运行提供电储能器的预测老化状态的系统的方法和装置与流程

1.本发明涉及具有电储能器的与电网无关地运行的电设备，特别是可电驱动机动车辆，特别是电动车辆或混合动力车辆，并且还涉及用于确定所述电储能器的老化状态（soh：state of health）的措施。除了移动电储能器之外，本发明还涉及固定电储能器。


背景技术：

2.与电网无关地运行的电设备和机器（例如可电驱动机动车辆）的能量供应是借助于电储能器（通常是设备电池组或车辆电池组）进行的。这些电储能器提供电能以运行设备。然而，燃料电池也可以用作电储能器。
3.储能器的老化状态在其使用寿命过程中明显降低，这导致最大存储容量降低。储能器的老化度量取决于储能器的个体负荷，即在机动车辆的车辆电池组的情况下取决于驾驶员的使用行为、外部环境条件和车辆电池组类型。
4.在停车阶段或休息阶段期间，通常不会测量和提供电池组数据，或者仅在非常小的范围内测量和提供电池组数据。由此产生时间空隙，在这些时间空隙中不存在影响设备电池组的压力因素或对所述压力因素的指示不足。这些数据空隙使得很难完全跟踪和预测老化状态变化过程。然而，储能器的老化状态变化过程的预测是重要的技术变量，因为利用该技术变量能够对储能器的剩余价值进行经济评估。


技术实现要素：

5.根据本发明，提供了根据权利要求1的用于预测电储能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设备中的装置。
6.在从属权利要求中说明了其他设计。
7.根据第一方面，提供一种用于预测具有至少一个电化学单元、特别是电池组电池单元的电储能器的老化状态的计算机实现的方法，或者还通过在整个系统中基于规则和/或基于数据的映射，具有以下步骤：-提供基于数据的老化状态模型，所述老化状态模型被训练为根据所述储能器（41）的运行变量（f）的变化过程将建模的老化状态（soh）分配给所述电化学储能器（41），-提供表征所述电储能器的运行的所述运行变量（f）的时间变化过程；-借助于所述老化状态模型，根据所生成的所述运行变量（f）的变化过程确定当前或预测的建模的老化状态（soh），其中基于所述储能器的温度的变化过程补充由于不活动阶段导致的运行变量的时间变化过程中的数据空隙，所述温度的变化过程从提供的环境条件中导出。
8.通常不直接测量可充电电储能器、特别是设备电池组的老化状态。这将需要在储能器附近有一系列传感器，这些传感器使得这种储能器的制造成本高且复杂并且会增加空间需求。此外，市场上还没有适合日常使用的用于在设备中确定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确定当前的老化状态。这种物理老化状态模型在
特定状况下是不准确的，并且通常具有高达多于5%的模型偏差。
9.此外，由于物理老化模型的不准确性，该物理老化模型只能说明储能器的瞬时老化状态。老化状态的预测特别是取决于储能器的运行方式（例如在设备电池组的情况下取决于电荷流入和电荷流出的大小和数量）并且因此取决于使用行为和使用参数，会导致非常不准确的预测并且目前尚未提供。
10.在设备电池组作为电储能器的情况下，老化状态（soh：state of health）是用于说明剩余电池组容量或剩余电池组电荷的关键变量。老化状态是电储能器的老化的度量。在设备电池组或电池组模块或电池组电池单元的情况下，老化状态可以作为容量保持率（capacity retention rate，soh-c）或作为内阻增加（soh-r）来加以说明。容量保持率soh-c作为测量的瞬时容量与完全充满的电池组的初始容量的比值加以说明。内阻的相对变化soh-r随着电池组老化的增加而上升。
11.在基于数据的老化状态模型的基础上提供电储能器的老化状态的用户特定的和使用特定的预测的方案是非常有前途的。例如，可以在中央单元（云）中实现基于数据的老化状态模型，并借助于与所述中央单元通信连接的大量设备的储能器的运行变量来训练所述老化状态模型。
