CN113740753A - 根据电蓄能器的预测老化状态来运行电可驱动机动车的方法和设备 - Google Patents
根据电蓄能器的预测老化状态来运行电可驱动机动车的方法和设备 Download PDFInfo
- Publication number
- CN113740753A CN113740753A CN202110577209.4A CN202110577209A CN113740753A CN 113740753 A CN113740753 A CN 113740753A CN 202110577209 A CN202110577209 A CN 202110577209A CN 113740753 A CN113740753 A CN 113740753A
- Authority
- CN
- China
- Prior art keywords
- aging
- state
- vehicle
- predicted
- model
- 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 171
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000011664 signaling Effects 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims description 32
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013531 bayesian neural network Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims description 3
- 230000002459 sustained effect Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 claims 4
- 230000006399 behavior Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000001419 dependent effect Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000035882 stress Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 238000007637 random forest analysis 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]
- G01R31/396—Acquisition or processing of data for testing or for monitoring individual cells or groups of cells within a battery
-
- 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
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
-
- 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
- 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]
- G01R31/374—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with means for correcting the measurement for temperature or ageing
-
- 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
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明涉及一种用于根据电蓄能器、尤其是车辆电池的所预测的老化状态来运行机动车（4）、尤其是电可驱动机动车的计算机实现的方法，所述方法具有如下步骤：‑提供（S1）车辆参数（F），所述车辆参数影响所述电蓄能器的老化状态；‑将车辆参数（F’）预测（S1）到预测时间点；‑借助于基于数据的老化状态模型，根据所预测的车辆参数（F’）来确定（S2、S3）所预测的老化状态，所述老化状态模型被训练为根据所述车辆参数（F）来输出所述电蓄能器（41）的老化状态；‑用信号通知所预测的老化状态（SOH）。
Description
技术领域
本发明涉及电可驱动机动车、尤其是电动车辆或混合动力车辆，而且还涉及用于确定电蓄能器的老化状态（SOH：State of Health）的措施。
背景技术
借助于电蓄能器、通常利用所谓的车辆电池来实现对电可驱动机动车的能量供应。车辆电池的老化状态随着其寿命的推移而显著减小，这导致存储容量减小。老化的程度取决于使用行为。
虽然可以借助于物理老化模型基于历史运行状态历程来确定当前的老化状态，但是不可能可靠地预测老化状态例如以便据此来得出车辆电池的剩余寿命。车辆电池的单独的负载取决于车辆类型和/或驾驶员的驾驶行为并且相对应地具有对老化状态历程的特定于车辆的影响。
发明内容
