm ten zustandsbeschreibenden Größen der Baterie den zukünftigen Verlauf der zustandsbeschreibenden Größen der Baterie. Das Prognosemodell kann hierbei auch wieder ein physikalisches, statistisches oder Al-Modell sein.
Die extrapolierten zustandsbeschreibenden Bateriegrößen werden in einem Be wertungsmodell verwendet, um den Ausfallzeitpunkt der Baterie zu bestimmen. Dies kann im Wesentlichen auf zwei unterschiedliche Weisen geschehen. Die erste Möglichkeit vergleicht die extrapolierten zustandsbeschreibenden Baterie größen mit einem Grenzwert oder einer Grenzwertverteilung, ab dem bzw. der die Baterie nicht mehr funktionsfähig ist. Die zweite Möglichkeit verwendet die extrapolierten zustandsbeschreibenden Bateriegrößen, um simulativ die Restle bensdauer (RUL: Remaining Useful Life) festzustellen. Hierbei wird ähnlich wie bei der SOF-Funktion, wie dies in Figur 3 dargestellt ist, anhand der zustandsbe schreibenden Bateriegrößen und einem Lastprofil für unterschiedliche Funktio nen festgestellt, ob die Spannung an der Baterie unter einen Schwellwert sinkt. Ein Unterschreiten dieses Schwellwertes führt zu einem Systemausfall.
Wie bereits ausgeführt wurde, kann das Verfahren eingesetzt werden, um eine Restlebensdauer der Baterie zu ermiteln. Auf Basis der Restlebensdauer kann dann ein Wartungsintervall und/oder ein Austausch der Baterie geregelt werden. Auf Basis der Restlebensdauer können auch Maßnahmen im Energiemanage- ment zur Erhöhung der Restlebensdauer getroffen werden. Diese Maßnahme können ausgewählt sein kann aus einem Aussetzen und/oder Degradieren von Funktionen einer Veränderung des Soll-Betriebsereichs der Batterie oder, bei mehreren Energiespeichern, einem Umschichten der Belastung zwischen diesen Energiespeichern.

Claims

Ansprüche
1. Verfahren zum Überwachen eines Energiespeichers in einem Bordnetz eines Kraftfahrzeugs, bei dem mindestens eine aktuelle Betriebsgröße des Energie speichers bestimmt wird und diese mindestens eine Betriebsgröße an ein Prog nosemodell (202) weitergegeben wird und dieses Prognosemodell (202) aus dem aktuellen Wert für die mindestens eine Betriebsgröße zukünftige Werte für die mindestens eine Betriebsgröße bestimmt, wobei der zukünftige Wert der mindes tens einen Betriebsgröße an einen Spannungsprädiktor (204) gegeben wird, der eine zu erwartende Minimalspannung des Energiespeichers für eine ausgewählte Funktion berechnet.
2. Verfahren nach Anspruch 1, bei dem das Prognosemodell (202) auf einem Be lastungs-Belastbarkeitsmodell, einem physikalischen Modell, einem auf Maschi nenlernen basierenden Modell, Regression oder einer Spline- Extrapolation ba sieren kann.
3. Verfahren nach Anspruch 1 oder 2, bei dem als Energiespeicher eine Batterie (100) überwacht und als Betriebsgröße eine Kapazität der Batterie (100) be stimmt wird.
4. Verfahren nach einem der Ansprüche 1 bis 3, bei dem als Energiespeicher ei ne Batterie (100) überwacht und als Betriebsgröße ein Innenwiderstand (102) der Batterie (100) bestimmt wird.
5. Verfahren nach einem der Ansprüche 1 bis 4, bei dem als Energiespeicher ei ne Batterie (100) überwacht und als Betriebsgröße Polarisationen der Batterie (100) bestimmt werden.
6. Verfahren nach einem der Ansprüche 1 bis 5, bei dem das Prognosemodell (202) den aktuellen Wert der mindestens einen Betriebsgröße durch eine zu künftig geschätzte Belastung berechnet.
7. Verfahren nach einem der Ansprüche 1 bis 6, bei dem der Spannungsprädiktor (204) die Minimalspannung über ein Ersatzschaltbild des Energiespeichers be rechnet wird.
8. Verfahren nach einem der Ansprüche 1 bis 7, bei dem bei der Berechnung der Minimalspannung Lastprofile für Strom, Spannung und Temperatur verwendet werden.
9. Verfahren nach einem der Ansprüche 1 bis 8, bei dem die berechnete Mini malspannung mit einem Grenzwert verglichen wird.
10. Verfahren nach einem der Ansprüche 1 bis 9, bei dem über eine Grenzwert- unterschreitung ermittelt wird, ob die den verwendeten Lastprofilen zugeordneten Funktionen zukünftig noch ausgeführt werden können.
11. Verfahren nach einem der Ansprüche 1 bis 10, bei dem eine Restlebensdau er des Energiespeichers ermittelt wird.
12. Verfahren nach Anspruch 11, bei dem auf Basis der Restlebensdauer ein Wartungsintervall und/oder ein Austausch des Energiespeichers geregelt wird.
13. Verfahren nach Anspruch 11 oder 12, bei dem auf Basis der Restlebensdau er Maßnahmen im Energiemanagement zur Erhöhung der Restlebensdauer ge troffen werden.
14. Verfahren nach Anspruch 13, bei dem die Maßnahme ausgewählt sein kann aus:
- Aussetzen und/oder Degradieren von Funktionen,
- Veränderung des Soll-Betriebsereichs des Energiespeichers, oder
- bei mehreren Energiespeichern Umschichten der Belastung zwischen diesen Energiespeichern.
15. Anordnung zum Überwachen eines Energiespeichers in einem Bordnetz ei nes Kraftfahrzeugs, das zur Durchführung eines Verfahrens nach einem der An sprüche 1 bis 14 eingerichtet ist.
PCT/EP2019/081943 2018-11-28 2019-11-20 Verfahren zum überwachen eines energiespeichers in einem bordnetz WO2020109108A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
US17/274,332 US20210339652A1 (en) 2018-11-28 2019-11-20 Method for monitoring an energy store in a vehicle electrical system
JP2021530149A JP7288053B2 (ja) 2018-11-28 2019-11-20 搭載電源網内のエネルギ蓄積器を監視する方法
CN201980078201.4A CN113039089B (zh) 2018-11-28 2019-11-20 用于监测车载电网中的蓄能器的方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102018220494.2 2018-11-28
DE102018220494.2A DE102018220494A1 (de) 2018-11-28 2018-11-28 Verfahren zum Überwachen eines Energiespeichers in einem Bordnetz

