WO2021089391A1 - Verfahren zur prädiktion eines alterungszustands einer batterie - Google Patents

Verfahren zur prädiktion eines alterungszustands einer batterie Download PDF

Info

Publication number
WO2021089391A1
WO2021089391A1 PCT/EP2020/080344 EP2020080344W WO2021089391A1 WO 2021089391 A1 WO2021089391 A1 WO 2021089391A1 EP 2020080344 W EP2020080344 W EP 2020080344W WO 2021089391 A1 WO2021089391 A1 WO 2021089391A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
data
aging
aging condition
storage device
Prior art date
Application number
PCT/EP2020/080344
Other languages
English (en)
French (fr)
Inventor
Christian Simonis
Christoph Woll
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 EP20800084.4A priority Critical patent/EP4055655A1/de
Priority to CN202080077327.2A priority patent/CN114600298A/zh
Priority to US17/630,087 priority patent/US12000895B2/en
Publication of WO2021089391A1 publication Critical patent/WO2021089391A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • 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
    • H01M10/4285—Testing apparatus
    • 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
    • G07—CHECKING-DEVICES
    • G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
    • G07C5/00—Registering or indicating the working of vehicles
    • G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
    • G07C5/10—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time using counting means or digital clocks
    • 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
    • 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
    • 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
    • H01M10/486—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for measuring temperature
    • 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

