DE102020206592A1 - Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers - Google Patents
Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers Download PDFInfo
- Publication number
- DE102020206592A1 DE102020206592A1 DE102020206592.6A DE102020206592A DE102020206592A1 DE 102020206592 A1 DE102020206592 A1 DE 102020206592A1 DE 102020206592 A DE102020206592 A DE 102020206592A DE 102020206592 A1 DE102020206592 A1 DE 102020206592A1
- Authority
- DE
- Germany
- Prior art keywords
- aging
- vehicle
- predicted
- aging condition
- electrical energy
- 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
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
Die Erfindung betrifft ein computerimplementiertes Verfahren zum Betreiben eines Kraftfahrzeugs (4), insbesondere eines elektrisch antreibbaren Kraftfahrzeugs, abhängig von einem prädizierten Alterungszustand eines elektrischen Energiespeichers, insbesondere einer Fahrzeugbatterie, mit folgenden Schritten:- Bereitstellen (S1) von Fahrzeugparametern (F), die den Alterungszustand des elektrischen Energiespeichers beeinflussen;- Prädizieren (S1) der Fahrzeugparameter (F') auf einen Prädiktionszeitpunkt;- Ermitteln (S2, S3) des prädizierten Alterungszustands abhängig von den prädizierten Fahrzeugparametern (F') mithilfe eines datenbasierten Alterungszustandsmodells, das trainiert ist, um abhängig von den Fahrzeugparametern (F) einen Alterungszustand des elektrischen Energiespeichers (41) auszugeben;- Signalisieren des prädizierten Alterungszustands (SOH).
Description
- Technisches Gebiet
- Die Erfindung betrifft elektrisch antreibbare Kraftfahrzeuge, insbesondere Elektrofahrzeuge oder Hybridfahrzeuge, und weiterhin Maßnahmen zur Bestimmung eines Alterungszustands (SOH: State of Health) eines elektrischen Energiespeichers.
- Technischer Hintergrund
- Die Energieversorgung von elektrisch antreibbaren Kraftfahrzeugen erfolgt mithilfe eines elektrischen Energiespeichers, in der Regel mit einer sogenannten Fahrzeugbatterie. Der Alterungszustand der Fahrzeugbatterie nimmt im Laufe ihrer Lebensdauer zusehends ab, was sich in einer abnehmenden Speicherkapazität auswirkt. Ein Maß der Alterung hängt vom Nutzungsverhalten ab.
- Zwar kann mithilfe eines physikalischen Alterungsmodells der momentane Alterungszustand basierend auf historischen Betriebszustandsverläufen bestimmt werden, jedoch ist es nicht möglich, den Alterungszustand zuverlässig zu prädizieren, z.B. um daraus eine Restlebensdauer der Fahrzeugbatterie abzuleiten. Die individuelle Belastung der Fahrzeugbatterie hängt vom Fahrzeugtyp und/oder vom Fahrverhalten eines Fahrers ab und hat entsprechend fahrzeugindividuellen Einfluss auf den Verlauf des Alterungszustands.
- Offenbarung der Erfindung
- Erfindungsgemäß sind ein Verfahren zum Betreiben eines Kraftfahrzeugs, insbesondere eines elektrisch antreibbaren Kraftfahrzeugs, abhängig von einem prädizierten Alterungszustand eines elektrischen Energiespeichers, insbesondere einer Fahrzeugbatterie gemäß Anspruch 1 sowie eine Vorrichtung und ein Antriebssystem gemäß den nebengeordneten Ansprüchen vorgesehen.
- Weitere Ausgestaltungen sind in den abhängigen Ansprüchen angegeben.
- Gemäß einem ersten Aspekt ist ein computerimplementiertes Verfahren zum Betreiben eines Kraftfahrzeugs, insbesondere eines elektrisch antreibbaren Kraftfahrzeugs, abhängig von einem prädizierten Alterungszustand eines elektrischen Energiespeichers, insbesondere einer Fahrzeugbatterie, vorgesehen, mit folgenden Schritten:
- - Bereitstellen von Fahrzeugparametern, die den Alterungszustand des elektrischen Energiespeichers beeinflussen;
- - Prädizieren der Fahrzeugparameter auf einen Prädiktionszeitpunkt;
- - Ermitteln des prädizierten Alterungszustands abhängig von den prädizierten Fahrzeugparametern mithilfe eines datenbasierten Alterungszustandsmodells, das trainiert ist, um abhängig von den Fahrzeugparametern einen Alterungszustand des elektrischen Energiespeichers auszugeben;
- - Signalisieren des prädizierten Alterungszustands.
- Der Alterungszustand eines wiederaufladbaren elektrischen Energiespeichers, insbesondere einer Fahrzeugbatterie, wird üblicherweise nicht direkt gemessen. Dies würde eine Reihe von Sensoren in der Fahrzeugbatterie erfordern, die die Herstellung einer solchen Batterie aufwendig machen und den Raumbedarf vergrößern würde. Zudem sind automotive-taugliche Verfahren zur Alterungszustandsbestimmung im Fahrzeug noch nicht auf dem Markt verfügbar. Daher wird der aktuelle Alterungszustand in der Regel mithilfe eines physikalischen Alterungsmodells ermittelt. Dieses physikalische Alterungsmodell ist sehr ungenau und weist Modellabweichungen von mehr als 5% auf. Aufgrund der Ungenauigkeit des physikalischen Alterungsmodells kann dieses zudem lediglich den momentanen Alterungszustand der Fahrzeugbatterie angeben. Eine Prädiktion des Alterungszustands, die insbesondere von dem Betrieb der Fahrzeugbatterie, wie z.B. von der Höhe und Menge des Ladungszuflusses und Ladungsabflusses, und damit von einem Fahrverhalten und von Fahrzeugparametern abhängt, würde zu sehr ungenauen Vorhersagen führen und ist derzeit nicht vorgesehen.