按照本发明，规定了一种按照权利要求1所述的用于根据电蓄能器、尤其是车辆电池的所预测的老化状态来运行机动车、尤其是电可驱动机动车的方法以及一种按照并列权利要求所述的设备和驱动系统。
其它的设计方案在从属权利要求中说明。
按照第一方面，规定了一种用于根据电蓄能器、尤其是车辆电池的所预测的老化状态来运行机动车、尤其是电可驱动机动车的计算机实现的方法，该方法具有如下步骤：
- 提供车辆参数，这些车辆参数影响电蓄能器的老化状态；
- 将车辆参数预测到预测时间点；
- 借助于基于数据的老化状态模型，根据所预测的车辆参数来确定所预测的老化状态，该老化状态模型被训练为根据这些车辆参数来输出电蓄能器的老化状态；
- 用信号通知所预测的老化状态。
可再充电的电蓄能器、尤其是车辆电池的老化状态通常不是直接被测量。这将会在车辆电池中需要一系列传感器，这些传感器会使这种电池的制造花费高并且会增加空间需求。此外，市场上还没有用于确定车辆方面的老化状态的适合汽车的方法。因而，通常借助于物理老化模型来确定当前的老化状态。该物理老化模型非常不精确并且具有超过5%的模型偏差。此外，由于该物理老化模型的不精确，该物理老化模型只能说明车辆电池的当前的老化状态。老化状态的尤其是取决于车辆电池的运行、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驾驶行为和车辆参数的预测会导致非常不精确的预估并且目前未提供。
现在，上述方法提供了从基于数据的老化状态模型出发对电蓄能器的老化状态的特定于驾驶员和车辆的预测。基于数据的老化状态模型可以借助于所分析的车队数据来创建。
可以规定：基于数据的老化状态模型构造为混合模型，该混合模型给借助于物理或物理机能的老化模型来确定的经建模的老化状态加载修正值，尤其是通过加法或乘法来加载修正值，该修正值根据基于数据的修正模型来得出。
为此，老化状态模型可具有混合架构，该混合架构将迄今已知的物理老化模型用于老化状态并且将该物理老化模型与可训练的基于数据的修正模型相结合。在此，修正模型（机器学习模型）可补偿物理老化模型的不精确。根据对修正模型的选择，可以通过量化方差预估来评估预估不确定性，由此能够实现对电蓄能器的负载状态的长期预估。
上述方法的核心在于借助于混合老化状态模型来预测老化状态，该混合老化状态模型使用可用的物理先验知识和来自大量车辆的车队数据。在此，修正模型被训练来补偿物理老化模型的不精确，这些不精确可能由于个别车辆参数、特定于驾驶员的负载模式或者附加的环境影响而出现。
由于用于老化状态的物理模型的高度不精确，对电蓄能器的未来老化状态的预测不精确，使得该未来老化状态不能被用于确定电蓄能器的寿命或更换时间点。通过使用混合老化状态模型，可以实现对借助于物理模型所确定的经物理建模的老化状态的持续修正，并且因此可以基于所提供的车队数据来持续调整对老化状态、尤其是预估值的计算。通过使用中央单元来计算相应的老化状态，可以始终考虑最新的车队数据。
附加的优点在于：在机动车中提供或说明所预测的老化状态，所预测的老化状态的值由于使用混合老化状态模型而不可能突变，因为修正模型在车辆参数集未知的情况下关于物理模型的结果保持中立，也就是说在加法加载时趋近于0或者在乘法加载时趋近于1。
此外，可以在车辆外部基于车队数据来训练和/或提供基于数据的老化状态模型，所述车队数据具有车辆参数集和相应的电蓄能器的所分配的负载状态。
这能够实现：通过检测车队数据并且在修正模型中考虑这些车队数据，可以使对机动车中的电蓄能器的未来老化状态的预估显著变得准确。
按照一个实施方式，电蓄能器的老化状态可以被指定为相对于初始充电容量而言的剩余充电容量或者被指定为关于剩余寿命的说明。
可以规定：车辆参数说明了电蓄能器的老化状态并且尤其包括如下参数中的一个或多个；电池温度、随时间的负载模式、电蓄能器的年龄、电蓄能器的使用时间、在运行时间内累积的充电量和在运行时间内累积的放电量、最大充电电流、最大放电电流、充电频率、平均充电电流、平均放电电流、平均充电状态、充电状态的散布、充电状态的直方图数据、温度、电压、电流、在充电和放电时的功率吞吐量、充电频率和充电温度。
此外，还可以借助于环境参数根据所预测的车辆参数来执行对所预测的老化状态的确定，其中这些环境参数包括如下参数中的一个或多个：交通数据、关于在预测行驶路线上的交通流量的说明、天气数据以及机动车的位置。
按照一个实施方式，还可以根据所预测的车辆参数来执行对所预测的老化状态的确定，其中所预测的车辆参数通过将车辆参数外推到预测时间点来确定。
可以规定：基于数据的老化状态模型包括神经网络、贝叶斯神经网络或高斯过程模型。应注意：借助于高斯过程模型，获得特别可靠的结果。
此外，可以在车辆外部确定所预测的老化状态并且将所预测的老化状态通知相关机动车，或者可以将基于数据的老化状态模型的模型参数通知机动车并且在机动车中确定所预测的老化状态。
可以规定：根据车辆参数的历史历程来确定压力因素，这些压力因素在基于数据的老化状态模型中在确定所预测的老化状态时被考虑，其中这些压力因素尤其包括如下说明中的一个或多个：用高电流充电的频率；在持续高功率、也就是说功率超过预先给定的阈功率的情况下行驶的频率；在环境温度高、也就是说温度超过预先给定的阈温度的情况下充电的频率；和给电蓄能器充满电的频率。
按照另一方面，规定了一种用于根据电蓄能器、尤其是车辆电池的所预测的老化状态来运行机动车、尤其是电可驱动机动车的设备、尤其是控制单元，其具有如下步骤：
- 提供车辆参数，这些车辆参数影响电蓄能器的老化状态；
- 将车辆参数预测到预测时间点；
- 借助于基于数据的老化状态模型，根据所预测的车辆参数来确定所预测的老化状态，该老化状态模型被训练为根据这些车辆参数来输出电蓄能器的老化状态；
