WO2021143983A1 - Charakterisierung von wiederaufladbaren batterien mit maschinen-gelernten algorithmen - Google Patents

Charakterisierung von wiederaufladbaren batterien mit maschinen-gelernten algorithmen Download PDF

Info

Publication number
WO2021143983A1
WO2021143983A1 PCT/DE2021/100042 DE2021100042W WO2021143983A1 WO 2021143983 A1 WO2021143983 A1 WO 2021143983A1 DE 2021100042 W DE2021100042 W DE 2021100042W WO 2021143983 A1 WO2021143983 A1 WO 2021143983A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
state variables
algorithm
aging
measurement data
Prior art date
Application number
PCT/DE2021/100042
Other languages
English (en)
French (fr)
Inventor
Michael Baumann
Original Assignee
TWAICE Technologies 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 TWAICE Technologies GmbH filed Critical TWAICE Technologies GmbH
Priority to EP21701652.6A priority Critical patent/EP4090986A1/de
Priority to US17/792,483 priority patent/US20230059529A1/en
Publication of WO2021143983A1 publication Critical patent/WO2021143983A1/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]
    • G01R31/392—Determining battery ageing or deterioration, e.g. state of health
    • 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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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

Definitions

  • Various examples of the invention relate generally to techniques for characterizing rechargeable batteries.
  • various examples of the invention relate to techniques for determining an aging value of the rechargeable battery using at least one machine learned (ML) algorithm.
  • ML machine learned
  • Rechargeable batteries for example traction batteries in electric vehicles, have a limited life. This means that an aging value can increase over time and / or as a function of the discharge cycles.
  • the aging value can be characterized by a so-called state of health (SOH).
  • SOH state of health
  • the SOH is typically determined in connection with the capacity and / or the impedance of battery cells of the battery.
  • Techniques are known, for example, for determining the total capacity of the battery as an aging value by means of a complete discharge. Another technique measures, for example, plate corrosion or the electrolyte density of the battery. Yet another technique incorporates sensors into the battery to measure cell resistance, for example. Relative techniques perform a partial discharge and compare the result with a cell model or a reference cell. A Kalman filter, for example, can be used for this purpose. Sh. for example Plett, Gregory L. "Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 2. Modeling and Identification. "Journal of power sources 134.2 (2004): 262-276.
  • One technique for determining the aging value uses an ML algorithm in order to determine the aging value based on measurement data, for example for the electrical voltage, which are used as input variables for the ML algorithm. It has been observed that such techniques sometimes give inaccurate results for the aging score.
  • a computer-implemented method for determining an aging value of a rechargeable battery comprises obtaining measurement data for one or more state variables of the battery.
  • the method comprises the determination of one or more derived state variables of the battery using an upstream algorithm.
  • the input values of the upstream algorithm include the one or more state variables.
  • the method also includes determining the aging value using at least one ML algorithm.
  • Input values of the at least one ML algorithm include the one or more derived state variables of the battery.
  • a computer program or a computer program product or a computer-readable storage medium comprises program code.
  • the program code can be loaded and executed by a processor. When the program code is executed by the processor, this causes the processor to initiate a procedure for determining an aging value of a rechargeable battery.
  • the method comprises obtaining measurement data for one or more state variables of the battery; and the determination of one or more derived state variables of the battery using an upstream algorithm. Input values of the algorithm include the one or more state variables.
  • the method further comprises determining the aging value using at least one ML algorithm. Input values of the at least one ML algorithm include the one or more derived state variables of the battery.
  • a device comprises a processor which is set up to load and execute program code.
  • the processor executes the program code, it causes the processor to execute a method for determining an aging value of a rechargeable battery.
  • This method comprises obtaining measurement data for one or more state variables of the battery; the determination of one or more derived state variables of the battery using an upstream algorithm.
  • the input values of the upstream algorithm include the one or more state variables.
  • the method further comprises determining the aging value using at least one ML algorithm.
  • the input values of the at least one ML algorithm include the one or more derived state variables of the battery.
  • FIG. 1 schematically illustrates a system comprising a plurality of batteries and a server according to various examples.
  • FIG. 2 illustrates details of a battery according to various examples.
  • FIG. 3 illustrates details of a server according to various examples.
  • FIG. 4 is a flow diagram of an exemplary method.
  • FIG. 5 is a flow diagram of an exemplary method.
  • FIG. 6 illustrates the data flow for determining an aging value by means of several algorithms according to various examples.
  • FIG. 7 schematically illustrates measurement data that indicate state variables of a battery in the form of a load spectrum, according to various examples.
  • FIG. 8 schematically illustrates measurement data that indicate a state variable of the battery in the form of an event-related representation, according to various examples.
  • FIG. 9 schematically illustrates a time series of measurement data according to various examples.
  • the batteries described herein can be used for batteries in different application scenarios, for example for batteries that are used in devices such as motor vehicles or drones or portable electronic devices such as mobile radio devices. It would also be conceivable to use the batteries described here in the form of stationary energy stores. Indoor or outdoor applications are conceivable, which differ primarily with regard to the temperature ranges. Application scenarios include: stationary energy storage in a micro power grid; Energy storage for mobile applications; Low-load energy storage; Energy storage for light electric vehicles such as bicycles or scooters; Energy storage for electric cars; Indoor use; and outdoor use.
  • the techniques described herein make it possible to determine an aging value of the battery in connection with the characterization of the battery.
  • the aging value correlates with the aging of the rechargeable battery.
  • the aging value can describe the quality of the battery (and could therefore also be referred to as the Q value).
  • the aging value can assume larger values, for example, the further the aging of the battery has progressed.
  • the aging value can correlate with or correspond to the SOH.
  • the aging value can, for example, quantify an increase in the resistance or the impedance of the battery.
  • the aging value can, for example, quantify the decrease in the total capacity of the battery. According to various examples described herein, it is possible for the aging value to be determined using at least one ML algorithm.
  • An ML algorithm is characterized in that, in a learning phase, parameter values of parameters of the ML algorithm are set by means of suitable training.
  • the training is automated and based on training data.
  • the training data can include reference state variables of the battery, as well as a priori knowledge (English ground truth) about the respective associated aging value.
  • the parameter values of the ML algorithm can then be adapted in the course of the training so that, based on the reference state variables of the training data, the ML algorithm determines an aging value that corresponds particularly well to the associated reference aging value. This means that the ML algorithm can be used to reduce the dimensions and map the one or more state variables to a corresponding aging value.
  • Examples of ML algorithms include, for example: Artificial Neural Networks (ANNs); genetic algorithms; Support vector machines; Etc.
  • ANNs can, for example, be designed as a multi-layer feedforward network in which the neurons of the different layers do not form loops.
  • An example of such a multilayer feedforward ANN is a convolutional neural network, in which convolution of the values of the neurons is carried out with a kernel in at least some layers. Pooling layers or non-linear layers can also be provided. However, it would also be possible to use recurrent ANNs, for example to take a time series into account.
  • Various examples of the techniques described herein are based on the knowledge that reference techniques for determining the aging value of the battery by means of an ML algorithm can have certain restrictions. For example, it has been observed that a very large number of measurement data for one or more state variables of the battery are often required as input variables for the ML algorithm in order to achieve sufficient accuracy. For example, there may otherwise be differences from battery to battery - even for batteries of the same nominal type, for example due to structural factors Variations - mean that the aging value can only be determined with a certain inaccuracy. Another limitation of known techniques concerns the learning phase. Here it can often be necessary to use a large amount of training data in order to obtain sufficient accuracy when determining the aging value.
  • one or more derived state variables of the battery are determined; the one or more derived state variables are determined based on measurement data for one or more state variables of the battery. This determination of the one or more derived state variables can take place using an upstream algorithm, the input values of which include the one or more state variables.
  • the aging value is then determined using at least one ML algorithm. The input values of the at least one ML algorithm contain the one or more derived state variables of the battery.
  • the measurement data can be recorded by one or more sensors.
  • sensors For example, current measuring sensors, voltage measuring sensors, temperature sensors, pressure sensors, tension sensors,
  • Humidity sensors, etc. can be used.
  • the measurement data can be obtained from a management system of the battery.
  • the measurement data can quantify the one or more states in a time-resolved manner.
  • the measurement data are provided as a so-called load spectrum: the frequency of occurrence of values of the state variable is quantified, for example for two or more state variables relative to one another or also in relation to an absolute reference (e.g. a time reference or a charge / discharge cycle reference).
  • an absolute reference e.g. a time reference or a charge / discharge cycle reference.
  • the measurement data provided as a load spectrum could, for example, indicate the fraction of the operating time or the operating cycles in which certain value combinations for several state variables occur during operation.
  • the load spectrum can in particular indicate stress factors, ie those state variables that are particularly relevant for the aging.
  • the collective load can therefore describe a load profile of the battery.
  • the measurement data could indicate the one or more state variables in an event-related manner. This means that the measurement data could indicate the one or more state variables as a function of one or more predetermined event criteria. For example, if at least one of the one or more state variables assumes a predetermined value or value range, then the criterion for the presence of an event could be met.
  • the measurement data could indicate the corresponding at least one state variable or also one or more further state variables for a specific time segment in a time-resolved manner around the event. It would also be possible, however, for the measurement data to merely indicate the presence of a corresponding event, for example providing it with a corresponding time stamp (without resolving further details on the state variables).
  • the measurement data can be obtained for a measurement time interval.
  • the measurement time interval can extend from the present point in time into the past, for example for a specific predetermined measurement time period.
  • the measuring time interval could be determined, for example, by means of a sliding window method, that is to say it could be continuously updated and tracked as the time progresses.
  • current measurement data can be obtained that describe the current status of the battery well.
  • it is possible to characterize the batteries during ongoing field operation for example by receiving the measurement data from a management system of the battery via a communication link.
  • the measurement data can include a time series for the at least one state variable.
  • the time series can cover the measurement time interval, for example.
  • the measurement data it would be possible for the measurement data to describe the development over time of values of the at least one state variable.
  • the development over time of current, voltage or temperature values could be obtained with a certain sampling rate.
  • the time dependency on load collectives within the framework of the Measurement data is indexed. This means that, for example, a time series of load spectra is obtained for different points in time. A change in the frequency of occurrence of values of the state variables can be described in this way.
  • a time series can also be provided in connection with event-related measurement data. For example, the frequency of certain events could be indexed in a time-resolved manner, ie it could be stated how often a certain event occurred in a certain time interval.
  • the one or more state variables are selected from the following group: electrical current flow; electrical voltage; Temperature; Humidity; Ambient pressure; Tension; etc.
  • the one or more state variables can also be referred to as directly observable state variables of the battery, because they can be indicated by the measurement data, i.e. can be measured by sensors, for example.
  • the upstream algorithm can be implemented as a mapping that maps the one or more state variables onto the one or more derived state variables.
  • the measurement data include a time series of the at least one state variable
  • a time series of the one or more derived state variables could be determined using the preceding algorithm.
  • the preceding algorithm could be executed repeatedly, namely once for each point in time in the time series. In this way, a time series of derived state variables is obtained.
  • upstream algorithms would also be conceivable that receive the time series of one or more state variables directly as an input variable and determine a single derived state variable from this, for example at the actual point in time. It would also be possible for the upstream algorithm to provide a prediction for the one or more derived state variables. For example, it would be conceivable that the one or more state variables are obtained for one or more points in time in the measurement time interval.
  • a prediction could then be made using the upstream algorithm, for example taking into account a historical operating profile of the battery.
  • This prediction for the one or more derived state variables could then be passed to the ML algorithm as input, so that the latter also determines a prediction for the aging value (based on the prediction for the one or more derived state variables).
  • upstream algorithms can be used in connection with the techniques described herein.
  • an analytical algorithm that implements a fixed mapping could be used.
  • the analytical algorithm could have parameter values which, for example, are determined empirically, for example on the basis of laboratory measurements.
  • a numerical algorithm could also be used, for example in connection with a simulation of the electrical and / or thermal state of the battery. For example, a finite element method could be used.
  • the upstream algorithm cannot use ML, in particular in some examples, and can thus be differentiated from the downstream at least one ML algorithm.
  • a learning phase for the upstream algorithm can be omitted, ie in particular no machine-implemented automatic training based on training data is provided for the upstream algorithm.
  • Manual parameterization of the algorithm is possible.
  • a Kalman filter could be used to implement the preceding algorithm.
  • the Kalman filter can comprise a cell model of battery cells.
  • the cell model can be dependent on the one or more derived state variables. It is then possible to determine the one or more derived state variables using the Kalman filter by adapting the values of the one or more derived state variables of the Kalman filter model until the value of the modeled state variable agrees well with the value of the observed variable of state.
  • the upstream algorithm could also use a simulation.
  • a load profile of the battery could be used to estimate the future development of the one or more derived state variables - that is, under the assumption that the load profile observed in the past will also be available for this battery in the future.
  • the load profile could, for example, generally describe quantities such as: discharge rate; Depth of discharge; etc.
  • the load profile can be obtained from the one or more state variables or the load profile can be obtained directly in the form of the measurement data, for example as a load spectrum.
  • upstream algorithms can at least partially access measurement data that relate to different state variables of the battery.
  • At least one derived state variable of the one or more derived state variables has a correlation with a respective aging mechanism of the battery.
  • a development over time of one or more of the at least one derived state variable to have a correlation with a respective aging mechanism or a development over time of the respective aging mechanism of the battery.
  • Aging mechanisms can be brought about by physical and / or chemical processes. Aging mechanisms can be responsible, for example, for the loss of a negative electrode active material, the loss of a positive electrode active material or for the loss of ions exchanged between the positive and negative electrodes (ie, in the case of lithium ion batteries, the loss of lithium).
  • Various aging mechanisms are described, for example, in Birkl, Christoph R., et al. "Degradation diagnostics for lithium ion cells.” Journal of Power Sources 341 (2017): 373-386: FIG. 3, second column from the left.
  • the at least one ML algorithm may quantify one or more aging mechanisms. If the ML algorithm quantifies multiple aging mechanisms, the aging value can be determined based on a combination of values for the multiple aging mechanisms that are obtained as output values from the at least one ML algorithm.
  • Such one or more aging mechanisms can generally be selected from the following group: lithium deposition on electrodes of cells of the battery; Formation and growth of a solid electrolyte interphase or electronic loss of contact, for example due to particle breakage.
  • the deposition of lithium and the formation of corresponding dendrites is an essential aging mechanism.
  • a development of such aging mechanisms over time can be taken into account.
  • a prediction for the aging value of the battery can be made that takes into account the development of the one or more aging mechanisms over time.
  • an ML algorithm can be used which can make a temporal prediction on the basis of the temporal development of the one or more derived state variables.
  • This means that the ML algorithm can receive a corresponding time series of values of the one or more derived state variables as input.
  • Examples include a recurrent artificial neural network, such as a long short-term memory (LSTM) network.
  • LSTM long short-term memory
  • ML algorithms may also be possible to use different types of ML algorithms to quantify different aging mechanisms.
  • a support vector machine (SVM) could be used to quantify a first aging mechanism and an artificial neural network could be used to quantify a second aging mechanism.
  • SVM support vector machine
  • Such techniques are based on the knowledge that often - depending on the type of input variable, for example - different ML algorithms can work particularly efficiently and precisely.
  • the one or more derived state variables to include an anode potential of at least one cell of the battery and / or a cathode potential of the at least one cell of the battery and / or a ratio of the anode potential and the cathode potential to one another.
  • the anode potential is indicative of the aging mechanism of lithium deposition (lithium plating).
  • the upstream algorithm could, for example, be carried out by a simulation according to Ecker, Madeleine. Lithium Plating in Lithium-Ion Batteries: An Experimental and Simulation Approach. Shaker Verlag, 2016, Chapter 5.2.
  • the anode potential for lithium ion batteries correlates with the lithium deposition.
  • the lithium deposition typically causes sudden or non-linear aging, ie kinking of the Capacity of the battery as a function of the charge cycles or the operating time. Often, such non-linear aging cannot be recorded, or only to a limited extent, by an ML algorithm that only receives the directly observable state variables as input values. Typically, a large number of training data would have to be taken into account in such a case. The aging value can therefore be determined particularly precisely using the techniques described.
  • the ratio of the anode potential and the cathode potential to one another is also referred to as electrode balancing. It was found that this ratio is indicative of the aging of the battery. For example, if the anode overhang decreases due to aging, the potential position of the electrodes shifts. This results in a different electrode balancing.
  • the one or more derived state variables can include a differential voltage spectrum and / or a differential capacity spectrum of a discharge curve - for example in the case of small current flows - at least one cell of the battery.
  • DVA differential voltage analysis
  • the DVA corresponds to an analysis of the voltage characteristic of a battery cell during a discharge with a constant current flow.
  • charging with a constant charging current flow could also be considered.
  • the change in voltage for varying states of charge could be plotted as a function of state of charge.
  • the change in the state of charge for variable voltages could also be plotted against the state of charge. See, for example, Keil, Peter. Aging of lithium-ion batteries in electric vehicles. Diss. Technical University of Kunststoff, 2017: FIG. 16.
  • a DVA determines the loss of cathode material - for example lithium - and the loss of anode material as one or more derived state variables and thus as input values for the at least one ML algorithm (loss of Li inventory, LLI; as well as loss of anode material, LAM).
  • LLI loss of Li inventory
  • LAM loss of anode material
  • the one or more derived state variables could include mechanical bracing of at least one cell of the battery.
  • algorithms are known which describe the expansion of the battery cells as a function of the temperature, the state of charge and / or the charge / discharge rate. See, for example, Oh, Ki-Yong, and Bogdan I. Epureanu. "A novel thermal swelling model for a rechargeable lithium-ion battery cell.” Journal of Power Sources 303 (2016): 86-96 and Oh, Ki-Yong, et al. "A novel phenomenological multiphysics model of Li-ion battery cells.” Journal of Power Sources 326 (2016): 447-458.
