本发明涉及独立于电网地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，而且本发明还涉及用于确定电蓄能器的当前或预测健康状态（soh：state of health）的措施。此外，除了移动电蓄能器之外，本发明也涉及静态电蓄能器。
背景技术：
1、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。
2、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。健康状态对应于用于说明蓄能器的老化的量度。按照惯例，新蓄能器的健康状态就其可用容量而言为100 %，该健康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（健康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。
3、虽然借助于物理健康状态模型可以基于历史运行参量变化过程来确定蓄能器的当前健康状态，但是该模型在某些情况下不准确。传统健康状态模型的这种不准确使得精确的状态确定以及对健康状态变化过程的预测变得困难。然而，对蓄能器的健康状态的变化过程的预测是重要的技术参量，因为利用该技术参量能够确定蓄能器的剩余使用寿命并且对蓄能器的剩余价值进行经济上的评价。此外，对健康状态的预测对于计划和执行预测性维护间隔期具有增值。
技术实现思路
1、按照本发明，提供了一种按照权利要求1所述的用于提供健康状态模型的方法、一种按照并列独立权利要求所述的用于提供健康状态的方法以及相对应的按照并列独立权利要求所述的装置。
2、其它的设计方案在从属权利要求中说明。
3、按照第一方面，提供了一种用来提供用于确定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经建模的健康状态的健康状态模型的计算机实现的方法，该方法具有如下步骤：
4、- 提供训练数据集，这些训练数据集分别针对特定时间点将凭经验确定的健康状态分配给一个或多个运行参量的运行参量变化过程；
5、- 提供基于数据的老化模型，该基于数据的老化模型被设计得具有神经微分方程组，以便对蓄能器的内部电化学状态进行建模，其中这些内部状态能被映射到健康状态，其中该微分方程组的微分方程中的至少一个微分方程具有确定性模型项与通过基于数据的校正模型所形成的基于数据的校正项之和；
6、- 基于这些训练数据集来训练该基于数据的老化模型，使得该基于数据的校正模型的模型参数被确定。
7、用于预测健康状态的健康状态模型通常可以作为电化学模型或者基于数据的模型来被提供。物理老化模型需要高水平的专家知识以便对位于其中的微分方程进行参数化，而基于数据的健康状态模型通常不需要专家知识，但是不允许外推或者只允许有限的外推。因而，通常试图将物理老化模型与基于数据的模型加法结合，以便不仅提供对当前健康状态的良好的模型预测而且提供对健康状态的良好的预测精度。
8、这种结合的缺点在于：基于数据的校正模型仅对物理老化模型的建模误差进行补偿，然而无法影响基于该物理老化模型对健康状态的计算。因而，上述方法规定：提供一种基于神经微分方程的健康状态模型。在这方面，提供物理老化模型的时变微分方程作为神经微分方程，这些时变微分方程基于内部系统状态的建模。神经微分方程对应于其中在右侧通过基于数据的校正项来补充物理项的微分方程。
9、基于数据的项通常通过基于数据的回归模型、尤其是以高斯过程模型或神经网络为形式的基于数据的回归模型来被描绘。神经微分方程的优点在于：在物理老化模型的情况下以经参数化的微分方程为形式存在的物理专家知识可以通过基于数据的模型组分来被补充，该模型组分是校正函数，利用该校正函数可以补偿物理老化模型与蓄能器的真实行为的偏差。
10、神经微分方程可以呈现如下形式：
11、
12、其中模型项体现了关于内部系统状态和在时间点t有效的运行参量f的值的物理老化模型并且基于专家知识利用参数向量来被参数化。在这种情况下，状态向量例如可以包括平衡或动力学参数，而且特别是包括如下电化学状态参量，作为内部状态或参数：
13、- 可循环锂的量；
14、- 阳极的体积份额；
15、- 阴极的体积份额；
16、- 关于阳极的反应速率或反应系数；
17、- 阳极的扩散系数；
18、- 关于阳极的层厚度；
19、- 关于阴极的反应速率或反应系数；
20、- 阴极的扩散系数；
21、- 阳极中的孔隙率；
22、- 阴极中的孔隙率；
23、- 阳极中的布鲁格曼（bruggemann）系数；
24、- 阴极中的布鲁格曼系数；
25、- 电解质浓度；
26、- 接触电阻；
27、- 机械颗粒污染。
28、还可以包含用于电化学或机械或物理建模的其它参数。
