WO2012156233A2 - Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie - Google Patents

Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie Download PDF

Info

Publication number
WO2012156233A2
WO2012156233A2 PCT/EP2012/058445 EP2012058445W WO2012156233A2 WO 2012156233 A2 WO2012156233 A2 WO 2012156233A2 EP 2012058445 W EP2012058445 W EP 2012058445W WO 2012156233 A2 WO2012156233 A2 WO 2012156233A2
Authority
WO
WIPO (PCT)
Prior art keywords
samples
battery
current
processor
weighting factors
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/EP2012/058445
Other languages
English (en)
French (fr)
Other versions
WO2012156233A3 (de
Inventor
Simon SCHWUNK
Stefan MATTING
Matthias Vetter
Nils ARMBRUSTER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Original Assignee
Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV filed Critical Fraunhofer Gesellschaft zur Foerderung der Angewandten Forschung eV
Priority to EP12721470.8A priority Critical patent/EP2710391A2/de
Publication of WO2012156233A2 publication Critical patent/WO2012156233A2/de
Publication of WO2012156233A3 publication Critical patent/WO2012156233A3/de
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
    • G01R31/3842—Arrangements for monitoring battery or accumulator variables, e.g. SoC combining voltage and current measurements

Definitions

  • Embodiments according to the invention relate to the state determination of batteries and in particular to an apparatus and a method for determining a state parameter of a battery.
  • Rule-based systems are difficult to develop because creating the rules is very time-consuming and often requires a wealth of experience.
  • the object of the present invention is to provide a concept for determining a state parameter of a battery which enables the state parameter with high reliability even for batteries having a flat open circuit voltage characteristic and / or hysteresis of the open circuit voltage characteristic and / or high gena to determine. This object is achieved by a device according to claim 1 or a method according to claim 17.
  • An embodiment according to the invention provides an apparatus for determining a state parameter of a battery having a voltage detector and a processor.
  • the voltage detector is designed to measure a terminal voltage of the battery.
  • the processor is configured to calculate a plurality of current samples based on a plurality of known samples of a previous probability distribution of a state indicator of the battery and a plurality of error probability samples of an error probability distribution. Further, the processor is configured to determine a plurality of weighting factors for the plurality of current samples based on the plurality of current samples and the measured clamping voltage. Furthermore, the processor is configured to calculate the state parameter of the battery based on the plurality of current samples and the plurality of weighting factors.
  • Embodiments according to the invention are based on the core idea of using the principle of a particle filter (eg based on the probability theorem of Bayes) for the calculation of a state parameter of a battery. This is done by calculating current samples taking into account an earlier probability distribution of a state indicator of the battery and an error probability distribution and calculating weighting factors to the current samples taking into account a measured clamping voltage. Any distributions for the error can be taken into account, whereby As well as a hysteresis behavior in the filter can be mapped. Therefore, by using the described concept, the state parameter of the battery can also be determined with high reliability and / or high accuracy even in batteries with a flat open circuit voltage characteristic and / or a hysteresis of the open circuit voltage characteristic.
  • the processor determines a plurality of unweighted current samples based on the plurality of current samples and the plurality of weighting factors, such that the plurality of unweighted present samples correspond to a probability distribution represented by the weighting factor-weighted present samples are distributed.
  • the plurality of unweighted present samples may then be used for a later recalculation of the condition parameter of the battery as a plurality of known samples.
  • the condition parameter of the battery can be e.g. be determined at regular intervals in order to be able to continuously check the status parameter.
  • Some embodiments according to the invention include a current detector configured to measure an amount of charge that has flowed into or out of the battery during a time interval. The measured charge amount can then be considered by the processor in calculating the plurality of current samples. Thereby, the reliability and / or the accuracy of the determination of the state parameter of the battery can be increased.
  • a current detector configured to measure an amount of charge that has flowed into or out of the battery during a time interval. The measured charge amount can then be considered by the processor in calculating the plurality of current samples. Thereby, the reliability and / or the accuracy of the determination of the state parameter of the battery can be increased.
  • FIG. 2 is a block diagram of an apparatus for determining a state parameter of a battery
  • Fig. 3 is a schematic representation of samples and weighting factors
  • 4 shows a schematic illustration of a determination of a state parameter of a battery
  • 5 shows a schematic representation of a determination of a state parameter of a battery
  • Fig. 6 is an impedance model of a battery
  • Fig. 7 is a diagram of a possible density function for the probability based on samples (sampling).
  • Fig. 8 is a schematic illustration of a low variance sampling method
  • Fig. 9 is a diagram of the open-circuit voltage characteristic of a
  • Lithium iron phosphate battery with hysteresis due to charging and discharging Lithium iron phosphate battery with hysteresis due to charging and discharging
  • FIG. 10 is a flowchart of a method for determining a state parameter of a battery.