  • Mechanical tension as a further derived state variable can also be caused by various aging mechanisms, in particular thickening of the battery due to thermal swelling. The increase in thickness due to aging can therefore result from SEI growth and / or lithium deposition and irreversible electrode work. By determining the mechanical tension, several aging mechanisms can be quantified.
  • the one or more derived state variables could also include an open circuit voltage (OCV) of at least one cell of the battery.
  • OCV open circuit voltage
  • the upstream algorithm could be implemented analytically, for example, and the measurement data could be obtained in an event-related manner, for example when a certain pause phase / rest time has been reached for the battery. Then the voltage is indicative of an open circuit voltage without load.
  • the one or more derived state variables can include a load spectrum that is determined by an upstream algorithm on the basis of the measurement data (in other examples, however, it would also be possible that the load spectrum is obtained in the form of the measurement data; that is, the load spectrum could can be determined locally at the batteries, which limits the amount of transmission data required). It can be seen from the above description that different derived state variables can be determined flexibly through the use of one or more upstream algorithms. This can be used to obtain particularly comprehensive information regarding the status of the battery. Then, in the context of the second stage, the aging value of the battery can be determined particularly precisely by the at least one ML algorithm.
  • FIG. 1 illustrates aspects related to a system 80.
  • the system 80 includes a server 81 connected to a database 82.
  • the system 80 also includes communication links 49 between the server 81 and each of a plurality of batteries 91-96.
  • the communication links 49 could be implemented over a cellular network, for example.
  • the batteries 91-96 can form an ensemble, i.e. they can all be of the same type.
  • FIG. 1 is an example of the fact that the batteries 91-96 have the
  • Communication connections 49 can send measurement data 41 to the server 81.
  • the measurement data 41 can be indicative of one or more state variables of the respective battery 91-96, e.g. state of charge, current flow, voltage, etc.
  • FIG. 1 is also illustrated by way of example that the server 81 via the
  • Communication links 49 can send control data 42 to batteries 91-96.
  • the control data 42 it would be possible for the control data 42 to indicate one or more operating limits for the future operation of the respective battery 91-96.
  • the control data could indicate one or more control parameters for thermal management of the respective battery 91-96 and / or charge management of the respective battery 91-96.
  • the server 81 can influence or control the operation of the batteries 91-96. This could, for example, be based on an aging value that is determined by the server 81 for the respective battery.
  • a respective aging value 99 is also schematically illustrated for each of the batteries 91-96 (for example, the battery 95 is comparatively strong aged, and the batteries 91, 94 have not yet aged particularly severely). Techniques for determining the aging value 99 are described below.
  • FIG. 2 illustrates aspects related to batteries 91-96.
  • the batteries 91-96 are coupled to a respective device 69.
  • This device e.g. an electric motor - is driven by electrical energy from the respective battery 91-96.
  • the batteries 91-96 comprise or are associated with one or more management systems 61, e.g. a BMS or other control logic such as an on-board unit in the case of a vehicle.
  • the management system 61 can be implemented by software on a CPU, for example. Alternatively or additionally, for example, an application-specific circuit (ASIC) or a field-programmable gated array (FPGA) could be used.
  • the batteries 91-96 could communicate with the management system 61 via a bus system, for example.
  • the batteries 91-96 also include a communication interface 62.
  • the management system 61 can set up a communication link 49 with the server 81 via the communication interface 62.
  • the management system 61 is drawn separately from the batteries 91-96, in other examples it would also be possible that the management system 61 is part of the batteries 91-96.
  • the batteries 91-96 comprise one or more battery blocks 63.
  • Each battery block 63 typically comprises a number of battery cells connected in parallel and / or in series. Electrical energy can be stored there.
  • the management system 61 can typically access one or more sensors in the one or more battery blocks 63.
  • the sensors can, for example, measure state variables of the respective battery, for example the current flow and / or the voltage in at least some of the battery cells.
  • the sensors can also measure other state variables in connection with at least some of the battery cells, for example temperature, volume, pressure, etc.
  • the management system 61 can then be set up to control an or to send several such measured values from sensors in the form of measured data 41 to the server 81.
  • the measurement values can be preprocessed to a lesser or greater extent by the management system 61 before they are sent in the form of the measurement data 41.
  • compression would be conceivable, for example in the form of a load spectrum.
  • Measured values could also be filtered, for example event-related.
  • FIG. 3 illustrates aspects relating to the server 81.
  • the server 81 comprises a processor 51 and a memory 52.
  • the memory 52 can comprise a volatile memory element and / or a non-volatile memory element.
  • the server 81 also comprises a communication interface 53.
  • the processor 51 can set up a communication link 49 with each of the batteries 91-96 and the database 82 via the communication interface 53.
  • program code can be stored in memory 52 and loaded by processor 51.
  • the processor 51 can then execute the program code.
  • Execution of the program code causes processor 51 to perform one or more of the following processes, as described in detail in connection with the various examples herein: characterization of batteries 91-96; Determining an aging value 99 for the batteries 91-96; Applying an upstream algorithm for determining one or more derived state variables, for example with one or more simulations, such as an electrical simulation or a thermal simulation of batteries 91-96; Training and / or applying an ML algorithm for determining the aging value and based on a result of an upstream algorithm; Sending control data to batteries 91-96, for example to set operating boundary conditions; Storing a result of a characterization or an aging value of a corresponding battery 91-96 in a database 82; Etc.
  • FIG. 4 is a flow diagram of an exemplary method.
  • the method is typically carried out by a server.
  • the procedure serves the server-side Characterization of a battery.
  • the method according to FIG. 4 is executed by the processor 51 of the server 81 based on program code from the memory 52 (cf. FIG. 3).
  • a learning phase for an ML algorithm is carried out in box 1011.
  • the ML algorithm is trained as part of the learning phase. This means that based on training data and a priori knowledge in connection with the training data, parameter values or weights are set for the ML algorithm. For example, back propagation techniques could be used in connection with an artificial neural network.
  • the training data could be obtained, for example, through laboratory measurements in which a battery is examined in the laboratory. For example, invasive investigation techniques could be used in which additional detectors and sensors are introduced into the battery that are not present in field devices of the respective battery.
  • the training data could also be obtained by measurements on field devices.
  • the training data could include reference data from an ensemble of reference batteries (see FIG. 1: Batteries 91-96). This reference data could include, for example, measured values for one or more state variables of these reference batteries.
  • the reference data can also include a priori knowledge of a respective associated aging value for the batteries. For example, a complete or almost complete discharge could occur for some reference batteries in the respective driving cycle, whereby this can then be used to determine the total capacity as an aging value.
  • Another possibility would be the use of a Kalman filter for state estimation, as described for example in Plett, Gregory L. "Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 2. Modeling and Identification.” Journal of power sources 134.2 (2004): 262-276.
  • the ML algorithm can then be trained in box 1011 based on such reference data.
  • the learning phase is repeated interleaved with an application phase - see box 1012 in which the trained ML algorithm is used to determine the aging value (this is shown in FIG. 4 by the dashed line).
  • the accuracy of the characterization can be continuously improved on the basis of measurements on field devices.
  • the reference data could have an expanded information content compared to the measurement data that are obtained during normal operation. This concerns, for example, the possibility of obtaining or deriving the a priori knowledge about the aging value from the reference data. For example, it would be conceivable that a complete discharge / charge process is monitored, i.e. corresponding current-voltage time series are recorded. The total charge that has flowed could then be indicative of the capacity of the battery and thus the aging value. A corresponding amount of data can be particularly large. Therefore it can sometimes be helpful to request the reference data selectively.
  • the method is requesting the reference data by means of a control command that is sent to management systems associated with the reference batteries. For example, it would be possible to initially store such data in an internal memory of the management systems and then, if necessary, transmit them to the server via a broadband connection, for example when a charging process is initiated in an environment with a broadband connection.
  • the application phase takes place in box 1012. Measurement data from a battery - for example one of the batteries 91-96 from FIG. 1 - received, which are indicative of one or more state variables.
  • the measurement data could indicate the one or more state variables as a load spectrum. This could result in a significant reduction in the data required, for example in comparison to the reference data from block 1011. This makes it possible to characterize the battery repeatedly while the battery is in operation, without an excessive amount of data to be transmitted. In some examples it would be possible in this context for the measurement data to be transferred incrementally (incremental update). This means that, for example, changes in the load spectrum are indicated as time progresses, each referenced to previously transmitted measurement data. In this way, the bandwidth can be further reduced. By temporarily storing the measurement data on the server, the full information content can still be reconstructed.
  • the application phase could be activated selectively, namely as a function of a degree of training of the ML algorithm.
  • the ML algorithm can be activated selectively depending on the level of training. In this way, especially in a scenario in which reference data is initially collected as training data for an ensemble of batteries in field operation, it could be avoided that comparatively inaccurate results are achieved by an inadequately trained ML algorithm (so-called cold start problem).
  • an alternative algorithm for example an empirically parameterized characterization algorithm, can be used to determine the aging value.
  • FIG. 5 is a flow diagram of an exemplary method.
  • the procedure is carried out by a server.
  • the method is used to characterize a battery on the server side.
  • the method according to FIG. 5 is executed by the processor 51 of the server 81 based on program code from the memory 52 (cf. FIG. 3).
  • the method according to FIG. 5, for example, in the context of box 1012 according to the method from FIG. 4 are executed. This means that the method from FIG. 5 indicates an application phase of an ML algorithm.
  • measurement data are received in box 1001 which are indicative of one or more state variables of a battery.
  • the one or more state variables can include, for example, the current flow in one or more cells of the battery; and / or comprise a voltage across one or more cells of the battery; and / or a temperature of one or more cells of the battery; and / or a depth of discharge of the battery; and / or a duration of pause phases during which no significant charge is withdrawn or injected; and / or a state of charge (SOC) of the battery.
  • SOC state of charge
  • One or more derived state variables are then determined in box 1002, one or more preceding algorithms being used for this purpose.
  • the one or more upstream algorithms could include, for example, analytical or numerical algorithm modules.
  • the one or more upstream algorithms could include a simulation of, for example, a temperature behavior or an electrical characteristic of the battery. It would be possible for an analytical algorithm to be parameterized by empirical measurements.
  • One or more derived state variables are then obtained as the result of box 1002.
  • an aging value of the battery - i.e. for example a value which is indicative of the capacity and / or the impedance - is then determined using one or more ML algorithms.
  • the one or more ML algorithms receive the one or more derived state variables from box 1002 as input values.
  • the respective battery can be controlled accordingly, which is set, for example, in the operating boundary conditions.
  • FIG. 6 illustrates aspects associated with a two-step approach to determining an aging value 99.
  • FIG. six is a data flow chart for a corresponding determination. For example, the data processing according to FIG. 6 in connection with the method from FIG. 5 are executed.
  • a first stage comprises the application of two upstream algorithms 311-312; and a second stage involves applying an ML algorithm 331.
  • the ML Algorithm 331 supplies the aging value 99 as a result. Therefore, the first stage with box 1002 from the method of FIG. 5 correlate and the second stage can with box 1003 from the method according to FIG. 5 correlate.
  • ML algorithms it would also be possible for several ML algorithms to be used in the context of the second stage, each of which makes a contribution to the final aging value 99 as a result.
  • the aging value 99 can then take place by combining the results of the various ML algorithms, with the various results correlating, for example, with different aging mechanisms.
  • measurement data 41 serve as input for the two-stage process. Measurement data can be obtained from one of the batteries 91-96 via the communication link 49, for example.
  • the measurement data 41 could be present as a load spectrum, for example.
  • An exemplary load spectrum 500 is shown in FIG. 7 shown.
  • the state variables depth of discharge 511 and state of charge 512 in load spectrum 500 are correlated with one another.
  • the corresponding values 509 indicate the - typically relatively defined - frequency of operation of the respective battery 91-96 for the respective state variables 511-512 (with a relatively defined frequency, the assumption is that the load profile of the battery and thus the collective load for a specific purpose the battery remains constant, ie shows no change over time).
  • a time resolution is not provided by the measurement data that are present in the form of the load spectrum 500.
  • Such techniques are based on the knowledge that the dynamics of the corresponding state variables 501, 502 - in contrast to the relative frequency of occurrence, for example in certain areas 501 of the load spectrum 500 with particularly severe aging - have a comparatively small influence on aging. It can therefore be sufficient for the measurement data not to indicate the state variables 511, 512 in a time-resolved manner, but rather in the form of a load spectrum 500.
  • the amount of data of the measurement data 41 is thereby compressed.
  • the measurement data 41 indicate the one or more state variables of the battery at least partially in an event-related manner.
  • FIG. 8 is a Event-related representation 700 of the state variable electrical current flow 513 is shown.
  • FIG. 8 shows that for certain events 711 (highlighted by the dashed frame) a corresponding parameter 725 of the events 711 could be transmitted to the server 81 in the form of the measurement data 41.
  • the event 711 is characterized by a collapse in the current flow 513 over a certain period of time 722, which follows a period of time 721 of a relatively constant current flow.
  • the break-in flow 725 could, for example, be transmitted to the server 81 in the form of the measurement data 41 and then be used within the framework of one of the preceding algorithms 311-312 to determine a corresponding derived state variable 321-322.
  • this is only an example and other implementations of event-related measurement data are conceivable.
  • measurement data 41 which are indicative of an anode potential of a cell of the battery, are fed to the upstream algorithm 311 and based thereon the derived state variable 321 is determined, which correlates with the degree of lithium deposition. It would be conceivable that such a part of the measurement data 41 is fed as an input variable to the further upstream algorithm 312, which corresponds to a differential voltage spectrum or a differential capacity spectrum of a discharge curve of a cell of the battery.
  • the derived state variable 322 which correlates with the loss of lithium ions or anode material, could then be determined on the basis of this.
  • the derived state variables 321-322 are then fed to the (single) ML algorithm 331 as input variables.
  • the derived state variables 321-322 are then fed to the (single) ML algorithm 331 as input variables.
  • the ML algorithms it would also be possible for several ML algorithms to be used, for example different ML algorithms depending on the derived state variable 321-322.
  • the state variables from the measurement data 41 are also fed to the one or more ML algorithms 331 as input variables.
  • a load spectrum is fed to the one or more ML algorithms 331 as input.
  • the load spectrum it can namely be possible to characterize the load profile of the battery in the measurement period. In this way, it is possible to predict the aging value for a future point in time. This is based on the knowledge that if the battery is more heavily loaded, aging will proceed faster than if the battery is less loaded.
  • a feedforward ANN that holds one or more load collectives as an input value and provides the aging value at a prediction time as an output value (assuming that the historical load profile also corresponds to the future load profile , ie the relative share of the operation under certain stress factors is constant over time).
  • Further state variables that can be derived directly from the measurement data through simple operations are: mean charging time, maximum temperature, minimum depth of discharge, etc ..
  • FIG. 9 illustrates aspects in connection with the measurement data 41.
  • a time series 810 of measurement data 41 is obtained.
  • the measurement data 41 of the Time series 810 have measurement times that are distributed over a measurement time interval 801.
  • the measurement time interval 801 extends from the actual point in time 802 into the past.
  • the measurement data 41 of the time series 810 could in each case indicate values for the current or the voltage or the temperature at the respective measurement time in the measurement time interval 801. A load spectrum could then be formed from this or certain events could be recognized.
  • the measurement data 41 of the time series 810 could each indicate a load spectrum at the respective measurement time in the measurement time interval 801, for example the respective load spectrum being determined on the basis of values that are observed between the respective measurement time and the previous measurement time. This means that the change in the load could be described by the multiple load collectives.
  • the measurement data 41 provide a corresponding time series 810. It would also be conceivable, for example, that the measurement data 41 each only indicate values for one or more state variables at the actual point in time 802.
  • the measurement data 41 could comprise a single load spectrum, which is determined on the basis of values that are observed over the entire measurement time interval 801 up to the current actual point in time.
  • FIG. 9 also illustrates aspects related to the prediction of the aging value 813.
  • the aging value 813 is predicted for a point in time 803 lying in the future.
  • example B and in example C it may be dispensable to use an ML algorithm that receives a time series of data as input.
  • a feedforward ANN could be used.
  • a recurrent ANN could be used.
  • the load profile of the battery is taken into account as a collective load.
  • the load spectrum can describe, for example, how often the battery is discharged / charged with a certain depth of discharge and / or discharge speed (e.g. in a critical temperature range), how high the charging rate is, how quickly the battery is discharged, what operating temperature during charging or discharging the battery is present, etc.
  • Such stress factors as a load profile can then be used to infer how the one or more derived state variables of the battery will behave in the future.
  • the preceding algorithm can be used for this in example C.
  • example D it would be possible, for example, for a time series of directly observed state variables - for example current flow, voltage, temperature - to be obtained in the measurement time interval in the form of measurement data 41.
  • One or more derived state variables that correlate with one or more aging mechanisms of the battery can then be determined by means of the upstream algorithm.
  • a collective load can also be determined which quantifies the stress factors of the battery as a load profile.
  • Such derived state variables can then be used as input values of the ML algorithm.
  • the ML algorithm can in particular be designed as a feedfoward ANN. A time series does not have to be taken into account.
  • a prediction of the aging value can be achieved by suitably training the ML algorithm, namely taking into account the - for example, relatively defined - load collectives.
  • the load spectrum can be used to characterize the load on the battery so that stronger or weaker aging can be predicted in the future.
  • a further load spectrum for one or more derived state variables can be determined from a load spectrum for one or more state variables.
  • state variables can also be used as input into the ML algorithm, that is to say the input into the ML algorithm is not limited to the output of the preceding algorithm.
  • the input into the ML algorithm is not limited to the output of the preceding algorithm.
  • Statistics of the state variable measurement time interval can therefore describe an evaluation of the behavior of the state variable - for example current or voltage or temperature, etc. - in the measurement time interval.
  • the statistics could describe one or more of the following statistical variables: maximum of the state variable, for example maximum temperature in the measurement time interval; Minimum of the state variable, for example the minimum temperature in the measurement time interval; Mean value of the state variable, for example mean temperature in the measurement time interval; Scatter of the state variable, i.e. variance of the temperature in the measurement time interval; etc.
  • the statistic could be the state quantity based on the time series the state variable can be determined or can be obtained directly from a corresponding control unit of the respective battery.