- 用信号通知所预测的老化状态。
附图说明
实施方式随后依据附图进一步予以阐述。其中：
图1示出了用于基于车队数据来提供车辆电池的特定于驾驶员和车辆的负载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；以及
图3示出了用来阐明用于预测机动车中的车辆电池的老化状态并且用于确定预期寿命的方法的流程图。
具体实施方式
图1示出了用于在中央单元2中收集车队数据来创建老化状态模型的系统1。该老化状态模型用于确定机动车中的电蓄能器的老化状态。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（所谓的云）之间传输数据。
图2示意性示出了以混合方式建立的老化状态模型的实施方式的功能结构。该老化状态模型包括物理老化模型5和修正模型6，该物理老化模型和该修正模型的输出相互作用，尤其是被相加或相乘，以便获得在当前或未来时间点的老化状态SOH。在输入侧，物理老化模型5和修正模型6获得车辆参数F和在预测块7中预测的已根据这些车辆参数进行外推来确定的车辆参数。车辆参数F可包括使用历程参数，这些使用历程参数以压缩形式说明了车辆电池或车辆4的过去的运行历程。
在图3中示出了流程图，该流程图示出了用于确定未来老化状态SOH的方法的流程。电池的老化状态（也称为SoH（State of Health））例如可以被指定为相对于初始最大充电容量而言的剩余最大充电容量、被指定为剩余寿命的说明或者以其它说明了车辆电池41的质量或可用性降低的方式来被指定。
未来老化状态SOH(t)例如可以在用于确定机动车4中的车辆电池41的预期剩余寿命的方法中被使用。该预期剩余寿命可以被用于确定关于车辆电池41方面的日期或更换时间点。该方法可以在中央单元2中以及在控制单元43中以硬件和/或软件来实现。
在步骤S1中，基于驾驶员行为、车辆状态和/或电池状态以特定于车辆的方式来检测车辆参数并且借助于通信模块44将这些车辆参数发送给中央单元2。
车辆参数F说明了取决于车辆电池的老化状态SOH的参数。这些车辆参数尤其可包括使用历程参数，这些使用历程参数以压缩形式说明了车辆电池的过去的运行历程，使得这些过去的运行历程通过更新而适合于预测所预测的老化状态SOH。使用历程参数可包括如下参数中的一个或多个：电池温度；随时间的负载模式，如充电和行驶周期，该负载模式通过使用模式（诸如在高电流强度的情况下快速充电或者强力加速或具有回收的制动过程）来确定；车辆电池的年龄；车辆电池的使用时间；在运行时间内累积的充电量和在运行时间内累积的放电量；最大充电电流；最大放电电流；充电频率；平均充电电流；平均放电电流；在充电和放电时的功率吞吐量；充电频率；（尤其是平均）充电温度；平均充电状态；充电状态的（尤其是平均）散布；充电状态历程的直方图数据；温度；电压；电流等等以及诸如此类的。
附加地，可以将环境参数作为车辆参数F的一部分发送给中央单元2或者在中央单元处检测或确定环境参数，其中这些环境参数说明了关于机动车4周围的环境和/或情况的说明。这些环境参数可包括如下参数中的一个或多个：交通数据、关于在预测行驶路线上的交通流量的说明、天气数据以及机动车的位置。
除了车辆参数之外，在预测块7中可以通过更新随时间的负载模式来执行使用预测，该使用预测能够针对未来时间点创建相应的车辆参数集。取决于负载历程的说明尤其也可以被假设为在未来是恒定的，诸如充电频率。为了预估所预测的老化状态SOH，也可以推导各个车辆参数的趋势，以便使用所预测的车辆参数F’来确定老化状态SOH。
在所预测的车辆参数F’中描绘的使用预测通常持续数月乃至数年之久，使得利用推导出的电池压力因素可以确定电池的剩余寿命。使用预测数据可包含一个或多个压力因素，所述一个或多个压力因素说明了车辆电池经受的一个或多个压力水平。所述压力因素可包括如下说明：用高电流充电的频率，如快速充电的频率；在持续高功率的情况下行驶的频率；在环境温度高的情况下、诸如在炎热的中午或者在以高功率较长时间行驶之后在高速公路服务区处（作为压力因素的组合）充电的频率；给电池充满电的频率。这些压力因素也可取决于电池单池化学，使得上述某些因素对电池影响较小而其它因素对电池影响较大。这可以在控制单元43中被执行。替选地，使用预测数据可以与车辆参数和环境参数一起被传输给中央单元2。
此外，车辆电池41（电蓄能器）的最终确定的老化状态SOH被传送给中央单元2。
被传送给中央单元2的车辆参数和所预测的车辆参数以及当前的老化状态SOH借助于基于数据的老化状态模型来处理，以便基于所预测的车辆参数来预测车辆电池41的老化状态SOH。
为了针对老化状态SOH使用以物理老化模型形式的先验知识，老化状态模型可以如图2中所示构造为混合模型。老化状态模型包括物理老化模型5，该物理老化模型在步骤S2中基于车辆参数集的所预测的车辆参数来确定车辆电池41的经建模的未来老化状态SOH。所预测的车辆参数F’对应于被预测到预先给定的未来时间点的车辆参数F’、尤其是基于被更新的经外推的使用数据来被预测到预先给定的未来时间点的车辆参数。
借助于经训练的修正模型6，在步骤S3中进行对老化模型的（经建模的老化状态SOHp的）结果的调整或修正。
为此，修正模型6可以基于数据地构造为神经网络、贝叶斯神经网络、高斯过程模型、随机森林、SVM回归器或者诸如此类的。修正模型6被训练来补偿由于车辆参数或所基于的物理老化模型的不精确而产生的偏差。