  • the device 100 comprises a voltage detector 110, which is connected to a processor 120.
  • the voltage detector 1 10 measures a terminal voltage U mess of the battery.
  • the processor 120 calculates a plurality of current samples based on a plurality of known samples 102 of a previous probability distribution of a state indicator of the battery and a plurality of error probability samples of an error probability distribution.
  • the processor 120 determines a plurality of weighting factors for the plurality of current samples based on the plurality of current samples and the measured clamping voltage U meSs .
  • the processor 120 calculates the state parameter 122 of the battery based on the plurality of current samples and the plurality of weighting factors.
  • the state parameter of the battery can be determined very reliable and / or with high accuracy.
  • the computed present samples may then be the basis for the known samples 102 for recalculation of the state parameter of the battery at a later time.
  • the accuracy can be further increased and / or continuous monitoring of the state parameter can be enabled.
  • the state parameter 122 of the battery may be, for example, the state of charge (eg, percent of the maximum amount of charge), an age of the battery (eg, the ratio C / C "), an internal resistance of the battery, or an internal operating temperature of the battery.
  • the battery (battery type to which the described concept may be applied) is, for example, a lead battery, nickel-based systems, sodium-based batteries, lithium to ion batteries of any kind (such as LiCo0 2, LiNi0 2, LiMn 2 0 4, LiFeP0 4, LiMnP0 4 , LiNiP0 4 and combinations of these on the cathode side, carbon and silicon based electrodes, titanates on the anode side, any materials as electrolytes), redox flow batteries, lithium-sulfur batteries, lithium metal batteries, lithium-air batteries, Zinc-air batteries or similar batteries.
  • the battery is thus mainly batteries, but it can also be a disposable battery.
  • the samples represent individual points of a probability distribution and are distributed according to the represented probability distribution over the corresponding value range (eg from 0 to 1).
  • the plurality of known samples 102 represent an earlier probability distribution of a state indicator.
  • the status indicator corresponds to the state parameter of the battery or depends deterministically on the state parameter of the battery.
  • An earlier probability distribution is a probability distribution from an earlier (previous) calculation of the state parameter 122 of the battery or an initial probability distribution (initialization) of the state indicator.
  • the former probability distribution of the state indicator for example, represents an earlier probability distribution of the state parameter of the battery, or an earlier probability distribution of the accessory parameter of the battery is deterministically computable based on the earlier probability distribution of the state indicator.
  • the state indicator may represent a state of charge of the battery in a value range of 0 to 1, while the state parameter of the battery represents a state of charge of the battery in percent where 100% corresponds to a fully charged battery.
  • the state parameter 122 of the battery can also depend on the state indicator in a more complex manner than only by mapping to different value ranges.
  • the plurality of error probability samples represent an error probability distribution.
  • the error probability distribution may be represented by a set of samples from which the error probability samples are selected or the error probability distribution may be represented by a function with which the error probability samples may be calculated.
  • the error probability distribution depends, for example, on the battery type. With the described concept, any error probability distributions can be taken into account, which is not possible with known approaches. As a result, the described concept can be used, for example, with batteries with a flat open-circuit voltage characteristic and / or hysteresis behavior with high reliability and accuracy.
  • the current samples are calculated based on the known samples and the error probability samples and represent, for example, a transition of the state of the battery at an earlier time (defined by the known samples) to a state of the battery (which may also correspond to the previous state of the battery if the state has not changed) at the present time.
  • the number of samples may vary depending on the application. By a high number of samples, a probability distribution with high accuracy can be mapped and thereby a high accuracy of the determination of the state parameter of the battery can be achieved and / or the stability of the algorithm can be improved. On the other hand, the calculation time can be shortened significantly with a smaller number of samples.
  • the weighting factors represent a measure of the probability that a value of a current sample will be obtained taking into account the measured clamping voltage UMess. In doing so, a weighting factor is determined for each current sample of the plurality of current samples.
  • the state parameter 122 of the battery can then be calculated. This can be done, for example, by calculating an average, a center of gravity, a clustering or a maintenance values of the current samples taking into account the weighting factors or samples based on the current and weighting factors (eg unweighted, current samples).
  • the determination of the state parameter 122 of the battery may be repeated at random, predefined, or periodic intervals, for example, to allow repeated indication of the battery's state parameter 122 (eg, charge status indicator of a laptop or cell phone).
  • a plurality of new samples can be generated from the current samples and the weighting factors, which can be used in the next iteration of the state parameter determination as a plurality of known samples.
  • the processor 120 may determine a plurality of unweighted current samples based on the plurality of current samples and the plurality of weighting factors such that the plurality of unweighted present samples are distributed according to a probability distribution represented by the weighting factors-weighted present samples , These unweighted, current samples may then represent the plurality of known samples 102 in the next iteration of state parameter determination.
