CN115219904A - 用于运行用来提供电化学电池组模型的系统的方法和装置 - Google Patents
用于运行用来提供电化学电池组模型的系统的方法和装置 Download PDFInfo
- Publication number
- CN115219904A CN115219904A CN202210412966.0A CN202210412966A CN115219904A CN 115219904 A CN115219904 A CN 115219904A CN 202210412966 A CN202210412966 A CN 202210412966A CN 115219904 A CN115219904 A CN 115219904A
- Authority
- CN
- China
- Prior art keywords
- model
- state
- aging
- cell stack
- battery
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 230000032683 aging Effects 0.000 claims abstract description 219
- 230000008569 process Effects 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims description 24
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 19
- 229910052744 lithium Inorganic materials 0.000 claims description 19
- 239000006183 anode active material Substances 0.000 claims description 6
- 230000035882 stress Effects 0.000 claims description 5
- 238000007476 Maximum Likelihood Methods 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims 1
- 238000012937 correction Methods 0.000 description 31
- 238000011156 evaluation Methods 0.000 description 18
- 230000006978 adaptation Effects 0.000 description 13
- 230000006870 function Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 7
- 230000014759 maintenance of location Effects 0.000 description 6
- 230000004927 fusion Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 230000001419 dependent effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000002431 foraging effect Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013531 bayesian neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005315 distribution function Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
- G06F17/13—Differential equations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/547—Voltage
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2260/00—Operating Modes
- B60L2260/40—Control modes
- B60L2260/44—Control modes by parameter estimation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
- G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Mechanical Engineering (AREA)
- Transportation (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Power Engineering (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- Algebra (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及用于为设备电池组（41）提供电化学电池组模型（13）和老化状态模型（11）的计算机实现的方法，其中所述电化学电池组模型（13）基于微分方程组来对平衡状态进行建模，并且被设计用于说明在所述设备电池组（41）的运行参量（F）与所述设备电池组（41）的充电状态（SOC）之间的相关性，其中所述老化状态模型（11）包括基于另一微分方程组的至少一个物理老化模型（5），并且被设计用于根据所述设备电池组（41）的运行参量变化过程（F）来对老化状态（SOH）进行建模。
Description
技术领域
本发明涉及独立于电网地运行的具有设备电池组的电气设备，尤其是电可驱动机动车、尤其是电动车辆或混合动力车辆，而且本发明还涉及用于根据设备电池组的老化状态（SOH：State of Health（健康状态））来提供电化学电池组模型的措施。此外，除了移动设备电池组之外，本发明也涉及静态设备电池组。
背景技术