Publications (1)

Publication Number Publication Date
WO2020109108A1 true WO2020109108A1 (de) 2020-06-04

Family

ID=68621303

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2019/081943 WO2020109108A1 (de) 2018-11-28 2019-11-20 Verfahren zum überwachen eines energiespeichers in einem bordnetz

Country Status (5)

Country Link
US (1) US20210339652A1 (de)
JP (1) JP7288053B2 (de)
CN (1) CN113039089B (de)
DE (1) DE102018220494A1 (de)
WO (1) WO2020109108A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021211873A1 (de) 2021-10-21 2023-04-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020124182A1 (de) * 2020-09-16 2022-03-17 TWAICE Technologies GmbH Bestimmung eines Alterungszustands eines Energiespeichers
DE102020212278A1 (de) * 2020-09-29 2022-03-31 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur maschinenindividuellen Verbesserung der Lebensdauer einer Batterie in einer batteriebetriebenen Maschine
DE102020214917A1 (de) 2020-11-27 2022-06-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Bestimmung des Gesundheitszustands eines elektrischen Energiespeichers, Computerprogrammprodukt und maschinenlesbares Speichermedium
DE102021101816A1 (de) 2021-01-27 2022-07-28 Vega Grieshaber Kg Verfahren und Vorrichtung zur Bestimmung einer Restkapazität einer Batterie für batteriebetriebene elektronische Geräte
DE102021202904A1 (de) 2021-03-24 2022-09-29 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug
US20220373600A1 (en) * 2021-05-24 2022-11-24 Btech Inc. Neural network for estimating battery health
DE102021205872A1 (de) 2021-06-10 2022-12-15 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug
US11422199B1 (en) * 2021-06-17 2022-08-23 Hong Kong Applied Science and Technology Research Institute Company Limited State of health evaluation of retired lithium-ion batteries and battery modules
DE102021211870A1 (de) 2021-10-21 2023-04-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug
SE2151358A1 (en) * 2021-11-05 2023-05-06 Centre Nat Rech Scient Joint optimization of routes and driving parameters for cycle degradation minimization in electric vehicles
DE102022208195A1 (de) 2022-08-05 2024-02-08 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug
US11780438B1 (en) 2022-08-31 2023-10-10 Ford Global Technologies, Llc Predictive stop-start control using state of function during gliding

