借助于机器学习方法运行用于为设备提供电能量存储器的预测老化状态的系统的方法和装置与流程

1.本发明涉及具有电能量存储器的独立于电网运行的电气设备、尤其可电驱动的机动车辆、尤其电动车辆或混合动力车辆，并且还涉及用于确定电能量存储器的老化状态（soh：state of health健康状态）的措施。除了移动电能量存储器之外，本发明还涉及固定电能量存储器。


背景技术：

2.独立于电网运行的电气设备和机器、诸如可电驱动的机动车辆的能量供应借助于电能量存储器、通常是设备电池或车辆电池来进行。所述设备电池或车辆电池提供用于运行设备的电能。然而也考虑燃料电池作为电能量存储器。
3.能量存储器的老化状态在其使用寿命过程中显著降低，这导致最大存储容量降低。能量存储器的老化的度量取决于能量存储器的个体的负载，即在机动车辆的车辆电池的情况下取决于驾驶员的使用行为、外部环境条件和车辆电池类型。
4.虽然可以借助物理老化状态模型基于历史运行状态曲线确定能量存储器的当前的老化状态，但所述模型在特定情况下是不准确的。常规的老化状态模型的该不准确性使预测老化状态曲线变难。然而，能量存储器的老化状态的曲线的预测是重要的技术变量，因为可以借助其经济地评估能量存储器的剩余价值。


技术实现要素：

5.根据本发明，提出根据权利要求1的用于预测电能量存储器的老化状态的方法和根据并列独立权利要求的在可电运行的设备中的装置。
6.在从属权利要求中说明其他设计方案。
7.根据第一方面，提出一种用于预测具有至少一个电化学单元、特别是电池单池的电能量存储器的老化状态的计算机实施的方法或通过也在总系统中基于规则和/或数据的映射来预测电能量存储器的老化状态的计算机实施的方法，具有如下步骤：-提供基于数据的老化状态模型，训练所述老化状态模型，以便根据能量存储器的运行变量的曲线来关联老化状态，-借助使用模型根据所提供的使用模式生成至少一个负载变量的曲线；-借助预给定的动态模型根据至少一个负载变量生成运行变量的曲线；-根据运行变量的曲线确定预测的老化状态的曲线。
8.通常不直接测量可再充电的电能量存储器、尤其设备电池的老化状态。这在能量存储器附近需要一系列传感器，所述传感器使这种能量存储器的制造成本高且耗费，并且会增加结构空间。此外，市场上还没有提供适合日常使用的用于确定设备中的老化状态的测量方法。因此，通常借助于设备中的物理老化模型来求出当前的老化状态。所述物理老化状态模型在特定情况下是不准确的，并且通常具有高达5%的模型偏差。
9.此外，由于物理老化模型的不准确性，物理老化模型仅可以说明能量存储器的当前的老化状态。老化状态的预测会导致不准确的预测并且如今未提供，其中所述预测尤其与能量存储器的运行方式、诸如设备电池中的电荷流入和电荷流出的大小和量相关、进而与使用行为和使用参数相关。
10.老化状态（soh：state of health）在设备电池作为电能量存储器的情况下是用于说明剩余的电池容量或剩余的电池电量的关键变量。老化状态是衡量电能量存储器的老化的度量。在设备电池或电池模块或电池单池的情况下，可以将老化状态作为容量保持率（capacity retention rate，soh-c）或作为内阻的上升（soh-r）来说明。容量保持率soh-c是测量的瞬时容量与充满电的电池的初始容量的比值。内阻的相对变化soh-r随着电池老化上升而增加。
11.非常有前景的如下方案：以基于数据的老化状态模型为基础提供电能量存储器的老化状态的用户特定和使用特定的预测。例如，基于数据的老化状态模型可以在中央单元（云）中实现，并借助来自与中央单元通信连接的大量设备的运行变量进行训练。
12.用于求出电能量存储器的老化状态的老化状态模型可以以混合的老化状态模型的形式提供，即以物理老化模型与基于数据的模型的组合提供。在混合模型的情况下，可以借助物理或电化学老化模型求出物理老化状态，并且可以对所述物理老化状态加载校正值，所述校正值从基于数据的校正模型中特别是通过加法或乘法得出。物理老化模型基于电化学模型方程，所述电化学模型方程表征电化学状态并为了输出将电化学状态映射为物理老化状态，包括soh-c和soh-r。