对独立于电网地运行的电气设备和机器、诸如电可驱动机动车的能量供应借助于设备电池组或车辆电池组来实现。这些设备电池组或车辆电池组为设备的运行提供电能。
设备电池组的老化状态随着其使用寿命的推移而显著减小，这导致最大蓄能容量减小。设备电池组的老化的量度取决于设备电池组的单独的负载，也就是说在机动车的车辆电池组的情况下取决于驾驶员的使用行为、外部环境条件以及取决于车辆电池组类型。
此外，通常在电池组管理系统中实现电化学电池组模型，这些电化学电池组模型说明了单独的设备电池组的充电状态、电池组电流、端电压和电池组温度的相关性，使得例如充电状态可以基于电化学参数根据进入蓄能器或者来自蓄能器的通过电流来被建模。
发明内容
按照本发明，提供了一种按照权利要求1所述的用于为设备电池组提供电化学电池组模型和老化状态模型的方法以及一种按照并列权利要求所述的在电可驱动设备中的装置。
其它的设计方案在从属权利要求中说明。
按照第一方面，提供了一种用于根据设备电池组的老化状态来为设备电池组提供电化学电池组模型和老化状态模型的计算机实现的方法，
其中该电化学电池组模型基于微分方程组来对平衡状态进行建模，并且被设计用于说明在设备电池组的运行参量与设备电池组的充电状态之间的相关性，
其中该老化状态模型包括基于另一微分方程组的至少一个物理老化模型，并且被设计用于根据设备电池组的运行参量变化过程来对老化状态进行建模，该方法具有如下步骤：
- 使用具有表征设备电池组的运行的运行参量变化过程的老化状态模型的物理老化模型，以便确定老化状态，其中出现该物理老化模型的微分方程组的内部状态；
- 通过校准方法，基于设备电池组的运行参量来使该电化学电池组模型的至少一个模型参数适配；
- 根据该物理老化模型的当前的内部状态来使该电化学电池组模型的至少一个模型参数匹配和/或基于该电化学电池组模型的模型参数来使该物理老化模型的微分方程组的至少一个内部状态匹配。
按照另一方面，提供了一种用于根据设备电池组的老化状态来为设备电池组提供电化学电池组模型的计算机实现的方法，
其中该电化学电池组模型基于微分方程组来对平衡状态进行建模，并且被设计用于说明在设备电池组的运行参量与设备电池组的充电状态之间的相关性，
其中老化状态模型包括基于另一微分方程组的至少一个物理老化模型，并且被设计用于根据设备电池组的运行参量变化过程来对老化状态进行建模，该方法具有如下步骤：
- 使用具有表征设备电池组的运行的运行参量变化过程的老化状态模型的物理老化模型，以便确定老化状态，其中出现该物理老化模型的微分方程组的内部状态；
- 根据该物理老化模型的当前的内部状态来使该电化学电池组模型的至少一个模型参数匹配。
按照另一方面，提供了一种用于根据设备电池组的老化状态来为设备电池组提供老化状态模型的计算机实现的方法，
其中电化学电池组模型基于微分方程组来对平衡状态进行建模，并且被设计用于说明在设备电池组的运行参量与设备电池组的充电状态之间的相关性，
其中该老化状态模型包括基于另一微分方程组的至少一个物理老化模型，并且被设计用于根据设备电池组的运行参量变化过程来对老化状态进行建模，该方法具有如下步骤中的至少一个步骤：
- 通过校准方法，基于设备电池组的运行参量来使该电化学电池组模型的至少一个模型参数适配；
- 基于该电化学电池组模型的至少一个模型参数来使该物理老化模型的微分方程组的至少一个内部状态匹配。
通常不直接测量可再充电的设备电池组的老化状态。这会在设备电池组附近需要一系列传感器，这些传感器会使这种设备电池组的制造成本高以及复杂并且会增加空间需求。此外，市场上还没有用于在这些设备中的老化状态确定的适合于日常使用的测量方法。因而，通常借助于这些设备中的物理老化模型来确定当前的老化状态。该物理老化状态模型在某些情况下不准确并且通常具有多达超过5 %的模型偏差。
此外，由于该物理老化模型的不准确，该物理老化模型只能说明设备电池组的当前的老化状态。老化状态的尤其是取决于设备电池组的运行方式、诸如取决于电荷流入和电荷流出的水平和数量并且借此取决于使用行为和使用参数的预测会导致非常不准确的预报并且目前未被提供。
在设备电池组的情况下，老化状态（SOH：State of Health）是用于说明剩余电池组容量或者剩余电池组电量的关键参量。老化状态是对设备电池组的老化的量度。在设备电池组或电池组模块或电池组电池的情况下，老化状态可以被指定为容量保持率（Capacity Retention Rate，SOH-C）。容量保持率SOH-C被指定为所测量到的当前容量与充满电的电池组的初始容量之比。替代地，老化状态可以被指定为内阻相对于在设备电池组的使用寿命开始时的内阻的升高（SOH-R）。内阻的相对变化SOH-R随着电池组的老化增加而升高。
如下方法是大有希望的：规定基于老化状态模型对单独的设备电池组的老化状态的确定和预测，该老化状态模型基于数据地被实现并且以在多个设备电池组中的测量为基础。例如可以被实施成混合老化模型的这种基于数据的老化状态模型例如可以在中央单元（云）中实现并且借助于与该中央单元保持通信连接的多个设备的设备电池组的运行参量来被训练。
用于确定电蓄能器的老化状态的老化状态模型可以包括或包含物理老化模型。该物理老化模型是基于微分方程的数学模型。对具有运行参量变化过程、尤其是自从设备电池组的使用寿命开始以来的运行参量变化过程的老化状态模型的物理老化模型的评估引起：出现物理微分方程的方程组的内部状态，该内部状态对应于设备电池组的物理内部状态。由于该物理老化模型基于物理定律，所以该物理老化模型的模型参数是说明物理特性的参量。
尤其是，这样的老化状态模型可以以混合老化状态模型、即物理老化模型与基于数据的修正模型的组合的形式来被提供。在混合模型的情况下，物理老化状态可以借助于被参数化的物理或电化学老化模型来被确定，并且该物理或电化学老化模型的输出可以被添加修正值，该修正值从基于数据的修正模型中得出，尤其是通过加法或乘法来得出。该物理老化模型基于电化学模型方程，这些电化学模型方程表征电化学状态并且为了输出而将这些电化学状态映射到物理老化状态，包括SOH-C和SOH-R。
此外，基于数据的混合老化状态模型的修正模型可以被设计得具有概率或者基于人工智能的回归模型、尤其是高斯过程模型，并且可以被训练用于修正通过物理老化状态模型所确定的老化状态。为此，因此存在老化状态的用于修正SOH-C的基于数据的修正模型和/或用于修正SOH-R的另一基于数据的修正模型。高斯过程的可能的替代方案是其它监督学习方法，如随机森林模型、AdaBoost模型、支持向量机或贝叶斯神经网络。