Definitions

  • the invention relates to a method for predicting an aging condition of a battery.
  • the invention further relates to a vehicle which comprises at least one battery, the aging state of which is predicted according to the method according to the invention and / or whose aging behavior is improved based on the aging state predicted according to the method according to the invention.
  • the invention also relates to a prediction system which is set up to carry out the method according to the invention.
  • the state of health (SOH) of a battery depends on various influencing factors. These are, for example, current throughput through the battery, number and depth of charging and discharging cycles of the battery, maximum charging and discharging current of the battery, thermal circuits for the battery, operating temperature of the battery, state of charge (SOC) of the battery , etc. Since all these factors determine the SOH value in a generally individually operated battery in different form and weighting, an exact determination of this value is only possible with difficulty.
  • the document WO 2019/017991 A1 describes a battery management system for a motor vehicle that contains a module for estimating the states of a rechargeable battery.
  • the battery is preferably designed as a lithium-ion battery and comprises a plurality of battery cells that are connected to one another in series or in parallel.
  • the data of the battery include, for example, a voltage profile of the battery, a current profile of the battery and an operating temperature profile of the battery.
  • the data can also include battery-characterizing variables.
  • the battery-characterizing variables of the battery include, for example, temperature, charging currents, energy throughput, state of charge or combinations of states, such as high state of charge at high temperature for a long time.
  • the battery-characterizing variables of the battery also include chemical data of the battery.
  • the usage profile is understood to mean, in particular, the load and charging profiles of the battery.
  • the data from the battery is then transmitted to a storage device.
  • data from several comparison batteries are stored in the storage device.
  • Aging state values and / or aging state curves of the comparison batteries are also stored in the memory device, preferably as a function of usage profiles of the respective comparison battery.
  • the storage device can be assigned to a data-driven fleet model.
  • the storage device preferably comprises the data-driven fleet model.
  • the data stored in the storage device are processed and analyzed by means of the data-driven fleet model.
  • the aging condition values of the battery are determined by means of a battery reference model at defined times and / or at defined events.
  • the battery reference model includes relationships between the data of the battery, the aging condition value of the battery and the usage profiles of the battery.
  • signals or signal profiles of the battery are processed by means of a preprocessing model before the aging condition values are determined.
  • an aging condition value can be calculated directly and precisely by means of the battery reference model. If a label is present, the battery reference model is implemented as an artificial intelligence based model. If there is no label yet, the battery reference model corresponds to the value that is calculated, for example, in a vehicle control unit.
  • an aging condition value of the battery can be calculated, for example, by means of a battery management system.
  • This aging condition value calculated by the battery management system then serves as a base value for the battery reference model and is correlated with battery-characterizing battery variables, which are an indicator of the degree of aging of the battery.
  • An aging condition profile of the battery is then formed on the basis of the aging condition values determined for the battery.
  • a predicted aging condition value and / or a predicted aging condition curve of the battery are then determined.
  • the predicted aging condition value and / or the predicted aging condition curve of the battery can be determined by means of an extrapolation of the aging condition curve formed.
  • the predicted aging condition value and / or the predicted aging condition curve can also be determined by means of an assignment of the aging condition curve formed to an ascertained aging condition curve from the data of the comparison battery stored in the storage device, several aging condition curves being determined from the data of the comparison batteries stored in the storage device.
  • the determination can be carried out by means of a clustering, such as a nearest neighbor heuristic or a k-means algorithm, of loads on the battery with regard to the aging status curves of different usage profiles.
  • a load prediction of the battery is preferably carried out.
  • the load prediction can be carried out, for example, on the basis of predictive route data of a vehicle, navigation data of the vehicle and further information from a control unit of the vehicle.
  • the predictive route data can be determined by means of a car-to-x communication, in particular a car-to-car communication.
  • Car-to-X / car communication is an exchange of information and data between vehicles and surroundings / vehicles with the aim of reporting critical and dangerous situations to the driver at an early stage.
  • the predicted aging condition value and / or the predicted aging condition curve of the battery are preferably compared with an actual aging condition value and / or an actual aging condition curve of the battery from the actual aging condition values determined by the battery reference model.
  • the predicted aging condition value and / or the predicted aging condition curve of the battery can also be used with a stored aging condition value and / or a stored aging condition curve of the comparison batteries from the storage device, which on the one hand extrapolates the individual aging condition curve of the respective comparison batteries and on the other hand, using statistical distribution of the comparison batteries, confidence intervals for the aging condition values be predicted, matched. Both comparisons are preferably carried out.
  • the battery reference model is preferably designed as a model based on artificial intelligence.
  • the battery reference model is designed as a physical model, a meta-model or a data model, which can be a characteristic diagram of the battery.
  • several of the above-mentioned models can be used to form the battery reference model.
  • the battery reference model is preferably compared using the data of the comparison batteries stored in the storage device.
  • the battery reference model can be based on the from Battery management system calculated, serving as a base value for the battery reference model aging condition value of the battery and the data stored in the storage device of the comparison batteries are parameterized.
  • the aging condition values of the battery are preferably determined for different prediction horizons.
  • a prediction horizon is to be understood as meaning, for example, a certain period of time in connection with a certain minimum number of driving cycles of a vehicle.
  • calendar and cyclical aging of the battery with current and temperature load are taken into account equally.
  • short-term predicted aging condition values such as 2 weeks and / or 10 driving cycles
  • medium-term predicted aging condition values such as 4 weeks and / or 20 driving cycles
  • long-term predicted aging condition values such as 8 weeks and / or 40 driving cycles
  • the data from the battery are preferably transmitted to the storage device by means of a wireless network.
  • the wireless network can be designed as a WLAN network.
  • the wireless network is preferably designed as a cellular network, such as a UMTS or LTE network.
  • the storage device is preferably designed as a cloud storage facility. However, it is also conceivable that the storage device is designed as a storage medium, such as, for example, a memory of a control device of the battery or an external memory.
  • the battery data transmitted to the storage device are preferably always monitored and evaluated.
  • the data of the battery and the respective comparison battery stored in the storage device are preferably always verified and evaluated.
  • the monitoring, evaluation and verification of the data transmitted to the storage device and the data stored in the storage device are preferably carried out by means of a model based on artificial intelligence.
  • the actual value which is determined by the battery reference model, is always adapted and taken into account for the future prediction.
  • a possible systematic deviation is included in the further predicted aging condition curve and corrected so that the prediction residuals are normally distributed.
  • an operating strategy for the battery based on the predicted aging condition value or the predicted aging condition profile is applied which pursues the aim of counteracting the aging behavior of the battery and thus extending the service life of the battery.
  • This can be achieved, for example, by changing the performance limits, charging behavior, operating temperature or the like, putting the battery into a more gentle operating state.
  • the battery can leave an originally poor aging condition curve and switch to a better aging condition curve.
  • a slow aging condition decrease can be achieved by changing the operating strategy.
  • Effective measures both passive and active, relate, for example, to a current reduction, temperature control or a recommendation to avoid rapid charging cycles or the like.
  • a strategy adjustment can also serve as a specification for other batteries connected to the storage device with a similar aging condition curve as a specification for their aging condition-optimal behavior.
  • the aging condition value can also decrease more moderately as a result of load changes, for example through more journeys in city or overland traffic or as a result of a change in the charging behavior, and can switch to a different aging condition curve without operating strategy intervention.
  • a vehicle which comprises at least one battery whose state of aging is predicted according to the method according to the invention and / or whose aging behavior is improved based on the state of aging predicted according to the method according to the invention.
  • Further information or parameters of the vehicle can also be transferred to the storage device.
  • a prediction system is also proposed which is set up to carry out the method according to the invention for predicting an aging state of a battery.
  • the prediction system can, for example, have a battery reference model, a storage device which has a data-driven model, and a fusion model.
  • the battery reference model characterizes the underlying battery technology.
  • the data-driven model heuristically describes the actual behavior of comparison batteries with regard to battery aging.
  • the fusion model combines both approaches to a highly precise aging condition calculation and prediction of the battery.
  • the fusion model is preferably designed as a model based on artificial intelligence.
  • the prediction system can also be a
  • the method according to the invention enables aging to be determined without taking into account the individual aging condition dependencies.
  • software in a battery management system does not need to be adapted for determining an aging state and making a prediction.
  • the battery reference model can be compared with the data from the storage device and thus the accuracy of the predicted aging condition value is improved.
  • the method according to the invention advantageously allows a quick reaction to changed load behavior of the battery by means of short-term prognosis, e.g. with regard to a systematic change in usage behavior or anomaly detection.
  • an operating strategy of the battery can be used which leads to an extension of the battery life and / or an increase in conductivity.
  • non-obvious contributors to the aging of the battery can be analyzed, modeled and verified across all vehicles in a storage device using, for example, big data methods and artificial intelligence and can then be used directly to predict the aging of the battery.
  • the prediction of the aging condition is thus also enriched by additional information from the storage device, which further improves the accuracy of the aging prediction.
  • artificial intelligence in the storage device can analyze, model and verify large amounts of data across all vehicles. New product generations and / or software updates can be continuously optimized through the findings from the storage device through newly determined interrelationships.
  • the method according to the invention can be used to derive an online verified battery reference model for the unknown batteries from the data stored in the storage device.
  • FIG. 1 shows a flow chart of the method according to the invention for predicting an aging state of a battery
  • FIG. 2 shows a schematic representation of a prediction system for carrying out the method according to the invention.
  • FIG. 1 shows a flow chart 100 of the method according to the invention for predicting an aging state of a battery.
  • a first step 101 data of the battery are provided as a function of various usage profiles of the battery.
  • the data of the battery include, for example, a voltage profile of the battery, a current profile of the battery and an operating temperature profile of the battery. Of course, the data can also include battery-characterizing variables.
  • the usage profile is understood to mean, in particular, the load and charging profiles of the battery.
  • the data from the battery are transmitted to a storage device 240 (see FIG. 2).
  • data from a plurality of comparison batteries are stored in the storage device 240. Aging state values and / or aging state curves of the comparison batteries are also stored in the storage device 240, preferably as a function of usage profiles of the respective comparison battery.
  • the storage device 240 can be assigned to a data-driven fleet model 242 (see FIG. 2).
  • the storage device 240 preferably comprises the data-driven fleet model 242.
  • the data stored in the storage device 240 are processed and analyzed by means of the data-driven fleet model 242.
  • aging state values of the battery are determined by means of a battery reference model 230 (see FIG. 2) at defined times and / or at defined events.
  • the battery reference model 230 comprises relationships between the data of the battery, the aging condition value of the battery and the usage profiles of the battery. Signals or signal profiles of the battery are preferably processed by means of a preprocessing model 220 (see FIG. 2) before the aging condition values are determined.
  • an aging condition value can be calculated directly and precisely using the battery reference model 230.
  • an aging condition value of the battery can be calculated, for example, by means of a battery management system.
  • This aging condition value calculated by the battery management system then serves as a base value for the battery reference model 230 and is correlated with battery-characterizing variables of the battery, which are an indicator of a degree of aging of the battery.
  • an aging condition profile of the battery is formed on the basis of the determined aging condition values of the battery.
  • a predicted aging condition value and / or a predicted aging condition profile of the battery are determined.
  • the predicted aging condition value and / or the predicted aging condition curve of the battery can be determined by means of an extrapolation of the aging condition curve formed.
  • the predicted aging condition value and / or the predicted aging condition curve can also be determined by means of an assignment of the aging condition curve formed to an ascertained aging condition curve from the data of the comparison battery stored in the storage device 240, with several aging condition curves being determined from the data of the comparison batteries stored in the storage device 240.
  • the determination can be carried out by means of clustering, such as a nearest neighbor heuristic or a k-means algorithm for determining the loads on the battery with regard to the aging status curves of different usage profiles.
  • the extrapolation and the assignment of the aging condition curve formed can be used together.
  • FIG. 2 shows a schematic representation of a prediction system 200 which is set up to carry out the method according to the invention.
  • the prediction system 200 comprises a preprocessing model 220, a battery reference model 230, a storage device 240 which has a data-driven fleet model 242, a load prediction model 250 and a fusion model 260.
  • data from a battery (not shown) of a vehicle 210 are initially provided as a function of various usage profiles of the battery, as well as all signals from vehicle 210.
  • the data of the battery include, for example, a voltage profile of the battery, a current profile of the battery and an operating temperature profile of the battery.
  • the data can also include battery-characterizing variables include.
  • the usage profile is understood to mean, in particular, the load and charging profiles of the battery.
  • the signals from the battery and the vehicle 210 are processed by the preprocessing model 220 for further use.
  • the processed signals are then transmitted to the battery reference model 230, the storage device 240 and the load prediction model 250.
  • the storage device 240 stores data from a plurality of comparison batteries. Aging state values and / or aging state curves of the comparison batteries are also stored in the storage device 240, preferably as a function of usage profiles of the respective comparison battery. Signals or information from other vehicles are also stored in memory device 240. The data stored in the storage device 240 are processed and analyzed by means of the data-driven fleet model 242.
  • the load prediction model 250 can be used, for example, to predict a load on the battery.
  • the load prediction can be carried out, for example, on the basis of predictive route data from vehicle 210, navigation data from vehicle 210 and further information from a control unit of vehicle 210.
  • the predictive route data can be determined by means of a communication, such as, for example, a car-to-x / car communication, and transmitted between the load prediction model 250 and the storage device 240.
  • aging state values of the battery are determined by means of the battery reference model 230 at defined times and / or at defined events.
  • the battery reference model 230 includes relationships between the data of the battery, the aging condition value of the battery and the usage profiles of the battery.
  • the result of the load prediction model 250 is also taken into account.
  • the aging state values determined by the battery reference model 230, the result from the load prediction model 250 and the data stored in the storage device 240 become the fusion model 260 transferred.
  • the fusion model 260 is designed as a model based on artificial intelligence. An aging condition of the battery is predicted by means of the fusion model 260.
  • the battery reference model 230 is compared with the aid of the data of the comparison batteries stored in the storage device 240.
  • the fusion model 260 thus brings together the model-based aging condition calculation and prediction of the battery reference model 230 and the data-driven aging condition calculation and prediction of the data-driven fleet model 242.
  • an operating strategy for the battery or vehicle 210 is developed using the fusion model 260, which pursues the aim of counteracting the aging behavior of the battery and thus extending the service life of the battery. This can be achieved, for example, by changing the performance limits, charging behavior, operating temperature or the like, putting the battery into a more gentle operating state.
  • the battery can thus leave an originally poor aging condition curve and switch to a better aging condition curve.

