DE10012964A1 - Vorrichtung und Verfahren zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie - Google Patents
Vorrichtung und Verfahren zum Betreiben eines wiederaufladbaren Speichers für elektrische EnergieInfo
- Publication number
- DE10012964A1 DE10012964A1 DE10012964A DE10012964A DE10012964A1 DE 10012964 A1 DE10012964 A1 DE 10012964A1 DE 10012964 A DE10012964 A DE 10012964A DE 10012964 A DE10012964 A DE 10012964A DE 10012964 A1 DE10012964 A1 DE 10012964A1
- Authority
- DE
- Germany
- Prior art keywords
- memory
- data
- model
- storage device
- module
- 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.)
- Withdrawn
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J7/00—Circuit arrangements for charging or depolarising batteries or for supplying loads from batteries
- H02J7/007—Regulation of charging or discharging current or voltage
- H02J7/0071—Regulation of charging or discharging current or voltage with a programmable schedule
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
Die Erfindung betrifft eine Vorrichtung zum Betreiben eines wiederaufladbaren Speichers (10) für elektrische Energie, die versehen ist mit: einem Lademodul (14) zum Bereitstellen von elektrischer Leistung zum Aufladen des Speichers; einem Datenerfassungsmodul (22), das im Betrieb fortlaufend aktuelle Betriebsparameter (U(t), I(t)) des Speichers erfasst; einem Vorhersagemodul (16), in welchem ein adaptives Modull (20) implementiert ist, das aus den Zustand des Speichers vor der Inbetriebnahme beschriebenden Daten und den im Betrieb erfassten Daten sowie optional aus weiterem Expertenwissen Prognosen über zukünftige Zustände des Speichers ableitet, wobei das Modell so ausgebildet ist, dass es selbsttätig fortlaufend anhand der im Betrieb erfassten Daten sowie optional anhand von weiterem Expertenwissen optimierbar ist; einem Datenspeicher (24); und einem Steuermodul (26) zum Steuern des Lademoduls, wobei das Steuermodul so ausgebildet ist, dass es die aktuelle Ladestrategie für den Speicher in Abhängigkeit von den aus dem Modell abgeleiteten Prognosen und den aktuell erfassten Betriebsparametern des Speichers wählt. Ferner betrifft die Erfindung ein entsprechendes Verfahren.
Description
Die vorliegende Erfindung betrifft eine Vorrichtung und ein Verfahren zum Betreiben
eines wiederaufladbaren Speichers für elektrische Energie.
Eine Übersicht über gegenwärtig verwendete Ladestrategien und Ladegeräte für
wiederaufladbare elektrochemische Akkumulatoren ist in HalaczeklRadecke, "Batterien
und Ladekonzepte", 2. Auflage, 1998, Franzis'-Verlag GmbH zu finden. Üblicherweise
wird so vorgegangen, dass in Abhängigkeit von dem Akku-Typ eine bestimmte
Ladestrategie gewählt wird, wobei während des Aufladens die Spannung und/oder der
Strom des Ladegeräts in Abhängigkeit von der seit Beginn des Ladevorgangs
verstrichenen Zeit, der gemessenen aktuellen Akku-Spannung, dem im Ladestromkreis
fließenden gemessenen aktuellen Strom und/oder der gemessenen aktuellen Akku-
Temperatur gesteuert wird, d. h. es werden für die Steuerung des Ladevorgangs aktuelle,
den Akku betreffende Messwerte bzw. daraus abgeleitete Größen (z. B. zeitliche
Änderung) verwendet. Bei diesen bekannten Verfahren bzw. Geräten ist nachteilig, dass
sich in der Regel der aktuelle Ladezustand sowie der aktuelle qualitative Zustand des
Akkus aus den aktuellen Messwerten für Spannung, Strom und Temperatur nicht so
genau bestimmen lässt, dass eine hinsichtlich beispielsweise Ladezeit oder Lebensdauer
des Akkus optimierte Ladestrategie finden lässt.
Auf den Seiten 246 bis 248 der oben genannten Referenz sind digitale Ladegeräte
beschrieben, bei welchen der Ladezustand des Akkus dadurch ermittelt wird, dass
bereits während des Entladens der Entladestrom und die Temperatur des Akkus in
regelmäßigen Abständen gemessen werden, wobei die Ergebnisse in einem internen
abfragbaren EPROM gespeichert werden.
Aus US 5 256 957 ist ein Ladeverfahren bekannt, bei welchem ein aus einem
Ersatzschaltbild des Akkus abgeleiteter Kennparameter, der laufend aus dem aktuell
gemessenen Ladestrom und der aktuell gemessenen Akku-Spannung bestimmt wird, zur
Bestimmung des Abschaltzeitpunkts für den Ladevorgang verwendet wird. Dabei wird
der Ladevorgang beendet, sobald die zeitliche Änderung des Kennparameters sich Null
annähert. Auch in diesem Fall wird somit die Ladestrategie von aktuellen Messwerten
von Akku-Parametern bestimmt.
Aus "Determination of state-of-charge and state-of-health of batteries by fuzzy logic
methodology" von Salkind et al., Journal of Power Sources 80, 1999, Seiten 293 bis
300, ist es bekannt, eine Fuzzy-Logik zu verwenden, um den Ladezustand eines
elektrochemischen Akkumulators basierend auf frequenzabhängigen
Widerstandsmessungen (elektrochemische Impedanzspektroskopie) des Akkumulators
vorherzusagen. Das Auffinden der Zugehörigkeitsfunktionen und der Regeln der Fuzzy-
Logik erfolgt dabei mittels eines neuronalen Netzes.