12.用于确定电储能器的老化状态的老化状态模型可以按照混合老化状态模型的形式提供，即物理老化模型与基于数据的模型的组合。在混合模型的情况下，可以借助于物理或电化学老化模型确定物理老化状态，并且可以对该物理老化状态施加校正值，该校正值由基于数据的校正模型产生，特别是通过添加或乘法。物理老化模型基于电化学模型方程，这些电化学模型方程表征电化学状态并且为了输出所述电化学状态将它们映射为物理老化状态，包括soh-c和soh-r。
13.此外，可以用概率的或基于人工智能的回归模型，特别是高斯过程模型来构造混合的基于数据的老化状态模型的校正模型，并且所述校正模型可以被训练为校正物理老化状态。为此，因此存在老化状态的用于校正soh-c的基于数据的校正模型和/或老化状态的用于校正soh-r的另外的基于数据的校正模型。监督学习的可能替代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.如果应当确定储能器的剩余使用寿命，则老化状态的预测是有帮助的。为此，可以结合具有电储能器的设备的使用者的预给定使用模式连续询问基于数据的老化状态模型。为此，需要连续生成人工运行变量的变化过程，该连续生成是物理老化模型所需要的。为此，基于负荷变量产生所述运行变量。
15.这种预测的可能性有利地使用经过训练的老化状态模型和使用模式来产生运行变量的输入侧时间序列，从而与有空隙的数据（计算）或纯外推方法（预测）相比，可以更准确地计算或预测老化状态。
16.负荷变量是在使用模型中生成的。所述使用模型被构造为基于车辆特定的使用模式连续输出至少一个负荷变量的变化过程。这使得能够将通过使用模式参数化的使用行为转换为至少一个负荷变量的时间序列。所述使用模式因此可以借助于负荷变量说明储能器的负荷类型。所述使用模式可以作为使用模式模型的模型参数存在和/或可以从数据库提供给使用模式模型。
17.在电池组作为储能器的情况下，所述负荷变量说明至少一个电流负荷。在电池组
作为储能器的情况下，另外的负荷变量可以说明温度负荷、负荷的时间频率和/或周期性负荷（周期性）。
18.所述使用模型还可以提供不活跃阶段和针对这些不活跃阶段的数据重构以模拟实际的使用行为。在真实的并且通过使用模式或使用行为预给定的不活动阶段中不使用储能器，并且储能器没有通过输入或取出电能而被施加负荷。然而，可以以储能器的温度的形式存在的负荷作用于储能器，而无需用传感器来检测该负荷。特别是当作为储能器的电池组具有高充电状态时，高环境温度会给电池组带来额外的负荷并导致老化加剧。
19.由于不活动阶段期间电池组温度在很大程度上取决于环境条件，如环境温度、气压或空气湿度，因此可以借助于使用模式模型和在这种不活动阶段期间的动态模型根据环境条件估计或预给定运行变量。通过这种方式，还可以为不活动阶段对老化影响建模，由此计算和预测所述老化影响。
20.可以规定，基于驾驶员特定的、基于数据的使用模式模型借助于历史使用行为来提供用于生成至少一个负荷变量的时间序列的使用模式。所述使用模式特别是用于重建计算中的数据空隙以及预测老化状态。
21.此外，可以提供具有所谓电池组模型的动态模型，所述动态模型有利地被构造为储能器的等效电路模型、电化学模型或单粒子模型。特别地，所述动态模型可以说明对至少一个负荷变量的响应，并且特别是考虑动态传输行为中的温度依赖性和/或非线性。所述动态模型根据至少一个负荷变量生成例如可以包括电压的一个或多个运行变量。在储能器具有电池组电池单元的情况下，在动态模型的输入侧提供电流。动态模型的输出是电池组电池单元的电压响应。该电压响应尤其取决于温度，并且还可以考虑传输行为中的非线性效应。所述动态模型可用于从电流和温度推断出电压和soc。