- Das obige Verfahren sieht nun eine fahrer- und fahrzeugindividuelle Prädiktion eines Alterungszustands des elektrischen Energiespeichers basierend auf einem datenbasierten Alterungszustandsmodell vor. Das datenbasierte Alterungszustandsmodell kann mithilfe von ausgewerteten Flottendaten erstellt werden.
- Es kann vorgesehen sein, dass das datenbasierte Alterungszustandsmodell als ein hybrides Modell ausgebildet ist, das einen modellierten Alterungszustand, der mithilfe eines physikalischen bzw. physikalisch motivierten Alterungsmodells ermittelt wird, mit einem Korrekturwert beaufschlagt, der sich aus einem datenbasierten Korrekturmodell ergibt, insbesondere durch Addition oder Multiplikation.
- Dazu kann das Alterungszustandsmodell eine hybride Architektur aufweisen, die das bisher bekannte physikalische Alterungsmodell für den Alterungszustand nutzt und dieses mit einem datenbasierten trainierbaren Korrekturmodell kombiniert. Das Korrekturmodell (Machine-Learning-Modell) kann dabei die Ungenauigkeiten des physikalischen Alterungsmodells ausgleichen. Je nach Wahl des Korrekturmodells können Vorhersageunsicherheiten durch eine quantifizierte Varianzvorhersage bewertet werden, wodurch eine Langzeitvorhersage für Belastungszustände des elektrischen Energiespeichers möglich wird.
- Im Kern des obigen Verfahrens steht die Prädiktion eines Alterungszustands mithilfe eines hybriden Alterungszustandsmodells, das das nutzbare physikalische Vorwissen und Flottendaten von einer Vielzahl von Fahrzeugen nutzt. Dabei ist das Korrekturmodell trainiert, um die Ungenauigkeiten des physikalischen Alterungsmodells auszugleichen, die aufgrund von individuellen Fahrzeugparametern, fahrerindividuellen Belastungsmustern oder zusätzlichen Umgebungseinflüssen auftreten können.
- Aufgrund der hohen Ungenauigkeit des physikalischen Modells für den Alterungszustand ist eine Prädiktion eines künftigen Alterungszustands des elektrischen Energiespeichers so ungenau, dass dieser nicht zur Bestimmung einer Lebensdauer bzw. eines Austauschzeitpunkts des elektrischen Energiespeichers verwendet werden kann. Durch die Verwendung des hybriden Alterungszustandsmodells kann eine kontinuierliche Korrektur des physikalisch modellierten Alterungszustands, der mithilfe des physikalischen Modells ermittelt wird, ermöglicht werden und somit die Berechnung des Alterungszustands, insbesondere eines Vorhersagewerts, kontinuierlich basierend auf den zur Verfügung stehenden Flottendaten adaptiert werden. Durch die Verwendung einer Zentraleinheit zur Berechnung des jeweiligen Alterungszustands können immer die aktuellsten Flottendaten berücksichtigt werden.
- Ein zusätzlicher Vorteil besteht darin, dass im Kraftfahrzeug ein prädizierter Alterungszustand bereitgestellt oder angegeben wird, dessen Wert aufgrund der Verwendung des hybriden Alterungszustandsmodells sich nicht sprunghaft verändern kann, da sich das Korrekturmodell bei unbekannten Fahrzeugparametersätzen bezüglich des Ergebnisses des physikalischen Modells neutral verhält, d.h. gegen 0 tendiert bei additiver Beaufschlagung oder gegen 1 bei multiplikativer Beaufschlagung.
- Weiterhin kann das datenbasierte Alterungszustandsmodell fahrzeugextern basierend auf Flottendaten mit Fahrzeugparametersätzen und zugeordneten Belastungszuständen der jeweiligen elektrischen Energiespeicher trainiert und/oder bereitgestellt werden.
- Dies ermöglicht es, dass durch die Erfassung von Flottendaten und deren Berücksichtigung in dem Korrekturmodell die Vorhersage des künftigen Alterungszustands eines elektrischen Energiespeichers in einem Kraftfahrzeug zusehends präzisiert werden kann.
- Gemäß einer Ausführungsform kann der Alterungszustand des elektrischen Energiespeichers als verbleibende Ladekapazität bezüglich einer initialen Ladekapazität oder als eine Angabe zu einer verbleibenden Lebensdauer angegeben werden.
- Es kann vorgesehen sein, dass die Fahrzeugparameter den Alterungszustand des elektrischen Energiespeichers angeben und insbesondere einen oder mehrere der folgenden Parameter umfassen: eine Batterietemperatur, ein zeitliches Belastungsmuster, ein Alter des elektrischen Energiespeichers, eine Nutzungszeit des elektrischen Energiespeichers, eine über die Laufzeit kumulierte Ladung und eine über die Laufzeit kumulierte Entladung, einen maximalen Ladestrom, einen maximalen Entladestrom, eine Ladehäufigkeit, einen durchschnittlichen Ladestrom, einen durchschnittlichen Entladestrom, einen durchschnittlichen Ladezustand, die Spreizung des Ladezustandes, Histogrammdaten über Ladezustand, Temperatur, Spannung, Strom, einen Leistungsdurchsatz beim Laden und Entladen, eine Ladehäufigkeit und eine Ladetemperatur.
- Weiterhin kann das Ermitteln des prädizierten Alterungszustands abhängig von den prädizierten Fahrzeugparametern weiterhin mithilfe von Umgebungsparametern durchgeführt werden, wobei die Umgebungsparameter einen oder mehrere der folgenden Parameter umfassen: Verkehrsdaten, die Angaben über das Verkehrsaufkommen auf einer prädizierten Fahrstrecke angeben, Wetterdaten, sowie den Standort des Kraftfahrzeugs.