Landscapes

  • Engineering & Computer Science (AREA)
  • Manufacturing & Machinery (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Tests Of Electric Status Of Batteries (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur Prädiktion eines Alterungszustands einer Batterie. Die Erfindung betrifft ferner ein Fahrzeug, das mindestens eine Batterie umfasst, deren Alterungszustand nach dem erfindungsgemäßen Verfahren prädiziert wird und/oder deren Alterungsverhalten anhand des nach dem erfindungsgemäßen Verfahren prädizierten Alterungszustands verbessert wird. Die Erfindung betrifft auch ein Prädiktionssystem, das eingerichtet ist, das erfindungsgemäße Verfahren durchzuführen.

Description

Verfahren zur Prädiktion eines Alterungszustands einer Baterie
Die Erfindung betrifft ein Verfahren zur Prädiktion eines Alterungszustands einer Batterie.
Die Erfindung betrifft ferner ein Fahrzeug, das mindestens eine Batterie umfasst, deren Alterungszustand nach dem erfindungsgemäßen Verfahren prädiziert wird und/oder deren Alterungsverhalten anhand des nach dem erfindungsgemäßen Verfahren prädizierten Alterungszustands verbessert wird.
Die Erfindung betrifft auch ein Prädiktionssystem, das eingerichtet ist, das erfindungsgemäße Verfahren durchzuführen.
Stand der Technik
Ein Alterungszustand (SOH, engl.: State of Health) einer Batterie hängt von verschiedenen Einflussfaktoren ab. Diese sind z.B. Stromdurchsatz durch die Batterie, Anzahl und Tiefe von Lade- und Entladezyklen der Batterie, maximaler Lade- und Entladestrom der Batterie, thermische Kreisläufe für die Batterie, Betriebstemperatur der Batterie, Ladezustandswert (SOC, engl.: State of Charge) der Batterie, usw. Da all diese Faktoren in unterschiedlicher Form und Gewichtung den SOH-Wert in einer im Allgemeinen individuell betriebenen Batterie bestimmen, ist eine genaue Bestimmung dieses Wertes nur schwer möglich.
Das Dokument WO 2019/017991 Al beschreibt ein Batteriemanagementsystem für ein Kraftfahrzeug, das ein Modul zur Abschätzung von Zuständen einer wiederaufladbaren Batterie enthält.
Offenbarung der Erfindung
Es wird ein Verfahren zur Prädiktion eines Alterungszustands einer Batterie vorgeschlagen. Die Batterie ist bevorzugt als eine Lithium-Ionen-Batterie ausgebildet und umfasst mehrere Batteriezelle, die seriell oder parallel miteinander verschaltet sind.
Dabei werden zunächst Daten der Batterie in Abhängigkeit von verschiedenen Nutzungsprofilen der Batterie bereitgestellt. Die Daten der Batterie umfassen beispielsweise einen Spannungsverlauf der Batterie, einen Stromverlauf der Batterie sowie einen Betriebstemperaturverlauf der Batterie. Selbstverständlich können die Daten auch batterie-charakterisierende Größen umfassen. Zu den batterie-charakterisierenden Größen der Batterie gehören beispielsweise Temperatur, Ladeströme, Energiedurchsatz, Ladezustand bzw. Kombinationen von Zuständen, wie z.B. hoher Ladezustand bei hoher Temperatur für lange Zeit. Zu den batterie-charakterisierenden Größen der Batterie gehören auch chemische Daten der Batterie. Unter Nutzungsprofil werden insbesondere Last- und Ladeprofile der Batterie verstanden.
Anschließend werden die Daten der Batterie zu einer Speichereinrichtung übertragen. Dabei werden Daten von mehreren Vergleichsbatterien in der Speichereinrichtung gespeichert. In der Speichereinrichtung werden auch Alterungszustandswerten und/oder Alterungszustandsverläufe der Vergleichsbatterien, bevorzugt in Abhängigkeit von Nutzungsprofilen der jeweiligen Vergleichsbatterie, gespeichert. Die Speichereinrichtung kann einem datengetriebenen Flottenmodell zugeordnet werden. Bevorzugt umfasst die Speichereinrichtung das datengetriebene Flottenmodell. Die in der Speichereinrichtung gespeicherten Daten werden dabei mittels des datengetriebenen Flottenmodells verarbeitet und analysiert.
Danach werden Alterungszustandswerte der Batterie mittels eines Batterie- Referenzmodells zu definierten Zeitpunkten und/oder zu definierten Ereignissen bestimmt. Das Batterie- Referenzmodell umfasst dabei Beziehungen zwischen den Daten der Batterie, dem Alterungszustandswert der Batterie und den Nutzungsprofilen der Batterie. Vorzugsweise werden Signale bzw. Signalverläufe der Batterie vor dem Bestimmen der Alterungszustandswerte mittels eines Vorverarbeitungsmodells aufbereitet.
Wenn die batterie-charakterisierenden Größen der Batterie, wie beispielsweise das Label, eine gemessene Alterungszustandsreferenz für das maschinelle Lernen, bekannt sind, kann ein Alterungszustandswert direkt und präzise mittels des Batterie- Referenzmodells berechnet werden. Wenn ein Label vorhanden ist, wird das Batterie- Referenzmodell als ein auf künstliche Intelligenz basiertes Modell ausgeführt. Falls noch kein Label vorhanden ist, entspricht das Batterie- Referenzmodell dem Wert, der beispielsweise in einem Fahrzeug-Steuergerät berechnet wird.
In dem Fall, dass die batterie-charakterisierenden Größen der Batterie unbekannt sind, so kann ein Alterungszustandswert der Batterie beispielsweise mittels eines Batteriemanagementsystems berechnet werden. Dieser vom Batteriemanagementsystem berechnete Alterungszustandswert dient dann als ein Basiswert für das Batterie- Referenzmodell und wird mit batterie charakterisierenden Größen der Batterie, die ein Indikator für einen Alterungsgrad der Batterie sind, in Korrelation gesetzt.
Folgend wird ein Alterungszustandsverlauf der Batterie anhand der bestimmten Alterungszustandswerte der Batterie gebildet.
Danach werden ein prädizierter Alterungszustandswert und/oder ein prädizierter Alterungszustandsverlauf der Batterie bestimmt. Der prädizierte Alterungszustandswert und/oder der prädizierte Alterungszustandsverlauf der Batterie können dabei mittels einer Extrapolation des gebildeten Alterungszustandsverlaufs bestimmt werden.
Der prädizierte Alterungszustandswert und/oder der prädizierte Alterungszustandsverlauf können auch mittels einer Zuordnung des gebildeten Alterungszustandsverlaufs zu einem ermittelten Alterungszustandsverlauf aus der in der Speichereinrichtung gespeicherten Daten der Vergleichsbatterie bestimmt werden, wobei aus der in der Speichereinrichtung gespeicherten Daten der Vergleichsbatterien mehrere Alterungszustandsverläufe ermittelt werden. Die Ermittlung kann mittels einer Clusterung (engl.: Clustering), wie z.B. einer Nearest-Neighbor-Heuristik oder eines k-Means-Algorithmus, von Lasten der Batterie im Hinblick auf Alterungszustandsverläufe unterschiedlicher Nutzungsprofile durchgeführt werden.
Zum Bestimmen des prädizierten Alterungszustandswerts und/oder des prädizierten Alterungszustandsverlaufs können die Extrapolation und die Zuordnung des gebildeten Alterungszustandsverlaufs zusammen verwendet werden.
Vorzugsweise wird eine Lastprädiktion der Batterie durchgeführt. Die Lastprädiktion kann beispielsweise auf Basis von prädiktiven Streckendaten eines Fahrzeugs, Navigationsdaten des Fahrzeugs und weiteren Informationen aus einem Steuergerät des Fahrzeugs durchgeführt werden. Dabei können die prädiktiven Streckendaten mittels einer Car-to-X-Kommunikation, insbesondere einer Car-to-Car- Kommunikation, bestimmt werden. Mit der Car-to-X/Car- Kommunikation wird ein Austausch von Informationen und Daten zwischen Fahrzeugen und Umgebung/Fahrzeugen mit dem Hintergrund, dem Fahrer frühzeitig kritische und gefährliche Situationen zu melden, bezeichnet.
Bevorzugt werden der prädizierte Alterungszustandswert und/oder der prädizierte Alterungszustandsverlauf der Batterie mit einem tatsächlichen Alterungszustandswert und/oder einem tatsächlichen Alterungszustandsverlauf der Batterie aus den vom Batterie- Referenzmodell bestimmten, tatsächlichen Alterungszustandswerten abgeglichen. Der prädizierte Alterungszustandswert und/oder der prädizierte Alterungszustandsverlauf der Batterie können auch mit einem gespeicherten Alterungszustandswert und/oder einem gespeicherten Alterungszustandsverlauf der Vergleichsbatterien aus der Speichereinrichtung, der zum einen den individuellen Alterungszustandsverlauf der jeweiligen Vergleichsbatterien extrapoliert und zum anderen mittels statistischer Verteilung der Vergleichsbatterien Konfidenzintervalle zum Alterungszustandswert prädiziert, abgeglichen werden. Bevorzugt werden beide Abgleiche durchgeführt.
Vorzugsweise wird das Batterie- Referenzmodell als ein auf künstliche Intelligenz basiertes Modell ausgebildet. Denkbar ist aber auch, dass das Batterie- Referenzmodell als ein physikalisches Modell, ein Meta-Modell oder ein Datenmodell, welches ein Kennfeld der Batterie sein kann, ausgebildet wird. Selbstverständlich können zum Bilden des Batterie- Referenzmodells mehrere der oben erwähnten Modelle verwendet werden.
Bevorzugt wird das Batterie- Referenzmodell anhand der in der Speichereinrichtung gespeicherten Daten der Vergleichsbatterien abgeglichen. In dem Fall, dass die batterie-charakterisierenden Größen der Batterie unbekannt sind, kann das Batterie- Referenzmodell anhand des vom Batteriemanagementsystem berechneten, als Basiswert für das Batterie- Referenzmodell dienenden Alterungszustandswerts der Batterie und der in der Speichereinrichtung gespeicherten Daten der Vergleichsbatterien parametriert werden.
Vorzugsweise werden die Alterungszustandswerte der Batterie für verschiedene Prädiktionshorizonte bestimmt.
Unter Prädiktionshorizont ist beispielsweise eine bestimmte Zeitdauer in Verbindung mit einer bestimmten minimalen Anzahl von Fahrzyklen eines Fahrzeugs zu verstehen. Somit werden kalendarische und zyklische Alterung der Batterie mit Strom- und Temperaturbelastung gleichermaßen berücksichtigt. Insbesondere berücksichtigen kurzfristige prädizierte Alterungszustandswerte, wie beispielsweise 2 Wochen und/oder 10 Fahrzyklen, im Gegensatz zu mittelfristigen prädizierten Alterungszustandswerten, wie beispielsweise 4 Wochen und/oder 20 Fahrzyklen, und langfristigen prädizierten Alterungszustandswerten, wie beispielsweise 8 Wochen und/oder 40 Fahrzyklen, sehr unterschiedliche Fahrweisen, wie sie z.B. bei einem Fahrerwechsel oder Besitzerwechsel eines Fahrzeugs Vorkommen können. Dadurch ist die Vorhersagegenauigkeit wesentlich größer.
Bevorzugt werden die Daten der Batterie mittels eines drahtlosen Netzwerks zu der Speichereinrichtung übertragen. Dabei kann das drahtlose Netzwerk als ein WLAN-Netzwerk ausgebildet werden. Vorzugsweise wird das drahtlose Netzwerk als ein Mobilfunknetz, wie beispielsweise ein UMTS- oder LTE-Netz, ausgebildet.
Bevorzugt wird die Speichereinrichtung als ein Cloud-Speicher ausgebildet. Denkbar ist aber auch, dass die Speichereinrichtung als ein Speichermedium, wie beispielsweise ein Speicher eines Steuergeräts der Batterie oder ein externer Speicher, ausgebildet wird.
Vorzugsweise werden die zur Speichereinrichtung übertragenen Daten der Batterie stets überwacht und bewertet.
Bevorzugt werden die in der Speichereinrichtung gespeicherten Daten der Batterie und der jeweilige Vergleichsbatterie stets verifiziert und bewertet. Vorzugsweise werden das Überwachen, das Bewerten sowie das Verifizieren der zur Speichereinrichtung übertragenen Daten und der in der Speichereinrichtung gespeicherten Daten mittels eines auf künstliche Intelligenz basierten Modells durchgeführt.
Bei auftretenden Abweichungen zwischen dem prädizierten und dem tatsächlichen Alterungszustandswert zum Vorhersagezeitpunkt wird immer auf den tatsächlichen Wert, der vom Batterie- Referenzmodell bestimmt ist, angepasst und für die künftige Prädiktion berücksichtigt. Eine mögliche systematische Abweichung wird in dem weiteren prädizierten Alterungszustandsverlauf mit einbezogen und korrigiert, sodass die Prädiktionsresiduen normalverteilt sind.
Bevorzugt wird eine Betriebsstrategie für die Batterie anhand des prädizierten Alterungszustandswerts bzw. des prädizierten Alterungszustandsverlaufs angewandt, welche ein Ziel verfolgt, dem Alterungsverhalten der Batterie entgegenzuwirken und somit eine Lebensdauer der Batterie zu verlängern. Dies kann dadurch erreicht werden, dass z.B. durch veränderte Leistungsgrenzen, Ladeverhalten, Betriebstemperatur oder ähnliches die Batterie in einen schonenden Betriebszustand versetzt wird. Somit kann die Batterie einen ursprünglich schlechten Alterungszustandsverlauf verlassen und auf einen besseren Alterungszustandsverlauf übergehen.
Zeigt der mittel- oder langfristige Alterungszustandswert der Batterie eine deutliche Verschlechterung an, so kann durch Änderung der Betriebsstrategie eine langsame Alterungszustandsabnahme erreicht werden. Einwirkende Maßnahmen, sowohl passiv als auch aktiv, beziehen sich z.B. auf eine Stromreduzierung, eine Temperierung oder ein Empfehlung zur Vermeidung von Schnellladezyklen oder ähnliches. Eine Strategieanpassung kann auch weiteren, mit der Speichereinrichtung verbundenen Batterien mit ähnlichem Alterungszustandsverlauf als Vorgabe für deren alterungszustands-optimales Verhalten dienen. Auch durch Laständerungen, z.B. durch mehr Fahrten im Stadt- oder Überlandverkehr oder durch Änderung des Ladeverhaltens, kann der Alterungszustandswert moderater abnehmen und ohne Betriebsstrategie- Eingriff auf einen anderen Alterungszustandsverlauf übergehen. Durch diese Maßnahmen ist eine Verlängerung der Lebensdauer der Batterie gewährleistet. Im umgekehrten Fall, dass die Batterie nicht unter optimalen Bedingungen betrieben wird, was zu einer fortschreitenden Alterung führt, kann eine Betriebsstrategieänderung auch dazu führen, dass höhere Leistungen oder mehr Tiefentladezyklen, einzelne Schnellladevorgänge der Batterie oder ähnliches Vorteile bezüglich ihres Alterungsverhaltens bietet.