29、对应于基于数据的组分，其中对应于基于数据的校正项的模型参数向量。该模型参数向量包括底层的基于数据的模型的模型参数和超参数。模型项包括根据非线性状态方程来建模的电化学作用链。微分方程的左侧的微分项定义了蓄能器的内部状态，其中可以根据内部状态与组合参数的函数组合来确定健康状态，尤其是根据内部状态的线性组合。
30、为了使用神经微分方程组来对健康状态进行建模和预测，评估运行参量变化过程，尤其是其方式是通过数值时间积分方法来求解该微分方程组。为此，在设备电池组作为蓄能器的情况下，运行参量、诸如电池组电流、电池组温度、电池组电压、充电状态和/或诸如此类的运行参量必须作为高分辨率的时间序列存在。
31、对这种物理老化模型的计算复杂，并且由于缺乏计算能力而无法在技术设备的控制器中被执行。在这方面，该评估可以在与该技术设备保持通信连接的中央单元中进行。然而，为此需要将这些运行参量的高分辨率的时间序列传送给中央单元，这会导致数据量大。
32、通过给各个微分方程中的每个微分方程补充基于数据的校正项来实现扩展成神经微分方程，该基于数据的校正项取决于模型参数向量以及内部状态参量而且有利地还取决于运行参量。
33、不同于通过适合的、有关残差来学习的校正模型所准确说明或校正的传统物理老化模型，在上述用于神经微分方程组的方法中的校正项在模型中作用更深并且包含在微分方程的积分中，而这对于传统的基于数据的或混合健康状态模型是不可能的。
34、基于数据的校正模型可以包括深度神经网络，其中借助于基于梯度的方法通过使预先给定的损失函数最小化来执行训练。
35、为了对神经微分方程进行训练，使用训练数据集，这些训练数据集从蓄能器的已知的内部状态、例如在该蓄能器投入运行时的已知的内部状态出发将运行参量变化过程分别分配给在一段运行时间以后所达到的健康状态。这些训练数据集可以与先前对纯物理老化模型进行参数化的训练数据相同。该训练可以根据已知的尤其是基于梯度的方法借助于损失函数按照最小二乘法来被执行。在此，对用于基于数据的校正项的模型参数向量的模型参数进行调整，以便使损失最小化。
36、基于数据的校正模型可以包括概率回归模型、尤其是高斯过程模型，其中借助于基于梯度的方法通过使对数似然（log-likelihood）最大化来执行该训练。
37、因此，在高斯过程的情况下，代替上述对损失函数的最小化，也可以使用对数似然的最大化并且借此考虑概率建模。
38、借助于这些训练数据集，可以在训练过程中将具有物理参数α的参数向量和模型参数向量的模型参数共同参数化。
39、对基于数据的健康状态模型的训练可以通过如下方式来被执行：
40、- 借助于基于梯度的优化方法来同时优化模型项的参数以及基于数据的校正模型的模型参数，或者
41、- 其中在第一步骤中调整模型项的参数并且在第二步骤中在模型项的参数固定的情况下训练该至少一个微分方程的基于数据的校正模型的模型参数。
42、因此，该训练方法可以提供对参数和的同时训练。替代地，该训练方法也可以分两步执行，据此，首先基于训练数据集的集合来对具有物理参数α的参数向量进行参数化并且然后将这些物理参数α固定而且使用训练数据的相同训练集合或者另外的训练集合来仅对模型参数向量进行训练。
43、可以规定：该至少一个微分方程具有随机项。
44、因此，神经微分方程的模型方程可以利用随机项来予以扩展，以便建立随机微分方程组。这能够实现更高的鲁棒性，原因在于校正项还可以考虑由于噪声而引起的误差。
45、此外，该方法可以在设备外部的中央单元中被执行，其中运行参量变化过程在技术设备中被确定并且被传输给设备外部的中央单元。
46、按照另一方面，提供了一种用于确定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在特定时间点的经建模的健康状态的计算机实现的方法，该方法具有如下步骤：
47、- 提供一个或多个运行参量的运行参量变化过程；
48、- 提供经过训练的基于数据的健康状态模型，该健康状态模型基于神经微分方程组并且被训练用于将运行参量变化过程分配给健康状态；
49、- 通过使用该运行参量变化过程对该健康状态模型进行评估来确定经建模的健康状态。
50、该神经微分方程组可以被设计用于获得内部状态参量，其中经建模的健康状态在每个时间步长作为内部状态参量的函数组合尤其是根据这些内部状态参量的线性组合来得出。
51、经建模的健康状态尤其可以借助于另一基于数据的校正模型来被校正，该另一基于数据的校正模型基于训练数据集有关健康状态的残差来被训练。
52、该蓄能器可以被用于运行设备，如机动车、电动助力车（pedelecs）、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。
53、按照另一方面，提供了一种用于执行上述方法的装置。