In "Predicting failure of secondary batteries" von M. Urquidi-Macdonald et al., Journal
of Power Sources 74, 1998, Seiten 87 bis 98 wird vorgeschlagen, das zukünftige
Entladeverhalten eines elektrochemischen Akkumators, d. h. den zeitlichen
Spannungsverlauf für einen vorgegebenen Ladestromverlauf bei einer bestimmten
Temperatur, mittels eines neuronalen Netzes vorherzusagen, wobei das neuronale Netz
mit bereits durchgeführten Messungen von Lade- und Entladezyklen (Strom, Spannung,
Temperatur) trainiert wird. Dabei wird empfohlen, die für das Training verwendete
Datenmenge durch beispielsweise eine Wavelet-Transformation zu verringern.
Es ist Aufgabe der vorliegenden Erfindung, eine Vorrichtung und ein Verfahren zum
Betreiben eines wiederaufladbaren Speichers für elektrische Energie zu schaffen, wobei
es möglich sein soll, eine möglichst gute, d. h. beispielsweise eine effiziente und eine
möglichst lange Lebensdauer des Speichers ermöglichende, Ladestrategie aufzufinden.
Diese Aufgabe wird erfindungsgemäß gelöst durch eine Vorrichtung gemäß Anspruch 1
sowie ein Verfahren gemäß Anspruch 18. Bei dieser erfindungsgemäßen Lösung ist
vorteilhaft, dass durch die Implementierung eines adaptiven Modells des Speichers,
welches selbsttätig fortlaufend anhand der im Betrieb erfassten Daten optimiert wird, zu
jedem Zeitpunkt eine möglichst optimale Beschreibung, Kenntnis und Vorhersage des
Speicherzustands ermöglicht wird und aufgrund dieser genauen und laufend
aktualisierten Kenntnisse des Speicherzustands die jeweils momentan günstigste
Ladestrategie gewählt werden kann.
Vorzugsweise wird das adaptive Modell mittels neuronaler Netzer und/oder einer
Fuzzy-Logik implementiert.
Weitere bevorzugte Ausgestaltungen der Erfindung sind in den Unteransprüchen
beschrieben.
Im folgenden wird die Erfindung anhand der beigefügten Zeichnungen beispielhaft
näher erläutert, wobei:
Fig. 1 schematisch das Konzept eines erfindungsgemäßen Ladesystems zeigt;
Fig. 2 schematisch den Aufbau des Lademoduls eines erfindungsgemäßen
Ladesystems zeigt;
Fig. 3 schematisch den Aufbau eines Steuer- und Vorhersage-Moduls eines
erfindungsgemäßen Ladesystems zeigt; und
Fig. 4 schematisch ein Beispiel für den Datenfluss bei einem adaptiven Modell, wie
es bei einem erfindungsgemäßen Ladesystem verwendet wird, zeigt.
In Fig. 1 ist schematisch die Gesamtkonzeption eines Ladesystems dargestellt, wobei
ein wiederaufladbarer Speicher 10 für elektrische Energie einen Verbraucher 12 mit
elektrischer Energie versorgt. Ein Lademodul 14 ist vorgesehen, um elektrische
Leistung zum Aufladen des Speichers 10 bereitzustellen. Ein kombiniertes Steuer- und
Vorhersage-Modul 16 dient dazu, anhand von verfügbaren Daten bezüglich der Historie
und Gegenwart des Speichers 10 Prognosen über den gegenwärtigen Zustand und
zukünftige Zustände des Speichers 10 zu erstellen, welche verwendet werden, um die
aktuelle Ladestrategie für den Speicher 10 auszuwählen und das Lademodul 14
entsprechend zu steuern.
Bei der Inbetriebnahme des Speichers 10 ist das Steuer- und Vorhersage-Modul 16 auf
Daten angewiesen, welche beispielsweise bei der Fertigung des Speichers 10 ermittelt
wurden und den Zustand des Speichers 10 vor der Inbetriebnahme beschreiben. Im
Betrieb sammelt das Modul 16 dann fortlaufend aktuelle Messdaten, d. h. den aus dem
Energiespeicher 10 entnommenen bzw. ihm zugeführten Strom, die Spannung des
Energiespeichers 10 sowie daraus ableitbare Größen, insbesondere die zeitliche
Änderung von Strom und Spannung, wobei diese erfassten Daten in die Prognosen
einfließen, um diese zu aktualisieren und zu optimieren. Für die Datenerfassung ist
dabei ein Datenerfassungsmodul 22 vorgesehen, welches in Fig. 1 nicht gezeigt ist.
Ein wesentlicher Aspekt besteht darin, dass die Prognosen des Vorhersage-Moduls 16
mittels eines adaptiven Modells erstellt werden, wobei das Modell so ausgebildet ist,
dass es fortlaufend anhand der im Betrieb von dem Datenerfassungsmodul erfassten
Messdaten optimiert wird. Das adaptive Modell basiert vorzugsweise auf einer
sogenannten Neuro-Fuzzy-Logik, wie dies nachfolgend näher erläutert wird. Die
Information bezüglich der Betriebs-Historie des Speichers 10 steckt somit in der
fortlaufenden Verbesserung des Modells für den speziellen Speicher 10 durch die
fortlaufende Adaption über die aktuellen Messwerte, so dass die Betriebs-Historie des
Speichers 10 bei der Erstellung von Zustandsprognosen automatisch berücksichtigt
wird.
Ferner ist eine in Fig. 1 mit 18 angedeutete Schnittstelle vorgesehen, damit einerseits
von dem Vorhersage-Modul 16 ermittelte Prognosen bezüglich des Energiespeichers 10
ausgegeben werden können und andererseits der Benutzer auf das Ladesystem zugreifen
kann, um beispielsweise eine Not-Aus-Funktion zu realisieren oder spezielle
aktualisierte Daten bezüglich des Energiespeichers 10 einzugeben, damit diese von dem
adaptiven Modell berücksichtigt werden können.