Ferner wird ein Fahrzeug vorgeschlagen, das mindestens eine Batterie umfasst, deren Alterungszustand nach dem erfindungsgemäßen Verfahren prädiziert ist und/oder deren Alterungsverhalten anhand des nach dem erfindungsgemäßen Verfahren prädizierten Alterungszustands verbessert ist.
Weitere Informationen oder Parameter des Fahrzeugs, wie z.B. ein Nutzungsprofil des Fahrzeugs und Fahrstil eines Fahrers, können dabei ebenfalls zu der Speichereinrichtung übertragen werden.
Es wird auch ein Prädiktionssystem vorgeschlagen, das eingerichtet ist, das erfindungsgemäße Verfahren zur Prädiktion eines Alterungszustands einer Batterie durchzuführen.
Das Prädiktionssystem kann beispielsweise ein Batterie- Referenzmodell, eine Speichereinrichtung, die ein datengetriebenes Modell aufweist, und ein Fusionsmodell aufweisen. Das Batterie- Referenzmodell charakterisiert dabei die zugrundeliegende Batterietechnologie. Das datengetriebene Modell beschreibt heuristisch das tatsächliche Verhalten von Vergleichsbatterien im Hinblick auf Alterung der Batterie. Das Fusionsmodell verbindet beide Ansätze zu einer hochgenauen Alterungszustandsberechnung der Batterie und Prädiktion. Bevorzugt ist das Fusionsmodell als ein auf künstliche Intelligenz basiertes Modell ausgebildet. Das Prädiktionssystem kann auch ein
Vorverarbeitungsmodell zur Signalaufbereitung und ein Lastprädiktionsmodell zur Prädiktion von Lasten der Batterie aufweisen.
Vorteile der Erfindung
Das erfindungsgemäße Verfahren ermöglicht eine Alterungsbestimmung ohne die einzelnen Alterungszustandsabhängigkeiten zu berücksichtigen. Mit dem erfindungsgemäßen Verfahren ist keine Anpassung einer Software in einem Batteriemanagementsystem für eine Bestimmung eines Alterungszustands und eine Prädiktion erforderlich.
Darüber hinaus kann das Batterie- Referenzmodell mit den Daten aus der Speichereinrichtung abgeglichen werden und somit wird die Genauigkeit des prädizierten Alterungszustandswerts verbessert.
Vorteilhaft erlaubt das erfindungsgemäße Verfahren durch Kurzfristprognose eine schnelle Reaktion auf verändertes Lastverhalten der Batterie, z.B. im Hinblick auf einen systematischen Wechsel des Nutzungsverhaltens oder Anomalie- Erkennung.
Mit dem erfindungsgemäßen Verfahren kann eine Betriebsstrategie der Batterie angewandt werden, die zur Verlängerung der Batterielebensdauer und/oder Leitungsfähigkeitserhöhung führt.
Vorteilhaft können Last- und Ladeverhaltensänderungen der Batterie mit dem erfindungsgemäßen Verfahren automatisch erkannt werden und somit ist gegebenenfalls ein Betriebsstrategie- Eingriff nicht erforderlich.
Mit dem erfindungsgemäßen Verfahren können nicht offensichtliche Beitragsleister zur Alterung der Batterie durch beispielsweise Big- Data- Methoden und künstliche Intelligenz in einer Speichereinrichtung fahrzeugübergreifend analysiert, modelliert und verifiziert werden und können anschließend unmittelbar zur Prädiktion eines Alterungszustands der Batterie verwendet werden. Somit wird die Prädiktion des Alterungszustands auch durch zusätzliche Informationen aus der Speichereinrichtung angereichert, was die Genauigkeit der Alterungs- Vorhersage weiter verbessert.
Bei unbekannten Batterien, bei den keine batterie-charakterisierenden Größen der Batterie vorliegen, kann durch künstliche Intelligenz in der Speichereinrichtung große Datenmengen fahrzeugübergreifend analysiert, modelliert und verifiziert werden. Durch neu ermittelte Wirkzusammenhänge können neue Produktgenerationen und/oder Software- Updates durch die Erkenntnisse aus der Speichereinrichtung stetig optimiert werden. Außerdem kann mit dem erfindungsgemäßen Verfahren ein online verifiziertes Batterie- Referenzmodell für die unbekannten Batterien aus den Daten, die in der Speichereinrichtung gespeichert sind, abgeleitet werden.
Kurze Beschreibung der Zeichnungen
Ausführungsformen der Erfindung werden anhand der Zeichnungen und der nachfolgenden Beschreibung näher erläutert.
Es zeigen:
Figur 1 ein Flussdiagramm des erfindungsgemäßen Verfahrens zur Prädiktion eines Alterungszustands einer Batterie und
Figur 2 eine schematische Darstellung eines Prädiktionssystems zur Durchführung des erfindungsgemäßen Verfahrens.
Ausführungsformen der Erfindung
In der nachfolgenden Beschreibung der Ausführungsformen der Erfindung werden gleiche oder ähnliche Elemente mit gleichen Bezugszeichen bezeichnet, wobei auf eine wiederholte Beschreibung dieser Elemente in Einzelfällen verzichtet wird. Die Figuren stellen den Gegenstand der Erfindung nur schematisch dar.
Figur 1 zeigt ein Flussdiagramm 100 des erfindungsgemäßen Verfahrens zur Prädiktion eines Alterungszustands einer Batterie.
In einem ersten Schritt 101 werden Daten der Batterie in Abhängigkeit von verschiedenen Nutzungsprofilen der Batterie bereitgestellt. Die Daten der Batterie umfassen beispielsweise einen Spannungsverlauf der Batterie, einen Stromverlauf der Batterie sowie einen Betriebstemperaturverlauf der Batterie. Selbstverständlich können die Daten auch batterie-charakterisierende Größen umfassen. Unter Nutzungsprofil werden insbesondere Last- und Ladeprofile der Batterie verstanden. In einem zweiten Schritt 102 werden die Daten der Batterie zu einer Speichereinrichtung 240 (siehe Figur 2) übertragen. Dabei werden Daten von mehreren Vergleichsbatterien in der Speichereinrichtung 240 gespeichert. In der Speichereinrichtung 240 werden auch Alterungszustandswerte und/oder Alterungszustandsverläufe der Vergleichsbatterien, bevorzugt in Abhängigkeit von Nutzungsprofilen der jeweiligen Vergleichsbatterie, gespeichert. Die Speichereinrichtung 240 kann einem datengetriebenen Flottenmodell 242 (siehe Figur 2) zugeordnet werden. Bevorzugt umfasst die Speichereinrichtung 240 das datengetriebene Flottenmodell 242. Die in der Speichereinrichtung 240 gespeicherten Daten werden mittels des datengetriebenen Flottenmodells 242 verarbeitet und analysiert.
In einem dritten Schritt 103 werden Alterungszustandswerte der Batterie mittels eines Batterie- Referenzmodells 230 (siehe Figur 2) zu definierten Zeitpunkten und/oder zu definierten Ereignissen bestimmt. Das Batterie- Referenzmodell 230 umfasst Beziehungen zwischen den Daten der Batterie, dem Alterungszustandswert der Batterie und den Nutzungsprofilen der Batterie. Vorzugsweise werden Signale bzw. Signalverläufe der Batterie vor dem Bestimmen der Alterungszustandswerte mittels eines Vorverarbeitungsmodells 220 (siehe Figur 2) aufbereitet.