Abstract

Verschiedene Beispiele betreffen Techniken, um in einem zweistufigen Prozess eine Charakterisierung einer wiederaufladbaren Batterie vorzunehmen. Dazu wird ein vorgelagerte Algorithmus verwendet, um ein oder mehrere abgeleitete Zustandsgrößen der Batterie zu bestimmen. Diese dienen dann als Eingangsgrößen für einen Maschinen-gelernten Algorithmus. Daraus wird ein Alterungswert der Batterie erhalten.

Description

Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten
Algorithmen
TECHNISCHES GEBIET
Verschiedene Beispiele der Erfindung betreffen im Allgemeinen Techniken zur Charakterisierung von wiederaufladbaren Batterien. Insbesondere betreffen verschiedene Beispiele der Erfindungstechniken, um einen Alterungswert der wiederaufladbaren Batterie unter Verwendung von mindestens einem Maschinen gelernten (ML) Algorithmus zu bestimmen.
HINTERGRUND
Wiederaufladbare Batterien, beispielsweise Traktions-Batterien von Elektrofahrzeugen, weisen eine begrenzte Lebensdauer auf. Dies bedeutet, dass ein Alterungswert über der Zeit und/oder als Funktion der Entladungszyklen zunehmen kann. Der Alterungswert kann durch einen sogenannten Gesundheitszustand (SOH) charakterisiert sein. Der SOH ist typischerweise im Zusammenhang mit der Kapazität und/oder der Impedanz von Batteriezellen der Batterie bestimmt.
Bei fortschreitender Alterung der Batterie kann es zu Einschränkungen im Zusammenhang mit dem Betrieb eines entsprechenden Batterie-getriebenen Geräts als Last der wiederaufladbaren Batterie kommen. Deshalb gibt es Bestrebungen, den Alterungswert der Batterie besonders genau zu bestimmen.
Es sind zum Beispiel Techniken bekannt, um mittels einer vollständigen Entladung die Gesamtkapazität der Batterie als Alterungswert zu bestimmen. Eine weitere Technik misst beispielsweise die Platten-Korrosion oder die Elektrolyt-Dichte der Batterie. Noch eine weitere Technik bringt Meßfühler in die Batterie ein, um beispielsweise den Zellwiderstand zu messen. Relative Techniken führen eine teilweise Entladung durch und vergleichen das Ergebnis mit einem Zellmodell oder einer Referenzzelle. Dazu kann zum Beispiel ein Kalman-Filter eingesetzt werden. Sh. etwa Plett, Gregory L. "Extended Kalman filtering for battery management Systems of LiPB-based HEV battery packs: Part 2. Modeling and Identification." Journal of power sources 134.2 (2004): 262-276.
Eine Technik zur Bestimmung des Alterungswerts verwendet einen ML Algorithmus, um basierend auf Messdaten etwa für die elektrische Spannung, die als Eingangsgrößen für den ML Algorithmus dienen, den Alterungswert zu bestimmen. Es wurde beobachtet, dass solche Techniken manchmal ungenaue Ergebnisse für den Alterungswert liefern.
KURZE BESCHREIBUNG DER ERFINDUNG
Deshalb besteht ein Bedarf für verbesserte Techniken, um einen Alterungswert für eine wiederaufladbare Batterie zu bestimmen, insbesondere unter Verwendung von mindestens einem ML Algorithmus. Insbesondere besteht ein Bedarf für Techniken, die es ermöglichen, den Alterungswert besonders genau und zuverlässig für unterschiedlichste Batterietypen zu bestimmen.
Diese Aufgabe wird von den Merkmalen der unabhängigen Patentansprüche gelöst. Die Merkmale der abhängigen Patentansprüche definieren Ausführungsformen.
Ein Computer-implementiertes Verfahren zum Bestimmen eines Alterungswerts einer wiederaufladbaren Batterie umfasst das Erhalten von Messdaten für ein oder mehrere Zustandsgrößen der Batterie. Das Verfahren umfasst das Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen der Batterie unter Verwendung eines vorgelagerten Algorithmus. Dabei umfassen Eingangswerte des vorgelagerten Algorithmus die ein oder mehreren Zustandsgrößen. Außerdem umfasst das Verfahren das Bestimmen des Alterungswerts unter Verwendung von mindestens einem ML Algorithmus. Dabei umfassen Eingangswerte des mindestens einen ML Algorithmus die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie.
Ein Computerprogramm oder ein Computerprogrammprodukt oder ein computerlesbares Speichermedium umfasst Programmcode. Der Programmcode kann von einem Prozessor geladen und ausgeführt werden. Wenn der Programmcode von dem Prozessor ausgeführt wird, bewirkt dies, dass der Prozessor ein Verfahren zum Bestimmen eines Alterungswerts einer wiederaufladbaren Batterie ausführt. Das Verfahren umfasst das Erhalten von Messdaten für ein oder mehrere Zustandsgrößen der Batterie; sowie das Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen der Batterie unter Verwendung eines vorgelagerten Algorithmus. Dabei umfassen Eingangswerte des Algorithmus die ein oder mehreren Zustandsgrößen. Das Verfahren umfasst ferner das Bestimmen des Alterungswerts unter Verwendung von mindestens einem ML Algorithmus. Dabei umfassen Eingangswerte des mindestens einen ML Algorithmus die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie.
Ein Gerät umfasst einen Prozessor, der eingerichtet ist, um Programmcodes zu laden und auszuführen. Wenn der Prozessor den Programmcode ausführt, bewirkt dies, dass der Prozessor ein Verfahren zum Bestimmen eines Alterungswerts einer wiederaufladbaren Batterie ausführt. Dieses Verfahren umfasst das Erhalten von Messdaten für ein oder mehrere Zustandsgrößen der Batterie; das Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen der Batterie unter Verwendung eines vorgelagerten Algorithmus. Die Eingangswerte des vorgelagerten Algorithmus umfassen dabei die ein oder mehreren Zustandsgrößen. Das Verfahren umfasst ferner das Bestimmen des Alterungswerts unter Verwendung von mindestens einem ML Algorithmus. Die Eingangswerte des mindestens einen ML Algorithmus umfassen dabei die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie.
Die oben dargelegten Merkmale, sowie Merkmale, die nachfolgend beschrieben werden, können nicht nur in den entsprechenden explizit dargelegten Kombinationen verwendet werden, sondern auch in weiteren Kombinationen oder isoliert, ohne den Schutzumfang der vorliegenden Erfindung zu verlassen.
KURZE BESCHREIBUNG DER FIGUREN
FIG. 1 illustriert schematisch ein System, umfassend mehrere Batterien und einen Server gemäß verschiedenen Beispielen.
FIG. 2 illustriert Details einer Batterie gemäß verschiedenen Beispielen. FIG. 3 illustriert Details eines Servers gemäß verschiedenen Beispielen.
FIG. 4 ist ein Flussdiagramm eines beispielhaften Verfahrens.
FIG. 5 ist ein Flussdiagramm eines beispielhaften Verfahrens.
FIG. 6 illustriert den Datenfluss zum Bestimmen eines Alterungswerts mittels mehrerer Algorithmen gemäß verschiedenen Beispielen.
FIG. 7 illustriert schematisch Messdaten, die Zustandsgrößen einer Batterie in Form eines Lastkollektivs indizieren, gemäß verschiedenen Beispielen.
FIG. 8 illustriert schematisch Messdaten, die eine Zustandsgröße der Batterie in Form einer Ereignis-bezogenen Darstellung indizieren, gemäß verschiedenen Beispielen.
FIG. 9 illustriert schematisch eine Zeitreihe von Messdaten gemäß verschiedenen Beispielen.
DETAILLIERTE BESCHREIBUNG VON AUSFÜHRUNGSFORMEN
Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung der Ausführungsbeispiele, die im Zusammenhang mit den Zeichnungen näher erläutert werden.
Nachfolgend wird die vorliegende Erfindung anhand bevorzugter Ausführungsformen unter Bezugnahme auf die Zeichnungen näher erläutert. In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder ähnliche Elemente. Die Figuren sind schematische Repräsentationen verschiedener Ausführungsformen der Erfindung. In den Figuren dargestellte Elemente sind nicht notwendigerweise maßstabsgetreu dargestellt. Vielmehr sind die verschiedenen in den Figuren dargestellten Elemente derart wiedergegeben, dass ihre Funktion und genereller Zweck dem Fachmann verständlich wird. In den Figuren dargestellte Verbindungen und Kopplungen zwischen funktionellen Einheiten und Elementen können auch als indirekte Verbindung oder Kopplung implementiert werden. Eine Verbindung oder Kopplung kann drahtgebunden oder drahtlos implementiert sein. Funktionale Einheiten können als Hardware, Software oder eine Kombination aus Hardware und Software implementiert werden.
Nachfolgend werden Techniken im Zusammenhang mit der Charakterisierung von wiederaufladbaren Batterien beschrieben. Die hierin beschriebenen Techniken können im Zusammenhang mit unterschiedlichsten Typen von Batterien eingesetzt werden, beispielsweise im Zusammenhang mit Batterien auf Lithium-Ionen-Basis, wie z.B. Lithium-Nickel-Mangan-Kobaltoxid-Batterien oder Lithium-Manganoxid-Batterien.
Die hierin beschriebenen Batterien können für Batterien in unterschiedlichen Anwendungsszenarien eingesetzt werden, beispielsweise für Batterien die in Geräten wie Kraftfahrzeugen oder Drohnen oder tragbaren elektronischen Geräten wie etwa Mobilfunkgeräte eingesetzt werden. Es wäre auch denkbar, die hierin beschriebenen Batterien in Form von stationären Energiespeichern einzusetzen. Innenraum- oder Außenraumanwendungen sind denkbar, die sich vor allem hinsichtlich der Temperaturbereiche unterscheiden. Anwendungsszenarien umfassen: stationärer Energiespeicher in einem Mikrostromnetz; Energiespeicher für mobile Anwendungen; Niederlastenergiespeicher; Energiespeicher für Leichtelektrofahrzeuge wie z.B. Fahrräder oder Roller; Energiespeicher für Elektropersonenkraftwagen; Innenraumanwendung; und Außenraumanwendung.
Die hierin beschriebenen Techniken ermöglichen es, im Zusammenhang mit der Charakterisierung der Batterie einen Alterungswert der Batterie zu ermitteln. Der Alterungswert korreliert mit der Alterung der wiederaufladbaren Batterie. Der Alterungswert kann die Qualität der Batterie beschreiben (und könnte deshalb auch als Q-Wert bezeichnet werden). Der Alterungswert kann z.B. größere Werte annehmen, je weiter die Alterung der Batterie fortgeschritten ist. Der Alterungswert kann mit dem SOH korrelieren oder diesem entsprechen. Der Alterungswert kann zum Beispiel eine Zunahme des Widerstands bzw. der Impedanz der Batterie quantifizieren. Der Alterungswert kann zum Beispiel die Abnahme der Gesamtkapazität der Batterie quantifizieren. Gemäß verschiedenen hierin beschriebenen Beispielen ist es möglich, dass der Alterungswert unter Verwendung von mindestens einem ML Algorithmus bestimmt wird. Ein ML Algorithmus ist dadurch charakterisiert, dass in einer Lernphase Parameterwerte von Parametern des ML Algorithmus mittels eines geeigneten Trainings gesetzt werden. Das Training erfolgt automatisiert und basiert dabei auf Trainingsdaten. Im vorliegenden Beispiel können die Trainingsdaten Referenz- Zustandsgrößen der Batterie umfassen, sowie a-priori-Wissen (engl ground truth) über den jeweils zugehörigen Alterungswert. Dann können im Rahmen des Trainings die Parameterwerte des ML Algorithmus so angepasst werden, dass, ausgehend von den Referenz-Zustandsgrößen der Trainingsdaten, der ML Algorithmus einen Alterungswert bestimmt, der besonders gut mit dem zugehörigen Referenz- Alterungswert übereinstimmt. Dies bedeutet also, dass mittels des ML Algorithmus eine Dimensionalitätsreduktion vorgenommen werden kann, die die ein oder mehreren Zustandsgrößen auf einen entsprechenden Alterungswert abbildet. Beispiele für ML Algorithmen umfassen zum Beispiel: künstliche neuronale Netze (KNNs); genetische Algorithmen; Supportvektormaschinen; etc.
KNNs können z.B. als mehrschichtiges Feedforward Netzwerk ausgebildet sein, bei denen die Neuronen der verschiedenen Schichten keine Schleifen ausbilden. Ein Beispiel eines solchen mehrschichtigen feedforward KNNs ist ein Convolutional Neural Network, bei dem in zumindest einigen Schichten Faltungen der Werte der Neuronen mit einem Kernel durchgeführt werden. Auch Pooling-Schichten oder Nichtlineare Schichten können vorgesehen sein. Es wäre aber auch möglich, rekurrente KNNs zu verwenden, etwa um eine Zeitreihe zu berücksichtigen.
Verschiedene Beispiele der hierin beschriebenen Techniken beruhen auf der Erkenntnis, dass Referenztechniken zur Bestimmung des Alterungswerts der Batterie mittels eines ML Algorithmus bestimmte Einschränkungen aufweisen können. So wurde zum Beispiel beobachtet, dass oftmals eine sehr große Anzahl an Messdaten für ein oder mehrere Zustandsgrößen der Batterie als Eingangsgrößen für den ML Algorithmus benötigt wird, um eine hinreichende Genauigkeit zu erzielen. Beispielsweise können ansonsten Unterschiede von Batterie zu Batterie - auch für Batterien des nominell selben Typs, zum Beispiel aufgrund von baulich bedingten Variationen - dazu führen, dass der Alterungswert nur mit einer gewissen Ungenauigkeit bestimmt werden kann. Eine weitere Einschränkung bekannter Techniken betrifft die Lernphase. Hier kann es oftmals erforderlich sein, eine große Anzahl von Trainingsdaten zu verwenden, um eine ausreichende Genauigkeit beim Bestimmen des Alterungswert zu erhalten.