  • the determination of the plurality of unweighted present samples may be made, for example, based on a low-variance importance sampling method of the weighting factor-weighted present samples.
  • the state parameter 122 of the battery may then also be calculated based on the plurality of unweighted present samples (based on the plurality of current samples and the plurality of weighting factors).
  • the voltage detector 110 can again measure the terminal voltage U meSs of the battery. This can then be used to recalculate weighting factors.
  • the voltage detector 110 may again measure the clamp voltage U mess after a predefined (or random) time interval, and the processor 120 may determine the plurality of unweighted samples determined in a previous time interval as a plurality of known samples 102 of the probability distribution of the state indicator Use the battery to recalculate a plurality of current samples and again determine a plurality of weighting factors for the plurality of current samples based on the plurality of current samples and the re-measured clamp voltage U mess .
  • the processor 120 may first calculate a plurality of unnormalized weighting factors and a sum of the plurality of unnormalized weighting factors, and thereafter divide each unnormalized weighting factor of the plurality of unnormalized weighting factors by the calculated sum to obtain the plurality of (normalized) weighting factors ) To obtain weighting factors. This can ensure that the sum over the plurality of normalized weighting factors 1 results.
  • a weighting factor for a current sample may be calculated based on a comparison of the measured clamp voltage U mess and a modeled clamp voltage.
  • the modeled clamping voltage can be based on the current sample and calculated, for example, based on an impedance model of the battery.
  • the reliability and / or accuracy of the state parameter determination of the battery is additionally increased by means of a current measurement.
  • 2 shows a block diagram of a device 200 for determining a state parameter 122 of a battery.
  • the device 200 corresponds to the device shown in FIG. 1, but additionally includes a current detector 230 connected to the processor 120.
  • the current detector 230 determines an amount of charge I that has flowed into or out of the battery during a time interval.
  • the current detector 230 may measure the current in or out of the battery and summate over the time interval or measure the charge current and multiply it over time to obtain the charge amount I.
  • current detector 230 may measure charging current I and multiplied by the duration of the time interval, for example, later by processor 120.
  • Processor 120 then calculates the plurality of current samples based on the plurality of known samples 102, the plurality of error probability samples (calculated, for example, by means of a distribution function) and the measured charge amount I.
  • the charge amount I which has flowed into or out of the battery since the last determination of the state parameter 122 of the battery can be taken into account for calculate a value of a known sample taking into account the error probability sample the current sample.
  • Some embodiments according to the invention relate to determining a plurality of different state parameters of a battery. For example, the state of charge and battery capacity or any other combination or number of different state parameters of a battery may be calculated.
  • the state parameters can be calculated independently or one state parameter can depend on another state parameter.
  • the processor 120 may have another plurality of current samples (for determining another or second state parameter of the battery) based on another plurality of known samples of another prior probability distribution of another state indicator (corresponding to the other or second state parameter) of the battery calculate another plurality of error probability samples of an error probability distribution (which may correspond to the error probability distribution for the determination of the first state parameter or may be another error probability distribution).
  • the processor 120 may determine another plurality of weighting factors for the other plurality of current samples based on the other plurality of current samples and the calculated state parameter of the battery. As a result, the dependence of the other or second state parameter (eg battery capacity) on the first or already calculated state parameter (eg state of charge) of the battery can be taken into account. Thereafter, the processor 120 may calculate the other (or second) state parameter of the battery based on the other plurality of current samples and the other plurality of weighting factors.
  • the other or second state parameter eg battery capacity
  • the processor 120 may calculate the other (or second) state parameter of the battery based on the other plurality of current samples and the other plurality of weighting factors.
  • the family of these algorithms is based on the probability theorem of Bayes, where u denotes the inputs (mostly also measured values), x the states and z the measured values:
  • the functions of the probabilities P are mapped over samples. By means of this it is possible to map arbitrary probabilities with a sufficient number of samples, and thus also to map ambiguities of a hysteresis sufficiently well stochastically.
  • the function P * (x t . ⁇ ) Shows the probability that the battery is in a certain state of charge after the previous time step.
  • x ( _, w, ",) represents the probability that the state of charge of a battery changes from one instant to the other at given inputs - eg the current - in another state of charge Integrally over these two probabilities, a first estimate of the probability of the state of charge is given.
  • the function ⁇ (zx,) indicates the probability that for a given
  • Measured value z - here the terminal voltage or the calculated open circuit voltage of a battery - a certain state of charge is given.
  • the multiplication of the previously calculated integral with the just mentioned probability function results in a probability for the state of charge taking into account all available measured values and inputs.
  • An advantage of the described concept is the assumption of arbitrary distributions for the error. This allows the error to be matched with any distributions, e.g. caused by the hysteresis behavior, also be imaged in the filter. It is also possible to dynamically adjust the errors according to the history of the system.
  • a device for management and monitoring of batteries based on a microcontroller measures e.g. Current, voltage and optionally temperature of one or more batteries.
  • the measured values can also be measured via external devices (current detector, voltage detector, temperature sensor) and transmitted to the microcontroller via bus systems.
  • microcontroller (processor) then runs the algorithm, which was previously described and determines the state of charge of the battery from the measured values.
  • the particulate filter is e.g. an implementation of the recursive Bayesian filter using a Monte Carlo method.
  • the prior distribution is approximated by a fixed number of samples in the state space. The more samples fall into a certain area in the state space, the higher its probability.
  • the algorithm can be divided into three steps.
  • the first step corresponds to the integral p ⁇ x, in the filter equation.
  • a new sample (current sample) is drawn from the state transition distribution.
  • » (*, _,) Represents the estimate for the state of charge in the previous section.
  • P (x,) represents the probability of transferring the state of charge to a new state of charge.
  • this transition is to be ensured by first Calculates what charge has flowed into the battery in the last time step. The measurement uncertainty (error probabil- ity sample) and its distribution are then used together with the previously determined value to determine the probability distribution of the estimate.
  • the second step corresponds to the part (Z,
  • Level drawn sample is weighted with its probability (likelihood). Subsequently, all weights (unnormalized weighting factors) are normalized so that they add up to the value 1 in the sum.
  • the basis for calculating the probability is, for example, an impedance model. From this, one or more possible solutions can be determined, which correlate the measured value (clamping voltage) with the battery state (state parameter). Shown is such an impedance model and the possible probability distribution determined therefrom in FIGS. 6 and 7.
  • FIG. 6 shows a possible impedance model for a battery.
  • the open circuit voltage U 0 open circuit voltage
  • SOC state of charge
  • the internal resistance Rj is defined as a function of the battery temperature TAMB, the current I ⁇ at and the state of charge SOC.
  • the current I Ba denotes t ⁇ 0 for discharging the battery and Iatat> 0 for charging the battery.
  • the internal resistance of the Rj is once an internal discharge resistor RDIS and once an internal charging resistance RCHA-
  • FIG. 7 shows an example of a possible probability distribution of the state indicator according to which the plurality of known line samples are distributed.
  • importance sampling produces an unweighted set of N samples from the weighted N samples.
  • the unweighted quantity is generated by random sampling of the weighted quantity.
  • a weighted sample is drawn exactly with the probability that corresponds to its weight (weighting factor). It is therefore possible to pull the same sample several times.
  • One possible implementation of importance sampling is low-variance sampling.
  • Low-variance sampling is an importance sampling method that pulls N unweighted from a set of N weighted samples.
  • the starting value is a random number in the interval [0; 1N]. Starting from this starting value, samples are then selected in 1 / N large steps.
  • Low-variance sampling has the positive property that in the case of N equally-weighted samples, each sample is drawn exactly once. The amount of samples remains the same in this case.
  • Fig. 3 shows the various steps. First, a plurality of known samples x t '(initial distribution or samples from an earlier determination of the state parameter) are shown. Based on this, considering the error probability distribution 310, the plurality of current samples 5c, 'are calculated. For each current sample 5c / a weighting factor w ⁇ is then calculated. With the current samples 5c / and the associated weighting factors w, resampling (eg, based on a low-variance importance sampling method) may be performed to obtain a plurality of unweighted present samples x t 'that may be used for later re-determination of the condition parameter known samples can be used. In general, in FIG. 3 the index t stands for the time t (the state parameter can be determined at several successive times) and the index i for the ith samples.
  • the index t stands for the time t (the state parameter can be determined at several successive times) and the index i for the ith samples.
  • each charge state sample is moved based on the process model in the state of charge state.
  • SOC n + i is a current sample
  • SOC n is a known sample
  • I is the measured current (charging current)
  • At is the duration of the last time interval (since the last iteration).
  • a resampling step may be performed again, otherwise this step may be skipped.
  • there is no principle minimum but e.g. a limitation through measurement mimic and computing capacity.
  • Each load state sample (current sample) is assigned a weight (weighting factor) that describes how well the measurement model for that sample explains the actual measurement.
  • the measurement model describes the expected clamping voltage Umodell on the battery for a given state of charge SOC.
  • Umodell is calculated e.g. using an impedance model (s.o.) as follows:
  • Umodell U 0 (SOC) + R (T, l, SOC) l
  • U0 models the quiescent voltage and R the Irmenwiderstand and SOC the state of charge, T the battery temperature and I the charging current.
  • the weight for this state of charge is then f (U - U mod ) where f is the density function of a distribution that describes the error of the measurement model and was determined heuristically or during processing (online) during the development of the algorithm Clamping voltage and U mo deii the expected or modeled clamping voltage.
  • the N sampled samples define the new sample set (new plurality of known samples for a subsequent iteration).
  • the distribution, mean and / or variance of the samples can be determined and output. Then wait until new readings are recorded and start a new iteration.
  • any sampling method can be used to model the probability distributions.
  • Uklemmfk] UQ (SP [k]) where Uklemm [k] is the measured terminal voltage and UQ (SP [k]) is the modeled terminal voltage.
  • the f (U-Umodell) can be used in the implementation, but does not have to. In the measurement model, it can be calculated which terminal voltage causes a state of charge and the current:
  • Uklemm U0 (SOC) + Ri * I
  • the weight of the individual samples can be determined, for example, by using a probability density function with an expected value in the height of the measured value. If the value estimated in the process model meets the expected value, then it gets the highest weight. To a state of charge value may e.g. from simple average value formation of the random samples. Other variants are conceivable (focus, clustering, expected value ).
  • FIGS. 4 and 5 show further examples for calculating state parameters of a battery in the form of flowcharts for state of charge determination and capacity determination.
  • SP 0 to N samples
  • these may be assigned to time interval t-1 and the current samples then assigned to time interval t.
  • the current I can be measured by a current detector.
  • the plurality of known samples and the measured current I and a plurality of error probability samples, which are also referred to as noise the plurality of current samples can be calculated 420 using the process model.
  • SP (t) [k] is the kth current sample
  • SP (tl) [k] is the kth known sample
  • I is the measured current
  • the noise (also n [k]) is the error probability sample
  • At is the time period the time interval between time t-1 and time t
  • C the capacity of the battery
  • N the number of samples.
  • the plurality of current samples are then used 430 to determine the weighting factors based on the measurement model.
  • the voltage detector measures the clamp voltage Umess and the processor calculates a modeled clamp voltage Ukiemm- A comparison of the modeled clamp voltage and the measured Clamping voltage then gives the weighting factors. For example, a probability density function with expected value U mess can be compared with the samples of the clamping voltage Uki emm and calculated from it with what probability the estimated value (sample of the clamping voltage) is correct.
  • Uklemm [k] U0 (samples [k]) + R * I
  • Ukiemm [k] the modeled clamp voltage
  • U 0 (SP [k]) is an open circuit voltage
  • R is the internal resistance
  • I is the measured current.
  • the weighting factors (SP weights, weights) may then be normalized 440. Based on the current samples and the calculated weighting factors, resampling 450 may be performed to obtain a plurality of unweighted, current samples. The larger the weighting factors (weights [k]), the more often, for example, an associated random sample (SP [k]) is drawn.
  • the state of charge of the battery may be determined.
  • a mean value formation of the sample quantity results in a current state of charge estimate (SOC estimate).
  • FIG. 5 shows the determination of the battery capacity as the condition parameter of the battery.
  • the battery capacity Cb a t is calculated as a function of the determination of the state of charge by the particular state of charge is taken into account in the measurement model.
  • SP (f) [k] is the kth current sample
  • SP (tl) [k] is the kth known Sample
  • the noise (also n [k]) the error probability sample. In other words, only the capacity remains the same and a slight noise is added.
  • the plurality of current samples are then used to determine 530 the weighting factors based on the measurement model.
  • the processor may use the determined state of charge SOC or a difference of the particular state of charge ⁇ SOC (with respect to an earlier state of charge).
  • a comparison of a modeled difference of the state of charge ⁇ SOC [k] and the determined state of charge ⁇ SOC then gives the weighting factors.
  • ASOC [k] is the modeled difference of the state of charge, t2-tl the duration since the previous state of charge determination, SP [k] a sample of the battery capacity and I the measured current.
  • the weighting factors may then be normalized 540. Based on the current samples and the calculated weighting factor, re-sampling 550 may be performed to obtain a plurality of unweighted, current samples. The larger the weighting factors (weights [k]), the more often, for example, an associated random sample (SP [k]) is drawn.
  • the capacity of the battery could be determined. For example, averaging of the sample quantity results in a current battery capacity (SOH estimate).
  • SOH estimate current battery capacity
  • One aim of the described concept is, for example, to be able to carry out the state of charge determination for all battery types from the readily available measured values voltage, current and temperature on a microcontroller, the temperature being merely an optional measured value.
  • One advantage of the method is that it can carry out a state of charge determination even with complex battery cell systems, such as LiFePO4 for graphite.
  • a flat open-circuit voltage characteristic paired with a hysteresis of this open-circuit voltage characteristic curve - as occurs in the aforementioned example - produce ambiguities which conventional methods do not adequately resolve or depict.
  • Fig. 9 shows an example of this Open circuit voltage characteristic of a lithium iron phosphate battery with hysteresis due to charging and discharging.
  • the concept proposed here is able to determine both the state of charge of conventional batteries such as LiCoO 2 for graphite and novel batteries such as LiFePO 4 for graphite with their ambiguities on a microcontroller.
  • the described concept can in principle be used for a large number of different state determinations. For example, an age determination, an internal resistance determination or a determination of the internal battery temperature can also be made.