22.此外，为了确定不活动阶段期间的温度变化过程，可以使用基于数据的温度模型，所述基于数据的温度模型被训练为根据至少一个环境条件提供储能器的温度。
23.特别地，所述温度模型可以根据储能器的位置（特别是地理位置）以及储能器暴露于环境温度的方式来对储能器的温度建模。
24.此外，所述环境条件可以从天气信息中导出，特别是借助于从天气数据库中调用，或者通过直接测量环境温度。
25.可以规定，在不活动阶段的初始阶段期间，根据物理冷却模型对电池组温度的变化过程建模，该物理冷却模型也考虑环境温度。
26.此外，储能器的温度可以代表动态模型的负荷变量，其中所述动态模型根据所述温度和不活动阶段期间的电流对储能器的电压建模，其中所述动态模型可以被构造为储能器的等效电路模型或被构造为电化学模型或被构造为单粒子模型。
27.特别地，可以根据建模的老化状态对所述动态模型进行适配，其方式特别是基于建模的老化状态更新所述动态模型的模型参数或状态。
28.此外，在电池组作为储能器的情况下，所述动态模型在不活动阶段中可以根据建模的老化状态，对应于不活动阶段开始时的充电状态与不活动阶段结束时的充电状态之间的线性充电状态变化过程提供充电状态变化过程。
29.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。所述训练数据集可以通过评估一个或大量设备和/或测试载体来提供。训练数据集分别向运行变
量的变化过程分配老化状态。该老化状态可以基于已知方法确定，例如借助于现场的诊断测量，例如基于库仑计数，或者替代地在实验室中通过参考测量。
30.所述基于数据的老化状态模型可以基于训练数据集加以训练，其中所述训练数据集细分为训练集和扩展的训练集，其中用所述训练集对所述老化模型参数化，并且其中基于整个扩展的训练集来训练所述校正模型，其中基于所述模型未知的测试集合测试所述基于数据的老化状态模型，以确定所述基于数据的老化状态模型的有效性。
31.可以规定，根据预测的老化状态的变化过程运行所述电储能器，其中特别是根据所述预测的老化状态的变化过程发信号通知所述电储能器的剩余使用寿命或通过减少压力因素的措施延长使用寿命。
32.根据另外的实施方式，所述储能器可以用于运行诸如机动车辆、电动助力车、飞行器（特别是无人机）、机床、娱乐电子设备（如移动电话）、自主机器人和/或家用电器的设备。
33.根据另一方面，一种用于预测具有至少一个电化学单元的电储能器的老化状态的装置，或也通过在整个系统中基于规则和/或基于数据的映射，其中所述装置被构造为：-提供基于数据的老化状态模型，所述老化状态模型被训练为根据所述储能器的运行变量的变化过程将建模的老化状态分配给所述电化学储能器，-提供表征所述电储能器的运行的所述运行变量的时间变化过程；-借助于所述老化状态模型，根据所生成的所述运行变量的变化过程确定当前或预测的建模的老化状态，其中基于所述储能器的温度的变化过程补充由于不活动阶段导致的运行变量的时间变化过程中的数据空隙，所述温度的变化过程从提供的环境条件中导出。
附图说明
34.下面基于附图更详细地解释实施方式。
35.图1示出了提供用于在中央单元中确定车辆电池组的老化状态的驾驶员特定的和车辆特定的运行变量的系统的示意图；图2示出了混合老化状态模型的功能结构的示意图；图3示出了说明用于训练基于数据的老化状态模型的方法的流程图；以及图4示出了具有老化状态的依赖于使用的预测的混合老化状态模型的功能结构的示意图；图5a-5c示出了在不活动阶段期间的充电状态、电池组温度和电池组温度对环境温度的依赖性的变化过程；以及图6示出了温度模型的通过训练数据学习的特性曲线的图示。
具体实施方式
36.下面基于车辆电池组描述根据本发明的方法，所述车辆电池组作为在作为相同类型的设备的大量机动车辆中的电储能器。在这些机动车辆中，可以在控制单元中实现用于相应车辆电池组的基于数据的老化状态模型。基于来自车队的车辆电池组的运行变量，可以在中央单元中连续更新或重新训练所述老化状态模型。替代地，所述老化状态模型可以纯粹在云中运行，并且可以提供用于计算老化状态和预测老化状态的结果。所述老化状态