13.此外，借助概率或基于人工智能的回归模型、尤其高斯模型可以构成混合的基于数据的老化状态模型的校正模型，并且可以对其进行训练，以便校正物理老化状态。因此，为此存在用于校正soh-c的老化状态的基于数据的校正模型和/或用于校正soh-r的另一校正模型。监督学习的可能替选方案是随机森林模型、adaboost模型、支持向量机或贝叶斯神经网络。
14.如果应求出能量存储器的余下的剩余使用寿命，则老化状态的预测是有帮助的。为此，可以连续地检索基于数据的老化状态模型结合具有电能量存储器的设备的用户的预给定的使用模式。为此，需要持续生成人工运行变量的曲线，所述生成由物理老化模型所需要。为此，基于负载变量产生运行变量。
15.预测的这种可能性有利地使用训练过的老化状态模型和使用模式，使得与在纯外推方法中相比，可以更准确地预测老化状态。
16.负载变量在使用模型中生成。使用模型被构造用于：根据使用模式的使用参数连续输出至少一个负载变量的曲线。这实现：将通过使用模式参数化的使用行为转换成至少一个负载变量的时间序列。使用模式因此可以借助于负载变量说明能量存储器的负载的类型。在电池作为能量存储器的情况下，负载变量说明至少一个电流负载。在电池作为能量存储器的情况下，其他的负载变量可以说明温度负载、负载的时间频率和/或周期负载（周期性）。
17.可以提出：使用模式、特别是至少一个负载变量的时间序列借助于历史使用行为以基于数据的使用模式模型为基础来创建，其中尤其为了预测老化状态而预测所创建的使用模式。
18.此外，可以设有动态模型、所谓的性能模型，所述动态模型有利地构造为能量存储器的等效电路模型、构造为电化学模型或构造为单粒子模型。特别地，动态模型可以说明对至少一个负载变量的响应，并且特别地考虑动态传递行为中的非线性和/或温度相关性。根据至少一个负载变量，动态模型生成一个或多个运行变量，所述运行变量包括电压。在具有电池单池的能量存储器的情况下，在动态模型的输入侧提供电流。动态模型的输出是电池单池的电压响应。动态模型还与温度相关并且还可以考虑传输行为中的非线性效应。
19.基于数据的模型通常需要训练过程，对于所述训练过程需要训练数据集。训练数据集可以通过评估一个或多个设备和/或模型（实验室单池）来提供。训练数据集分别将老化状态指配给运行变量的曲线。所述老化状态可以根据已知的方法确定，例如借助于现场诊断测量，例如基于库仑计数，或者替选地在实验室中经由参考测量来确定。
20.基于数据的老化状态模型可以基于训练数据集进行训练，其中训练数据集被划分为训练集和扩展训练集，其中老化模型用训练集参数化，并且其中校正模型基于总的扩展训练集训练，其中基于数据的老化状态模型基于对该模型未知的测试集来测试，以便确定基于数据的老化状态模型的有效性。
21.可以提出：电能量存储器根据预测的老化状态的曲线运行，其中尤其根据预测的老化状态的曲线用信号通知电能量存储器的剩余使用寿命。
22.根据另一实施方式，能量存储器可以用于运行设备、如机动车辆、电动助力车、飞行器、特别是无人机、机床、消费电子设备、如移动电话、自主机器人和/或家用电器。
23.根据另一方面，提出一种用于预测具有至少一个电化学单元的电能量存储器的老化状态的装置或通过也在总系统中基于规则和/或数据的映射来预测电能量存储器的老化状态的装置，其中所述装置被构造用于：-提供基于数据的老化状态模型，训练所述老化状态模型，以便根据能量存储器的运行变量的曲线将老化状态与电化学能量存储器相关联，-借助使用模型根据所提供的使用模式生成至少一个负载变量的曲线；-借助预给定的动态模型根据至少一个负载变量生成运行变量的曲线；-根据运行变量的曲线确定预测的老化状态。
附图说明
24.下面根据附图更详细地解释实施方式。其中：图1示出用于提供在中央单元中确定车辆电池的老化状态的驾驶员特定和车辆个体的运行变量的系统的示意图；图2示出混合老化状态模型的功能结构的示意图；图3示出用于示出用于训练基于数据的老化状态模型的方法的流程图；和图4示出具有老化状态的使用相关的预测的混合老化状态模型的功能结构的示意图。
具体实施方式
25.下面根据作为相同类型设备的多个机动车辆中的作为电能量存储器的车辆电池来描述根据本发明的方法。在机动车辆中，可以在控制单元中实现相应的车辆电池的基于
数据的老化状态模型。可以在中央单元中连续基于出自车队中的车辆电池的运行变量更新或再训练老化状态模型。老化状态模型在中央单元中运行，并且用于老化计算和老化预测。