Wenn die batterie-charakterisierenden Größen der Batterie bekannt sind, kann ein Alterungszustandswert direkt und präzise mittels des Batterie- Referenzmodells 230 berechnet werden.
In dem Fall, dass die batterie-charakterisierenden Größen der Batterie unbekannt sind, so kann ein Alterungszustandswert der Batterie beispielsweise mittels eines Batteriemanagementsystems berechnet werden. Dieser vom Batteriemanagementsystem berechnete Alterungszustandswert dient dann als ein Basiswert für das Batterie- Referenzmodell 230 und wird mit batterie charakterisierenden Größen der Batterie, die ein Indikator für einen Alterungsgrad der Batterie sind, in Korrelation gesetzt.
In einem vierten Schritt 104 wird ein Alterungszustandsverlauf der Batterie anhand der bestimmten Alterungszustandswerte der Batterie gebildet. In einem fünften Schritt 105 werden ein prädizierter Alterungszustandswert und/oder ein prädizierter Alterungszustandsverlauf der Batterie bestimmt. Der prädizierte Alterungszustandswert und/oder der prädizierte Alterungszustandsverlauf der Batterie können mittels einer Extrapolation des gebildeten Alterungszustandsverlaufs bestimmt werden.
Der prädizierte Alterungszustandswert und/oder der prädizierte Alterungszustandsverlauf können auch mittels einer Zuordnung des gebildeten Alterungszustandsverlaufs zu einem ermittelten Alterungszustandsverlauf aus der in der Speichereinrichtung 240 gespeicherten Daten der Vergleichsbatterie bestimmt werden, wobei aus der in der Speichereinrichtung 240 gespeicherten Daten der Vergleichsbatterien mehrere Alterungszustandsverläufe ermittelt werden. Die Ermittlung kann mittels einer Clusterung (engl.: Clustering), wie z.B. einer Nearest-Neighbour-Heuristik oder eines k-Means-Algorithmus zur Ermittlung von Lasten der Batterie im Hinblick auf Alterungszustandsverläufe unterschiedlicher Nutzungsprofile durchgeführt werden.
Zum Bestimmen des prädizierten Alterungszustandswerts und/oder des prädizierten Alterungszustandsverlaufs können die Extrapolation und die Zuordnung des gebildeten Alterungszustandsverlaufs zusammen verwendet werden.
Figur 2 zeigt eine schematische Darstellung eines Prädiktionssystems 200, das eingerichtet ist, das erfindungsgemäße Verfahren durchzuführen.
Das Prädiktionssystem 200 umfasst dabei ein Vorverarbeitungsmodell 220, ein Batterie- Referenzmodell 230, eine Speichereinrichtung 240, die ein datengetriebenes Flottenmodell 242 aufweist, ein Lastprädiktionsmodell 250 und ein Fusionsmodell 260.
Dabei werden zunächst Daten einer Batterie (nicht dargestellt) eines Fahrzeugs 210 in Abhängigkeit von verschiedenen Nutzungsprofilen der Batterie sowie sämtliche Signale des Fahrzeugs 210 bereitgestellt. Die Daten der Batterie umfassen beispielsweise einen Spannungsverlauf der Batterie, einen Stromverlauf der Batterie sowie einen Betriebstemperaturverlauf der Batterie. Selbstverständlich können die Daten auch batterie-charakterisierende Größen umfassen. Unter Nutzungsprofil werden insbesondere Last- und Ladeprofile der Batterie verstanden.
Die Signale der Batterie und des Fahrzeugs 210 werden durch das Vorverarbeitungsmodell 220 zur weiteren Verwendung aufbereitet.
Die aufbereiteten Signale werden dann zu dem Batterie- Referenzmodell 230, der Speichereinrichtung 240 und dem Lastprädiktionsmodell 250 übertragen.
In der Speichereinrichtung 240 sind Daten von mehreren Vergleichsbatterien gespeichert. In der Speichereinrichtung 240 sind auch Alterungszustandswerte und/oder Alterungszustandsverläufe der Vergleichsbatterien, bevorzugt in Abhängigkeit von Nutzungsprofilen der jeweiligen Vergleichsbatterie, gespeichert. In der Speichereinrichtung 240 sind ebenfalls Signale bzw. Informationen von anderen Fahrzeugen gespeichert. Die in der Speichereinrichtung 240 gespeicherten Daten werden dabei mittels des datengetriebenen Flottenmodells 242 verarbeitet und analysiert.
Mittels des Lastprädiktionsmodells 250 kann beispielsweise eine Last der Batterie prädiziert werden. Die Lastprädiktion kann beispielsweise auf Basis von prädiktiven Streckendaten des Fahrzeugs 210, Navigationsdaten des Fahrzeugs 210 und weiteren Information aus einem Steuergerät des Fahrzeugs 210 durchgeführt werden. Dabei können die prädiktiven Streckendaten mittels einer Kommunikation, wie beispielsweise einer Car-to-X/Car-Kommunikation, bestimmt werden und zwischen dem Lastprädiktionsmodell 250 und der Speichereinrichtung 240 übertragen werden.
Anhand der Daten der Batterie werden Alterungszustandswerte der Batterie mittels des Batterie- Referenzmodells 230 zu definierten Zeitpunkten und/oder zu definierten Ereignissen bestimmt. Das Batterie- Referenzmodell 230 umfasst dabei Beziehungen zwischen den Daten der Batterie, dem Alterungszustandswert der Batterie und den Nutzungsprofilen der Batterie. Beim Bestimmen der Alterungszustandswerte der Batterie wird das Ergebnis des Lastprädiktionsmodells 250 auch berücksichtigt.
Die vom Batterie- Referenzmodell 230 bestimmten Alterungszustandswerte, das Ergebnis von dem Lastprädiktionsmodell 250 sowie die in der Speichereinrichtung 240 gespeicherten Daten werden zu dem Fusionsmodell 260 übertragen. Das Fusionsmodell 260 ist dabei als ein auf künstliche Intelligenz basiertes Modell ausgebildet. Mittels des Fusionsmodells 260 wird ein Alterungszustand der Batterie prädiziert.
Mittels des Fusionsmodells 260 wird das Batterie- Referenzmodell 230 anhand der in der Speichereinrichtung 240 gespeicherten Daten der Vergleichsbatterien abgeglichen. Das Fusionsmodell 260 bringt somit die modell-basierte Alterungszustandsberechnung und Prädiktion des Batterie- Referenzmodells 230 und die datengetriebene Alterungszustandsberechnung und Prädiktion des datengetriebenen Flottenmodells 242 zusammen.
Anhand des prädizierten Alterungszustands der Batterie wird eine Betriebsstrategie für die Batterie bzw. das Fahrzeug 210 mittels des Fusionsmodells 260 entwickelt, welche ein Ziel verfolgt, dem Alterungsverhalten der Batterie entgegenzuwirken und somit die Lebensdauer der Batterie zu verlängern. Dies kann dadurch erreicht werden, dass z.B. durch veränderte Leistungsgrenzen, Ladeverhalten, Betriebstemperatur oder ähnliches die Batterie in einen schonenden Betriebszustand versetzt wird. Mittels der Betriebsstrategie kann somit die Batterie einen ursprünglich schlechten Alterungszustandsverlauf verlassen und auf einen besseren Alterungszustandsverlauf übergehen.
Die Erfindung ist nicht auf die hier beschriebenen Ausführungsbeispiele und die darin hervorgehobenen Aspekte beschränkt. Vielmehr ist innerhalb des durch die Ansprüche angegebenen Bereichs eine Vielzahl von Abwandlungen möglich, die im Rahmen fachmännischen Handelns liegen.