还提供电化学电池组模型，该电化学电池组模型基于通过电池组模型参数来被参数化的微分方程来对内部平衡状态进行建模，并且提供设备电池组的运行参量、即设备电池组的电池组电流、电池组电压和电池组温度与充电状态之间的关系。这种电化学电池组模型本身是已知的并且例如可以被用于确定充电曲线或者被用于确定关于充电和放电行为的使用建议。该电化学电池组模型可以在设备内部实现或者同样可以在中央单元中实现。
该电化学电池组模型可以对平衡状态进行建模并且包括模型参数。这些模型参数可以定期被重新参数化，尤其是当有足够的关于所测量的充电状态和电池组参量的新数据存在时被重新参数化。这些数据可以针对同类的设备电池组通过在中央单元中的评估来被收集，并且在那里可以执行重新参数化。这引起对该电化学电池组模型的模型参数的适配。对至少一个模型参数的适配可以通过例如借助于最小二乘法等将电池组模型与供支配的数据进行拟合来实现。
这样的模型参数例如可以包括关于可循环锂的标量数据（值与阴极容量有关）、在电池组的使用寿命开始时的可循环锂的份额（标量值）、阳极的体积份额和在设备电池组的使用寿命开始时的阳极的体积份额。
这些模型参数中的至少一些模型参数取决于设备电池组的老化状态。电化学模型的模型参数也是基于物理的，并且可以与老化状态模型的物理模型的内部状态建立关系。
这样，例如老化状态模型的通过状态向量
所描述的内部状态可以说明可循环锂的损失
（以Ah为单位）和阳极活性材料的损失
（以%为单位）。相比之下，该电化学电池组模型的物理模型参数包括关于可循环锂的量
的标量数据（值与阴极容量有关）和电池组的阳极的体积份额
。
现在，该物理老化模型的内部状态可以被换算成可循环锂以及阳极的体积份额的值，而且反之亦然，这些值表示该电化学电池组模型的模型参数。例如适用：
其中
和
对应于关于在使用寿命开始时可循环锂的量
的标量数据或在使用寿命开始时阳极的体积份额，并且k1、k2是预先给定的物理常数。能够进行对其它电化学状态的换算或校准和调整。
具体来说，针对上述内部状态和相关的模型参数，可循环锂的值可以基于在电池组的使用寿命开始时的可循环锂的值减去可循环锂的损失的被添加因子的值（以安培小时为单位）来被确定，并且阳极的体积份额可以根据在设备电池组的使用寿命开始时阳极的体积份额减去阳极活性材料的损失的被添加因子的值来被确定，该值同样对应于老化状态模型的物理微分方程的内部状态。也可以根据老化状态模型的物理模型的内部状态来使其它模型参数适应。
因此，基于老化状态模型的物理老化模型，可以进行对该电化学电池组模型的模型参数的匹配。
此外，通过上文说明的示例性的关系，也可以通过根据该电化学电池组模型的经适配的模型参数对老化模型的微分方程组中的内部状态进行适配来执行对老化状态模型的匹配。
尤其是，电化学模型的模型参数可以基于老化状态模型的内部状态来定期被适配或者在预先确定的时间点被适配。这例如可以通过用如下相应值覆盖一个或多个模型参数的值来实现，该相应值取决于物理老化模型的相对应的内部状态的值，该值根据对具有自从使用寿命开始以来所考虑的设备电池组的运行参量变化过程的物理模型的评估来得出。
相反，老化模型的内部状态也可以根据该电化学电池组模型的经适配的模型参数来被匹配，尤其是当这些模型参数由于校准而已经被改变时。
因此，原则上能够与对状态或模型参数的伴随着的校准和调整进行融合。
按照一个实施方式，对该电化学电池组模型的使用可包括：确定充电状态和/或确定压力因素。其它应用包括对电化学参数的监控，这些电化学参数也可以被用于异常识别。在这种情况下，重点特别是得出经优化的充电策略，以延长电池组的使用寿命。一方面，这包含对充电曲线的更新，该充电曲线可以由该电化学电池组模型得出，使得电池组的老化压力在充电期间被减小到最低限度。另一方面，这也包含对充电过程的时间计划，以便使老化因素、如日历老化减小到最低限度。
通过对基于阳极电位的优化问题的求解来得出充电曲线，该充电曲线说明了充电电流随着充电状态的变化过程。在此，该优化问题被求解为使得所得出的充电曲线对于充电时长（应该被最小化）和另一方面使用寿命（应该被最大化）的评价标准来说是帕累托最优的。在该优化问题内的使用寿命最大化的情况下，避免了具有伴随着的高压力因素的临界的电池组状态。
通过使用老化状态模型作为老化预测模型，例如可以预报：在高温下充满电的电池组关于所预期的日历老化的影响有多大。一方面，在考虑常见的车辆使用的情况下可以优化充电时间点（例如在充电状态低的情况下保持较长时间并且在使用开始之前不久才充电到较高的充电状态或者当电池组温度已相对应地被调节时）。除了经优化的充电曲线之外，这还允许对车辆的预期使用寿命的模型预测优化，另外，该模型预测优化也能够实现对作为该优化问题的边界条件的保证性能的持续的基于概率的监控和评价。
可以规定：只有当或者每当查明老化状态改变了预先确定的老化状态变化时，才执行对该电化学电池组模型的至少一个模型参数的匹配。
还可以规定：执行对内部状态和该至少一个模型参数的融合，以便对该物理老化模型和该电化学电池组模型进行匹配。根据电化学电池组模型或电化学老化模型是否提供对设备电池组的状态的更准确的估计映射，对相应较不准确的模型进行适配。也就是说，要么可以使老化模型的内部状态匹配，要么可以使电化学电池组模型匹配，要么可以使两者都匹配。
优选地，预先将内部状态和至少一个相对应的模型参数融合成融合参量，该融合参量被用作校准或参数化基础。为此，例如可以使用最大似然估计器或者替代地使用基于控制技术的观测器方法。这样，针对内部状态以及至少一个对应于或被分配给该内部状态的模型参数，可以分别确定不确定性值，这些不确定性值可以在该融合时作为权重来被考虑。
例如，在使用具有基于高斯过程的修正模型的混合老化状态模型的情况下，内部状态的不确定性可以通过修正模型的修正参量的量度以及该修正参量的置信度来被说明。至少一个模型参数的不确定性例如可以通过在用于使电池组模型适配的数据库与经拟合的模型曲线之间的残差来得出。
如果存在新标记、例如来自现场或试验台的新标记，则物理老化模型可以借助于多个设备电池组的运行参量变化过程和在特定时间点凭经验确定的老化状态来被重新参数化。
设备电池组还可以被用于运行设备，如机动车、电动助力车（Pedelec）、飞行器、尤其是无人机、机床、娱乐电子设备、如移动电话、自主机器人和/或家用电器。
按照另一方面，提供了一种用于执行上述方法之一的装置。
附图说明