- Gemäß einer Ausführungsform kann das Ermitteln des prädizierten Alterungszustands weiterhin abhängig von den prädizierten Fahrzeugparametern durchgeführt werden, wobei die prädizierten Fahrzeugparameter durch Extrapolation der Fahrzeugparameter auf den Prädiktionszeitpunkt ermittelt werden.
- Es kann vorgesehen sein, dass das datenbasierte Alterungszustandsmodell ein neuronales Netz, ein Bayes'sches neuronales Netz, oder ein Gauß-Prozess-Modell umfasst. Es sei angemerkt, dass mittels des Gauß-Prozess-Modells besonders zuverlässige Ergebnisse erzielt werden.
- Weiterhin können der prädizierte Alterungszustand fahrzeugextern ermittelt und an das betreffende Kraftfahrzeug kommuniziert werden oder Modellparameter des datenbasierten Alterungszustandsmodells an das Kraftfahrzeug kommuniziert und der prädizierte Alterungszustand im Kraftfahrzeug ermittelt werden.
- Es kann vorgesehen sein, aus historischen Verläufen von Fahrzeugparametern Stressfaktoren zu ermitteln, die in dem datenbasierten Alterungszustandsmodell bei der Bestimmung des prädizierten Alterungszustands berücksichtigt werden, wobei die Stressfaktoren insbesondere einen oder mehrere der folgenden Angaben umfassen: eine Häufigkeit eines Ladens mit hohen Strömen, eine Häufigkeit eines Fahrens bei ständig hoher Leistung, d.-h. einer Leistung über einer vorgegebenen Schwellenleistung, eine Häufigkeit eines Ladens bei hoher Umgebungstemperatur, d.h. einer Temperatur über einer vorgegebenen Schwellentemperatur, und eine Häufigkeit eines vollständigen Aufladens des elektrischen Energiespeichers.
- Gemäß einem weiteren Aspekt ist eine Vorrichtung, insbesondere Steuereinheit, vorgesehen zum Betreiben eines Kraftfahrzeugs, insbesondere eines elektrisch antreibbaren Kraftfahrzeugs, abhängig von einem prädizierten Alterungszustand eines elektrischen Energiespeichers, insbesondere einer Fahrzeugbatterie, mit folgenden Schritten:
- - Bereitstellen von Fahrzeugparametern, die den Alterungszustand des elektrischen Energiespeichers beeinflussen;
- - Prädizieren der Fahrzeugparameter auf einen Prädiktionszeitpunkt;
- - Ermitteln des prädizierten Alterungszustands abhängig von den prädizierten Fahrzeugparametern mithilfe eines datenbasierten Alterungszustandsmodells, das trainiert ist, um abhängig von den Fahrzeugparametern einen Alterungszustand des elektrischen Energiespeichers auszugeben;
- - Signalisieren des prädizierten Alterungszustands.
- Figurenliste
- Ausführungsformen werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:
-
1 eine schematische Darstellung eines Systems zur Bereitstellung von fahrer- und fahrzeugindividuellen Belastungszuständen einer Fahrzeugbatterie basierend auf Flottendaten; -
2 eine schematische Darstellung eines funktionalen Aufbaus eines hybriden Alterungszustandsmodells; und -
3 ein Flussdiagramm zur Veranschaulichung eines Verfahrens zur Prädiktion eines Alterungszustands einer Fahrzeugbatterie in einem Kraftfahrzeug und zur Ermittlung einer voraussichtlichen Lebensdauer. - Beschreibung von Ausführungsformen
-
1 zeigt ein System1 zum Sammeln von Flottendaten in einer Zentraleinheit2 zur Erstellung eines Alterungszustandsmodells. Das Alterungszustandsmodell dient zur Bestimmung eines Alterungszustands eines elektrischen Energiespeichers in einem Kraftfahrzeug.1 zeigt eine Fahrzeugflotte3 mit mehreren Kraftfahrzeugen4 . - Eines der Kraftfahrzeuge
4 ist in1 detaillierter dargestellt. Die Kraftfahrzeuge4 weisen jeweils eine Fahrzeugbatterie41 als wiederaufladbaren elektrischen Energiespeicher, einen elektrischen Antriebsmotor42 und eine Steuereinheit43 auf. Die Steuereinheit43 ist mit einem Kommunikationsmodul44 verbunden, das geeignet ist, Daten zwischen dem jeweiligen Kraftfahrzeug4 und einer Zentraleinheit (einer sogenannten Cloud) zu übertragen. -
2 zeigt schematisch den funktionalen Aufbau einer Ausführungsform eines Alterungszustandsmodells, das in einer hybriden Weise aufgebaut ist. Das Alterungszustandsmodell umfasst ein physikalisches Alterungsmodell5 und ein Korrekturmodell6 , deren Ausgänge miteinander beaufschlagt werden, insbesondere addiert oder multipliziert werden, um einen Alterungszustand SOH zu einem aktuellen oder künftigen Zeitpunkt zu erhalten. Eingangsseitig erhalten das physikalische Alterungsmodell5 und das Korrekturmodell6 Fahrzeugparameter F und in einem Prädiktionsblock7 prädizierte Fahrzeugparameter, die durch Extrapolation aus den Fahrzeugparametern ermittelt worden sind. Die Fahrzeugparameter F können Nutzungsverlaufsparameter umfassen, die vergangene Betriebsverläufe der Fahrzeugbatterie bzw. des Fahrzeugs4 in komprimierter Form angeben. - In
