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技术

本发明专利技术涉及一种用来提供基于数据的老化状态模型（9）以用于确定技术设备（4）中的具有至少一个电化学单元、尤其是电池组电池的电蓄能器（41）的经建模的老化状态（SOH）的计算机实现的方法，所述方法具有如下步骤：

【技术实现步骤摘要】
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


[0001]本专利技术涉及独立于电网地运行的具有电蓄能器的电气设备，尤其是电可驱动机动车、尤其是电动车辆或混合动力车辆，而且本专利技术还涉及用于确定电蓄能器的当前或预测老化状态（SOH：State of Health（健康状态））的措施。 此外，除了移动电蓄能器之外，本专利技术也涉及静态电蓄能器。

技术介绍

[0002]对独立于电网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。这些电蓄能器为设备的运行提供电能。然而，能量转换器，诸如燃料电池系统，包括氢气储罐在内，也被视为电蓄能器。
[0003]电蓄能器或能量转换器在其使用寿命期间并且根据其负载或使用情况退化。这种所谓的老化导致最大性能能力或蓄能容量持续下降。老化状态对应于用于说明蓄能器的老化的量度。按照惯例，新蓄能器具有涉及到其100%可用容量的老化状态，该老化状态随着其使用寿命的推移而显著降低。蓄能器的老化的量度（老化状态的随时间的变化）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。
[0004]虽然借助于物理老化状态模型可以基于历史运行参量变化过程来确定蓄能器的当前老化状态，但是该模型在某些情况下不准确。常规老化状态模型的这种不准确使得精确的状态确定以及对老化状态变化过程的预测变得困难。然而，对蓄能器的老化状态的变化过程的预测是重要的技术参量，因为利用该技术参量能够确定蓄能器的剩余使用寿命并且对蓄能器的剩余价值进行经济上的评价。此外，对老化状态的预测对于计划和执行预测性维护间隔期具有附加价值。