Die vorliegende Erfindung ist nicht auf bestimmte Energiespeicher-Typen beschränkt.
So können elektrochemische Akkumulatoren, wie beispielsweise NiCd-, NiMH-, Li-
Ionen-, Li-, Pb-, AgMH-, Zn/MnO2-Zellen, Brennstoffzellen, wie beispielsweise AFC
(Alkali-Brennstoffzelle), PEM (Polymerelektrolyt-Brennstoffzelle), DMFC
(Direktmethanol-Brennstoffzelle), PAFC (Phosphorsäure-Brennstoffzelle), MCFC
(Flüssigkarbonat-Brennstoffzelle), SOFC (Feststoffoxid-Brennstoffzelle), passive
Bauelemente, wie beispielsweise spezielle Kondensatoren, sowie Kombinationen daraus
verwendet werden.
In Fig. 2 ist ein Beispiel für den Aufbau des Lademoduls 14 schematisch dargestellt.
Eine Steuerlogik 40 steuert die Ausgabe des Lademoduls 14 an den Energiespeicher 10,
indem sie über einen Treiber/Limiter 42, der eine Abschaltmöglichkeit aufweist, den
Fluß an elektrischer Leistung steuert, der über eine Energieschnittstelle 44, die
leitungsgebunden oder leitungsungebunden sein kann, bereitgestellt wird. Zum
Erzeugen der Steuersignale für den Treiber/Limiter sind ein Gleichstromgenerator 46,
ein Wechselstromgenerator 48, ein Frequenzsynthesizer 50, ein Modulator 52, ein
Addierer 54 sowie ein Schalter 56 vorgesehen. Der Schalter 56 ist beispielsweise für
gepulste Signale oder zum Abschalten vorgesehen. Der Gleichstromgenerator 46, der
Wechselstromgenerator 48, der Frequenzsynthesizer 50 sowie der Schalter 56 werden
direkt von der Steuerlogik 40 angesteuert. Das Lademodul ist für große Flexibiltät
ausgelegt und kann DC- und AC-Signale mit konstantem Strom oder konstanter
Spannung liefern, die gepulst und/oder moduliert sein können.
Fig. 3 zeigt schematisch ein Beispiel für den Aufbau des Steuer- und Vorhersage-
Moduls 16. Den Kern bildet dabei eine mit 20 bezeichnete Neuro-Fuzzy-Logik, die so
gestaltet sein kann, dass das Auffinden der Zugehörigkeitsfunktionen und der Regeln
mittels eines oder mehrerer neuronaler Netze erfolgt. Beispiele für die Anwendung einer
Neuro-Fuzzy-Logik finden sich in dem eingangs erwähnten Artikel von Salkind et al. Es
existieren vielfältige Software-Toolboxen für neuronale Netze und Fuzzy-Logik, z. B. in
der Programmiersprache Matlab, wobei viele dieser Toolboxen aus dem Internet
bezogen werden können. Darunter befindet sich auch eine Anzahl von Toolboxen, die
eine kombinierte Verwendung einer Fuzzy-Logik und neuronaler Netze im Sinne einer
Neuro-Fuzzy-Logik erlauben. Insbesondere kann auch eine hybride Neuro-Fuzzy-Logik
verwendet werden, die beispielsweise zweistufig ausgebildet sein kann, wobei die
Eingangsdaten beispielsweise in zwei unterschiedliche Neuro-Fuzzy-Logiken
eingespeist werden und die Ausgangswerte derselben in eine dritte Neuro-Fuzzy-Logik
als Eingangswerte eingespeist werden, wobei deren Ausgangswerte letztlich das
gewünschte Ergebnis liefern. Ein Beispiel für ein Hybridsystem ist in K. M. Bossley,
Neurofuzzy Modelling Approaches in System Identification, Ph. D. Thesis. University
of Southampton, Department of Electronics and Computer Science, 1997 zu finden.
Eine wesentliche Aufgabe des Vorhersage-Moduls 16 besteht darin, aus bekannten
Daten für den Energiespeicher 10, welche die Betriebsgeschichte desselben
wiedergeben, Prognosen bezüglich des gegenwärtigen Speicherzustands sowie
bezüglich der Entwicklung des Speicherzustands in der Zukunft zu gewinnen. Dabei
soll aus den vorhandenen Datensätzen eine möglichst zutreffende Prognose geleistet
werden. Hierbei ist zu berücksichtigen, dass beispielsweise bei Akkumulatoren im Lauf
des Betriebs Veränderungen der Eigenschaften des Akkumulators eintreten, die sich nur
langsam entwickeln und in sehr kleinen Größenordnungen bewegen, wie beispielsweise
Korrosionsreaktionen oder langsame Veränderungen der mechanischen und
geometrischen Eigenschaften. Die üblicherweise verwendeten einfachen analytische
Akkumulator-Modelle sind nicht in der Lage, solche Veränderungen der Akkumulator-
Eigenschaften hinreichend genau zu modellieren. Insbesondere sind sie nicht in der
Lage, aus den leicht zugänglichen Messgrößen, d. h. Spannungs-, Strom- und
Temperaturverlauf, die Veränderungen der internen Akkumulator-Eigenschaften
analytisch nachzubilden. Aus diesem Grund wird vorliegend auf eine solche analytische
Beschreibung verzichtet und statt dessen versucht, mittels eines selbstlernenden Modells
direkt aus möglichst vielen zur Verfügung stehenden Daten bezüglich der Geschichte
des Energiespeichers eine Prognose in die Zukunft mit hinreichender Genauigkeit zu
erzielen, um beispielsweise einerseits die Lebensdauer des Energiespeichers
vorherzusagen oder andererseits beispielsweise die optimale Ladestrategie auszuwählen,
welche beispielsweise zu einem möglichst schnellen Laden oder zu einem möglichst
schonenden Laden oder einem möglichst energieeffizienten Laden des Energiespeichers
führt. Unter Berücksichtigung der langfristigen Lebensdauer-Prognose kann dabei
beispielsweise die Ladestrategie so gewählt werden, dass die Lebensdauer-Erwartung
des Energiespeichers optimiert wird.