3 ist ein Flussdiagramm dargestellt, das den Ablauf eines Verfahrens zum Ermitteln eines künftigen Alterungszustands SOH darstellt. Der Alterungszustand einer Batterie, auch SoH (State of Health) genannt, kann beispielsweise als verbleibende maximale Ladekapazität bezüglich einer initialen maximalen Ladekapazität, als eine Angabe einer verbleibenden Lebensdauer oder auf sonstige Weise angegeben werden, die eine Degradation der Qualität bzw. der Nutzbarkeit der Fahrzeugbatterie41 angibt. - Der künftige Alterungszustand SOH(t) kann beispielsweise in einem Verfahren zur Ermittlung einer voraussichtlich verbleibenden Lebensdauer der Fahrzeugbatterie
41 in den Kraftfahrzeugen4 verwendet werden. Diese voraussichtlich verbleibende Lebensdauer kann zur Festlegung eines Datums oder Austauschzeitpunkts bezüglich der Fahrzeugbatterie41 verwendet werden. Das Verfahren kann in der Zentraleinheit2 und in der Steuereinheit43 in Hardware und/oder Software implementiert sein. - In Schritt
S1 werden Fahrzeugparameter basierend auf dem Fahrerverhalten, dem fahrzeugzustand und/oder dem Batteriezustand fahrzeugindividuell erfasst und an die Zentraleinheit2 mithilfe des Kommunikationsmoduls44 gesendet. - Die Fahrzeugparameter F geben Parameter an, die von dem Alterungszustand SOH der Fahrzeugbatterie abhängen. Die Fahrzeugparameter können insbesondere Nutzungsverlaufsparameter umfassen, die vergangene Betriebsverläufe der Fahrzeugbatterie in komprimierter Form angeben, so dass diese durch Fortschreibung zur Prädiktion eines prädizierten Alterungszustands SOH geeignet sind. Die Nutzungsverlaufsparameter können einen oder mehrere der folgenden Parameter umfassen: eine Batterietemperatur, ein zeitliches Belastungsmuster wie Lade- und Fahrzyklen, bestimmt durch Nutzungsmuster (wie bspw. Schnellladen bei hohen Stromstärken oder starke Beschleunigung bzw. Bremsvorgänge mit Rekuperation), ein Alter der Fahrzeugbatterie, eine Nutzungszeit der Fahrzeugbatterie, eine über die Laufzeit kumulierte Ladung und eine über die Laufzeit kumulierte Entladung, einen maximalen Ladestrom, einen maximalen Entladestrom, eine Ladehäufigkeit, einen durchschnittlichen Ladestrom, einen durchschnittlichen Entladestrom, einen Leistungsdurchsatz beim Laden und Entladen, eine Ladehäufigkeit, eine (insbesondere durchschnittliche) Ladetemperatur, einen durchschnittlichen Ladezustand, die (insbesondre durchschnittliche) Spreizung des Ladezustandes, Histogrammdaten über den Ladezustandsverlauf, Temperatur, Spannung, Strom etc. und dergleichen.
- Zusätzlich können als Teil der Fahrzeugparameter F Umgebungsparameter an die Zentraleinheit
2 gesendet oder dort erfasst oder ermittelt werden, wobei die Umgebungsparameter Angaben über das Umfeld und/oder einer Situation der Umgebung des Kraftfahrzeugs4 angeben. Die Umgebungsparameter können einen oder mehrere der folgenden Parameter umfassen: Verkehrsdaten, Angaben über das Verkehrsaufkommen auf einer prädizierten Fahrstrecke, Wetterdaten, sowie den Standort des Kraftfahrzeugs. - Außer den Fahrzeugparametern kann in dem Prädiktionsblock
7 durch Fortschreiben der zeitlichen Belastungsmuster eine Nutzungsprädiktion durchgeführt werden, die für künftige Zeitpunkte die Erstellung eines jeweiligen Fahrzeugparametersatzes ermöglicht. Insbesondere können Angaben, die von Belastungsverläufen abhängen, auch für die Zukunft als konstant angenommen werden, wie z.B. die Ladehäufigkeit. Auch können Trends von einzelnen Fahrzeugparametern für die Prognose des prädizierten Alterungszustands SOH fortgeschrieben werden, um prädizierte Fahrzeugparameter F' für die Ermittlung des Alterungszustands SOH zu nutzen. - Die in den prädizierten Fahrzeugparametern F' abgebildete Nutzungsprädiktion erstreckt sich üblicherweise über mehrere Monate bis hin zu Jahren, sodass mit abgeleiteten Batterie-Stressfaktoren die verbleibende Restlebensdauer der Batterie bestimmt werden kann. Die Nutzungsprädiktionsdaten können einen oder mehrere Stressfaktoren beinhalten, die ein oder mehrere Stressniveaus angeben, denen die Fahrzeugbatterie ausgesetzt sind. Diese können umfassen: eine Angabe über die Häufigkeit eines Ladens mit hohen Strömen wie bei Schnellladen, eine Häufigkeit eines Fahrens bei ständig hoher Leistung, eine Häufigkeit eines Ladens bei hoher Umgebungstemperatur, wie z.B. in der Mittagshitze oder an der Autobahnraststätte nach längerer Fahrt mit hoher Leistung (als Kombination von Stressfaktoren), eine Häufigkeit eines vollständigen Aufladens der Batterie, Die Stressfaktoren können auch abhängig von der Batteriezellchemie sein, so dass manche o.g. Faktoren die Batterie weniger andere mehr stressen. Dies kann in der Steuereinheit
