1.本发明涉及一种用于对电池的老化状态进行预测的方法。
2.此外，本发明涉及一种包括至少一个电池的车辆，根据所述按本发明的方法来预测所述电池的老化状态并且/或者借助于根据按本发明的方法所预测的老化状态来改进所述电池的老化特性。
3.本发明也涉及一种预测系统，该预测系统被设立用于实施所述按本发明的方法。
背景技术：
4.电池的老化状态（soh，英语：state of health）取决于不同的影响因素。这些影响因素比如是流经电池的电流通过量、电池的充电及放电周期的数目和深度、电池的最大的充电及放电电流、用于电池的热回路、电池的运行温度、电池的荷电状态（soc，英语：state of charge）等等。因为所有这些因素以不同的形式和权重确定通常个别地运行的电池中的soh数值，所以难以精确地确定这个数值。
5.文件wo 2019/017991 a1说明了一种用于机动车的电池管理系统，该电池管理系统包括用于对能充电的电池的状态进行估计的模型。
技术实现要素：
6.提出一种用于对电池的老化状态进行预测的方法。
7.所述电池优选被构造为锂离子电池并且包括多个彼此串联或者并联的电池单池。
8.在此，首先提供所述电池的、与该电池的不同的使用属性相关的数据。所述电池的数据比如包括该电池的电压变化曲线、该电池的电流变化曲线以及该电池的运行温度变化曲线。当然，所述数据也能够包括表征电池的参量。所述表征电池的参量比如包括温度、充电电流、能量通过量、荷电状态或者状态的组合、像比如长时间高温下的高荷电状态。所述电池的表征电池的参量也包括电池的化学数据。“使用属性”尤其是指电池的负荷及充电属性。
9.随后将所述电池的数据传输给存储机构。在此，多个比较电池的数据被存储在所述存储机构中。在所述存储机构中也存储了所述比较电池的、优选与相应的比较电池的使用属性相关的老化状态数值和/或老化状态变化曲线。所述存储机构能够被分配给数据驱动的团体模型（flottenmodell）。优选地，所述存储机构包括所述数据驱动的团体模型。在此借助于所述数据驱动的团体模型对在所述存储机构中所存储的数据进行处理和分析。
10.此后借助于电池-参考模型按照所定义的时刻和/或所定义的事件来确定所述电池的老化状态数值。所述电池-参考模型在此包括电池的数据、电池的老化状态数值和电池的使用属性之间的关系。优选在确定所述老化状态数值之前借助于预处理模型对所述电池的信号或者信号变化曲线进行预处理。
11.如果已知所述电池的表征电池的参量、像比如标签、用于机器学习的所测量的老化状态参考，则能够直接并且精确地借助于所述电池-参考模型来计算老化状态数值。如果
存在标签，则所述电池-参考模型就被制作为基于人工智能的模型。如果还不存在标签，则所述电池-参考模型就相应于比如在车辆控制设备中所计算的数值。
12.在不知道所述电池的表征电池的参量的情况下，则能够比如借助于电池管理系统来计算所述电池的老化状态数值。这个由电池管理系统计算的老化状态数值而后用作用于电池-参考模型的基础值并且与电池的表征电池的参量相关联，所述表征电池的参量是用于所述电池的老化程度的指标。
13.接下来根据电池的所确定的老化状态数值来形成所述电池的老化状态变化曲线。
14.此后确定所述电池的所预测的老化状态数值和/或所预测的老化状态变化曲线。在此能够借助于所形成的老化状态变化曲线的外插来确定所述电池的所预测的老化状态数值和/或所预测的老化状态变化曲线。
15.也能够借助于所形成的老化状态变化曲线与所查明的老化状态变化曲线的分配关系从所述比较电池的在存储机构中所存储的数据中确定所述所预测的老化状态数值和/或所预测的老化状态变化曲线，其中从所述比较电池的在存储机构中所存储的数据中查明多条老化状态变化曲线。所述查明工作能够借助于电池的负荷的聚类方案（英语：clustering）、像比如最近邻启发学或者k-均值-算法考虑到不同的使用属性的老化状态变化曲线来实施。
16.为了确定所预测的老化状态数值和/或所预测的老化状态变化曲线，能够一起使用所形成的老化状态变化曲线的外插和分配关系。
17.优选实施所述电池的负荷预测。所述负荷预测比如能够在车辆的预测性的里程数据、车辆的导航数据和另外的来自车辆的控制设备的信息的基础上来实施。在此，能够借助于车-对-x-通信、尤其是车-对-车-通信来确定预测性的里程数据。用车-对-x/车-通信来表示车辆与环境/车辆之间的信息和数据的交换，其具有的背景是提早地向驾驶员报告危急的和有危险的情况。
18.优选用电池的实际上的老化状态数值和/或实际上的老化状态变化曲线从由所述电池-参考模型确定的实际上的老化状态数值中对该电池的所预测的老化状态数值和/或所预测的老化状态变化曲线进行调准。也能够用所述比较电池的、来自存储机构的所存储的老化状态数值和/或所存储的老化状态变化曲线对所述电池的所预测的老化状态数值和/或所预测的老化状态变化曲线进行调准，所述所存储的老化状态数值和/或所存储的老化状态变化曲线一方面外插相应的比较电池的个别的老化状态变化曲线并且另一方面借助于所述比较电池的统计上的分布来预测相对于老化状态数值的置信区间。优选实施所述两种调准。
19.优选所述电池-参考模型被构造为基于人工智能的模型。但是也能够设想，所述电池-参考模型被构造为物理模型、元模型或者数据模型，其能够是所述电池的综合特性曲线。当然，为了形成电池-参考模型而能够使用多个上面所提到的模型。
20.优选根据所述比较电池的在存储机构中所存储的数据对所述电池-参考模型进行调准。在不知道所述电池的表征电池的参量的情况下，能够根据所述电池的由电池管理系统计算的、用作用于电池-参考模型的基础值的老化状态数值和所述比较电池的在存储机构中所存储的数据来使所述电池-参考模型参数化。
21.优选为不同的预测范围“（pr
ä
diktionshorizonte）”来确定所述电池的老化状态
数值。
[0022]“预测范围”比如可以是指与车辆的特定的最小数量的行驶周期相关联的特定的持续时间。由此，同样考虑到所述具有电流及温度负荷的电池的日历上的和周期性的老化。与中期的所预测的老化状态数值、像比如4个星期和/或20个行驶周期和长期的所预测的老化状态数值、像比如8个星期和/或40个行驶周期相比，尤其短期的所预测的老化状态数值、像比如2个星期和/或10个行驶周期考虑到如比如在更换车辆的驾驶员或者车主时可能出现的那样的十分不同的行车方式。由此，预测精度要大得多。
[0023]
优选借助于无线网络系统将所述电池的数据传输给存储机构。在此，所述无线网络系统能够被构造为wlan网络系统。优选所述无线网络系统被构造为无线移动通讯网、像比如umts-或者lte-网络。
[0024]
优选所述存储机构被构造为云-存储器。但是，也能够设想，所述存储机构被构造为存储介质、像比如电池的控制设备的存储器或者外部的存储器。
[0025]
优选持续地对所述电池的被传输给存储机构的数据进行监控和评估。
[0026]
优选持续地对所述电池或者相应的比较电池的在存储机构中所存储的数据进行验证和评估。
[0027]
优选借助于基于人工智能的模型对被传输给存储机构的数据和在存储机构中所存储的数据实施监控、评估和验证。
[0028]
当在预测时刻在所预测的与实际上的老化状态数值之间出现偏差时，总是要与由所述电池-参考模型确定的实际数值相匹配并且为将来的预测而对其加以考虑。可能的系统性的偏差要一同列入在另一所预测的老化状态变化曲线中并且进行校正，使得所述预测残差是正态分布的。
[0029]
优选根据所预测的老化状态数值或者所预测的老化状态变化曲线来运用用于所述电池的运行策略，所述运行策略所追求的目标是，抑制电池的老化特性并且由此延长所述电池的使用寿命。这能够通过以下方式来实现，即：比如通过变化的功率极限、充电特性、运行温度或类似参量来将所述电池置于经济的运行状态中。由此，所述电池能够离开原来差的老化状态变化曲线并且转变到更好的老化状态变化曲线上。
[0030]
如果所述电池的中期的或长期的老化状态数值显示明显的变差情况，则能够通过所述运行策略的改变来实现缓慢的老化状态减退。起作用的措施、不仅是被动的措施而且主动的措施都比如涉及电流减小、调温或者用于避免快速充电周期的建议等等。策略调整对于另外的与所述存储机构相连接的具有类似的老化状态变化曲线的电池来说也能够用作用于其老化状态最佳的特性的预先规定。通过比如由于市内交通或者远程交通中的更多的行车或者由于充电特性的变化而引起的负荷变化，所述老化状态数值也能够更加适度地减小并且在没有运行策略-干预的情况下转变到其他的老化状态变化曲线上。通过这些措施，保证了所述电池的使用寿命的延长。
[0031]
在不是在最佳的条件下运行所述电池（这会导致老化的加重）的相反的情况中，运行策略的改变也可能引起以下结果，即：更高的功率或者更多的深度放电周期提供电池的各个快速充电过程或者在电池的老化特性方面的类似的优点。
[0032]
此外，提出一种包括至少一个电池的车辆，所述电池的老化状态根据所述按本发明的方法被预测并且/或者所述电池的老化特性借助于根据按本发明的方法所预测的老化