模型在中央单元中运行并且用于老化计算和老化预测。
37.上面的示例代表了大量具有与电网无关的能量供应的固定或移动设备，例如车辆（电动车辆、电动助力车等）、设施、机床、家用电器、物联网设备等，它们经由对应的通信连接（例如lan、互联网）连接到中央单元（云）。
38.图1示出了用于在中央单元2中收集车队数据以创建、运行和评估老化状态模型的系统1。所述老化状态模型用于确定电储能器的老化状态，例如车辆电池组或机动车辆中的燃料电池。图1示出了具有多个机动车辆4的车队3。
39.在图1中更详细地示出了机动车辆4之一。每个机动车辆4具有作为可充电电储能器的车辆电池组41、电驱动马达42和控制单元43。控制单元43连接到通信模块44，该通信模块适合于在相应的机动车辆4和中央单元（所谓的云）之间传输数据。
40.机动车辆4将运行变量f发送到中央单元2，所述运行变量至少说明影响车辆电池组的老化状态或被车辆电池组的老化状态影响的变量。在车辆电池组的情况下，运行变量f可以说明瞬时电池组电流、瞬时电池组电压、瞬时电池组温度和瞬时充电状态（soc：state of charge），包括电池包层面、模块层面和/或电池单元层面。以取决于典型地介于0.1hz和100hz之间的信号的快速时间栅格检测运行变量f，并且这些运行变量可以以未压缩和/或压缩的形式定期传输到中央单元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到中央单元2。
41.可以在中央单元2中或在其他实施方式的情况下在相应的机动车辆4中就已经从运行变量f生成涉及评估时间段的运行特征m。为了确定老化状态，所述评估时间段可以是几个小时（例如6小时）到多周（例如一个月）。所述评估时间段的常用值为一周。
42.运行特征可以包括例如涉及评估时间段的特征和/或累积的特征和/或在整个迄今为止的使用寿命期间确定的统计变量。特别地，所述运行特征可以包括例如：充电状态变化过程上、温度上、电池组电压上、电池组电流上的直方图数据（特别是涉及充电状态上的电池组温度分布、温度上的充电电流分布和/或温度上的放电电流分布的多维直方图数据）、累积的总电荷(ah)、充电过程中的平均容量增加（特别是对于电荷增加量高于总电池组容量的阈值份额（例如20%）的充电过程而言）、在充电状态具有足够大冲程的测量的充电过程期间的最大微分容量（dq/du：电荷变化除以电池组电压变化）等。
43.老化状态（soh：state of health）是用于说明剩余电池组容量或剩余电池组电荷的关键变量。老化状态是车辆电池组或电池组模块或电池组电池单元的老化的度量，并且可以作为容量保持率（capacity retention rate，soh-c）或作为内阻增加（soh-r）来加以说明。容量保持率soh-c作为测量的瞬时容量与完全充满的电池组的初始容量的比值加以说明。内阻的相对变化soh-r随着电池组老化的增加而上升。
44.在中央单元2中实现老化状态模型，该老化状态模型特别是完全或部分基于数据的。所述老化状态模型可以定期地，即例如在相应的评估持续时间过去之后，用于基于运行特征和/或运行变量来确定车辆电池组41的瞬时老化状态。换言之，可以基于由车队3的机动车辆4之一的运行变量变化过程得出的运行变量和/或运行特征来确定所涉及车辆电池组41的老化状态或与该储能器相关联的模块或电池单元的老化状态。
45.此外，可以例如通过线性或非线性外推或借助于预测模型确定运行变量，即车辆电池组41的未来老化状态。优选地，可以使用基于数据的算法来预测运行特征，如借助于
arima模型的深度学习算法或自回归方法，其表征历史运行特征的变化过程中的趋势和周期性以预测所述运行特征。
46.图2以示例的方式示意性地示出了以混合方式构建的基于数据的老化状态模型9的实施方式的功能结构。老化状态模型9包括物理老化模型5和校正模型6。它们获得当前评估时间段的运行变量f或运行特征m。当前评价时间段的运行特征m在特征提取块8中基于运行变量f的时间序列而产生。
47.运行变量f直接进入物理老化状态模型5，该物理老化状态模型优选被设计为电化学模型并且借助于非线性微分方程描述对应的电化学状态，如层厚度（例如sei厚度）、由于阳极/阴极副反应引起的可环化锂的变化、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。
48.物理老化模型5对应于电池组电池单元和电池单元化学的电化学模型。该模型根据运行变量f确定内部物理电池组状态，以便以上述电化学状态的形式提供至少一维的基于物理的老化状态sohph，所述电化学状态被线性或非线性地映射为容量保持率（soh-c）和/或内阻增加率（soh-r）以提供它们（soh-c和soh-r）。
49.然而，通过电化学模型提供的物理老化状态sohph的模型值在特定状况下是不准确的，因此规定使用校正变量k来校正这些模型值。校正变量k由基于数据的校正模型6提供，该校正模型借助于来自车队3的车辆4的训练数据集和/或借助于实验室数据加以训练。
50.为了确定待输出的经过校正的老化状态soh，物理老化模型5和优选设计为高斯过程模型的校正模型6的输出sohph，k彼此施加。特别地，这些输出可以在求和块7中相加或相乘（未示出），以获得要在当前评估时间段输出的建模的老化状态soh。在加法的情况下，高斯过程的置信度仍然可以用作混合模型的待输出的经过校正的老化值soh的置信度。
51.如果在计算老化状态期间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，并且置信区间以及由此预测的不确定性由于外推的数据状况而扩大。先验为0或接近0，因为高斯过程是在纯物理老化模型的残差上训练的，该残差通常在0附近正态分布，以便对所述纯物理老化模型进行校正。如果高斯过程知道当前运行特征点附近的一些已知训练数据点，这些训练数据点通过训练过程被纳入高斯过程并且由此被纳入混合老化状态模型，则高斯过程可以精确地校正老化状态。由此使得不确定性并且因此置信区间变小或变窄，因为数据驱动的校正以及因此老化状态模型整体由于良好的数据情况而非常可靠。
52.基于数据的老化状态模型的其他设计同样是可能的，例如基于数据的老化状态模型可以被构造为基于概率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）的非混合的、纯基于数据的模型。该老化状态模型可以被训练为从由当前评估时间段的当前运行特征m确定的运行特征点提供建模的老化状态soh，其中在特征提取块8中基于运行变量f的时间序列确定运行特征m。
53.pca（principal components analysis，主成分分析）可以用于运行特征的缩放和维度缩减，以对应地在训练校正模型（无监督地）之前减少特征空间中冗余的线性相关信息。替代地，也可以使用内核pca，以便能够在降低数据的复杂性的同时也映射出非线性效应。在维度缩减之前和特别是在维度缩减之后，整个运行特征空间（或主成分空间）都被标准化，例如使用最小/最大缩放或z变换。
54.因此，对于具有诸如电池组电池单元的至少一个电化学单元的储能器而言，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所述储能器的整个系统。因此，以电池组为例，老化预测不仅可以应用于电池单元层面，还可以直接应用于模块层面和电池包层面。
55.图3示出了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。为此定义将运行变量的变化过程分配给老化状态的训练数据集。这些训练数据集可以在中央单元2中从大量车辆收集，或者替代地或补充地通过基于实验室的测量收集。
56.这些训练数据集分为训练集合和测试集合。所述训练集合用于训练混合老化状态模型，而所述测试集合用于借助于新的未知数据验证混合老化状态模型。
57.在步骤s1中，根据训练集合的第一部分，特别是通过借助于最小二乘法等的参数优化来参数化物理老化模型5。在此，将作为物理老化模型5的输出的物理老化状态sohph假设为相应训练数据集的老化状态。
58.在步骤s2中，将物理老化模型应用于混合模型的整个训练集合，即以下数量的训练数据集，该数量至少包括对物理老化模型参数化的训练数据集的数量或甚至超过该数量。物理老化模型的误差对应地在关于残差的整体误差中作为模型偏差的直方图得到评估。该残差与运行特征m或运行变量f相组合地包含关于物理老化模型5的系统性弱点的所有相关信息。还得出物理老化模型5在不用于参数化物理老化模型5的新训练数据集方面是如何表现的信息。
59.在下一步骤s3中，在混合模型的完整训练集合上训练基于数据的校正模型6。混合模型的该训练集合至少包括对应于步骤s1的物理模型的训练集合。对于校正模型6的训练，从运行变量f中提取运行特征m并且使用物理老化模型5的内部状态作为m的子集合，以将所有运行特征映射为物理老化模型的模型预测（物理老化状态）与对应于训练数据集标注的老化状态之间的误差。由此，校正模型6可以学习物理老化模型5的弱点，以由此能够在校正块中校正物理老化状态。
60.基于数据的校正模型6的训练可以通过交叉验证和顺序装袋（bootstrap aggregating，自举汇聚）进行，以改善鲁棒性和准确性。如果校正模型经过了训练，则可以在步骤s4中借助于模型未知的测试集合来验证经过训练的混合老化状态模型，从而可以验证老化状态计算的整体性能。
61.现在，经过训练的混合老化状态模型可以用于基于运行变量f确定当前或预测的老化状态。为此，特别是在计算老化状态时重建非活动阶段，特别是在温度变化过程的建模方面。为了根据使用数据（例如机动车量驾驶员的使用模式n）来预测老化状态，可以使用如图4所示的模型。因此，经过训练的混合模型还可以根据图2包括特征提取块和数据阶（datenordnung）减少块（例如，具有主成分分析：pca）。
62.当新的经过标记的数据可用时，特别是当这些数据包含新的相关信息时，总是可以启动混合老化状态模型的训练。因此，当在中央单元中基于车队数据运行时，可以对混合老化状态模型进行持续的重新训练，以确定老化状态和预测老化状态。
63.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和模式模型10来基于诸如电池组电流i和电池组温度t的负荷变量l生成电池组电压u和充电状态soc的变化过程。动态模型可以包括电池组模型，该电池组模型基于等效电路模型从负荷变量中生成运
行变量。这使得也可以与提供车辆电池组41的真实运行变量无关，因为物理老化模型5需要运行变量f的时间序列或变化过程来对老化状态建模。这根据储能器41的老化状态进行，这导致动态模型的更新。因此，动态模型9的传输行为根据储能器41的年龄而变化。这优选地通过基于所计算的建模的老化状态soh更新动态模型9的参数和/或状态来完成。
64.为了将老化状态信息纳入到系统动态中，根据建模的老化状态soh运行使用模式模型10。因此，例如在使用电池组驱动车辆的情况下可以考虑到，驾驶员在电池组老化的情况下每周必须充电3次，而不是最初的仅2次，才能行驶其期望的距离。
65.使用模式模型10使用预给定的使用模式n。使用模式由可以车辆特定或驾驶员特定地预给定的使用参数定义。例如，使用参数可以是使用模式模型10的模型参数。
66.使用模式n通过车队数据车辆特定地由使用模式模型10学习，优选地在基于数据的方法的帮助下，并用于模拟用户或传动系在所涉及车辆电池组41方面的使用行为。使用模式n可以由使用模式数据库11提供，该使用模式数据库以使用参数的形式向车辆电池组41提供先前学习的使用模式。
67.使用模式n通过使用模式模型10导致输出作为负荷变量l的电池组电流i和电池组温度t的时间变化过程，借助于动态模型9从这些时间变化过程中形成具有电池组电压u和充电状态soc的时间变化过程的运行变量（f）集，从而完成老化模型所需的运行变量的时间序列。使用模式模型可以对应地被构造为递归神经网络（lstm，gru），该递归神经网络基于来自车辆电池组的大量数据和对应产生的老化，使用真实的、特定于车辆的运行变量加以训练。因此，使用模式模型根据老化状态soh和使用模式n生成负荷变量的时间序列，其表征车辆特定的负载曲线并且在混合老化状态模型中导致与使用模式n相对应的老化状态的确定。
68.使用模式n可以说明储能器的负荷类型，特别是从历史运行行为导出的周期性负荷。使用模式n定义了所涉及车辆电池组41的负荷并确定负荷变量的变化过程，使得这些变化过程对应于所涉及车辆电池组41的退化或老化变化过程。从而可以通过使用模式明确或隐含地说明通过快速充电电流和快速充电的周期性的频繁快速充电。因此，从使用模式模型10中的使用模式n得到包含每周和季节性周期性效应或线性或非线性趋势的时间序列，特别是针对电池组电流和温度。
69.使用模式n还可以学习不活动阶段的建模并且因此可以检测或预给定并且特别是说明基于日历的老化，特别是根据环境条件。所述环境条件例如可以从气候表中导出，说明电池组温度在昼夜节律、季节等内的变化过程，优选借助于来自中央单元（云）的gps相关的天气数据。因此，计算出的温度变化过程代表了重建的电池组温度信号，所述电池组温度信号可以用作在混合模型中用于计算soh的输入。
70.不活动阶段是不进行充电过程并且也不通过汲取电流进行放电的阶段。在电动车辆的情况下，这是例如停车阶段。这里存在关于电流的空载情况，但诸如温度的环境影响仍然是电池组退化的压力因素。此外，在非活动阶段一般不以传感器方式检测运行变量或仅暂时地检测运行变量，从而不存在关于所涉及车辆电池组的当前信息。
71.特别地，车辆电池组的老化状态和老化取决于车辆电池组41的充电状态和车辆电池组在非活动阶段期间的温度变化过程。借助于使用模式模型10，还可以根据环境条件来考虑这种不活动阶段，并且可以重建负荷变量l（如电池组电流和电池组温度）的缺失的时
间序列变化过程。从而例如车辆电池组41的自放电取决于环境影响，例如在不活动阶段开始时和过程期间的环境湿度、环境温度和老化状态。一般来说，可以将不活动阶段期间的充电状态变化过程建模为随时间变化的线性变化过程，从而充电状态soc的变化过程可以由不活动阶段开始时的充电状态soc1和不活动阶段结束时或紧随其后的充电状态soc2确定。
72.借助于不活动模型12监视运行变量f的时间变化过程。如果不存在不活动阶段，则从所涉及车辆4接收的运行变量f用于以上述方式计算老化状态soh。如果确定运行变量的时间变化过程具有较长持续时间的时间空隙，所述时间空隙表明车辆已经停止，则借助于使用模式模型10和动态模型9生成人工运行变量的时间变化过程。为此，在使用模式模型10中使用温度模型10a如下所述生成电池组温度t的以及电池组电流（例如0a）的时间变化过程，并且使用动态模型9如下所述生成充电状态soc的以及电压状态的时间变化过程。所生成的数据然后替换了运行变量的常规接收的时间变化过程。
73.图5a示例性地示出了在车辆停放过夜而没有充电的情况下在不活动阶段期间充电状态soc的变化过程。如果识别出不活动阶段，则可以通过动态模型9生成不活动阶段期间充电状态soc的该变化过程。