43 durchgeführt werden. Alternativ können Nutzungsprädiktionsdaten gemeinsam mit den Fahrzeugparametern und den Umgebungsparametern an die Zentraleinheit2 übertragen werden. - Weiterhin wird der zuletzt ermittelte Alterungszustand SOH der Fahrzeugbatterie
41 (elektrischer Energiespeicher) an die Zentraleinheit2 übermittelt. - Die an die Zentraleinheit
2 übermittelten Fahrzeugparameter und die prädizierten Fahrzeugparameter sowie der aktuelle Alterungszustand SOH werden mithilfe eines datenbasierten Alterungszustandsmodells verarbeitet, um einen Alterungszustand SOH der Fahrzeugbatterie41 basierend auf den prädizierten Fahrzeugparametern zu prädizieren. - Um Vorwissen in Form eines physikalischen Alterungsmodells für den Alterungszustand SOH zu nutzen, kann das Alterungszustandsmodell wie in
2 gezeigt als hybrides Modell ausgebildet sein. Das Alterungszustandsmodell umfasst ein physikalisches Alterungsmodell5 , das in SchrittS2 basierend auf den prädizierten Fahrzeugparametern eines Fahrzeugparametersatzes einen künftigen modellierten Alterungszustand SOH der Fahrzeugbatterie41 Alterungszustand ermittelt. Die prädizierten Fahrzeugparameter F' entsprechen die auf einen vorgegebenen Zeitpunkt in der Zukunft prädizierten Fahrzeugparameter F', insbesondere basierend auf den fortgeschriebenen extrapolierten Nutzungsdaten. - Mithilfe eines trainierten Korrekturmodells
6 wird in SchrittS3 eine Adaption bzw. Korrektur des Ergebnisses (modellierter Alterungszustand SOHp) des Alterungsmodells vorgenommen. - Dazu kann das Korrekturmodell
6 datenbasiert als neuronales Netz, Bayes'sches neuronales Netz, Gauß-Prozess-Modell, Random-Forest, SVM-Regressor oder dergleichen ausgebildet sein. Das Korrekturmodell6 ist dazu trainiert, Abweichungen, die sich aufgrund von Ungenauigkeiten von Fahrzeugparametern oder des zugrundeliegenden physikalischen Alterungsmodells ergeben, auszugleichen. - Das Korrekturmodell
6 ist dabei basierend auf Fahrzeugparametersätzen von einer Vielzahl von Fahrzeugen4 , die jeweils Batterie- und Fahrzeugdaten beinhalten, aus jeweils mehreren Fahrzeugparametern F eines Kraftfahrzeugs4 und basierend auf entsprechenden tatsächlich vermessenen Belastungszuständen von Fahrzeugbatterien, die beispielsweise zum Zeitpunkt eines Austausches oder einer Wartung festgestellt worden sind, trainiert. Zusätzlich können die Fahrzeugparametersätze als Trainingsdaten jeweils Nutzungsverlaufsparameter in Form historischer Fahrzeugparameterdaten wie Ah (Ampere-Stunde)-Durchsatz (Laden/Entladen), Temperatur, Strom, Spannung, Ladezustand, gefahrene Kilometer, Nutzungs- und Ladeverhalten und daraus resultierende Stressfaktoren für die Batterie-Alterung (wie hohe Temperatur bei gleichzeitig hohem SOC) und der jeweils durch das physikalische Alterungsmodell bestimmte modellierte Alterungszustand SOHp berücksichtigen. - Durch Zuordnung des Fahrzeugparametersatzes eines Kraftfahrzeugs, ggfs. der historischen Fahrzeugparameterdaten und ggfs. des modellierten Alterungszustands SOHp (Ausgabe des physikalischen Alterungsmodells
5 ) zu einem Alterungszustandsunterschied zwischen dem modellierten Alterungszustand SOHp für den Fahrzeugparametersatz und dem gemessenen Alterungszustand kann das Korrekturmodell6 entsprechend in an sich bekannter Weise trainiert werden. Der Alterungszustandsunterschied kann als Differenz oder Quotienten zwischen dem für den Fahrzeugparametersatz modellierten Alterungszustand SOHp und dem entsprechend gemessenen Alterungszustand ermittelt werden. Die Trainingsdaten können basierend auf Diagnose-Messungen (zur Ermittlung des tatsächlichen Alterungszustands) im Fahrzeug oder alternativ Prüfstands- oder Werkstattmessungen ermittelt werden, die einen Alterungszustand SOH der Fahrzeugbatterie41 angeben. - Der prädizierte Alterungszustand SOH ergibt sich dann in Schritt
S4 durch Beaufschlagen des modellierten Alterungszustands SOHp mit dem modellierten Alterungszustandsunterschied als Modellausgabe des Korrekturmodells6 . Dieser Korrekturwert K wird additiv oder multiplikativ auf den modellierten Alterungszustand SOHp des physikalischen Alterungsmodells5 beaufschlagt. - Die Nutzung des Korrekturmodells
6 und/oder des physikalischen Alterungsmodells5 kann in der Zentraleinheit2 für jedes damit in Kommunikationsverbindung stehende Kraftfahrzeug4 durchgeführt werden. Alternativ können die SchritteS2 - S3 nach Übermittlung der aktuellen Modellparameter des Korrekturmodells6 an die jeweiligen Kraftfahrzeuge4 der Fahrzeugflotte3 in den Steuereinheiten43 der Kraftfahrzeuge4 ermittelt werden. - Je nach gewähltem Machine-Learning-Modell kann die Vorhersage des Korrekturmodells