状态得到了改进。
[0033]
所述车辆的另外的信息或参数、像比如车辆的使用属性和驾驶员的驾车风格在此同样能够被传输给存储机构。
[0034]
也提出一种预测系统，该预测系统被设立用于实施所述按本发明的、用于对电池的老化状态进行预测的方法。
[0035]
所述预测系统比如能够具有电池-参考模型、带有数据驱动的模型的存储机构以及融合模型。所述电池-参考模型在此表征基础的电池技术。所述数据驱动的模型在启发学方面描绘了比较电池的、在电池的老化方面的实际特性。所述融合模型将这两种方案连结成电池的高精确的老化状态计算和预测。优选所述融合模型被构造为基于人工智能的模型。所述预测系统也能够具有用于进行信号预处理的预处理模型以及用于对电池的负荷进行预测的负荷预测模型。
[0036]
本发明的优点所述按本发明的优点允许在没有各个老化状态相关性的情况下考虑到老化确定。
[0037]
用所述按本发明的方法，为了确定老化状态和预测而不需要对电池管理系统中的软件进行调整。
[0038]
此外，能够用来自所述存储机构的数据对所述电池-参考模型进行调准并且由此改进所预测的老化状态数值的精度。
[0039]
有利的是，所述按本发明的方法通过短期预测而允许比如在使用特性的系统性的变换或者异常现象方面对电池的变化的负荷特性作出快速反应。
[0040]
用所述按本发明的方法能够运用电池的运行策略，所述运行策略引起电池使用寿命的延长和/或效率的提高。
[0041]
有利的是，用所述按本发明的方法能够自动地识别所述电池的负荷及充电特性变化并且由此可能不需要运行策略-干预。
[0042]
用所述按本发明的方法，能够通过比如大数据方法和存储机构中的人工智能来跨车辆地对用于使电池老化的不明显的贡献方进行分析、建模和验证，并且随后能够直接用于预测电池的老化状态。由此，对于老化状态的预测也通过来自所述存储机构的额外的信息而得到丰富，这进一步改进了老化预测的精度。
[0043]
对于未知的电池来说不存在表征电池的参量，对于所述未知的电池来说能够通过所述存储机构中的人工智能来跨车辆地对大数据量进行分析、建模和验证。通过新查明的相互作用关系，能够通过来自所述存储机构的知识来持续地对新的产品代和/或软件升级进行优化。
[0044]
此外，用所述按本发明的方法，能够从在所述存储机构中所存储的数据中推导出在线验证的、用于未知的电池的电池-参考模型。
附图说明
[0045]
借助于附图和以下描述对本发明的实施方式进行详细解释。其中：图1示出了按本发明的、用于对电池的老化状态进行预测的方法的流程图；并且图2示出了用于实施所述按本发明的方法的预测系统的示意图。
具体实施方式
[0046]
在本发明的实施方式的以下描述中，相同的或者类似的元件用相同的附图标记来表示，其中在个别情况中放弃对于这些元件的重复描述。附图仅仅示意性地示出了本发明的主题。
[0047]
图1示出了按本发明的、用于对电池的老化状态进行预测的方法的流程图100。
[0048]
在第一步骤101中，提供所述电池的、与该电池的不同的使用属性相关的数据。所述电池的数据比如包括电池的电压变化曲线、电池的电流变化曲线以及电池的运行温度变化曲线。当然，所述数据也能够包括表征电池的参量。“使用属性”尤其是指电池的负荷及充电属性。
[0049]
在第二步骤102中，将所述电池的数据传输给存储机构240（参见图2）。在此，多个比较电池（vergleichsbatterien）的数据被存储在存储机构240中。在所述存储机构240中也存储有所述比较电池的、优选与相应的比较电池的使用属性相关的老化状态数值和/或老化状态变化曲线。所述存储机构240能够被分配给数据驱动的团体模型242（参见图2）。优选所述存储机构240包括数据驱动的团体模型242。所述在存储机构240中所存储的数据借助于数据驱动的团体模型242来处理和分析。
[0050]
在第三步骤103中借助于电池-参考模型230（参见图2）按照所定义的时刻并且/或者按照所定义的事件来确定所述电池的老化状态数值。所述电池-参考模型230包括电池的数据、电池的老化状态数值和电池的使用属性之间的关系。优选在确定老化状态数值之前借助于预处理模型220（参见图2）对所述电池的信号或者信号变化曲线进行预处理。
[0051]
如果已知所述电池的表征电池的参量，则能够直接并且精确地借助于所述电池-参考模型230来计算老化状态数值。
[0052]
在不知道所述电池的表征电池的参量的情况下，则比如能够借助于电池管理系统来计算所述电池的老化状态数值。这个由电池管理系统计算的老化状态数值而后用作用于电池-参考模型230的基础值并且与电池的表征电池的参量相关联，所述表征电池的参量是用于电池的老化程度的指标。
[0053]
在第四步骤104中，根据所述电池的所确定的老化状态数值来形成所述电池的老化状态变化曲线。
[0054]
在第五步骤105中，确定所述电池的所预测的老化状态数值和/或所预测的老化状态变化曲线。能够借助于所形成的老化状态变化曲线的外插来确定所述电池的所预测的老化状态数值和/或所预测的老化状态变化曲线。
[0055]
也能够借助于所形成的老化状态变化曲线与所查明的老化状态变化曲线的分配关系从所述比较电池的在存储机构240中所存储的数据中确定所述所预测的老化状态数值和/或所预测的老化状态变化曲线，其中从所述比较电池的在存储机构240中所存储的数据中查明多条老化状态变化曲线。所述查明工作能够借助于用于查明电池的负荷的聚类方案（英语：clustering）、像比如最近邻启发学或者k-均值-算法考虑到不同的使用属性的老化状态变化曲线来实施。
[0056]
为了确定所预测的老化状态数值和/或所预测的老化状态变化曲线，能够一起使用所形成的老化状态变化曲线的外插以及分配。
[0057]
图2示出了预测系统200的示意图，所述预测系统被设立用于实施所述按本发明的
方法。
[0058]
所述预测系统200在此包括预处理模型220、电池-参考模型230、带有数据驱动的团体模型242的存储机构240、负荷预测模型250和融合模型260。
[0059]
在此，首先提供车辆210的电池（未示出）的、与该电池的不同的使用属性相关的数据以及所述车辆210的所有的信号。所述电池的数据比如包括该电池的电压变化曲线、该电池的电流变化曲线以及该电池的运行温度。当然，所述数据也能够包括表征电池的参量。“使用属性”尤其是指所述电池的负荷及充电属性。
[0060]
通过所述预处理模型220对所述电池及车辆210的信号进行预处理，以用于进行进一步的使用。而后将所述经过预处理的信号传输给电池-参考模型230、存储机构240和负荷预测模型250。
[0061]
在所述存储机构240中存储有多个比较电池的数据。在所述存储机构240中也存储有所述比较电池的、优选与相应的比较电池的使用属性相关的老化状态数值和/或老化状态变化曲线。在所述存储机构240中同样存储有其他车辆的信号或者信息。所述在存储机构240中所存储的数据在此借助于数据驱动的团体模型242来处理和分析。
[0062]
借助于所述负荷预测模型250，比如能够预测所述电池的负荷。所述负荷预测比如能够在车辆210的预测性的里程数据、车辆210的导航数据和另外的来自车辆210的控制设备的信息的基础上来实施。在此，能够借助于通信、像比如车-对-x/车-通信来确定预测性的里程数据并且在负荷预测模型250与存储机构240之间进行传输。
[0063]
根据所述电池的数据，借助于电池-参考模型230按照所定义的时刻和/或所定义的事件来确定所述电池的老化状态数值。所述电池-参考模型230在此包括电池的数据、电池的老化状态数值和电池的使用属性之间的关系。在确定所述电池的老化状态数值时，也考虑到所述负荷预测模型250的结果。
[0064]
所述由电池-参考模型230确定的老化状态数值、所述负荷预测模型250的结果以及所述在存储机构240中所存储的数据被传输给融合模型260。该融合模型260在此被构造为基于人工智能的模型。借助于所述融合模型260来预测所述电池的老化状态。
[0065]
借助于所述融合模型260根据所述比较电池的在存储机构240中所存储的数据来对所述电池-参考模型230进行调准。所述融合模型260由此将基于模型的老化状态计算和电池-参考模型230的预测以及数据驱动的老化状态计算和数据驱动的团体模型242的预测整合在一起。
[0066]
根据所述电池的所预测的老化状态，借助于所述融合模型260来开发用于电池或者车辆210的运行策略，所述运行策略所追求的目标是，抑制电池的老化特性并且由此延长所述电池的使用寿命。这能够通过以下方式来实现，即：比如通过变化的功率极限、充电特性、运行温度或类似参量来将所述电池置于经济的运行状态中。由此，借助于所述运行策略所述电池能够离开原来差的老化状态变化曲线并且转变到更好的老化状态变化曲线上。
[0067]
本发明不局限于这里所描述的实施例和在其中所强调的方面。更确切地说，在通过权利要求所说明的范围之内，大量的处于本领域技术人员的处理范围内的改变方案是可行的。