Vor Inbetriebnahme eines speziellen Energiespeichers 10 stehen noch keine Daten zur
Verfügung, die im Betrieb dieses speziellen Energiespeichers 10 gemessen wurden. Aus
diesem Grund kann die Neuro-Fuzzy-Logik 20 zu diesem Zeitpunkt nur Daten
verwenden, die den Zustand des Speichers 10 vor Inbetriebnahme beschreiben. Dies
können einerseits Typ-Daten, d. h. Daten, die spezifisch für den Typ des
Energiespeichers 10 sind, sein oder für den speziellen Energiespeicher 10 spezifische
Daten, wie beispielsweise Daten, die bei der Fertigung des Energiespeichers 10 ermittelt
wurden. Dabei handelt es sich um physikalische oder chemische Daten, beispielsweise
die Masse, Abmessungen bzw. geometrische Kenngrößen, die Porosität und
Korngrößen einschließlich deren räumlichen Verteilungen sowie elektrische Kenndaten
wie die frequenzabhängige Impedanz des Speichers 10. Zusätzlich wird eine
Startkonfiguration der Neuro-Fuzzy-Logik 20 voreingestellt. Sobald der Betrieb des
Energiespeichers 10 aufgenommen wurde, kann das Vorhersage-Modul 16 mittels eines
Messmoduls 22 aktuelle Messdaten, beispielsweise für den Strom von oder zu dem
Speicher 10 sowie die an den Speicheranschlüssen anliegende Spannung, jeweils in
Abhängigkeit von der Zeit, gewinnen, welche als Datensätze zur späteren Verwendung
in einem Datenspeicher 24 abgespeichert werden. Anhand der so aufgezeichneten
Betriebsgeschichte des Speichers 10 wird die Neuro-Fuzzy-Logik 20 einem
regelmäßigen Nachtraining unterzogen, um die Vorhersage-Genauigkeit für den
speziellen Energiespeicher 10 laufend zu verbessern, d. h. das Modell des Speichers 10
wird mit zunehmender Betriebsdauer genauer.
Ein wesentlicher Aspekt der Erfindung besteht darin, dass auf diese Weise nicht nur
aktuelle Messwerte für Prognosen bezüglich des Speicherzustands verwendet werden,
sondern möglichst die gesamte Betriebsgeschichte des Speichers 10. Dies erlaubt erst
langfristige Prognosen in die Zukunft, beispielsweise bezüglich der Lebensdauer des
Speichers 10.
Zweckmäßigerweise werden die gewonnenen Messdatensätze vor der Verarbeitung
durch die Neuro-Fuzzy-Logik 20 einer Aufbereitung unterzogen. Dabei kann
beispielsweise eine Wavelet-Transformation verwendet werden, um Rauschen zu
eliminieren und ohne wesentlichen Genauigkeitsverlust eine Datenkompression
vorzunehmen. Es können jedoch auch statistische Verfahren verwendet werden.
Ausgangsseitig bedient die Neuro-Fuzzy-Logik 20 ein Aktionsprediktor-Modul 26
sowie ein Informationsprediktor-Modul 28. Das Aktionsprediktor-Modul 26 dient dazu,
die Prognosen der Neuro-Fuzzy-Logik 20 in eine kurz- und langfristige Steuerung des
Lademoduls 14 umzusetzen, wobei beispielsweise eine solche Ladestrategie gewählt
werden kann, dass die Lebenserwartung des Energiespeichers 10 optimiert wird. Das
Informationsprediktor-Modul 28 dient als Schnittstelle 18 mit dem Benutzer, um
beispielsweise die aktuelle Prognose für die Lebenserwartung des Energiespeichers 10
und Hilfestellung für dessen Pflege oder die bis zum nächsten erforderlichen
Ladevorgang noch verbleibende Zeit bei der momentanen Belastung durch den
Verbraucher 12 auszugeben. Ferner kann beispielsweise ausgegeben werden, wie lange
der Ladevorgang noch dauert. Andererseits kann der Benutzer über diese Schnittstelle
auch die Steuerung des Lademoduls 14 beeinflussen, beispielsweise indem er ein Not-
Aus-Signal eingibt. Ferner kann der Benutzer auch beispielsweise aktualisiertes
Expertenwissen bezüglich des verwendeten Energiespeicher-Typs eingeben, was
besonders von Interesse ist, wenn die Lebensdauer des Energiespeichers 10 sich über
viele Jahre erstreckt.
Bei dem Energiespeicher 10 handelt es sich vorzugsweise um den
Energieversorgungsteil eines Implantats in den menschlichen Körper, beispielsweise ein
Hörsystem. Hierbei erfolgt das Laden des Energiespeichers durch transkutanes
Übermitteln von elektrischer Energie, welche von einem Energie-Sendeteil des
Lademoduls 14 an ein entsprechendes Energie-Empfangsteil des Energiespeichers 10
ausgesendet wird. Bei einem solchen System ist es besonders wichtig, einerseits den
aktuellen Ladezustand des Energiespeichers zu kennen und andererseits auch eine
zuverlässige Prognose über dessen Gesamtlebensdauer zur Verfügung zu haben.