6 eine Vorhersagezuverlässigkeit beinhalten. Die Vorhersagezuverlässigkeit kann in SchrittS5 überprüft werden, um festzustellen, ob ein Nachtrainieren des Korrekturmodells6 notwendig ist, um die Prädiktion des Alterungszustands mit einer geforderten Genauigkeit durchzuführen. Wird festgestellt, dass die Vorhersagezuverlässigkeit geringer ist als ein Zuverlässigkeitsschwellenwert (Alternative: Ja), so werden in SchrittS6 weitere Trainingsdaten erhoben, die zum Nachtrainieren des Korrekturmodells6 in SchrittS7 verwendet werden. Die Trainingsdaten können durch Diagnose-Messungen im Fahrzeug4 oder alternativ durch Prüfstands- oder Werkstattmessungen durchgeführt werden, so dass man einen Alterungszustand erhält oder ableiten kann. Das Verfahren wird anschließend mit SchrittS1 fortgesetzt. - Andernfalls, d.h. wenn festgestellt wird, dass die Vorhersagezuverlässigkeit höher ist als ein Zuverlässigkeitsschwellenwert (Alternative: Nein) wird das Verfahren mit Schritt
S8 fortgesetzt. - Wird der Alterungszustand als Anteil der initialen Ladekapazität der Fahrzeugbatterie angegeben, können die Schritte
S2 bisS3 iterativ mit auf verschiedene Zeitpunkte in der Zukunft prädizierte Fahrzeugparameter ausgeführt werden, um den künftigen Zeitpunkt zu ermitteln, zu dem der prädizierte Alterungszustand SOH einen vorgegebenen Alterungszustandsschwellenwert, wie z.B. einen Schwellenwert, der angibt, dass die maximale Ladekapazität der Fahrzeugbatterie nur noch 80% der anfänglichen Ladekapazität entspricht, erreicht bzw. unterschreitet. Dies erfolgt durch SchrittS8 , indem überprüft wird, ob der prädizierte Alterungszustand SOH den Alterungszustandsschwellenwert erreicht hat. - Ist dies nicht der Fall (Alternative: Nein), so wird in Schritt
S9 der Zeitpunkt, zu dem der prädizierte Alterungszustand SOH angegeben wird, entsprechend dem Abstand zwischen prädiziertem Alterungszustand SOH und dem Alterungszustandsschwellenwert angepasst und zu SchrittS2 zurückgesprungen. Zusätzlich kann der prädizierte Alterungszustand SOH angezeigt werden, so dass dieser eine Wartung oder einen Batterieaustausch einplanen kann. Ggfs kann der prädizierte Alterungszustand für Routenberechnungen und Planung von Ladezyklen (häufiger bei niedrigerer maximalen Ladekapazität) berücksichtigt werden. Hat der prädizierte Alterungszustand SOH den Alterungszustandsschwellenwert im Wesentlichen erreicht (Alternative: Ja), so wird in SchrittS10 das Erreichen des Alterungszustandsschwellenwert signalisiert und der Fahrer zu einem baldigen Austausch der Fahrzeugbatterie aufgefordert. - Durch Nutzung des Korrekturmodells
6 kann die Genauigkeit der Angabe des Alterungszustands und damit auch die Angabe einer Prädiktion des künftigen Alterungszustands verbessert werden, da insbesondere Abweichungen aufgrund unterschiedlichem Fahr- und Betriebsverhalten der Kraftfahrzeuge4 durch das Korrekturmodell ausgeglichen werden können. - Durch die Nutzung des hybriden Alterungszustandsmodells, bei dem das Korrekturmodell lediglich einen Korrekturwert K angibt, kann in Fällen, in denen für einen Fahrzeugparametersatz kein ausreichendes Training des Korrekturmodells vorliegt, der prädizierte Alterungszustand SOH als der modellierte Alterungszustand SOHp, der sich aus dem physikalischen Alterungsmodell ergibt, ermittelt werden, da das Korrekturmodell an diesen Stellen einen Korrekturwert K von nahezu null ausgibt.
- Das Korrekturmodell in der Zentraleinheit kann in regelmäßigen Abständen bei einer unzureichenden Vorhersagegenauigkeit mit neuen Flottendaten, d. h. Fahrzeugparametern von mehreren weiteren Kraftfahrzeugen einschließlich eines gemessenen Alterungszustands, einer Fahrzeugbatterie nachtrainiert werden, um das Korrekturmodell zu präzisieren.
Claims (13)
- Computerimplementiertes Verfahren zum Betreiben eines Kraftfahrzeugs (4), insbesondere eines elektrisch antreibbaren Kraftfahrzeugs, abhängig von einem prädizierten Alterungszustand eines elektrischen Energiespeichers, insbesondere einer Fahrzeugbatterie, mit folgenden Schritten: - Bereitstellen (S1) von Fahrzeugparametern (F), die den Alterungszustand des elektrischen Energiespeichers beeinflussen; - Prädizieren (S1) der Fahrzeugparameter (F') auf einen Prädiktionszeitpunkt; - Ermitteln (S2, S3) des prädizierten Alterungszustands abhängig von den prädizierten Fahrzeugparametern (F') mithilfe eines datenbasierten Alterungszustandsmodells, das trainiert ist, um abhängig von den Fahrzeugparametern (F) einen Alterungszustand des elektrischen Energiespeichers (41) auszugeben; - Signalisieren (S9, S10) des prädizierten Alterungszustands (SOH).