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19959019A1 (de) 1999-12-08 2001-06-13 Bosch Gmbh Robert Verfahren zur Zustandserkennung eines Energiespeichers
US20030231006A1 (en) * 2002-06-12 2003-12-18 Kazuo Tojima Deterioration degree calculating apparatus and deterioration degree calculating method for a battery
DE102005050563A1 (de) * 2005-10-21 2007-04-26 Robert Bosch Gmbh Verfahren zur Vorhersage der Leistungsfähigkeit elektrischer Energiespeicher
EP1231476B1 (de) 2001-02-13 2008-02-27 Robert Bosch Gmbh Verfahren und Anordnung zur Bestimmung des Alterungszustands einer Batterie
DE102011005711A1 (de) * 2011-03-17 2012-09-20 Bayerische Motoren Werke Aktiengesellschaft Energiespeicher in einem Fahrzeug
DE102013203661A1 (de) 2013-03-04 2014-09-04 Robert Bosch Gmbh Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs und Mittel zu dessen Implementierung
DE102013204539A1 (de) * 2013-03-15 2014-09-18 Robert Bosch Gmbh Batteriezelleinrichtung mit Feinschlusssicherheitsfunktion und Verfahren zum Überwachen einer Batteriezelle
DE102016211898A1 (de) 2016-06-30 2018-01-04 Robert Bosch Gmbh Verfahren zum Überwachen einer Batterie

Family Cites Families (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8890480B2 (en) * 2006-11-30 2014-11-18 The Boeing Company Health management of rechargeable batteries
KR100981128B1 (ko) * 2008-06-11 2010-09-10 포항공과대학교 산학협력단 사용 패턴에 기반한 이동 통신 단말기의 배터리 사용 가능시간 예측 방법
DE102009038663B4 (de) * 2009-08-24 2017-07-06 Audi Ag Kraftwagen mit einer Mehrzahl von Batterien und Verfahren zur Batteriediagnose
US8332342B1 (en) * 2009-11-19 2012-12-11 The United States of America as represented by the Administrator of the National Aeronautics & Space Administration (NASA) Model-based prognostics for batteries which estimates useful life and uses a probability density function
DE102010062856A1 (de) * 2010-12-10 2012-06-21 Sb Limotive Company Ltd. Verfahren zur Ermittlung von Betriebsparametern einer Batterie, Batteriemanagementsystem und Batterie
DE102012204918A1 (de) * 2012-03-27 2013-10-02 Robert Bosch Gmbh Verfahren und Vorrichtung zur Aktivierung von mindestens einer Energiemanagementfunktion in einem Fahrzeug
US9182451B2 (en) * 2012-07-30 2015-11-10 Robert Bosch Gmbh System and method for posteriori adaptation of a state of charge model in a battery
DE102012022458A1 (de) * 2012-11-15 2014-05-15 Volkswagen Aktiengesellschaft Verfahren und System zum Überwachen eines Energiespeichers sowie ein elektrisch angetriebenes Kraftfahrzeug mit einer derartigen Energiespeicherüberwachung
US9438041B2 (en) * 2012-12-19 2016-09-06 Bosch Energy Storage Solutions Llc System and method for energy distribution
WO2014132332A1 (ja) 2013-02-26 2014-09-04 株式会社 日立製作所 劣化推定装置及び劣化推定方法
AT513676B1 (de) * 2014-03-14 2018-10-15 Avl List Gmbh Energiespeicheremulator und Verfahren zur Emulation eines Energiespeichers
JP2016090485A (ja) * 2014-11-07 2016-05-23 株式会社日立製作所 蓄電制御装置及び蓄電制御装置を搭載した車両駆動システム
DE102014018622A1 (de) * 2014-12-13 2015-06-25 Daimler Ag Verfahren zum Ermitteln von Impedanzen in einem Hochvoltnetz für ein Kraftfahrzeug mit einem elektrischen Energiespeicher mittels einer Impedanzanalysevorrichtung und Vorrichtung zur Ausführung des Verfahrens
DE102015208207A1 (de) * 2015-05-04 2016-11-10 Robert Bosch Gmbh Verfahren zum Detektieren einer ordnungsgemäßen Verbindung zumindest eines Energiespeichers mit einem Bordnetz
JPWO2016208251A1 (ja) * 2015-06-25 2018-03-08 株式会社日立製作所 蓄電システム
WO2018017644A1 (en) * 2016-07-22 2018-01-25 Eos Energy Storage, Llc Battery management system
US10209314B2 (en) * 2016-11-21 2019-02-19 Battelle Energy Alliance, Llc Systems and methods for estimation and prediction of battery health and performance
DE102018201119A1 (de) 2018-01-24 2019-07-25 Robert Bosch Gmbh Verfahren zum Überwachen der Energieversorgung eines Kraftfahrzeugs mit automatisierter Fahrfunktion