74.借助于作为使用模式模型10的一部分的驾驶员特定的或电池组特定的温度模型10a，可以基于在不活动阶段期间环境条件的变化过程（特别是环境温度ut）和必要时基于对停放位置的说明，对电池组温度t的变化过程建模。例如，可以通过从天气数据库调用历史的、当前的和/或未来的天气信息，通过针对车辆在不活动阶段期间停放的地理位置的天气数据来确定不活动阶段期间环境条件的变化过程或特别是环境温度的变化过程。
75.示例性地得出在图5b的图表中所示的温度变化过程。可以看到不活动阶段的主阶段h的温度变化过程，其取决于环境温度变化过程ut。
76.在图5c中示出了来自环境温度ut的电池组温度t的变化过程。温度模型将环境温度ut映射为电池组温度bt（=t）并且示例性地显示在图6的特性曲线中。为了训练温度模型，使用由电池组温度和环境温度（特别是在稳定状态下，例如点火开启时）得到的训练数据，以学习针对不同温度范围以及必要时停留位置的环境温度和电池组温度之间的关系。然后训练温度模型以将电池组温度t分配给环境温度ut的特征。
77.分配给所涉及车辆电池组的使用模式n可以明确或隐含地说明车辆在不活动阶段期间停放在哪个停放位置。该停放位置可以被定义为车辆停放的地理位置和/或关于车辆停放的停车位类型的说明。例如，关于停车位类型的说明可以设定车辆是处于受保护的停留位置还是空闲的停留位置，还是停在车库中。根据停放位置，可以提供相关联的温度模型，通过该温度模型将环境温度映射为作用于车辆电池组的温度。
78.从而可以考虑到所述温度模型考虑了在所述停留位置处占主导的其他条件，这些条件可以在温度模型的训练期间得到学习。从而例如对于停在停车场的车辆，在夏季电池组温度的变化过程可能小于环境温度的变化过程，而在冬季可能高于环境温度的变化过程。例如，温度模型可以根据车辆的停留位置和根据环境温度来说明电池组温度。该模型可以在车辆电池组的冷却阶段之后用于优选映射电池组温度的稳定部分。
79.另外，在不活动阶段的初始阶段a，从停放时刻的电池组温度出发，可以根据车辆的停留位置处的环境温度和根据关于停放位置的说明来考虑一般非稳定的冷却过程。可以借助于物理驱动的冷却模型对初始阶段a中的电池组温度建模。如果物理驱动的冷却模型
达到通过温度模型确定的电池组温度，或者如果该冷却模型以小于容差阈值的方式接近所述电池组温度，使得达到稳定状态，则结束通过冷却模型对电池组温度t的评估，并且借助于温度模型评估不活动阶段的主阶段h中的电池组温度t。
80.对于每个车辆电池组，通过运行数据学习并提供对应的使用模式，该使用模式根据频繁使用的停放位置为不活动阶段定义了依赖于驾驶员和必要时依赖于地理位置的温度模型。
81.温度模型的训练可以针对所涉及车辆电池组利用训练数据进行，所述训练数据由不活动阶段结束时的稳定电池组温度和稳定环境温度得出。
82.在不活动阶段期间为恒定~0a的电流和作为时间序列信号的温度给出（以及充电状态）之后，现在可以在动态模型9中通过电池组模型将电压响应计算为时间序列信号，以尽可能地重建完整的不活动阶段。
83.上述过程使得能够对应于使用模式n预给定在不活动阶段期间的充电状态soc的变化过程以及电池组温度t的变化过程。
84.因此，当前或预测的老化状态的计算可以以适当的方式利用变化过程数据来考虑通过使用模式n预给定的不活动阶段，从而即使不存在运行变量的时间变化过程也可以以改进的方式对老化状态建模。此外，驾驶员特定的经过学习的使用模式也可以用于预测老化状态。
85.通过更新的老化状态soh来适配使用模型10和动态模型9，优选地通过更新相应模型的参数和/或状态。动态模型9可以以多种方式设计，例如等效电路模型、电化学模型、电池组电池单元的单粒子模型等。
86.动态模型9的输出是建模的电池组电压（端子电压）和充电状态soc，它们分别受到建模的老化状态soh的影响。
87.由于预测建模的老化状态soh的可能性，可以为使用模式n创建驾驶员特定的老化状态轨迹。使用模式n从压力因素中导出和/或可以基于历史车队数据驾驶员特定地和基于数据地进行学习。为此，优选使用自回归模型或替代地使用用于模式识别的深度学习方法。