WO2025010459A1 - Verfahren und system zur ermittlung einer ladestromgrenze für einen ladeprozess einer wiederaufladbaren batterie - Google Patents

Verfahren und system zur ermittlung einer ladestromgrenze für einen ladeprozess einer wiederaufladbaren batterie Download PDF

Info

Publication number
WO2025010459A1
WO2025010459A1 PCT/AT2024/060265 AT2024060265W WO2025010459A1 WO 2025010459 A1 WO2025010459 A1 WO 2025010459A1 AT 2024060265 W AT2024060265 W AT 2024060265W WO 2025010459 A1 WO2025010459 A1 WO 2025010459A1
Authority
WO
WIPO (PCT)
Prior art keywords
battery
parameters
model
control
battery device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/AT2024/060265
Other languages
English (en)
French (fr)
Inventor
Ayse Cisel ARAS KACAR
Furkan Metin TURGUT
Ece KURT ÖNOL
Melik Burga OZCELIK
Oguzhan ESEN
Thyagesh SIVARAMAN
Metehan SAHIN
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
AVL List GmbH
Original Assignee
AVL List 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 AVL List GmbH filed Critical AVL List GmbH
Priority to EP24758133.3A priority Critical patent/EP4710403A1/de
Priority to CN202480046004.5A priority patent/CN121532925A/zh
Publication of WO2025010459A1 publication Critical patent/WO2025010459A1/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries
    • H02J7/60—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries including safety or protection arrangements
    • H02J7/62—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries including safety or protection arrangements against overcurrent
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—ELECTRIC POWER NETWORKS; CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J7/00—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries
    • H02J7/80—Circuit arrangements for charging or discharging batteries or for supplying loads from batteries including monitoring or indicating arrangements
    • 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

  • the present invention relates to a method for determining a charging current limit for a charging process of a rechargeable battery device, in particular at low operating temperatures.
  • the invention also relates to a computer program product for computer-based execution of the steps of the method according to the invention and also to a control system for controlling a charging process of a rechargeable battery device.
  • the invention also relates to a battery charging system with the control system according to the invention.
  • lithium plating One of the underlying principles of degradation in lithium-ion batteries is so-called lithium plating.
  • Lithium plating is the formation of metallic lithium on the anode of lithium-ion batteries during the charging process.
  • the deposit on the anode reduces the amount of lithium ions available in the battery's electrolyte.
  • a barrier layer is formed on the anode to prevent the free diffusion of lithium ions into the anode.
  • Such storage can also be referred to as intercalation.
  • lithium plating is that at high charging currents the surface of the anode can become enriched with lithium ions, meaning that there are more lithium ions on the anode than can be stored in it. This can lead to the lithium ions reacting to form metallic lithium and being deposited on the anode. This effect is further increased by the presence of low charging temperatures, as this slows down the diffusion rate of the lithium ions into the anode.
  • a first aspect of the invention relates to a method for determining a charging current limit for a charging process of a rechargeable battery device.
  • the method has a step in which measurement parameters are determined on the battery device.
  • the measurement parameters include at least an operating temperature, a battery voltage and a battery current of the battery device.
  • battery parameters are determined from a physics-based battery model for mapping physical processes taking place in the battery device. At least one expected temperature progression of the operating temperature and an electrode voltage are determined as the battery parameters on the basis of the recorded measurement parameters as input parameters of the battery model.
  • prediction parameters for the occurrence of metal plating on an electrode of the battery device are determined from a, in particular data-driven, prediction model.
  • At least one predicted occurrence time of metal plating is determined on the basis of at least the determined battery parameters as input parameters of the prediction model as the prediction parameters.
  • at least one control parameter for controlling a charging process is determined from a, in particular data-driven, control model.
  • at least the charging current limit is determined as the at least one control parameter and the determined charging current limit is output.
  • output can be understood in particular as providing at least one value. This can be understood, for example, as simply providing at least one value, but also as outputting at least one value for further display and/or processing, in particular control.
  • the output charging current limit forms an upper limit of the charging current.
  • control parameters for a charging process of a rechargeable battery device can be determined.
  • the control parameters can in particular be parameters that allow a battery charging process to be controlled and/or regulated.
  • a rechargeable battery device can in particular be understood as a rechargeable, electrochemical power storage device.
  • measurement parameters are determined on the battery device.
  • the measurement parameters are recorded in particular by physical measurement on the battery device.
  • the operating temperature can be determined as a temperature inside the battery device.
  • the operating temperature can also be an average of several cell temperatures, a housing temperature or the like.
  • the battery voltage can be tapped as a total voltage at the connection contacts of the battery device and/or recorded by determining individual cell voltages.
  • the battery current can be understood as a total current that can be provided by the battery device at any given time.
  • battery parameters are determined from a physics-based battery model to represent physical processes occurring in the battery device.
  • the physics-based battery model can represent the physical processes occurring in the battery device, for example, using equations, constants specifications or other contexts. Using the recorded measurement parameters, this physics-based battery model can determine battery parameters that characterize the state of the battery device or the state of components of the battery device from a physical point of view.
  • the operating parameters determined contain at least an expected temperature progression of the operating temperature and an electrode voltage.
  • the expected temperature progression is to be understood in particular as a forecast of the temperature progression over a period of time in the future.
  • the operating temperature and its progression over the next 5 seconds can be determined as operating parameters using the physics-based battery model.
  • the period for the forecast preferably begins directly after the recording time of the measurement parameters.
  • the electrode voltage can in particular be an estimate of a current value. However, it is also conceivable that the electrode voltage can be understood as a predicted value for a period in the future.
  • the battery parameters are used in a, in particular data-driven, prediction model to determine a predicted occurrence time for the occurrence of metal plating on at least one of the electrodes of the battery device.
  • the occurrence time can be designed, for example, as an absolute date in the future, as the remaining operating time until metal plating occurs, as remaining charging cycles or the like.
  • the predicted occurrence time of metal plating can be determined from a prediction model based on at least the determined battery parameters and the recorded measurement parameters as input parameters of the prediction model.
  • Metal plating can be understood in particular as the formation of metal deposits on one of the electrodes of a metal-ion battery.
  • a sodium deposit can occur in a sodium-ion battery or a calcium deposit can occur in a calcium-ion battery.
  • the prediction parameters are determined using a model, in particular a data-driven model.
  • a data-driven model can be understood in particular as a model in which relationships between input and output variables are determined and/or modeled using data.
  • At least one control parameter for controlling a charging process is determined from a control model, in particular a data-driven one.
  • At least the charging current limit is determined as the at least one control parameter based on the measurement parameters, the battery parameters and the prediction parameters as input parameters of the control model.
  • a weighting in the sense of the invention can be understood in particular as a combination of the measurement parameters, the battery parameters and the prediction parameters in which a weight is assigned to the respective parameters.
  • the weights of the respective parameters can differ from one another.
  • the weights can, for example, reflect the influence of the individual parameters on the occurrence of metal plating.
  • the existing complexity is also controlled here by a model, in particular a data-driven one. Unnecessary limitations of the charging current during a fast charging phase are therefore no longer necessary.
  • the process can be implemented using conventional battery infrastructure.
  • the at least one control parameter for controlling a charging process in particular for a rapid charging process at operating temperatures below 15° Celsius, or 10° Celsius, or 5° Celsius, or 0° Celsius, or -5° Celsius, can be determined.
  • a fast charging process can be understood in particular as a charging process with a charging power of more than 50kW.
  • control parameters for controlling the charging process can be determined, in particular heating control parameters for controlling heating of the battery device.
  • control parameters can have heating control parameters for controlling preheating of the battery device.
  • the heating control parameters can preferably be provided for internal pulse rate heating of the battery device.
  • the heating control parameters can preferably have at least one activation and/or deactivation of an external or internal heater, one activation of heating, one deactivation of heating, a preheating time, a preheating amplitude, a charging current frequency, a pulse width of a heating charging current, a discharge current frequency, a pulse width of the discharge current, a battery target temperature, an operating temperature limit value for activating preheating of the battery device, or an operating temperature limit value for deactivating preheating of the battery device.
  • the charging current limit be adjusted, but it is also possible to actively influence the charging process and/or the battery device.
  • an internal or external heating of the battery device can be activated or deactivated.
  • the invention also makes it possible to weigh up whether After heating, an overall higher charging current can be achieved, which can compensate for time losses of an initial preheating or preheating phase.
  • the battery model can be provided as an analytical model for determining an electrochemical state of the battery device, a Kalman filter, a Doyle-Fuller-Newman model and/or as a single particle model.
  • An analytical model can be understood in particular as a model in which relationships between input and output variables are determined and/or modeled using mathematical relationships.
  • the above-mentioned configurations of the battery model allow an analytically precise description of a current and possibly future state of the battery device.
  • other indicators for the occurrence of metal plating can also be determined more precisely analytically. Examples of such indicators include a gradually decreasing discharge voltage, an increase in electrode resistance, an increase in electrode overpotential, or a change in electrolyte polarization.
  • control model, the prediction model, or the control model and the prediction model can be based on a machine learning method, preferably on a reinforcement learning method.
  • the charging current limit can be determined as one of the control parameters based on a weighting of the measurement parameter, the battery parameters and the prediction parameters as input parameters of the control model and in particular the weighting of the input parameters of the control model can be determined by means of machine learning in at least two steps.
  • a learning step an initial weighting can be determined as the weighting.
  • the weighting can be determined during the charging process, wherein in this step the weighting is adjusted based on at least the measurement parameters.
  • the weighting can be continuously adjusted in the revaluation step.
  • a weighting of the input parameters of the prediction model can be determined by means of machine learning in at least two steps.
  • an initial weighting can be determined as the weighting and in a re-evaluation step, the weighting can be determined during the loading process in which the weighting can be adjusted based on at least the measurement parameters.
  • the weighting can be adjusted continuously in the re-evaluation step.
  • the method can be provided with a high degree of accuracy and adapted to the respective process or to the respective battery model. Due to the configuration, according to which the weighting can be continuously adjusted, continuous learning of the models, especially data-driven ones, is possible. This also allows unavoidable aging processes of the battery device or changes due to damage to be taken into account.
  • the weighting of the input parameters of the control model can also be determined from a time-varying prioritization of the input parameters and a time-varying prioritization of the output control parameters.
  • the prioritization of the input parameters of the control model can preferably be carried out to assess a risk of metal plating occurring.
  • the prioritization of the output control parameters can preferably be carried out to assess the ability to counteract the occurrence of metal plating with the respective control parameters. Prioritization can be determined in each case based on a comparison of current values of at least the measurement parameters and/or the battery parameters with relatively historical values of the output control parameters.
  • the model can not only take into account a relationship between output values and input values, but also their importance to each other and learned. In this way, the control behavior can be optimized and, if possible, determined as a compromise between conflicting requirements.
  • the measurement parameters may further comprise at least one cell voltage of one or more cells of the battery device as the battery voltage, an occurring charging current, or several locally different operating temperatures.
  • the accuracy of the model results and thus of the determined control parameters can be further increased. Furthermore, the influence of measurement inaccuracies or outliers in the measurement data can be reduced.
  • the battery parameters may further comprise at least a state of charge of the battery device, an electrode overpotential, or a state of health of the battery device.
  • the expected temperature progression of the operating temperature may preferably comprise a future temporal progression of an operating temperature at one or different sections of the battery device.
  • the prediction parameters may further comprise a predicted remaining charging time.
  • control model Further information for controlling the charging process can be determined, which can be used by the control model and/or by a user of the process.
  • control parameters can further comprise at least one activation of the charging process, one deactivation of the charging process, a pulse width of a charging current, or a duration of a charging current.
  • the battery model can have a battery temperature model for mapping a temporal progression and/or a local profile of the at least one operating temperature of the battery device.
  • the battery model can have a battery state model for the preferably numerical mapping of chemical and/or electrical processes in the battery device.
  • the battery state model can preferably have at least one initial ion concentration in an electrolyte of the battery device, a diffusion rate of ions into one of the electrodes, a reaction coefficient of the chemical reactions taking place in the battery device, or an electrical conductivity of an electrolyte provided in the battery device as the input parameters.
  • the accuracy of the analytically determined battery parameters can be increased, so that an overall improvement in the determination of the control parameters can be achieved.
  • the battery device can be a lithium-ion battery with preferably one or more battery cells.
  • lithium plating can occur as the metal plating.
  • the electrode can be an anode.
  • the electrode voltage can be an anode voltage.
  • the anode can preferably comprise graphite and/or metal.
  • This provides a determination of the charging current limit for lithium-ion batteries.
  • a further aspect of the present invention relates to a computer program product which has instructions which, when the program is executed by a computer, cause the computer to carry out one or more of the steps of the method described above.
  • a further aspect of the present invention relates to a control system for determining a charging current limit of a rechargeable battery device.
  • the control system has a measuring module for recording measurement parameters on the battery device.
  • the measurement parameters include at least an operating temperature, a battery voltage and a battery current of the battery device.
  • the control system also has a battery status module for determining battery parameters from a physics-based battery model for mapping physical processes taking place in the battery device.
  • the battery model has at least the measurement parameters as input parameters.
  • the battery parameters are at least an expected temperature progression of the operating temperature and an electrode voltage.
  • the control system also has a prediction module for determining prediction parameters for the occurrence of metal plating on an electrode of the battery device from a, in particular data-driven, prediction model.
  • the prediction model has at least the battery parameters as input parameters.
  • the prediction parameters have at least one predicted onset time for the metal plating.
  • the control system also has a control determination module for determining at least one control parameter for controlling the charging process from a, in particular data-driven, control model.
  • the control model has the measurement parameters, the battery parameters and the prediction parameters as input parameters, wherein the at least one control parameter is based in particular on a weighting of these input parameters.
  • the at least one control parameter has at least one charging current limit.
  • the charging current limit can be determined as a time profile.
  • the control system also has an output module for outputting the determined charging current limit in order to control the charging process, in particular based on the at least one control parameter.
  • the measuring module can have at least one current sensor, a voltage sensor and/or a temperature sensor.
  • control system and the computer program product can achieve the same technical effects and advantages as have already been described for the aforementioned method.
  • control parameters for a rapid charging process of a battery device at low temperatures can be determined precisely.
  • precise control of the charging process is enabled.
  • the measuring module and/or the battery status module can be provided on a first computing unit.
  • the measuring module and/or the battery status module can be provided on a battery control unit of the battery device.
  • the prediction module and/or the control determination module can be provided on a second computing unit.
  • the second computing unit can be provided differently from the first computing unit.
  • the prediction module and/or the control determination module can be provided on an external server or cloud server.
  • the models especially data-driven ones, can be operated on an external computer, which can have higher computing power. This can increase the speed of determining the charging current limit. This makes it possible, for example, to provide the control system as a real-time capable system.
  • a further aspect of the invention relates to a battery charging system.
  • the battery charging system has a rechargeable battery device with at least one battery cell.
  • the battery charging system also has charging connections for coupling electrodes of the battery device to an electrical charging device in order to electrically charge the battery device with a charging current.
  • the battery charging system also has the aforementioned control system.
  • the output charging current limit is specified as an upper limit of the charging current by the control system.
  • the aforementioned battery charging system can achieve the same technical effects and advantages as have already been described for the aforementioned method, the aforementioned computer program product and the aforementioned control system.
  • a rapid charging process of a battery device at low temperatures can be precisely controlled, thereby reducing the risk of metal plating occurring.
  • Fig. 1 shows an embodiment of a method according to the invention
  • Fig. 2 shows an embodiment of a control system according to the invention
  • Fig. 3 shows another embodiment of a control system according to the invention
  • Fig. 4 shows another embodiment of a control system according to the invention
  • Fig. 5 shows an embodiment of a battery charging system according to the invention.
  • Figure 1 shows exemplary steps of a method 100 according to the invention, from which a sequence of commands of a computer program product according to the invention can also be derived by way of example.
  • Figures 2 to 5 each show exemplary different embodiments of a control system 10 according to the invention.
  • Figure 5 shows an embodiment of a battery charging system 90 according to the invention.
  • the method 100 in Figure 1 is designed to determine a charging current limit for influencing a charging process of a rechargeable battery device 1000, and for this purpose has a series of steps which can be run through iteratively during a charging process. Preferably, the steps can also be run through repeatedly and continuously. Thus, the value of the charging current limit can change or remain the same in the next iteration.
  • a measuring step S20 is thus carried out in which measurement parameters MP are determined on the battery device 1000.
  • the measurement parameters MP comprise at least an operating temperature, a battery voltage and a battery current of the battery device 1000.
  • a battery state determination step S30 is carried out in which battery parameters BP are determined from a physics-based battery model.
  • the physics-based battery model is designed to depict physical processes that take place in the battery device 1000.
  • the battery parameters BP include an expected temperature progression of the operating temperature and an electrode voltage of the battery device 1000.
  • prediction parameters VP for the occurrence of metal plating on an electrode 1001, 1002 of the battery device 1000 are determined from a, in particular data-driven, prediction model.
  • the prediction parameters VP comprise at least one predicted occurrence time for the metal plating on an electrode of the battery device 1000 and are determined on the basis of at least the battery parameters BP as input parameters of the prediction model.
  • control parameters KP sought for controlling the charging process are determined from a control model, in particular a data-driven one.
  • the control parameters KP comprise at least one charging current limit.
  • the control parameters are determined based on a weighting of the measurement parameters MP, the battery parameters BP and the prediction parameters VP as input parameters of the control model using the control model.
  • step S60 the charging current limit determined in this way is output to control the charging process.
  • the prediction model and the control model are a model, in particular a data-driven model, and not an analytical model.
  • the prediction model can be designed, for example, as an artificial neural network, as a Markov model, as logistic regression or as a decision tree-based algorithm.
  • An input layer in which each neuron represents the input features can be provided.
  • intermediate layers and an output layer with output features can be provided.
  • the individual layers can be connected to one another via weightings and input matrices.
  • the input characteristics of the predictive model may be, for example, an anode overvoltage, a state of health of the battery device 1000, a cell voltage, or temperatures associated with various segments of the battery cell 1003.
  • the output characteristics of the predictive model may be an estimated charge duration or the predicted onset time to a metal plating event.
  • the predictive model may output as the predicted onset time that metal plating is expected to occur within the next 30 seconds.
  • the control model can preferably simulate a controller for the operating temperature of the battery device 1000 and the charging current.
  • a suitable heating configuration for a preheating phase of the battery device 1000 can be determined from the control model.
  • charging and discharging pulses to be set and their pulse frequency can be determined.
  • the control model can preferably be based on reinforcement learning.
  • the requirements arising during the charging process can be defined, for example, as a Markov decision process.
  • a Markov decision process comprises an environment, states of the environment and executable actions from which a choice can be made.
  • preheating and short charging times of the battery device 1000 can be defined as components of a Markov environment.
  • the charging time and the prediction of the occurrence of metal plating can be defined as states of the environment.
  • the manipulation of the preheating, the configuration of the charging and discharging pulses and the charging current limit can be defined as executable actions. In this case, for example, a last assumed value can be either kept the same, reduced or increased as an action.
  • the control model is preferably designed in such a way that the choice of actions is not based on chance, i.e. the choice is deterministic.
  • the weightings or other parameters for the models, in particular data-driven models can be determined using a sufficient amount of training data sets.
  • the weightings or parameters determined and trained in this way can be validated using a validation data set. It is preferred that the training and validation data sets come from real test environments.
  • the training step can be considered completed when the accuracy of the weightings or other parameters only increases.
  • the training step can be considered completed when the absolute error between the validation data sets and the data sets calculated from the models, in particular data-driven models, has been sufficiently reduced.
  • Continuous learning and dynamic adjustment of the weightings can be achieved, for example, in a re-evaluation step S42, S52.
  • a re-evaluation step S42, S52 for example, past data and parameters are analyzed and related to the output values of the prediction model or the control model.
  • FIG. 2 shows an example of the control system 10.
  • the control system 10 is suitable and designed for controlling a rapid charging process of a rechargeable battery device, such as the aforementioned battery device 1000.
  • the battery device 1000 may in particular be a lithium-ion battery.
  • the battery device 1000 is shown as an example in Figure 4.
  • the battery device 1000 can have one or more battery cells 1003.
  • the voltage potential of the battery cells 1003 can be reversibly adjustable.
  • the individual battery cells 1003 can be connected together as a voltage and/or current source.
  • the battery device 1000 can have two electrodes 1001, 1002 for power output or power consumption. Furthermore, it is also conceivable that the battery device 1000 has further electrodes for potential and current measurements. It is also conceivable that the battery device 1000 can be part of the control system 10.
  • the control system 10 has a measuring module 20 for detecting the measurement parameters MP on the battery device 1000.
  • the measuring module 20 or the battery device 1000 can have sensors which are suitable for detecting the measurement parameters. Further details on the sensors are described in the following description of Figure 4.
  • the control system 10 also has a battery status module 30 for determining the battery parameters BP.
  • the battery status module 30 has a physics-based battery model. With the physics-based battery model, for example, physical processes taking place in the battery device 1000 can be described in formulas and expressed numerically. It is clear from Figure 2 that the battery model has at least the measurement parameters MP as input parameters and the battery parameters BP as output parameters.
  • the battery status module 30 and the measuring module 20 can both be provided on a first computing unit 11.
  • the first computing unit 11 can be a battery control unit, for example.
  • control system 10 also has a prediction module 40 for determining prediction parameters VP for the occurrence of metal plating on an electrode 1001, 1002 of the battery device 1000 from a, in particular data-driven, prediction model.
  • prediction model can have the measurement parameters MP as input parameters in addition to the battery parameters BP. It is also conceivable to use only the measurement parameters MP as input parameters of the prediction model.
  • control system 10 has a control determination module 50 for determining the control parameters KP for controlling the charging process with a control model, in particular a data-driven one.
  • control model has the measurement parameters MP, the battery parameters BP and the prediction parameters VP as input parameters.
  • the control determination module 50 weights these input parameters in order to determine the at least one control parameter KP.
  • control system 10 has an output module 60 for outputting the at least one control parameter KP in order to control the charging process based on the at least one control parameter KP.
  • the output module 60 can be designed as a data interface or a data bus for transmitting data to other devices outside the control system. Such other devices can be, for example, the battery device 1000 or an external battery charging device.
  • the prediction module 40, the control determination module 50 and/or the output module 60 can each be provided on a second computing unit 12.
  • the second computing unit 12 can be a cloud server.
  • Figure 3 shows the control system 10 with a configuration similar to Figure 2. Similarities between the embodiments will therefore not be discussed below.
  • Figure 3 discloses a preferred embodiment of the battery condition module 30.
  • the battery condition module 30 shown as an example in Figure 3 has a battery temperature model 31 and a battery condition model 32 as the battery model.
  • an expected temporal progression of a temperature of the battery device 1000 can be determined as a temperature parameter TP.
  • a local profile of a temperature of the battery device 1000 can be analytically determined as a further component of the temperature parameter TP.
  • the battery state model 32 chemical and/or electrical processes in the battery device 1000 can be simulated and output as battery state parameters BSP.
  • the battery state model 32 can also take into account parameters other than the measurement parameters MP, such as an initial ion concentration or a diffusion rate of ions of the battery device 1000.
  • the battery condition parameters BSP and the temperature parameters TP can be output as the battery parameters BP by the battery condition module 30 via a signal connector 34.
  • Figure 4 shows the control system 10 with a configuration like that of Figure 2 and Figure 3. Commonalities between the embodiments will therefore not be discussed below.
  • Figure 4 discloses a preferred embodiment of the measuring module 20.
  • Figure 4 shows the control system 10 with the measuring module 20, which has several sensors for recording the measurement parameters MP on the battery device 1000.
  • the battery device 1000 in particular has such sensors.
  • Figure 4 shows by way of example that the cell voltage of each of the battery cells 1003 is determined by a voltage sensor 21.
  • a local temperature profile of the operating temperature of the battery device 1000 can be recorded by means of several distributed temperature sensors 22.
  • the battery current emitted by the battery device 1000 or taken in for charging can be recorded by the measuring module 20 by means of the current sensor 23.
  • the battery device 1000, the sensors 21, 22, 23 and the first computing unit 11, which may include the measuring module 20 and the battery status module 30, may be provided as a structural unit and thus form, for example, a battery module 1100.
  • Figure 4 discloses a preferred embodiment in which the prediction module 40, the control determination module 50 and the output module 60 are completely contained in the second computing unit 12. Accordingly, the prediction module 40, the control determination module 50 and the output module 60 are not shown separately in Figure 4.
  • Figure 5 shows the battery charging system 90. This has the battery device 1000 with at least one of the aforementioned battery cells 1003 and the control system 10. Furthermore, Figure 5 shows an example of an electrical charging device 1200, which is connected to the electrodes of the battery device 1000 via electrical lines with charging connections of the battery charging system 90 in order to electrically charge the battery device 1000 with a charging current.
  • the charging device 1200 can be part of the battery charging system 90.
  • the charging current limit determined and output by the control system 10 as the at least one control parameter KP is specified to the battery device 1000 or the charging device 1200 as an upper limit of the charging current by the control system 10.

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)

Abstract

Die Erfindung betrifft ein Verfahren (100), ein Computerprogrammprodukt, ein Kontrollsystem (10) und ein Batterieladesystem (90) zur Ermittlung einer Ladestromgrenze für einen Ladeprozess einer wiederaufladbaren Batterievorrichtung (1000). Dabei werden an der Batterievorrichtung (1000) Messparameter (MP) erfasst. Ferner werden Batterieparameter (BP) mittels eines prozessphysik-basierten Batteriemodells basierend auf den erfassten Messparametern (MP) ermittelt. Ferner werden Vorhersageparameter (VP) für den Eintritt von Metal-Plating an einer Elektrode (1001, 1002) der Batterievorrichtung (1000) anhand eines, insbesondere datengetriebenen, Vorhersagemodells ermittelt, wobei auf Basis von wenigstens den Batterieparametern (BP) als Eingangsparameter des Vorhersagemodells wenigstens eine prognostizierte Eintrittszeit von Metal-Plating als Vorhersageparameter (VP) ermittelt wird. Kontrollparameter (KP) zur Kontrolle des Ladeprozesses werden mithilfe eines ebenfalls, insbesondere datengetriebenen, Kontrollmodells ermittelt, wobei basierend auf den Messparametern (MP), den Batterieparametern (BP) und den Vorhersageparametern (VP) die Ladestromgrenze als der zumindest eine Kontrollparameter (KP) ermittelt wird und die ermittelte Ladestromgrenze zur Vorgabe des Ladestroms an ein Batterieladesystem (90) ausgegeben wird.

Description

Verfahren und System zur Ermittlung einer Ladestromgrenze für einen Ladeprozess einer wiederaufladbaren Batterie
Die vorliegende Erfindung betrifft ein Verfahren zur Ermittlung einer Ladestromgrenze für einen Ladeprozess einer wiederaufladbaren Batterievorrichtung, insbesondere bei niedrigen Betriebstemperaturen. Die Erfindung betrifft zudem ein Computerprogrammprodukt zur computerbasierten Ausführung der Schritte des erfindungsgemäßen Verfahrens und ferner ein Kontrollsystem zur Kontrolle eines Ladeprozesses einer wiederaufladbaren Batterievorrichtung. Zudem betrifft die Erfindung ein Batterieladesystem mit dem erfindungsgemäßen Kontrollsystem.
Das schnelle Aufladen von wiederaufladbaren Batterien gewinnt an zunehmender Bedeutung für eine Vielzahl unterschiedlicher Anwendungsfelder. Insbesondere in der Fahrzeugindustrie soll schnelles Aufladen von Fahrzeugbatterien auch rein elektrisch betriebenen Fahrzeugen das Zurücklegen weiter Distanzen ermöglichen. Hierzu soll der Ladevorgang innerhalb eines akzeptablen Zeitraums erfolgen können.
Aus dem Stand der Technik bekannte Lösungen erlauben das schnelle Aufladen von Batterien unter bestimmten Bedingungen. Eine Herausforderung beim Schnellladen von Batterien besteht u.a. darin, dass innerhalb kurzer Zeit eine hohe Ladungsmenge in der Batterie durch Ablauf von elektrochemischen Prozessen transportiert werden muss. Diese Prozesse weisen eine Temperaturabhängigkeit auf, die bei Temperaturen unter 15° Celsius und bei hohen Ladestromstärken zu einer Degradation der aufzuladenden Batterie führen kann.
Ein der Degradation zugrundeliegendes Wirkprinzip ist bei Lithium-Ionen-Batterien das sogenannte Lithium-Plating.
Lithium-Plating ist die Bildung von metallischem Lithium an der Anode von Lithium- Ionen-Batterien während des Ladevorgangs. Durch die Ablagerung an der Anode wird zum einen die Menge der im Elektrolyten der Batterie zur Verfügung stehenden Lithium-Ionen reduziert. Zugleich wird an der Anode eine Sperrschicht gegen die freie Diffusion der Lithium-Ionen in die Anode gebildet. Folglich können weniger Lithium-Ionen in die Anode diffundieren und sich dort einlagern. Eine solche Einlagerung kann auch als Interkalation bezeichnet werden.
Eine Ursache für das Lithium-Plating ist, dass es bei hohen Ladeströmen an der Oberfläche der Anode zu einer Anreicherung mit Lithium-Ionen kommen kann, also mehr Lithium-Ionen an der Anode vorliegen als in dieser eingelagert werden können. Dies kann dazu führen, dass die Lithium-Ionen zu metallischem Lithium reagieren und sich an der Anode ablagern. Dieser Effekt wird durch das Vorliegen niedriger Ladetemperaturen weiter verstärkt, da hierbei die Diffusionsgeschwindigkeit der Lithium-Ionen in die Anode verlangsamt wird.
Im Stand der Technik wird zum Beispiel versucht das Problem des Lithium-Plating mittels einer Parameterüberwachung zu adressieren, wie dies zum Beispiel die US 2017/203667 A1 zeigt. So werden bestimmte Parameter der Batterie, wie deren Entladespannung, überwacht und bei Erreichen eines festgelegten Grenzwertes das Eintreten des Lithium-Plating festgestellt. Derartige Verfahren sind jedoch relativ ungenau und versuchen erst dann auf den Ladeprozess Einfluss zu nehmen, wenn Lithium-Plating bereits eingetreten ist.
Andere aus dem Stand der Technik bekannte Vorrichtungen adressieren das Problem des Lithium-Plating, indem bei niedrigen Temperaturen eine externe Heizung für die Batterie zugeschaltet wird, um derart den Eintritt von Lithium-Plating zu verhindern oder zumindest hinauszuzögern. Nachteilig an solchen Lösungen ist, dass das Heizen der Batterie ein relativ energieintensiver Prozess ist und somit der Ladevorgang verlängert wird. Zudem kann aufgrund der Komplexität der in der Batterie ablaufenden Prozesse durch ein pauschales Zuschalten einer Heizung kein situationsangepasster Steuerprozess des Ladevorgangs ermöglicht werden, um den Eintritt von Lithium-Plating zu verhindern oder diesem zumindest entgegenzuwirken. Ferner erfordert dieses Vorgehen eine bestimmte Restlademenge der Batterie, um das Heizen zu ermöglichen. Gerade bei besonders stark entladenen Batterien kann ein derartiges Vorgehen somit nicht ermöglicht werden, so dass entweder trotz widriger Umstände ein Schnellladen zu erfolgen hat oder ein Schnellladen nicht ermöglicht wird.
Es ist Aufgabe der vorliegenden Erfindung, die voranstehend beschriebenen Nachteile zumindest teilweise zu beheben. Insbesondere ist es Aufgabe der vorliegenden Erfindung, Verfahren und Systeme bereitzustellen, mittels derer ein Ladeprozess, insbesondere ein Schnellladeprozess, bei niedrigen Betriebstemperaturen energieeffizient und unter Vermeidung von Metal-Plating gesteuert und möglichst schnell durchgeführt werden kann.
Die voranstehende Aufgabe wird gelöst durch ein Verfahren mit den Merkmalen des Anspruchs 1 , ein Computerprogrammprodukt mit den Merkmalen des Anspruchs 13, ein Kontrollsystem mit den Merkmalen des Anspruchs 14 sowie ein Batterieladesystem mit den Merkmalen des Anspruchs 17.
Weitere Vorteile und Merkmale der Erfindung ergeben sich aus den Unteransprüchen, der Beschreibung und den Zeichnungen. Dabei gelten Merkmale und Details, die im Zusammenhang mit dem erfindungsgemäßen Verfahren beschrieben sind, selbstverständlich auch im Zusammenhang mit dem erfindungsgemäßen Computerprogrammprodukt, mit dem erfindungsgemäßen Kontrollsystem sowie mit dem erfindungsgemäßen Batterieladesystem und jeweils umgekehrt, sodass bezüglich der Offenbarung zu den einzelnen Erfindungsaspekten stets wechselseitig Bezug genommen wird und Bezug genommen werden kann.
Ein erster Aspekt der Erfindung betrifft ein Verfahren zur Ermittlung einer Ladestromgrenze für einen Ladeprozess einer wiederaufladbaren Batterievorrichtung. Das Verfahren weist einen Schritt auf, in dem Messparameter an der Batterievorrichtung ermittelt werden. Dabei weisen die Messparameter wenigstens eine Betriebstemperatur, eine Batteriespannung und einen Batteriestrom der Batterievorrichtung auf. Weiterhin werden Batterieparameter aus einem physikbasierten Batteriemodell zur Abbildung von in der Batterievorrichtung ablaufenden physikalischen Prozessen ermittelt. Es werden wenigstens ein zu erwartender Temperaturfortschritt der Betriebstemperatur und eine Elektrodenspannung als die Batterieparameter auf Basis der erfassten Messparameter als Eingangsparameter des Batteriemodells ermittelt. In einem weiteren Schritt werden Vorhersageparameter für den Eintritt von Metal-Plating an einer Elektrode der Batterievorrichtung aus einem, insbesondere datengetriebenen, Vorhersagemodell ermittelt. Dabei wird wenigstens eine prognostizierte Eintrittszeit von Metal-Plating auf Basis von wenigstens den ermittelten Batterieparametern als Eingangsparameter des Vorhersagemodells als die Vorhersageparameter ermittelt. Zudem wird zumindest ein Kontrollparameter zur Kontrolle eines Ladeprozesses aus einem, insbesondere datengetriebenen, Kontrollmodell ermittelt. Dabei wird basierend auf den Messparametern, den Batterieparametern und den Vorhersageparametern als Eingangsparameter des Kontrollmodells wenigstens die Ladestromgrenze als der zumindest eine Kontrollparameter ermittelt und die ermittelte Ladestromgrenze wird ausgegeben.
Dabei kann unter Ausgeben insbesondere eine Bereitstellung zumindest eines Wertes verstanden werden. Darunter kann beispielsweise ein bloßes Bereitstellen zumindest eines Wertes verstanden werden, aber auch eine Ausgabe zumindest eines Wertes zur weiteren Darstellung und/oder Weiterverarbeitung, insbesondere Regelung.
Dabei bildet die ausgegebene Ladestromgrenze eine Obergrenze des Ladestroms.
Mit anderen Worten kann durch die Erfindung ein Verfahren bereitgestellt werden, mittels dessen Kontrollparameter für einen Ladeprozess einer wiederaufladbaren Batterievorrichtung ermittelt werden können. Bei den Kontrollparametern kann es sich insbesondere um Parameter handeln, die ein Steuern und/oder Regeln eines Batterie-Auflade-Prozesses erlauben. Eine wiederaufladbare Batterievorrichtung kann insbesondere als ein wiederaufladbarer, elektrochemischer Stromspeicher verstanden werden.
In dem erfindungsgemäßen Verfahren werden Messparameter an der Batterievorrichtung ermittelt. Die Messparameter werden insbesondere durch physikalische Messung an der Batterievorrichtung erfasst. So kann zum Beispiel die Betriebstemperatur als eine Temperatur im Inneren der Batterievorrichtung ermittelt werden. Die Betriebstemperatur kann zum Beispiel auch ein Mittelwert mehrerer Zelltemperaturen, eine Gehäusetemperatur oder Ähnliches sein. Die Batteriespannung kann zum Beispiel als Gesamtspannung an den Anschlusskontakten der Batterievorrichtung abgegriffen werden und/oder mittels Bestimmung einzelner Zellspannungen erfasst werden. Der Batteriestrom kann zum Beispiel als eine von der Batterievorrichtung momentan bereitstellbare Gesamtstromstärke verstanden werden.
Weiterhin werden Batterieparameter aus einem physik-basierten Batteriemodell zur Abbildung von in der Batterievorrichtung ablaufenden physikalischen Prozessen ermittelt. Das physik-basierte Batteriemodell kann die in der Batterievorrichtung ablaufenden physikalischen Prozesse zum Beispiel mittels Gleichungen, konstanten Vorgaben oder anderen Zusammenhängen abbilden. Mittels der erfassten Messparameter kann dieses physik-basierte Batteriemodel Batterieparameter ermitteln, welche den Zustand der Batterievorrichtung oder den Zustand von Komponenten der Batterievorrichtung aus physikalischer Sicht charakterisieren.
Die ermittelten Betriebsparameter enthalten im Sinne der vorliegenden Erfindung zumindest einen zu erwartenden Temperaturfortschritt der Betriebstemperatur und eine Elektrodenspannung. Unter dem zu erwartenden Temperaturfortschritt ist insbesondere eine Prognose des Temperaturverlaufs über einen Zeitraum in der Zukunft zu verstehen. Zum Beispiel kann die Betriebstemperatur und deren Verlauf über die kommenden 5 Sekunden als Betriebsparameter mittels des physik-basierten Batteriemodells ermittelt werden. Vorzugsweise beginnt der Zeitraum für die Prognose direkt im Anschluss an den Erfassungszeitunkt der Erfassung der Messparameter.
Bei der Elektrodenspannung kann es sich insbesondere um eine Schätzung eines momentanen Werts handeln. Jedoch ist es auch für die Elektrodenspannung vorstellbar, dass diese als prognostizierter Wert für einen Zeitraum in der Zukunft zu verstehen ist.
Die Batterieparameter werden in einem, insbesondere datengetriebenen, Vorhersagemodell verwendet, um eine prognostizierte Eintrittszeit für einen Eintritt von Metal-Plating an wenigstens einer der Elektroden der Batterievorrichtung als zu ermitteln. Die Eintrittszeit kann zum Beispiel als absolutes Datum in der Zukunft, als restliche Betriebsdauer bis zum Eintreten von Metal-Plating, als verbleibende Ladezyklen oder Ähnliches ausgebildet sein. Die prognostizierte Eintrittszeit von Metal-Plating kann dabei aus einem Vorhersagemodell auf Basis von wenigstens den ermittelten Batterieparametern und den erfassten Messparametern als Eingangsparameter des Vorhersagemodells ermittelt werden.
Dabei kann unter Metal-Plating insbesondere die Bildung von Metall-Ablagerungen an einer der Elektroden einer Metall-Ionen-Batterie verstanden werden. Zum Beispiel kann eine Natrium-Ablagerung in einer Natrium-Ionen-Batterie oder eine Kalzium- Ablagerung in einer Kalzium-Ionen-Batterie erfolgen.
Die Ermittlung der Vorhersageparameter erfolgt im Unterschied zu den Batterieparametern mittels eines, insbesondere datengetriebenen, Modells. Dabei kann unter einem datengetriebenen Modell insbesondere ein Modell verstanden werden, bei dem Zusammenhänge zwischen Ein- und Ausgangsgrößen anhand von Daten ermittelt und/oder modelliert werden.
Zudem wird zumindest ein Kontrollparameter zur Kontrolle eines Ladeprozesses aus einem, insbesondere datengetriebenen, Kontrollmodell ermittelt. Dabei wird wenigstens die Ladestromgrenze basierend auf den Messparametern, den Batterieparametern und den Vorhersageparametern als Eingangsparameter des Kontrollmodells als der zumindest eine Kontrollparameter ermittelt.
Als eine Gewichtung im Sinne der Erfindung kann insbesondere eine Kombination der Messparameter, der Batterieparameter und der Vorhersageparameter verstanden werden, in der den jeweiligen Parametern ein Gewicht zugeordnet wird. Die Gewichte der jeweiligen Parameter können sich untereinander unterscheiden. Die Gewichte können zum Beispiel den Einfluss der einzelnen Parameter auf das Eintreten von Metal-Plating widerspiegeln.
Somit wird es möglich, den Batterieladeprozess derart zu kontrollieren, dass Metal- Plating an einer der Elektroden der Batterievorrichtung zuverlässig verhindert werden kann und zugleich der Ladeprozess nicht verlangsamt wird. Dies beruht insbesondere darauf, dass in dem Verfahren die Batterieparameter, welche für das Eintreten von Metal-Plating gute Indikatoren sind, aus Messwerten und mittels analytischer Methoden relativ genau ermittelt werden können. Gemäß der Erfindung kann trotz der hohen Komplexität der Prozesse, welche in der Batterie ablaufen, kann mit den Batterieparametern eine Vorhersage zum Eintrittszeitpunkt getroffen werden. Dies ist möglich, da die Komplexität durch ein, insbesondere datengetriebenes, Modell beherrscht wird. Die Ermittlung geeigneter Kontrollparameter unter Heranziehen des Eintrittszeitpunkts kann ebenfalls mit Zuverlässigkeit und Genauigkeit erfolgen. Dies ist möglich, obwohl ebenfalls hoch komplexen Zusammenhänge zwischen Kontrollhandlungen, wie einer Begrenzung des Ladestroms, und sich daraus ergebenden Veränderungen der elektrischen und chemischen Zustände in der Batterie bestehen. Gemäß der Erfindung wird auch hierbei die vorliegende Komplexität durch ein, insbesondere datengetriebenes, Modell beherrscht. Eine unnötige Begrenzungen des Ladestroms während einer Schnellladephase wird somit nicht mehr erforderlich. Als weiterer Vorteil ergibt sich, dass das Verfahren mit üblicher Batterieinfrastruktur umgesetzt werden kann. Bevorzugt kann der zumindest eine Kontrollparameter zur Kontrolle für einen Ladeprozess, insbesondere für einen Schnellladeprozess bei Betriebstemperaturen unter 15° Celsius, oder 10° Celsius, oder 5° Celsius oder 0° Celsius oder -5° Celsius ermittelt werden.
Dabei kann unter Schnellladeprozess insbesondere ein Ladeprozess mit einer Ladeleistung von mehr als 50kW verstanden werden.
Somit kann ein Schnellladevorgang auch bei niedrigen Temperaturen vorgenommen werden. Dabei muss ein erhöhtes Risiko für den Eintritt von Metal-Plating nicht befürchtet werden, da von dem Verfahren eine entsprechend passende Begrenzung des Ladestroms bereitgestellt werden kann.
Gemäß einer bevorzugten Ausgestaltung können mehrere der Kontrollparameter zur Kontrolle des Ladeprozesses ermittelt werden, insbesondere Heizkontrollparameter zum Kontrollieren eines Heizens der Batterievorrichtung aufweisen. Insbesondere können die Kontrollparameter Heizkontrollparameter zum Kontrollieren eines Vorheizens der Batterievorrichtung aufweisen. Die Heizkontrollparameter können bevorzugt für ein interne Pulsratenheizen der Batterievorrichtung vorgesehen sein. Bevorzugt können die Heizkontrollparameter wenigstens ein Aktivieren und/oder ein Deaktivieren einer externen oder internen Heizung, ein Aktivieren des Heizens, ein Deaktivieren des Heizens, eine Vorheizzeit, eine Vorheizamplitude, eine Ladestromfrequenz, eine Pulsweite eines Heizladestroms, eine Entladestromfrequenz, eine Pulsweite des Entladestroms, eine Batteriesolltemperatur, einen Betriebstemperaturgrenzwert zum Aktivieren eines Vorheizens der Batterievorrichtung, oder einen Betriebstemperaturgrenzwert zum Deaktivieren eines Vorheizens der Batterievorrichtung aufweisen.