在此，修正模型6基于多个车辆4的分别包含电池和车辆数据的车辆参数集、根据机动车4的分别多个车辆参数F并且基于车辆电池的相对应的实际测量到的负载状态来训练，这些负载状态例如是在更换或维护的时间点被查明的。附加地，车辆参数集可以分别考虑如下使用历程参数作为训练数据，这些使用历程参数以历史车辆参数数据为形式，如Ah（安培小时）吞吐量（充电/放电）、温度、电流、电压、充电状态、行驶里程、使用和充电行为以及由此造成的针对电池老化的压力因素（如在高SOC情况下同时温度高）以及分别通过物理老化模型确定的经建模的老化状态SOHp。
通过将机动车的车辆参数集、必要时历史车辆参数数据以及必要时经建模的老化状态SOHp（物理老化模型5的输出）分配给针对车辆参数集建模的老化状态SOHp与所测量的老化状态之间的老化状态差，修正模型6可以相对应地以本身公知的方式来训练。老化状态差可以被确定为针对车辆参数集建模的老化状态SOHp与相对应地被测量的老化状态之差或商。训练数据可以基于在车辆中的（用于确定实际老化状态的）诊断测量或者替选地试验台或车间测量来确定，这些试验台或车间测量说明了车辆电池41的老化状态SOH。
接着，所预测的老化状态SOH在步骤S4中通过给经建模的老化状态SOHp加载作为修正模型6的模型输出的经建模的老化状态差来得出。该修正值K以加法或乘法被加载到物理老化模型5的经建模的老化状态SOHp上。
可以在中央单元2中针对每个与该中央单元保持通信连接的机动车4来执行对修正模型6和/或物理老化模型5的使用。替选地，步骤S2-S3可以在将修正模型6的当前的模型参数传送给车队3的相应的机动车4之后在机动车4的控制单元43中被确定。
根据所选择的机器学习模型，修正模型6的预估可包含预估可靠性。该预估可靠性可以在步骤S5中被检查，以便查明是否需要对修正模型6进行再训练从而以所要求的精度来执行对老化状态的预测。如果查明该预估可靠性低于可靠性阈值（二选一：是），则在步骤S6中提升其它训练数据，将这些训练数据用于在步骤S7中对修正模型6进行再训练。训练数据可以通过在车辆4中的诊断测量或者替选地通过试验台或车间测量来执行，使得获得或者可以推导出老化状态。然后，以步骤S1来继续该方法。
否则、也就是说当查明该预估可靠性高于可靠性阈值时（二选一：否），以步骤S8来继续该方法。
如果老化状态被指定为车辆电池的初始充电容量的部分，则步骤S2至S3可以利用被预测到不同的未来时间点的车辆参数迭代地被实施，以便确定所预测的老化状态SOH达到或低于预先给定的老化状态阈值、诸如说明了车辆电池的最大充电容量只还对应于初始充电容量的80%的阈值的未来时间点。这通过步骤S8来实现，其方式是检查所预测的老化状态SOH是否已经达到了老化状态阈值。
如果情况不是如此（二选一：否），则在步骤S9中根据所预测的老化状态SOH与老化状态阈值之间的距离来调整说明了所预测的老化状态SOH的时间点并且返回到步骤S2。附加地，所预测的老化状态SOH可以被显示，使得该所预测的老化状态可以把维护或电池更换纳入计划。必要时，所预测的老化状态可以被考虑用于路线计算和对充电周期的计划（在最大充电容量较低的情况下较频繁）。如果所预测的老化状态SOH已经基本上达到了老化状态阈值（二选一：是），则在步骤S10中用信号通知达到了老化状态阈值并且请求驾驶员尽快更换车辆电池。
通过使用修正模型6，可以改善对老化状态的说明以及借此还有对未来老化状态的预测的说明的精度，因为尤其是通过该修正模型可以补偿由于机动车4的不同驾驶和运行行为而引起的偏差。
通过使用其中修正模型仅说明了修正值K的混合老化状态模型，可以在对于车辆参数集来说没有对修正模型的足够训练的情况下将所预测的老化状态SOH确定为根据物理老化模型而得出的经建模的老化状态SOHp，因为该修正模型在这些情况下输出近似为零的修正值K。
在预估精度不足的情况下，在中央单元中的修正模型可以定期利用新的车队数据、也就是说多个其它机动车的包括车辆电池的所测量到的老化状态在内的车辆参数来再训练，以便使该修正模型变得准确。
Claims (13)
1.一种用于根据电蓄能器、尤其是车辆电池的所预测的老化状态来运行机动车（4）、尤其是电可驱动机动车的计算机实现的方法，所述方法具有如下步骤：
- 提供（S1）车辆参数（F），所述车辆参数影响所述电蓄能器的老化状态；
- 将车辆参数（F’）预测（S1）到预测时间点；
- 借助于基于数据的老化状态模型，根据所预测的车辆参数（F’）来确定（S2、S3）所预测的老化状态，所述老化状态模型被训练为根据所述车辆参数（F）来输出所述电蓄能器（41）的老化状态；
- 用信号通知（S9、S10）所预测的老化状态（SOH）。
2.根据权利要求1所述的方法，其中在车辆外部基于车队数据来训练和/或提供所述基于数据的老化状态模型，所述车队数据具有车辆参数集和相应的电蓄能器（41）的所分配的负载状态。
3.根据权利要求1至2中任一项所述的方法，其中所述电蓄能器（41）的老化状态（SOH）被指定为相对于初始最大充电容量而言的剩余最大充电容量或者被指定为关于剩余寿命的说明。
4.根据权利要求1至3中任一项所述的方法，其中所述车辆参数（F）说明了所述电蓄能器（41）的老化状态并且尤其包括如下参数中的一个或多个；所述电蓄能器（41）的温度、随时间的负载模式、所述电蓄能器（41）的年龄、所述电蓄能器（41）的使用时间、在运行时间内累积的充电量和/或在运行时间内累积的放电量、最大充电电流、最大放电电流、充电频率、平均充电电流、平均放电电流、在充电和放电时的功率吞吐量、充电频率和充电温度。
5.根据权利要求1至4中任一项所述的方法，其中还借助于环境参数根据所预测的车辆参数（F’）来执行对所预测的老化状态（SOH）的确定，其中所述环境参数包括如下参数中的一个或多个：交通数据、关于在预测行驶路线上的交通流量的说明、天气数据以及所述机动车的位置。