随后，依据随附的附图更详细地阐述实施方式。其中：
图1示出了用于提供特定于驾驶员和车辆的运行参量以在中央单元中为车辆电池组提供与老化状态适配的电化学电池组模型的系统的示意图；
图2示出了在中央单元中的用于实现老化状态模型和电化学电池组模型的功能的功能结构的示意性框图；
图3示出了用来阐明用于使电化学电池组模型适配的方法的流程图。
具体实施方式
在下文，依据在作为同类“设备”的多个机动车中的作为设备电池组的车辆电池组来描述按照本发明的方法。在机动车中，可以在控制单元中实现用于相应的车辆电池组的基于数据的老化状态模型。在中央单元中，该老化状态模型可以持续地基于来自车队中的车辆电池组的运行参量变化过程来被更新或被再训练。替代地，该老化状态模型可以纯粹地在云中运行，并且结果可以被提供用于计算老化状态并且预测老化状态。该老化状态模型在中央单元中运行并且被用于老化计算和老化预测。此外，该电化学电池组模型可以在车辆中和/或在中央单元中使用。通过与老化状态适配的参数化，能够经改善地提供电池组电压、电池组电流、电池组温度和充电状态的相关性。
上述示例代表了大量具有独立于电网的能量供应的静态或移动设备，诸如车辆（电动车辆、电动助力车等等）、设施、机床、家用电器、IOT设备等等，这些静态或移动设备经由相对应的通信连接（例如LAN、因特网（Internet））来与中央单元（云）保持连接。
图1示出了用于在中央单元2中收集车队数据以创建并且运行以及评估老化状态模型和电化学电池组模型的系统1。
该老化状态模型用于确定机动车中的车辆电池组的老化状态。图1示出了具有多个机动车4的车队3。
这些机动车4之一在图1中更详细地被示出。这些机动车4分别具有：车辆电池组41；电驱动马达42；和控制单元43。控制单元43与通信模块44连接，该通信模块适合于在相应的机动车4与中央单元2（所谓的云）之间传输数据。
机动车4向中央单元2发送运行参量F，这些运行参量至少说明了影响车辆电池组的老化状态或者受车辆电池组的老化状态影响的参量。在车辆电池组的情况下，运行参量F可以说明当前的电池组电流I(t)、当前的电池组电压U(t)、当前的电池组温度T(t)和当前的充电状态SOC(t)（SOC：State of Charge），在包层面、模块层面和/或电池层面。运行参量F在快速时间帧中视信号而定通常在0.1 Hz至100 Hz之间被检测并且可以以未压缩和/或压缩的形式定期被传输给中央单元2。例如，时间序列可以以10 min乃至几小时的间隔成块地被传输给中央单元2。
根据运行参量F，可以在中央单元2中或者在其它实施方式中也可以已经在相应的机动车4中生成涉及评估期的运行特征M。对于确定老化状态来说，该评估期可以为几小时（例如6小时）至几周（例如一个月）。该评估期的常用值为一周。
这些运行特征例如可包括与该评估期相关的特征和/或在到目前为止的使用寿命期间（也就是说自从使用寿命开始以来）累积的特征和/或在到目前为止的整个使用寿命期间所确定的统计参量。尤其是，这些运行特征例如可包括：随充电状态变化过程、温度、电池组电压、电池组电流的直方图数据，尤其是关于随充电状态的电池组温度分布、随温度的充电电流分布和/或随温度的放电电流分布的多维直方图数据；累积的总电量（Ah）；在充电过程（尤其是对于其中电量增加高于整个电池组容量的阈份额（例如20 %）的充电过程来说）中的平均容量增加；在所测量的具有充电状态的足够大的提升的充电过程期间微分容量的极值（dQ/dU：电量变化除以电池组电压的变化）等等。
老化状态（SOH：State of Health）是用于说明剩余电池组容量或者剩余电池组电量的关键参量。老化状态是对车辆电池组或电池组模块或电池组电池的老化的量度并且可以被指定为容量保持率（Capacity Retention Rate，SOH-C）或者被指定为内阻的升高（SOH-R）。容量保持率SOH-C被指定为所测量到的当前容量与充满电的电池组的初始容量之比。内阻的相对变化SOH-R随着电池组的老化增加而升高。
在中央单元2中实现老化状态模型，该老化状态模型尤其可以整体或部分地基于数据。该老化状态模型可以定期、也就是说例如在相应的评估时长期满之后被使用，以便基于这些运行特征和/或运行参量来进行对车辆电池组41的当前的老化状态的确定。换言之，能够基于从车队3的机动车4之一的运行参量变化过程得出的运行参量和/或运行特征来确定相关的车辆电池组41的老化状态。
图2示例性地示意性示出了实施方式的模型系统10的功能结构。模型系统10包括老化状态模型11和电化学电池组模型12。
老化状态模型11可以以混合方式来构造。在所示出的实施方式中，老化状态模型11包括物理老化模型5和修正模型6。该物理老化模型和该修正模型获得在可选的数据清理块12中过滤的运行参量F'，这些运行参量可以为了避免异常值而被过滤。在特征提取块8中基于运行参量F的时间序列来生成当前评估期的运行特征M。
经过滤的运行参量F直接进入物理老化模型5，该物理老化模型优选地被实施成电化学模型并且借助于非线性微分方程来描述相对应的电化学状态，如层厚度（例如SEI厚度）、由于阳极/阴极副反应所引起的可循环锂的变化、电解质的快速消耗、电解质的缓慢消耗、阳极中的活性材料的损失、阴极中的活性材料的损失等等。
物理老化模型5对应于电池组电池和电池化学的基于微分方程的电化学模型。物理老化模型5根据经过滤的运行参量F'的自从车辆电池组的使用寿命开始以来的变化过程来确定内部物理电池组状态，以便确定以上述电化学状态为形式的至少一维的基于物理的老化状态SOHph，这些电化学状态线性地或者非线性地被映射到容量保持率（SOH-C）和/或内阻升高率（SOH-R），以便提供该容量保持率和该内阻升高率（SOH-C和SOH-R）。这里假定物理老化模型的模型参数是恒定且预先给定的。这些模型参数必要时可以在给定的时间点基于标记来被拟合，例如用于描述副反应的系数。
然而，通过物理老化模型5所提供的针对老化状态SOHph的模型值在某些情况下不准确，并且因而规定：利用修正参量k来修正这些模型值。修正参量k由基于数据的修正模型6来提供，该修正模型借助于来自车队3的车辆4的训练数据集和/或借助于实验室数据来被训练。
修正模型6在输入侧获得运行特征M，这些运行特征根据运行参量F的变化过程来被确定并且也可以包括物理模型的内部电化学状态中的一个或多个。此外，修正模型6可以在输入侧获得从物理老化模型5中获得的物理老化状态SOHph。在特征提取块8中基于运行参量F的时间序列来生成当前评估期的运行特征M。
为了确定经修正的所要输出的老化状态SOH，使物理老化模型5和修正模型6的输出SOHph、k相互作用，该修正模型优选地实施成高斯过程模型。尤其是，这些输出可以在求和块7中被相加或相乘（未示出），以便获得在当前评估期的所要输出的经建模的老化状态SOH。
物理老化模型5和修正模型6基于运行参量变化过程和通过其它标记生成方法、如库仑计数（Coloumb-Counting）等所确定的老化状态来被定期适配。只要没有来自实验室数据或者基于现场诊断测量（=地面实况（Ground Truth））的新标记可用，就不对物理老化模型5进行重新参数化。如果有新标记可用，则老化模型虽然可以被重新参数化，但是这只是很少被执行（例如以6个月的间隔）。但是，通常在老化模型的参数基本上恒定的情况下，通过微分方程组的内部状态（状态向量）的可变性来实现将物理老化模型5适配到电池组的实际状态。
由此，物理模型在当前时间点呈现取决于老化状态的内部状态，该内部状态对应于车辆电池组41或者车辆电池组41的至少一个模块或者车辆电池组41的至少一个电池的物理特性。
现在，针对单独的设备电池组，可以基于基础的物理老化模型5通过对自从车辆电池组的运行开始以来的运行参量的变化过程的评估来确定内部状态。该内部状态通过一个或多个状态参数来被表征，所述一个或多个状态参数可以被用于得出该电化学电池组模型的一个或多个模型参数。
物理老化模型5的微分方程组可以在状态向量
的情况下例如具有按如下的结构：
这样，例如老化状态模型的内部状态可以说明在到目前为止的使用寿命的过程中可循环锂的损失
（以Ah为单位）和阳极活性材料的损失
（以%为单位）。状态向量
持续通过时间积分法根据梯度参量
来被计算。在中央单元2中的模型执行通常每月进行1-8次。
模型系统还可具有电化学电池组模型13，该电化学电池组模型提供在充电状态SOC、电池组电流I、端电压U和电池组温度T之间的相关性。该电化学电池组模型使用表征电池组行为的模型参数。该电化学电池组模型的这些模型参数表征物理和/或化学关联，而且可以包括SEI厚度、可用的锂、溶液浓度等等。然而，这些物理模型参数无法轻易被测量，并且最初是被估计的。这些模型参数为老化所决定，使得需要与车辆电池组的老化状态的定期适配。
电池组模型例如可具有如下结构：
其中C = C(P)是作为内部模型参数的函数的电极容量，这些内部模型参数可包括可循环锂的至少一个被归一化到阴极容量的参量cLI以及阳极体积份额ea。P是定期被拟合的一组参数。OCV对应于电池组的取决于充电状态SOC的开路电压，并且OCP对应于电池组的阳极或阴极的开路电压电位。
能够使用物理老化模型的内部状态来使电化学电池组模型与当前的老化状态适应。如果该电化学电池组模型被实施成具有基于数据的修正模型的混合模型，则可以规定：只有当基于数据的修正模型具有足够低的修正值并且同时具有足够高的置信度（即窄置信带）时，才执行使物理老化模型的内部状态适应。在这种情况下，该电化学电池组模型具有关于电化学状态的最大的确定性。
这样，例如可以得出可循环锂的损失XC,LI（以Ah为单位）以及阳极活性材料的损失XLAM（标量参量），作为针对物理模型的内部状态的状态参数。
这些损失可以被用于使该电化学电池组模型的模型参数适配。作为示例性的模型参数，可以确定可循环锂的被归一化到阴极容量的参量cLI和阳极体积份额ea，按如下：
其中
和
对应于关于在使用寿命开始时可循环锂的量
的标量数据或在车辆电池组41的使用寿命开始时阳极的体积份额，并且k1、k2是预先给定的物理常数。
替代地，也可以根据对电池组模型的模型参数的重新确定或适配来使物理老化模型5的内部状态适配。
对内部状态和模型参数的适配可以在匹配块15中被执行，分别根据由于所进行的模型适配而引起的模型参数的改变或者由于电池组老化的显著变化而引起的内部状态的改变，例如在老化状态改变了预先确定的数值之后内部状态的改变。
此外，在匹配块15中也能够实现老化模型5的内部状态与电池组模型13的模型参数的融合，以便例如基于最大似然法或控制技术观测方法来确定老化模型的最可能的内部状态以及电池组模型的经优化的模型参数。
该融合考虑了在确定内部状态和模型参数时的不确定性。这些不确定性可以被量化和组合，以便在使老化模型和电池组模型适配时整体上获得较低的不确定性。
例如，在使用具有基于高斯过程的修正模型的混合老化状态模型的情况下，内部状态的不确定性可以通过修正模型的修正参量的量度以及该修正参量的置信度来被说明/量化。至少一个模型参数的不确定性例如可以通过在用于使电池组模型的模型参数适配的数据库与经拟合的模型曲线之间的残差来得出。
在预测块16中，可以基于经匹配的老化状态模型10来确定和报告当前的老化状态。尤其是，通过对老化状态变化过程的预测可以判断车辆电池组41的剩余使用寿命。
在充电策略块17中使用电化学电池组模型13，以便精确地确定当前的充电状态和/或确定压力因素。在充电策略块17中可以得出充电策略，以便获得经优化的充电曲线，该充电曲线将使车辆电池组老化的压力因素减小到最低限度并且这样有助于延长车辆电池组41的使用寿命。一方面，这包含对充电曲线的更新，该充电曲线可以由该电化学电池组模型得出，使得电池组的老化压力在充电期间被减小到最低限度。通过对基于阳极电位的优化问题的求解来得出充电曲线，该充电曲线说明了充电电流随着充电状态的变化过程。在此，该优化问题被求解为使得所得出的充电曲线对于充电时长（应该被最小化）和另一方面使用寿命（应该被最大化）的评价标准来说是帕累托最优的。在该优化问题内的使用寿命最大化的情况下，避免了具有伴随着的高压力因素的临界的电池组状态。
图3示出了用来阐明用于使电化学电池组模型适配以监控单独的设备电池组的方法的流程图。
为此，在步骤S1中，基于连续检测的或者以其它方式提供的运行参量变化过程F来对老化状态模型进行评估，以便获得当前的老化状态SOH。
在步骤S2中，也对运行参量变化过程进行评估，以便借助于电化学电池组模型13来提供在充电状态、电池组电流、端电压和电池组温度之间的相关性。这能够实现利用电池组电流来计算电压的动态响应并且计算内部状态、诸如阳极过电位，该阳极过电位被用于得出充电曲线。该电化学电池组模型被用于确定充电曲线，这些充电曲线能够基于当前的运行参量来精确地说明当前的充电状态。该电化学电池组模型也可以被用于分析设备的运行行为或者车辆电池组的充电和行驶行为并且得出运行建议。
在步骤S3中，检查自从对该电化学电池组模型的上一次适配以来是否发生老化状态改变得超过预先确定的老化状态变化，诸如超过1%，或者是否通过对中央单元中的数据库的评估进行了对模型参数的适配。如果情况如此（二选一：是），则以步骤S4来继续该方法，否则（二选一：否）跳回到步骤S1。
在步骤S4中，以上述方式根据所获得的老化模型5的内部状态和电池组模型13的当前的模型参数来使该内部状态和/或这些模型参数适应。
尤其是，通过老化模型的内部状态和电池组模型的模型参数的融合，例如可以基于最大似然法或者控制技术观测方法来确定老化模型的最可能的内部状态和电池组模型的最可能的参数化。也可以分别只使老化模型5的内部状态或者电池组模型的模型参数适应。
原则上，原始数据变化过程和运行参量变化过程以适当的方式被存储，并且当以其它方式来确定老化状态时可以被用于对基于数据的修正模型的分析、评价和改善，例如在给设备电池组充满电或者使设备电池组完全放电的情况下，使得能确定整个剩余电池组容量。通过确定与标称电池组容量的关系，可以确定凭经验的老化状态SOH-C。也已知用于确定老化状态的其它可能性，诸如通过借助于分配函数对dU/dI运算的评估来确定SOH-R。接着，训练数据可以针对单独的车辆电池组将运行参量变化过程分配给凭经验的老化状态。
该物理老化模型可以根据这些训练数据定期被参数化，尤其是通过借助于最小二乘法等等进行的参数优化来被参数化。对物理老化状态模型的参数化可以定期被执行，但是尤其是当对凭经验的老化状态的测量已被执行时或者当经调制的老化状态为与上一次测量的所测量到的老化状态的超过预先给定的阈值的偏差、诸如1 %时或者当数值上足够准确地达到全局最优值时被执行。在此，作为物理老化模型5的输出的SOHPH的物理老化状态被假设为相应的训练数据集的老化状态。
在使用混合老化状态模型的情况下，基于数据的修正模型6可以有关训练数据来被训练，以便确定修正参量，该修正参量用于补偿物理老化模型的残差。由此，修正模型6可以学习物理老化模型5的缺陷，以便这样可以在修正块7中进行对物理老化状态SOHph的修正。
对基于数据的修正模型6的训练可以利用交叉验证和顺序装袋（引导聚合（Bootstrap Aggregating））来被执行，以便改善鲁棒性和精度。
在通过基于实验室数据的或多个车辆的车队数据的标记对物理模型的模型参数的适配来对物理老化模型进行参数化之后，现在可以基于自从车辆电池组的运行开始以来的特定于车辆的运行参量变化过程来进行对实际老化状态的重新计算。基于物理模型的微分方程而出现内部状态，该内部状态例如可以如上所述地包括可循环锂的损失或者阳极活性材料的损失。由此，在融合之后可以确定电化学电池组模型的模型参数。接着，这些模型参数可以相对应地被更新，使得根据基于同一电池组类型的多个车辆电池组的训练数据对老化状态模型的适配，也可以自动得出该电化学电池组模型的改善，否则该电化学电池组模型的模型参数只能非常复杂地、尤其是通过干预相应的车辆电池组来被确定。以这种方式，能够特定于车辆地来使该电化学电池组模型适配，而不必进行对单独的车辆电池组的复杂测量。
在步骤S5中，可以基于经匹配的老化状态模型10来确定和报告当前的老化状态。尤其是，通过对老化状态变化过程的预测可以判断车辆电池组41的剩余使用寿命。为此，可以在现场持续监控使用寿命优化。该使用寿命优化可以基于对有效性的评价以模型预测的方式被更新和优化，以便例如在足够快的充电过程的边界条件下使车辆电池组的使用寿命最大化。
在步骤S6中，替代地或附加地，可以基于尤其是经匹配的电化学电池组模型来得出充电策略，以便获得经优化的充电曲线，该经优化的充电曲线将使车辆电池组老化的压力因素减小到最低限度。在这种情况下，电化学电池组模型也可以在车辆中实现。
紧接着，该方法以步骤S1来继续。
Claims (12)
1.一种用于为设备电池组（41）提供电化学电池组模型（13）和老化状态模型（11）的计算机实现的方法，
其中所述电化学电池组模型（13）基于微分方程组来对平衡状态进行建模，并且被设计用于说明在所述设备电池组（41）的运行参量（F）与所述设备电池组（41）的充电状态（SOC）之间的相关性，
其中所述老化状态模型（11）包括基于另一微分方程组的至少一个物理老化模型（5），并且被设计用于根据所述设备电池组（41）的运行参量变化过程（F）来对老化状态（SOH）进行建模，所述方法具有如下步骤：
- 使用（S1）具有表征所述设备电池组（41）的运行的运行参量变化过程（F）的所述老化状态模型的物理老化模型，以便确定老化状态（SOH），其中出现所述物理老化模型（5）的微分方程组的内部状态；
- 通过校准方法，基于所述设备电池组（41）的运行参量（F）来使所述电化学电池组模型（13）的至少一个模型参数适配；
- 根据所述物理老化模型（5）的当前的内部状态来使所述电化学电池组模型（13）的至少一个模型参数匹配（S4）和/或基于所述电化学电池组模型（13）的模型参数来使所述物理老化模型（5）的微分方程组的至少一个内部状态匹配。
2.一种用于为设备电池组（41）提供电化学电池组模型（13）的计算机实现的方法，
其中所述电化学电池组模型（13）基于微分方程组来对平衡状态进行建模，并且被设计用于说明在所述设备电池组（41）的运行参量（F）与所述设备电池组（41）的充电状态之间的相关性，
其中老化状态模型（11）包括基于另一微分方程组的至少一个物理老化模型（5），并且被设计用于根据所述设备电池组（41）的运行参量变化过程（F）来对老化状态（SOH）进行建模，所述方法具有如下步骤：
- 使用（S1）具有表征所述设备电池组（41）的运行的运行参量变化过程（F）的所述老化状态模型（11）的物理老化模型（5），以便确定老化状态，其中出现所述物理老化模型（5）的微分方程组的内部状态；
- 根据所述物理老化模型（5）的当前的内部状态来使所述电化学电池组模型（13）的至少一个模型参数匹配（S4）。
3.一种用于为设备电池组（41）提供老化状态模型（11）的计算机实现的方法，
其中电化学电池组模型（13）基于微分方程组来对平衡状态进行建模，并且被设计用于说明在所述设备电池组（41）的运行参量（F）与所述设备电池组（41）的充电状态之间的相关性，
其中所述老化状态模型（11）包括基于另一微分方程组的至少一个物理老化模型（5），并且被设计用于根据所述设备电池组（41）的运行参量变化过程来对老化状态（SOH）进行建模，所述方法具有如下步骤：
- 通过校准方法，基于所述设备电池组（41）的运行参量来使所述电化学电池组模型（13）的至少一个模型参数适配；
- 基于所述电化学电池组模型（13）的至少一个模型参数来使所述物理老化模型（5）的微分方程组的至少一个内部状态匹配（S4）。
4.根据权利要求1至3中任一项所述的方法，其中所述物理老化模型（5）的当前的内部状态能够对应于可循环锂的损失或者阳极活性材料的损失。
5.根据权利要求1至4中任一项所述的方法，其中所述至少一个模型参数包括可循环锂的至少一个被归一化到阴极容量的参量或者阳极体积份额。
6.根据权利要求1至5中任一项所述的方法，其中所述电化学电池组模型（13）被用于确定所述设备电池组（41）的充电状态（SOC）和/或确定所述设备电池组（41）的压力因素和/或得出充电策略，所述充电策略包括经优化的充电曲线。
7.根据权利要求1至6中任一项所述的方法，其中只有当或者每当查明所述老化状态改变了预先确定的老化状态变化时，才执行对所述至少一个模型参数的匹配。
8.根据权利要求1至7中任一项所述的方法，为了使所述内部状态和/或所述至少一个模型参数匹配，尤其是借助于最大似然估计器，使当前的内部状态和所述电池组模型的至少一个模型参数融合。
9.根据权利要求1至8中任一项所述的方法，其中所述设备电池组（41）被用于运行设备，如机动车、电动助力车、飞行器、尤其是无人机、机床、娱乐电子设备、如移动电话、自主机器人和/或家用电器。
10.一种装置，其用于执行根据权利要求1至9中任一项所述的方法。
11.一种计算机程序产品，所述计算机程序产品包括如下指令，在通过至少一个数据处理装置来执行程序时，所述指令促使所述数据处理装置实施根据权利要求1至9中任一项所述的方法的步骤。
12.一种机器可读存储介质，所述机器可读存储介质包括如下指令，所述指令在通过至少一个数据处理装置来执行时促使所述数据处理装置实施根据权利要求1至9中任一项所述的方法的步骤。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102021203868.9A DE102021203868A1 (de) | 2021-04-19 | 2021-04-19 | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen eines elektrochemischen Batteriemodells für eine Gerätebatterie für ein Gerät |
| DE102021203868.9 | 2021-04-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115219904A true CN115219904A (zh) | 2022-10-21 |
Family
ID=83447148
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210412966.0A Pending CN115219904A (zh) | 2021-04-19 | 2022-04-19 | 用于运行用来提供电化学电池组模型的系统的方法和装置 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20220334191A1 (zh) |
| CN (1) | CN115219904A (zh) |
| DE (1) | DE102021203868A1 (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116705210A (zh) * | 2023-08-03 | 2023-09-05 | 宁德时代新能源科技股份有限公司 | 电芯老化模型构建方法和电芯全生命周期性能预测方法 |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP4404329A1 (de) * | 2023-01-17 | 2024-07-24 | Vorwerk & Co. Interholding GmbH | System mit einem akku und verfahren zum betreiben eines systems mit einem akku |
| CN116381541B (zh) * | 2023-06-05 | 2023-10-20 | 苏州时代华景新能源有限公司 | 一种储能锂电池系统的健康评估方法及系统 |
Family Cites Families (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4802945B2 (ja) | 2006-08-31 | 2011-10-26 | トヨタ自動車株式会社 | 二次電池の制御システムおよびそれを搭載したハイブリッド車両 |
| KR100970841B1 (ko) * | 2008-08-08 | 2010-07-16 | 주식회사 엘지화학 | 배터리 전압 거동을 이용한 배터리 용량 퇴화 추정 장치 및방법 |
| JP6565490B2 (ja) * | 2015-08-27 | 2019-08-28 | 株式会社デンソー | 車両の使用予測システム |
| KR102515829B1 (ko) * | 2015-11-02 | 2023-03-29 | 삼성전자주식회사 | 배터리 초기값 추정 장치 및 방법 |
| US10447054B2 (en) * | 2016-05-20 | 2019-10-15 | Robert Bosch Gmbh | Staircase charging |
| WO2020186269A1 (en) * | 2019-03-14 | 2020-09-17 | The Board Of Trustees Of The Leland Stanford Junior University | Battery monitoring system |
| US10889191B1 (en) * | 2019-10-03 | 2021-01-12 | Ford Global Technologies, Llc | Methods and system for limiting torque in a BEV |
-
2021
- 2021-04-19 DE DE102021203868.9A patent/DE102021203868A1/de active Pending
-
2022
- 2022-04-15 US US17/659,424 patent/US20220334191A1/en active Pending
- 2022-04-19 CN CN202210412966.0A patent/CN115219904A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116705210A (zh) * | 2023-08-03 | 2023-09-05 | 宁德时代新能源科技股份有限公司 | 电芯老化模型构建方法和电芯全生命周期性能预测方法 |
| CN116705210B (zh) * | 2023-08-03 | 2024-06-21 | 宁德时代新能源科技股份有限公司 | 电芯老化模型构建方法和电芯全生命周期性能预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| US20220334191A1 (en) | 2022-10-20 |
| DE102021203868A1 (de) | 2022-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20210373082A1 (en) | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store | |
| CN111610459B (zh) | 用于预测电池组的放电曲线的系统、方法和存储介质 | |
| US20220099743A1 (en) | Method and Apparatus for Operating a System for Providing Predicted States of Health of Electrical Energy Stores for a Device Using Machine Learning Methods | |
| US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
| CN115219904A (zh) | 用于运行用来提供电化学电池组模型的系统的方法和装置 | |
| Bockrath et al. | State of charge estimation using recurrent neural networks with long short-term memory for lithium-ion batteries | |
| US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
| CN115219931A (zh) | 运行用于提供电蓄能器的预测老化状态的系统的方法和装置 | |
| US11656293B2 (en) | Method and apparatus for parameterizing an electrochemical battery model for a battery based on data from a plurality of batteries | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
| US11733313B2 (en) | Method and apparatus for operating a system for providing states of health of electrical energy stores for a multiplicity of devices with the aid of machine learning methods | |
| CN115236541A (zh) | 提供老化状态模型以确定电蓄能器老化状态的方法和装置 | |
| US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
| US20240168095A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Multivariate Transformer Model | |
| CN116306214A (zh) | 提供确定储能器的老化状态的老化状态模型的方法和设备 | |
| US20230016228A1 (en) | Method and Apparatus for Operating a System for Providing Predicted Confidence Intervals for States of Health of Electrical Energy Stores for at Least One Device With the Aid of Machine Learning Methods | |
| CN115701545A (zh) | 用于提供计算和预测的电蓄能器老化状态的方法和装置 | |
| CN115469224A (zh) | 用于借助机器学习方法运行提供设备的电储能器的预测的老化状态的系统的方法和装置 | |
| US12123921B2 (en) | Method and apparatus for determining a state of health of an electrical energy store of unknown type by using machine learning methods | |
| CN115700390A (zh) | 确定和改善蓄能器老化状态的预测的置信度的方法和装置 | |
| CN116256640A (zh) | 用于提供老化状态模型以确定电蓄能器的当前和预测老化状态的计算机实现的方法 | |
| CN116373680A (zh) | 运行具有可替换的设备电池组的供电设备的方法和装置以及具有预测性分派的电池组更换站 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |