CN115219932A - 用于评价设备电池组的相对老化状态的方法和装置 - Google Patents
用于评价设备电池组的相对老化状态的方法和装置 Download PDFInfo
- Publication number
- CN115219932A CN115219932A CN202210411258.5A CN202210411258A CN115219932A CN 115219932 A CN115219932 A CN 115219932A CN 202210411258 A CN202210411258 A CN 202210411258A CN 115219932 A CN115219932 A CN 115219932A
- Authority
- CN
- China
- Prior art keywords
- aging
- state
- device battery
- battery
- battery pack
- 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
- 230000032683 aging Effects 0.000 title claims abstract description 255
- 238000000034 method Methods 0.000 title claims abstract description 62
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 230000008859 change Effects 0.000 claims abstract description 20
- 230000002596 correlated effect Effects 0.000 claims abstract description 7
- 238000013507 mapping Methods 0.000 claims abstract description 4
- 238000011156 evaluation Methods 0.000 claims description 60
- 230000008569 process Effects 0.000 claims description 24
- 229910052744 lithium Inorganic materials 0.000 claims description 11
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 claims description 9
- 230000000875 corresponding effect Effects 0.000 claims description 9
- 239000006183 anode active material Substances 0.000 claims description 5
- 239000006182 cathode active material Substances 0.000 claims description 5
- 230000008021 deposition Effects 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 238000012423 maintenance Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims 1
- 230000006870 function Effects 0.000 description 17
- 238000012937 correction Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 12
- 230000014759 maintenance of location Effects 0.000 description 8
- 230000006399 behavior Effects 0.000 description 7
- 238000007599 discharging Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 239000003792 electrolyte Substances 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000013531 bayesian neural network Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 239000011149 active material Substances 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 238000007086 side reaction Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009022 nonlinear effect Effects 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009897 systematic effect Effects 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/30—Circuit design
- G06F30/36—Circuit design at the analogue level
- G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/04—Ageing analysis or optimisation against ageing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Hardware Design (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
Abstract
本发明涉及用于确定特定设备电池组的相对老化状态的计算机实现的方法，其中相对老化状态说明了关于与相同类型的多个设备电池组相比在老化状态相同的情况下特定设备电池组的状态的数据，该方法具有如下步骤：提供多个设备电池组的运行参量的时间序列；通过为每个设备电池组创建数据点来确定数据库，这些数据点将至少一个运行特征映射到经建模的老化状态，该运行特征与有关的设备电池组的当前的老化状态正相关；根据该数据库，通过拟合老化状态的随着至少一个运行特征的变化过程来对评估模型进行建模；确定特定设备电池组的当前的老化状态；基于针对特定设备电池组所确定的当前的老化状态和参考老化状态，确定特定设备电池组的相对老化状态。
Description
技术领域
本发明涉及具有设备电池组作为电蓄能器的独立于电网地运行的电气设备，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基于相同类型的一组设备电池组的老化状态的系列散布来确定设备电池组的相对老化状态的方法。
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电蓄能器、通常是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。
蓄能器的电性能随着其使用寿命的推移而显著降低，这以最大蓄能容量降低的形式并且以电阻增加的形式产生作用。蓄能器的老化的量度取决于蓄能器的单独的负载，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。
如果由此设备电池组的工作能力受限，则设备电池组的实际老化状态的系列散布可能在应用中成问题。通常，通过基础模型来确定老化状态，其中例如借助于库仑计数（Coulomb-Counting）来确定以SOH-C（基于容量保持率（Capacity Retention Rate）的老化状态（State of Health））为形式的当前的老化状态。借此，在当前由电池组管理系统（BMS）所容许的运行窗内进行该库伦计数（关于电压或SOC）。然而，这样确定的老化状态无法在不受限制的情况下被用作确定设备电池组的实际老化的基础，原因在于SOH-C与设备电池组的可用的最大容量有关并且可以通过系统设计或运行模式来被影响和操纵。
根据运行模式，可以限制可用的最大电量，以便提供安全缓冲。这样，公知其中通过软件更新或者也通常在使用时间段期间释放了车辆电池组的附加的容量的情况。
可设想的是如下场景，其中设备电池组的可用的可用容量被持续增加，以便这样来掩盖设备电池组的实际老化或者也以便能够在运行时使客户有始终相似的蓄能容量。在此，例如通过基础模型所确定的老化状态（SOH-C）可以通过BMS运行策略来保持几乎恒定，使得无法查明实际老化过程并且无法预测设备电池组的使用寿命结束。例如，在10%与90%之间可用的容量范围可以稳定地被扩展到5 %至95 %，使得随着使用寿命的推移，在最小充电状态与最大充电状态之间的相对范围增加10 %，由此通过应用基础模型来操纵对老化状态的确定。
发明内容
按照本发明，提供了一种根据权利要求1所述的用于确定设备电池组的相对老化状态的方法以及一种根据并列权利要求所述的装置。
其它的设计方案在从属权利要求中说明。
按照第一方面，提供了一种用于确定特定设备电池组的相对老化状态的计算机实现的方法，其中该相对老化状态说明了关于与相同类型的多个设备电池组相比在老化状态相同的情况下特定设备电池组的状态的数据（Angabe），该方法具有如下步骤：
- 提供多个设备电池组的运行参量的时间序列；
- 通过为每个设备电池组创建数据点来确定数据库，这些数据点将至少一个运行特征映射到经建模的老化状态，该运行特征与有关的设备电池组的当前的老化状态正相关；
- 根据该数据库，通过拟合老化状态的随着该至少一个运行特征的变化过程来对评估模型进行建模；
- 确定该特定设备电池组的当前的老化状态；
- 基于针对该特定设备电池组所确定的当前的老化状态和参考老化状态，确定该特定设备电池组的相对老化状态，该参考老化状态被归一化到所述多个设备电池组的平均系列散布并且根据该特定设备电池组的该至少一个运行特征和该评估模型来得出。
可再充电的电蓄能器、尤其是设备电池组的老化状态通常不是直接被测量。这会在蓄能器附近需要一系列传感器，这些传感器会使这种蓄能器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，通常借助于在这些设备中、尤其是在设备电池组中的电池组管理系统中的物理老化模型来确定当前的老化状态。对此的输入参数大多是来自电流、电压和温度的时间序列。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。还存在如下风险：由于电池组管理系统的运行模式的改变，这样确定的老化状态的数据被操纵并且实际老化被掩盖。
原则上，需要评价设备电池组的真实老化状态并且可以与电池组管理系统的运行模式无关地说明该真实老化状态。电池组管理系统具有自己的用于确定和提供老化状态的例程并且也可通过规定运行模式来妨碍用于确定老化状态的常规模型的基础，而动用电池组内部的电池组管理系统的信息并不可靠并且必要时也只是在受限制的情况下才可行。尤其是可说明实际老化状态与根据使用行为所预期的老化状态的偏差的系列散布可能通过对电池组管理系统的运行模式的适配来被隐藏。
因而，可以借助于上述方法来规定：说明设备电池组的相对老化状态，通过该相对老化状态可以根据相同类型的多个设备电池组的老化特性来评价单独的设备电池组的系列散布。由此，能够基于现场数据、也就是说与多个同类的设备电池组的工作能力和老化特性相比来评价所使用的设备电池组的质量，而不必以电池组管理系统的数据为基础。由于仅基于不会被电池组管理系统妨碍的物理和/或电化学特征来确定相对老化状态，即使在电池组管理系统的干预的情况下也可以物理透明地评价设备电池组的老化状态。尤其是，即使在相同老化状态的设备电池组的情况下也可以量化地评价设备电池组的预损坏。
在设备电池组作为电蓄能器的情况下，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。老化状态是电蓄能器的老化的重要量度。在设备电池组或电池组模块或电池组电池的情况下，老化状态可以关于容量被指定为容量保持率（Capacity Retention Rate，SOH-C），而且也可以关于电阻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。SOH-R大多被指定用于关于温度、电流方向和充电状态（SOC）的一个或多个参考点。
例如可以通过使用基础模型来凭经验确定老化状态。在此，在充电或放电过程期间，关于供给或放出的电量来评价充电状态变化。基础模型使用在蓄能器的管理系统中的基于观测器的算法，并且可以将老化状态的多个历史观测融合成老化状态的具有统计置信度的轨迹变化过程。该基础模型还可以被设计为使得该基础模型可以在空闲阶段在取决于老化和温度的OCV特性曲线（开路电压特性曲线）上被校准，以便改善对老化状态的计算。
用于确定电蓄能器的老化状态的老化状态模型也可以以物理或混合老化状态模型、即物理老化模型与基于数据的模型的混合的形式来被提供。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物理老化状态。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。
尤其可以确定特定设备电池组的相对老化状态，其具有如下步骤：
- 将数据库细分为与老化状态的范围相对应的多个评估范围；
- 根据设备电池组的当前的老化状态来确定该特定设备电池组的重要评估范围；
- 在该重要评估范围内，依据所述多个设备电池组的老化状态相对于各一个根据有关的至少一个运行特征使用该评估模型来建模的老化状态的散布的概率密度函数来确定所述多个设备电池组的老化状态的散布范围；
- 根据所确定的散布范围来确定该特定设备电池组的相对老化状态。
可以规定：在根据运行参量所识别出的充电过程期间和/或利用物理或基于数据的老化状态模型，在凭经验的基础模型的情况下、尤其是基于库伦计数或者对dU/dI运算的评估来确定经建模的老化状态。
此外，数据点可以与评估期有关，其中该至少一个运行特征到设备电池组的经建模的老化状态的多个分配被融合，以便确定数据点。
该至少一个运行特征尤其可包括如下特征中的至少一个：
- 增量电量dQ/dU的随着在充电过程期间的电池组电压或充电状态的平滑变化过程、即电量对电压的导数（或者相对应地也作dU/dQ）的极值、尤其是第二局部最大值；
- SEI层厚度；
- 锂浓度；
- 锂沉积；
- 阳极活性材料的损失；和
- 阴极活性材料的损失。
按照一个实施方式，可以根据该相对老化状态：
- 修正建模的或经建模的老化状态，其方式是将可用电量（所计算出的SOH）和与整个车队（隐藏的SOH）相比该运行特征的相对位置相结合或者使用该相对位置来替代该可用电量；
- 修正经建模的老化状态；
- 报告设备电池组的剩余使用寿命；
- 报告与所述多个设备电池组相比电池组运行的异常；
- 报告对设备电池组的维护的建议；和/或
- 报告设备电池组的预损坏。
此外，运行参量的时间序列可包括电池组电流I、电池组电压U、电池组温度T和充电状态的时间序列。
蓄能器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、建筑电气网络、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，提供了一种用于确定设备电池组的相对老化状态的装置，其中该相对老化状态表示关于与相同类型的其它设备电池组相比在老化状态相同的情况下该设备电池组的状态的数据，其中该装置被设计用于：
- 提供多个设备电池组的运行参量的时间序列；
- 通过为每个设备电池组创建数据点来确定数据库，这些数据点将至少一个运行特征映射到经建模的老化状态，该运行特征与有关的设备电池组的当前的老化状态正相关；
- 根据该数据库，通过拟合老化状态的随着该至少一个运行特征的变化过程来对评估模型进行建模；
- 确定该特定设备电池组的当前的老化状态；
- 基于针对该特定设备电池组所确定的当前的老化状态和参考老化状态，确定该特定设备电池组的相对老化状态，该参考老化状态被归一化到所述多个设备电池组的平均系列散布并且根据该特定设备电池组的该至少一个运行特征和该评估模型来得出。
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确定车辆电池组的老化状态的系统的示意图；
图2示出了混合老化状态模型的功能结构的示意图；
图3示出了用来呈现用于提供设备电池组的相对老化状态的方法的流程图；
图4a和4b示出了作为示例性的运行特征的作为电池组电压的函数的微分容量的最大值的示意图和该示例性的运行特征与绝对老化状态的相关；
图5示出了用来示例性阐明用于确定相对老化状态的数据库的图表。
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。目的在于将单独的车辆电池组（设备电池组）的相对老化状态指定为关于该单独的车辆电池组（设备电池组）的系列散布或预损坏的数据。关于相对老化状态的信息可以被用于在现场监控车辆电池组（设备电池组）并且在怀疑时引入维护措施。这一点尤其是在不知道所使用的电池组类型的老化特性时适用。
上述示例代表了大量具有经由相对应的设备电池组的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）、LTE/5G）来与中央单元（云）保持连接。
图1示出了用于在中央单元2中收集车队数据来创建并且运行以及评估老化状态模型的系统1。该老化状态模型用于确定电蓄能器、诸如在机动车中的车辆电池组或燃料电池的老化状态。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，作为可再充电的电蓄能器；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或表征车辆电池组的老化状态的参量。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、当前的电池组电压U、当前的电池组温度T和当前的充电状态（SOC：State of Charge），在包、模块和/或电池层面。运行参量F在从2 Hz至100 Hz的快速时间帧中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，为了使到中央单元2的数据流量减小到最低限度，时间序列可以在利用压缩算法的情况下以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，可以借助于适当的基础模型来确定老化状态。
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。
中央单元2具有：数据处理单元21，在该数据处理单元中可以实施随后描述的方法；和数据库22，用于存储数据点、模型参数等等。
对老化状态的确定可以利用中央单元2中的基础模型来实现，例如基于对电池组使用的充电和/或放电阶段的分析。优选地，通过库伦计数或通过求电流积分来进行SOH-C估计，该电流积分被除以在有关的充电和/或放电阶段的开始与结束之间的充电状态的提升。有利地，在这种情况下，在空闲阶段在开路电压特性曲线方面进行校准，以便在中央单元2中一并计算充电状态变化过程。例如，当设备电池组在充电过程期间从完全放电状态变为充满电状态时，可以获得关于老化状态的有意义的数据。与电阻有关的老化状态（SOH-R值）也可以通过与电流变化有关的电压变化来被计算。通常，这些老化状态与所限定的时间间隔有关。
在中央单元2中还可以实现老化状态模型，该老化状态模型尤其是整体或部分地基于数据的。
图2示例性地示意性示出了以混合方式建立的基于数据的混合老化状态模型9的实施方式的功能结构。混合老化状态模型9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当前评估期/老化时间点（自从开始运转时间点以来车辆电池组的使用时间）的运行参量F或运行特征M。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/老化时间点的运行特征M。
为此，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有关的特征和/或累积特征和/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：电化学状态，诸如SEI层厚度、由于阳极/阴极副反应所引起的可循环锂的变化、电解质溶剂的快速消耗、电解质溶剂的缓慢消耗、锂沉积、阳极活性材料的损失和阴极活性材料的损失、内阻；直方图特征，如随充电状态的温度、随温度的充电电流和随温度的放电电流、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；以安培小时为单位的电流吞吐量；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；充电容量；以及微分容量dQ/dU的极值（最大值）；或者累积的行驶里程。此外，该极值也可以关于其相对于电池电压或者还有充电状态SOC的位置一并加入评价。上述参量优选地被换算，使得这些参量尽可能好地表征真实使用行为。例如在累积的电荷吞吐量（Ah）的情况下，就SOHR而言进行归一化，使得正确映射用于完成相同行驶距离（以km为单位）的较差的电池组效率。这些运行特征M可以全部或者只是部分地被用于随后描述的方法。
运行参量F作为包括温度和电流的时间序列数据直接进入物理老化状态模型5，该物理老化状态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电化学模型。该模型根据运行参量F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）。物理老化模型5可以借助于来自车队3的车辆4的训练数据集和/或借助于实验室数据来被参数化。
然而，通过电化学模型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可以被设计成贝叶斯神经网络或者高斯过程模型。
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。在其它情况下，高斯过程的置信度还可以被用作混合模型的所要输出的经修正的老化值SOH的置信度。
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老化模型的微分方程组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。这些运行特征M还包括来自电化学物理老化模型5的状态向量的内部状态以及有利地包括物理老化状态（SOHph）。
老化状态模型的其它设计方案同样是可能的，例如老化状态模型可以基于概率回归模型或以人工智能为基础的回归模型、尤其是高斯过程模型或者贝叶斯神经网络来构造成非混合的、纯基于数据的模型。该老化状态模型被训练来根据通过当前评估期的当前的运行特征M所确定的运行特征点来提供经建模的老化状态SOH，其中这些运行特征M在特征提取块8中基于运行参量F的时间序列来被确定。
对于运行特征的缩放和降维来说，可以使用PCA（主成分分析（PrincipalComponents Analysis）），以便相对应地在训练修正模型（无监督）之前，减少特征空间中的冗余的线性相关信息。替代地，也可以使用内核PCA，以便在数据的复杂性降低中也可以映射非线性效应。不仅在降维之前而且特别是在其之后，进行对整个运行特征空间（或主成分空间）的归一化，例如使用最小（Min）/最大（Max）缩放或者Z变换。
混合老化状态模型9可以在中央单元2中被训练。为此，创建具有老化状态作为标记的训练数据集。确定老化状态作为标记可以以本身公知的方式在标记生成的所限定的负载和环境条件下通过使用车辆中或中央单元2中的附加模型对运行参量变化过程进行评估来实现，诸如在修理厂中、在试验台上或者在诊断或标记生成模式上，该诊断或标记生成模式是一种运行模式并且确保遵守车辆电池组的预先确定的运行条件，诸如恒定温度、恒定电流等等。为此，可以使用其它模型来确定老化状态，例如基于对电池组使用的所识别出的充电和/或放电阶段的分析。优选地，通过库伦计数或通过求在充电过程期间随时间的电流积分来进行SOH-C估计，该电流积分被除以在有关的充电和/或放电阶段的开始与结束之间的充电状态的提升。有利地，在这种情况下，在空闲阶段在开路电压特性曲线上进行校准，以便在中央单元中一并计算充电状态变化过程。例如，当车辆电池组在充电过程期间从所限定的松弛状态出发在可再现的负载和环境条件下从完全放电的充电状态变为充满电状态时，可以获得关于用作标记的老化状态的足够可靠的数据。由此检测到的最大电量可以与车辆电池组的初始最大充电容量建立关系。与电阻有关的老化状态（SOH-R值）也可以通过与电流变化有关的电压变化来被计算。通常，这些老化状态与所限定的时间间隔有关。
因此，针对车辆电池组的训练数据集根据相应在某个时间点所确定的老化状态标记和有关的车辆电池组直至该时间点为止的运行参量变化过程中得出。针对车辆电池组，可以在不同时间点确定多个训练数据集，其中优选地相对于使用寿命开始来指定这些时间点。为多个车辆收集和提供这些训练数据集。
老化状态模型可以常规地利用这些训练数据集来被训练。也就是说在保留物理老化模型5的情况下，这些训练数据集通过混合老化状态模型9来被评估，并且分别以本身公知的方式来使用误差量度、例如在所考虑的训练数据集的经建模的老化状态SOH的输出值与所属的标记之间的RMSE（relative mean squared error（相对均方误差））（损失函数）来对修正模型6进行适配和训练。这里规定：有关物理模型的残差来进行训练，使得该修正模型可以正好在具有足够置信度的数据情况所允许的地方进行相对应地以数据驱动方式的修正。接着，这些训练数据集表示训练集。
用于凭经验确定老化状态的基础模型和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/或运行参量变化过程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/或运行特征来确定有关的车辆电池组41的老化状态。
图3示出了用来阐明用于确定车辆电池组41的相对老化状态的方法的流程图。该方法在中央单元2中被实施，该中央单元与车队3的多个车辆4保持连接。
在步骤S1中，从车队3的车辆4定期接收运行参量F的变化过程或时间序列。运行参量F包括当前的电池组电流I、当前的电池组电压U、当前的电池组温度T和当前的充电状态（SOC：State of Charge）。运行参量F在从0.1 Hz至100 Hz的快速时间帧中被检测并且可以以未压缩和/或压缩的形式（例如关于改变）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。
在步骤S2中，多个车辆电池组41的运行参量F的变化过程被处理，也就是说被过滤和/或借助于已知的异常值识别和/或数据清理（Data Cleaning）方法来被清理和/或在有数据缺失的情况下通过内插方法来被补充，使得存在关于电池组电流I、电池组电压U、电池组温度T和充电状态SOC的运行参量的完整且经过过滤的时间序列。
在步骤S3中，检查是否存在评估条件。例如在执行充电过程时或能确定可评估的运行特征的其它情况下存在评估条件。通过对运行参量的评估、例如通过在充电状态持续升高的情况下电能的持续较长时间的流入来识别充电过程。评估条件还与可再现性条件相关联，诸如例如在充电或者替代地充电曲线的在S3中识别出的可再现部分的情况下在一定时间段内的恒定的电流阶段。
如果识别出存在评估条件（二选一：是），则现在可以在步骤S4中在充电过程期间检测增量电量随着电池组电压的变化过程。否则（二选一：否），跳回到步骤S1。
在当前实施例中，可以在步骤S4中确定在充电过程期间增量电量dQ/dU随着电池组电压的平滑变化过程的局部极值。例如，增量电量的第二最大值可以被用作特征。优选地，该增量电量在具有相同的充电曲线的可再现条件下被监控并且随着整个充电过程的变化过程被存储。然后，据此例如可以确定第二局部最大值或者有意义的最小值。
例如，在图4a中针对老化状态不同的多个车辆电池组41来绘制增量电量dQ/ dU随着电池组电压U的变化过程。可看出增量电量dQ/dU随着电池组电压的变化过程的两个局部最大值，其中已经证明：第二局部最大值（右侧的最大值）可以是非常适合于预测老化状态SOH-C的特征。例如，在图4b中示出了在增量电量dQ/dU的第二最大值（在电池组电压较高的情况下的最大值）与老化状态SOH-C之间的相关。所示出的图表对应于如下情况，在该情况下，通过电池组管理系统来释放整个电池组容量以供使用。在所容许的最小和/或最大充电状态的限制的情况下，对老化状态的确定会引起有偏差的值。
可涉及其它特征或者同样由增量电量得出的其它运行特征、诸如第一局部最大值可以同样被考虑。这样，例如可以考虑增量电量dQ/dU的第二最大值相对于相关的电压或充电状态值的位置。
所考虑的运行特征可以在每个充电过程中都被计算，尤其是当或者只有当经历预先确定的充电状态范围、例如从在充电开始时为最高40 %的充电状态到在充电结束时为至少70 %的充电状态的充电状态范围时被计算。
对于良好的可再现性，应该在可再现的充电曲线中基于在充电过程期间的运行参量变化过程进行对一个或多个运行特征的确定。例如，当环境条件、如电池组温度和充电电流类似、也就是说例如处在相应的所指定的区间内时，存在可再现的充电曲线。
这样确定的运行特征必要时可以被修正，以便进一步减少噪声，其中考虑修正因子，该修正因子取决于在充电过程期间的电池组温度和电荷流入。
在随后的步骤S5中，在当前时间点确定有关的车辆电池组的老化状态。为此，过去的充电过程可以借助于基础模型来被评估，以便例如借助于例如基于库伦计数的基础模型或者对dU/dI运算的评估来计算以SOH-C或SOH-R值为形式的凭经验的老化状态。
替代地，当前的老化状态也可以利用其它模型、诸如上述老化状态模型基于自从有关的车辆电池组41的使用寿命开始以来的运行参量F的变化过程来被确定。使用老化状态模型具有如下优点：基于包含在其中的物理模型来提供电化学状态，诸如SEI厚度、锂浓度、锂沉积、阳极活性材料的损失和阴极活性材料的损失。这些电化学状态同样可以是运行特征，这些运行特征与有关的车辆电池组41的相应的老化状态强相关并且因此可以被用于本文中所描述的用于确定相对老化状态的方法。
关于已在评估期内借助于基础模型和老化状态模型所确定的多个老化状态的数据也可以以适当的方式被融合，例如通过求平均值。
步骤S5的对老化状态的确定可以如上所述地在例如为一周的评估期期满之后被执行。如果在过去的评估期内已确定了多个老化状态，则这些老化状态可以以求平均的方式或者通过求中位数来被融合成老化状态值。
在步骤S6中，老化状态值与至少一个所确定的运行特征相结合地作为数据点或数据集被存储在数据库中。因此，现在为多个车辆电池组分别提供数据集，这些数据集分别包括评估期的老化状态和至少一个被分配给该评估期的运行特征。
然后，在步骤S7中检查是否应该评估该数据库。这例如可以以预先确定的时间间隔来进行。如果应该执行对数据库的评估（二选一：是），则以步骤S8来继续该方法，否则（二选一：否）通过跳回到步骤S1来继续对数据集的检测。
随后，在步骤S8中提供评估模型，该评估模型有关该数据库来被拟合或训练。该评估模型根据一个或多个运行特征、在所示出的示例中是运行特征max (dQ/dU)来对老化状态的变化过程进行建模。在图5中，通过曲线A来示出通过该评估模型所确定的函数。
该评估模型可以以基于数据的方式根据先前确定的被分配给重要的至少一个运行特征的老化状态或者根据其它以另外的方式根据车队的车辆的有关的运行参量所确定的老化状态来被确定。通过该模型，根据至少一个运行特征在没有系列散布的情况下表征车辆电池组的平均实际老化特性。
在随后的步骤S9中，从该数据库中评估该至少一个运行特征，尤其是增量电量maxdQ/dU的关于所确定的老化状态SOH的最大值（关于电池组电压的第二最大值）。
优选地，该数据库可以被合并，其方式是针对每个车辆，在连续的汇总时间段期间、诸如在为两个月的时间段期间的该至少一个运行特征的运行特征值分别以求平均的方式或者分别通过求中位数来被聚合。这些汇总时间段被选择得大于评估期，尤其是被选择为评估期的倍数。通常，该评估也可考虑一个或多个其它运行特征，尤其是还有电化学电池组模型的状态，诸如SEI厚度、锂浓度、锂沉积、阳极活性材料的损失和阴极活性材料的损失。
在图5中，针对多个车辆电池组41，示例性地绘制在示例性的运行特征、这里是增量电量dQ/dU的最大值上的老化状态的数据集。
在步骤S9中，老化状态的空间被离散化，其方式是放置至少两个评估范围B1、B2，所述至少两个评估范围例如在图5中示出。评估范围B1、B2以算法方式被确定为使得具有至少一个有关的运行特征的尽可能相同的散布的范围位于评估范围之内。评估范围B1、B2关于老化状态范围来被确定，其中老化状态、尤其是在70 %与100 % SOHC之间的老化状态的整个待检查的范围被细分为相对应的评估范围B1、B2。尤其是，借助于优化方法来对评估范围的数目进行适配并且改变这些评估范围的位置，直至所述一个或多个运行特征的散布尽可能相同为止。
用于确定评估范围的可能的优化方法包括如下步骤：
- 根据该至少一个运行特征来确定包络线，该包络线包括所限定的分位数、诸如该至少一个运行特征的所有数据集的为99%的指定份额；
- 计算在包络线与针对多个老化状态的评估模型之间的与老化状态的维度有关的欧几里得距离量度；
- 例如使用K-Means，根据包络线的距离量度来应用单变量一维聚类；
- 应用Elbow方法来确定评估范围的最佳数目，例如根据图5的2个聚类。优选地，在怀疑的情况下，更优选更高的聚类数目，以便实现逐部分的散布评价的更精细的离散化；
- 提供评估范围B1、B2和到数据集的聚类分配，这些数据集基于特征散布来表征这些评估范围。
在车队层面，可以跨车辆地学习和评价：表征车辆电池组的老化状态（诸如平滑增量电量的第二局部最大值）的特征随着来自轨迹函数中的实际测量到的SOH散布的程度，而且反之亦然。
现在，在下一步骤S10中，针对每个评估范围B1、B2，确定该至少一个运行特征的散布的概率密度函数。在这种情况下，逐部分地基于最大似然法来拟合至少一维的概率密度函数。在有多个运行特征的情况下，多维概率密度函数可以逐部分地存在。为此，可以在每个评估范围B1、B2中关于评估模型来单独确定所有车辆电池组的老化状态的残差。例如，在有关的评估范围B1、B2内的运行特征距相对应的运行特征点的距离的分布可以（在老化状态相同的情况下）通过直方图来被说明，该运行特征点通过评估模型来被确定。接着，这用于：以本身公知的方式来确定关于分布的概率密度函数。尤其是在逐部分地确定的概率密度之间的不连续性、例如关于预期值的不连续性被明确映射，这些不连续性可能由于BMS运行策略的系统性干预而引起。
现在，在步骤S11中，通过所限定的概率或者下限和上限分位数、诸如1 %分位数和99 %分位数（通过曲线Q1和Q99来说明），可以对单独的车辆电池组的系列散布进行编码或量化。对系列散布的评价针对每个评估范围B1、B2被单独实施，以便检测不同的系列散布范围。由于对评估范围的确定只基于纯物理运行特征、如这里示例性地是第二局部最大值的平滑增量电量max (dQ/dU)的最大值来进行并且因此与电池组管理系统或运行策略的干预无关，所以可以说明车辆电池组41相对于相同评估范围B1、B2的其它车辆电池组的预损坏。通过评估模型A，针对所确定的至少一个运行特征获得车辆电池组41的参考老化状态。
在单电池水平上、也就是说针对车辆电池组41的各个电池组单池，应明确分配系列散布。在系统层面，当例如并非所有电池组电池都具有相同的老化状态时的互连效应和当例如电池组电池并非具有相同的充电状态时的平衡效应可能在增量电量的情况下引起关于dQ/dU或者还有dU/dQ的相加的峰展宽。在不存在电池信息的情况下，由此可能发生评价精度降低。因而，在考虑该系统中的至少一个最弱电池的情况下，该方法优选地在电池层面被实施。
现在，特定于车辆的被量化的系列散布可以通过相对老化状态（系列散布值）来被说明，使得单独的车辆电池组的预损坏物理透明地被评价。此外，总是提供评估范围B1、B2和特定于车辆的老化状态的时间戳，从而知道单独的车辆电池组41的比较组。相对老化状态可以被指定为在-1与+1之间的值范围内的指标，其中“-1”说明车辆电池组41在下限分位数上的位置而“+1”说明车辆电池组41在上限分位数上的位置。
总体而言，作为针对某个时间段的特定于车辆的相对老化状态的数据，得出特定于车辆的老化状态、参考老化状态和针对所考虑的时间段的至少一个运行特征的所有特定于车辆的老化状态中的老化状态的散布，该参考老化状态特定于车辆地针对该时间段的至少一个运行特征依据评估模型来得出。特定于车辆的相对老化状态的数据可以根据上述指标或者以其它方式来被说明。
因此，依据相对老化状态可以识别：有关的车辆电池组41的老化状态与类似的车辆电池组相比在有关的评估范围内是相当好还是相当差。此外，通过表示平均特性的参考模型A，可以确定有代表性的被归一化到平均车队系列散布的参考老化状态或者公平的老化状态。尤其是由于车辆电池组41是机动车中的高价值器件，因此可以进行对车辆的剩余价值的被归一化到车队平均的、更精确的并且有代表性的评价。
相对老化状态的表示系列散布值的指标可以被用于与车辆电池组的特定于车辆的（绝对）老化状态一起报告更换车辆电池组的时间点，原因在于非常差的相对老化状态就可以指示车辆电池组的损坏。因此，不仅（绝对）老化状态达到阈值是更换整个电池组或者也包括只是更换电池的一部分（例如所谓的模块）的信号，而且相对老化状态是该信号，该相对老化状态可以报告车辆电池组的预损坏。
如果上述指标为负并且低于阈值（例如-0.95），则可以推断出车辆电池组41的运行的异常。即使特定于车辆的老化状态和参考老化状态已经彼此偏离得太远，也可以推断出这种异常。该异常可以被报告并且必要时可以计划电池组维护或电池组更换，以便避免在运行时的故障和失灵。
Claims (12)
1.一种用于确定特定设备电池组（41）的相对老化状态的计算机实现的方法，其中所述相对老化状态说明了关于与相同类型的多个设备电池组（41）相比在老化状态相同的情况下所述特定设备电池组（41）的状态的数据，所述方法具有如下步骤：
- 提供（S1、S2）多个设备电池组的运行参量的时间序列；
- 通过为每个设备电池组（41）创建数据点来确定（S4）数据库，所述数据点将至少一个运行特征映射到经建模的老化状态，所述运行特征与有关的设备电池组（41）的当前的老化状态正相关；
- 根据所述数据库，通过拟合老化状态的随着所述至少一个运行特征的变化过程来对评估模型进行建模（S8）；
- 确定（S5）所述特定设备电池组（41）的当前的老化状态；
- 基于针对所述特定设备电池组（41）所确定的当前的老化状态和参考老化状态，确定（S9、S10、S11）所述特定设备电池组（41）的相对老化状态，所述参考老化状态被归一化到所述多个设备电池组（41）的平均系列散布并且根据所述特定设备电池组（41）的所述至少一个运行特征和所述评估模型来得出。
2.根据权利要求1所述的方法，其中确定特定设备电池组的相对老化状态，这具有如下步骤：
- 将所述数据库细分为与老化状态的范围相对应的多个评估范围；
- 根据所述设备电池组（41）的当前的老化状态来确定所述特定设备电池组（41）的重要评估范围；
- 在所述重要评估范围内，依据所述多个设备电池组（41）的老化状态相对于各一个根据有关的至少一个运行特征使用所述评估模型来建模的老化状态的散布的概率密度函数来确定所述多个设备电池组（41）的老化状态的散布范围；
- 根据所确定的散布范围来确定所述特定设备电池组（41）的相对老化状态。
3.根据权利要求2所述的方法，其中通过优化方法来确定评估范围，其中尤其是根据所述至少一个运行特征来确定包络线，确定在包络线与针对多个老化状态的评估模型之间的与老化状态的维度有关的欧几里得距离量度，根据包络线的距离量度来应用单变量一维聚类，并且使用Elbow方法来确定评估范围的最佳数目。
4.根据权利要求1至3中任一项所述的方法，其中在根据运行参量所识别出的充电过程期间和/或利用物理或基于数据的老化状态模型，在凭经验的基础模型的情况下、尤其是基于库伦计数或者对dU/dI运算的评估来确定经建模的老化状态。
5.根据权利要求1至4中任一项所述的方法，其中数据点与评估期有关，其中所述至少一个运行特征到设备电池组的经建模的老化状态的多个分配被融合，以便确定所述数据点。
6.根据权利要求1至5中任一项所述的方法，其中所述至少一个运行特征包括如下特征中的至少一个：
- 增量电量dQ/dU的随着在充电过程期间的电池组电压或充电状态的变化过程的局部极值、尤其是第二局部最大值；
- SEI层厚度；
- 锂浓度；
- 锂沉积；
- 阳极活性材料的损失；和
- 阴极活性材料的损失。
7.根据权利要求1至6中任一项所述的方法，其中根据所述相对老化状态：
- 修正经建模的老化状态；
- 报告设备电池组的剩余使用寿命；
- 报告与所述多个设备电池组（41）相比电池组运行的异常；
- 报告对所述设备电池组的维护的建议；和/或
- 报告所述设备电池组（41）的预损坏。
8.根据权利要求1至7中任一项所述的方法，其中运行参量的时间序列包括电池组电流（I）、电池组电压（U）、电池组温度（T）和充电状态（SOC）的时间序列。
9.根据权利要求1至8中任一项所述的方法，其中所述蓄能器（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、建筑网络、娱乐电子设备、如移动电话、自主机器人和/或家用电器。
10.一种用于确定特定设备电池组（41）的相对老化状态的装置，其中所述相对老化状态说明了关于与相同类型的多个设备电池组相比在老化状态相同的情况下所述特定设备电池组（41）的状态的数据，其中所述装置被设计用于：
- 提供多个设备电池组（41）的运行参量的时间序列；
- 通过为每个设备电池组（41）创建数据点来确定数据库，所述数据点将至少一个运行特征映射到经建模的老化状态，所述运行特征与有关的设备电池组（41）的当前的老化状态正相关；
- 根据所述数据库，通过拟合老化状态的随着所述至少一个运行特征的变化过程来对评估模型进行建模；
- 确定所述特定设备电池组（41）的当前的老化状态；
- 基于针对所述特定设备电池组所确定的当前的老化状态和参考老化状态，确定所述特定设备电池组的相对老化状态，所述参考老化状态被归一化到所述多个设备电池组（41）的平均系列散布并且根据所述特定设备电池组（41）的所述至少一个运行特征和所述评估模型来得出。
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 |
|---|---|---|---|
| DE102021203865.4A DE102021203865A1 (de) | 2021-04-19 | 2021-04-19 | Verfahren und Vorrichtung zum Bewerten eines relativen Alterungszustands einer Gerätebatterie auf Basis einer Gerätegruppen-basierenden Serienstreuung der Gerätebatterien |
| DE102021203865.4 | 2021-04-19 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115219932A true CN115219932A (zh) | 2022-10-21 |
Family
ID=83447522
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210411258.5A Pending CN115219932A (zh) | 2021-04-19 | 2022-04-19 | 用于评价设备电池组的相对老化状态的方法和装置 |
Country Status (2)
| Country | Link |
|---|---|
| CN (1) | CN115219932A (zh) |
| DE (1) | DE102021203865A1 (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115964945A (zh) * | 2022-12-27 | 2023-04-14 | 浙江长三角车联网安全技术有限公司 | 一种基于数据挖掘的充电桩充电失效分析方法及系统 |
| CN116430244B (zh) * | 2023-06-14 | 2023-08-15 | 聊城大学 | 一种基于电压电流特征的动力电池健康状态估计方法 |
| CN118425810B (zh) * | 2024-07-04 | 2024-09-13 | 成都赛力斯科技有限公司 | 电池荷电状态的估算方法及装置 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| SE541804C2 (en) | 2018-04-09 | 2019-12-17 | Scania Cv Ab | Methods and control units for determining an extended state of health of a component and for control of a component |
-
2021
- 2021-04-19 DE DE102021203865.4A patent/DE102021203865A1/de active Pending
-
2022
- 2022-04-19 CN CN202210411258.5A patent/CN115219932A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| DE102021203865A1 (de) | 2022-10-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111612204B (zh) | 用于优化电池组的性能的系统、方法和存储介质 | |
| 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 | |
| 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 | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
| US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
| US20220187376A1 (en) | Method and Device for Predicting a State of Health of an Energy Storage System | |
| US20220373609A1 (en) | State Value for Rechargeable Batteries | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| US11656293B2 (en) | Method and apparatus for parameterizing an electrochemical battery model for a battery based on data from a plurality of batteries | |
| CN114578248A (zh) | 用于预测电池运行的设备中设备电池的老化状态的方法和装置 | |
| US11938838B2 (en) | Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine | |
| CN110045291B (zh) | 一种锂电池容量估计方法 | |
| US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
| 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 | |
| CN115718258B (zh) | 电池故障检测 | |
| 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 | |
| US20230280406A1 (en) | Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren | |
| 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 | |
| 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 | |
| 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 | |
| US20240248138A1 (en) | Method and Apparatus for Predictive Diagnosis of a Device Battery of a Technical Device Using a Trace Graph Model |
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 |