Fig. 4 stellt den Datenfluss der Neuro-Fuzzy-Logik 20 des Vorhersage-Moduls 16
schematisch dar. Für das Trainieren der Neuro-Fuzzy-Logik 20 werden die zur
Verfügung stehenden Daten in Lerndaten, Validierungsdaten und Testdaten unterteilt. In
der ersten Stufe werden die Lerndaten in die Neuro-Fuzzy-Logik eingespeist und die
Parameter derselben so lange verändert, bis die entsprechenden zu den Eingangsdaten
zugehörigen Zielwerte möglichst gut reproduziert werden. Anhand der
Validierungsdaten kann dann eine Überprüfung des Lernerfolgs durchgeführt werden.
Das Lernen und Validieren kann jedoch auch gleichzeitig erfolgen. Anhand der
Testdaten schließlich kann eine endgültige Überprüfung des Modells vorzugenommen
werden.
Das Ermitteln der initialen Parameter der Neuro-Fuzzy-Logik kann auch extern erfolgen
und dann in die Laderegelung übertragen werden.
Claims (18)
1. Vorrichtung zum Betreiben eines wiederaufladbaren Speichers (10) für elektrische
Energie, mit:
einem Lademodul (14) zum Bereitstellen von elektrischer Leistung zum Aufladen des Speichers;
einem Datenerfassungsmodul (22), das im Betrieb fortlaufend aktuelle Betriebsparameter (U(t), I(t)) des Speichers erfasst;
einem Vorhersagemodul (16), in welchem ein adaptives Modell (20) implementiert ist, das aus den Zustand des Speichers vor der Inbetriebnahme beschreibenden Daten und den im Betrieb erfassten Daten sowie optional aus weiterem Expertenwissen Prognosen über zukünftige Zustände des Speichers ableitet, wobei das Modell so ausgebildet ist, dass es selbsttätig fortlaufend anhand der im Betrieb erfassten Daten sowie optional anhand von weiterem Expertenwissen optimierbar ist;
einem Datenspeicher (24); und
einem Steuermodul (26) zum Steuern des Lademoduls, wobei das Steuermodul so ausgebildet ist, dass es die aktuelle Ladestrategie für den Speicher in Abhängigkeit von den aus dem Modell abgeleiteten Prognosen und den aktuell erfassten Betriebsparametern des Speichers wählt.
einem Lademodul (14) zum Bereitstellen von elektrischer Leistung zum Aufladen des Speichers;
einem Datenerfassungsmodul (22), das im Betrieb fortlaufend aktuelle Betriebsparameter (U(t), I(t)) des Speichers erfasst;
einem Vorhersagemodul (16), in welchem ein adaptives Modell (20) implementiert ist, das aus den Zustand des Speichers vor der Inbetriebnahme beschreibenden Daten und den im Betrieb erfassten Daten sowie optional aus weiterem Expertenwissen Prognosen über zukünftige Zustände des Speichers ableitet, wobei das Modell so ausgebildet ist, dass es selbsttätig fortlaufend anhand der im Betrieb erfassten Daten sowie optional anhand von weiterem Expertenwissen optimierbar ist;
einem Datenspeicher (24); und
einem Steuermodul (26) zum Steuern des Lademoduls, wobei das Steuermodul so ausgebildet ist, dass es die aktuelle Ladestrategie für den Speicher in Abhängigkeit von den aus dem Modell abgeleiteten Prognosen und den aktuell erfassten Betriebsparametern des Speichers wählt.
2. Vorrichtung nach Anspruch 1, dadurch gekennzeichnet, dass das adaptive Modell
(22) auf einem oder mehreren neuronalen Netzen und/oder einer Fuzzy-Logik
basiert.
3. Vorrichtung nach Anspruch 2, dadurch gekennzeichnet, dass das adaptive Modell
(22) auf einer Neuro-Fuzzy-Logik basiert, bei welcher das Auffinden der
Zugehörigkeitsfunktionen und der Regeln mittels eines oder mehrerer neuronaler
Netze erfolgt und aus Daten und Expertenwissen erlernt wird.
4. Vorrichtung nach Anspruch 3, dadurch gekennzeichnet, dass die Neuro-Fuzzy-
Logik (22) mehrstufig aufgebaut ist.
5. Vorrichtung nach Anspruch 3 oder 4, dadurch gekennzeichnet, dass die Neuro-
Fuzzy-Logik (22) vor Inbetriebnahme des Speichers (10) anhand der den Zustand
des Speichers bei Inbetriebnahme beschreibenden Daten initialisiert und anhand
der im Betrieb erfassten Daten sowie anhand von aktualisiertem Expertenwissen
nachtrainiert wird.
6. Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass es sich bei den den Zustand des Speichers (10) bei Inbetriebnahme
beschreibenden Daten um Fertigungsdaten des Speichers und/oder typspezifische
Daten und/oder sonstige vorhandene Erfahrungswerte bzgl. des Speichers handelt.
7. Vorrichtung nach Anspruch 6, dadurch gekennzeichnet, dass es sich bei den
Fertigungsdaten des Speichers (10) beispielsweise um die Masse, die
Abmessungen bzw. geometrische Kenngrößen, die Porosität und Korngrößen
einschließlich deren räumlichen Verteilungen sowie elektrische Kenndaten wie
die frequenzabhängige Impedanz des Speichers handelt.
8. Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass eine Kommunikationsschnittstelle (18, 28) mit dem Benutzer vorgesehen ist.
9. Vorrichtung nach Anspruch 8, dadurch gekennzeichnet, dass über die
Kommunikationsschnittstelle (18, 28) von dem Benutzer Informationen zur
Berücksichtigung durch das Vorhersagemodul (16) eingegeben werden können.