26.上面的示例代表多个具有独立于电网的能量供应的固定或移动设备、诸如车辆（电动车辆、电动助力车等）、设施、机床、家用电器、iot设备等，它们经由相应的通信连接（例如lan、互联网）与中央单元（云）连接。
27.图1示出用于在中央单元2中收集车队数据以创建和运行和评估老化状态模型的系统1。老化状态模型用于确定电能量存储器的老化状态，诸如机动车辆中的车辆电池或燃料电池的老化状态。图1示出具有多个机动车辆4的车队3。
28.在图1中更详细地示出机动车辆4之一。机动车辆4分别具有作为可再充电电能量存储器的车辆电池41、电驱动马达42和控制单元43。控制单元43与通信模块44连接，所述通信模块适合于在相应的机动车辆4和中央单元2（所谓的云）之间传输数据。
29.机动车辆4将运行变量f发送给中央单元2，所述运行变量至少说明影响车辆电池的老化状态的变量。在车辆电池的情况下，运行变量f可以说明电池组层面、模块层面和/或单池层面上的瞬时电池电流、瞬时电池电压、瞬时电池温度和瞬时充电状态（soc：state of charge充电状态）。运行变量f以2hz到100hz的快速时间栅格检测并且可以以未压缩和/或压缩的形式定期地传输给中央单元2。例如，时间序列可以以10分钟到几个小时的间隔成块地传输给中央单元2。
30.根据运行变量f，可以在中央单元2中或者在其他实施方式中也已经在相应的机动车辆4中生成运行特征m，所述运行特征涉及评估时间段。为了确定老化状态，评估时间段可以为几个小时（例如6小时）到几周（例如一个月）。评估时间段的常用值为一周。
31.运行特征可以例如包括涉及评估时间段的特征和/或累积的特征和/或在整个至今为止的使用寿命内求出的统计变量。特别地，运行特征例如可以包括：电化学状态（层厚度、浓度、可环化锂等）、关于充电状态曲线、温度、电池电压、电池电流的直方图数据，特别是有关关于充电状态的电池温度分布的、关于温度的充电电流分布的和/或关于温度的放电电流分布的多维直方图数据、累积的总电量（ah）、充电过程（尤其对于电荷增加高于总电池容量的一定阈值份额（例如20%）的充电过程）中的平均的容量增加、在具有足够大的充电状态升程的测量的充电过程期间的微分容量的最大值（dq/du：电荷变化除以电池电压变化）等。
32.可以从运行特征m和运行变量f中获得其他说明：时间负载模式、如充电和行驶循环，其通过使用模式n确定（诸如在高电流强度下的快速充电或强加速或具有回收的制动过程）、车辆电池的使用时间、关于运行时间累积的电荷和关于运行时间累积的放电、最大充电电流、最大放电电流、充电频率、平均充电电流、平均放电电流、在充电和放电时的功率吞吐量、（特别是平均的）充电温度、充电状态的（特别是平均的）分散度等。所述时间负载模式表征典型的时间使用行为并可用于预测。
33.老化状态（soh：state of health）是用于说明剩余电池容量或剩余电池电量的关键变量。老化状态是车辆电池或电池模块或电池单池的老化的度量并且可以作为容量保持率（capacity retention rate，soh-c）或作为内阻的上升（soh-r）来说明。容量保持率soh-c是测量的瞬时容量与充满电的电池的初始容量的比值。内阻的相对变化soh-r随着电池老化上升而增加。
34.在中央单元2中实现老化状态模型，所述老化状态模型特别是完全或部分基于数据的。老化状态模型可以定期地、即在相应的评估持续时间到期之后使用，以便基于运行特征和/或运行变量来执行车辆电池41的当前老化状态的求出。换言之可行的是：基于运行变量和/或运行特征求出相关的车辆电池41的或其所属的模块或单池的能量存储器的老化状态，所述运行变量和/或运行特征从车队3的机动车辆4之一的运行变量曲线中得出。
35.此外，可以例如通过线性或非线性外推法或借助预测模型、即车辆电池41的未来的老化状态求出运行变量。优选地，可以使用基于数据的算法来预测运行特征，例如借助于arima模型的自回归方法，其除了趋势之外还表征历史运行特征的曲线中的周期性，以预测所述运行特征。
36.图2示例性示意地示出基于数据的老化状态模型9的一个实施方式的功能结构，所述老化状态模型以混合方式构成。老化状态模型9包括物理老化模型5和校正模型6。所述老化状态模型获得当前的评估时间段的运行变量f或运行特征m。当前的评估时间段的运行特征m在特征提取块8中基于运行变量f的时间序列产生。
37.运行变量f直接进入物理老化状态模型5，所述物理老化状态模型优选实施为电化学模型，并且相应的电化学状态（例如层厚度（例如sei厚度）、由于阳极/阴极副反应引起的可环化的锂的变化、电解质的快速消耗，电解质的缓慢消耗，阳极中活性材料的损失，阴极中活性材料的损失等......）借助于非线性微分方程描述。
38.物理老化模型5对应于电池单池和单池化学的电化学模型。根据运行变量f，所述模型求出内部物理电池状态，以便以上述电化学状态的形式提供至少一个维度的基于物理的老化状态sohph，所述电化学状态线性或非线性地映射为容量维持率（soh-c）和/或内阻增加率（soh-r），以便提供所述容量维持率和/或内阻增加率（soh-c和soh-r）。
39.然而，物理老化状态sohph的通过电化学模型提供的模型值在特定情况下是不准确的，因此提出：用校正变量k来校正所述模型值。校正变量k由基于数据的校正模型6提供，所述校正模型借助于来自车辆车队3的车辆4的训练数据集和/或借助于实验室数据来训练。
40.为了确定校正过的待输出的老化状态soh，物理老化模型5和优选实施为高斯过程模型的校正模型6的输出sohph，k相互加载。特别地，可以在求和块7中将所述输出相加或相乘（未示出），以便获得当前的评估时间段的要输出的建模的老化状态soh。在加法的情况下，高斯过程的置信度还可以用作混合模型的待输出的校正过的老化值soh的置信度。
41.如果在计算老化状态期间在当前运行特征点附近没有足够的数据基础，则校正模型6的高斯过程回到其先验，并且置信区间进而预测的不确定性变得非常大。先验为0或接近于0，因为高斯过程根据纯物理老化模型的残差训练 [所述残差通常在0附近正态分布]，以便对所述纯物理老化模型进行校正。对于高斯过程了解当前运行特征点附近的一些已知的训练数据点的情况而言，高斯过程可以点准确地校正老化状态，其中所述训练数据点经由训练过程被纳入高斯过程中从而纳入到混合老化状态模型中。由此使不确定性进而使置信区间变小或变窄，因为数据驱动的校正进而老化状态模型总体上由于良好的数据情况而非常可靠。
[0042]
基于数据的老化状态模型的其他设计方案同样是可行的，例如基于数据的老化状态模型可以构造为以基于概率的回归模型或基于人工智能的回归模型、特别是高斯过程模
型，或贝叶斯神经网络为基础的非混合的、纯基于数据的模型。训练所述老化状态模型，以便从通过当前评估时间段的当前运行特征m中确定的运行特征点中提供建模的老化状态soh，其中基于运行变量f的时间序列在特征提取块8中求出运行特征m。
[0043]
pca（principal components analysis主成分分析）可用于运行特征的缩放和维度降低，以便相应地在训练校正模型之前（无监督）减少特征空间中的冗余的线性相关信息。替选地，也可以使用内核pca，以便可以在数据的复杂度降低中也映射非线性效应。在维度降低之前和尤其是之后，整个运行特征空间（或主成分空间）都被归一化，例如以最小/最大缩放或z变换归一化。
[0044]
因此，对于具有至少一个电化学单元、例如电池单池的能量存储器可以计算老化状态和预测老化状态。该方法还可以通过基于规则和/或基于数据的映射应用于能量存储器的整个系统。以电池为例，老化预测除了单池层面之外因此也可以直接应用于模块层面和电池组层面。
[0045]
图3示出用于说明用于在中央单元2中训练混合老化状态模型的方法的流程图。为此，定义训练数据集，所述训练数据集将运行变量的曲线与老化状态相关联。所述训练数据集可以在中央单元2中从多个车辆中收集。
[0046]
所述训练数据集被划分成训练集和测试集。训练集用于训练混合老化状态模型，而测试集用于借助于新的未知的数据验证混合老化状态模型。
[0047]
在步骤s1中，物理老化模型5根据训练集的第一部分参数化，尤其通过借助于最小二乘法等的参数优化来参数化。作为物理老化模型5的输出的物理老化状态sohph在此假设为相应的训练数据集的老化状态。
[0048]
在步骤s2中，物理老化模型应用于混合模型的整个训练集，即多个训练数据集，所述多个训练数据集至少包括用来参数化物理老化模型的训练数据集的集合或者甚至超出该集合。物理老化模型的误差相应地在关于作为模型偏差的直方图的残差的总误差中被评估。所述残差结合运行特征m或运行变量f包含关于物理老化模型5的系统性弱点的所有相关信息。也得到如下信息：即物理老化模型5关于不用于物理老化模型5参数化的新的训练数据集如何表现。
[0049]
在下一步骤s3中，基于数据的校正模型6根据混合模型的完整的训练集进行训练。该混合模型的所述训练集至少包括根据步骤s1的物理模型的训练集。为了训练校正模型6，从运行变量f中提取运行特征m，并且将物理老化模型5的内部状态用作为m的子集，以便根据训练数据集将全部运行特征映射到标记的老化状态和物理老化模型的模型预测（物理老化状态）之间的误差上。由此，校正模型6可获知物理老化模型5的弱点，以便可以因此在校正块中执行物理老化状态的校正。
[0050]
基于数据的校正模型6的训练可以借助交叉验证和自举汇聚（bootstrap aggregating）执行，以改进鲁棒性和准确性。当训练校正模型时，可以在步骤s4中借助测试集对训练过的混合老化状态模型进行验证，使得可以验证老化状态计算的整体性能。
[0051]
训练过的混合老化状态模型现在可用于基于运行变量f求出老化状态。为了根据使用数据、诸如机动车辆的驾驶员的使用模式n预测老化状态，可以使用如图4中所示的模型。根据图2，训练过的混合模型因此还可以包括特征提取块和数据规则减少块（例如，具有主成分分析：pca）。
[0052]
当新的标记的数据可用时，尤其是当其包含新的且相关的信息时，总是可以启动混合老化状态模型的训练。在基于车队数据在中央单元中运行时，因此可以不断地再训练混合老化状态模型以求出老化状态并预测老化状态。
[0053]
图4基于图2的混合老化状态模型，其中附加地使用动态模型9，以便基于电池电流i并且必要时基于电池温度t生成电池电压u和充电状态soc的曲线，因为物理老化模型5需要运行变量f的时间序列或曲线。这根据能量存储器41的老化状态进行，其引起动态模型的更新。动态模型9的传输行为因此根据能量存储器41的老化变化。这优选地通过基于计算的建模的老化状态soh更新动态模型9的参数和/或状态来进行。
[0054]
为了将老化状态信息纳入系统动态中，根据建模的老化状态soh运行使用模式模型10。例如，因此在用电池运行的车辆的情况下可以考虑：驾驶员在电池老化的情况下每周必须充电3次，而不是最初的仅2次，以覆盖驾驶员期望的距离。
[0055]
使用模式模型10使用预给定的使用模式n。使用模式通过使用参数n定义，所述使用参数通过车队数据车辆个体地通过使用模式模型10、优选地借助于基于数据的方法来学到，并且用于模拟关于相关的车辆电池41的传动系或用户的使用行为。使用模式n引起通过使用模式模型10输出电池电流i和电池温度t作为负载变量l，从中借助于动态模型9用电池电压u和充电状态soc来完整运行变量（f）集。
[0056]
使用模式n可以说明能量存储器的负载的类型，特别是周期负载。因此，可以说明通过快速充电电流引起的频繁的快速充电和快速充电的周期性。因此，对于使用模式n得到时间序列，尤其是电池电流和温度的时间序列，所述时间序列包含每周和季节性的周期性效应。
[0057]
使用模式n尤其还可以说明环境条件和周期负载曲线。环境条件例如可以从气候表中导出，说明电池温度在昼夜节律、季节等内的曲线，优选借助于gps相关的天气数据从中央单元（云）中导出。
[0058]
可以说明多种使用模式n，使得叠加电池电流和电池温度的所得廓线。
[0059]
使用模型10和动态模型9通过更新的老化状态soh来适配，优选地经由更新相应模型的参数和/或状态来适配。动态模型9可以以不同类型设计，诸如电池单池的等效电路模型、电化学模型、单粒子模型等。
[0060]
动态模型9的输出是建模的电池电压（端子电压）和充电状态soc，所述电池电压和充电状态分别受建模的老化状态soh影响。
[0061]
通过预测建模的老化状态soh的可能性，可以创建使用模式n的驾驶员个体的老化状态轨迹。使用模式n从压力因素推导出和/或可以基于历史车队数据驾驶员个体地且基于数据地学到。优选地，为此，将自回归模型或替选地深度学习方法用于模式识别。