Zum Verhindern eines Eintritts von Metal-Plating kann somit nicht nur die Ladestromgrenze angepasst werden, sondern es wird möglich, auch aktiv auf den Ladeprozess und/oder die Batterievorrichtung einzuwirken. Hierzu kann eine interne oder externe Heizung der Batterievorrichtung aktiviert oder deaktiviert werden. Mittels der Ermittlung für den wahrscheinlichen Eintrittszeitpunkt des Metal-Plating ist es dabei möglich, die Heizung nur dann zuzuschalten, wenn diese benötigt wird. Somit kann Energie gespart werden und die Dauer des Ladeprozesses reduziert werden. Insbesondere wird es durch die Erfindung auch möglich, abzuwägen, ob nach einem Heizen ein insgesamt höherer Ladestrom erreicht werden kann, welcher zeitliche Verluste einer initialen Vorheiz- oder Vorwärm-Phase kompensieren kann.
Gemäß einer ferner bevorzugten Ausgestaltung kann das Batteriemodell als ein analytisches Modell zur Ermittlung eines elektrochemischen Zustands der Batterievorrichtung, ein Kalman-Filter, ein Doyle-Fuller-Newman-Modell und/oder als ein Single-Particle-Modell vorgesehen sein. Dabei kann unter einem analytischen Modell insbesondere ein Modell verstanden werden, bei dem Zusammenhänge zwischen Ein- und Ausgangsgrößen anhand von mathematischen Beziehungen ermittelt und/oder modelliert werden.
Die oben genannten Konfigurationen des Batteriemodells erlauben eine analytisch genaue Beschreibung eines derzeitigen und ggf. zukünftigen Zustands der Batterievorrichtung. Insbesondere lassen sich auch andere Indikatoren für ein Eintreten von Metal-Plating genauer analytisch ermitteln. Als Beispiele für derartige Indikatoren können insbesondere eine allmählich abnehmende Entladespannung, ein Anstieg eines Elektrodenwiderstands, ein Anstieg eines Elektrodenüberpotentials, oder eine Veränderungen der Elektrolytpolarisation herangezogen werden.
Gemäß einer bevorzugten Ausgestaltung kann das Kontrollmodell, das Vorhersagemodell, oder das Kontrollmodell und das Vorhersagemodell auf einer Methode maschinellen Lernens, bevorzugt auf einer Reinforcement-Learning- Methode, basieren.
Mit den oben genannten Konfigurationen können insbesondere hochkomplexe oder unbekannte Zusammenhänge durch Daten dargestellt und modellbasiert simuliert werden, so dass eine genaue Ermittlung der Kontrollparameter ermöglicht wird.
Gemäß einer ferner bevorzugten Ausgestaltung kann die Ladestromgrenze als einer der Kontrollparameter basierend auf einer Gewichtung des Messparameters, der Batterieparameter und der Vorhersageparameter als Eingangsparameter des Kontrollmodells ermittelt werden und insbesondere kann die Gewichtung der Eingangsparameter des Kontrollmodells mittels maschinellen Lernens in wenigstens zwei Schritten ermittelt werden. So kann in einem Lernschritt eine initiale Gewichtung als die Gewichtung ermittelt werden. In einem Neubewertungsschritt kann die Gewichtung während des Ladeprozesses ermittelt werden, wobei in diesem Schritt die Gewichtung basierend auf wenigstens den Messparametern angepasst wird. Bevorzugt kann die Gewichtung in dem Neubewertungsschritt kontinuierlich angepasst werden.
Alternativ oder zusätzlich kann eine Gewichtung der Eingangsparameter des Vorhersagemodells mittels maschinellen Lernens in wenigstens zwei Schritten ermittelt werden. So kann in einem Lernschritt eine initiale Gewichtung als die Gewichtung ermittelt werden und in einem Neubewertungsschritt die Gewichtung während des Ladeprozesses ermittelt werden, in dem die Gewichtung basierend auf wenigstens den Messparametern angepasst werden kann. Bevorzugt kann die Gewichtung in dem Neubewertungsschritt kontinuierlich angepasst werden.
Somit wird es möglich, die jeweiligen, insbesondere datengetriebenen, Modelle initial durch Bestückung mit Daten zu trainieren und die so ermittelten Gewichtungen zu validieren. Derart kann das Verfahren mit hoher Genauigkeit und angepasst an den jeweiligen Prozess oder an das jeweilige Batteriemodell bereitgestellt werden. Aufgrund der Konfiguration, gemäß der die Gewichtung laufend angepasst werden kann, ist ein kontinuierliches Lernen der, insbesondere datengetriebenen, Modelle möglich. Dadurch können auch unvermeidbare Alterungsprozesse der Batterievorrichtung oder auch Veränderungen aufgrund von Beschädigungen berücksichtigt werden.
Gemäß einer bevorzugten Ausgestaltung kann die Gewichtung der Eingangsparameter des Kontrollmodells ferner ermittelt werden aus einer zeitlich veränderlichen Priorisierung der Eingangsparameter und einer zeitlich veränderlichen Priorisierung der ausgegebenen Kontrollparameter. Bevorzugt kann die Priorisierung der Eingangsparameter des Kontrollmodells zur Bewertung eines Risikos für den Eintritt von Metal-Plating erfolgen. Die Priorisierung der ausgegebenen Kontrollparameter kann bevorzugt zur Bewertung der Gegensteuerbarkeit des Eintritts von Metal-Plating mit den jeweiligen Kontrollparametern erfolgen. Eine Priorisierung kann dabei jeweils ermittelt werden auf einem Vergleich von momentanen Werten von wenigstens den Messparametern und/oder den Batterieparametern mit dazu relativ historischen Werten der ausgegebenen Kontrollparameter.
Somit kann von dem Modell nicht nur ein Zusammenhang zwischen Ausgabewerten und Eingabewerten, sondern auch deren Wichtigkeit zueinander berücksichtigt und erlernt werden. Somit kann das Steuerverhalten optimiert und möglichst als Kompromiss zwischen sich widerstreitenden Anforderungen ermittelt werden.
Gemäß einer bevorzugten Ausgestaltung können die Messparameter ferner wenigstens eine Zellenspannung einer oder mehrerer Zellen der Batterievorrichtung als die Batteriespannung, einen auftretenden Ladestrom, oder mehrere lokal unterschiedliche Betriebstemperaturen aufweisen.
Durch eine messtechnische Erfassung weiterer physikalischer Parameter der Batterievorrichtung kann die Genauigkeit der Modellergebnisse und damit der ermittelten Kontrollparameter weiter erhöht werden. Ferner kann der Einfluss von Messungenauigkeiten oder Ausreißern in den Messdaten verringert werden.
Gemäß einer ferner bevorzugten Ausgestaltung können die Batterieparameter ferner wenigstens einen Ladezustand der Batterievorrichtung, ein Elektroden-Überpotential, oder einen Gesundheitszustand der Batterievorrichtung aufweisen.
Der zu erwartende Temperaturfortschritt der Betriebstemperatur kann bevorzugt einen zukünftigen zeitlichen Verlauf einer Betriebstemperatur an einem oder unterschiedlichen Abschnitten der Batterievorrichtung aufweisen.
Somit können weitere Indikatoren für den Eintritt von Metal-Plating ermittelt werden.
Gemäß einer bevorzugten Ausgestaltung können die Vorhersageparameter ferner eine prognostizierte Restladezeit aufweisen.
Somit können weitere Informationen zur Steuerung des Ladeprozesses ermittelt werden, die von dem Kontrollmodell und/oder auch von einem Benutzer des Verfahrens verwendet werden können.
Gemäß einer ferner bevorzugten Ausgestaltung können die Kontrollparameter ferner wenigstens ein Aktivieren des Ladeprozesses, ein Deaktivieren des Ladeprozesses, eine Pulsweite eines Ladestroms, oder eine Dauer eines Ladestroms aufweisen.
Durch die zusätzliche Ermittlung von weiteren Kontrollparametern wird es möglich, zusätzlich auf andere Weise Einfluss auf den Ladeprozess zu nehmen. Somit wird eine Möglichkeit bereitgestellt, einem Eintritt von Metal-Plating mit anderen Maßnahmen als mit einer Ladestrombegrenzung oder durch Aufheizen der Batterievorrichtung entgegenzuwirken. Gemäß einer bevorzugten Ausgestaltung kann das Batteriemodell ein Batterietemperaturmodell zur Abbildung eines zeitlichen Fortschritts und/oder eines lokalen Profils der wenigstens einen Betriebstemperatur der Batterievorrichtung aufweisen. Alternativ oder zusätzlich kann das Batteriemodell ein Batteriezustandsmodell zur bevorzugt numerischen Abbildung chemischer und/oder elektrischer Prozesse in der Batterievorrichtung aufweisen. Dabei kann bevorzugt das Batteriezustandsmodell wenigstens eine initiale lonenkonzentration in einem Elektrolyten der Batterievorrichtung, eine Diffusionsrate von Ionen in eine der Elektroden, einen Reaktionskoeffizienten der in der Batterievorrichtung ablaufenden chemischen Reaktionen, oder eine elektrische Leitfähigkeit eines in der Batterievorrichtung vorgesehenen Elektrolyten als die Eingangsparameter aufweisen.
Somit kann die Genauigkeit der analytisch ermittelten Batterieparameter erhöht werden, so dass insgesamt eine Verbesserung der Ermittlung der Kontrollparameter erreicht werden kann.
Gemäß einer ferner bevorzugten Ausgestaltung kann die Batterievorrichtung eine Lithium-Ionen Batterie mit bevorzugt einer oder mehreren Batteriezellen sein. Somit kann als das Metal-Plating zum Beispiel ein Lithium-Plating auftreten. Die Elektrode kann eine Anode sein. Bei der Elektrodenspannung kann es sich um eine Anodenspannung handeln. Bevorzugt kann die Anode Graphit und/oder Metall aufweisen.
Somit kann eine Ermittlung der Ladestromgrenze für Lithium-Ionen-Batterien bereitgestellt werden.
Ein weiterer Aspekt der vorliegenden Erfindung betrifft ein Computerprogrammprodukt, welches Befehle aufweist, die bei der Ausführung des Programms durch einen Computer selbigen veranlassen, einen oder mehrere der oben beschriebenen Schritte des Verfahrens auszuführen.
Ein weiterer Aspekt der vorliegenden Erfindung betrifft ein Kontrollsystem zur Ermittlung einer Ladestromgrenze einer wiederaufladbaren Batterievorrichtung. Das Kontrollsystem weist ein Messmodul zum Erfassen von Messparametern an der Batterievorrichtung auf. Die Messparameter weisen dabei wenigstens eine Betriebstemperatur, eine Batteriespannung und einen Batteriestrom der Batterievorrichtung auf. Das Kontrollsystem weist ferner ein Batteriezustandsmodul zum Ermitteln von Batterieparametern aus einem physik-basierten Batteriemodell zur Abbildung von in der Batterievorrichtung ablaufenden physikalischen Prozessen auf. Das Batteriemodell weist dabei als Eingangsparameter wenigstens die Messparameter auf. Als die Batterieparameter finden sich wenigstens ein zu erwartender Temperaturfortschritt der Betriebstemperatur und eine Elektrodenspannung. Das Kontrollsystem weist zudem ein Vorhersagemodul zum Ermitteln von Vorhersageparametern für den Eintritt von Metal-Plating an einer Elektrode der Batterievorrichtung aus einem, insbesondere datengetriebenen, Vorhersagemodell auf. Dabei weist das Vorhersagemodell wenigstens die Batterieparameter als Eingangsparameter auf. Die Vorhersageparameter weisen wenigstens eine vorhergesagte Eintrittszeit für das Metal-Plating auf. Das Kontrollsystem weist ferner ein Kontrollermittlungsmodul zum Ermitteln von mindestens einem Kontrollparameter zur Kontrolle des Ladeprozesses aus einem, insbesondere datengetriebenen, Kontrollmodell auf. Dabei weist das Kontrollmodell die Messparameter, die Batterieparameter und die Vorhersageparameter als Eingangsparameter auf, wobei der mindestens eine Kontrollparameter insbesondere auf einer Gewichtung dieser Eingangsparameter basiert. Die mindestens eine Kontrollparameter weist wenigstens eine Ladestromgrenze auf. Die Ladestromgrenze kann als zeitlicher Verlauf ermittelt werden. Das Kontrollsystem weist zudem ein Ausgabemodul zur Ausgabe der ermittelten Ladestromgrenze, um insbesondere basierend auf dem zumindest einen Kontrollparameter den Ladeprozess zu kontrollieren.
Bevorzugt kann das Messmodul wenigstens einen Stromsensor, einen Spannungssensor und/oder einen Temperatursensor aufweisen.
Mit dem Kontrollsystem und dem Computerprogrammprodukt können dieselben technischen Effekte und Vorteile erreicht werden, die bereits für das vorgenannte Verfahren beschrieben wurden. Insbesondere können die Kontrollparameter für einen Schnellladeprozess einer Batterievorrichtung bei niedrigen Temperaturen präzise ermittelt werden. Ferner wird eine genaue Steuerung des Ladevorgangs ermöglicht.
Gemäß einer bevorzugten Ausgestaltung können das Messmodul und/oder das Batteriezustandsmodul auf einer ersten Recheneinheit vorgesehen sein. So kann oder können zum Beispiel das Messmodul und/oder das Batteriezustandsmodul auf einer Batteriesteuereinheit der Batterievorrichtung vorgesehen sein. Alternativ oder zusätzlich kann das Vorhersagemodul und/oder das Kontrollermittlungsmodul auf einer zweiten Recheneinheit vorgesehen sein. Bevorzugt kann dabei die zweite Recheneinheit von der ersten Recheneinheit verschieden vorgesehen sein. So kann oder können das Vorhersagemodul und/oder das Kontrollermittlungsmodul zum Beispiel auf einem externen Server oder Cloud-Server vorgesehen sein.
Somit wird es zum Beispiel möglich, die Messdatenerhebung und deren Verarbeitung unmittelbar auf dem Batteriesteuergerät eines Batteriemoduls umzusetzen.
Hierdurch können zum Beispiel die Messparameter verarbeitet werden. Hingegen können die, insbesondere datengetriebenen, Modelle auf einem externen Rechner, welcher eine höhere Rechnerleistung aufweisen kann, betrieben werden. Derart kann eine Erhöhung der Geschwindigkeit der -Ermittlung der Ladestromgrenze erzielt werden. Derart ist es zum Beispiel möglich, das Kontrollsystem als echtzeitfähiges System vorzusehen.
Ein weiterer Aspekt der Erfindung betrifft ein Batterieladesystem. Das Batterieladesystem weist eine wiederaufladbare Batterievorrichtung mit wenigstens einer Batteriezelle auf. Das Batterieladesystem weist zudem Ladeanschlüsse zum Koppeln von Elektroden der Batterievorrichtung mit einer elektrische Ladevorrichtung auf, um die Batterievorrichtung mit einem Ladestrom elektrisch zu laden. Ferner weist das Batterieladesystem das vorgenannte Kontrollsystem auf. Dabei wird die ausgegebene Ladestromgrenze als eine Obergrenze des Ladestroms von dem Kontrollsystem vorgegeben.
Mit dem vorgenannten Batterieladesystem können dieselben technischen Effekte und Vorteile erreicht werden, die bereits für das vorgenannte Verfahren, das vorgenannte Computerprogrammprodukt und das vorgenannte Kontrollsystem beschrieben wurden. Insbesondere kann ein Schnellladeprozess einer Batterievorrichtung bei niedrigen Temperaturen präzise gesteuert werden und dabei das Risiko für das Eintreten von Metal-Plating reduziert werden.
Weitere Vorteile, Merkmale und Einzelheiten der Erfindung ergeben sich aus der nachfolgenden Beschreibung in der unter Bezugnahme auf die Zeichnungen Ausführungsbeispiele der Erfindung im Einzelnen beschrieben werden. Es zeigen schematisch:
Fig. 1 eine Ausführungsform eines erfindungsgemäßen Verfahrens,
Fig. 2 eine Ausführungsform eines Kontrollsystems gemäß der Erfindung,
Fig. 3 eine weitere Ausführungsform eines Kontrollsystems gemäß der Erfindung,
Fig. 4 eine weitere Ausführungsform eines Kontrollsystems gemäß der Erfindung,
Fig. 5 eine Ausführungsform eines Batterieladesystems gemäß der Erfindung.
Figur 1 zeigt exemplarisch Schritte eines erfindungsgemäßen Verfahrens 100, aus der auch beispielhaft eine Abfolge von Befehlen eines erfindungsgemäßen Computerprogramm Produktes ableitbar ist. Die Figuren 2 bis 5 zeigen jeweils exemplarisch unterschiedliche Ausführungsformen eines erfindungsgemäßen Kontrollsystems 10. Figur 5 zeigt eine Ausführungsform eines erfindungsgemäßen Batterieladesystems 90.
Das Verfahren 100 in Figur 1 ist dazu ausgelegt, eine Ladestromgrenze zur Einflussnahme auf einen Ladeprozess einer wiederaufladbaren Batterievorrichtung 1000 zu ermitteln, und weist hierzu eine Reihe von Schritten auf, welche iterativ während eines Ladeprozesses durchlaufen werden können. Bevorzugt können die Schritte ferner wiederholt und kontinuierlich durchlaufen werden. Somit kann sich der Wert der Ladestromgrenze in der nächsten Iteration ändern oder gleichbleiben.
So wird ein Messschritt S20 durchlaufen, in dem Messparameter MP an der Batterievorrichtung 1000 ermittelt werden. Die Messparameter MP umfassen zumindest eine Betriebstemperatur, eine Batteriespannung und einen Batteriestrom der Batterievorrichtung 1000.
Ferner wird ein Batteriezustandsermittlungsschritt S30 durchlaufen, in dem Batterieparameter BP aus einem physik-basierten Batteriemodell ermittelt werden. Das physik-basierte Batteriemodell ist dabei zur Abbildung von physikalischen Prozessen, welche in der Batterievorrichtung 1000 ablaufen ausgebildet. Die Batterieparameter BP umfassen einen zu erwartenden Temperaturfortschritt der Betriebstemperatur und eine Elektrodenspannung der Batterievorrichtung 1000. In einem Vorhersageschritt S40 werden Vorhersageparameter VP für den Eintritt von Metal-Plating an einer Elektrode 1001 , 1002 der Batterievorrichtung 1000 aus einem, insbesondere datengetriebenen, Vorhersagemodell ermittelt. Die Vorhersageparameter VP umfassen dabei wenigstens eine vorhergesagte Eintrittszeit für das Metal-Plating an einer Elektrode der Batterievorrichtung 1000 und werden auf der Basis von wenigstens den Batterieparametern BP als Eingangsparameter des Vorhersagemodells ermittelt.
In einem Kontrollermittlungsschritt S50 werden die gesuchten Kontrollparametern KP zur Kontrolle des Ladeprozesses aus einem, insbesondere datengetriebenen, Kontrollmodell ermittelt. Die Kontrollparameter KP umfassen wenigstens eine Ladestromgrenze. Die Kontrollparameter werden basierend auf einer Gewichtung der Messparameter MP, der Batterieparameter BP und der Vorhersageparameter VP als Eingangsparameter des Kontrollmodells mit dem Kontrollmodell ermittelt.
In einem Ausgabeschritt S60 wird die so ermittelten Ladestromgrenze zur Kontrolle des Ladeprozesses ausgegeben.
Anders als das Batteriemodell, handelt es sich bei dem Vorhersagemodell und dem Kontrollmodell um ein, insbesondere datengetriebenes, Modell und nicht um ein analytisches Modell. Das Vorhersagemodell kann beispielsweise als künstliches neuronales Netzwerk, als ein Markov-Modell, als logistische Regression oder als ein Entscheidungsbaum-basierter Algorithmus ausgestaltet sein. Hierbei kann eine Eingabeschicht, in der jedes Neuron die Eingangsmerkmale repräsentiert, vorgesehen sein. Ferner können Zwischenschichten und eine Ausgabeschicht mit Ausgabemerkmalen vorgesehen sein. Die einzelnen Schichten können über Gewichtungen und Eingabematrizen miteinander verbunden sein.
Die Eingangsmerkmale des Vorhersagemodells können zum Beispiel eine Anodenüberspannung, ein Gesundheitszustand der Batterievorrichtung 1000, eine Zellspannung oder Temperaturen, die zu verschiedenen Segmenten der Batteriezelle 1003 gehören, sein. Die Ausgabemerkmale des Vorhersagemodells können eine geschätzte Ladedauer oder die prognostizierte Eintrittszeit bis zu einem Metal- Plating Ereignis sein. So kann das Vorhersagemodell zum Beispiel als die prognostizierte Eintrittszeit ausgeben, dass innerhalb der nächsten 30 Sekunden ein Einsetzen von Metal-Plating zu erwarten ist. Das Kontrollmodell kann bevorzugt einen Regler für die Betriebstemperatur der Batterievorrichtung 1000 und den Ladestrom simulieren. So kann aus dem Kontrollmodell zum Beispiel für eine Vorheizphase der Batterievorrichtung 1000 eine passende Konfiguration des Heizens ermittelt werden. So können zum Beispiel einzustellende Lade- und Entladeimpulsen und deren Impulsfrequenz ermittelt werden.
Bevorzugt kann das Kontrollmodell auf reinforcement learning basieren. Die sich beim Ladeprozess stellenden Anforderungen können zum Beispiel als ein Markov- Entscheidungsprozess definiert werden. Ein Markov-Entscheidungsprozess umfasst dabei als Bestandteile eine Umgebung, Zustände der Umgebung und ausführbare Aktionen, zwischen denen ausgewählt werden kann. Im vorliegenden Fall können zum Beispiel Vorheizen und kurze Aufladezeiten der Batterievorrichtung 1000 als Bestandteil einer Markov-Umgebung definiert werden. Als Zustände der Umgebung können die Ladezeit und die Vorhersage für den Eintritt von Metal-Plating definiert werden. Als ausführbare Aktionen können die Manipulation des Vorheizens, die Konfiguration der Lade- und Entladeimpulse, und die Ladestromgrenze definiert werden. Dabei kann als eine Aktion zum Beispiel ein zuletzt angenommener Wert entweder gleich gehalten, verringert oder erhöht werden. Bevorzugt ist das Kontrollmodell derart ausgestaltet, dass die Wahl der Aktionen nicht auf Zufall basiert, die Wahl also deterministisch ist.
In einem Trainingsschritt S41 , S51 können zum Beispiel die Gewichtungen oder sonstigen Parameter für die, insbesondere datengetriebenen, Modelle mit einer ausreichenden Menge an Trainingsdatensätzen ermittelt werden. Die so ermittelten und antrainierten Gewichtungen oder Parameter können mit einem Validierungsdatensatz validiert werden. Dabei ist es bevorzugt, dass die Trainingsund Validierungsdatensätze aus realen Versuchsumgebungen stammen. Der Trainingsschritt kann als abgeschlossen betrachtet werden, wenn sich die Genauigkeit der Gewichtungen oder der sonstigen Parameter nur noch erhöht. Alternativ kann der Trainingsschritt als abgeschlossen betrachtet werden, wenn der absolute Fehler zwischen den Validierungsdatensätzen und den aus den, insbesondere datengetriebenen, Modellen berechneten Datensätzen ausreichend verringert wurde. Ein kontinuierliches Lernen und dynamisches Anpassen der Gewichtungen kann zum Beispiel in einem Neubewertungsschritt S42, S52 erreicht werden. Hierbei werden zum Beispiel zurückliegende Daten und Parameter analysiert und in Bezug mit den Ausgabenwerten des Vorhersagemodells oder des Kontrollmodells gesetzt.
Figur 2 zeigt ein Beispiel für das Kontrollsystem 10. Das Kontrollsystem 10 ist zur Kontrolle eines Schnellladeprozesses einer wiederaufladbaren Batterievorrichtung, wie der vorgenannten Batterievorrichtung 1000, geeignet und dafür ausgelegt.
Die Batterievorrichtung 1000 kann insbesondere eine Lithium-Ionen-Batterie sein.
Die Batterievorrichtung 1000 ist exemplarisch in Figur 4 dargestellt.
Die Batterievorrichtung 1000 kann eine oder mehrere Batteriezellen 1003 aufweisen. Das Spannungspotential der Batteriezellen 1003 kann reversibel anpassbar sein. Die einzelnen Batteriezellen 1003 können als eine Spannungs- und/oder Stromquelle zusammengeschaltet sein. Die Batterievorrichtung 1000 kann zwei Elektroden 1001 , 1002 zur Leistungsabgabe oder Leistungsaufnahme aufweisen. Ferner ist es auch vorstellbar, dass die Batterievorrichtung 1000 weitere Elektroden für Potential- und Strom-Messungen aufweist. Es ist ferner auch vorstellbar, dass die Batterievorrichtung 1000 Teil des Kontrollsystems 10 sein kann.
Wie in Figur 2 ferner gezeigt, weist das Kontrollsystem 10 ein Messmodul 20 zum Erfassen von den Messparametern MP an der Batterievorrichtung 1000 auf. Hierzu kann das Messmodul 20 oder die Batterievorrichtung 1000 Sensoren aufweisen, welche zur Erfassung der Messparameter geeignet sind. Weitere Details zu den Sensoren werden in der im Weiteren folgenden Beschreibung zu der Figur 4 beschrieben.
Wie in Figur 2 ferner gezeigt, weist das Kontrollsystem 10 ferner ein Batteriezustandsmodul 30 zum Ermitteln von den Batterieparametern BP auf. Hierzu weist das Batteriezustandsmodul 30 ein physik-basiertes Batteriemodell auf. Mit dem physik-basierten Batteriemodell können zum Beispiel in der Batterievorrichtung 1000 ablaufende physikalische Prozesse formelmäßig beschrieben und zahlenmäßig ausgedrückt werden. Aus Figur 2 wird deutlich, dass das Batteriemodell als Eingangsparameter zumindest die Messparameter MP und als Ausgangsparameter die Batterieparameter BP aufweist. Das Batteriezustandsmodul 30 und das Messmodul 20 können beide jeweils auf einer ersten Recheneinheit 11 vorgesehen sein. Die erste Recheneinheit 11 kann zum Beispiel eine Batteriekontrolleinheit sein.
Wie in Figur 2 ferner gezeigt, weist das Kontrollsystem 10 zudem ein Vorhersagemodul 40 zum Ermitteln von Vorhersageparametern VP für den Eintritt von Metal-Plating an einer Elektrode 1001 , 1002 der Batterievorrichtung 1000 aus einem, insbesondere datengetriebenen, Vorhersagemodell auf. Aus Figur 2 wird deutlich, dass das Vorhersagemodell als Eingangsparameter neben den Batterieparameter BP auch die Messparameter MP aufweisen kann. Es ist auch vorstellbar, nur die Messparameter MP als Eingangsparameter des Vorhersagemodells zu verwenden.
Wie in Figur 2 ferner gezeigt, weist das Kontrollsystem 10 ein Kontrollermittlungsmodul 50 zum Ermitteln von den Kontrollparametern KP zur Kontrolle des Ladeprozesses mit einem, insbesondere datengetriebenen, Kontrollmodell auf. Figur 2 zeigt beispielhaft, dass das Kontrollmodell die Messparameter MP, die Batterieparameter BP und die Vorhersageparameter VP als Eingangsparameter aufweist. Von dem Kontrollermittlungsmodul 50 wird eine Gewichtung dieser Eingangsparameter vorgenommen, um damit den zumindest einen Kontrollparameter KP zu ermitteln.
Wie in Figur 2 ferner gezeigt, weist das Kontrollsystem 10 ein Ausgabemodul 60 zur Ausgabe des zumindest einen Kontrollparameter KP auf, um basierend auf dem zumindest einen Kontrollparameter KP den Ladeprozesses zu kontrollieren. Das Ausgabemodul 60 kann als eine Datenschnittstelle oder ein Datenbus zur Übermittlung von Daten an andere, Kontrollsystem-fremde Geräte ausgebildet sein. Derartige andere Geräte können zum Beispiel die Batterievorrichtung 1000 oder eine externe Batterieladevorrichtung sein.
Das Vorhersagemodul 40, das Kontrollermittlungsmodul 50 und/oder das Ausgabemodul 60 können jeweils auf einer zweiten Recheneinheit 12 vorgesehen sein. Bevorzugt kann die zweite Recheneinheit 12 ein Cloud-Server sein.
Figur 3 zeigt das Kontrollsystem 10 mit einer Konfiguration, welcher Figur 2 ähnlich ist. Auf Gemeinsamkeiten der Ausführungsformen wird daher nachfolgend nicht eingegangen. Figur 3 offenbart eine bevorzugte Ausgestaltung des Batteriezustandsmoduls 30. Das in Figur 3 exemplarisch dargestellte Batteriezustandsmodul 30 weist dabei als das Batteriemodell ein Batterietemperaturmodell 31 und ein Batteriezustandsmodell 32 auf.
So kann mit dem Batterietemperaturmodell 31 ein zu erwartender zeitlicher Fortschritt einer Temperatur der Batterievorrichtung 1000 als Temperaturparameter TP ermittelt werden. Ferner kann ein lokales Profil einer Temperatur der Batterievorrichtung 1000 als weiterer Bestandteil der Temperaturparameter TP analytisch ermittelt werden.
Mit dem Batteriezustandsmodell 32 können chemische und/oder elektrischer Prozesse in der Batterievorrichtung 1000 simuliert und als Batteriezustandsparameter BSP ausgegeben werden. Hierbei kann das Batteriezustandsmodell 32 auch noch andere Parameter als die Messparameter MP in Betracht ziehen, wie eine initiale lonenkonzentration oder eine Diffusionsrate von Ionen der Batterievorrichtung 1000.
Die Batteriezustandsparameter BSP und die Temperaturparameter TP können mittels eines Signalverbinders 34 von dem Batteriezustandsmodul 30 als die Batterieparameter BP ausgegeben werden.
Figur 4 zeigt das Kontrollsystem 10 mit einer Konfiguration wie die der Figur 2 und Figur 3. Auf Gemeinsamkeiten der Ausführungsformen wird daher nachfolgend nicht eingegangen.
Jedoch offenbart Figur 4 eine bevorzugte Ausgestaltung des Messmoduls 20.
Figur 4 zeigt das Kontrollsystem 10 mit dem Messmodul 20, welches zum Erfassen von den Messparametern MP an der Batterievorrichtung 1000 mehrere Sensoren aufweist. Alternativ ist es auch vorstellbar, dass insbesondere die Batterievorrichtung 1000 derartige Sensoren aufweist. In Figur 4 ist exemplarisch dargestellt, dass die Zellenspannung jeder der Batteriezellen 1003 von einem Spannungssensor 21 ermittelt wird. Mittels mehrerer verteilt angeordneter Temperatursensor 22 kann ein lokales Temperaturprofil der Betriebstemperatur der Batterievorrichtung 1000 erfasst werden. Der von der Batterievorrichtung 1000 abgegebene oder zum Aufladen aufgenommene Batteriestrom kann mittels des Stromsensors 23 von dem Messmodul 20 erfasst werden. Die Batterievorrichtung 1000, die Sensoren 21 , 22, 23 und die erste Recheneinheit 11 , welche das Messmodul 20 und das Batteriezustandsmodul 30 aufweisen kann, können als eine bauliche Einheit bereitgestellt sein und derart zum Beispiel ein Batteriemodul 1100 bilden.
Ferner offenbart Figur 4 eine bevorzugte Ausgestaltung, in der das Vorhersagemodul 40, das Kontrollermittlungsmodul 50 und das Ausgabemodul 60 vollständig in der zweiten Recheneinheit 12 enthalten sind. Entsprechend sind das Vorhersagemodul 40, das Kontrollermittlungsmodul 50 und das Ausgabemodul 60 nicht separat in Figur 4 gezeigt.
Figur 5 zeigt das Batterieladesystem 90. Dieses weist die Batterievorrichtung 1000 mit wenigstens einer der vorgenannten Batteriezellen 1003 sowie das Kontrollsystem 10 auf. Ferner ist in Figur 5 exemplarisch eine elektrische Ladevorrichtung 1200 gezeigt, welche über elektrische Leitungen mit Ladeanschlüssen des Batterieladesystems 90 mit den Elektroden der Batterievorrichtung 1000 verbunden sind, um die Batterievorrichtung 1000 mit einem Ladestrom elektrisch zu laden. Die Ladevorrichtung 1200 kann Bestandteil des Batterieladesystems 90 sein. Die von dem Kontrollsystem 10 ermittelte und ausgegebene Ladestromgrenze als der zumindest eine Kontrollparameter KP wird der Batterievorrichtung 1000 oder der Ladevorrichtung 1200 als eine Obergrenze des Ladestroms von dem Kontrollsystem 10 vorgegeben.
Die voranstehende Erläuterung der Ausführungsformen beschreibt die vorliegende Erfindung ausschließlich im Rahmen von Beispielen. Selbstverständlich können einzelne Merkmale der Ausführungsformen, sofern technisch sinnvoll, frei miteinander kombiniert werden, ohne den Rahmen der vorliegenden Erfindung zu verlassen. Bezugszeichenliste
10 Kontrollsystem
11 erste Recheneinheit, Batteriekontrolleinheit
12 zweite Recheneinheit, Cloud-Server
20 Messmodul
21 Spannungssensor
22 Temperatursensor
23 Stromsensor
30 Batteriezustandsmodul
31 Batterietemperaturmodell
32 Batteriezustandsmodell
34 Signalverbinder
40 Vorhersagemodul
50 Kontrollermittlungsmodul
60 Ausgabemodul
90 Batterieladesystem
100 Verfahren
1000 Batterievorrichtung
1001 , 1002 Elektrode
1003 Batteriezelle
1100 Batteriemodul
1200 Ladevorrichtung
KP Kontrollparameter
MP Messparameter BP Batterieparameter
TP Temperaturparameter
BSP Batteriezustandsparameter
VP Vorhersageparameter
S20 Messschritt
S30 Batteriezustandserm itt lu n g ssch ritt
S40 Vorhersageschritt
S50 Kontrollermittlungsschritt
S60 Ausgabeschritt
541 , S51 Lernschritt
542, S52 Neubewertungsschritt