10. Vorrichtung nach Anspruch 8 oder 9, dadurch gekennzeichnet, dass über die
Kommunikationsschnittstelle (18, 28) von dem Vorhersagemodul (16) ermittelte
Prognosen, beispielsweise hinsichtlich der noch bis zum nächsten erforderlichen
Ladevorgang verbleibenden Zeit oder der Lebensdauer des Speichers (10),
Ladeanweisungen und/oder andere Systeminformationen ausgegeben werden.
11. Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass das Vorhersagemodul zur Prognostizierung der Lebensdauer des Speichers
(10) ausgelegt ist und die Ladestrategie so gewählt wird, dass die von dem
Vorhersagemodul prognostizierte Lebensdauer des Speichers optimiert wird.
12. Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass die von dem Vorhersagemodul (16) für das Modell (22) verwendeten Daten
aufbereitet werden.
13. Vorrichtung nach Anspruch 12, dadurch gekennzeichnet, dass die von dem
Vorhersagemodul (16) für das Modell (22) verwendeten Daten einer Wavelet-
Transformation unterzogen werden, um die Datenmenge zu reduzieren.
14. Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass es sich bei den erfassten Betriebsparametern des Speichers (22) um die
aktuelle Spannung (U(t)) des Speichers (10) und den aktuellen Strom (I(t)) im
Speicherkreis und den Messzeitpunkt (t) handelt.
15. Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass der Speicher (10) einen Energieempfangsteil aufweist und einen Teil eines
Implantats bildet, wobei das Lademodul (14) einen Energiesender aufweist, um
den Speicher durch transkutanes Übermitteln von elektrischer Energie an das
Empfangsteil aufzuladen.
16. Vorrichtung nach Anspruch 15, dadurch gekennzeichnet, dass es sich bei dem
Implantat um ein Hörsystem handelt.
17. Vorrichtung nach einem der vorhergehenden Ansprüche, dadurch gekennzeichnet,
dass es sich bei dem Speicher (10) um einen NiCd-, Ni-Metallhydrid-, Li- oder Li-
Ionen-Akkumulator handelt.
18. Verfahren zum Betreiben eines wiederaufladbaren Speichers (10) für elektrische
Energie, wobei:
Daten bereitgestellt werden, die den Zustand des Speichers vor der Inbetriebnahme beschreiben;
im Betrieb fortlaufend aktuelle Betriebsparameter des Speichers erfasst werden;
ein adaptives Modell (22) gebildet wird, um aus den den Zustand des Speichers vor der Inbetriebnahme beschreibenden Daten und den im Betrieb erfassten Daten Prognosen über zukünftige Zustände des Speichers abzuleiten, wobei das Modell selbsttätig fortlaufend anhand der im Betrieb erfassten Daten optimiert wird; und
die aktuelle Ladestrategie für den Speicher in Abhängigkeit von den aus dem Modell abgeleiteten Prognosen und den aktuell erfassten Betriebsparametern des Speichers gewählt wird.
Daten bereitgestellt werden, die den Zustand des Speichers vor der Inbetriebnahme beschreiben;
im Betrieb fortlaufend aktuelle Betriebsparameter des Speichers erfasst werden;
ein adaptives Modell (22) gebildet wird, um aus den den Zustand des Speichers vor der Inbetriebnahme beschreibenden Daten und den im Betrieb erfassten Daten Prognosen über zukünftige Zustände des Speichers abzuleiten, wobei das Modell selbsttätig fortlaufend anhand der im Betrieb erfassten Daten optimiert wird; und
die aktuelle Ladestrategie für den Speicher in Abhängigkeit von den aus dem Modell abgeleiteten Prognosen und den aktuell erfassten Betriebsparametern des Speichers gewählt wird.
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10012964A DE10012964A1 (de) | 2000-03-16 | 2000-03-16 | Vorrichtung und Verfahren zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie |
DE50014798T DE50014798D1 (de) | 2000-03-16 | 2000-09-05 | Vorrichtung zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie |
EP00119190A EP1134868B1 (de) | 2000-03-16 | 2000-09-05 | Vorrichtung zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie |
US09/809,087 US6392386B2 (en) | 2000-03-16 | 2001-03-16 | Device and process for operating a rechargeable storage for electrical energy |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE10012964A DE10012964A1 (de) | 2000-03-16 | 2000-03-16 | Vorrichtung und Verfahren zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie |
Publications (1)
Publication Number | Publication Date |
---|---|
DE10012964A1 true DE10012964A1 (de) | 2001-10-04 |
Family
ID=7635051
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE10012964A Withdrawn DE10012964A1 (de) | 2000-03-16 | 2000-03-16 | Vorrichtung und Verfahren zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie |
DE50014798T Expired - Lifetime DE50014798D1 (de) | 2000-03-16 | 2000-09-05 | Vorrichtung zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE50014798T Expired - Lifetime DE50014798D1 (de) | 2000-03-16 | 2000-09-05 | Vorrichtung zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie |
Country Status (3)
Country | Link |
---|---|
US (1) | US6392386B2 (de) |
EP (1) | EP1134868B1 (de) |
DE (2) | DE10012964A1 (de) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102012204828A1 (de) * | 2012-03-26 | 2013-09-26 | Continental Automotive Gmbh | Steuern eines Niedervolt- und eines Hochvolt-Bordnetzes in einem elektromobilen Kraftfahrzeug |
EP1601231B2 (de) † | 2004-05-21 | 2019-03-20 | Sivantos GmbH | Hörhilfegerät oder Hörgerätesystem mit akustischer Batterieanzeige |
Families Citing this family (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6456988B1 (en) * | 1997-03-12 | 2002-09-24 | U.S. Nanocorp Inc. | Method for determining state-of-health using an intelligent system |
US6879809B1 (en) * | 1998-04-16 | 2005-04-12 | Motorola, Inc. | Wireless electrostatic charging and communicating system |
US6928371B1 (en) * | 2000-02-08 | 2005-08-09 | Paul T. Roshau | Monitoring system of VRLA battery capacitance |
AU2001286433A1 (en) * | 2000-08-11 | 2002-02-25 | Nisource Energy Technologies | Energy management system and methods for the optimization of distributed generation |
DE112004000227T5 (de) | 2003-02-04 | 2006-01-19 | Hydrogenics Corp., Mississauga | System und Verfahren zum Messen eines inneren Widerstands elektrochemischer Vorrichtungen |
US20040202900A1 (en) * | 2003-04-09 | 2004-10-14 | Pavio Jeanne S. | Dual power source switching control |
KR100793616B1 (ko) * | 2005-06-13 | 2008-01-10 | 주식회사 엘지화학 | 배터리 잔존량 추정 장치 및 방법 |
KR100911316B1 (ko) * | 2007-08-23 | 2009-08-11 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
KR100936892B1 (ko) * | 2007-09-13 | 2010-01-14 | 주식회사 엘지화학 | 배터리의 장기 특성 예측 시스템 및 방법 |
US20090112395A1 (en) * | 2007-10-31 | 2009-04-30 | Toyota Motor Engineering & Manufacturing North America, Inc.. | System for detecting a battery malfunction and performing battery mitigation for an hev |
CN101656425B (zh) * | 2009-06-23 | 2011-07-20 | 南京师范大学 | 电动车蓄电池远距离充电装置 |
DE102009042193A1 (de) * | 2009-09-18 | 2011-03-31 | Bayerische Motoren Werke Aktiengesellschaft | Verfahren zur Schätzung des Innenwiderstands- bzw. Impedanzwerts einer Batterie |
US8594806B2 (en) | 2010-04-30 | 2013-11-26 | Cyberonics, Inc. | Recharging and communication lead for an implantable device |
US9316699B2 (en) | 2012-04-05 | 2016-04-19 | Samsung Sdi Co., Ltd. | System for predicting lifetime of battery |
US9343923B2 (en) | 2012-08-23 | 2016-05-17 | Cyberonics, Inc. | Implantable medical device with backscatter signal based communication |
US9935498B2 (en) | 2012-09-25 | 2018-04-03 | Cyberonics, Inc. | Communication efficiency with an implantable medical device using a circulator and a backscatter signal |
JP6277864B2 (ja) * | 2014-05-26 | 2018-02-14 | 株式会社デンソー | 電池内部状態推定装置 |
WO2016001931A1 (en) * | 2014-07-02 | 2016-01-07 | Humavox Ltd. | Cloud based power management system for electronic devices |
US10288548B2 (en) * | 2015-04-17 | 2019-05-14 | Hamilton Sundstrand Corporation | Wavelet-based analysis for fouling diagnosis of an aircraft heat exchanger |
RU2624640C1 (ru) * | 2016-04-25 | 2017-07-05 | ФЕДЕРАЛЬНОЕ ГОСУДАРСТВЕННОЕ КАЗЕННОЕ ВОЕННОЕ ОБРАЗОВАТЕЛЬНОЕ УЧРЕЖДЕНИЕ ВЫСШЕГО ОБРАЗОВАНИЯ "Военная академия Ракетных войск стратегического назначения имени Петра Великого" МИНИСТЕРСТВА ОБОРОНЫ РОССИЙСКОЙ ФЕДЕРАЦИИ | Устройство регулирования балластной нагрузкой аккумуляторных батарей на основе искусственной нейронечеткой сети |
KR20200117794A (ko) * | 2019-04-05 | 2020-10-14 | 주식회사 엘지화학 | 배터리 관리 장치 및 방법 |
DE102019208071A1 (de) * | 2019-06-04 | 2020-12-10 | Robert Bosch Gmbh | Verfahren und Vorrichtung zur Durchführung einer Ladestrategie für Energiespeicher |
CN114509637B (zh) * | 2022-04-19 | 2022-08-16 | 深圳市森树强电子科技有限公司 | 一种充电器充放电评估方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE58907791D1 (de) | 1988-03-11 | 1994-07-07 | Gerhard Wiesspeiner | Verfahren und schaltungsvarianten zum laden von akkumulatoren. |
DE4104359A1 (de) * | 1991-02-13 | 1992-08-20 | Implex Gmbh | Ladesystem fuer implantierbare hoerhilfen und tinnitus-maskierer |
US5714866A (en) * | 1994-09-08 | 1998-02-03 | National Semiconductor Corporation | Method and apparatus for fast battery charging using neural network fuzzy logic based control |
FR2740555A1 (fr) * | 1995-10-31 | 1997-04-30 | Philips Electronique Lab | Systeme de controle des cycles de charge-decharge d'une batterie rechargeable, et dispositif hote muni d'une batterie intelligente |
FR2740554A1 (fr) * | 1995-10-31 | 1997-04-30 | Philips Electronique Lab | Systeme de controle de la phase de decharge des cycles de charge-decharge d'une batterie rechargeable, et dispositif hote muni d'une batterie intelligente |
US5739672A (en) * | 1996-05-08 | 1998-04-14 | United Continental | Method and apparatus for charging batteries |
US6064180A (en) * | 1996-10-29 | 2000-05-16 | General Motors Corporation | Method and apparatus for determining battery state-of-charge using neural network architecture |
WO1998040925A1 (en) * | 1997-03-12 | 1998-09-17 | Us Nanocorp. | A method for determining state-of-charge using an intelligent system |
-
2000