- Verfahren nach
Anspruch 1 , wobei das datenbasierte Alterungszustandsmodell fahrzeugextern basierend auf Flottendaten mit Fahrzeugparametersätzen und zugeordneten Belastungszuständen des jeweiligen elektrischen Energiespeichers (41) trainiert und/oder bereitgestellt wird. - Verfahren nach einem der
Ansprüche 1 bis2 , wobei der Alterungszustand (SOH) des elektrischen Energiespeichers (41) als verbleibende maximale Ladekapazität bezüglich einer initialen maximalen Ladekapazität oder als eine Angabe zu einer verbleibenden Lebensdauer angegeben wird. - Verfahren nach einem der
Ansprüche 1 bis3 , wobei die Fahrzeugparameter (F) den Alterungszustand des elektrischen Energiespeichers (41) angeben und insbesondere einen oder mehrere der folgenden Parameter umfassen: eine Temperatur des elektrischen Energiespeichers (41), ein zeitliches Belastungsmuster, ein Alter des elektrischen Energiespeichers (41), eine Nutzungszeit des elektrischen Energiespeichers (41), eine über die Laufzeit kumulierte Ladung und/oder eine über die Laufzeit kumulierte Entladung, einen maximalen Ladestrom, einen maximalen Entladestrom, eine Ladehäufigkeit, einen durchschnittlichen Ladestrom, einen durchschnittlichen Entladestrom, einen Leistungsdurchsatz beim Laden und Entladen, eine Ladehäufigkeit und eine Ladetemperatur. - Verfahren nach einem der
Ansprüche 1 bis4 , wobei das Ermitteln des prädizierten Alterungszustands (SOH) abhängig von den prädizierten Fahrzeugparametern (F') weiterhin mithilfe von Umgebungsparametern durchgeführt wird, wobei die Umgebungsparameter einen oder mehrere der folgenden Parameter umfassen: Verkehrsdaten, Angaben über das Verkehrsaufkommen auf einer prädizierten Fahrstrecke, Wetterdaten, sowie den Standort des Kraftfahrzeugs. - Verfahren nach einem der
Ansprüche 1 bis5 , wobei das Ermitteln des prädizierten Alterungszustands (SOH) weiterhin abhängig von den prädizierten Fahrzeugparametern (F') durchgeführt wird, wobei mindestens einer der prädizierten Fahrzeugparameter (F') durch Extrapolation der Fahrzeugparameter (F) auf einen vorgegebenen Prädiktionszeitpunkt ermittelt wird. - Verfahren nach einem der
Ansprüche 1 bis6 , wobei das datenbasierte Alterungszustandsmodell als ein hybrides Modell ausgebildet ist, das einen modellierten Alterungszustand (SOHp), der mithilfe eines physikalischen bzw. physikalisch motivierten Alterungsmodell (5) ermittelt wird, mit einem Korrekturwert (K) beaufschlagt, der sich aus einem datenbasierten Korrekturmodell (6) ergibt, insbesondere durch Addition oder Multiplikation. - Verfahren nach einem der
Ansprüche 1 bis7 , wobei das datenbasierte Alterungszustandsmodell ein neuronales Netz, ein Bayes'sches neuronales Netz, oder ein Gauß-Prozess-Modell umfasst. - Verfahren nach einem der
Ansprüche 1 bis8 , wobei der prädizierte Alterungszustand (SOH) fahrzeugextern ermittelt wird und an das betreffende Kraftfahrzeug (4) kommuniziert wird oder wobei Modellparameter des datenbasierten Alterungszustandsmodells an das Kraftfahrzeug (4) kommuniziert werden und der prädizierte Alterungszustand (SOH) im Kraftfahrzeug (4) ermittelt wird. - Verfahren nach einem der
Ansprüche 1 bis9 , wobei aus historischen Verläufen von Fahrzeugparametern Stressfaktoren ermittelt werden, die in dem datenbasierten Alterungszustandsmodell bei der Bestimmung des prädizierten Alterungszustands (SOH) berücksichtigt werden, wobei die Stressfaktoren insbesondere einen oder mehrere der folgenden Angaben umfassen: eine Häufigkeit eines Ladens mit hohen Strömen, eine Häufigkeit eines Fahrens bei ständig hoher Leistung, eine Häufigkeit eines Ladens bei hoher Umgebungstemperatur, und eine Häufigkeit eines vollständigen Aufladens des elektrischen Energiespeichers (41). - Vorrichtung, insbesondere Steuereinheit (43), zum Betreiben eines Kraftfahrzeugs, insbesondere eines elektrisch antreibbaren Kraftfahrzeugs, abhängig von einem prädizierten Alterungszustand eines elektrischen Energiespeichers (41), insbesondere einer Fahrzeugbatterie, mit folgenden Schritten: - Bereitstellen von Fahrzeugparametern (F), die den Alterungszustand des elektrischen Energiespeichers (41) beeinflussen; - Prädizieren der Fahrzeugparameter auf einen Prädiktionszeitpunkt; - Ermitteln des prädizierten Alterungszustands (SOH) abhängig von den prädizierten Fahrzeugparametern (F') mithilfe eines datenbasierten Alterungszustandsmodells, das trainiert ist, um abhängig von den Fahrzeugparametern (F) einen Alterungszustand des elektrischen Energiespeichers (41) auszugeben; - Signalisieren des prädizierten Alterungszustands (SOH).
- Computerprogramm mit Programmcodemitteln, das dazu eingerichtet ist, ein Verfahren nach einem der
Ansprüche 1 bis10 auszuführen, wenn das Computerprogramm auf einer Recheneinheit ausgeführt wird. - Maschinenlesbares Speichermedium mit einem darauf gespeicherten Computerprogramm nach
Anspruch 12 .
