用于确定二次电池的健康状态的方法和电池管理系统与流程

本发明涉及一种用于确定二次电池的健康状态的方法，其中，利用观测器进行针对健康状态的第一估算，以及一种电池管理系统，该电池管理系统确定健康状态并且用于控制二次电池的运行。

背景技术：

对于二次电池(可重复充电的电池)的使用，荷电状态(soc)和健康状态(soh)是重要参数。荷电状态说明：电池相对于最大电量充电或放电到哪种程度。健康状态允许得到关于电池的当前状态或品质的结论，例如关于相对于额定状态的当前状态或品质的结论，并且能够推断出工作能力或剩下的剩余使用寿命。但对于soh不存在定义的特征参量。通常作为针对soh的特征参量考虑电池的内电阻或容量，亦或两者，经常也相对于一个或多个特征参量的给定的额定值而言。在电池管理系统(bms)中使用两个参量，以便控制电池的运行。经由荷电状态可以例如决定：可以何时或如何给电池充电。经由健康状态，必要时也根据荷电状态，可以选择特定的运行策略，用于延长电池的使用寿命，以及用于优化运行本身。典型的示例是电动车辆或混合动力车辆的电的动力传动系的bms，该bms监测并控制驱动电池的运行。

soc和/或soh通常无法直接测量，或只能非常困难地直接测量。这尤其是适用于在正常使用中的电池。因此，这些参量在bms中经常由电池的测得的参量估算、例如借助于调节技术的观测器来估算。在电池上通常通过测量技术检测可测量的参量、如负载电流、输出电压、温度、充电/放电循环等。观测器然后由此确定soc和/或soh的当前值。由于健康状态改变得没有荷电状态那么快，因此也可以规定，比soh更频繁地更新soc。

wo2014/114564a1例如描述了一种调节技术的用于估算二次电池的荷电状态和健康状态的观测器。在此，描述了：如何能够训练形式为线性模型网络的模型结构，以便估算荷电状态。在此，也可以在荷电状态的估算中考虑当前的健康状态，并且观测器可以被补充，以便也用于估算健康状态。

除此以外，已知的是将老化预测模型用于二次电池，以便估算剩余使用寿命。对此的一种示例在us9,217,779b2中找到。

利用老化预测模型原则上根据特定的将来的负载估算电池的健康状态的将来的发展。对此，对于不同的电池类型、例如对于锂离子电池(li-ion)使用不同的老化预测模型。老化预测模型具有特定的模型结构和模型参数，所述模型参数的值在参数化时必须被确定，以便尽可能好地描述二次电池的行为。但这种老化预测模型针对特定的二次电池的参数化需要高的测量耗费，用来识别二次电池的退化(老化)与各种不同的影响参量、如充电/放电循环的数量、使用时间、温度、容量率(针对放电速度的量度)、荷电状态(或倒数值，所谓的放电度)等的相关性，并且能够利用模型来呈现。对于老化预测模型的参数化，将需要大量测量数据，以便能够估算或确定模型的参数。此外，也可能还面临使参数化变困难的效应，如快到二次电池的最终使用寿命时较快速的退化或在由于循环负载引起的退化和按日历的老化(由于使用时间)之间的区分。对于所有不同的二次电池或二次电池的电池单体而言单纯通过测量和分析测量数据确定老化预测模型是耗费巨大的。因此，经常也应用所谓的加速的老化测试。但这种加速的老化测试的结果有时不能或不能直接转用于在二次电池的真实运行中明显更慢的老化，并且因此只能有条件地应用。

技术实现要素：

因此，本发明的任务是给出一种方法，利用该方法能够更简单地确定二次电池的健康状态。

所述任务根据本发明通过如下方式解决，即，使用老化预测模型用于确定针对健康状态的第二估算，利用针对健康状态的第一估算对老化预测模型进行参数化和/或将针对健康状态的第一估算与针对健康状态的第二估算关联，并且要么将健康状态的第一估算要么将健康状态的第二估算要么将健康状态的第一估算和第二估算的关联用作二次电池的健康状态。以这种方式一方面可以在电池的持续运行中由利用观测器估算的健康状态对针对二次电池的老化预测模型进行参数化。由此，不再需要事先利用测量数据耗费地对老化预测模型进行参数化。相反地，在持续运行中适配老化预测模型。另一方面，两个当前的针对健康状态的第一估算和第二估算也可以相关联，以便获得带有更高品质的健康状态的估算。在此，所述关联可以事先确定或预定和/或可以与相应的应用相适配，以便应用理想的关联。