Um solche und andere Einschränkungen der Referenztechniken zu beheben, kann es gemäß verschiedenen Beispielen möglich sein, einen zweistufigen Ansatz im Zusammenhang mit der Bestimmung des Alterungswert zu verwenden. In einer ersten Stufe werden ein oder mehrere abgeleitete Zustandsgrößen der Batterie bestimmt; die ein oder mehreren abgeleiteten Zustandsgrößen werden dabei basierend auf Messdaten für ein oder mehrere Zustandsgrößen der Batterie bestimmt. Diese Bestimmung der ein oder mehreren abgeleiteten Zustandsgrößen kann unter Verwendung eines vorgelagerten Algorithmus, dessen Eingangswerte die ein oder mehreren Zustandsgrößen umfassen, erfolgen. In einer zweiten Stufe erfolgt dann das Bestimmen des Alterungswerts unter Verwendung von mindestens einem ML Algorithmus. Dabei beinhalten die Eingangswerte des mindestens einen ML Algorithmus die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie.
Die Messdaten können durch ein oder mehrere Sensoren erfasst werden. Beispielsweise könnten Strom-Messsensoren, Spannungs-Messsensoren, Temperatursensoren, Drucksensoren, Verspannungssensoren,
Feuchtigkeitssensoren, etc. verwendet werden. Die Messdaten können von einem Managementsystem der Batterie erhalten werden. Die Messdaten können zeitaufgelöst die ein oder mehreren Zustände quantifizieren. Alternativ oder zusätzlich wäre es denkbar, dass die Messdaten als sogenanntes Lastkollektiv bereitgestellt werden: dabei wird die Häufigkeit des Auftretens von Werten der Zustandsgröße quantifiziert, zum Beispiel für zwei oder mehr Zustandsgrößen relativ zueinander oder auch in Bezug auf eine absolute Referenz (z.B. eine Zeitreferenz oder eine Lade/Entlade-Zyklusreferenz). Das bedeutet, dass die als Lastkollektiv bereitgestellten Messdaten zum Beispiel den Bruchteil der Betriebszeit oder der Betriebszyklen indizieren könnte, in denen bestimmte Wertekombinationen für mehrere Zustandsgrößen im Betrieb auftreten. Das Lastkollektiv kann insbesondere Stressfaktoren indizieren, d.h. solche Zustandsgrößen, die besonders relevant sind für die Alterung. Das Lastkollektiv kann also ein Belastungsprofil der Batterie beschreiben. Schließlich wäre es - alternativ oder zusätzlich zu einer Implementierung der Messdaten als zeitaufgelöste Wertereihe und/oder als Lastkollektiv - denkbar, dass die Messdaten die ein oder mehreren Zustandsgrößen Ereignis-bezogen indizieren. Dies bedeutet, dass die Messdaten die ein oder mehreren Zustandsgrößen in Abhängigkeit von ein oder mehreren vorgegebenen Ereigniskriterien indizieren könnten. Nimmt beispielsweise mindestens eine der ein oder mehreren Zustandsgrößen einen vorgegebenen Wert oder Wertebereich an, dann könnte das Kriterium für das Vorliegen eines Ereignisses erfüllt sein. In diesem Fall könnten die Messdaten für einen bestimmten Zeitausschnitt die entsprechende mindestens eine Zustandsgröße oder auch ein oder mehrere weitere Zustandsgrößen zeitaufgelöst indizieren, rund um das Ereignis herum. Es wäre aber auch möglich, dass die Messdaten lediglich das Vorliegen eines entsprechenden Ereignisses, beispielsweise Versehen mit einem entsprechenden Zeitstempel, indizieren (ohne weitere Details zu den Zustandsgrößen aufzulösen).
Es wäre möglich, dass die Messdaten für ein Messzeitintervall erhalten werden. Das Messzeitintervall kann sich vom gegenwärtigen Zeitpunkt in die Vergangenheit erstrecken, zum Beispiel für eine bestimmte vorgegebene Messzeitdauer. Das Messzeitintervall könnte zum Beispiel mittels eines Schiebefensterverfahrens bestimmt werden, das heißt mit fortschreitender Zeit laufend aktualisiert werden und nachgeführt werden. Dadurch können jeweils aktuelle Messdaten erhalten werden, die den gegenwärtigen Zustand der Batterie gut beschreiben. Insbesondere kann eine Charakterisierung der Batterien im laufenden Feldbetrieb möglich sein, zum Beispiel in dem die Messdaten über eine Kommunikationsverbindung von einem Managementsystem der Batterie empfangen werden.
In verschiedenen Beispielen wäre es möglich, dass die Messdaten eine Zeitreihe für die mindestens eine Zustandsgröße umfassen. Die Zeitreihe kann beispielsweise das Messzeitintervall abdecken. Beispielsweise wäre es möglich, dass die Messdaten die zeitliche Entwicklung von Werten der mindestens einen Zustandsgröße beschreiben. Beispielsweise könnte die zeitliche Entwicklung von Strom-, Spannung- oder Temperaturwerten mit einer gewissen Abtastrate erhalten werden. Es wäre aber auch möglich, dass die zeitliche Abhängigkeit von Lastkollektiven im Rahmen der Messdaten indiziert wird. Das bedeutet, dass zum Beispiel eine Zeitreihe von Lastkollektiven für unterschiedliche Zeitpunkte erhalten wird. Derart kann eine Veränderung der Häufigkeit des Auftretens von Werten der Zustandsgrößen beschrieben werden. Auch im Zusammenhang mit Ereignis-bezogenen Messdaten kann eine Zeitreihe bereitgestellt werden. Beispielsweise könnte die Häufigkeit von bestimmten Ereignissen zeitaufgelöst indiziert werden, d. h. es könnte angegeben werden, wie oft in einem bestimmten Zeitintervall ein bestimmtes Ereignis aufgetreten ist.
Es wäre denkbar, dass die ein oder mehreren Zustandsgrößen ausgewählt sind aus folgender Gruppe: elektrischer Stromfluss; elektrische Spannung; Temperatur; Feuchtigkeit; Umgebungsdruck; Verspannung; usw. Die ein oder mehreren Zustandsgrößen können auch als direkt beobachtbare Zustandsgrößen der Batterie bezeichnet werden, weil diese durch die Messdaten indiziert werden können, d.h. von z.B. Sensoren gemessen werden können.
Wie obenstehend beschrieben, ist es dann möglich, unter Verwendung eines vorgelagerten Algorithmus ein oder mehrere abgeleitete Zustandsgrößen der Batterie zu bestimmen. Dies bedeutet, dass die ein oder mehreren abgeleiteten Zustandsgrößen auch als versteckte Observablen bezeichnet werden können, weil diese nicht direkt durch entsprechende Sensoren gemessen werden können. Der vorgelagerte Algorithmus kann als Abbildung implementiert sein, die die ein oder mehreren Zustandsgrößen auf die ein oder mehreren abgeleiteten Zustandsgrößen abbildet.
Wenn die Messdaten eine Zeitreihe der mindestens einen Zustandsgröße umfassen, dann ist es auch möglich, dass eine Zeitreihe der ein oder mehreren abgeleiteten Zustandsgrößen unter Verwendung des vorgelagerten Algorithmus bestimmt wird. Beispielsweise könnte der vorgelagerte Algorithmus wiederholt ausgeführt werden, nämlich für jeden Zeitpunkt der Zeitreihe einmal. Derart wird eine Zeitreihe von abgeleiteten Zustandsgrößen erhalten. Es wären aber auch vorgelagerte Algorithmen denkbar, die als Eingangsgröße direkt die Zeitreihe einer oder mehrere Zustandsgrößen empfangen und daraus eine einzelne abgeleitete Zustandsgröße, etwa zum Ist-Zeitpunkt, bestimmen. Es wäre auch möglich, dass der vorgelagerte Algorithmus eine Vorhersage für die ein oder mehreren abgeleiteten Zustandsgrößen bereitstellt. Zum Beispiel wäre es denkbar, dass die ein oder mehreren Zustandsgrößen für ein oder mehrere Zeitpunkte im Messzeitintervall erhalten werden. Dann könnte mittels des vorgelagerten Algorithmus eine Vorhersage gemacht werden, beispielsweise unter Berücksichtigung eines historischen Betriebsprofils der Batterie. Diese Vorhersage für die ein oder mehreren abgeleiteten Zustandsgrößen könnte dann dem ML Algorithmus als Eingabe übergeben werden, sodass dieser auch eine Vorhersage für den Alterungswert (auf Grundlage der Vorhersage für die ein oder mehreren abgeleiteten Zustandsgrößen) bestimmt.
Als allgemeine Regel können unterschiedliche vorgelagerte Algorithmen im Zusammenhang mit den hierin beschriebenen Techniken eingesetzt werden. (/) Zum Beispiel könnte ein analytischer Algorithmus verwendet werden, der eine feste Abbildung umsetzt. Der analytische Algorithmus könnte Parameterwerte aufweisen, die zum Beispiel empirisch bestimmt werden, zum Beispiel anhand von Labormessungen. (//) Es könnte auch ein numerischer Algorithmus verwendet werden, zum Beispiel im Zusammenhang mit einer Simulation des elektrischen und/oder thermischen Zustands der Batterie. Beispielsweise könnte eine finite Elemente Methodik eingesetzt werden. (///) Der vorgelagerte Algorithmus kann insbesondere in manchen Beispielen kein ML einsetzen und sich dadurch vom nachgelagerten mindestens einen ML Algorithmus abgrenzen. Im Gegensatz zu dem ML Algorithmus kann eine Lernphase für den vorgelagerten Algorithmus entfallen, d.h. dass insbesondere kein Maschinen-implementiertes automatisches Training auf Grundlage von Trainingsdaten für den vorgelagerten Algorithmus vorgesehen ist. Ein händisches Parametrieren des Algorithmus ist möglich. (/V) Es könnte z.B. ein Kalmanfilter verwendet werden, um den vorgelagerten Algorithmus zu implementieren. Der Kalmanfilter kann ein Zellmodell von Batteriezellen umfassen. Das Zellmodell kann eine Abhängigkeit von den ein oder mehreren abgeleiteten Zustandsgrößen aufweisen. Es ist dann möglich, die ein oder mehreren abgeleiteten Zustandsgrößen mittels des Kalmanfilters zu bestimmen, indem die Werte der ein oder mehreren abgeleiteten Zustandsgrößen des Kalmanfilter-Modells solange angepasst werden, bist der Wert der modellierten Zustandsgröße gut übereinstimmt mit dem Wert der beobachteten Zustandsgröße. ( v ) Der vorgelagerte Algorithmus könnte auch eine Simulation verwenden. Dabei könnte zum Beispiel ein Belastungsprofil der Batterie verwendet werden, um die Entwicklung der ein oder mehreren abgeleiteten Zustandsgrößen in der Zukunft abzuschätzen - d. h. unter der Annahme, dass das beobachtete Belastungsprofil in der Vergangenheit auch in der Zukunft für diese Batterie vorliegt. Das Belastungsprofil könnte zum Beispiel im Allgemeinen Größen beschreiben wie: Entladerate; Entladetiefe; usw. Das Belastungsprofil kann erhalten werden aus den ein oder mehreren Zustandsgrößen oder das Belastungsprofil kann direkt in Form der Messdaten erhalten werden, etwa als Lastkollektiv.
Im Allgemeinen wäre es möglich, dass mehr als ein einzelner vorgelagerter Algorithmus verwendet wird, etwa eine Kombination aus den o.g. Beispielen. Dadurch wäre es denkbar, mehr als eine abgeleitete Zustandsgröße zu bestimmen. Verschiedene vorgelagerte Algorithmen können dabei zumindest teilweise auf Messdaten zurückgreifen, die unterschiedliche Zustandsgrößen der Batterie betreffen.
In verschiedenen Beispielen ist es denkbar, dass jeweils mindestens eine abgeleitete Zustandsgröße der ein oder mehreren abgeleiteten Zustandsgrößen eine Korrelation mit einem jeweiligen Alterungsmechanismus der Batterie aufweist. Insbesondere wäre es möglich, dass eine zeitliche Entwicklung einer oder mehrerer der mindestens einen abgeleiteten Zustandsgröße eine Korrelation mit einem jeweiligen Alterungsmechanismus oder einer zeitlichen Entwicklung des jeweiligen Alterungsmechanismus der Batterie aufweist.
Als allgemeine Regel können wiederaufladbare Batterien einer Vielzahl von Alterungsmechanismen ausgesetzt sein. Alterungsmechanismen können durch physikalische und/oder chemische Prozesse bewirkt werden. Alterungsmechanismen können zum Beispiel für den Verlust eines aktiven negativen Elektrodenmaterials, den Verlust eines aktiven positiven Elektrodenmaterials oder für den Verlust von zwischen positiver und negativer Elektrode ausgetauschten Ionen (d.h. im Fall von Lithiumionenbatterien dem Verlust von Lithium) verantwortlich sein. Verschiedene Alterungsmechanismen sind zum Beispiel beschrieben in Birkl, Christoph R., et al. „Degradation diagnostics for lithium ion cells.“ Journal of Power Sources 341 (2017): 373-386: FIG. 3, zweite Spalte von links. Weil die ein oder mehreren abgeleiteten Zustandsgrößen mit den Alterungsmechanismen korrelieren, kann es möglich sein, dass der mindestens eine ML Algorithmus ein oder mehrere Alterungsmechanismen quantifiziert. Wenn der ML Algorithmus mehrere Alterungsmechanismen quantifiziert, kann der Alterungswert basierend auf einer Kombination von Werten für die mehreren Alterungsmechanismen, die als Ausgabewert vom mindestens einen ML Algorithmus erhalten werden, bestimmt werden.