Claims

Patentansprüche
1. Verfahren (100) zur Ermittlung einer Ladestromgrenze für einen Ladeprozess einer wiederaufladbaren Batterievorrichtung (1000), aufweisend die Schritte:
- Erfassen von Messparametern (MP) an der Batterievorrichtung (1000), wobei die Messparameter (MP) wenigstens eine Betriebstemperatur, eine Batteriespannung und einen Batteriestrom der Batterievorrichtung (1000) aufweisen; gekennzeichnet durch
- Ermitteln von Batterieparametern (BP) aus einem physik-basierten Batteriemodell zur Abbildung von in der Batterievorrichtung (1000) ablaufenden physikalischen Prozessen, wobei auf Basis der erfassten Messparameter (MP) als Eingangsparameter des Batteriemodells wenigstens ein zu erwartender Temperaturfortschritt der Betriebstemperatur und eine Elektrodenspannung als die Batterieparameter (BP) ermittelt werden;
- Ermitteln von Vorhersageparametern (VP) für den Eintritt von Metal-Plating an einer Elektrode (1001 , 1002) der Batterievorrichtung (1000) aus einem Vorhersagemodell, wobei auf Basis von wenigstens den ermittelten Batterieparametern (BP) als Eingangsparameter des Vorhersagemodells wenigstens eine prognostizierte Eintrittszeit von Metal-Plating als die Vorhersageparameter (VP) ermittelt wird;
- Ermitteln von zumindest einem Kontrollparameter (KP) zur Kontrolle eines Ladeprozesses aus einem Kontrollmodell, wobei basierend auf den Messparametern (MP), den Batterieparametern (BP) und den Vorhersageparametern (VP) als Eingangsparameter des Kontrollmodells wenigstens die Ladestromgrenze als der zumindest eine Kontrollparameter (KP) ermittelt wird; und
Ausgeben der ermittelten Ladestromgrenze.
2. Verfahren (100) gemäß Anspruch 1 , wobei die prognostizierte Eintrittszeit von Metal-Plating aus einem Vorhersagemodell auf Basis von wenigstens den ermittelten Batterieparametern (BP) und den erfassten Messparametern (MP) als Eingangsparameter des Vorhersagemodells ermittelt wird.
3. Verfahren (100) gemäß Anspruch 1 oder 2, wobei die Ladestromgrenze als zeitlicher Verlauf ermittelt wird.
4. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei der zumindest eine Kontrollparameter (KP) zur Kontrolle für einen Ladeprozesses, insbesondere für einen Schnellladeprozess, bei Betriebstemperaturen von unter 15° Celsius, oder 10° Celsius, oder 5° Celsius, oder 0° Celsius, oder -5° Celsius ermittelt werden.
5. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei mehrere Kontrollparameter (KP) zur Kontrolle des Ladeprozesses ermittelt werden, insbesondere die Kontrollparameter (KP) ferner Heizkontrollparameter zum Kontrollieren eines Heizens, bevorzugt Vorheizens, der Batterievorrichtung (1000), bevorzugt mittels internen Pulsratenheizens, aufweisen.
6. Verfahren (100) gemäß Anspruch 5, wobei die Heizkontrollparameter wenigstens ein Aktivieren einer externen oder internen Heizung, ein Deaktivieren einer externen oder internen Heizung, ein Aktivieren des Heizens, ein Deaktivieren des Heizens, eine Vorheizzeit, eine Vorheizamplitude, eine Ladestromfrequenz, eine Pulsweite eines Heizladestroms, eine Entladestromfrequenz, eine Pulsweite des Entladestroms, eine Batteriesolltemperatur, einen Betriebstemperaturgrenzwert zum Aktivieren eines Vorheizens der Batterievorrichtung (1000), oder einen Betriebstemperaturgrenzwert zum Deaktivieren eines Vorheizens der Batterievorrichtung (1000) aufweist.
7. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei das Kontrollmodell und/oder das Vorhersagemodell auf einer Methode maschinellen Lernens, bevorzugt auf einer Reinforcement-Learning-Methode, basiert und/oder ein künstliches neuronales Netzwerk aufweist, und/oder wobei das Batteriemodell als wenigstens ein analytisches Modell zur Ermittlung eines elektrochemischen Zustands der Batterievorrichtung (1000), ein Kalman-Filter, ein Doyle-Fuller-Newman-Modell oder ein Single-Particle- Modell vorgesehen ist.
8. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei die Ladestromgrenze als einer der Kontrollparameter (KP) basierend auf einer Gewichtung der Messparameter (MP), der Batterieparameter (BP) und der Vorhersageparameter (VP) als Eingangsparameter des Kontrollmodells ermittelt wird und insbesondere die Gewichtung der Eingangsparameter des Kontrollmodells und/oder eine weitere Gewichtung der Eingangsparameter des Vorhersagemodells mittels maschinellen Lernens in wenigstens zwei Schritten ermittelt wird, welche aufweisen:
- einen Lernschritt (S41 , S51 ), in dem eine initiale Gewichtung als die Gewichtung ermittelt wird, und
- einen Neubewertungsschritt (S42, S52) während des Ladeprozesses, in dem die Gewichtung basierend auf wenigstens den Messparametern (MP) bevorzugt kontinuierlich angepasst wird.
9. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei die Gewichtung der Eingangsparameter des Kontrollmodells ermittelt wird aus
- einer zeitlich veränderlichen Priorisierung der Eingangsparameter des Kontrollmodells, bevorzugt zur Bewertung eines Risikos für den Eintritt von Metal-Plating, und - einer zeitlich veränderlichen Priorisierung der ausgegebenen Kontrollparameter (KP), bevorzugt zur Bewertung der Gegensteuerbarkeit des Eintritts von Metal-Plating mit den jeweiligen Kontrollparametern (KP), wobei bevorzugt die Priorisierung jeweils ermittelt wird aus einem Vergleich von momentanen Werten von wenigstens den Messparametern (MP) und/oder den Batterieparametern (BP) mit dazu relativ historischen Werten der ausgegebenen Kontrollparameter (KP).
10. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei
- die Messparameter (MP) ferner wenigstens eine Zellenspannung einer oder mehrerer Zellen der Batterievorrichtung (1000) als die Batteriespannung, ein auftretender Ladestrom, oder mehrere lokal unterschiedliche Betriebstemperaturen aufweisen, und/oder
- die Batterieparameter (BP) ferner wenigstens ein Elektrodenüberpotential, ein Gesundheitszustand der Batterievorrichtung (1000), oder ein Ladezustand der Batterievorrichtung (1000) aufweisen, wobei bevorzugt der zu erwartende Temperaturfortschritt einen zukünftigen zeitlichen Verlauf einer Betriebstemperatur an einem oder unterschiedlichen Abschnitten der Batterievorrichtung (1000) aufweist, und/oder
- die Vorhersageparameter (VP) ferner eine prognostizierte Restladezeit aufweisen, und/oder die Kontrollparameter (KP) ferner wenigstens ein Aktivieren des Ladeprozesses, ein Deaktivieren des Ladeprozesses, eine Pulsweite eines Ladestroms, oder eine Dauer eines Ladestroms aufweisen.
11. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei das Batteriemodell aufweist
- ein Batterietemperaturmodell (31 ) zur Abbildung eines zeitlichen Fortschritts und/oder eines lokalen Profils der wenigstens einen Betriebstemperatur der Batterievorrichtung (1000), und
- ein Batteriezustandsmodell (32) zur numerischen Abbildung chemischer und/oder elektrischer Prozesse in der Batterievorrichtung (1000), wobei das Batteriezustandsmodell (32) bevorzugt ferner wenigstens eine elektrische Leitfähigkeit eines in der Batterievorrichtung (1000) vorgesehenen Elektrolyten, eine initiale lonenkonzentration in einem in der Batterievorrichtung (1000) vorgesehenen Elektrolyten, eine Diffusionsrate von Ionen in eine der Elektroden (1001 , 1002), oder einen Reaktionskoeffizienten der in der Batterievorrichtung (1000) ablaufenden chemischen Reaktionen als Eingangsparameter aufweist.
12. Verfahren (100) gemäß einem der vorhergehenden Ansprüche, wobei die Batterievorrichtung (1000) eine Lithium-Ionen Batterie mit bevorzugt einer oder mehreren Batteriezellen (1003) ist, wobei das Metal-Plating ein Lithium- Plating ist, und wobei die Elektrode (1001 , 1002) eine Anode ist und die Elektrodenspannung eine Anodenspannung ist, wobei die Anode bevorzugt Graphit und/oder Metall aufweist.
13. Computerprogrammprodukt, aufweisend Befehle, die bei der Ausführung des Programms durch einen Computer diesen veranlassen, die Schritte des Verfahrens (100) nach einem der vorhergehenden Ansprüche 1 bis 12 auszuführen.
14. Kontrollsystem(IO) zur Ermittlung einer Ladestromgrenze einer wiederaufladbaren Batterievorrichtung (1000), aufweisend
- ein Messmodul (20) zum Erfassen von Messparametern (MP) an der Batterievorrichtung (1000), wobei die Messparameter (MP) wenigstens eine Betriebstemperatur, eine Batteriespannung und einen Batteriestrom der Batterievorrichtung (1000) aufweisen; gekennzeichnet durch
- ein Batteriezustandsmodul (30) zum Ermitteln von Batterieparametern (BP) aus einem physik-basierten Batteriemodell zur Abbildung von in der Batterievorrichtung (1000) ablaufenden physikalischen Prozessen, wobei das Batteriemodell als Eingangsparameter wenigstens die Messparameter (MP) aufweist, und wobei die Batterieparameter (BP) wenigstens einen zu erwartenden Temperaturfortschritt der Betriebstemperatur und eine Elektrodenspannung aufweisen;
- ein Vorhersagemodul (40) zum Ermitteln von Vorhersageparametern (VP) für den Eintritt von Metal-Plating an einer Elektrode (1001 , 1002) der Batterievorrichtung (1000) aus einem Vorhersagemodell, wobei das Vorhersagemodell wenigstens die Batterieparameter (BP) als Eingangsparameter aufweist und wobei die Vorhersageparameter (VP) wenigstens eine vorhergesagte Eintrittszeit für das Metal-Plating aufweisen;
- ein Kontrollermittlungsmodul (50) zum Ermitteln von mindestens einem Kontrollparameter (KP) zur Kontrolle des Ladeprozesses aus einem Kontrollmodell, wobei das Kontrollmodell die Messparameter (MP), die Batterieparameter (BP) und die Vorhersageparameter (VP) als Eingangsparameter aufweist, wobei der mindestens eine Kontrollparameter (KP) insbesondere auf einer Gewichtung der Eingangsparameter basiert und wobei der mindestens eine Kontrollparameter (KP) wenigstens eine Ladestromgrenze aufweist, und
- ein Ausgabemodul (60) zur Ausgabe der ermittelten Ladestromgrenze, um insbesondere basierend auf dem zumindest einen Kontrollparameter (KP) den Ladeprozess zu kontrollieren.
15. Kontrollsystem (10) gemäß Anspruch 14, wobei das Messmodul (20) und das Batteriezustandsmodul (30) auf einer ersten Recheneinheit (11 ), bevorzugt auf einer Batteriesteuereinheit der Batterievorrichtung (1000), vorgesehen sind, und wobei das Vorhersagemodul (40) und das Kontrollermittlungsmodul (50) auf einer zweiten Recheneinheit (12), bevorzugt auf einem externen Server oder einem Cloud-Server, vorgesehen sind, wobei bevorzugt die zweite Recheneinheit (12) von der ersten Recheneinheit (11 ) verschieden ist.
16. Kontrollsystem (10) gemäß Anspruch 14 oder 15, wobei das Messmodul (20) wenigstens einen Spannungssensor (21 ), einen Temperatursensor (22) und/oder einen Stromsensor (23) aufweist.
17. Batterieladesystem (90) aufweisend
- eine wiederaufladbare Batterievorrichtung (1000) mit wenigstens einer Batteriezelle (1003),
- Ladeanschlüsse zum Koppeln von Elektroden (1001 , 1002) der Batterievorrichtung (1000) mit einer elektrische Ladevorrichtung (1200), um die Batterievorrichtung (1000) mit einem Ladestrom elektrisch zu laden, gekennzeichnet durch ein Kontrollsystem (10) gemäß einem der vorhergehenden Ansprüche 14 bis 16, wobei die ausgegebene Ladestromgrenze als eine Obergrenze des Ladestroms von dem Kontrollsystem (10) vorgegeben wird.
PCT/AT2024/060265 2023-07-07 2024-07-05 Verfahren und system zur ermittlung einer ladestromgrenze für einen ladeprozess einer wiederaufladbaren batterie Ceased WO2025010459A1 (de)