为了参数化，优选在二次电池的运行的特定的时间段上由二次电池的所检测的参量确定老化因数，并且由所确定的老化因数和在所述时间段中针对健康状态的第一估算确定老化预测模型的参数，利用所述参数对老化预测模型进行参数化。老化因数为此有利地由二次电池的现有的测量参量和/或由此导出的参量确定。

完全特别有利地，使用多个二次电池的针对健康状态的第一估算和可选的老化因数，用于对老化预测模型进行参数化。以这种方式，参数化能够以更多数据为支撑，这改进了参数化的品质。同样地，在此不同的二次电池的不同运行状态也可以改进参数化的品质。

二次电池的健康状态能够简单地作为健康状态的第一估算和健康状态的第二估算加权的总和确定，其中，权重可以是预定的或可以被适配。由于在参数化时通常也确定不确定性或置信区间，因此有利地也可以根据第一估算和第二估算的不确定性或置信区间进行加权。同样地，在关联时也可以考虑二次电池的运行特性。这提供了用于关联健康状态的两个存在的估算的多种可行方案。由此，健康状态的确定也可以简单地与相应的应用优化地相适配。

附图说明

下面参考示出本发明的示例性地、示意性地且非限制性地有利的设计方案的图1至4详细阐释本发明。附图中：

图1示出由电池管理系统控制的用于给电负载供电的二次电池，

图2示出根据本发明的电池管理系统，

图3示出带有老化预测模型的外部的参数化的实施方案，

图4示出带有基于不同的二次电池的数据对老化预测模型进行的外部的参数化的实施方案。

具体实施方式

图1示出二次电池1，该二次电池与电负载2连接。电负载2例如是电动车辆或混合动力车辆的电驱动装置。二次电池1由电池控制单元(该电池控制单元通常被称为电池管理系统3)控制和监测。电池管理系统3控制用以优化二次电池1的工作能力和使用寿命的措施。电池管理系统3的典型的功能是保护二次电池1的各个电池单体、使电池单体平衡、充放电控制、确定荷电状态soc、确定健康状态soh以及还有存储运行数据，所述运行数据的形式是时间曲线。除此以外，电池管理系统3也可以设有数据通讯接口，用以能够与其他控制单元、例如混合动力传动系控制单元或车辆控制单元交换数据和信息，以及用以能够按需要读取或传输关于二次电池1的数据(例如为了进行维护)。

电池管理系统3为此获得二次电池1的测量参量(所述测量参量表征二次电池1的运行)，通常获得负载电流i和输出电压u以及温度t。为此，也能够设置有电流传感器4、电压传感器5或温度传感器6。当然，也能够还测量二次电池1的其他的和/或另外的可测量的参量并且在电池管理系统3中处理所述其他的和/或另外的可测量的参量。

借助图2详细描述电池管理系统3(硬件和/或软件)的用于能够以简单的方式确定二次电池1的健康状态soh的根据本发明的实施方案。为了能够实现所设置的任务，对于电池管理系统3而言尤其是荷电状态soc和健康状态soh是重要的。因此，在电池管理系统3中例如实施用于估算荷电状态和健康状态的观测器10，其中，用“^”表示观测器10的估算值。观测器10例如如wo2014/114564a1中所描述的那样实施。观测器10通常基于二次电池1的如下模型，所述模型描述二次电池1的行为。

附加地，在电池管理系统3中实施有老化预测模型11。利用老化预测模型11可以根据二次电池1的特定的将来的负载来确定二次电池1的健康状态sohp的将来的发展。但是为此必须对老化预测模型11进行参数化，也就是说，必须确定老化预测模型11的参数，从而尽可能好地描述二次电池1关于健康状态sohp的发展方面的行为。但是该参数化通常非常耗费。为了克服该问题，根据本发明将利用电池管理系统3中的观测器10所确定的针对健康状态的值用于老化预测模型11的参数化，如下面详细阐述的。

老化预测模型11一般能够以δsohi＝f(ai,p)形式表述。在此，δsohi描述健康状态soh在特定的时间段中的变化，该时间段通过下标i表示。f描述带有参数p的通常非线性的模型结构，例如局部模型网络、多项式模型、高斯过程模型等。ai包含所有老化因数，所述老化因数在模型中考虑。可能的或通常所使用的老化因数a是充电/放电循环的数量、使用时间、温度、容量率(针对放电速度的量度)、荷电状态、放电度、健康状态和/或加热系数，其中，当然也可以使用另外的或其他的老化因数。老化因数在此尤其是与二次电池1的负载有关。健康状态soh则通过各个时间段的各个变化δsohi相加得到、即显然，由此不仅可以算得当前的健康状态soh(直至当前的时间段)，而且如果对于将来的时间段假设了特定的负载，也可以算得健康状态soh的将来的发展。