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
US17/318,367 US11644515B2 (en) | 2020-05-27 | 2021-05-12 | Method and device for operating an electrically drivable motor vehicle depending on a predicted state of health of an electrical energy store |
CN202110577209.4A 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
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 |
---|---|
DE102020206592A1 true DE102020206592A1 (de) | 2021-12-02 |
Family
ID=78508800
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102020206592.6A Pending 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 |
Country Status (3)
Country | Link |
---|---|
US (1) | US11644515B2 (de) |
CN (1) | CN113740753A (de) |
DE (1) | DE102020206592A1 (de) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
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 |
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 |
WO2023110189A1 (de) * | 2021-12-16 | 2023-06-22 | Robert Bosch Gmbh | Verfahren und vorrichtung zur robusten bestimmung einer temperatur einer komponente einer elektrischen maschine mithilfe eines probabilistischen datenbasierten temperaturmodells |
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 |
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 |
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 |
EP4019321B1 (de) * | 2020-12-25 | 2023-08-09 | Guangzhou Chengxing Zhidong Motors Technology Co., Ltd. | Verfahren und vorrichtung zur batterieverwaltung und fahrzeug |
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 |
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 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102021206880A1 (de) * | 2021-06-30 | 2023-01-05 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zur optimalen Parametrisierung eines Fahrdynamikregelungssystems für Fahrzeuge |
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 |
EP4242676A1 (de) * | 2022-03-10 | 2023-09-13 | TWAICE Technologies GmbH | Hybrides parametrisches maschinenlernmodell zur batteriealterung |
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 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018201119A1 (de) | 2018-01-24 | 2019-07-25 | Robert Bosch Gmbh | Verfahren zum Überwachen der Energieversorgung eines Kraftfahrzeugs mit automatisierter Fahrfunktion |
Family Cites Families (7)
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 |
WO2019017991A1 (en) * | 2017-07-21 | 2019-01-24 | Quantumscape Corporation | PREDICTIVE MODEL FOR ESTIMATING BATTERY CONDITIONS |
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
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102018201119A1 (de) | 2018-01-24 | 2019-07-25 | Robert Bosch Gmbh | Verfahren zum Überwachen der Energieversorgung eines Kraftfahrzeugs mit automatisierter Fahrfunktion |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP4019321B1 (de) * | 2020-12-25 | 2023-08-09 | Guangzhou Chengxing Zhidong Motors Technology Co., Ltd. | Verfahren und vorrichtung zur batterieverwaltung und fahrzeug |
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 |
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 |
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 |
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 |
WO2023110189A1 (de) * | 2021-12-16 | 2023-06-22 | Robert Bosch Gmbh | Verfahren und vorrichtung zur robusten bestimmung einer temperatur einer komponente einer elektrischen maschine mithilfe eines probabilistischen datenbasierten temperaturmodells |
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 |
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 |
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 |
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 |
Also Published As
Publication number | Publication date |
---|---|
US11644515B2 (en) | 2023-05-09 |
CN113740753A (zh) | 2021-12-03 |
US20210373082A1 (en) | 2021-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020206592A1 (de) | Verfahren und Vorrichtung zum Betreiben eines elektrisch antreibbaren Kraftfahrzeugs abhängig von einem prädizierten Alterungszustands eines elektrischen Energiespeichers | |
DE102020215297A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren | |
DE102008039576B4 (de) | Verfahren zum adaptiven Schätzen einer Batteriedynamik und zugehöriges adaptives Batterieschätzungs-Steuerungssystem | |
DE102020212299A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren | |
DE102020215201A1 (de) | Verfahren und Vorrichtung zur Vorhersage eines Alterungszustands einer Gerätebatterie in einem batteriebetriebenen Gerät | |
DE102020212278A1 (de) | Verfahren und Vorrichtung zur maschinenindividuellen Verbesserung der Lebensdauer einer Batterie in einer batteriebetriebenen Maschine | |
DE102020212298A1 (de) | Verfahren und Vorrichtung zur gerätespezifischen Bestimmung eines innenwiderstandsbasierten Alterungszustands einer Batterie | |
DE102019126245A1 (de) | System und Verfahren zur Bestimmung des Funktionszustandes und/oder Gesundheitszustandes einer elektrischen Batterie | |
DE102021204014A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines Alterungszustandsmodells zur Ermittlung von aktuellen und prädizierten Alterungszuständen von elektrischen Energiespeichern mithilfe von Transfer-Lernen mithilfe maschineller Lernverfahren | |
DE102021203868A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen eines elektrochemischen Batteriemodells für eine Gerätebatterie für ein Gerät | |
DE102020212282A1 (de) | Verfahren und Vorrichtung zur Parametrisierung eines elektrochemischen Batteriemodells für eine Batterie basierend auf Daten von einer Vielzahl von Batterien | |
DE102020212280A1 (de) | Verfahren und Vorrichtung zum Trainieren eines auf künstlicher Intelligenz-basierendem Zustandsmodells zum Ermitteln einer Zustandsgröße eines elektrischen Energiespeichers | |
EP3974246A1 (de) | Verfahren und vorrichtung zur robusten vorhersage des alterungsverhaltens eines energiespeichers in einer batteriebetriebenen maschine | |
DE102022202882A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines prädizierten Alterungszustands einer Gerätebatterie basierend auf einem prädizierten Nutzungsmuster | |
DE102022200007A1 (de) | Verfahren und Vorrichtung zum Erlernen einer Parametrisierung eines Alterungsmodells und Bereitstellen eines Alterungszustands für eine Gerätebatterie anhand einer parametrierten Leerlaufspannungs-Kennlinie | |
DE102022203343A1 (de) | Verfahren und Vorrichtung zum Betreiben eines Systems zum Erkennen einer Anomalie eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren | |
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 | |
DE102021213948A1 (de) | Verfahren und Vorrichtung zum Bereitstellen eines datenbasierten Alterungszustandsmodells zum Bestimmen eines Alterungszustands eines elektrischen Energiespeichers für ein Gerät mithilfe von maschinellen Lernverfahren | |
DE102020212293A1 (de) | Verfahren und Vorrichtung zur Ladezustandsbestimmung einer Batterie in einer batteriebetriebenen Maschine | |
DE102021213057A1 (de) | Verfahren zum Betreiben einer Nutzerschnittstelle zum Auswählen einer Ladestrategie für eine Gerätebatterie und zum Betrieb der Gerätebatterie sowie eine Nutzerschnittstelle | |
DE102020212234A1 (de) | Verfahren und Vorrichtung zur Bestimmung eines Alterungszustands eines elektrischen Energiespeichers unbekannten Typs mithilfe maschineller Lernverfahren | |
DE102019119736A1 (de) | System und Verfahren zur Bestimmung eines Ladezustands einer elektrischen Batterie | |
DE102021208020A1 (de) | Verfahren und Vorrichtung zur Ermittlung und Verbesserung einer Konfidenz einer Prädiktion eines Alterungszustands von Energiespeichern | |
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 | |
EP4046228B1 (de) | Verfahren zum anpassen einer anodenüberspannung einer lithium-ionen-batterie, verfahren zum verbessern eines kapazitätsalterungszustands der lithium-ionen-batterie |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |