确定和改善蓄能器老化状态的预测的置信度的方法和装置与流程

1.本发明涉及独立于电网运行的具有电蓄能器的电气设备、尤其是电可驱动机动车、尤其是电动车辆或混合动力车辆，而且还涉及用于确定电蓄能器的老化状态（soh：state of health）的措施。


背景技术：

2.对独立于电网运行的电气设备和机器、诸如电可驱动机动车的能量供应借助于电蓄能器、通常是设备电池组或车辆电池组来实现。这些电蓄能器为设备的运行提供电能。然而，能量转换器，诸如燃料电池系统，包括氢气储罐在内，也被视为电蓄能器。
3.电蓄能器或能量转换器会在其使用寿命期间并且根据其负载或使用情况而退化。这种所谓的老化导致最大性能能力或蓄能容量持续下降。老化状态对应于用于说明蓄能器的老化的量度。按照惯例，新的蓄能器的老化状态为100%，该老化状态随着其使用寿命的推移而显著降低。蓄能器的老化的量度（老化状态的随时间的变化）取决于蓄能器的单独的负载，也就是说在机动车的车辆电池组的情况下取决于驾驶员的使用行为、外部环境条件以及取决于车辆电池组类型。
4.虽然借助于物理老化状态模型可以基于历史运行状态变化过程来确定蓄能器的当前老化状态，但是该模型在某些情况下不准确。常规老化状态模型的这种不准确使得对老化状态变化过程的预测变得困难。然而，对蓄能器的老化状态的变化过程的预测是一个重要的技术参量，原因在于利用该技术参量能够对蓄能器的剩余价值进行经济上的评价。在这种情况下，预测的不确定性起着重要作用，原因在于该不确定性量化了技术和经济风险，例如在老化的鉴定（spezifikation）或违反保修方面。


技术实现要素：

5.按照本发明，提供了一种按照权利要求1所述的用于预测电蓄能器的老化状态或老化状态轨迹的方法以及一种按照并列独立权利要求所述的用于预测电可运行设备中的电蓄能器的老化状态的装置。
6.其它的设计方案在从属权利要求中说明。
7.按照第一方面，提供了一种用于预测在技术设备中的分别具有至少一个电化学单元、尤其是电池组电池的至少一个电蓄能器的老化状态或老化状态轨迹的计算机实现的方法，该方法具有如下步骤：
‑ꢀ
提供用于至少一个蓄能器的老化状态模型以及基于模型的老化状态轨迹，该基于模型的老化状态轨迹根据所提供的老化状态模型来被确定；
‑ꢀ
按照所提供的老化状态模型和针对该至少一个蓄能器的预测方法，确定针对恒定预测范围的一个所预测的老化状态轨迹或者针对各一个恒定预测范围的多个所预测的老化状态轨迹；
‑ꢀ
借助于优化方法，根据在该至少一个蓄能器的基于模型的老化状态轨迹与该至
少一个蓄能器的一个或多个所预测的老化状态轨迹之间的一个或多个偏差来确定预测修正参量；
‑ꢀ
根据该老化状态模型、该预测方法并且根据该预测修正参量来确定经修正的所预测的老化状态或者经修正的所预测的老化状态轨迹。
8.就本说明书而言的蓄能器包括设备电池组、具有带能量源储备的电化学能量转换器的能量转换系统，诸如具有燃料电池和能量源储备的燃料电池系统。
9.电蓄能器、尤其是设备电池组的老化状态通常不是直接被测量。这会在蓄能器内部需要一系列传感器，这些传感器会使这种蓄能器的制造成本高以及复杂并且会增加空间需求。此外，市场上还没有用于在这些蓄能器中直接进行老化状态确定的适合于日常使用的测量方法。因而，通常借助于一个或多个老化状态模型来确定电蓄能器的当前老化状态。这些老化状态模型在某些情况下不准确并且通常具有超过5 %的模型偏差。
10.此外，由于所使用的老化状态模型的不准确，该老化状态模型只能有点儿准确地说明蓄能器的当前老化状态。老化状态的尤其是取决于蓄能器的运行方式、诸如取决于在设备电池组的情况下的电荷流入和电荷流出的水平和数量并且借此取决于使用行为和使用参数的预测会导致非常不准确的预报并且目前仅仅有限地被使用。
11.在设备电池组的情况下，老化状态（soh：state of health）是用于说明剩余电池组容量或者剩余电池组电量的关键参量。老化状态是对设备电池组的老化的量度。在设备电池组或电池组模块或电池组电池的情况下，老化状态可以被指定为容量保持率（capacity retention rate，soh-c）。容量保持率soh-c被指定为所测量到的当前容量与充满电的电池组的初始容量之比。替代地，老化状态可以被指定为内阻相对于在设备电池组的使用寿命开始时的内阻的升高（soh-r）。内阻的相对变化soh-r随着电池组的老化增加而升高。
12.非常有希望的方案是：基于老化状态模型来提供对电蓄能器的负载曲线和伴随着的老化状态的特定于用户和使用的建模和预测，该老化状态模型使用运行参量从开始运转的时间点起的随时间的变化过程，以便从在开始运转时间点的老化状态出发分别逐时间步长地调整老化状态。
13.这种老化状态模型可以纯基于数据地被实现，但是也可以被实现为基于数据的混合老化状态模型。这种老化状态模型例如可以在中央单元（云（cloud））中实现并且借助于与该中央单元保持通信连接的各种设备的多个蓄能器的运行参量来被参数化或训练。
14.用于确定电蓄能器的老化状态的老化状态模型可以以混合老化状态模型、即物理（电化学）老化模型与基于数据的模型的组合的形式来被提供。在混合模型的情况下，物理老化状态可以借助于物理或电化学老化模型来被确定，并且该物理或电化学老化模型可以被加载修正值，该修正值从基于数据的修正模型中得出，尤其是通过加法或乘法来得出。
15.物理老化模型的计算基于用于求解微分方程组的时间积分方法。物理老化模型基于电化学模型方程，这些电化学模型方程表征非线性微分方程组的电化学状态（动力学状态和平衡状态）、连续计算这些电化学状态并且为了输出而将这些电化学状态映射到物理老化状态上，作为soh-c和/或作为soh-r。这些计算通常可以在云中例如每周被执行一次。
16.此外，基于数据的混合老化状态模型的修正模型可以被设计得具有概率回归模型或者基于人工智能的回归模型、尤其是高斯过程模型，并且可以被训练用于修正通过物理
老化模型所获得的老化状态。因此，为此存在老化状态的用于修正soh-c的基于数据的修正模型和/或用于修正soh-r的至少一个另外的基于数据的修正模型。高斯过程的可能的替代方案是其它监督学习方法，如基于随机森林模型、adaboost模型、支持向量机（support-vector-machine）或贝叶斯神经网络。
17.为了使用混合/基于数据的老化状态模型来预测老化状态，例如需要使用模式，这些使用模式能够提供运行参量的人工变化过程，这些人工变化过程反映了用户的可能的行为或者蓄能器的可能的使用。现在，运行参量的这些所预测的变化过程用于借助于上述老化状态模型来预测老化状态。
18.例如当应该确定蓄能器的剩下的剩余使用寿命并且例如相对于保修条件或co2车队规定来评价该剩余使用寿命时，需要对老化状态的预测。此外，对蓄能器的技术状态的透明的跨车辆评价可以有助于在对电车辆的评价方面的更高的透明度，原因在于实际的历史电池组负载——例如受双向充电的影响——通常是未知的，而且无法立即在车辆的里程方面被识别出来。
19.也可以基于其它老化状态模型来预测老化状态。用于确定电可充电的蓄能器、诸如电池组的老化状态的替代模型是所谓的基础模型。这里，老化状态值可以借助于库仑计数（coulomb-counting）法基于容量保持率（capacity retention rate）（soh-c）来被确定。为此，依据运行参量的时间变化过程来识别充电过程被执行的情况。例如，当从蓄能器的完全放电的状态（在电池组的情况下，当达到了放电终止电压时可以识别出这一点）开始供应恒定电流时，可以识别出该充电过程。因此，该充电过程可以依据流入蓄能器中的恒定的通过电流来被查明。如果该充电过程进行到充满电为止，则可以通过对流入蓄能器中的通过电流的积分来确定总共被供应给蓄能器的电荷量。通过与蓄能器的标称充电容量的比较，可以将该最大电荷量分配给老化状态值。具有特定电荷供应的部分充电以及在部分充电之前和之后对电池电压的相对应的测量也可以被评估，以便基于容量保持率来确定老化状态值。此外，库仑计数也可以在放电过程中被执行，例如在行驶循环期间被执行，其方式是确定流出的电荷量并且评估在部分充电之前和之后的电池电压。
20.借助于该基础模型对老化状态的确定是由事件触发的，使得通常只在不定期的时间点提供老化状态的模型值。
21.基于该基础模型对老化状态的预测可以通过从历史数据中确定老化状态轨迹来实现，并且该老化状态轨迹的变化过程可以通过适合的外推方法来被推导。
22.上述方法规定：基于老化状态模型和所选择的预测方法来预测蓄能器的老化状态的预测值或预测变化过程。可以规定：该老化状态模型是多个可能的老化状态模型之一，尤其是对电化学状态、尤其是动力学状态和平衡状态进行建模的物理老化模型，通过在充电过程期间的电荷测量来确定老化状态的基础模型，等等。得到老化状态的以老化状态轨迹为形式的变化过程。
23.借助于与所使用的老化状态模型适配的预测方法（例如基于使用模式或者基于外推方法），现在可以从当前的或过去的参考时间点出发来预测某个后续的预测时间点的老化状态。
24.现在，按照上述方法，创建在过去的对其来说存在能通过老化状态轨迹来确定的老化状态的不同参考时间点所预测的具有分别相同的预测范围的老化状态。该预测范围描
述了在参考时间点之后并且在预测时间点结束的时间段。因此，对于蓄能器来说，针对所选择的恒定预测范围，基于从多个参考时间点出发的预测获得多个所预测的老化状态，这些老化状态形成所预测的老化状态的变化过程的轨迹。由于预测的置信度通常取决于所选择的预测范围并且随着预测范围的延长而降低，所以选择恒定预测范围。
25.尤其是确定针对恒定预测范围的至少一个所预测的老化状态轨迹，其方式是针对来自基于模型的老化状态轨迹的一个或多个不同参考时间点借助于该老化状态模型和该预测方法来确定针对与参考时间点相隔该恒定预测范围的预测时间点的所预测的老化状态。
26.对于发生在过去的参考时间点来说，得到在相对于当前时间点同样在过去的预测时间点的所预测的老化状态，使得针对时间段所预测的老化状态（针对恒定预测范围）和基于模型地确定的老化状态并行存在。在有多个所预测的老化状态（针对恒定预测范围）和多个基于模型地确定的老化状态的情况下，这些老化状态相对应地形成可相互比较的基于模型的和所预测的老化状态轨迹。
27.现在，可以将所预测的老化状态轨迹分别与经建模的或所测量的老化状态轨迹进行比较并且利用偏差大小来评价这些老化状态轨迹之间的偏差。该评价可以依据这些老化状态轨迹之间的误差的平均误差或误差的分散来被计算。该偏差大小可以表示相关的蓄能器是处在类似蓄能器的容许性能范围内还是明显更差。这可表明异常且不符合期望的老化或使用行为。
28.尤其是，根据该偏差大小可以确定修正参量，该修正参量使平均误差或者误差的分散减小或最小化。该修正参量用于作用于根据所使用的老化状态模型和所使用的预测方法来被确定的所预测的老化状态，并且借助于优化方法来被选择为使得一个或多个所预测的老化状态轨迹与所测量的或经建模的老化状态轨迹的偏差尽可能小。
29.这可以优选地基于同一类型的多个蓄能器的多个基于模型的老化状态轨迹来被执行。因此，分别得到偏差大小，这些偏差大小应该借助于该优化方法来被最小化，以确定尤其是针对所述多个蓄能器所优化的修正参量。
30.该优化方法尤其可以提供关于老化状态轨迹的采样点的误差平方的最小化。以这种方式，可以与针对特定类型的设备电池组所使用的预测方法无关地依据来自多个设备电池组中的大量数据来改善这些老化状态轨迹。这种改善简单地通过基于确定修正参量的优化方法来实现，使得以微小的计算花费就可以执行对预测方法的适配。
31.此外，该优化方法的成本函数可以考虑在一个或多个蓄能器的基于模型的老化状态轨迹与至少一个所预测的老化状态轨迹之间的加权偏差。
32.可以规定：蓄能器被用于运行设备，如机动车、电动助力车（pedelec）、飞行器、尤其是无人机、机床、娱乐电子设备、如移动电话、自主机器人和/或家用电器。
33.按照另一方面，提供了一种用于预测在技术设备中的分别具有至少一个电化学单元、尤其是电池组电池的至少一个电蓄能器的老化状态或老化状态轨迹的装置，其中该装置被设计用于：
‑ꢀ
提供用于至少一个蓄能器的老化状态模型以及基于模型的老化状态轨迹，该基于模型的老化状态轨迹根据所提供的老化状态模型来被确定；
‑ꢀ
按照所提供的老化状态模型和针对该至少一个蓄能器的预测方法，确定针对恒
定预测范围的一个所预测的老化状态轨迹或者针对各一个恒定预测范围的多个所预测的老化状态轨迹；
‑ꢀ
借助于优化方法，根据在该至少一个蓄能器的基于模型的老化状态轨迹与该至少一个蓄能器的一个或多个所预测的老化状态轨迹之间的一个或多个偏差来确定预测修正参量；
‑ꢀ
根据该老化状态模型、该预测方法并且根据该预测修正参量来确定经修正的所预测的老化状态或者经修正的所预测的老化状态轨迹。
附图说明
34.随后，依据随附的附图更详细地阐述实施方式。其中：图1示出了用于提供特定于驾驶员和车辆的运行参量以在中央单元中确定车辆电池组的老化状态的系统的示意图；图2示出了混合老化状态模型的功能结构的示意图；图3示出了用来阐明用于修正作为蓄能器的车辆电池组的老化状态的所预测的变化过程的方法的流程图；图4示例性示出了具有针对过去的时间段的经建模的老化状态轨迹和所预测的老化状态轨迹的图表。
具体实施方式
35.在下文，依据在作为同类设备的多个机动车中的作为电蓄能器的车辆电池组来描述按照本发明的方法。在机动车中，可以在控制单元中实现用于相应的车辆电池组的基于数据的老化状态模型。如下所述，老化状态模型可以在车辆外部的中央单元中持续地基于车队中的车辆电池组的运行参量来被更新或被再训练。该老化状态模型在中央单元中运行并且被用于老化计算和老化预测。
36.上述示例代表了大量具有独立于电网的能量供应的静态或移动设备，诸如车辆（电动车辆、电动助力车等等）、设施、机床、家用电器、iot设备等等，这些静态或移动设备经由相对应的通信连接（例如lan、互联网）来与设备外部的中央单元（云）保持连接。
37.图1示出了用于在中央单元2中收集车队数据来创建并且运行以及评估老化状态模型的系统1。该老化状态模型用于确定电蓄能器、诸如在机动车中的车辆电池组或燃料电池的老化状态。图1示出了具有多个机动车4的车队3。
38.这些机动车4之一在图1中更详细地被示出。这些机动车4分别具有：车辆电池组41，作为可再充电的电蓄能器；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，该通信模块适合于在相应的机动车4与中央单元2（所谓的云）之间传输数据。
39.机动车4向中央单元2发送运行参量f，这些运行参量至少说明了影响车辆电池组41的老化状态的参量。在车辆电池组的情况下，运行参量f可以说明当前的电池组电流、当前的电池组电压、当前的电池组温度和当前的充电状态（soc：state of charge），无论是在包、模块和/或电池层面。运行参量f在从0.1 hz至100 hz的快速时间帧中被检测并且可以以未压缩和/或压缩的形式定期被传输给中央单元2。例如，为了使到中央单元2的数据流量减小到最低限度，时间序列可以在利用压缩算法的情况下以10 min乃至几小时的间隔成块
地被传输给中央单元2。
40.中央单元2具有：数据处理单元21，在该数据处理单元中可以实施随后描述的方法；和数据库22，用于存储数据点、模型参数、状态等等。
41.在中央单元2中实现老化状态模型，该老化状态模型作为混合模型部分地基于数据。老化状态模型可以定期地、即例如在相应的评估时长期间之后被使用，以便基于运行参量的随时间的变化过程（分别自从相应的车辆电池组开始运转起）以及由此所确定的运行特征来确定所分配的车队的相关的车辆电池组41的当前老化状态。换言之，能够基于所分配的车队3的机动车4的车辆电池组41之一的运行参量的变化过程以及根据运行参量的这些变化过程所得出的运行特征来确定相关的车辆电池组41的老化状态。
42.老化状态（soh：state of health）是用于说明剩余电池组容量或者剩余电池组电量的关键参量。老化状态是对车辆电池组或电池组模块或电池组电池的老化的量度并且可以被指定为容量保持率（capacity retention rate，soh-c）或者被指定为内阻的升高（soh-r）。容量保持率soh-c被指定为所测量到的当前容量与充满电的电池组的初始容量之比。内阻的相对变化soh-r随着电池组的老化增加而升高。
43.图2示例性地示意性示出了以混合方式建立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和修正模型6。
44.该物理老化模型5是基于微分方程的非线性的数学模型。对具有运行参量变化过程、尤其是自从设备电池组的使用寿命开始以来的运行参量变化过程的老化状态模型的物理老化模型的评估引起：出现物理微分方程的方程组的内部状态，该内部状态对应于设备电池组的物理内部状态。由于该物理老化模型基于物理和电化学定律，所以该物理老化模型的模型参数是说明物理特性的参量。
45.即，运行参量f的时间序列直接加入物理老化状态模型5，该物理老化模型优选地被实施成电化学模型并且借助于非线性微分方程和多维状态向量来描述相对应的内部电化学状态（动力学和平衡状态），如层厚度（例如sei厚度）、由于阳极/阴极副反应所引起的可循环锂的变化、电解质的快速消耗、电解质的缓慢消耗、阳极中的活性材料的损失、阴极中的活性材料的损失等等。
46.因此，物理老化模型5对应于电池组电池和电池化学的电化学模型。该模型根据运行参量f来确定内部物理电池组状态，以便确定以上述电化学状态为形式的维度至少为一的基于物理的老化状态sohph，这些电化学状态线性地或者非线性地被映射到容量保持率（soh-c）和/或内阻升高率（soh-r），以便提供该容量保持率和/或该内阻升高率作为老化状态（soh-c和soh-r）。
47.然而，通过电化学模型所提供的针对老化状态sohph的模型值在某些情况下不准确，并且因而规定：利用修正参量k来修正这些模型值。修正参量k由基于数据的修正模型6来提供，该修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来被训练。
48.修正模型6在输入侧获得运行特征m，这些运行特征根据运行参量f的变化过程来被确定并且也可以包括物理模型的微分方程组的内部电化学状态中的一个或多个。此外，修正模型6可以在输入侧获得从物理老化模型5中获得的物理老化状态sohph。在特征提取块8中基于运行参量f的时间序列来生成当前评估期的运行特征m。这些运行特征m还包括来
自电化学物理老化模型的状态向量的内部状态以及有利地包括物理老化状态sohph。
49.根据这些运行参量f，可以在用于每个车队3的中央单元2中或者在其它实施方式中也可以已经在相应的机动车4中生成涉及评估期的运行特征m。对于老化状态的确定来说，该评估期可以为几小时（例如6小时）至几周（例如一个月）。该评估期的常用值为一周。
50.这些运行特征m例如可包括与该评估期有关的特征和/或累积特征和/或在到目前为止的整个使用寿命期间所确定的统计参量。尤其是，这些运行特征例如可包括：电化学状态，诸如sei层厚度、由于阳极/阴极副反应所引起的可循环锂的变化、电解质溶剂的快速消耗、电解质溶剂的缓慢消耗、锂沉积、阳极活性材料的损失和阴极活性材料的损失、关于阻抗或者内阻的信息；直方图特征，如随充电状态的温度、随温度的充电电流和随温度的放电电流、尤其是关于随充电状态的电池组温度分布、随温度的充电电流分布和/或随温度的放电电流分布的多维直方图数据；以安培小时为单位的电流吞吐量；累积的总电量（ah）；在充电过程（尤其是对于其中电量增加高于整个电池组容量的阈份额[例如20 % δsoc]的充电过程来说）中的平均容量增加；充电容量；以及在所测量到的具有充电状态的足够大的提升的充电过程期间的微分容量的极值（例如最大值）（dq/du的平滑变化过程：电荷变化除以电池组电压的变化）；或者累积的行驶里程。这些参量优选地被换算，使得这些参量尽可能好地表征真实使用行为并且在特征空间中归一化。这些运行特征m可以全部或者只是部分地被用于随后描述的方法。
[0051]
为了确定经修正的所要输出的老化状态soh，使物理老化模型5和基于数据的修正模型6的输出sohph、k相互作用，该修正模型优选地实施成高斯过程模型。尤其是，这些输出可以在求和块7中相加或者在其它情况下也可以相乘（未示出），以便获得在当前评估期的所要输出的经建模的老化状态soh。在相加情况下，高斯过程的置信度还可以被用作混合模型的所要输出的经修正的老化值soh的置信度。因此，高斯过程模型的置信度表征从运行特征点或从主成分（在使用pca的情况下）到老化状态的映射的建模不确定性。
[0052]
对于运行特征的缩放和降维来说，必要时可以使用pca（主成分分析（principal components analysis）），以便相对应地在训练修正模型（无监督）之前，减少特征空间中的冗余的线性相关信息。替代地，也可以使用内核pca，以便在数据的复杂性降低中也可以映射非线性效应。不仅在降维之前而且特别是在其之后，进行对整个运行特征空间（或主成分空间）的归一化，例如使用最小（min）/最大（max）缩放或者z变换。
[0053]
因而，老化状态的计算和老化状态的预测对于具有至少一个电化学单元、例如电池组电池的蓄能器来说是可能的。该方法也能通过基于规则和/或数据的映射来被应用于蓄能器的整个系统。因此，以电池组为例，老化预测除了电池层面之外也可以直接被应用于模块层面和包层面。此外或替代地，在蓄能器系统中的最差的电池也可以被认为是电池组包的限制性组件。
[0054]
校正模型6针对物理老化模型的残差以本身公知的方式来被训练。
[0055]
在下文，假定为所考虑的车辆电池组提供老化状态模型。
[0056]
图3示出了用来阐明用于借助于在中央单元中实施的老化状态模型来调整预测的方法的流程图。
[0057]
在步骤s1中，收集车队数据，并且基于这些车队数据针对车队3的车辆4中的每个车辆在指定的和/或适合的时间点借助于一个或多个老化状态模型、诸如上述混合老化状
态模型来确定老化状态。对于这些车辆电池组中的每个车辆电池组来说，得到由具有被分配给特定历史时间点的老化状态的支持点构成的老化状态轨迹。
[0058]
为了确定剩余使用寿命，通常使用基于所使用的老化状态模型的预测方法。这些预测方法将老化状态模型的老化状态的变化过程推导到未来，并且可以根据设计而具有不同的可靠性/置信度。
[0059]
例如，使用混合老化状态模型的预测可以基于对使用模式的确定，利用这些使用模式来对人工运行参量变化过程进行建模，这些人工运行参量变化过程可以被用于预测老化状态。替代地，也可以通过对经建模的老化状态轨迹的外推来预测老化状态的变化过程。
[0060]
为了评价和调整所使用的预测方法，现在在步骤s2中基于在过去的不同参考时间点来确定针对恒定预测范围、也就是说针对恒定时间段的预测轨迹。在此，预测范围通常描述了在应该执行预测的参考时间点与老化状态的预测值应该涉及到的预测时间点之间的时长。
[0061]
从不同参考时间点出发，得到由所预测的老化状态构成的所预测的老化状态轨迹，这些所预测的老化状态分别对应于针对恒定预测范围的老化状态的预测。也就是说，从在过去的以基于模型地确定的老化状态轨迹为基础而存在老化状态的不同参考时间点出发，进行针对到未来的特定时长（恒定预测范围）、诸如两周或四周的预测，并且将相对应的所预测的老化状态组合成所预测的老化状态轨迹。得到被分配给恒定预测范围的所预测的老化状态轨迹。此类所预测的老化状态轨迹可以针对不同的预测范围来被确定。
[0062]
由于所预测的老化状态轨迹的预测时间点从当前时间点出发发生在过去，所以对于通过一个或多个所预测的老化状态轨迹所覆盖的时间段来说存在基于模型地确定的老化状态轨迹。
[0063]
在步骤s3中，根据这些所预测的老化状态轨迹来分别确定偏差大小，该偏差大小说明了在相应所预测的老化状态轨迹与基于模型的老化状态轨迹之间的偏差的量度。该偏差大小可以对应于关于相关的车辆电池组的基于模型的老化状态轨迹的误差的平均误差或误差的分散或者对应于其它偏差量度。
[0064]
在步骤s4中，将这样确定的偏差大小在阈值比较中与指定阈值进行比较。如果这些偏差大小中的至少一个偏差大小超过该指定阈值（选项：是），则在步骤s5中用信号通知：相关的车辆电池组偏离其余车辆电池组的行为或者具有异常的或不符合期望的老化或使用行为。这可以相对应地以声音方式和/或以光学方式来被显示，或者必要时可以提高测量和预测的频率，以便进一步检查车辆电池组41的行为。尤其可以用信号通知车辆电池组41的异常的老化行为。
[0065]
如果这些偏差大小中的至少一个偏差大小不超过该指定阈值（选项：否），则该方法以步骤s6来继续。
[0066]
此外，在步骤s6中可以使用车辆电池组41的所预测的老化状态轨迹与基于模型的老化状态轨迹之间的偏差，以便通过利用预测修正参量的修正来改善对老化状态的预测所基于的预测方法。尤其可以补偿所预测的老化状态轨迹与基于模型的老化状态轨迹之间的偏差，其方式是给所预测的老化状态加载该预测修正参量。在此，该预测修正参量可以乘法地或者加法地作用于通过该预测方法所确定的老化状态。
[0067]
尤其是，该预测方法可以基于车队数据来被调整，使得针对不同车辆电池组的所
预测的老化状态轨迹以对该预测修正参量的确定为基础。
[0068]
为此，该优化方法规定：关于所考虑的车辆电池组41的分别基于模型的老化状态轨迹来评价（多个不同车辆的）不同车辆电池组41的并且具有不同预测范围的所预测的老化状态轨迹，以便确定用于调整预测模型的全局预测修正参量。
[0069]
图4示例性示出了针对过去的时间段的经建模的老化状态轨迹sohmod和所预测的老化状态轨迹sohpred。这些老化状态轨迹之间的偏差用阴影来呈现并且应该通过偏差量度来被评价。所预测的老化状态轨迹sohpred由从经建模的老化状态轨迹的相应的参考时间点r出发在预测时间点p的所预测的老化状态形成。参考时间点r与所分配的预测时间点p之间的时间间隔对应于恒定预测范围h。
[0070]
为此，将该预测修正参量确定为优化参量，使得该预测修正参量使所预测的老化状态轨迹与相应的基于模型的老化状态轨迹之间的偏差最小化。为此，可以使用成本函数，该成本函数根据相应所基于的预测范围来对这些偏差进行加权。
[0071]
替代地，也可以针对每个车辆电池组41单独地确定预测修正参量并且将该预测修正参量用于对相关的车辆电池组41的老化状态的未来预测，尤其是以确定相关的车辆电池组41的特定的剩余使用寿命。
[0072]
现在，所确定的预测修正参量在步骤s7中被用于对预测的修正，其方式是该预测修正参量尤其是乘法地被用于作用于所预测的老化状态轨迹的一个或多个所预测的老化状态。