老化预测模型11可以例如实施为多项式模型，其中，作为健康状态soh例如将荷电量q用作针对二次电池1容量的量度。在此，作为老化因数a，因数ti用作在时间单位下的当前的时间步，ahi用作时间步ti中的安时量，ti用作时间步ti中的温度(例如平均或最大温度)并且t0用作老化到达最大时的温度(例如25℃)并且使用参数p＝[p1，p2，p3，p4，p5，p6]，以便描述二次电池1的老化行为。由此，根据公式计算时间步ti中的容量损耗δqi。健康状态soh则作为容量损耗q通过在各个时间步ti上相加得到，即以形式得到。当然也可以确定总荷电损耗q并且由此换算成针对健康状态soh的其他的参数。

这样利用老化预测模型11所确定的健康状态sohp可以是二次电池1的容量(也是荷电量q)或二次电池1的内电阻，亦或两者，亦或其他的特征值。

但是要说明的是，当然也可以将与所提到的模型结构不同的模型结构用于老化预测模型11。同样可行的是，利用模型不是计算变化δsohi，所述变化然后被相加，而是直接计算健康状态sohp。对于本发明而言，模型结构、老化因数的具体选择和模型的实施最终是次要的并且也可以与二次电池1的类型有关。

本身也充分已知的是，如何能够利用特定的模型结构以及利用参数p训练模型以用于参数化，因此仅简短地对此进行论述。基本上，为此需要二次电池1的已知的测量数据，即针对健康状态soh的测量数据和针对老化因数a的测量数据。已知的测量数据的一部分可以用于参数化，其中，对于不同的模型结构可以采用不同的参数化方法。测量数据的其余部分可以考虑用于验证经参数化的模型，即为此检查：经参数化的模型有多准确地接近电池的行为。在hametnerc.，jakubeks.的“stateofchargeestimationoflithiumioncells:designofexperiments,nonlinearidentificationandfuzzyobserverdesign”，journalofpowersources238(2013)第413至421页中，描述了例如用于估算二次电池1的荷电状态soc的局部模型网络。wo2014/114564a1描述了也带有健康状态soh的附加的估算的模型。除此以外，还可以使用充分已知的参数估算方法，所述参数估算方法通过改变参数使特定的定义的误差(例如平均平方误差)最小化。这种方法通常是迭代方法，其中，执行迭代，直到满足特定的中断标准，例如特定的迭代数量或到达特定的误差极限。在参数化时一般而言这样选择参数p，使得通过模型尽可能好地接近已知的测量数据。已知的测量数据的其余部分则可以考虑用于验证特定的模型，由此也能够确定置信区间，所述置信区间可得到关于估算不确定性的结论。

参数化、即参数p的确定可以在最简单的情况下直接经由常规的最小二乘估算实现。但是模型的参数p又本身可与老化因数ai有关。在这种情况下，已知的非线性的方法、例如基于梯度的方法可用于估算参数。附加地，也可以使用估计函数、例如所谓的危险函数用于描述故障/损伤率，以便能够呈现非线性的老化曲线、如在使用寿命开始和结束时加速的老化。这种用于参数化的方法对于本领域技术人员充分已知，因此在此不必详细对此进行论述。

在参数化的范围内利用参数化方法经常也确定相应的估算的置信区间或不确定性，例如来自对经参数化的模型的验证的置信区间或不确定性。估算越准确，不确定性就越小或置信区间就越大。

但按照根据本发明的方法，不存在这种用于参数化的测量数据，而是考虑利用观测器10估算的针对健康状态的值，以及必要时也考虑其他的利用观测器10估算的值、尤其是针对荷电状态的值。观测器10在预定的时间步中、例如在秒范围或分钟范围中估算针对荷电状态的值。由于健康状态soh仅缓慢地变化，因此该健康状态可以在观测器10中在明显较大的时间步中计算，例如在小时范围中计算。观测器10针对健康状态的估算在计算单元12(硬件和/或软件)中收集。与此并行地，在数据收集单元13(硬件和/或软件)中确定来自二次电池1的运行的老化因数a。但是数据收集单元13也可以是计算单元12的一部分亦或老化预测模型11的一部分。例如由电流i和/或电压u的曲线可以确定在特定的时间段i中的充电和放电循环的数量。加热系数可以例如与电流i的平方成比例地确定。温度(也作为时间曲线)可以直接作为测量值获得，例如由温度传感器6获得。其他的老化因数a也可以在计算单元12中(亦或在数据收集单元13中)确定，例如由利用观测器10估算的荷电状态确定放电度或容量率。老化因数a能够在此在特定的时间段(下标i)上确定，或在二次电池1的整个使用时间上确定。通常，老化因数a是特定的测量参量的累加的、加权的或平均的参量。

而通过利用观测器10估算的针对健康状态的值以及通过与此并行确定的老化因数a，在计算单元12中又存在“测量数据”，所述测量数据可用于老化预测模型11的参数化。在特定的时间点，依据新加入的、且必要时已知的“测量数据”更新老化预测模型11的参数p。这意味着，利用补充的测量数据借助所设置的参数化方法重复参数化。在开始时，可以依据经验值或利用来自类似电池的已知的数据对老化预测模型11进行参数化。在二次电池1的运行期间，老化预测模型11持续地依据二次电池1的实际数据更新，从而老化预测模型11实际上在二次电池1的运行期间得到训练。

但老化预测模型11的参数化不一定必须在线地进行，并且也不一定必须在电池管理系统3中进行，如依据图3所阐述的。利用观测器10估算的针对健康状态的值和所确定的老化因数a也可以被发送给中央设备20，在该中央设备中设置有计算单元21，在该计算单元中如所描述的那样确定参数p。参数p然后在特定的时间间隔下发送回到电池管理系统3，并且由此更新电池管理系统3中的老化预测模型11。为此，在电池管理系统3上也可以设置有数据通讯单元8，以便发送和接收所需的数据。但是为此目的也可以使用二次电池1和电池管理系统3所处的设备的数据通讯单元8、例如图3中的车辆7的数据通讯单元。

以这种方式，来自多个相同类型的二次电池1的数据可被发送给中央设备20和计算单元21并且可以用于老化预测模型11的参数化，如图4中所示。当存在更多关于二次电池1的数据时(这能够以这种方式实现)，可以改进老化预测模型11的参数化。这例如在配备有相同的二次电池1的混合动力车辆或电动车辆中是令人感兴趣的。

但相同类型的二次电池1的不同的电池管理系统3也能够以类似方式彼此交换数据，以便获得更多数据用于老化预测模型11的参数化。

但老化预测模型11也可以用于在特定的时间点获得针对二次电池1的健康状态sohp的估算。例如收集自老化预测模型11的上一次更新以来的老化因数ai，并且由此计算自上一次更新以来在该时间段中健康状态soh的变化δsohi。通过如上文所描述的那样相加则获得基于上一次观察的时间点(下标i-1)的针对当前的健康状态sohp的模型预测。由此，对于当前的时间点获得两个针对健康状态soh的估算，一次是由观测器10得到的健康状态并且一次是由老化预测模型11得到的健康状态sohp。这两个估算现在也可以相关联，例如在如图2中的计算单元12中关联，以便获得带有高的估算品质的健康状态soh，即其中，f描述所述关联。该健康状态soh则可以在电池管理系统3中、例如在控制单元14(硬件和/或软件)中用于监测和控制二次电池1的功能。

针对健康状态sohp的两个估算的关联f在此能够以不同的方式进行。例如可以简单地对两个估算求平均值。也可以设想由两个估算进行加权求和，其中，权重因数例如可以涉及相应的估算的置信区间或不确定性。由此，与带有较高的不确定性的估算相比，带有小的不确定性的估算可以被更高地加权。但也可以考虑来自二次电池1的运行的信息，以便决定：使用各所述估算中的哪个或如何将这些估算关联。例如可以在带有二次电池1的小的激励的运行特性中、例如在尤其是按日历老化的情况下，利用老化预测模型11对健康状态sohp的估算比利用观测器10对健康状态的估算更让人信赖。由此，利用老化预测模型11进行的估算可以被更高地加权或仅考虑老化预测模型11的估算。反之，可以在带有二次电池1的足够的激励的运行特性中、例如在混合动力车辆或电动车辆的足够的行驶运行的情况下，通过观测器10进行的估算更让人信赖。由此，利用观测器10进行的估算可以被更高地加权或仅考虑观测器10的估算。显然，在此还可以存在许多另外的用于关联健康状态soh、的两个估算的可行方案，以便获得健康状态soh的在品质上较高的估算。

也可以规定，只有当利用观测器10进行的估算可以被充分信赖时，才对老化预测模型11进行更新。在二次电池1的激励小的情况下(例如主要是按日历进行的老化)，可以例如停止更新，而在激励足够的情况下，可以在确定的时间点进行更新。