Solche ein oder mehreren Alterungsmechanismen können im Allgemeinen ausgewählt sein aus folgender Gruppe: Lithiumablagerung an Elektroden von Zellen der Batterie; Ausbildung und Wachstum einer Festkörper-Elektrolyt-Zwischenphase (engl solid electrolyte interphase) oder elektronischer Kontaktverlust etwa durch Partikelbruch. Für Lithium-Ionenbatterien ist die Ablagerung von Lithium und die Ausbildung von entsprechenden Dendriten ein wesentlicher Alterungsmechanismus.
Mittels der hierin beschriebenen Techniken ist es insbesondere möglich, mehrere solche Alterungsmechanismen bei der Charakterisierung der Batterie zu berücksichtigen und dadurch einen besonders genauen Alterungswert zu bestimmen.
In manchen Beispielen kann eine zeitliche Entwicklung solcher Alterungsmechanismen berücksichtigt werden. Derart kann zum Beispiel eine Vorhersage für den Alterungswert der Batterie getroffen werden, die die zeitliche Entwicklung der ein oder mehreren Alterungsmechanismen berücksichtigt.
Beispielsweise kann ein ML Algorithmus verwendet werden, der eine zeitliche Vorhersage auf Grundlage der zeitlichen Entwicklung der ein oder mehreren abgeleiteten Zustandsgrößen treffen kann. Das bedeutet, dass der ML Algorithmus eine entsprechende Zeitreihe von Werten der ein oder mehreren abgeleiteten Zustandsgrößen als Eingabe empfangen kann. Beispiele umfassen ein rekurrentes künstliches neuronales Netz, etwa ein Long short-term memory (LSTM) Netzwerk.
Dabei wäre es in manchen Beispielen denkbar, dass mehrere ML Algorithmen verwendet werden. Diese können dann unterschiedlichen Alterungsmechanismen zugeordnet sein. Das bedeutet, dass verschiedene ML Algorithmen Werte ausgeben, die verschiedene Alterungsmechanismen quantifizieren. Entsprechend ist es möglich, dass die verschiedenen ML Algorithmen unterschiedliche abgeleitete Zustandsgrößen als Eingangsgröße erhalten. Die mehreren ML Algorithmen können also parallelgeschaltet sein. Eine solche Technik kann den Vorteil aufweisen, dass die Komplexität und der Umfang jedes einzelnen ML Algorithmus begrenzt sein kann, insbesondere im Vergleich zu einem Szenario, bei welchem ein einzelner ML Algorithmus eine Vielzahl von Alterungsmechanismen quantifiziert. Dadurch kann es möglich sein, jeden einzelnen ML Algorithmus besonders genau zu trainieren und damit insgesamt den Alterungswert der Batterie besonders genau zu bestimmen.
Außerdem kann es möglich sein, für die Quantifizierung unterschiedlicher Alterungsmechanismen unterschiedliche Typen von ML Algorithmen einzusetzen. Zum Beispiel könnte ein support vector machine (SVM) zur Quantifizierung eines ersten Alterungsmechanismus verwendet werden und ein künstliches neuronales Netzwerk für die Quantifizierung eines zweiten Alterungsmechanismus verwendet werden. Solchen Techniken liegt die Erkenntnis zugrunde, dass oftmals - beispielsweise in Abhängigkeit von der Art der Eingangsgröße - unterschiedliche ML Algorithmen besonders effizient und genau arbeiten können.
Als Nächstes werden einige konkrete Beispiele im Zusammenhang mit den ein oder mehreren abgeleiteten Zustandsgrößen beschrieben, die als Eingangswerte für den ML-Algorithmus verwendet werden können.
Beispielsweise wäre es möglich, dass die ein oder mehreren abgeleiteten Zustandsgrößen ein Anodenpotenzial mindestens einer Zelle der Batterie und/oder ein Kathodenpotenzial der mindestens einen Zelle der Batterie und/oder ein Verhältnis des Anodenpotenzials und des Kathodenpotenzials zueinander beinhalten.
Beispielsweise ist das Anodenpotenzial indikativ für den Alterungsmechanismus der Lithiumablagerung (engl. Lithium-Plating). Hierbei könnte der vorgelagerte Algorithmus zum Beispiel durch eine Simulation gemäß Ecker, Madeleine. Lithium Plating in Lithium-Ion Batteries: An Experimental and Simulation Approach. Shaker Verlag, 2016, Kapitel 5.2 implementiert werden. Das Anodenpotenzial für Lithium- lonen-Batterien korreliert mit der Lithium-Ablagerung. Die Lithium-Ablagerung bewirkt typischerweise eine plötzliche bzw. nichtlineare Alterung, d.h. ein Abknicken der Kapazität der Batterie als Funktion der Ladungszyklen bzw. der Betriebsdauer. Oftmals kann eine solche nichtlineare Alterung nicht oder nur begrenzt durch einen ML Algorithmus erfasst werden, der lediglich die direkt beobachtbaren Zustandsgrößen als Eingangswerte erhält. Typischerweise müsste nämlich in einem solchen Fall eine große Anzahl von Trainingsdaten berücksichtigt werden. Deshalb kann durch die beschriebenen Techniken der Alterungswert besonders genau bestimmt werden.
Das Verhältnis des Anodenpotenzials und des Kathodenpotenzials zueinander wird auch als Elektroden-Balancing bezeichnet. Es wurde festgestellt, dass dieses Verhältnis indikativ für die Alterung der Batterie ist. Nimmt beispielsweise der Anodenüberhang aufgrund von Alterung ab, so verschiebt sich die Potentiallage der Elektroden. Daraus ergibt sich ein anderes Elektroden-Balancing.
In einem weiteren Beispiel können die ein oder mehreren abgeleiteten Zustandsgrößen ein differenzielles Spannungsspektrum und/oder ein differenzielles Kapazitätsspektrum einer Entladungskurve - beispielsweise bei kleinen Stromflüssen - mindestens eine Zelle der Batterie umfassen. Eine solche Technik wird oftmals auch als differentielle Spannungsanalyse (engl differential voltage analysis, DVA) bezeichnet.
Die DVA entspricht einer Analyse der Spannungskennlinie einer Batteriezelle bei einer Entladung mit konstantem Stromfluss. Alternativ oder zusätzlich könnte aber auch die Aufladung mit konstantem Ladestromfluss betrachtet werden. Zum Beispiel könnte die Änderung der Spannung für veränderliche Ladungszustände als Funktion des Ladezustands aufgetragen werden. Es könnte auch die Veränderung des Ladungszustands für veränderliche Spannungen über dem Ladungszustand aufgetragen werden. Siehe zum Beispiel Keil, Peter. Aging of lithium-ion batteries in electric vehicles. Diss. Technische Universität München, 2017: FIG. 16. Anhand einer DVA ist es möglich, den Verlust von Kathodenmaterial - beispielsweise von Lithium - und den Verlust von Anodenmaterial als ein oder mehrere abgeleitete Zustandsgrößen und somit als Eingangswerte für den mindestens einen ML Algorithmus zu bestimmen (engl loss of Li inventory, LLI; sowie loss of anode material, LAM). Beispielsweise wäre es möglich, im Rahmen der DVA die Lage und/oder die Höhe von lokalen Maxima der jeweiligen charakteristischen Kurve, wie voranstehend beschrieben, bestimmt werden und als Eingangswert für den mindestens einen ML Algorithmus verwendet werden. Eine korrelierte Zunahme von LLI und LAM kann korrelieren mit dem Alterungsmechanismus Lithium-Plating.
Ferner könnten die ein oder mehreren abgeleiteten Zustandsgrößen eine mechanische Verspannung mindestens einer Zelle der Batterie umfassen. Es sind beispielsweise Algorithmen bekannt, die als Funktion der Temperatur, des Ladungszustands und/oder der Lade-/Entladerate die Ausdehnung der Batteriezellen beschreiben. Siehe zum Beispiel Oh, Ki-Yong und Bogdan I. Epureanu. „A novel thermal swelling model for a rechargeable lithium-ion battery cell.“ Journal of Power Sources 303 (2016): 86-96 und Oh, Ki-Yong, et al. „A novel phenomenological multi- physics model of Li-ion battery cells.“ Journal of Power Sources 326 (2016): 447-458. Mechanische Verspannung als weitere abgeleitete Zustandsgröße kann auch durch verschiedene Alterungsmechanismen hervorgerufen werden, insbesondere Verdickung der Batterie durch thermisches Anschwellen. Die Dickenzunahme durch Alterung kann also durch SEI-Wachstum und/oder Lithium-Ablagerung und irreversible Elektrodenarbeit entstehen. Durch die Bestimmung der mechanischen Verspannung kann daher die Quantifizierung mehrerer Alterungsmechanismen erfolgen.
Die ein oder mehreren abgeleiteten Zustandsgrößen könnten auch eine Leerlaufspannung (OCV) mindestens einer Zelle der Batterie umfassen. Der vorgelagerte Algorithmus könnte dabei zum Beispiel analytisch implementiert werden und die Messdaten könnten Ereignis-bezogen erhalten werden, wenn zum Beispiel eine bestimmte Pausephase/Ruhezeit für die Batterie erreicht ist. Dann ist die Spannung indikativ für eine Leerlaufspannung ohne Last.
In einem weiteren Beispiel können die ein oder mehreren abgeleiteten Zustandsgrößen ein Lastkollektiv umfassen, das durch einen vorgelagerten Algorithmus auf Grundlage der Messdaten bestimmt wird (in anderen Beispielen wäre es aber auch möglich, dass das Lastkollektiv in Form der Messdaten erhalten wird; d.h. das Lastkollektiv könnte lokal bei den Batterien bestimmt werden, was die benötigte Übertragungsdatenmenge begrenzt). Aus der voranstehenden Beschreibung ist ersichtlich, dass durch die Verwendung von ein oder mehreren vorgelagerten Algorithmen unterschiedliche abgeleitete Zustandsgrößen flexibel bestimmt werden können. Dies kann ausgenutzt werden, um besonders umfassende Information betreffend den Zustand der Batterie zu erhalten. Dann kann im Rahmen der zweiten Stufe durch den mindestens einen ML Algorithmus der Alterungswert der Batterie besonders genau bestimmt werden.
FIG. 1 illustriert Aspekte im Zusammenhang mit einem System 80. Das System 80 umfasst einen Server 81 , der mit einer Datenbank 82 verbunden ist. Außerdem umfasst das System 80 Kommunikationsverbindungen 49 zwischen dem Server 81 und jeder von mehreren Batterien 91-96. Die Kommunikationsverbindungen 49 könnten zum Beispiel über ein Mobilfunknetzwerk implementiert werden. Beispielsweise können die Batterien 91-96 ein Ensemble bilden, d.h. alle vom gleichen Typ sein.
In FIG. 1 ist beispielhaft illustriert, dass die Batterien 91-96 über die
Kommunikationsverbindungen 49 Messdaten 41 an den Server 81 senden können. Beispielsweise wäre es möglich, dass die Messdaten 41 indikativ sind für ein oder mehrere Zustandsgrößen der jeweiligen Batterie 91-96, z.B. Ladungszustand, Stromfluss, Spannung, usw.
In FIG. 1 ist auch beispielhaft illustriert, dass der Server 81 über die
Kommunikationsverbindungen 49 Steuerdaten 42 an die Batterien 91-96 senden kann. Beispielsweise wäre es möglich, dass die Steuerdaten 42 ein oder mehrere Betriebsgrenzen für den zukünftigen Betrieb der jeweiligen Batterie 91-96 indizieren. Zum Beispiel könnten die Steuerdaten ein oder mehrere Steuerparameter für ein Thermomanagement der jeweiligen Batterie 91-96 und/oder ein Lademanagement der jeweiligen Batterie 91-96 indizieren. Durch Verwendung der Steuerdaten 42 kann der Server 81 also den Betrieb der Batterien 91-96 beeinflussen bzw. steuern. Dies könnte z.B. basieren auf einem Alterungswert, der vom Server 81 für die jeweilige Batterie ermittelt wird.
In FIG. 1 ist außerdem für jede der Batterien 91-96 schematisch ein jeweiliger Alterungswert 99 illustriert (zum Beispiel ist die Batterie 95 vergleichsweise stark gealtert, und die Batterien 91 , 94 sind noch nicht besonders stark gealtert). Nachfolgend werden Techniken zur Ermittlung des Alterungswert 99 beschrieben.
FIG. 2 illustriert Aspekte im Zusammenhang mit den Batterien 91-96. Die Batterien 91- 96 sind mit einem jeweiligen Gerät 69 gekoppelt. Dieses Gerät - z.B. ein Elektromotor - wird durch elektrische Energie aus der jeweiligen Batterie 91-96 getrieben.
Die Batterien 91-96 umfassen bzw. sind assoziiert mit ein oder mehreren Managementsysteme 61 , z.B. ein BMS oder eine andere Steuerlogik wie eine on- board-unit im Falle eines Fahrzeugs. Das Managementsystem 61 kann zum Beispiel durch Software auf einem CPU implementiert sein. Alternativ oder zusätzlich könnte zum Beispiel ein Applikations-spezifischer Schaltkreis (ASIC) oder ein Feldprogrammierbares gated array (FPGA) verwendet werden. Die Batterien 91-96 könnten z.B. über ein Bussystem mit dem Managementsystem 61 kommunizieren. Die Batterien 91-96 umfassen auch eine Kommunikationsschnittstelle 62. Das Managementsystem 61 kann über die Kommunikationsschnittstelle 62 eine Kommunikationsverbindung 49 mit dem Server 81 aufbauen.
Während in FIG. 2 das Managementsystem 61 separat von den Batterien 91-96 gezeichnet ist, wäre es in anderen Beispielen auch möglich, dass das Managementsystem 61 Teil der Batterien 91-96 ist.
Außerdem umfassen die Batterien 91-96 ein oder mehrere Batterieblöcke 63. Jeder Batterieblock 63 umfasst typischerweise eine Anzahl von parallel geschalteten und/oder seriell geschalteten Batteriezellen. Dort kann elektrische Energie gespeichert werden.
