1.本发明涉及具有电蓄能器的不依赖于电网来运行的电设备、尤其是能电驱动的机动车辆、尤其是电动车辆或混合动力车辆，并且本发明还涉及用于确定电蓄能器的老化状态（soh：state of health（健康状态））的措施。此外，本发明除了移动式电蓄能器以外还涉及固定的电蓄能器。
背景技术：
2.借助于电蓄能器（通常为设备电池组或车辆电池组）而对不依赖于电网来运行的电设备和机器、诸如能电驱动的机动车辆进行能量供给。所述电蓄能器提供电能来运行设备。然而，作为电蓄能器也考虑包括氢储槽在内的能量转换器、诸如燃料电池系统。
3.电蓄能器或能量转换器随着其使用寿命并且根据其负载或使用而退化。这种所谓的老化导致最大功率或存储容量连续降低。老化状态对应于用于说明蓄能器的老化的度量。按照惯例，新蓄能器具有的老化状态为100%，所述老化状态在其使用寿命的过程中明显地衰退。蓄能器的老化的度量（老化状态在时间上的变化）取决于蓄能器的个别负载、也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、外部周围环境条件和车辆电池组类型。
4.虽然可以借助于物理的老化状态模型基于历史运行状态变化过程来确定蓄能器的瞬时老化状态，然而这种模型在特定情况下是不精确的。常规的老化状态模型的这种不精确性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变化过程的预测是一种重要技术参量，这是因为通过所述预测而实现对所述蓄能器的剩余价值（restwert）的经济评价。在此情况下，预测的不确定性有很大影响，因为其量化了技术和经济风险，例如在老化规范或违反担保条件的情况下。
技术实现要素：
5.根据本发明，而设置按照权利要求1的用于预测电蓄能器的老化状态的方法以及按照并列权利要求的用于预测在能电运行的设备中的电蓄能器的老化状态的装置。
6.其他构型方案在从属权利要求中予以说明。
7.按照第一方面是一种用于预测在技术设备中的具有至少一个电化学单元、尤其是电池组电池的电蓄能器的建模的老化状态的以计算机实现的方法，该方法包括以下步骤：
‑ꢀ
提供基于数据的老化状态模型，该老化状态模型被构造用于，根据所述蓄能器的至少一个运行参量的直到一个时间点的变化过程来将针对该时间点的相对应的老化状态分配给该电化学蓄能器并且说明相对应的建模不确定性；
‑ꢀ
根据使用模式模型（nutzungsmustermodell）而预测至少一个运行参量从当前时间点出发到未来的变化过程，其中通过用户个别或使用个别的使用模式而确定所述使用模式模型；
‑ꢀ
根据所述至少一个运行参量的基于模型而生成的预测变化过程借助于基于数
据的老化状态模型而预测老化状态变化过程；
‑ꢀ
根据基于数据的老化状态模型的建模不确定性和所述使用模式模型的置信度而确定所述老化状态的预测变化过程的置信区间；
‑ꢀ
用信号通知所述老化状态的预测变化过程和相对应的置信区间。
8.在本说明书意义上的蓄能器包括设备电池组、具有电化学能量转换器的能量转换器系统、诸如具有燃料电池和能量载体储备的燃料电池系统，其中所述能量转换器具有能量载体储备。
9.电蓄能器的、尤其是设备电池组的老化状态通常并不被直接测量。这可能需要在蓄能器内部的一系列传感器，这些传感器使得这种蓄能器的制造变得成本密集且复杂并且可能增大空间需求。此外，在市面上还并没有用于直接确定蓄能器中的老化状态的适合日常使用的测量方法可用。因此，通常借助于与该蓄能器分开的控制设备中的物理老化模型而确定电蓄能器的当前老化状态。这种物理老化状态模型在特定情况下是不精确的并且通常具有高达5%以上的模型偏差。
10.此外，由于物理老化模型的所述不精确性，该物理老化模型只能够还算精确地说明蓄能器的瞬时老化状态。尤其是取决于蓄能器运行方式的、诸如在设备电池组情况下取决于电荷流入和电荷流出的数量和大小的并且因此取决于使用行为和使用参数的对于老化状态的预测会导致非常不精确的预测并且目前并未得以设置。
11.在设备电池组的情况下，老化状态（soh：state of health（健康状态））是用于说明剩余电池组容量或剩余电池组电荷的关键参量。所述老化状态代表针对设备电池组老化的度量。在设备电池组或电池组模块或电池组电池的情况下，所述老化状态可以作为容量保持率（capacity retention rate，soh-c）而加以说明。所述容量保持率soh-c作为所测量的瞬时容量与完全充满的电池组的初始容量的比例而加以说明。替代地，所述老化状态作为相对于在设备电池组的使用寿命开始时的内阻而言的内阻增加（soh-r）而加以说明。内阻的相对变化soh-r随着电池组老化的增加而上升。
12.非常值得期望的是如下方案：提供基于老化状态模型而对电蓄能器的负载分布（lastprofil）以及伴随的老化状态进行用户个别的和使用个别的建模和预测，其中该老化状态模型使用从投入运行的时间点开始的运行参量的变化过程，以便从投入运行时间点时的老化状态出发分别逐个时间步地适配所述老化状态。该老化状态模型可以是纯基于数据的，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）中得以实现并且借助于与该中央单元处于通信连接的不同设备的大量的蓄能器的运行参量而得以参数化或得以训练。
13.用于确定电蓄能器的老化状态的老化状态模型能够以混合老化状态模型的形式、也即以物理老化模型与基于数据的模型的组合的形式被提供。在混合模型的情况下，可以借助于物理的或电化学的老化模型而确定物理老化状态并且对所述物理老化状态施加（beaufschlagen mit）修正值，尤其是通过加法或乘法而施加该修正值，其中该修正值由基于数据的修正模型得出。所述物理老化模型基于电化学的模型方程，这些模型方程表征非线性微分方程组的电化学状态、持续地对其进行计算并且为了输出而将其映射到所述物理老化状态，作为soh-c和/或soh-r。这些计算可以典型地在云中例如每周一次地被执行。
14.此外，所述基于数据的混合老化状态模型的修正模型可以利用概率回归模型或基
于人工智能的回归模型、尤其是高斯过程模型而被构造并且可以被训练用于对通过所述物理老化模型所获得的老化状态进行修正。对此，因此存在用于修正所述soh-c的老化状态的基于数据的修正模型，和/或存在至少一个另外的用于修正所述soh-r的老化状态的基于数据的修正模型。对于高斯过程的可能替代方案是其他的监督式学习方法，例如基于随机森林模型、adaboost模型、支持向量机或贝叶斯（bayes’schen）神经网络的监督式学习方法。
15.例如如果应该确定所述蓄能器的剩下的剩余使用寿命并且例如相对于担保条件（garantiebedingung）或co2车队规定而对其进行评价，则对老化状态的预测是有帮助的。此外，蓄能器的技术状态的透明的跨车辆评价可以有助于电车辆的评价中的更高透明度，因为例如受到双向充电的影响使得实际上的历史电池组负载通常是未知的并且无法直接根据车辆的行驶公里数而被识别。
16.为了同时表征和确定老化，可以结合预给定的使用模式而连续查询所述基于数据的老化状态模型，其中所述使用模式说明了所述电蓄能器的使用方式和运行方式。为此，从当前时间点出发而需要连续生成运行参量的“人工的”（预测的）时间上的变化过程，其中所述物理老化模型由于用于对微分方程求解的时间积分方法而需要所述人工的”（预测的）时间上的变化过程，以便对预测的老化状态进行建模。尤其是，由此确定从当前时间点出发的老化状态的预测变化过程。这些运行参量为此要么直接取决于所识别的使用模式要么基于由所述使用模式所导出的负载参量的变化过程而产生，其中由所述负载参量的变化过程而生成所需要的运行参量的变化过程。
17.有利地，预测的这种可能性使用经训练的老化状态模型和使用模式，从而与在纯外推方法中相比实现了对老化状态的更精确的预测。
18.为了借助于物理或电化学的老化状态模型而对蓄能器的老化状态进行建模并且通过基于数据的修正模型（混合老化状态模型）而进行可选的预测而需要：相对高频率地提供运行参量的时间上的变化过程。还必须针对必需的精确性要求而尽可能无缺口地提供这些运行参量的时间上的变化过程，也即为了针对设备电池组确定在当前时间点的老化状态而需要：尤其是在电池层面上提供电池组温度、电池组电流、电池组电压和充电状态的时间上的变化过程。
19.优选地在设备外部进行对物理/电化学模型连同修正模型的计算，这是因为所述计算是计算耗费的并且通常使得在以电池组运行的设备中或者在硬件上接近于（hardware-nah）所述以电池组运行的设备处的所要求的处理能力并不足够或者出于成本原因而是不应被提供的。因此，将运行参量的时间上的变化过程连续地传输到设备外部的中央单元并且在所述中央单元处根据电化学模型以及必要时根据修正模型而确定所述老化状态。进一步地，所述训练针对全局老化模型而被中心化，也即在云环境中进行。
20.针对所述预测，从当前时间点出发或者说从当前评估时间段出发，在使用模式模型中生成所述至少一个运行参量（负载参量）、也即在电池组作为蓄能器的情况下例如生成温度和/或电流的时间上的变化过程。
21.进一步地，可以为了确定老化状态的预测变化过程而利用所述至少一个运行参量的总体变化过程运行所述基于数据的老化状态模型，其中所述总体变化过程包括：所述至少一个运行参量直至当前时间点的迄今为止的变化过程以及所述至少一个运行参量从当前时间点出发直到未来的基于模型所生成的变化过程。
22.可以规定：所述使用模式模型尤其是构造为基于数据的模型、尤其是贝叶斯lstm，以便根据用户个别或使用个别地学到的使用模式的使用参数连续地提供所述至少一个运行参量的变化过程或至少一个负载参量的变化过程，其中能够由所述至少一个负载参量而生成所述至少一个运行参量。
23.使用模式模型因此被构造用于，根据使用模式的使用参数而连续地学到并输出所述至少一个运行参量的变化过程或者至少一个负载参量的变化过程，其中能够由所述至少一个负载参量而生成所述至少一个运行参量。因此，该使用模式模型被构造用于，根据一个或多个使用参数而输出所述至少一个运行参量的连续变化过程，其中所述使用参数明确地或隐含地、也即借助于基于数据的模型而预给定所述使用模式。这使得能够将通过使用模式而参数化的使用行为转换成所述至少一个运行参量的时间序列。这可以通过直接生成所述至少一个运行参量的变化过程和/或通过生成至少一个负载参量的变化过程而进行，其中所述至少一个负载参量本身也能够对应于所述至少一个运行参量的变化过程，其中借助于适合的模型由所述至少一个负载参量的变化过程而生成所述至少一个运行参量的变化过程。该使用模式因此可以借助于所述至少一个负载参量的变化过程而说明所述蓄能器的负载类型。所述负载参量可以在设备电池组作为蓄能器的情况下至少说明电流负载。在设备电池组作为蓄能器的情况下的其他负载参量可以相应于所述设备电池组的温度。
24.可以规定：将使用个别地预给定的使用模式的用户个别地用于创建所述至少一个负载参量的预测时间序列，以便尤其是借助于所述老化状态模型而预测老化状态或老化状态变化过程。
25.所述使用模式从使用模式模型的模型参数得出，所述使用模式模型优选以基于数据的方式而构造，尤其是用作递归神经网络、例如贝叶斯lstm（lstm: long short term memory（长短期记忆））。其通过如下方式而被训练：将所述日历上的时间说明数据分配给这些负载参量变化过程和/或这些运行参量变化过程。该使用模式模型于是向日历上的时间说明数据的时间上的变化过程分配所述至少一个负载参量或所述至少一个运行参量的相对应的变化过程或者在相对应地预给定日历上的时间说明数据的情况下生成所述至少一个负载参量或所述至少一个运行参量的相对应的变化过程，优选连续地生成为时间序列。所述日历上的时间说明数据可以说明日历日期和时钟时间以及要由此所导出的信息，例如一周的一天、季节或月份等等。
26.因此，从所观察的设备电池组的当前老化状态出发，基于由当前使用模式所创建的至少一个负载参量和/或至少一个运行参量的人工变化过程而续写（fortschreiben）到未来的老化状态变化过程。得出如下预测老化状态变化过程，能够从所述预测老化状态变化过程而例如确定尤其是以时间点的形式的预计（voraussichtliche）使用寿命，其中在该时间点预测老化状态低于说明使用寿命终点（lebensdauerende）的预给定阈值。
27.可以规定：根据预测建模老化状态变化过程而运行所述电蓄能器，其中尤其是根据预测建模老化状态变化过程而用信号通知电蓄能器的剩余使用寿命。还可以规定：根据剩余使用寿命而定地提高或减小剩余快速充电周期的数目，或者进行运行极限（电流限制）或运行策略（de-rating（降额））的适配。还可以对充电策略进行与老化相关的或者与预测老化状态变化过程相关的适配。对此，可以根据是否已达到剩余快速充电周期的数目而定地允许或阻止快速充电充电周期。
28.尤其是，可以为了确定老化状态预测变化过程而对老化状态模型施加所述至少一个运行参量的总体变化过程，其中所述总体变化过程包括：所述至少一个运行参量直至当前评估时间段的迄今为止的变化过程以及所述至少一个运行参量从当前评估时间段出发直到未来的人工变化过程。
29.针对老化状态预测质量的重要标准在于：通过所述使用模式模型所提供的所述至少一个负载参量和/或所述至少一个运行参量的变化过程的精确性和可靠性。为了基于使用模式模型而评价所述精确性和可靠性，对由使用模式模型所生成的所述至少一个运行参量的变化过程与所述至少一个运行参量的实际变化过程确定一致性（
ü
bereinstimmung vornehmen），其中所述一致性在真实运行中是可观测的。假定由所述至少一个运行参量的变化过程进行的预测的不确定性在个别设备情况下保持不变，则现在可以鉴于其可靠性方面来评价预测老化状态变化过程，其中所述预测老化状态变化过程通过所述使用模式模型基于所述至少一个运行参量的人工生成的变化过程而得以确定。这是尤其重要的，以便能够实行蓄能器的剩余使用寿命预测的可靠性。尤其是，所述至少一个运行参量的预测变化过程不确定性使得能够与不确定性相对应地说明剩余使用寿命范围。
30.按照一种实施方式，可以通过将所述至少一个运行参量的实际变化过程的时间分段与针对时间段的相对应的时间分段所述至少一个运行参量的所述一个或多个预测变化过程相比较而确定所述使用模式模型的置信度，其中尤其是所述至少一个运行参量的所述一个或多个预测变化过程分别针对恒定的预测范围（prognosehorizont）而被执行。
31.尤其是，所述至少一个运行参量的所述一个或多个预测变化过程可以分别通过所述至少一个运行参量在预测目标时间点的值而得以形成，其中基于使用模式模型而确定这些值，所述使用模式模型利用所述至少一个运行参量直到相对应的预测开始时间点的实际变化过程而得以训练，其中这些预测开始时间点比相对应的预测目标时间点要早出相对应的恒定预测范围。
32.还可以根据所述至少一个运行参量的实际变化过程和针对相同时间段所述至少一个运行参量的所述一个或多个预测变化过程之一的偏差而确定所述使用模式模型的输出的置信度，尤其是作为残差（residuum）或与所述残差有关的概率密度函数，其中所述至少一个运行参量典型地包括电池组温度和/或电池组电流作为时间序列，其中所述概率密度函数表征所述置信度。
33.尤其是，所述使用模式模型的置信度作为偏差变化过程可以根据针对相同时间段的所述至少一个运行参量的实际变化过程和所述至少一个运行参量的多个预测变化过程针对不同的恒定预测范围而得以确定，其中在恒定的预测范围之间内插所述偏差，以便根据所述老化状态的要预测的值的预测时间点而获得所述偏差或所述不确定性的变化过程。
34.可以规定：置信区间基于所学到的概率密度函数针对所述老化状态的预测变化过程通过置信区间极限而得以说明，其中所述概率密度函数可以被分配给恒定的预测范围，其中所述置信区间极限由极限老化状态变化过程而得出，其中由针对所述蓄能器的最小和最大负载的老化状态变化过程而得出所述极限老化状态变化过程，其中所述极限老化状态变化过程通过向所述至少一个运行参量的预测变化过程施加最大偏差的变化过程而获得并且分别与标称老化状态轨迹距离得最远，其中向针对所述蓄能器的最小负载和最大负载而如此获得的老化状态变化过程施加基于数据的老化状态模型的模型不确定性，以便获得
极限老化状态变化过程。替代地，可以根据monte-carlo方法（蒙特卡洛方法）从所学到的统计学分布或所定义的分位数中进行随机采样。
35.通过与混合老化模型相结合而可能的是，分开地确定预测置信度。对此，确定老化状态模型的模型不确定性并且进一步确定使用模式模型的驾驶员个别的置信度，其中直接从修正模型（高斯过程模型）得出所述模型不确定性，其中所述驾驶员个别的置信度取决于所述驾驶员的行为是怎样确定性的或随机的。所述使用模式模型的置信度说明：由所述使用模式模型而得出的所述至少一个负载参量和/或所述至少一个运行参量的预测变化过程的可靠性。
36.可以规定：根据所述预测建模老化状态的变化过程并且根据所述置信区间而运行所述技术设备并且尤其是运行所述电蓄能器，其中尤其是根据预测建模老化状态的变化过程而用信号通知电蓄能器的剩余使用寿命，和/或根据所述预测建模老化状态和置信区间的变化过程而用信号通知可能的剩余使用寿命的范围，其中尤其是根据蓄能器的可能的剩余使用寿命的范围而提高或减小所允许的剩余快速充电周期的数目，或者针对蓄能器运行而优化电流和降额极限。
37.还可以根据使用模式模型的置信度而适配预测维护区间，如果使用模式模型的置信度很小并且因此实现老化状态的良好预测，则例如可以在车辆电池组作为车辆（作为技术设备）的蓄能器的情况下将维护区间设定为例如两年而不是一年半。
38.蓄能器可以被用于运行设备、例如机动车辆、电动助力车、飞行器、尤其是无人机、工具机器、娱乐电子装置的设备、例如移动电话、自主机器人和/或家用电器。
39.按照另一方面，在技术设备中设置用于预测电蓄能器的建模老化状态的装置，其中所述电蓄能器具有至少一个电化学单元、尤其是电池组电池；其中所述装置被构造用于：
‑ꢀ
提供基于数据的老化状态模型，该老化状态模型被构造用于，根据所述蓄能器的至少一个运行参量的直到一个时间点的变化过程来将针对该时间点的相对应的老化状态分配给该电化学蓄能器并且说明相对应的建模不确定性；
‑ꢀ
根据使用模式模型而预测至少一个运行参量从当前时间点出发到未来的变化过程，其中通过用户个别或使用个别的使用模式而确定所述使用模式模型；
‑ꢀ
根据所述至少一个运行参量的基于模型而生成的预测变化过程借助于基于数据的老化状态模型而预测老化状态变化过程；
‑ꢀ
根据基于数据的老化状态模型的建模不确定性和使用模式模型的置信度而确定所述老化状态的预测变化过程的置信区间；
‑ꢀ
用信号通知所述老化状态的预测变化过程和相对应的置信区间。
附图说明
40.接下来根据所附附图进一步阐述实施方式。其中：图1示出用于提供驾驶员和车辆个别的运行参量以用于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示出混合老化状态模型的功能结构的示意图；图3示出用于表示用于训练基于数据的老化状态模型的方法的流程图；图4示出具有根据使用而对老化状态的预测的混合老化状态模型的功能结构的示
意图；图5示出用于阐明用于确定作为蓄能器的车辆电池组的老化状态的预测变化过程的方法的流程图；图6示出作为所观察的运行参量的电池组温度的示例性的、示意性变化过程的示图；图7示出针对过去的观察时间段的作为所观察的运行参量的电池组温度的示例性的、示意性变化过程的图表，其中包括由所述使用模式模型所预测的电池组温度变化过程和电池组温度的实际变化过程的时间分段；图8示出针对两个不同的预测范围的所观察的运行参量的示例性的、所预测的示意性变化过程的图表；图9示出用于表示针对恒定的5天预测范围关于作为所观察的运行参量的电池组温度的误差残差（fehlerresiduum）的直方图；和图10示出用于表示极限老化状态的预测变化过程和针对车辆电池组的最小和最大负载的老化状态的预测变化过程的图表，以示出置信区间。
具体实施方式
41.在下文中根据在作为同类设备的多个机动车辆中作为电蓄能器的车辆电池组来描述根据本发明的方法。在这些机动车辆中，可以在控制单元中实现针对相应的车辆电池组的基于数据的老化状态模型。该老化状态模型可以如下文所述在车辆外部的中央单元中连续地基于车队中的车辆电池组的运行参量而得以更新或再训练。该老化状态模型在中央单元中被运行并且被用于老化计算和老化预测。
42.以代表性的方式，上述示例代表了大量的具有不依赖于电网的能量供应的固定的或移动的设备，诸如车辆（电动车辆、电动助力车等）、设施、工具机器、家用电器、iot设备等，它们经由相应的通信连接（例如lan、英特网）与设备外部的中央单元（云）处于连接。
43.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以及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蓄能器、例如机动车辆中的车辆电池组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。
44.在图1中更详细示出机动车辆4之一。这些机动车辆4分别具有作为可再充电的电蓄能器的车辆电池组41、电驱动马达42和控制单元43。该控制单元43与通信模块44连接，该通信模块适合于在相应的机动车辆4和中央单元2（所谓的云）之间传输数据。
45.这些机动车辆4向中央单元2发送运行参量f，所述运行参量至少说明如下参量，所述参量影响到所述车辆电池组41的老化状态。这些运行参量f可以在车辆电池组的情况下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）,不仅在包层面（packebene）、模块层面而且/或者在电池层面。这些运行参量f以0.1hz至100hz的快速时间栅被检测并且可以以未压缩的形式和/或已压缩的形式规律地被传输给中央单元2。例如，通过为了最小化到中央单元2的数据通信量的目的而充分利用压缩算法，可以以10分钟至几小时的间隔而逐块地将时间序列传输到中央单元2。
46.该中央单元2具有数据处理单元21和用于存储数据点、模型参数、状态等的数据库22，其中在该数据处理单元中能够执行接下来所描述的方法。
47.在该中央单元2中实现老化状态模型，该老化状态模型作为混合模型是部分地基于数据的。该老化状态模型可以规律地、也即例如在相应的评估持续时间过去之后被使用，以便基于这些运行参量（分别从相应车辆电池组投入运行起）的时间上的变化过程以及由此而确定的运行特征来确定所分配的车队3的有关车辆电池组41之一的瞬时老化状态。换言之，可能的是：基于所分配的车队的机动车辆4的车辆电池组41的运行参量的变化过程以及由这些运行参量的变化过程所得出的运行特征来确定有关车辆电池组41的老化状态。
48.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参量。老化状态代表针对车辆电池组或电池组模块或电池组电池的老化的度量并且可以作为容量保持率（capacity retention rate，soh-c）或作为内阻增加（soh-r）而加以说明。容量保持率soh-c作为所测量的瞬时容量与完全充满的电池组的初始容量的比例而加以说明。内阻的相对变化soh-r随着电池组老化的增加而上升。
49.图2示例性示意性地示出基于数据的老化状态模型9的实施方式的功能结构，其中所述基于数据的老化状态模型以混合方式构造。所述老化状态模型9包括物理老化模型5和修正模型6。
50.物理老化模型5是基于微分方程的非线性数学模型。以尤其是自设备电池组的使用寿命开始起的运行参量变化过程而进行的老化状态模型的物理老化模型的评估导致物理微分方程的方程组的如下内部状态出现，所述内部状态对应于设备电池组的物理内部状态。由于物理老化模型基于物理和电化学的规律性（gesetzm
äß
igkeit），所以物理老化模型的模型参数是说明物理特性的参量。
51.因此，运行参量f的时间序列直接进入到（eingehen）物理老化状态模型5中，其中所述物理老化状态模型优选地实施为电化学模型并且借助于非线性微分方程和多维状态向量而描述了相对应的内部电化学状态、例如层厚度（例如sei厚度）、由于阳极/阴极副反应而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。
52.物理的老化模型5因此相应于电池组电池和电池化学的电化学模型。这种模型根据运行参量f而确定内部的物理电池组状态，以便确定以上述电化学状态的形式的至少一个维度的物理学上所基于的老化状态sohph，其中所述电化学状态线性地或非线性地被映射到容量保持率（soh-c）和/或内阻增高率（soh-r），以便提供其作为老化状态（soh-c和soh-r）。
53.然而，通过电化学模型所提供的针对物理老化状态sohph的模型值在特定情况下是不精确的，并且因此而规定：以修正参量k来修正所述模型值。由基于数据的修正模型6提供所述修正参量k，其中借助于来自车队3的车辆4的训练数据组和/或借助于实验室数据来训练所述基于数据的修正模型。
54.该修正模型6在输入侧获得运行特征m，其中由运行参量f的变化过程确定所述运行特征并且所述运行特征还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，该修正模型6可以在输入侧获得根据物理老化模型5所获得的物理老化状态sohph。当前的评估时间段的运行特征m在特征提取块8中基于运行参量f的时间序列而产生。这些运行特征m还包括：来自状态向量的内部状态、电化学物理老化模型以及有利地包括物理老化状态sohph。
55.可以根据运行参量f而在中央单元2中针对每个车队3或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，这些运行特征涉及到评估时间段。针对老化状态确定，评估时间段可以为几小时（例如6小时）至几周（例如一个月）。针对评估时间段的常见值为一周。
56.这些运行特征m可以例如包括：与评估时间段有关的特征和/或累积的特征和/或在迄今为止总的使用寿命期间所确定的统计学参量。尤其是，这些运行特征可以例如包括：电化学状态、诸如sei层厚、由于阳极/阴极副反应而引起的可循环（zyklisierbar）锂的变化、电解质溶剂的快速吸收、电解质溶剂的缓慢吸收、锂沉积、阳极活性材料的损失以及阴极活性材料的损失、关于阻抗或内阻状态的信息、直方图特征（histogrammmerkmal），例如关于充电状态的温度、关于温度的充电电流和关于温度的放电电流，尤其是与关于充电状态的电池组温度分布、关于温度的充电电流分布和/或关于温度的放电电流分布有关的多维直方图数据、以安培小时为单位的电流通过量（stromdurchsatz）、所累积的全部充量（ah）、在充电过程中（尤其是针对电荷增加高于总电池组容量的阈值份额[例如20%δsoc]的充电过程）的平均容量增加、在具有足够大的充电状态偏移（hub）的所测量的充电过程期间的差分容量的极值（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）以及充电容量或者累积的行驶功率。这些参量优选地被如此换算，使得这些参量尽可能好地表征真实的使用行为并且在特征空间中对其进行归一化（normieren）。这些运行特征m可以总体或者仅部分地用于接下来描述的方法。
[0057]
为了确定待输出的经修正的老化状态soh，将物理老化模型5的和基于数据的修正模型6的输出sohph, k施加到彼此，其中所述修正模型优选实施为高斯过程模型。尤其是，可以在求和块7中将这些输出sohph, k相加，或者否则的话也可以将其相乘（未示出），以便获得在当前的评估时间段待输出的建模老化状态soh。高斯过程的置信度可以在相加情况下还用作为混合模型的待输出的经修正的老化值soh的置信度。高斯过程模型的置信度因此表征了从运行特征点或（在使用pca情况下）从主分量到老化状态的映射的建模不确定性。
[0058]
为了对运行特征进行缩放（skalierung）和降维，必要时可以使用pca（principal components analysis（主分量分析）），以便在（以非监督的方式）训练所述修正模型之前相应地减小在特征空间中的冗余的线性相关的信息。可替代地，也可以使用核pca（kernal-pca），以便在数据复杂度减小中也能够描绘非线性效应。不仅在降维之前而且特定地在此后也进行总的运行特征空间（或主分量空间）的标准化（normalisierung），例如以最小/最大缩放（min/max-scaling）或z变换。
[0059]
因此可以针对具有至少一个电化学单元、例如电池组电池的蓄能器而进行老化状态的计算和老化状态的预测。该方法通过基于规则的和/或基于数据的映射也能够被应用到蓄能器的总系统。以电池组为例，该老化预测除了电池层面以外因此也可以直接被应用到模块层面和包层面。进一步地或替代性地，在蓄能器系统中最弱的电池也可被视为针对该电池组包的限制性分量（limitierende komponente）。
[0060]
图3示出了用于阐明用于在中央单元2中训练混合老化状态模型的示例性方法的流程图。为此，定义训练数据组，所述训练数据组将运行参量的变化过程分配给作为标签的按经验确定的老化状态。
[0061]
作为标签的老化状态的确定能够以本身已知的方式在所定义的产生标签的负载条件和周围环境条件下通过在车辆中或在中央单元2中以附加模型评估所述运行参量变化过程而进行，例如在车间中在试验台上或以诊断模式或产生标签模式而进行，其中所述诊断模式或产生标签模式表示一种运行模式并且保证遵守车辆电池组的预定运行条件、例如恒定温度、恒定电流等。对此，可以使用用于确定老化状态的其他模型，例如基于对电池组使用中所识别的充电和/或放电阶段的分析。
[0062]
优选地，通过库伦计数或通过形成在充电过程期间时间上的电流积分而进行soh-c测量，其中所述时间上的电流积分被除以在相关的充电和/或放电阶段的开始和结束之间的充电状态的偏移（hub）。有利地，在此情况下在静止阶段中对空转电压特征曲线进行校准，以便在中央单元中一并计算充电状态变化过程。如果在充电过程期间车辆电池组在可再现的负载和周围环境条件下从已定义的松弛（relaxiert）状态出发而由完全放电的充电状态达到完全充电的状态，则例如能够获得关于用作标签的老化状态的足够可靠的说明数据。由此而检测的最大电荷可以与车辆电池组的初始的最大充电容量联系起来。与电阻相关的老化状态（soh-r值）也可以通过与电流变化相关的电压变化而被计算出来。通常它们与所定义的时间区间以及所定义的周围环境条件和系统的能量流动方向相关。
[0063]
针对车辆电池组的训练数据组因此由分别在一个时间点所确定的老化状态和从有关车辆电池组的投入运行时间点直至该时间点为止的针对有关车辆电池组的运行参量变化过程而得出。针对车辆电池组可以确定在不同时间点的多个训练数据组，其中能够相对于投入运行时间点（使用寿命开始）而说明这些时间点。所述训练数据组针对大量车辆而被收集和提供。
[0064]
老化状态模型可以以常规的方式利用所述训练数据组而被训练。对此而规定：鉴于所述物理模型的残差而进行修正模型6的训练，从而使修正模型能够恰好在以足够置信度允许的数据情况（datenlage）下相应地进行数据驱动（datengetrieben）的修正。所述训练数据组于是代表了所述训练集合。
[0065]
可以通过将所述训练数据组划分成训练集合和测试集合而进行所述训练。所述训练集合用于训练所述混合老化状态模型，而所述测试集合则用于借助于所述测试集合的新的、并没有被用于训练的、未知的数据来验证所述混合老化状态模型。优选地，使用第三数据组、即验证数据组，以便优化所述修正模型的超参数。
[0066]
在步骤s1中，根据训练集合的第一部分来对物理老化模型5进行参数化，尤其是通过借助于最小二乘法等进行的参数优化。物理老化状态sohph作为物理老化模型5的输出在此被假定为相应的训练数据组的老化状态。
[0067]
在步骤s2中，将所述物理老化模型应用到混合模型的总训练集合，即，一定数目的训练数据组，其至少包括已被用于对物理老化模型参数化的训练数据组的集合或者甚至超出已被用于对物理老化模型参数化的训练数据组的集合。物理老化模型5的误差相应地以关于作为模型偏差的直方图的所述残差方面的总误差而被评定（evaluieren）。该残差 in 与运行特征m或运行参量f相结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。也得出物理老化模型5关于新的没有用于物理老化模型5的参数化的训练数据组方面表现如何、也即如何泛化的信息。
[0068]
在下一步骤s3中，鉴于混合老化状态模型9的完整训练集合而训练所述基于数据
的修正模型6。混合模型的所述训练集合至少包括与步骤s1相应的物理模型的训练集合。为了训练所述修正模型6，不仅从运行参量f提取运行特征m而且也使用物理老化模型5的内部状态作为m的子集，以便将全部的运行特征映射到物理老化模型的模型预测（物理老化状态）与相应于训练数据组的所标签的老化状态之间的误差。此外，m也可以包括建模的物理老化状态sohph。由此，修正模型6可以学习所述物理老化模型5的弱点，以便因此能够在修正块中进行物理老化状态的修正。
[0069]
基于数据的修正模型6的训练可以利用交叉验证和顺序装袋法（bootstrap aggregating（自举汇聚法））而执行，以便改善鲁棒性和精确性。如果修正模型是经训练的，则能够借助于测试集合在步骤s4中对经训练的混合老化状态模型进行验证，从而能够验证针对老化状态计算的总体表现。
[0070]
经训练的混合老化状态模型现在可以被用于基于车辆电池组的运行参量f的自使用寿命开始起的时间上的变化过程来确定老化状态。
[0071]
如果有新的已标签的训练数据组可用，特别是如果所述训练数据组包含新的并且相关的信息，那么就可以一直发起对混合老化状态模型的训练。在中央单元2中基于车队数据的运行过程中，因此可能持续地再训练用于确定车辆电池组的当前老化状态和用于在预测老化状态时使用的混合老化状态模型。
[0072]
可以借助于“代表性主动学习（representative active learning）”来执行对训练数据的确定，其中确定关于运行特征点（运行特征的组合）的训练数据，其中修正模型对其具有高度不确定性。尤其是，可以选择设备组中的如下设备，所述设备的运行特征点具有高度建模不确定性并且同时具有针对现有车队3而言的高相关性，使得相关车队3中尽可能多数目的车辆4受益于标签生成和随后的模型训练。
[0073]
图4基于图2的混合老化状态模型。为了预测未来的老化状态变化过程而使用动态模型9，以便基于至少一个负载参量l的变化过程、诸如电池组电流i和电池组温度t的变化过程而生成运行参量、例如电池组电压u和充电状态soc的时间上的变化过程并且将所有这些运行参量总体、也即电池组电压u的时间上的变化过程、充电状态soc的时间上的变化过程、电池组电流i的时间上的变化过程以及必要时电池组温度t的时间上的变化过程作为"人工"运行参量变化过程f而提供给该混合老化状态模型9。
[0074]
因此，针对作为蓄能器的电池组，所产生的负载参量l的变化过程对应于一部分“人工”运行参量变化过程或者也对应于所有“人工”运行参量变化过程。在其他类型的蓄能器情况下，负载参量l可以与由此生成的运行参量不同。在其他实施方式中，也可以使运行参量的变化过程完全相应于负载参量并且因此如下所述可以直接由使用模式模型10而生成。
[0075]
动态模型9因此具有如下任务，针对混合老化状态模型而提供在预测情况下所生成的（并非真实的、人工产生的）时间序列或针对创建运行参量的负载参量l的变化过程，和/或作为至少其中一部分运行参量f，其中能够利用所述运行参量通过（基于运行参量自使用寿命开始（投入运行）起所检测的变化过程）续写当前老化状态而执行老化状态变化过程的预测。
[0076]
动态模型9可以以不同类型来设计，诸如电池组电池的单粒子模型（einzelpartikelmodell）、等效电路模型、电化学模型等。动态模型9可以尤其是相应于电
化学电池组模型，其中所述电化学电池组模型对平衡状态（gleichgewichtszust
ä
nde）进行建模并且在静止阶段中对电池电压进行校准，以便由电池组电压生成电池组电流和充电状态。替代性地，该动态模型可以被实施为用于表征系统传递函数的电池组性能模型，其中通过butler-volmer调谐而计算出电流强度的非线性。
[0077]
根据车辆电池组41的得出的老化状态soh由负载参量l的变化过程生成运行参量变化过程，其引起：更新动态模型9，特别是关于其参数或者可替代地关于其状态方面。因此，根据车辆电池组41的老化状态而使动态模型9的传递行为变化。典型地，在模拟或预测期间每个（模拟）月一次地进行这种参数更新。
[0078]
通过基于所计算的建模老化状态soh而要么更新参数并且/要么更新动态模型9的状态而考虑老化状态soh。
[0079]
针对电池组-性能模型的示例，由电池电压u
cell
如下地确定所述电池组电压：，其中ocv对应于空转电压，对应于由于欧姆电阻而在电池组电池上的电压降、对应于基于电荷变换电阻的电压降、对应于基于扩散电阻的电压降，r1(soh)和r2(soh)对应于要优化的参数。在此，针对高频份额而参数化，并且针对低频份额而参数化r2。（ct=charge transfer（电荷转移））描述了由于电流强度的非线性相关性而引起的传递函数的非线性份额。
[0080]
相应于在动态平衡状态下的电流。在该运行点，电阻按照butler-volmer方程是能足够精确地线性化的。
[0081]
为了针对老化状态预测而生成负载参量l的变化过程，设置使用模式模型10。该使用模式模型10将预给定的使用模式n转化成负载参量l的变化过程，其中这些负载参量反映了蓄能器在由该使用模式所说明的使用和运行方式情况下所遭受（aussetzen）的蓄能器负载。使用模式n因此导致：通过使用模式模型10输出电池组电流i和电池组温度t的时间上的变化过程作为负载参量l，其中利用这些借助于动态模型9而使具有电池组电压u和充电状态soc的变化过程的运行参量（f）的组完整化，以便生成运行参量的人工生成的变化过程。
[0082]
通过如下使用参数n来定义使用模式，其中所述使用参数以车辆个别的方式通过所述使用模式模型10、优选地借助于基于数据的方法而被学到，并且所述使用模式用于模拟关于有关车辆电池组41的由用户运行的传动系的或个别用户的典型使用行为。
[0083]
使用模式模型10可以被构造为递归神经网络，例如lstm或gru，尤其是构造为贝叶斯lstm网络并且基于负载参量l或运行参量f的变化过程而被训练，其中所述负载参量或运行参量说明了蓄能器的使用的典型的和代表性的方式。在此要考虑的负载参量l的变化过程或运行参量f的变化过程应该基于车辆电池组41的相同运行方式和相同使用方式的时间段。
[0084]
说明了使用模式的使用参数于是相应于使用模式模型10的模型参数并且因此表
征车辆的使用方式或驾驶员的隐含和明确的使用模式，也即在人工神经网络的情况下例如表征各个神经元的偏差值和权重。此外，可以将先验分布和后验分布以及根据贝叶斯理论基于观测而条件化（konditioniern）的概率考虑作为相关参数。
[0085]
所述使用模式通过基于负载参量l和/或运行参量f关于自身的日历上的参考的已知的时间上的变化过程而训练使用模式模型10而得出。也即，所述使用模式模型10在输入侧利用日历上的时间说明数据而在输出侧利用负载参量（优选作为时间序列的电流、温度）和/或运行参量而以对于递归神经网络而言本身已知的方式被训练。
[0086]
该使用模式模型10可以被构造为总模型或者针对负载参量l的每个要预测的变化过程而具有子模型。在此情况下，使用模式模型10的子模型鉴于驾驶员个别的时间上的温度变化过程而被训练并且该使用模式模型10的另外的子模型鉴于驾驶员个别的电流变化过程而被训练，以便向日历上的参考参量或时间说明数据模拟地分配这些子模型并且能够提供所述子模型。因此，可以通过预给定日历上的时间说明数据、例如日期和时钟时间而生成负载参量和/或运行参量的人工变化过程。所述日历上的时间说明数据还可以包含一周的一天、月份和关于假日的认识并且尤其是通过特征工程（feature engineering）而考虑到季节性。
[0087]
只要是还没有识别驾驶员更换，就可以在考虑新的数据的情况下定期地训练该使用模式模型，例如每月一次地。该训练数据组可以在这种情况下包括：自所标识出的最后驾驶员更换起直至最新检测的运行参量或负载参量的运行参量或负载参量的典型变化过程。典型地，在该分段（abschnitt）中间从训练数据组中分离出不被用于训练而是被用于验证使用模式模型的时间分段。典型地，将贝叶斯lstm网络用于以驾驶员个别的方式表征电流变化过程。此外，还将贝叶斯lstm网络用于以驾驶员个别的方式表征温度变化过程。对于lstm方案的替代方案是arimax模型。
[0088]
可以因此由负载参量l的变化过程和/或运行参量f的变化过程的原始数据而直接构造该使用模式模型10。例如由于反复的通勤路段以及典型的停车和静止时间以及关于温度范围的负载，因此针对这些车辆电池组41识别出并且使得能够再现电流分布（stromprofil）的典型模式。
[0089]
该使用模式n因此可以隐含地说明车辆电池组41的负载类型，尤其是周期性的负载。
[0090]
所述使用模式n尤其是也可以说明周围环境条件和周期性的负载变化过程。优选地借助于来自中央单元（云）中的与gps相关的天气数据，这些周围环境条件可以例如从气候表中被导出，其针对季节等等说明了在昼夜循环之内的电池组温度变化过程。对此，可以附加于日历上的时间说明数据地以温度变化过程说明数据训练所述使用模式模型并且使用所述使用模式模型。优选地，可以将与gps相关的温度变化过程的预测加入（einarbeiten）到使用模式预测中。
[0091]
所述使用模式n尤其是也可以说明周围环境条件和周期性的负载变化过程。优选地借助于来自中央单元（云）中的与gps相关的天气数据，这些周围环境条件可以例如从气候表中被导出，其针对季节等等说明了在昼夜循环之内的电池组温度变化过程。对此，可以附加于日历上的时间说明数据地以温度变化过程说明数据训练所述使用模式模型并且使用所述使用模式模型。优选地，可以将与gps相关的温度变化过程的预测加入到使用模式预
测中。
[0092]
所述温度变化过程说明数据可以从刚过去的一个时间段中、例如一个月中的平均温度而得出，其中能够借助于从气候表中得出的季节性的波动而预测所述温度变化过程说明数据。可以从车辆的位置说明数据（geoposition（地理位置））（车辆位置：最频繁地确定出的车辆位置的位置说明数据）推导出所述气候表。因此，使用模式模型规定了日历上的时间说明数据和温度变化过程说明数据到作为输入参量的负载参量和/或运行参量的变化过程的映射，并且该使用模式模型也是相对应地得以训练的。
[0093]
此外，该使用模式模型10可以根据经建模的老化状态soh而得以运行。因此，可以例如在以车辆电池组运行的车辆的情况下考虑：为了开过驾驶员期望的路程，驾驶员在老化的电池组情况下更可能必须每周充电三次，而不是像最初那样仅充电两次。
[0094]
所述使用模式n以车辆个别的方式被训练和预给定并且表征相应车辆电池组41的使用和运行行为或运行和使用方式。
[0095]
以使用模式模型10的使用参数（模型参数）的形式而预给定的使用模式n能够以累积运行特征的梯度变化过程的形式针对如下累积参量而被验证合理性，其中例如通过考虑sohr而在相同使用方式或运行方式的情况下从这些累积参量中预期线性增长，这些累积参量诸如是km功率或有效程度标准化的ah通过量。
[0096]
所述使用模式模型10的预测质量在极大程度上取决于足够训练数据的可用性。尤其是，在新投入运行的车辆或车辆电池组41的情况下，通常尚不存在关于针对足够持续时间的负载参量和运行参量的变化过程的数据，以便在上述训练方法中以足够精确度而建模使用模式模型10。
[0097]
接下来描述的方法因此规定：学到并且评价负载参量l和/或运行参量f的变化过程的预测的建模不确定性，以便能够评价在此基础上对老化状态的预测或对剩余使用寿命的确定的总置信度。该方法为此利用大量车辆的车队数据，以便确定负载参量l和/或运行参量f的预测质量（置信度）。根据关于使用行为的车辆个别的预测质量、也即所述至少一个负载参量和/或所述至少一个运行参量的变化过程的预测的质量，能够以统计学方式导出驾驶员个别的负载参量的预测的不确定性，其中所述负载参量例如包括温度和电流，其中使用所述负载参量，以便通过考虑使用模式模型10的建模置信度而评价所得出的预测，其包括老化状态模型的建模不确定性在内。尤其是可以评价：该预测能够如何好地描绘（abbilden）和预测特定的驾驶员类型。此外可能的是：执行老化状态预测的以统计学方式确保的置信度评价。
[0098]
通过与混合老化状态模型相结合而可能的是：在老化状态模型的建模不确定性与驾驶员个别的使用模式模型的置信度之间分解（aufspalten）所述预测置信度，其中所述建模不确定性直接由修正模型（高斯过程模型）而确定，其中所述驾驶员个别的使用模式模型的置信度取决于所述驾驶员的行为是怎样确定性的或随机的。
[0099]
该方法在中央单元2中执行并且接下来根据图5的流程图而进一步予以描述。
[0100]
在步骤s11中进行中央单元2的常规运行。在正在进行的运行中，在此由车队3的这些车辆4其中的每个车辆将运行参量的连续变化过程传输到中央单元2，其中所述运行参量诸如是电池组电流、电池组电压、充电状态和电池组温度。
[0101]
在步骤s12中检验：是否针对所确定的车辆4的车辆电池组41而应该进行老化状态
预测。
[0102]
如果是这种情况（抉择：是），则以步骤s13继续进行该方法，否则（抉择：否）跳回步骤s11。
[0103]
在预先确定的离散时间点，基于到那时为止所接收的运行参量变化过程而根据之前描述的混合老化状态模型9来进行老化状态预测，以便针对当前评估时间段或当前时间点而确定或预测老化状态。如果应预测老化状态变化过程，则基于使用模式模型10而针对所确定的车辆以车辆个别的方式如上所述来确定至少一个负载参量或至少一个运行参量或上述运行参量的变化过程。图6例如示出从目前评估时间段10出发的电池组温度的可能变化过程。
[0104]
在接下来的步骤s13中，现在评价过去的预测，其中可以借助于使用模式模型10而创建所述过去的预测。为此而检验：关于过去评估时间段而对负载参量或运行参量的变化过程所进行的预测与实际上由有关车辆4所接收的运行参量变化过程怎样地一致。
[0105]
优选地，基于恒定的预测范围而进行这种分析。还假定：在未来也可以以类似的置信度基于关于其使用模式（也即负载和/或运行参量，其例如包括时间和温度）的相同预测范围来对车辆电池组41的使用方式或者说驾驶员进行预测。基于至少一个预测范围、然而也可以优选地基于多个、例如十个预测范围，通常离散化地在1个月到15年之间学会历史使用模式置信度。
[0106]
在图7中例如根据针对过去的观察时间段的电池组温度的运行参量来描绘针对电池组温度的实际变化过程vt的时间分段和电池组温度的通过使用模式模型10所预测的变化过程vp。因为该车辆或车辆电池组41并非连续运行，所以电池组温度的实际变化过程并非连续地可用。然而，在测量了或观察了运行中的电流强度或电池组温度的情况下，总是有另外的相关标签可供使用用于使用模式模型，其中所述另外的相关标签进一步地也可用于评价所述（多个）负载参量和/或（多个）运行参量的预测变化过程。
[0107]
现在检验：被预测的（预测）变化过程与被预测的负载参量（例如包括温度和电流）的实际变化过程怎样地一致。
[0108]
对此，针对一个或多个恒定预测范围，分别在所述恒定的预测范围之后分别确定所观察的运行参量的预测变化过程。也就是说：为了确定所观察的负载参量l或运行参量f的预测变化过程，针对时间上相继的预测目标时间点，分别借助于使用模式模型10而预测从所观察的运行参量的变化过程出发直至预测开始时间点的所观察的运行参量的值，其中这些预测目标时间点相应于在过去的观察时间段中的相同时间步（例如3年）或评估时间段并且说明了所预测的变化过程。在预测开始时间点与预测目标时间点之间的持续时间相应于所述恒定的预测范围。因此，该预测开始时间点相应于如下评估时间段/时间点（预测开始），其中所述评估时间段/时间点相对于所观察的评估时间段/时间点而言要早出一个预给定的恒定预测范围。
[0109]
所观察的运行参量的预测变化过程针对过去的观察时间段被确定，其中所述过去的观察时间段优选地在当前评估时间段/时间点终止。在过去的观察时间段中，现在以恒定预测范围（例如3年）而将全部预测汇总成具有恒定预测范围的负载预测向量，其中所述过去的观察时间段例如可以在蓄能器投入运行的时间点开始。
[0110]
通过与（多个）负载参量和/或（多个）运行参量（例如温度）的所真实测量的或所观
测的变化过程相比较（abgleich）,可以精确地确定有关的（多个）负载参量和/或（多个）运行参量的预测的残差。
[0111]
所应用的使用模式模型10通常是基于数据的并且如上述地以车辆个别的方式利用所观察的实际运行参量的已知变化过程而被训练用于所观察的车辆。尤其是，作为使用模式模型10可以为了确定所观察运行参量的预测变化过程而始终采用（annehmen）如下模型，针对该模型的训练仅仅考虑了所观察的运行参量直至分别所考虑的预测开始时间点（预测开始）的变化过程。也即为了确定所观察的运行参量的相应的预测变化过程而使用大量使用模式模型，这些使用模式模型与预测开始时间点相对应地被选择。
[0112]
所观察的运行参量的所得出的预测变化过程示例性地在图8中针对两个不同的预测范围而被示出。作为点状曲线p2而看出所观察的运行参量的预测值，其中这些预测值是针对较长的预测范围，例如5天所预测的，并且根据虚线曲线而看出所观察的运行参量的预测值，其中这些预测值是针对较短的预测范围p1所预测的。在与所观察的运行参量的实际变化过程vt的分段的比较中看出：与针对关于较长预测范围的预测的情况相比，该使用模式模型10能够针对较短的预测范围更好地预测运行参量的变化过程。
[0113]
在步骤s14中现在评估：关于对于其存在运行参量的实际变化过程的时间分段而言，该预测是如何好地针对不同预测范围所进行的。因此，可以例如针对每个预测范围针对所定义的评估区间中的时间步或评估时间段而由所观察的（多个）负载参量和/或（多个）运行参量的相应预测值而创建完整的误差残差或误差直方图。例如针对在所定义的评估区间中的每个时间步或者每个评估时间段，作为在所观察的运行参量的相对应值与所观察的运行参量的实际值之间的偏差而得出误差残差。所定义的评估区间可以对应于观察时间段。通常，定义自蓄能器投入运行起或者自驾驶员最后变更直到现在的评估时间段。
[0114]
关于实际测量的运行参量和预测的运行参量的误差残差的评估可以在刚刚过去的时间窗口上进行，诸如最后七天，或者一天和一个月直到几年之间的另外时间段上进行。在此通过历史数据而学到并且确定出：针对在定义的时间窗口之内所确定的恒定预测范围，针对特定的用户或特定的使用方式而言残差如何分布。
[0115]
在接下来的步骤s15中，基于被分配给预测范围的所确定的残差针对过去的预给定时间段、尤其是直至车辆电池组投入运行开始的时间段或者自驾驶员最后更换起的时间段，与直方图相对应地分析评估误差残差。基于所述残差，概率密度函数被拟合（fitten），其中所述概率密度函数可以被明确分配给预测范围并且驾驶员个别地表征使用模式预测的不确定性。该概率密度函数可以例如基于正态分布被拟合或者以非参数化的方式被拟合。针对例如3年的预测范围而得出完整的误差残差图（fehlerresiduumsbild），其中针对所述预测范围在假定例如正态分布的情况下可以通过残差直方图拟合概率密度函数。针对所观察的运行参量和所观察的恒定预测范围的概率密度函数现在允许：执行如下评价：由驾驶员如何随机性地或者确定性地使用车辆电池组。
[0116]
例如，在图9中针对5天的恒定预测范围关于作为所观察的运行参量的电池组温度示出针对误差残差的直方图（频率h）。以图9为例而看出：电池组温度的残差以第一近似（n
ä
herung）而正态分布（根据概率分布w）并且针对50天的恒定预测范围而大约在-12℃和+12℃之间波动。以最大偏差的形式确定所观察的运行参量的历史不确定性，其中以概率而保存所述最大偏差，例如在50天的恒定预测范围情况下在置信度99%的情况下为
±
12℃的偏
差，在100天的恒定预测范围情况下在置信度99%的情况下为
±
16℃的偏差，以及在三年的恒定预测范围情况下在置信度99%的情况下为
±
20℃的偏差。
[0117]
还应该以经检验的方式确保：该残差恰好并不停留（aufhalten）在全局车队残差的边缘范围内。如果是这种情况并且特别是在基于相同预测范围（例如3年）的不确定性强烈增大的情况下发起：重新训练驾驶员个别的或使用个别的使用模式模型10，从而接下来使最新的残差并不位于历史残差的边缘范围内。替代于训练，也可以学到系统残差偏移（residuen-offset）并且接下来对其进行相加式（additiv）补偿。
[0118]
在接下来的步骤s16中，现在从当前评估时间段出发基于最新的使用模式模型10而执行老化状态预测。得出老化状态的标定预测变化过程。通过使用混合老化状态模型，除了老化状态的预测变化过程以外还得出关于混合老化状态模型的模型估计的预给定的、例如99%的置信度的置信区间，优选地直接由高斯过程模型而导出。
[0119]
借助于针对不同预测范围的运行参量的之前确定的最大偏差，现在可以确定在步骤s17中针对老化状态预测的变化过程。在此，应该针对车辆电池组的应激因子或最大和最小负载确定预测变化过程。这通过利用这些运行参量其中的一个或多个运行参量的经修改的变化过程计算出老化状态的预测变化过程而执行。对此向这些运行参量其中的一个或多个运行参量的原始的预测变化过程施加之前所确定的偏差，其中针对预测范围为所观察的运行参量得出这些偏差。分别所观察的运行参量的最大偏差与相对应的运行参量的预测变化过程相对应地被加上或减去。在例如+/-12℃的偏差情况下，电池组温度的预测变化过程因此被偏移+/-12℃，以便能够描述温度引起的最小和最大使用模式。
[0120]
替代地，也可以通过monte-carlo（蒙特卡洛）方法例如利用n=80的抽样而进行采样，以便例如将温度预测的不确定性与电流预测的不确定性相结合并且在输入侧模拟混合老化状态模型。在此情况下，与图9相对应，可以从所学到的分布中采样。
[0121]
进一步，在步骤s18中执行所观察的运行参量的变化过程的最小预测以及所观察的运行参量的变化过程的最大预测。对此，根据使用模式模型10而确定运行参量、电池组电流和电池组温度的变化过程。与此相关地，关于所述多个所观察的预测范围而针对老化状态变化过程的预测来考虑相对应的最大偏差，作为置信区间。在存在最大偏差的预测范围之间，可以内插所考虑的最大偏差。
[0122]
这意味着：根据基于模型而预测的电池组电流和电池组温度的变化过程，针对每个所观察的预测范围至少确定：电池组温度的最大负偏差和电池组电流的最大负偏差；电池组温度的最大正偏差和电池组电流的最大负偏差；电池组温度的最大负偏差和电池组电流的最大正偏差；以及电池组温度的最大正偏差和电池组电流的最大正偏差。由此得出针对老化状态的变化过程的多个轨迹，诸如图10中包括：针对标称（nominell）老化状态变化过程的曲线soh
nom
、在车辆电池组41的最小负载情况下针对老化状态变化过程的曲线soh
min
以及在车辆电池组41的最大负载情况下针对老化状态变化过程的曲线soh
max
。从在运行参量的最大负偏差和最大正偏差的情况下的标称老化状态预测出发，因此考虑说明了车辆电池组的最小负载的那个老化状态轨迹以及说明了车辆电池组的最大负载的那个老化状态轨迹。
[0123]
根据基于数据的混合老化状态模型9，现在可以在步骤s19中附加地确定：建模不确定性，作为围绕针对标称老化状态变化过程的老化状态变化过程soh
nom
的置信区间；在车
辆电池组41的最小负载情况下的老化状态变化过程soh
min
；以及在车辆电池组41的最大负载情况下的老化状态变化过程soh
max
。这些老化状态变化过程作为围绕针对车辆电池组41的最大和最小负载的相对应的老化状态变化过程soh
max
, soh
min 的点状的极限老化状态变化过程soh
maxges
, soh
minges
而示出。
[0124]
以使用模式模型10和混合老化状态模型9的组合不确定性由如此确定的总老化状态变化过程soh
maxges
, soh
minges
而得出的相应置信区间极限相应于如下轨迹，这些轨迹与标称老化状态轨迹距离得最远。这些标称老化状态轨迹定义了：针对标称老化状态轨迹的置信区间。该置信区间不仅考虑混合老化状态模型9的建模不确定性而且也考虑使用模式模型10的建模不确定性。因此而确保：可以关于使用模式和负载而言高精确地预测确定性地行动的驾驶员、诸如班轮服务（linienverkehr），这直接能够被用于精确的老化状态预测以及计算剩余使用寿命。这意味着，针对确定性使用的车辆电池组能够在足够窄的置信度情况下有效地规划并且非常有效果地执行预测维护区间。
[0125]
在步骤s20中，用信号通知标称的预测老化状态轨迹以及与此有关的置信区间。
[0126]
通过预测老化状态变化过程达到预给定老化状态阈值、例如80% soh的时间点，确定剩余使用寿命。根据上述方法针对老化状态变化过程的预测而得出的置信区间现在实现：基于使用模式模型的以及混合老化状态模型9的共同不确定性而说明针对预计剩余使用寿命的相对应的区间。通过说明如下时间点而确定针对预测剩余使用寿命的不确定性范围，其中在所述时间点针对最大和最小负载的预测老化状态变化过程soh
maxges
, soh
minges
低于预给定的老化状态阈值，诸如80%soh。