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE19959019A1 (de) 1999-12-08 2001-06-13 Bosch Gmbh Robert Verfahren zur Zustandserkennung eines Energiespeichers
EP1231476B1 (de) 2001-02-13 2008-02-27 Robert Bosch Gmbh Verfahren und Anordnung zur Bestimmung des Alterungszustands einer Batterie
US20030231006A1 (en) * 2002-06-12 2003-12-18 Kazuo Tojima Deterioration degree calculating apparatus and deterioration degree calculating method for a battery
DE102005050563A1 (de) * 2005-10-21 2007-04-26 Robert Bosch Gmbh Verfahren zur Vorhersage der Leistungsfähigkeit elektrischer Energiespeicher
DE102011005711A1 (de) * 2011-03-17 2012-09-20 Bayerische Motoren Werke Aktiengesellschaft Energiespeicher in einem Fahrzeug
DE102013203661A1 (de) 2013-03-04 2014-09-04 Robert Bosch Gmbh Verfahren zum Betreiben eines elektrifizierten Kraftfahrzeugs und Mittel zu dessen Implementierung
DE102013204539A1 (de) * 2013-03-15 2014-09-18 Robert Bosch Gmbh Batteriezelleinrichtung mit Feinschlusssicherheitsfunktion und Verfahren zum Überwachen einer Batteriezelle
DE102016211898A1 (de) 2016-06-30 2018-01-04 Robert Bosch Gmbh Verfahren zum Überwachen einer Batterie

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021211873A1 (de) 2021-10-21 2023-04-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Überwachen eines Energiespeichers in einem Kraftfahrzeug

Also Published As

Publication number Publication date
DE102018220494A1 (de) 2020-05-28
CN113039089B (zh) 2024-07-26
JP7288053B2 (ja) 2023-06-06
US20210339652A1 (en) 2021-11-04
CN113039089A (zh) 2021-06-25
JP2022513149A (ja) 2022-02-07

Similar Documents

Publication Publication Date Title
WO2020109108A1 (de) Verfahren zum überwachen eines energiespeichers in einem bordnetz
WO2018001602A1 (de) Verfahren zum überwachen einer batterie
DE19960761C1 (de) Verfahren zur Überwachung der Restladung und der Leistungsfähigkeit einer Batterie
EP3519242B1 (de) Verfahren zum betreiben eines energiebordnetzes eines kraftfahrzeugs
EP1231476A2 (de) Verfahren und Anordnung zur Bestimmung der Leistungsfähigkeit einer Batterie
WO2001042799A1 (de) Verfahren zur zustandserkennung eines energiespeichers
EP1543394A1 (de) Vorrichtung und verfahren zur überwachung einer mehrere systeme umfassenden technischen anlage, insbesondere einer kraftwerksanlage
EP2245718A1 (de) Batteriemanagementsystem
DE102019215413A1 (de) Funktionstüchtigkeit-selbstlernsystem und verfahren für stromverteilungssysteme für automatisch fahrende fahrzeuge
DE102020215201A1 (de) Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands einer Gerätebatterie in einem batteriebetriebenen Gerät
DE102020212414A1 (de) Verfahren zum Überwachen eines Bordnetzes eines Kraftfahrzeugs
DE102016221249A1 (de) Verfahren zum Betreiben eines Bordnetzes
DE102020213357A1 (de) Verfahren zum Überprüfen des Verhaltens mindestens einer Gruppe von Verbrauchern in einem Kraftfahrzeug
WO2021115689A1 (de) Verfahren zum überwachen eines energiespeichers in einem kraftfahrzeug
WO2019057871A1 (de) Verfahren zum überwachen mindestens einer komponente eines kraftfahrzeugs
WO2011057846A1 (de) Batteriemanagementeinheit zur schätzung der batterieimpendanz
DE102019217538A1 (de) Verfahren und systeme zur durchführung von diagnoseprozessen mit verringerter verarbeitungszeit
DE102019126245A1 (de) System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie
DE102005025616A1 (de) Verfahren zur Überwachung und/oder Steuerung oder Regelung der Spannung einzelner Zellen in einem Zellstapel
DE102007050346B4 (de) Verfahren zur Plausibilisierung mindestens einer kapazitätsbezogenen Zustandsgröße eines elektrischen Energiespeichers
EP3519251A1 (de) Verfahren zum betreiben eines energiebordnetzes
EP1423717B1 (de) Verfahren und vorrichtung zur on-board bordnetzdiagnose eines kraftfahrzeugbordnetzes
DE102018212770A1 (de) Verfahren zum Überwachen einer Komponente eines Kraftfahrzeugs
WO2022179724A1 (de) Verfahren zum überwachen der energieversorgung eines kraftfahrzeugs
EP2810255A1 (de) Verfahren zur prognose eines fehlers oder zur fehlererfassung in einer transportmaschine sowie transportmaschine

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 19806217

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021530149

Country of ref document: JP

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19806217

Country of ref document: EP

Kind code of ref document: A1