技术实现思路

[0005]按照本专利技术，提供了一种按照权利要求1所述的用来提供老化状态模型以用于确定电蓄能器的经建模的老化状态的计算机实现的方法以及一种按照并列权利要求所述的用于确定电蓄能器的经建模的老化状态的计算机实现的方法和按照并列权利要求所述的相对应的装置。
[0006]其它的设计方案在从属权利要求中说明。
[0007]按照第一方面，提供了一种用来提供基于数据的老化状态模型以用于确定技术设备中的具有至少一个电化学单元、尤其是电池组电池的电蓄能器的经建模的老化状态的计算机实现的方法，该方法具有如下步骤：
‑ꢀ
利用基于数据的概率回归模型来提供至少经过初始训练的基于数据的老化状态模型；
‑ꢀ
提供蓄能器的一个或多个运行参量的运行参量变化过程；
‑ꢀ
从这些运行参量变化过程中确定一个或多个老化状态；
‑ꢀ
根据所述一个或多个老化状态和分别所分配的运行参量变化过程来确定训练数据集；
‑ꢀ
借助于所确定的训练数据集来训练或调整基于数据的老化状态模型，其中只有当训练数据集借助于基于数据的老化状态模型来被验证时，才考虑这些训练数据集用于训练基于数据的老化状态模型。
[0008]就本说明书而言的蓄能器包括设备电池组、具有带能量源储备的电化学能量转换器的能量转换系统，诸如具有燃料电池和能量源储备的燃料电池系统。
[0009]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。这会在蓄能器内部需要一系列传感器，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蓄能器中直接进行老化状态确定的适合于日常使用的测量方法。
[0010]在设备电池组的情况下，老化状态（SOH：State of Health（健康状态））是用于说明在电池组充满电时的剩余电池组容量或者剩余的成比例的行驶里程的关键参量。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。容量保持率SOH
‑
C随着老化增加而降低。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。
[0011]因而，通常在与蓄能器分离的控制设备中借助于物理老化状态模型来确定电蓄能器的当前老化状态。该物理老化状态模型在某些情况下不准确，而且通常具有模型偏差，特别是在无校准情况下、如在其中无法预测用于模型补偿的真实开路电压的预测的情况下，模型偏差高达5 %以上。
[0012]此外，由于物理老化模型的不准确，该物理老化模型只能还算准确地说明蓄能器的当前老化状态。
[0013]因此，用于确定电蓄能器的老化状态的老化状态模型可以以基于数据的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组合的形式来被提供。为此，该老化状态模型被设计得具有可训练的基于数据的概率回归模型。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，并且该物理老化状态可以被加载校正值，该校正值从基于数据的校正模型中得出，尤其是通过加法或乘法。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非线性微分方程组的电化学状态、使用时间积分法基于运行参量变化过程来连续计算这些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，作为SOH
‑
C和/或作为SOH
‑
R。这些计算通常可以在云中例如每周被执行一次。
[0014]此外，基于数据的混合老化状态模型的校正模型可以被设计得具有概率回归模型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校正通过物理老化模型所获得的老化状态。因此，为此存在老化状态的用于校正容量相关的老化状态SOH
‑
C的基于数据的校正模型和/或用于校正电阻变化相关的老化状态SOH
‑
R的至少一个另外的基于数据的校正模型。高斯过程的可能的替代方案是其它监督学习方法，如基于随机
森林模型、AdaBoost模型、支持向量机（Support
‑
Vector
‑
Machine）或贝叶斯神经网络。替代地，该老化状态模型也可以纯基于数据地以概率回归模型的方式来被设计并且在其它情况下以相对应的方式来被设计。
[0015]为了借助于物理或电化学老化状态模型和通过基于数据的校正模型（即结合混合老化状态模型）的可选的规范或者使用纯基于数据的老化状态模型来对蓄能器的老化状态进行建模，需要相对高频地提供蓄能器的运行参量的时间变化过程。运行参量的这些时间变化过程还必须针对所需的精度要求来连续被提供，以便为蓄能器确定在当前时间点的老化状态。
[0016]因此，可以规定：概率回归模型包括高斯过程模型，该高斯过程模型被训练用于：确定作为聚合特征从运行参量变化过程本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用来提供基于数据的老化状态模型（9）以用于确定技术设备中的具有至少一个电化学单元、尤其是电池组电池的电蓄能器（41）的经建模的老化状态（SOH）的计算机实现的方法，所述方法具有如下步骤：
‑ꢀ
利用基于数据的概率回归模型（6）来提供至少经过初始训练的基于数据的老化状态模型（9）；
‑ꢀ
提供（S11）所述蓄能器（41）的一个或多个运行参量的运行参量变化过程；
‑ꢀ
从所述运行参量变化过程（F）中确定（S12）一个或多个老化状态；
‑ꢀ
根据所述一个或多个老化状态和分别所分配的运行参量变化过程（F）来确定训练数据集；
‑ꢀ
借助于所确定的训练数据集来训练（S18）或调整所述基于数据的老化状态模型（9），其中只有当训练数据集借助于所述基于数据的老化状态模型（9）来被验证时，才考虑（S14、S16）所述训练数据集用于训练所述基于数据的老化状态模型（9）。2.根据权利要求1所述的方法，其中训练数据集通过如下方式来被验证：所述基于数据的老化状态模型的概率回归模型关于所述训练数据集的运行参量变化过程来输出高于指定阈值的置信度值。3.根据权利要求2所述的方法，其中训练数据集还通过如下方式来被验证：所述训练数据集的置信度值低于所述指定阈值并且随后确定的训练数据集具有高于所述指定阈值的置信度值。4.根据权利要求1至3中任一项所述的方法，其中如果训练数据集处在指定的保修范围内，所述保修范围受到参考老化状态变化过程的限制，则所述训练数据集被验证。5.根据权利要求1至4中任一项所述的方法，其中所述概率回归模型包括高斯过程模型...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：罗伯特，
类型：发明
国别省市：