Claims

Ansprüche
1. Verfahren zur Prädiktion eines Alterungszustands einer Batterie, umfassend folgende Schritte:
- Bereitstellen von Daten der Batterie in Abhängigkeit von verschiedenen Nutzungsprofilen der Batterie;
- Übertagen der Daten zu einer Speichereinrichtung (240), in der Daten von mehreren Vergleichsbatterien gespeichert, verarbeitet und analysiert werden;
- Bestimmen von Alterungszustandswerten der Batterie zu definierten Zeitpunkten und/oder Ereignissen mittels eines Batterie- Referenzmodells (230);
- Bilden eines Alterungszustandsverlaufs der Batterie anhand der besti mmten Alteru ngszustandswerte;
- Bestimmen eines prädizierten Alterungszustandswerts und/oder eines prädizierten Alterungszustandsverlaufs der Batterie mittels einer Extrapolation des gebildeten Alterungszustandsverlaufs und/oder mittels einer Zuordnung des gebildeten Alterungszustandsverlaufs zu einem ermittelten Alterungszustandsverlauf aus der in der Speichereinrichtung (240) gespeicherten Daten der Vergleichsbatterien, wobei aus der in der Speichereinrichtung (240) gespeicherten Daten mehreren Alterungszustandsverläufe ermittelt werden.
2. Verfahren nach Anspruch 1, dadurch gekennzeichnet, dass das Batterie- Referenzmodell (230) als ein auf künstliche Intelligenz basiertes Modell ausgebildet wird.
3. Verfahren nach Anspruch 1 oder 2, dadurch gekennzeichnet, dass das Batterie- Referenzmodell (230) anhand der in der Speichereinrichtung (240) gespeicherten Daten der Vergleichsbatterien abgeglichen wird.
4. Verfahren nach einem der Ansprüche 1 bis 3, dadurch gekennzeichnet, dass die Alterungszustandswerte der Batterie für verschiedene Prädiktionshorizonte bestimmt werden.
5. Verfahren nach einem der Ansprüche 1 bis 4, dadurch gekennzeichnet, dass die Daten der Batterie mittels eines drahtlosen Netzwerks zu der Speichereinrichtung (240) übertragen werden.
6. Verfahren nach einem der Ansprüche 1 bis 5, dadurch gekennzeichnet, dass die Speichereinrichtung (240) als ein Cloud-Speicher ausgebildet wird.
7. Verfahren nach einem der Ansprüche 1 bis 6, dadurch gekennzeichnet, dass die zur Speichereinrichtung (240) übertragenen Daten der Batterie stets überwacht und bewertet werden.
8. Verfahren nach einem der Ansprüche 1 bis 7, dadurch gekennzeichnet, dass die in der Speichereinrichtung (240) gespeicherten Daten der Batterie und der Vergleichsbatterien stets verifiziert und bewertet werden.
9. Fahrzeug (210), umfassend mindestens eine Batterie, deren Alterungszustand gemäß dem Verfahren nach einem der Ansprüche 1 bis 8 prädiziert ist und/oder deren Alterungsverhalten anhand der gemäß dem Verfahren nach einem der Ansprüche 1 bis 8 prädizierten Alterungszustand verbessert ist.
10. Prädiktionssystem (200), das eingerichtet ist, das Verfahren nach einem der Ansprüche 1 bis 8 durchzuführen.
PCT/EP2020/080344 2019-11-08 2020-10-29 Verfahren zur prädiktion eines alterungszustands einer batterie WO2021089391A1 (de)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP20800084.4A EP4055655A1 (de) 2019-11-08 2020-10-29 Verfahren zur prädiktion eines alterungszustands einer batterie
CN202080077327.2A CN114600298A (zh) 2019-11-08 2020-10-29 用于对电池的老化状态进行预测的方法
US17/630,087 US12000895B2 (en) 2019-11-08 2020-10-29 Method for predicting an aging state of a battery

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102019217299.7 2019-11-08
DE102019217299.7A DE102019217299A1 (de) 2019-11-08 2019-11-08 Verfahren zur Prädiktion eines Alterungszustands einer Batterie

Publications (1)

Publication Number Publication Date
WO2021089391A1 true WO2021089391A1 (de) 2021-05-14

Family

ID=73040071

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2020/080344 WO2021089391A1 (de) 2019-11-08 2020-10-29 Verfahren zur prädiktion eines alterungszustands einer batterie

Country Status (5)

Country Link
US (1) US12000895B2 (de)
EP (1) EP4055655A1 (de)
CN (1) CN114600298A (de)
DE (1) DE102019217299A1 (de)
WO (1) WO2021089391A1 (de)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102021208020A1 (de) 2021-07-26 2023-01-26 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Ermittlung und Verbesserung einer Konfidenz einer Prädiktion eines Alterungszustands von Energiespeichern
DE102021208227A1 (de) 2021-07-29 2023-02-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Bereitstellen einer Gesamttrajektorie eines Alterungszustands aus mehreren Alterungszustandsverläufen eines elektrischen Energiespeichers
DE102021208340A1 (de) 2021-08-02 2023-02-02 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Bereitstellen eines berechneten und prädizierten Alterungszustands eines elektrischen Energiespeichers mit einem mithilfe von maschinellen Lernverfahren und Active Learning-Methoden ermittelten Alterungszustandsmodell
DE102021209106A1 (de) 2021-08-19 2023-02-23 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zur Durchführung eines Ladevorgangs einer Gerätebatterie
DE102021214161A1 (de) 2021-12-10 2023-06-15 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustands für eine Gerätebatterie mit Korrektur von Zustandsbeobachtungen auf Basis systematischer Zustands- und Umgebungseinflüsse