  • processor 120 voltage detector 110, optional current detector 230, the optional temperature sensor, and any other optional components may be stand-alone hardware units or part of a computer, microcontroller, or digital signal processor, as well as a computer program or software product for execution on a computer Microcontroller or a digital signal processor.
  • the method 1000 includes measuring 1010 a terminal voltage of a battery and calculating 1020 a plurality of current samples based on a plurality of known samples of a previous probability distribution of a state indicator of the battery and a plurality of error probability samples of an error probability distribution. Further, the method 1000 includes determining 1030 a plurality of weighting factors for the plurality of current samples based on the plurality of current samples and the measured clamping voltage. Further, the method includes calculating 1040 the state parameter of the battery based on the plurality of current samples and the plurality of weighting factors.
  • the method 1000 may include further steps to implement one or more of the optional aspects of the proposed concept described above.
  • embodiments of the invention may be implemented in hardware or in software.
  • the implementation may be performed using a digital storage medium such as a floppy disk, a DVD, a CD, a ROM, a PROM, an EPROM, an EEPROM or FLASH memory, a hard disk, or other magnetic or optical memory.
  • a digital storage medium such as a floppy disk, a DVD, a CD, a ROM, a PROM, an EPROM, an EEPROM or FLASH memory, a hard disk, or other magnetic or optical memory.
  • the digital storage medium can be computer readable.
  • some embodiments according to the invention include a data carrier having electronically readable control signals capable of interacting with a programmable computer system to perform one of the methods described herein.
  • embodiments of the present invention may be implemented as a computer program product having a program code, wherein the program code is operable to perform one of the methods when the computer program product runs on a computer.
  • the program code can also be stored, for example, on a machine-readable carrier.
  • inventions include the computer program for performing any of the methods described herein, wherein the computer program is stored on a machine-readable medium.
  • an exemplary embodiment of the method according to the invention is thus a computer program which has program code for carrying out one of the methods described here when the computer program runs on a computer.
  • a further embodiment of the inventive method is thus a data carrier (or a digital storage medium or a computer-readable medium) on which the computer program is recorded for carrying out one of the methods described herein.
  • a further embodiment of the method according to the invention is thus a data stream or a sequence of signals, which represent the computer program for performing one of the methods described herein.
  • the data stream or the sequence of signals can be configured, for example be to be transferred via a data communication connection, for example via the Internet.
  • Another embodiment includes a processing device, such as a computer or a programmable logic device, that is configured or adapted to perform one of the methods described herein.
  • a processing device such as a computer or a programmable logic device, that is configured or adapted to perform one of the methods described herein.
  • Another embodiment includes a computer on which the computer program is installed to perform one of the methods described herein.
  • a programmable logic device eg, a field programmable gate array, an FPGA
  • a field programmable gate array may cooperate with a microprocessor to perform one of the methods described herein.
  • the methods are performed by any hardware device. This may be a universal hardware such as a computer processor (CPU) or hardware specific to the process, such as an ASIC.

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Secondary Cells (AREA)

Abstract

Eine Vorrichtung (100) zum Bestimmen eines Zustandsparameters ( 122) einer Batterie umfasst einen Spannungsdetektor (110) und einen Prozessor (120). Der Spannungsdetektor ( 110) misst eine Klemmspannung (Umess) der Batterie. Der Prozessor (120) berechnet eine Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben ( 102) einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung. Des Weiteren bestimmt der Prozessor (120) eine Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung (Umess, SOC, ΔSOC). Ferner berechnet der Prozessor (120) den Zustandsparameter (122) der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren.

Description

Vorrichtung und Verfahren zum Bestimmen eines Zustandsparameters einer Batterie
Beschreibung Ausführungsbeispiele gemäß der Erfindung beziehen sich auf die Zustandsbestimmung von Batterien und insbesondere auf eine Vorrichtung und ein Verfahren zum Bestimmen eines Zustandsparameters einer Batterie.
In Anwendungen mit Batterien ist es beispielsweise notwendig für die Regelung des Sys- tems und zum Teil für die Alterungsbestimmung, den genauen Ladezustand einer Batterie zu kennen. Auf Basis des Ladezustands werden dann Entscheidungen getroffen wie zum Beispiel, ob eine Batterie noch weiter belastet werden darf, wann ein günstiger Zeitpunkt zum Laden oder auch zum bevorzugten Entladen der Batterie ist, oder für eine Leistungsoder Energievorhersage auf Basis eines Batteriemodells.
Übliche Anwendungen sind zum Beispiel Handys und Laptops. Immer mehr in den Vordergrund rücken nun allerdings Anwendungen für Elektro- und Hybridfahrzeuge, sowie stationäre Anwendungen im netzgekoppelten und netzunabhängigen Bereich zur Stromversorgung, in denen komplexere Verbrauchsprofile und höhere Anforderungen an die Zuver- lässigkeit und Güte der Ladezustandsbestimmung herrschen.
