用于确定用于SoC的控制技术观测器的方法
【技术领域】
[0001] 本发明涉及一种用于确定用于评估电池的SoC(荷电状态）的控制技术观测器的 方法。
【背景技术】
[0002] 在本身充分已知的、例如用于电动或混合动力车辆的电池的电池管理系统中，根 据在车辆中测量的参量例如充电或放电电流、电池电压和温度确定电池或电池单元的荷电 状态（SoC)。这经常借助于控制技术SoC观测器进行，该SoC观测器在正常情况下应用非线 性的电池模型，该非线性的电池模型根据充电和放电电流将电池电压的非线性电池特性建 模。SoC观测器随后基于该模型和在车辆中测量的电池电压评估电池的实际荷电状态。这 例如由文献DE 10 2009 046 579 A1已知，该文献将简单的等效的电气电路用作电池单元 的模型。
[0003] 在此一个问题在于，对于每个电池类型需要特有的模型。这样的模型但是难以参 数化（例如电化学模型）和/或仅仅在确定的参数范围内、例如仅仅在确定的温度范围内 是可信的（例如基于等效电路的电气模型）和/或基于其复杂性不适用于实时应用并因此 不适用于电池管理系统中的应用。
[0004] 另一问题在于创建控制技术观测器本身，该观测器对于不同模型（电池类型）也 许必须满足其他要求。在此经常地，对于非线性状态评估采用扩展卡尔曼滤波器。在此在 每个时间步长中发生非线性模型的线性化。然而根据应用的模型结构，该方法导致高的直 至非常高的运算成本，这使得在电池管理系统中的实现变得困难或耗费。
【发明内容】
[0005] 因此本发明的任务在于，提出一种方法，借助于该方法能实现：对于任意电池类型 构造并至少部分自动化地创建控制技术观测器，并且需要尽可能少的运算成本。
[0006] 该任务通过权利要求1的特征解决。在此，首先通过基于数据的建模方法由之前 确定的优化的试验规划的测量数据确定电池的非线性模型，该非线性模型以局部模型网络 的形式，该局部模型网络由多个局部的线性的时不变的动态模型组成，这些动态模型分别 在输入参量的确定的范围内具有有效性。对于模型网络的每个这样确定的局部模型随后确 定局部观测器。用于评估SoC的控制技术观测器随后由局部观测器的线性组合产生。这样 的基于数据的建模方法就这点而言提供的优点在于，所述建模方法适用于不同电池类型并 也适用于实时应用。除此之外，该方法可以尽可能地自动化地运行，从而可以降低对于创建 SoC观测器的成本。
[0007] 在用于创建SoC观测器的方法基于试验规划之后，该试验规划借助于真正的电池 通过真实的测量实施，由此获得的测量值和模型与电池在测量时刻的老化状态有关。因此， 由此创建的用于SoC的观测器对于其他老化状态提供SoC的不准确的评估。为了现在也在 SoC的评估中考虑电池的老化状态，有利的是，局部模型网络、亦即非线性电池模型的至少 一个输入参量或至少一个模型参数或至少一个有效性函数通过用于电池的老化状态的至 少一个特征参量标定（skalieren)。通过这种方式，SoC观测器可以独立于电池的当前老化 状态提供对于SoC的良好的评估值或者将电池的老化状态本身确定为附加的评估参量。该 方法的优点那么也在于，通过一个单个参数可以考虑老化状态的变化。
【附图说明】
[0008] 在以下参照附图1至8进一步阐明本发明，这些附图示例性地、示意地并且非限制 性地示出本发明的有利设计方案。图中：
[0009] 图1示出SoC根据负载电流的变化；
[0010] 图2示出用于确定优化的试验规划的初始的试验规划；
[0011] 图3示出优化的试验规划；
[0012] 图4示出信息内容和试验时间通过优化的试验规划的改善的视图；
[0013] 图5示出将SoC观测器集成到电池管理系统中。
[0014] 图6示出线性模型网络的方框图；以及
[0015] 图7和8分别示出评估的SoC与测量的SoC的比较。
【具体实施方式】
[0016] 在按照本发明的方法的第一步骤中，确定电池或电池单元的简单的输出模型。在 下文中，术语电池和电池单元在本发明的意义上视为等同的。在此基于任意电池单元的任 意已知模型。已知的电池模型例如是由另一电池已知的模型、线性电池模型或非线性电池 模型。简单的线性的电池模型例如可以通过如下方式确定，即，将电流脉冲施加到电池或电 池单元上并且在此测量产生的电压。而且已知的阻抗谱的应用可以用于创建简单的电池模 型。由这些数据那么可以借助于识别的方法来确定线性电池模型、例如简单的电流-电压 关系。虽然这样的跳跃式尝试仅仅适用于电池或电池单元确定的工作点并且仅仅适用于具 体的电流脉冲，但是这样简单的输出模型作为输出点对于按照本发明的方法足够，如以下 还将进行说明的那样。
[0017] 基于电池的简单的线性输出模型现在借助于基于模型的试验设计（DoE)方法确 定对于电池或电池单元优化的激励。在此应覆盖电池单元尽可能大的、优选整个的运行范 围，对于高度动态的激励也实现高精度并且也考虑电池单元的效应、如充电-放电迟滞和 弛豫（振荡特性）。用于非线性系统的试验规划的常用方法应用例如调幅的虚拟随机的 (pseudozufailig)二进制信号(APRB信号）用于激励系统动态性。该方法在本应用中
然而不可以用于电池，因为SoC直接与激励信号（电池单元的负载电流）有关，例如按照如 下关系：
[0018]
[0019] 其中，I (t)是瞬态负载电流，Cn是标称电池单兀容量，而q : (I)是库伦效率。因 此必须在电池应用中寻找另一种方案。DoE在此也必须确保：激励信号是电池单元适合且 足够的激励并且同时确保：也覆盖SoC的整个运行范围。此外，优选地也一同考虑实施电池 测试的时间。
[0020] 优化的基于模型的DoE经常借助于所谓的费雪信息矩阵IFIM和判断标准例如D优 化判断标准来确定。根据该判断标准应使费雪信息矩阵I FIM的行列式JFIM最大化。除了 D 优化判断标准之外自然还具有其他已知的同样可用的判断标准。这是足够已知的并在此不 再进一步阐明。
[0021] 在此，之前确定的（例如由各个跳跃式试验（Sprungversuch))简单的输出模型y = f(il〇可用于确定费雪信息矩阵。费雪信息矩阵IFIM已知地基于模型输出y对模型参数 也的偏导数，以如下形式：
[0022]
[0023] 对丁共1伞胆用，港丁俩疋数MU'、」T$aTH在开始预定激励信号，所述设计点分别通 过负载电流和SoC值给出。以下优化的目的是这样的设计点的优化的时间顺序上的设置， 以便满足上述对激励的要求。对于每个设计点，负载电流1(作为充电或放电）的符号和负 载电流I的持续时间与要达到的SoC和之前的SoC有关，如图1所示。在允许的参数范围 1(输入空间）内，如果负载电流I对于确定的持续时间提高（充电）或者对于确定的持续 时间降低（放电），则可以由确定的当前SoC 2、3出发仅仅达到新的SoC 4、5。因此，在此 该充电或放电脉冲的持续时间并因此测试时间T也直接与负载电流和设计点的SoC值的该 时间上的顺序和相应的配属有关。因此，测试时间T也可以是优化的对象并因此优化的DoE 的对象。这例如可以通过使得如下结果函数最小化而实现：