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009042656A1 (de) * 2009-09-23 2011-03-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Steuerung bzw. Regelung mindestens eines den Alterungszustand eines elektrischen Energiespeichers beeinflussenden Betriebsparameters
DE102011080638A1 (de) * 2011-08-09 2013-02-14 Robert Bosch Gmbh Verfahren zur Bestimmung eines Zustandes einer Batterie, Batterie mit einem Modul zur Bestimmung eines Zustandes der Batterie sowie ein Kraftfahrzeug mit einer entsprechenden Batterie
DE102014200645A1 (de) * 2014-01-16 2015-07-16 Robert Bosch Gmbh Verfahren zum Batteriemanagement und Batteriemanagementsystem
EP3203574A1 (de) * 2016-02-08 2017-08-09 Siemens Aktiengesellschaft Lebensdauersteuerung für energiespeicher
DE102016224548A1 (de) * 2016-12-09 2018-06-14 Robert Bosch Gmbh Verfahren zum Betrieb eines elektrischen Energiespeichersystems sowie entsprechendes maschinenlesbares Speichermedium, elektronische Steuereinheit und elektrisches Energiespeichersystem
DE102017103617A1 (de) * 2017-02-22 2018-08-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Abschätzung des Alterungszustands eines Batteriesystems
WO2019017991A1 (en) 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6037777A (en) * 1998-09-11 2000-03-14 Champlin; Keith S. Method and apparatus for determining battery properties from complex impedance/admittance
US9146595B2 (en) * 2011-08-05 2015-09-29 Qualcomm Incorporated Systems and methods for remotely monitoring or controlling a battery
US9058038B2 (en) * 2012-03-29 2015-06-16 GM Global Technology Operations LLC Method and system for predicting vehicle battery health using a collaborative vehicle battery health model
DE102015001050A1 (de) * 2015-01-29 2016-08-04 Man Truck & Bus Ag Verfahren und Vorrichtung zur Steuerung und/oder Regelung mindestens eines einen Alterungszustand eines elektrischen Energiespeichers beeinflussenden Betriebsparameters des elektrischen Energiespeichers
US10598734B2 (en) * 2016-12-30 2020-03-24 Nio Usa, Inc. Reporting of vehicle battery state of health and charge
US20190130332A1 (en) * 2017-10-31 2019-05-02 General Electric Company Clinical telemetry patient monitoring battery management system and method
US11480621B2 (en) * 2017-11-02 2022-10-25 Semiconductor Energy Laboratory Co., Ltd. Capacity estimation method and capacity estimation system for power storage device
DE102018204848A1 (de) * 2018-03-29 2019-10-02 Robert Bosch Gmbh Verfahren und Vorrichtung zum Betreiben eines Geräts, insbesondere eines Fahrzeugs im Fehlerfall
SE541804C2 (en) * 2018-04-09 2019-12-17 Scania Cv Ab Methods and control units for determining an extended state of health of a component and for control of a component
US10921383B2 (en) * 2019-03-07 2021-02-16 Mitsubishi Electric Research Laboratories, Inc. Battery diagnostic system for estimating capacity degradation of batteries

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102009042656A1 (de) * 2009-09-23 2011-03-24 Bayerische Motoren Werke Aktiengesellschaft Verfahren zur Steuerung bzw. Regelung mindestens eines den Alterungszustand eines elektrischen Energiespeichers beeinflussenden Betriebsparameters
DE102011080638A1 (de) * 2011-08-09 2013-02-14 Robert Bosch Gmbh Verfahren zur Bestimmung eines Zustandes einer Batterie, Batterie mit einem Modul zur Bestimmung eines Zustandes der Batterie sowie ein Kraftfahrzeug mit einer entsprechenden Batterie
DE102014200645A1 (de) * 2014-01-16 2015-07-16 Robert Bosch Gmbh Verfahren zum Batteriemanagement und Batteriemanagementsystem
EP3203574A1 (de) * 2016-02-08 2017-08-09 Siemens Aktiengesellschaft Lebensdauersteuerung für energiespeicher
DE102016224548A1 (de) * 2016-12-09 2018-06-14 Robert Bosch Gmbh Verfahren zum Betrieb eines elektrischen Energiespeichersystems sowie entsprechendes maschinenlesbares Speichermedium, elektronische Steuereinheit und elektrisches Energiespeichersystem
DE102017103617A1 (de) * 2017-02-22 2018-08-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Abschätzung des Alterungszustands eines Batteriesystems
WO2019017991A1 (en) 2017-07-21 2019-01-24 Quantumscape Corporation PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS

Also Published As

Publication number Publication date
US20220252671A1 (en) 2022-08-11
EP4055655A1 (de) 2022-09-14
DE102019217299A1 (de) 2021-05-12
US12000895B2 (en) 2024-06-04
CN114600298A (zh) 2022-06-07

Similar Documents

Publication Publication Date Title
WO2021089391A1 (de) Verfahren zur prädiktion eines alterungszustands einer batterie
DE102020206592A1 (de) Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers
DE102019108607B3 (de) System und Verfahren zur Ermittlung von Ladeprofilen
EP3966579A1 (de) Server-seitige charakterisierung von wiederaufladbaren batterien
WO2020109108A1 (de) Verfahren zum überwachen eines energiespeichers in einem bordnetz
DE112018004979T5 (de) Batterienutzungsüberwachung mit hoher Abdeckung
DE102020100668B4 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102020212299A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
WO2022017984A1 (de) Verfahren zum prädizieren einer restlebensdauer von fahrzeugbatterien einer flotte elektrischer fahrzeuge
DE102022122597A1 (de) Verfahren zur überwachung des technischen zustands zur frühzeitigen fehlererfassung in hochspannungsbatterien für elektrofahrzeuge
DE102018218263A1 (de) Verfahren zum Maschinenlernen durch Gaußsche Prozesse
DE102019126245A1 (de) System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie
EP3978306A1 (de) Verfahren und vorrichtung zur maschinenindividuellen verbesserung der lebensdauer einer batterie in einer batteriebetriebenen maschine
DE102021204014A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustandsmodells zur Ermittlung von aktuellen und prädizierten Alterungszuständen von elektrischen Energiespeichern mithilfe von Transfer-Lernen mithilfe maschineller Lernverfahren
DE102021104868A1 (de) System zur vorhersage einer batteriealterung
DE102019208276A1 (de) Server und verfahren zur verwaltung einer fahrzeugbatterie
DE102022202882A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster
DE102015114497A1 (de) Verfahren zum betreiben eines fahrzeugantriebsstranges aufgrund einer vorhersage, wie parallel geschaltete batterien ansprechen, die unterschiedliche chemikalien verwenden, um einen angeforderten strom auszugeben
DE102022208932A1 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells
DE102021203729A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern unter Nutzung von rekonstruierten Zeitreihensignalen mithilfe von maschinellen Lernverfahren
DE102019119736A1 (de) System und Verfahren zur Bestimmung eines Ladezustands einer elektrischen Batterie
EP4046228B1 (de) Verfahren zum anpassen einer anodenüberspannung einer lithium-ionen-batterie, verfahren zum verbessern eines kapazitätsalterungszustands der lithium-ionen-batterie
DE102021211918A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines berechneten oder prädizierten Alterungszustands von elektrischen Energiespeichern mit mithilfe von maschinellen Lernverfahren ermittelten Alterungszustandsmodellen und zum optimierten Betreiben einer Vielzahl von Energiespeichern
DE102020212236A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von Alterungszuständen von elektrischen Energiespeichern für eine Vielzahl von Geräten mithilfe von maschinellen Lernverfahren
EP3974246A1 (de) Verfahren und vorrichtung zur robusten vorhersage des alterungsverhaltens eines energiespeichers in einer batteriebetriebenen maschine

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: 20800084

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2020800084

Country of ref document: EP

Effective date: 20220608