6.根据权利要求1至5中任一项所述的方法，其中还根据所预测的车辆参数（F’）来执行对所预测的老化状态（SOH）的确定，其中所预测的车辆参数（F’）中的至少一个通过将所述车辆参数（F）外推到预先给定的预测时间点来确定。
7.根据权利要求1至6中任一项所述的方法，其中所述基于数据的老化状态模型构造为混合模型，所述混合模型给借助于物理或物理机能的老化模型（5）来确定的经建模的老化状态（SOHp）加载修正值（K），尤其是通过加法或乘法来加载所述修正值，所述修正值根据基于数据的修正模型（6）来得出。
8.根据权利要求1至7中任一项所述的方法，其中所述基于数据的老化状态模型包括神经网络、贝叶斯神经网络或高斯过程模型。
9.根据权利要求1至8中任一项所述的方法，其中在车辆外部确定所预测的老化状态（SOH）并且将所预测的老化状态通知相关机动车（4），或者其中将所述基于数据的老化状态模型的模型参数通知所述机动车（4）并且在所述机动车（4）中确定所预测的老化状态（SOH）。
10.根据权利要求1至9中任一项所述的方法，其中根据车辆参数的历史历程来确定压力因素，所述压力因素在所述基于数据的老化状态模型中在确定所预测的老化状态（SOH）时被考虑，其中所述压力因素尤其包括如下说明中的一个或多个：用高电流充电的频率；在持续高功率的情况下行驶的频率；在环境温度高的情况下充电的频率；和给所述电蓄能器（41）充满电的频率。
11.一种用于根据电蓄能器（41）、尤其是车辆电池的所预测的老化状态来运行机动车、尤其是电可驱动机动车的设备、尤其是控制单元（43），其具有如下步骤：
- 提供车辆参数（F），所述车辆参数影响所述电蓄能器（41）的老化状态；
- 将车辆参数预测到预测时间点；
- 借助于基于数据的老化状态模型，根据所预测的车辆参数（F’）来确定所预测的老化状态（SOH），所述老化状态模型被训练为根据所述车辆参数（F）来输出所述电蓄能器（41）的老化状态；
- 用信号通知所预测的老化状态（SOH）。
12.一种具有程序代码装置的计算机程序，所述计算机程序被设立为：当所述计算机程序在计算单元上被实施时，实施根据权利要求1至10中任一项所述的方法。
13.一种机器可读存储介质，其具有被存储在其上的根据权利要求12所述的计算机程序。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| DE102020206592.6 | 2020-05-27 | ||
| DE102020206592.6A DE102020206592A1 (de) | 2020-05-27 | 2020-05-27 | Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113740753A true CN113740753A (zh) | 2021-12-03 |
Family
ID=78508800
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110577209.4A Pending CN113740753A (zh) | 2020-05-27 | 2021-05-26 | 根据电蓄能器的预测老化状态来运行电可驱动机动车的方法和设备 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US11644515B2 (zh) |
| CN (1) | CN113740753A (zh) |
| DE (1) | DE102020206592A1 (zh) |
Families Citing this family (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112622693A (zh) * | 2020-12-25 | 2021-04-09 | 广州橙行智动汽车科技有限公司 | 一种电池管理方法、装置及车辆 |
| DE102021204014A1 (de) | 2021-04-22 | 2022-10-27 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustandsmodells zur Ermittlung von aktuellen und prädizierten Alterungszuständen von elektrischen Energiespeichern mithilfe von Transfer-Lernen mithilfe maschineller Lernverfahren |
| DE102021206880A1 (de) * | 2021-06-30 | 2023-01-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur optimalen Parametrisierung eines Fahrdynamikregelungssystems für Fahrzeuge |
| DE102021208020A1 (de) | 2021-07-26 | 2023-01-26 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur Ermittlung und Verbesserung einer Konfidenz einer Prädiktion eines Alterungszustands von Energiespeichern |
| DE102021214161A1 (de) | 2021-12-10 | 2023-06-15 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustands für eine Gerätebatterie mit Korrektur von Zustandsbeobachtungen auf Basis systematischer Zustands- und Umgebungseinflüsse |
| DE102021214154A1 (de) | 2021-12-10 | 2023-06-15 | Robert Bosch Gesellschaft mit beschränkter Haftung | Computerimplementiertes Verfahren zum Bereitstellen eines Alterungszustandsmodells zur Bestimmung eines aktuellen und prädizierten Alterungszustands eines elektrischen Energiespeichers mithilfe von maschinellen Lernverfahren |
| DE102021214173A1 (de) | 2021-12-12 | 2023-06-15 | eClever Entwicklungs OHG | Fahrzeug- und fahrzeugführerspezifisches routing |
| LU500994B1 (de) | 2021-12-12 | 2023-06-12 | Eclever Entw Ohg | Fahrzeug- und fahrzeugführerspezifisches routing |
| DE102021214518A1 (de) * | 2021-12-16 | 2023-06-22 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur robusten Bestimmung einer Temperatur einer Komponente einer elektrischen Maschine mithilfe eines probabilistischen datenbasierten Temperaturmodells |
| DE102022200007A1 (de) | 2022-01-03 | 2023-07-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Erlernen einer Parametrisierung eines Alterungsmodells und Bereitstellen eines Alterungszustands für eine Gerätebatterie anhand einer parametrierten Leerlaufspannungs-Kennlinie |
| DE102022200008A1 (de) | 2022-01-03 | 2023-07-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und System zum effizienten Überwachen von Batteriezellen einer Gerätebatterie in einer geräteexternen Zentraleinheit mithilfe eines digitalen Zwillings |
| DE102022200022A1 (de) | 2022-01-04 | 2023-07-06 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustandsmodells zur Ermittlung eines aktuellen oder prädizierten Alterungszustands für einen elektrischen Energiespeicher mithilfe neuronaler Differentialgleichungen |
| DE102022200538A1 (de) | 2022-01-18 | 2023-07-20 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum initialen Bereitstellen eines Alterungszustandsmodells für Energiespeicher auf Basis von Active Learning Algorithmen |
| DE102022202084A1 (de) | 2022-03-01 | 2023-09-07 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Anpassen von Modellparametern eines elektrochemischen Batteriemodells einer Gerätebatterie während eines Ladevorgangs |
| EP4242676A1 (en) * | 2022-03-10 | 2023-09-13 | TWAICE Technologies GmbH | Hybrid parametric - machine learning battery aging model |
| DE102022204165A1 (de) | 2022-04-28 | 2023-11-02 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum initialen Bereitstellen eines Alterungszustandsmodells für Energiespeicher auf Basis von Active Learning Algorithmen |
| DE102022208932A1 (de) | 2022-08-29 | 2024-02-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells |
| DE102022208929A1 (de) | 2022-08-29 | 2024-02-29 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Ermitteln eines Alterungszustands einer Gerätebatterie in einem technischen Gerät mittels Edge Computing |
| DE102023200585B4 (de) | 2023-01-25 | 2024-09-26 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Trace-Graph-Modells |
| CN118306230B (zh) * | 2024-06-11 | 2024-08-27 | 上海融和元储能源有限公司 | 一种高效节能智能锂电机车动力控制方法及系统 |
Family Cites Families (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101498761B1 (ko) * | 2012-02-02 | 2015-03-04 | 주식회사 엘지화학 | 배터리의 수명 예측 방법 및 장치, 이를 이용한 배터리 관리 시스템 |
| FR3016218B1 (fr) * | 2014-01-03 | 2016-01-01 | Commissariat Energie Atomique | Procede, dispositif et systeme d'estimation de l'etat de sante d'une batterie d'un vehicule electrique ou hybride en condition d'utilisation, et procede de construction d'un modele pour une telle estimation |
| DE102014212451B4 (de) * | 2014-06-27 | 2023-09-07 | Vitesco Technologies GmbH | Vorrichtung und Verfahren zur Regelung eines Ladezustands eines elektrischen Energiespeichers |
| DE102015001050A1 (de) * | 2015-01-29 | 2016-08-04 | Man Truck & Bus Ag | Verfahren und Vorrichtung zur Steuerung und/oder Regelung mindestens eines einen Alterungszustand eines elektrischen Energiespeichers beeinflussenden Betriebsparameters des elektrischen Energiespeichers |
| US10005372B2 (en) * | 2016-02-23 | 2018-06-26 | Ford Global Technologies, Llc | Virtual assessment of battery state of health in electrified vehicles |
| US11691518B2 (en) * | 2017-07-21 | 2023-07-04 | Quantumscape Battery, Inc. | Predictive model for estimating battery states |
| DE102018201119A1 (de) | 2018-01-24 | 2019-07-25 | Robert Bosch Gmbh | Verfahren zum Überwachen der Energieversorgung eines Kraftfahrzeugs mit automatisierter Fahrfunktion |
| AT521643B1 (de) * | 2018-08-31 | 2020-09-15 | Avl List Gmbh | Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie |
-
2020
- 2020-05-27 DE DE102020206592.6A patent/DE102020206592A1/de active Pending
-
2021
- 2021-05-12 US US17/318,367 patent/US11644515B2/en active Active
- 2021-05-26 CN CN202110577209.4A patent/CN113740753A/zh active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| US11644515B2 (en) | 2023-05-09 |
| US20210373082A1 (en) | 2021-12-02 |
| DE102020206592A1 (de) | 2021-12-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113740753A (zh) | 根据电蓄能器的预测老化状态来运行电可驱动机动车的方法和设备 | |
| CN111610459B (zh) | 用于预测电池组的放电曲线的系统、方法和存储介质 | |
| US8521408B2 (en) | Method for estimating remaining travel distance of electric vehicle | |
| EP2068161A2 (en) | Battery performance monitor | |
| WO2019017991A1 (en) | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS | |
| WO2019199219A1 (en) | Methods and control units for determining an extended state of health of a component and for control of a component | |
| CN114609524A (zh) | 运行提供电储能器的预测老化状态的系统的方法和装置 | |
| US11835589B2 (en) | Method and apparatus for machine-individual improvement of the lifetime of a battery in a battery-operated machine | |
| CN114325440A (zh) | 借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的系统的方法和装置 | |
| CN114829961A (zh) | 利用机器学习模型预测电池健康状况的方法和系统 | |
| CN113752903A (zh) | 可再充电的电池的退化状态的成本低廉且精确的求取 | |
| 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 | |
| US20220187376A1 (en) | Method and Device for Predicting a State of Health of an Energy Storage System | |
| 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 | |
| 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 | |
| CN114325442A (zh) | 用于鲁棒地预测机器中的蓄能器的老化特性的方法和设备 | |
| US20230306803A1 (en) | Method and apparatus for the user-dependent selection of a battery operated technical device depending on a user usage profile | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| US20230184840A1 (en) | Method and Apparatus for Providing an Aging State for a Device Battery Having Correction of State Observations on the Basis of Systematic State and Environmental Influences | |
| 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 | |
| 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 | |
| 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 | |
| US11912159B2 (en) | Method and device determining the state of charge of a battery in an electrically drivable motor vehicle | |
| 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 |
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 |