- 2000-03-16 DE DE10012964A patent/DE10012964A1/de not_active Withdrawn
- 2000-09-05 DE DE50014798T patent/DE50014798D1/de not_active Expired - Lifetime
- 2000-09-05 EP EP00119190A patent/EP1134868B1/de not_active Expired - Lifetime
-
2001
- 2001-03-16 US US09/809,087 patent/US6392386B2/en not_active Expired - Lifetime
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1601231B2 (de) † | 2004-05-21 | 2019-03-20 | Sivantos GmbH | Hörhilfegerät oder Hörgerätesystem mit akustischer Batterieanzeige |
DE102012204828A1 (de) * | 2012-03-26 | 2013-09-26 | Continental Automotive Gmbh | Steuern eines Niedervolt- und eines Hochvolt-Bordnetzes in einem elektromobilen Kraftfahrzeug |
DE102012204828B4 (de) * | 2012-03-26 | 2021-03-18 | Vitesco Technologies GmbH | Steuern eines Niedervolt- und eines Hochvolt-Bordnetzes in einem elektromobilen Kraftfahrzeug |
Also Published As
Publication number | Publication date |
---|---|
US20010022509A1 (en) | 2001-09-20 |
DE50014798D1 (de) | 2008-01-03 |
EP1134868A2 (de) | 2001-09-19 |
EP1134868B1 (de) | 2007-11-21 |
US6392386B2 (en) | 2002-05-21 |
EP1134868A3 (de) | 2003-10-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1134868B1 (de) | Vorrichtung zum Betreiben eines wiederaufladbaren Speichers für elektrische Energie | |
DE102019111979A1 (de) | Charakterisierung von wiederaufladbaren Batterien | |
AT521643B1 (de) | Verfahren und Batteriemanagementsystem zum Ermitteln eines Gesundheitszustandes einer Sekundärbatterie | |
DE102017125274B3 (de) | Verfahren zur Erfassung des Gesundheitszustands einer Batterie, zugehörige Einrichtung, zugehöriges System und Speichermedium | |
DE102020215297A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren | |
DE102011054374A1 (de) | Fahrzeug-Batteriepack | |
DE102013105119A1 (de) | Verfahren und Vorrichtung zum Laden von wiederaufladbaren Zellen | |
DE102017222975A1 (de) | Steuervorrichtung, Gleichgewichtskorrekturvorrichtung, elektrisches Speichersystem und Einrichtung | |
DE60211520T2 (de) | Anordnung zur Steuerung des Betriebs eines physikalischen Systems wie zum Beispiel einer Brennstoffzelle in elektrischen Fahrzeugen | |
EP3978306A1 (de) | Verfahren und vorrichtung zur maschinenindividuellen verbesserung der lebensdauer einer batterie in einer batteriebetriebenen maschine | |
DE112021004361T5 (de) | Methoden und Systeme für die In-Situ-Impedanzspektroskopie-Analye von Batteriezellen in Multi-Cell-Betteriepaketen | |
DE102020212299A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren | |
DE102019217299A1 (de) | Verfahren zur Prädiktion eines Alterungszustands einer Batterie | |
DE102021203729A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern unter Nutzung von rekonstruierten Zeitreihensignalen mithilfe von maschinellen Lernverfahren | |
DE102022202882A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster | |
EP3974246A1 (de) | Verfahren und vorrichtung zur robusten vorhersage des alterungsverhaltens eines energiespeichers in einer batteriebetriebenen maschine | |
WO2016012196A1 (de) | Verfahren zum betreiben einer sekundärbatterie | |
DE102022208932A1 (de) | Verfahren und Vorrichtung zur prädiktiven Diagnose einer Gerätebatterie eines technischen Geräts mithilfe eines Transformer-Modells | |
DE102021207467A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Konfidenzintervallen von Alterungszuständen von elektrischen Energiespeichern für mindestens ein Gerät mithilfe von maschinellen Lernverfahren | |
DE102013206612A1 (de) | Verfahren und Vorrichtung zum Bestimmen einer Zustandsgröße einer Batteriezelle | |
DE102020212234A1 (de) | Verfahren und Vorrichtung zur Bestimmung eines Alterungszustands eines elektrischen Energiespeichers unbekannten Typs mithilfe maschineller Lernverfahren | |
DE112020001752T5 (de) | Verfahren zur Schätzung eines Ladezustands einer Sekundärbatterie, System zur Schätzung einesLadezustands einer Sekundärbatterie und Verfahren zur Anomalie-Erkennung einer Sekundärbatterie | |
DE102019119736A1 (de) | System und Verfahren zur Bestimmung eines Ladezustands einer elektrischen Batterie | |
WO2020048873A1 (de) | Verfahren zur ermittlung einer umgebungstemperatur einer ersten elektrischen energiespeichereinheit im verbund mit zweiten elektrischen energiespeichereinheiten sowie entsprechende vorrichtung, computerprogramm und maschinenlesbares speichermedium | |
DE102019215054A1 (de) | Ladevorrichtung und Verfahren zum Laden eines elektrischen Energiespeichers |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
OP8 | Request for examination as to paragraph 44 patent law | ||
8127 | New person/name/address of the applicant |
Owner name: COCHLEAR LTD., LANE COVE, NEUSUEDWALES, AU |
|
8128 | New person/name/address of the agent |
Representative=s name: SCHWAN SCHWAN SCHORER, 81739 MUENCHEN |
|
R016 | Response to examination communication | ||
R119 | Application deemed withdrawn, or ip right lapsed, due to non-payment of renewal fee |