Priority Applications (2)

Application Number Priority Date Filing Date Title
EP24758133.3A EP4710403A1 (de) 2023-07-07 2024-07-05 Verfahren und system zur ermittlung einer ladestromgrenze für einen ladeprozess einer wiederaufladbaren batterie
CN202480046004.5A CN121532925A (zh) 2023-07-07 2024-07-05 用于确定可充电电池充电过程的充电电流限值的方法和系统

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
ATA50543/2023 2023-07-07
AT505432023 2023-07-07

Publications (1)

Publication Number Publication Date
WO2025010459A1 true WO2025010459A1 (de) 2025-01-16

Family

ID=92458129

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/AT2024/060265 Ceased WO2025010459A1 (de) 2023-07-07 2024-07-05 Verfahren und system zur ermittlung einer ladestromgrenze für einen ladeprozess einer wiederaufladbaren batterie

Country Status (3)

Country Link
EP (1) EP4710403A1 (de)
CN (1) CN121532925A (de)
WO (1) WO2025010459A1 (de)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120894183A (zh) * 2025-10-09 2025-11-04 苏州工学院 一种基于电池组充放电智能管理系统及方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170203667A1 (en) 2016-01-20 2017-07-20 Ford Global Technologies, Llc Charging strategies to mitigate lithium plating in electrified vehicle battery
US20190229378A1 (en) * 2016-10-03 2019-07-25 Johnson Controls Technology Company State of charge dependent plating estimation and prevention
US20200363475A1 (en) * 2019-05-15 2020-11-19 Sf Motors, Inc. Continuous derating fast charging method based on multiple particle reduced order model

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170203667A1 (en) 2016-01-20 2017-07-20 Ford Global Technologies, Llc Charging strategies to mitigate lithium plating in electrified vehicle battery
US20190229378A1 (en) * 2016-10-03 2019-07-25 Johnson Controls Technology Company State of charge dependent plating estimation and prevention
US20200363475A1 (en) * 2019-05-15 2020-11-19 Sf Motors, Inc. Continuous derating fast charging method based on multiple particle reduced order model

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN120894183A (zh) * 2025-10-09 2025-11-04 苏州工学院 一种基于电池组充放电智能管理系统及方法

Also Published As

Publication number Publication date
CN121532925A (zh) 2026-02-13
EP4710403A1 (de) 2026-03-18

Similar Documents

Publication Publication Date Title
DE102022212239A1 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines multivariaten Transformer-Modells
AT521643B1 (de) Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie
DE102020100668B4 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102020212299A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren
DE112015005201T5 (de) Abschätzungseinheit für eine verbleibende gespeicherte energiemenge, verfahren zum abschätzen einer verbleibenden gespeicherten energiemenge einer speicherbatterie sowie computerprogramm
DE102021207467A1 (de) Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Konfidenzintervallen von Alterungszuständen von elektrischen Energiespeichern für mindestens ein Gerät mithilfe von maschinellen Lernverfahren
DE102022208932A1 (de) Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells
DE102022200008A1 (de) Verfahren und System zum effizienten Überwachen von Batteriezellen einer Gerätebatterie in einer geräteexternen Zentraleinheit mithilfe eines digitalen Zwillings
EP3658930B1 (de) Verfahren und vorrichtung zur detektion von batteriezellenzuständen und batteriezellenparametern
EP3655789B1 (de) Verfahren und vorrichtung zur überwachung eines stabilen konvergenzverhaltens eines kalman-filters
WO2021105071A1 (de) Verfahren zur abschätzung des zustands eines energiespeichers
EP2245718A1 (de) Batteriemanagementsystem
DE102021208340A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines berechneten und prädizierten Alterungszustands eines elektrischen Energiespeichers mit einem mithilfe von maschinellen Lernverfahren und Active Learning-Methoden ermittelten Alterungszustandsmodell
EP3974246A1 (de) Verfahren und vorrichtung zur robusten vorhersage des alterungsverhaltens eines energiespeichers in einer batteriebetriebenen maschine
DE102020215890A1 (de) Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands eines Energiespeicher-Systems
DE102021212689A1 (de) Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster
EP4710403A1 (de) Verfahren und system zur ermittlung einer ladestromgrenze für einen ladeprozess einer wiederaufladbaren batterie
DE102021214154A1 (de) Computerimplementiertes Verfahren zum Bereitstellen eines Alterungszustandsmodells zur Bestimmung eines aktuellen und prädizierten Alterungszustands eines elektrischen Energiespeichers mithilfe von maschinellen Lernverfahren
DE102023212224A1 (de) Verfahren zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe von hybriden Differenzialgleichungen
WO2024180150A1 (de) Verfahren und vorrichtung zur erkennung einer anomalie im verhalten eines dynamischen systems
WO2016012196A1 (de) Verfahren zum betreiben einer sekundärbatterie
DE102020008050A1 (de) Charakterisierung von wiederaufladbaren Batterien mit Maschinen-gelernten Algorithmen
DE102021208227A1 (de) Verfahren und Vorrichtung zum Bereitstellen einer Gesamttrajektorie eines Alterungszustands aus mehreren Alterungszustandsverläufen eines elektrischen Energiespeichers
DE102018108184A1 (de) Verfahren und Einrichtung zur Bestimmung des Zustands eines Akkumulators sowie Computerprogramm
DE102023104214B4 (de) Computerimplementiertes Verfahren zur prädiktiven Erkennung des Batteriezustands anhand des Konditionierungsverhaltens des Batteriepacks

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: 24758133

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024758133

Country of ref document: EP

ENP Entry into the national phase

Ref document number: 2024758133

Country of ref document: EP

Effective date: 20251212

ENP Entry into the national phase

Ref document number: 2024758133

Country of ref document: EP

Effective date: 20251212

ENP Entry into the national phase

Ref document number: 2024758133

Country of ref document: EP

Effective date: 20251212

ENP Entry into the national phase

Ref document number: 2024758133

Country of ref document: EP

Effective date: 20251212

ENP Entry into the national phase

Ref document number: 2024758133

Country of ref document: EP

Effective date: 20251212

ENP Entry into the national phase

Ref document number: 2024758133

Country of ref document: EP

Effective date: 20251212

ENP Entry into the national phase

Ref document number: 2024758133

Country of ref document: EP

Effective date: 20251212

ENP Entry into the national phase

Ref document number: 2024758133

Country of ref document: EP

Effective date: 20251212

NENP Non-entry into the national phase

Ref country code: DE

WWP Wipo information: published in national office

Ref document number: 2024758133

Country of ref document: EP