Das Problem einer zuverlässigen Ladezustandsbestimmung ist bekannt und für einige Batterietypen wie Blei oder LiCo02 gegen Graphit einigermaßen gelöst worden. Hierzu gibt es verschiedene Ansätze, wie den Einsatz von regelbasierten Systemen oder Kalman- Filtern. Allerdings ist keiner dieser Ansätze in der Lage, für Batteriezellen mit flacher Kennlinie und Hysterese den Ladezustand zuverlässig und mit hinreichender Genauigkeit zu bestimmen.
Regelbasierte Systeme sind schwer zu entwickeln, da die Erstellung der Regeln sehr auf- wändig ist und häufig über einen großen Erfahrungsschatz verfügt werden muss.
Der Kaiman-Filter wie er in Gregory L. Plett "Sigma-point Kaiman filtering for battery management Systems of LiPB-based HEV battery packs, Part 1 : Introduction and State es- timation", Gregory L. Plett "Sigma-point Kaiman filtering for battery management Systems of LiPB-based HEV battery packs, Part 2: Simultaneous state and parameter estimation", Gregory L. Plett "Extended Kaiman filtering for battery management Systems of LiPB- Based HEV battery packs, Part 1. Background", Gregory L. Plett "Extended Kaiman filtering for battery management Systems of LiPB-based HEV battery packs, Part 2. Modeling and identification" and Gregory L. Plett "Extended Kaiman filtering for battery manage- ment Systems of LiPB-based HEV battery packs, Part 3. State and parameter estimation" dargelegt wurde, ist heutzutage gebräuchlich zur Zustandsbestimmung. Der Kaiman-Filter ist in der Lage den Fehler der Schätzung miteinzubeziehen. Er beruht auf zwei Schätzme- thoden - zumeist einem Amperestundenzähler und einem Klemmenspannungsmodell - welche entsprechend ihres Fehlers verrechnet werden. Da die Fehler bei der Kaiman-Filter Methode normalverteilt mit einem Mittelwert Null sein müssen, ist er allerdings nicht in der Lage mit der Mehrdeutigkeit einiger Batteriesysteme umzugehen. Die Aufgabe der vorliegenden Erfindung ist es, ein Konzept zum Bestimmen eines Zustandsparameters einer Batterie zu schaffen, das es ermöglicht, auch bei Batterien mit flacher Leerlaufspannungskennlinie und/oder Hysterese der Leerlaufsspannungskennlinie den Zustandsparameter mit hoher Zuverlässigkeit und/oder hoher Genauigkeit zu bestimmen. Diese Aufgabe wird durch eine Vorrichtung gemäß Anspruch 1 oder ein Verfahren gemäß Anspruch 17 gelöst.
Ein Ausführungsbeispiel gemäß der Erfindung schafft eine Vorrichtung zum Bestimmen eines Zustandsparameters einer Batterie mit einem Spannungsdetektor und einem Prozes- sor. Der Spannungsdetektor ist ausgelegt, um eine Klemmspannung der Batterie zu messen. Der Prozessor ist ausgelegt, um eine Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung zu berechnen. Ferner ist der Prozessor ausgelegt, um eine Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung zu bestimmen. Des Weiteren ist der Prozessor ausgelegt, um den Zustandsparameter der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren zu berechnen.
Ausführungsbeispiele gemäß der Erfindung basieren auf dem Kerngedanken, das Prinzip eines Partikelfilters (z.B. basierend auf dem Wahrscheinlichkeitstheorem von Bayes) für die Berechnung eines Zustandsparameters einer Batterie zu verwenden. Dies erfolgt durch die Berechnung von gegenwärtigen Stichproben unter Berücksichtigung einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Fehlerwahrscheinlichkeitsverteilung sowie der Berechnung von Gewichtungsfaktoren zu den gegenwärtigen Stichproben unter Berücksichtigung einer gemessenen Klemmspannung. Dabei können beliebige Verteilungen für den Fehler berücksichtigt werden, wodurch beispiels- weise auch ein Hystereseverhalten im Filter abgebildet werden kann. Daher kann durch Verwendung des beschriebenen Konzepts auch bei Batterien mit flacher Leerlaufspannungskennlinie und/oder einer Hysterese der Leerlaufspannungskennlinie der Zustandsparameter der Batterie mit hoher Zuverlässigkeit und/oder hoher Genauigkeit bestimmt wer- den.