Typischerweise kann das Managementsystem 61 auf ein oder mehrere Sensoren in den ein oder mehreren Batterieblöcken 63 zurückgreifen. Die Sensoren können zum Beispiel Zustandsgrößen der jeweiligen Batterie messen, etwa den Stromfluss und/oder die Spannung in zumindest einigen der Batteriezellen. Die Sensoren können alternativ oder zusätzlich auch andere Zustandsgrößen im Zusammenhang mit zumindest einigen der Batteriezellen messen, beispielsweise Temperatur, Volumen, Druck, etc. Das Managementsystem 61 kann dann eingerichtet sein, um ein oder mehrere solcher Messwerte von Sensoren in Form von Messdaten 41 an den Server 81 zu senden.
Die Messwerte können zu einem kleineren oder größeren Umfang von dem Managementsystem 61 vorverarbeitet werden, bevor diese in Form der Messdaten 41 gesendet werden. Zum Beispiel wäre eine Komprimierung denkbar, etwa in Form eines Lastkollektiv. Es könnten auch Messwerte gefiltert werden, zum Beispiel Ereignis-bezogen.
FIG. 3 illustriert Aspekte im Zusammenhang mit dem Server 81 . Der Server 81 umfasst einen Prozessor 51 sowie einen Speicher 52. Der Speicher 52 kann ein flüchtiges Speicherelement und/oder ein nicht-flüchtiges Speicherelement umfassen. Außerdem umfasst der Server 81 auch eine Kommunikationsschnittstelle 53. Der Prozessor 51 kann über die Kommunikationsschnittstelle 53 eine Kommunikationsverbindung 49 mit jeder der Batterien 91-96 und der Datenbank 82 aufbauen.
Zum Beispiel kann Programmcode im Speicher 52 gespeichert sein und vom Prozessor 51 geladen werden. Der Prozessor 51 kann dann den Programmcode ausführen. Das Ausführen des Programmcodes bewirkt, dass der Prozessor 51 ein oder mehrere der folgenden Prozesse ausführt, wie sie im Zusammenhang mit den verschiedenen Beispielen hierin im Detail beschrieben sind: Charakterisierung von Batterien 91-96; Ermitteln eines Alterungswerts 99 für die Batterien 91-96; Anwenden eines vorgelagerten Algorithmus zum Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen, z.B. mit einer oder mehreren Simulationen, wie etwa einer elektrischen Simulation oder einer thermischen Simulation von Batterien 91-96; Trainieren und/oder Anwenden eines ML Algorithmus zum Bestimmen des Alterungswerts und basierend auf einem Ergebnis eines vorgelagerten Algorithmus; Senden von Steuerdaten an Batterien 91-96, zum Beispiel um Betriebsrandbedingungen einzustellen; Hinterlegen von einem Ergebnis einer Charakterisierung bzw. eines Alterungswerts einer entsprechenden Batterie 91-96 in einer Datenbank 82; etc.
FIG. 4 ist ein Flussdiagramm eines beispielhaften Verfahrens. Das Verfahren wird typischerweise von einem Server ausgeführt. Das Verfahren dient der Server-seitigen Charakterisierung einer Batterie. Zum Beispiel wäre es möglich, dass das Verfahren gemäß FIG. 4 vom Prozessor 51 des Servers 81 basierend auf Programmcode aus dem Speicher 52 ausgeführt wird (vgl. FIG. 3).
Zunächst wird in Box 1011 eine Lernphase für einen ML Algorithmus durchgeführt. Im Rahmen der Lernphase wird ein Training des ML Algorithmus durchgeführt. Dies bedeutet, dass basierend auf Trainingsdaten und a-priori-Wissen im Zusammenhang mit den Trainingsdaten Parameterwerte oder Gewichte für den ML Algorithmus gesetzt werden. Zum Beispiel könnten im Zusammenhang mit einem künstlichen neuronalen Netzwerk Techniken der Rückwärtspropagation (engl back propagation) eingesetzt werden.
Als allgemeine Regel können unterschiedliche Trainingsdaten im Rahmen der Lernphase berücksichtigt werden. Als allgemeine Regel gibt es unterschiedliche Varianten betreffend die Implementierung der Trainingsdaten. In einer Variante könnten die Trainingsdaten zum Beispiel durch Labormessungen erhalten werden, bei denen eine Batterie im Labor untersucht wird. Zum Beispiel könnten invasive Untersuchungstechniken eingesetzt werden, bei denen zusätzliche Detektoren und Sensoren in die Batterie eingebracht werden, die in Feldgeräten der jeweiligen Batterie nicht vorhanden sind. In einer weiteren Variante könnten die Trainingsdaten aber auch durch Messungen an Feldgeräten erhalten werden. Zum Beispiel könnten die Trainingsdaten Referenzdaten von einem Ensemble von Referenzbatterien (vgl. FIG. 1 : Batterien 91-96) umfassen. Diese Referenzdaten könnten zum Beispiel Messwerte für ein oder mehrere Zustandsgrößen dieser Referenzbatterien umfassen. Die Referenzdaten können ferner a-priori-Wissen über einen jeweils zugehörigen Alterungswert für die Batterien umfassen. Beispielsweise könnte für manche Referenzbatterien eine vollständige oder nahezu vollständige Entladung auftreten, im jeweiligen Fahrzyklus, wobei dies dann dazu ausgenutzt werden kann, die Gesamtkapazität als Alterungswert zu bestimmen. Eine weitere Möglichkeit wäre die Verwendung eines Kalmanfilters zur Zustandsschätzung, wie etwa beschrieben in Plett, Gregory L. "Extended Kalman filtering for battery management Systems of LiPB- based HEV battery packs: Part 2. Modeling and Identification." Journal of power sources 134.2 (2004): 262-276. Dann kann der ML Algorithmus basierend auf solchen Referenzdaten in Box 1011 trainiert werden. Mittels solcher Techniken kann insbesondere ein wiederholtes Ausführen der Lernphase verschachtelt mit einer Anwendungsphase - vgl. Box 1012 in der der trainierte ML Algorithmus zum Bestimmen des Alterungswert verwendet wird, erfolgen (das ist in FIG. 4 durch die gestrichelte Linie dargestellt). Das bedeutet, dass auf Grundlage von Messungen an Feldgeräten die Genauigkeit der Charakterisierung laufend verbessert werden kann.
Zum Beispiel könnten die Referenzdaten gegenüber den Messdaten, die im üblichen laufenden Betrieb erhalten werden, einen erweiterten Informationsgehalt aufweisen. Dies betrifft zum Beispiel die Möglichkeit, das a-priori-Wissen über den Alterungswert aus den Referenzdaten zu erhalten oder abzuleiten. Zum Beispiel wäre es denkbar, dass ein kompletter Entladungs-/Ladungsvorgang überwacht wird, d.h. entsprechende Strom-Spannungszeitreihen aufgezeichnet werden. Dann könnte die gesamte geflossene Ladung indikativ für die Kapazität der Batterie und damit den Alterungswert sein. Eine entsprechende Datenmenge kann besonders groß sein. Deshalb kann es manchmal hilfreich sein, die Referenzdaten selektiv anzufordern. Das bedeutet, dass das Verfahren das Anfordern der Referenzdaten mittels eines Steuerbefehls, der an Managementsysteme, die mit den Referenzbatterien assoziiert sind, gesendet wird. Zum Beispiel wäre es möglich, solche Daten zunächst in einem internen Speicher der Managementsysteme zwischenzuspeichern und dann bei Bedarf über eine Breitbandverbindung an den Server zu übermitteln, etwa wenn ein Ladevorgang in einer Umgebung mit Breitbandverbindung initiiert wird.
In Box 1012 erfolgt die Anwendungsphase. Dabei werden Messdaten einer Batterie - beispielsweise einer der Batterien 91-96 aus FIG. 1 - empfangen, die indikativ für ein oder mehrere Zustandsgrößen sind.
Beispielsweise könnten die Messdaten die ein oder mehreren Zustandsgrößen als Lastkollektiv indizieren. Dadurch könnte zum Beispiel im Vergleich zu den Referenzdaten aus Block 1011 eine signifikante Reduktion der benötigten Daten erfolgen. Das ermöglicht es, die Charakterisierung der Batterie im laufenden Betrieb der Batterie wiederholt auszuführen, ohne dass eine zu übertragende Datenmenge überhandnimmt. In manchen Beispielen wäre es in diesem Zusammenhang möglich, dass die Messdaten inkrementeil übertragen werden (inkrementeiles Update). Das heißt, dass zum Beispiel Veränderungen des Lastkollektiv mit fortschreitender Zeit indiziert werden, jeweils referenziert auf zuvor übertragene Messdaten. Derart kann eine weitere Reduktion der Bandbreite erfolgen. Indem die Messdaten am Server zwischengespeichert werden, kann dennoch noch eine Rekonstruktion des vollen Informationsgehaltes erfolgen.
Es wäre möglich, dass die Anwendungsphase selektiv aktiviert wird, nämlich in Abhängigkeit von einem Trainingsgrad des ML Algorithmus. Der ML Algorithmus kann in Abhängigkeit von dem Trainingsgrad selektiv aktiviert werden. Dadurch könnte insbesondere in einem Szenario, bei dem zunächst für ein Ensemble von Batterien im Feldbetrieb Referenzdaten als Trainingsdaten gesammelt werden, vermieden werden, dass vergleichsweise ungenaue Ergebnisse durch einen nicht ausreichend trainierten ML Algorithmus erzielt werden (sogenanntes Kaltstartproblem). Anstatt in einer solchen Kaltstartphase den ML Algorithmus zur Charakterisierung der Batterie zu verwenden, kann ein alternativer Algorithmus, zum Beispiel ein empirisch parametrierter Charakterisierungsalgorithmus, verwendet werden, um den Alterungswert zu bestimmen.
FIG. 5 ist ein Flussdiagramm eines beispielhaften Verfahrens. Das Verfahren wird von einem Server ausgeführt. Das Verfahren dient der Server-seitigen Charakterisierung einer Batterie. Zum Beispiel wäre es möglich, dass das Verfahren gemäß FIG. 5 vom Prozessor 51 des Servers 81 basierend auf Programmcode aus dem Speicher 52 ausgeführt wird (vgl. FIG. 3). Das Verfahren gemäß FIG. 5 kann zum Beispiel im Rahmen von Box 1012 gemäß dem Verfahren aus FIG. 4 ausgeführt werden. Das bedeutet, dass das Verfahren aus FIG. 5 eine Anwendungsphase eines ML Algorithmus indiziert.
Dabei werden in Box 1001 Messdaten erhalten, die indikativ für ein oder mehrere Zustandsgrößen einer Batterie sind. Die ein oder mehreren Zustandsgrößen können zum Beispiel den Stromfluss in ein oder mehreren Zellen der Batterie umfassen; und/oder eine Spannung über ein oder mehrere Zellen der Batterie umfassen; und/oder eine Temperatur von ein oder mehreren Zellen der Batterie umfassen; und/oder eine Entladungstiefe (engl depth of discharge) der Batterie umfassen; und/oder eine Dauer von Pausephasen bei denen keine signifikante Ladung entnommen oder eingespeist wird; und/oder einen Ladungszustand (engl state of Charge, SOC) der Batterie umfassen.
Anschließend erfolgt in Box 1002 das Bestimmen von ein oder mehreren abgeleiteten Zustandsgrößen, wobei hierzu ein oder mehrere vorgelagerte Algorithmen verwendet werden. Die ein oder mehreren vorgelagerten Algorithmen könnten zum Beispiel analytische oder numerische Algorithmenmodule umfassen. Zum Beispiel könnten die ein oder mehreren vorgelagerten Algorithmen eine Simulation beispielsweise eines Temperaturverhaltens oder einer elektrischen Charakteristik der Batterie umfassen. Es wäre möglich, dass ein analytischer Algorithmus durch empirische Messungen parametriert wird.
Als Ergebnis von Box 1002 werden dann ein oder mehrere abgeleitete Zustandsgrößen erhalten.
In Box 1003 wird anschließend ein Alterungswert der Batterie - d.h. zum Beispiel ein Wert, der indikativ ist für die Kapazität und/oder die Impedanz - unter Verwendung von ein oder mehreren ML Algorithmen bestimmt. Die ein oder mehreren ML Algorithmen erhalten die ein oder mehreren abgeleiteten Zustandsgrößen aus Box 1002 als Eingangswerte.
In Abhängigkeit von dem Alterungswert wäre es dann möglich, dass eine entsprechende Steuerung der jeweiligen Batterie, die zum Beispiel in den Betriebsrandbedingungen eingestellt wird, erfolgt.
FIG. 6 illustriert Aspekte im Zusammenhang mit einem zweistufigen Ansatz zum Bestimmen eines Alterungswerts 99. FIG. sechs ist ein Daten Flussdiagramm für eine entsprechende Bestimmung. Zum Beispiel könnte die Datenverarbeitung gemäß FIG. 6 im Zusammenhang mit dem Verfahren aus FIG. 5 ausgeführt werden.
Eine erste Stufe umfasst das Anwenden von zwei vorgelagerten Algorithmen 311-312; und eine zweite Stufe umfasst das Anwenden eines ML Algorithmus 331. Der ML Algorithmus 331 liefert als Ergebnis den Alterungswert 99. Deshalb kann die erste Stufe mit Box 1002 aus dem Verfahren von FIG. 5 korrelieren und die zweite Stufe kann mit Box 1003 aus dem Verfahren gemäß FIG. 5 korrelieren.
Im Allgemeinen wäre es aber auch möglich, dass mehrere ML Algorithmen im Rahmen der zweiten Stufe angewendet werden, die jeweils einen Beitrag zum endgültigen Alterungswert 99 als Ergebnis bereitstellen. Dann kann der Alterungswert 99 durch Kombination der Ergebnisse der verschiedenen ML Algorithmen erfolgen, wobei zum Beispiel die verschiedenen Ergebnisse mit unterschiedlichen Alterungsmechanismen korrelieren.
In FIG. 6 dienen Messdaten 41 als Eingabe für den zweistufigen Prozess. Messdaten können zum Beispiel über die Kommunikationsverbindung 49 von einer der Batterien 91-96 erhalten werden. Die Messdaten 41 könnten zum Beispiel als Lastkollektiv vorliegen. Ein beispielhaftes Lastkollektiv 500 ist in FIG. 7 dargestellt. Dabei sind die Zustandsgrößen Entladungstiefe 511 und Ladungszustand 512 im Lastkollektiv 500 miteinander korreliert. Die entsprechenden Werte 509 indizieren die - typischerweise relativ definierte - Häufigkeit des Betriebs der jeweiligen Batterie 91-96 bei den jeweiligen Zustandsgrößen 511-512 (bei einer relativ definierten Häufigkeit ist die Annahme, dass das Belastungsprofil der Batterie und damit das Lastkollektiv für einen bestimmten Verwendungszweck der Batterie konstant bleibt, d.h. keine Veränderung über der Zeit aufweist). Eine Zeitauflösung wird aber durch die Messdaten, die in Form des Lastkollektivs 500 vorliegen, nicht bereitgestellt. Solche Techniken beruhen auf der Erkenntnis, dass die Dynamik der entsprechenden Zustandsgrößen 501 , 502 - im Gegensatz zur relativen Häufigkeit des Auftretens, zum Beispiel in bestimmten Bereichen 501 des Lastkollektives 500 mit besonders starker Alterung - einen vergleichsweise geringen Einfluss auf die Alterung aufweisen. Deshalb kann es ausreichend sein, dass die Messdaten die Zustandsgrößen 511 , 512 nicht zeitaufgelöst, sondern in Form eines Lastkollektivs 500 indizieren. Außerdem wird dadurch die Datenmenge der Messdaten 41 komprimiert.
In einem weiteren Beispiel wäre es denkbar, dass die Messdaten 41 die ein oder mehreren Zustandsgrößen der Batterie zumindest teilweise Ereignis-bezogen indizieren. Ein entsprechendes Beispiel ist in FIG. 8 dargestellt. In FIG. 8 ist eine Ereignis-bezogene Darstellung 700 der Zustandsgröße elektrischer Stromfluss 513 dargestellt. In FIG. 8 ist gezeigt, dass für bestimmte Ereignisse 711 (durch die gestrichelten Rahmen hervorgehoben) eine entsprechende Kenngröße 725 der Ereignisse 711 in Form der Messdaten 41 an den Server 81 übermittelt werden könnte. Im Beispiel gemäß FIG. 8 ist das Ereignis 711 durch einen Einbruch des Stromflusses 513 über eine bestimmte Zeitdauer 722, die auf eine Zeitdauer 721 relativ konstanten Stromflusses folgt, charakterisiert. Der Einbruchs-Flub 725 könnte zum Beispiel in Form der Messdaten 41 an den Server 81 übermittelt werden und dann im Rahmen eines der vorgelagerten Algorithmen 311-312 zum Bestimmen einer entsprechenden abgeleiteten Zustandsgröße 321 -322 verwendet werden. Dies ist aber nur ein Beispiel und andere Implementierungen von Ereignis-bezogenen Messdaten sind denkbar.
Wieder bezugnehmend auf FIG. 6: Es ist ein Beispiel gezeigt, in dem zwei vorgelagerte Algorithmen 311-312 verwendet werden, um auf Grundlage der Messdaten 41 abgeleitete Zustandsgrößen 321-322 zu bestimmen. Als allgemeine Regel wäre es möglich, dass lediglich ein einzelner vorgelagerter Algorithmus verwendet wird oder aber eine Anzahl von mehr als zwei vorgelagerten Algorithmen. Wenn mehr als ein einziger vorgelagerter Algorithmus verwendet wird, so können unterschiedliche vorgelagerte Algorithmen auf zumindest teilweise unterschiedliche Teile der Messdaten 41 als Eingangsgröße zurückgreifen. Beispielsweise wäre es denkbar, dass unterschiedliche Teile von Messdaten 41 , die mit anderen Zustandsgrößen assoziiert sind, unterschiedlichen vorgelagerten Algorithmen 311 , 312 zugeführt werden.
Zum Beispiel wäre es denkbar, dass Messdaten 41 , die indikativ für ein Anodenpotenzial einer Zelle der Batterie sind, dem vorgelagerten Algorithmus 311 zugeführt werden und basierend darauf die abgeleitete Zustandsgröße 321 bestimmt wird, die mit dem Grad von Lithium-Ablagerung korreliert. Es wäre denkbar, dass ein solcher Teil der Messdaten 41 als Eingangsgröße dem weiteren vorgelagerten Algorithmus 312 zugeführt wird, der einem differenziellen Spannungsspektrum oder einem differenziellen Kapazitätsspektrum einer Entladungskurve einer Zelle der Batterie entspricht. Dann könnte basierend darauf die abgeleitete Zustandsgröße 322 bestimmt werden, die mit dem Verlust an Lithium-Ionen oder Anodenmaterial korreliert. Dies sind lediglich zwei Beispiele und es ist denkbar, dass andere vorgelagerte Algorithmen verwendet werden bzw. andere abgeleitete Zustandsgrößen bestimmt werden. Beispielsweise könnte es möglich sein, dass eine mechanische Verspannung von Zellen der Batterie bestimmt wird. Es könnte auch die Leerlaufspannung der mindestens einen Zeilen der Batterie bestimmt werden.
Im Beispiel der FIG. 6 werden dann die abgeleiteten Zustandsgrößen 321-322 dem (einzigen) ML Algorithmus 331 als Eingangsgrößen zugeführt. Im Allgemeinen wäre es aber auch möglich, dass mehrere ML Algorithmen verwendet werden, zum Beispiel unterschiedliche ML Algorithmen je nach abgeleiteter Zustandsgröße 321-322.
Wie im Beispiel der FIG. 6 auch dargestellt, kann es möglich sein, dass neben den abgeleiteten Zustandsgrößen 391 -322 auch die Zustandsgrößen aus den Messdaten 41 als Eingangsgröße den ein oder mehreren ML Algorithmen 331 zugeführt werden.
Insbesondere wäre es in verschiedenen Beispielen denkbar, dass ein Lastkollektiv den ein oder mehreren ML Algorithmen 331 als Eingabe zugeführt wird. Mittels des Lastkollektivs kann es nämlich möglich sein, dass Belastungsprofil der Batterie im Messzeitraum zu charakterisieren. Derart kann eine Vorhersage des Alterungswerts für einen zukünftigen Zeitpunkt ermöglicht werden. Dies beruht auf der Erkenntnis, dass bei einer stärkeren Belastung der Batterie die Alterung schneller voranschreiten wird, als bei einer schwächeren Belastung der Batterie. Deshalb kann es in den verschiedenen hierin beschriebenen Beispielen möglich sein, ein feedforward KNN zu verwenden, das als Eingabewert ein oder mehrere Lastkollektive hält und als Ausgabe Wert den Alterungswert zu einem Vorhersagezeitpunkt bereitstellt (unter der Annahme, dass das historische Belastungsprofil auch dem zukünftigen Belastungsprofil entspricht, d.h. der relative Anteil des Betriebs bei bestimmten Stressfaktoren konstant über der Zeit ist).
Weitere Zustandsgrößen die direkt durch einfache Operationen (etwa Summation, Histogramming, Min oder Max-Operation, etc.) aus den Messdaten abgeleitet werden können sind: Mittlere Ladezeit, Maximale Temperatur, Minimale Entladungstiefe, etc..
FIG. 9 illustriert Aspekte im Zusammenhang mit den Messdaten 41. Im Beispiel der Fig. 9 wird eine Zeitreihe 810 von Messdaten 41 erhalten. Die Messdaten 41 der Zeitreihe 810 weisen Messzeitpunkte auf, die über ein Messzeitintervall 801 verteilt sind. Dass Messzeitintervall 801 erstreckt sich ausgehend vom Ist-Zeitpunkt 802 in die Vergangenheit erstreckt.
Beispielsweise könnten die Messdaten 41 der Zeitreihe 810 jeweils Werte für den Strom oder die Spannung oder die Temperatur zum jeweiligen Messzeitpunkt im Messzeitintervall 801 indizieren. Daraus könnte dann ein Lastkollektiv gebildet werden oder es könnten bestimmte Ereignisse erkannt werden. Es wäre aber auch möglich, dass die Messdaten 41 der Zeitreihe 810 jeweils ein Lastkollektiv zum jeweiligen Messzeitpunkt im Messzeitintervall 801 indizieren, wobei zum Beispiel das jeweilige Lastkollektiv auf Grundlage von Werten, die zwischen dem jeweiligen Messzeitpunkt und dem vorangehenden Messzeitpunkt beobachtet werden, bestimmt wird. Das bedeutet also, dass die Veränderung der Belastung durch die mehreren Lastkollektive beschrieben werden könnte.
Als allgemeine Regel ist es optional, dass die Messdaten 41 eine entsprechende Zeitreihe 810 bereitstellen. Es wäre zum Beispiel auch denkbar, dass die Messdaten 41 jeweils lediglich Werte für ein oder mehrere Zustandsgrößen zum Ist-Zeitpunkt 802 indizieren. Zum Beispiel könnten die Messdaten 41 ein einzelnes Lastkollektiv umfassen, welches auf Grundlage von Werten, die über das gesamte Messzeitintervall 801 bis zum gegenwärtigen Ist-Zeitpunkt beobachtet werden, bestimmt wird.
FIG. 9 illustriert auch Aspekte im Zusammenhang mit der Vorhersage des Alterungswerts 813. Im Beispiel der FIG. 9 wird der Alterungswert 813 für einen in der Zukunft liegenden Zeitpunkt 803 vorhergesagt.
Eine solche Vorhersage des Alterungswerts zu einem zukünftigen Zeitpunkt kann zum Beispiel basierend auf der entsprechenden Zeitreihe 810 erfolgen. Dazu gibt es verschiedene Möglichkeiten, die in Tabelle 1 zusammengefasst sind:
Figure imgf000027_0001
Figure imgf000028_0001
Beispielsweise kann es im Beispiel B und im Beispiel C entbehrlich sein, einen ML Algorithmus zu verwenden, der eine Zeitreihe von Daten als Eingabe empfängt. Es könnte z.B. ein Feedforward-KNN verwendet werden. Im Beispiel A könnte ein rekurrentes KNN verwendet werden.
Im Beispiel C kann es entbehrlich sein, die ein oder mehreren Zustandsgrößen der Batterie zeitaufgelöst zu überwachen. Vielmehr kann auf die Entwicklung der ein oder mehreren abgeleiteten Zustandsgrößen durch den vorgelagerten Algorithmus zurückgeschlossen werden, indem das Belastungsprofil der Batterie als Lastkollektiv berücksichtigt wird. Das Lastkollektiv kann zum Beispiel beschreiben, wie häufig die Batterie mit einer bestimmten Entladungstiefe und/oder Entladungsgeschwindigkeit entladen/geladen wird (z.B. in einem kritischen Temperaturbereich), wie groß die Laderate ist, wie schnell die Batterie entladen wird, welche Betriebstemperatur beim Laden oder Entladen der Batterie vorliegt, usw. Durch solche Stressfaktoren als Belastungsprofil kann dann zurückgeschlossen werden, wie die ein oder mehreren abgeleiteten Zustandsgrößen der Batterie sich in Zukunft verhalten werden. Dazu kann im Beispiel C der vorgelagerte Algorithmus verwendet werden. Im Beispiel D wäre es zum Beispiel möglich, dass eine Zeitreihe von direkt beobachteten Zustandsgrößen - beispielsweise Stromfluss, Spannung, Temperatur - im Messzeitintervall in Form der Messdaten 41 erhalten wird. Dann kann mittels des vorgelagerten Algorithmus ein oder mehrere abgeleitete Zustandsgrößen bestimmt werden, die mit ein oder mehreren Alterungsmechanismen der Batterie korrelieren. Auf Grundlage der Zeitreihe von Zustandsgrößen kann auch ein Lastkollektiv bestimmt werden, welches Stressfaktoren der Batterie als Belastungsprofil quantifiziert. Dann können solche abgeleiteten Zustandsgrößen als Eingangswerte des ML Algorithmus verwendet werden. In diesem Beispiel kann der ML Algorithmus insbesondere als Feedfoward-KNN ausgebildet sein. Eine Zeitreihe muss nicht berücksichtigt werden. Eine Vorhersage des Alterungswerts kann dadurch erzielt werden, dass der ML Algorithmus geeignet trainiert wird, nämlich unter Berücksichtigung der - z.B. relativ definierten - Lastkollektive. Durch die Lastkollektive kann nämlich die Belastung der Batterie charakterisiert werden, sodass eine zukünftig stärkere oder schwächere Alterung vorhergesagt werden kann.
Im Beispiel E kann aus einem Lastkollektiv für ein oder mehrere Zustandsgrößen ein weiteres Lastkollektiv für ein oder mehrere abgeleitete Zustandsgrößen ermittelt werden.
In den verschiedenen Beispielen aus TAB. 1 können - wie obenstehend zum Beispiel im Zusammenhang mit Fig. 6 beschrieben - auch weitere Zustandsgrößen als Eingabe in den ML Algorithmus verwendet werden, das heißt die Eingabe in den ML Algorithmus ist nicht auf die Ausgabe des vorgelagerten Algorithmus beschränkt. Insbesondere im Zusammenhang mit der Vorhersage des Alterungswert zum zukünftigen Zeitpunkt kann es in diesem Zusammenhang erstrebenswert sein, eine Statistik einer Zustandsgröße im Messzeitintervall als Eingabe in den ML Algorithmus zu berücksichtigen (dabei kann im Allgemeinen eine Zustandsgröße berücksichtigt werden, die auch durch den vorgelagerten Algorithmus ausgewertet wird; oder aber eine andere Zustandsgröße). Eine Statistik der Zustandsgröße Messzeitintervall kann also eine Auswertung des Verhaltens der Zustandsgröße - etwa Strom oder Spannung oder Temperatur, etc. - im Messzeitintervall beschreiben. Zum Beispiel könnte die Statistik ein oder mehrere der folgenden statistischen Größen beschreiben: Maximum der Zustandsgröße, etwa maximale Temperatur im Messzeitintervall; Minimum der Zustandsgröße, etwa minimale Temperatur im Messzeitintervall; Mittelwert der Zustandsgröße, etwa mittlere Temperatur im Messzeitintervall; Streuung der Zustandsgröße, das heißt Varianz der Temperatur im Messzeitintervall; usw. Als allgemeine Regel könnte die Statistik der Zustandsgröße auf Grundlage der Zeitreihe der Zustandsgröße bestimmt werden oder aber direkt von einem entsprechenden Steuergerät der jeweiligen Batterie erhalten werden.
Selbstverständlich können die Merkmale der vorab beschriebenen Ausführungsformen und Aspekte der Erfindung miteinander kombiniert werden. Insbesondere können die Merkmale nicht nur in den beschriebenen Kombinationen, sondern auch in anderen Kombinationen oder für sich genommen verwendet werden, ohne das Gebiet der Erfindung zu verlassen.

Claims

PATENTANSPRÜCHE
1. Computer-implementiertes Verfahren zum Bestimmen eines Alterungswerts (99) einer wiederaufladbaren Batterie (91-96), wobei das Verfahren umfasst:
- Erhalten (1001) von Messdaten (41) für ein oder mehrere Zustandsgrößen (511 -513) der Batterie (91 -96),
- Bestimmen (1002) von ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) der Batterie (91-96) unter Verwendung eines vorgelagerten Algorithmus (311 , 3122), wobei Eingangswerte des vorgelagerten Algorithmus (311 , 3122) die ein oder mehreren Zustandsgrößen (511-513) umfassen, und
- Bestimmen (1003) des Alterungswerts (99) unter Verwendung von mindestens einem maschinen-gelernten Algorithmus (331), wobei Eingangswerte des mindestens einen maschinen-gelernten Algorithmus (331) die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) der Batterie (91-96) umfassen.
2. Verfahren nach Anspruch 1 , wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) zumindest eines von einem Anodenpotential mindestens einer Zelle der Batterie (91- 96), einem Kathodenpotential der mindestens einen Zelle der Batterie (91-96), sowie einem Verhältnis des Anodenpotentials und des Kathodenpotentials zueinander umfassen.
3. Verfahren nach Anspruch 1 oder 2, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) zumindest eines von einem differentiellen Spannungsspektrum oder einem differentiellen Kapazitätsspektrum einer Entladungskurve mindestens einer Zelle der Batterie (91-96) umfassen.
4. Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) zumindest einen von einem Verlust von Kathodenmaterial oder einem Verlust von Anodenmaterial umfassen.
5. Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) eine mechanische Verspannung mindestens einer Zelle der Batterie (91-96) umfassen.
6. Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) eine Leerlaufspannung mindestens einer Zelle der Batterie (91-96) umfassen.
7. Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren abgeleiteten Zustandsgrößen ein
Belastungsprofil der Batterie (91-96) umfassen.
8. Verfahren nach einem der voranstehenden Ansprüche, wobei die Eingangswerte des mindestens einen maschinen-gelernten Algorithmus (331) weiterhin eine Statistik der ein oder mehreren Zustandsgrößen (511-513) der Batterie oder von ein oder mehreren weiteren Zustandsgrößen (511 - 513) der Batterie in einem Messzeitintervall umfassen.
9. Verfahren nach einem der voranstehenden Ansprüche, wobei Eingangswerte des maschinen-gelernten Algorithmus (331) weiterhin die ein oder mehreren Zustandsgrößen (511-513) der Batterie (91-96) umfassen.
10. Verfahren nach einem der voranstehenden Ansprüche, wobei der mindestens eine maschinen-gelernte Algorithmus mehrere Alterungsmechanismen quantifiziert, wobei der Alterungswert (99) basierend auf einer Kombination von Werten für die mehreren Alterungsmechanismen bestimmt wird.
11. Verfahren nach Anspruch 10, wobei der mindestens eine maschinen-gelernte Algorithmus mehrere maschinen-gelernte Algorithmen umfasst, die unterschiedlichen Alterungsmechanismen zugeordnet sind.
12. Verfahren nach einem der voranstehenden Ansprüche, wobei die Messdaten (41 ) auf einem Server (81 ) über eine Kommunikationsverbindung (49) von einem Managementsystem (61) der Batterie (91-96) empfangen werden, wobei die Messdaten (41) in einem Messzeitintervall liegen, welches mittels eines Schiebefensterverfahren bestimmt ist.
13. Verfahren nach einem der voranstehenden Ansprüche, das weiterhin umfasst:
- Empfangen von Referenzdaten von einem Ensemble von Referenzbatterien (91-96) an einem Server (81), und
- Trainieren (1011) des mindestens einen maschinengelernten Algorithmus basierend auf den Referenzdaten.
14. Verfahren nach einem der voranstehenden Ansprüche, wobei die Messdaten (41) die ein oder mehreren Zustandsgrößen (511-513) als Lastkollektiv (500) und/oder Ereignis-bezogen indizieren.
15. Verfahren nach einem der voranstehenden Ansprüche, wobei die ein oder mehreren Zustandsgrößen (511-513) umfassen: einen elektrischen Stromfluss in ein oder mehreren Zellen der Batterie (91-96); eine elektrische Spannung über ein oder mehrere Zellen der Batterie (91-96); eine Temperatur von ein oder mehreren Zellen der Batterie (91-96); eine Entladungstiefe der Batterie (91-96); eine Dauer von Pausenphasen; oder ein Ladungszustand der Batterie (91-96).
16. Verfahren nach einem der voranstehenden Ansprüche, wobei die Messdaten (41) eine Zeitreihe (810) für die ein oder mehreren Zustandsgrößen (511-513) der Batterie (91-96) umfassen, wobei eine Zeitreihe (810) der ein oder mehreren abgeleiteten Zustandsgrößen (321, 322) der Batterie (91-96) unter Verwendung des vorgelagerten Algorithmus bestimmt wird, wobei die Eingangswerte des mindestens einen maschinen-gelernten Algorithmus (331) die Zeitreihe der ein oder mehreren abgeleiteten Zustandsgrößen (321 , 322) umfasst.
PCT/DE2021/100042 2020-01-14 2021-01-14 Charakterisierung von wiederaufladbaren batterien mit maschinen-gelernten algorithmen WO2021143983A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP21701652.6A EP4090986A1 (de) 2020-01-14 2021-01-14 Charakterisierung von wiederaufladbaren batterien mit maschinen-gelernten algorithmen
US17/792,483 US20230059529A1 (en) 2020-01-14 2021-01-14 Characterization of Rechargeable Batteries Using Machine-Learned Algorithms

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102020100668.3 2020-01-14
DE102020100668.3A DE102020100668B4 (de) 2020-01-14 2020-01-14 Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen

Publications (1)

Publication Number Publication Date
WO2021143983A1 true WO2021143983A1 (de) 2021-07-22

Family

ID=74235996

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2021/100042 WO2021143983A1 (de) 2020-01-14 2021-01-14 Charakterisierung von wiederaufladbaren batterien mit maschinen-gelernten algorithmen

Country Status (4)

Country Link
US (1) US20230059529A1 (de)
EP (1) EP4090986A1 (de)
DE (1) DE102020100668B4 (de)
WO (1) WO2021143983A1 (de)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020117609B8 (de) 2020-07-03 2022-11-03 TWAICE Technologies GmbH Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung
DE102020008120A1 (de) 2020-07-03 2022-03-24 TWAICE Technologies GmbH Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung
DE102020008113A1 (de) 2020-07-03 2022-04-07 TWAICE Technologies GmbH Verarbeitung von zustandsdaten einer batterie zur alterungsschätzung
DE102022200722A1 (de) 2022-01-24 2023-07-27 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zum Betreiben eines Kraftfahrzeugs

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239592A1 (en) * 2015-02-12 2016-08-18 Nec Laboratories America, Inc. Data-driven battery aging model using statistical analysis and artificial intelligence
DE102017103617A1 (de) * 2017-02-22 2018-08-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Abschätzung des Alterungszustands eines Batteriesystems
CN108445406A (zh) * 2018-03-13 2018-08-24 桂林电子科技大学 一种动力电池健康状态估计方法
WO2019162749A1 (en) * 2017-12-07 2019-08-29 Yazami Ip Pte. Ltd. Method and system for online assessing state of health of a battery
US20190339334A1 (en) * 2018-05-07 2019-11-07 Uber Technologies, Inc. Vehicle battery pack health monitoring
WO2019240426A1 (ko) * 2018-06-11 2019-12-19 삼성전자 주식회사 충전 중 배터리의 전압 변화량에 기반하여 배터리의 상태에 대한 정보를 획득하기 위한 방법 및 이를 지원하는 전자 장치
US20200011932A1 (en) * 2018-07-05 2020-01-09 Nec Laboratories America, Inc. Battery capacity fading model using deep learning

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102004004280B4 (de) * 2004-01-27 2014-06-12 Audi Ag Verfahren zur Diagnose von Batterien

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20160239592A1 (en) * 2015-02-12 2016-08-18 Nec Laboratories America, Inc. Data-driven battery aging model using statistical analysis and artificial intelligence
DE102017103617A1 (de) * 2017-02-22 2018-08-23 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Verfahren zur Abschätzung des Alterungszustands eines Batteriesystems
WO2019162749A1 (en) * 2017-12-07 2019-08-29 Yazami Ip Pte. Ltd. Method and system for online assessing state of health of a battery
CN108445406A (zh) * 2018-03-13 2018-08-24 桂林电子科技大学 一种动力电池健康状态估计方法
US20190339334A1 (en) * 2018-05-07 2019-11-07 Uber Technologies, Inc. Vehicle battery pack health monitoring
WO2019240426A1 (ko) * 2018-06-11 2019-12-19 삼성전자 주식회사 충전 중 배터리의 전압 변화량에 기반하여 배터리의 상태에 대한 정보를 획득하기 위한 방법 및 이를 지원하는 전자 장치
US20200011932A1 (en) * 2018-07-05 2020-01-09 Nec Laboratories America, Inc. Battery capacity fading model using deep learning

Non-Patent Citations (9)

* Cited by examiner, † Cited by third party
Title
BAGHDADI ISSAM ET AL: "State of health assessment for lithium batteries based on voltage-time relaxation measure", ELECTROCHIMICA ACTA, ELSEVIER, AMSTERDAM, NL, vol. 194, 18 February 2016 (2016-02-18), pages 461 - 472, XP029462057, ISSN: 0013-4686, DOI: 10.1016/J.ELECTACTA.2016.02.109 *
BIRKL, CHRISTOPH R. ET AL.: "Degradation diagnostics for lithium ion cells", JOURNAL OF POWER SOURCES, vol. 341, 2017, pages 373 - 386, XP029864035, DOI: 10.1016/j.jpowsour.2016.12.011
JINGLIANG ZHANG ET AL: "A review on prognostics and health monitoring of Li-ion battery", JOURNAL OF POWER SOURCES, ELSEVIER SA, CH, vol. 196, no. 15, 31 March 2011 (2011-03-31), pages 6007 - 6014, XP028215984, ISSN: 0378-7753, [retrieved on 20110414], DOI: 10.1016/J.JPOWSOUR.2011.03.101 *
KEIL, PETER: "Diss", 2017, TECHNISCHE UNIVERSITÄT, article "Aging of lithium-ion batteries in electric vehicles"
LIU WEI ET AL: "A Comprehensive Review of Health Indicators of Li-ion Battery for Online State of Health Estimation", 2019 IEEE 3RD CONFERENCE ON ENERGY INTERNET AND ENERGY SYSTEM INTEGRATION (EI2), IEEE, 8 November 2019 (2019-11-08), pages 1203 - 1208, XP033748697, DOI: 10.1109/EI247390.2019.9062037 *
OH, KI-YONG ET AL.: "A novel phenomenological multiphysics model of Li-ion battery cells", JOURNAL OF POWER SOURCES, vol. 326, 2016, pages 447 - 458, XP029675098, DOI: 10.1016/j.jpowsour.2016.07.019
OH, KI-YONGBOGDAN I. EPUREANU: "A novel thermal swelling model for a rechargeable lithium-ion battery cell", JOURNAL OF POWER SOURCES, vol. 303, 2016, pages 86 - 96, XP055405799, DOI: 10.1016/j.jpowsour.2015.10.085
PLETT, GREGORY L.: "Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs: Part 2. Modeling and identification", JOURNAL OF POWER SOURCES, vol. 134, no. 2, 2004, pages 262 - 276, XP004521736, DOI: 10.1016/j.jpowsour.2004.02.032
SHE CHENGQI ET AL: "Battery Aging Assessment for Real-World Electric Buses Based on Incremental Capacity Analysis and Radial Basis Function Neural Network", IEEE TRANSACTIONS ON INDUSTRIAL INFORMATICS, IEEE SERVICE CENTER, NEW YORK, NY, US, vol. 16, no. 5, 6 November 2019 (2019-11-06), pages 3345 - 3354, XP011773615, ISSN: 1551-3203, [retrieved on 20200213], DOI: 10.1109/TII.2019.2951843 *

Also Published As

Publication number Publication date
US20230059529A1 (en) 2023-02-23
DE102020100668A1 (de) 2021-07-15
EP4090986A1 (de) 2022-11-23
DE102020100668B4 (de) 2021-07-22

Similar Documents

Publication Publication Date Title
DE102020100668B4 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
WO2020224724A1 (de) Server-seitige charakterisierung von wiederaufladbaren batterien
DE102010050803B4 (de) Verfahren zum Abschätzen der Batterieverschlechterung in einem Fahrzeugbatteriesatz
EP3766120B1 (de) Charakterisierung von lithium-plating bei wiederaufladbaren batterien
DE102020117609B4 (de) Verarbeitung von Zustandsdaten einer Batterie zur Alterungsschätzung
AT521643B1 (de) Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie
DE102019111976A1 (de) Kapazitätsbestimmung bei Batterien
DE102020215297A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
WO2021052540A1 (de) Zustandswert für wiederaufladbare batterien
WO2016012196A1 (de) Verfahren zum betreiben einer sekundärbatterie
DE102021125478B4 (de) Bestimmung eines alterungswerts für batterien mit strom-spannungs-zeitreihen in zeitdomäne und belastungsdomäne
DE102022202111A1 (de) Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren
DE112019003484T5 (de) Sekundärbatterieparameter-Schätzungsvorrichtung, Sekundärbatterieparameter-Schätzungsverfahren und Programm
DE102022203343A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Erkennen einer Anomalie eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren
DE102020008052A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102020008050A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102021203865A1 (de) Verfahren und Vorrichtung zum Bewerten eines relativen Alterungszustands einer Gerätebatterie auf Basis einer Gerätegruppen-basierenden Serienstreuung der Gerätebatterien
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
DE102020115370A1 (de) Verfahren zum Ermitteln eines Ladestroms sowie Steuergerät
DE102022200008A1 (de) Verfahren und System zum effizienten Überwachen von Batteriezellen einer Gerätebatterie in einer geräteexternen Zentraleinheit mithilfe eines digitalen Zwillings
EP4054899B1 (de) Verfahren und system zum vorhersagen einer motorstart-performance eines elektrischen energiespeichersystems
DE102022208929A1 (de) Verfahren und Vorrichtung zum Ermitteln eines Alterungszustands einer Gerätebatterie in einem technischen Gerät mittels Edge Computing
DE102022202112A1 (de) Verfahren zur Diagnose einer Gerätebatterie eines technischen Geräts auf Basis elektrochemischer Modellparameter
DE102021214154A1 (de) Computerimplementiertes Verfahren zum Bereitstellen eines Alterungszustandsmodells zur Bestimmung eines aktuellen und prädizierten Alterungszustands eines elektrischen Energiespeichers mithilfe von maschinellen Lernverfahren
DE102020008113A1 (de) Verarbeitung von zustandsdaten einer batterie zur alterungsschätzung

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: 21701652

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2021701652

Country of ref document: EP

Effective date: 20220816