Bei einigen Ausführungsbeispielen gemäß der Erfindung bestimmt der Prozessor eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren, so dass die Mehrzahl von ungewichteten, gegenwärtigen Stichproben entsprechend einer durch die mit den Gewichtungsfaktoren gewichteten gegenwärtigen Stichproben dargestellten Wahrscheinlichkeitsverteilung verteilt sind. Die Mehrzahl von ungewichteten, gegenwärtigen Stichproben kann dann für eine spätere erneute Berechnung des Zustandsparameters der Batterie als Mehrzahl von bekannten Stichproben verwendet werden. Dadurch kann der Zustandsparameter der Batterie z.B. in regelmäßigen Abständen bestimmt werden, um den Zustandsparameter kontinuierlich überprüfen zu können.
Einige Ausführungsbeispiele gemäß der Erfindung umfassen einen Stromdetektor, der ausgelegt ist, um eine Ladungsmenge zu messen, die während eines Zeitintervalls in die Batte- rie oder aus der Batterie geflossen ist. Die gemessene Ladungsmenge kann dann vom Prozessor bei der Berechnung der Mehrzahl von gegenwärtigen Stichproben berücksichtigt werden. Dadurch kann die Zuverlässigkeit und/oder die Genauigkeit der Ermittlung des Zustandsparameters der Batterie erhöht werden. Ausführungsbeispiele gemäß der Erfindung werden nachfolgend Bezug nehmend auf die beiliegenden Figuren näher erläutert. Es zeigen: ein Blockdiagramm einer Vorrichtung zum Bestimmen eines Zustandspa- rameters einer Batterie;
Fig. 2 ein Blockdiagramm einer Vorrichtung zum Bestimmen eines Zustandsparameters einer Batterie;
Fig. 3 eine schematische Darstellung von Stichproben und Gewichtungsfaktoren;
Fig. 4 eine schematische Darstellung einer Bestimmung eines Zustandsparameters einer Batterie; Fig. 5 eine schematische Darstellung einer Bestimmung eines Zustandsparameters einer Batterie;
Fig. 6 ein Impedanzmodell einer Batterie;
Fig. 7 ein Diagramm einer möglichen Dichtefunktion für die Wahrscheinlichkeit basierend auf Stichproben (Sampeln);
Fig. 8 eine schematische Darstellung eines Niedrig-Varianz-Abtastverfahrens;
Fig. 9 ein Diagramm der Leerlaufspannungskennlinie einer
Lithiumeisenphosphatbatterie mit Hysterese aufgrund des Ladens und Entladens; und
Fig. 10 ein Flussdiagramm eines Verfahrens zum Bestimmen eines Zustandsparameters einer Batterie.
Im Folgenden werden teilweise für Objekte und Funktionseinheiten, die gleiche oder ähnliche funktionelle Eigenschaften aufweisen, gleiche Bezugszeichen verwendet. Des Weite- ren können optionale Merkmale der verschiedenen Ausführungsbeispiele miteinander kombinierbar oder zueinander austauschbar sein.
Fig. 1 zeigt eine Vorrichtung 100 zum Bestimmen eines Zustandsparameters 122 einer Batterie entsprechend eines Ausführungsbeispiels der Erfindung. Die Vorrichtung 100 um- fasst einen Spannungsdetektor 1 10, der mit einem Prozessor 120 verbunden ist. Der Spannungsdetektor 1 10 misst eine Klemmspannung Umess der Batterie. Der Prozessor 120 berechnet eine Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben 102 einer früheren Wahrscheinlichkeitsverteilung eines Zustands- indikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung. Zusätzlich bestimmt der Prozessor 120 eine Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung UmeSs. Ferner berechnet der Prozessor 120 den Zustandsparameter 122 der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren.
Durch die Berechnung von gegenwärtigen Stichproben unter Berücksichtigung einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Fehlerwahrscheinlichkeitsverteilung sowie eine Gewichtung der berechneten, gegenwärtigen Stichproben durch Gewichtungsfaktoren, die die gemessene Klemmspannung berücksichtigen, kann der Zustandsparameter der Batterie sehr zuverlässig und/oder mit hoher Genauigkeit bestimmt werden. Die berechneten, gegenwärtigen Stichproben können dann für eine erneute Berechnung des Zustandsparameters der Batterie zu einem späteren Zeitpunkt Grundlage für die bekannten Stichproben 102 sein. Durch ein iteratives Wiederholen der Zustandsparameterbestimmung basierend auf den Ergebnissen der vorhergehenden Iteration (oder Iterationen) kann die Genauigkeit weiter erhöht werden und/oder eine kontinuierliche Überwachung des Zustandsparameters ermöglicht werden. Der Zustandsparameter 122 der Batterie kann beispielsweise der Ladezustand (z.B. in Prozent der maximalen Ladungsmenge), ein Alter der Batterie (z.B. das Verhältnic C/C„), ein Innenwiderstand der Batterie oder eine innere Betriebstemperatur der Batterie sein. Die Batterie (Batterietypen auf die das beschriebene Konzept angewendet werden können) ist beispielsweise eine Bleibatterie, Nickelbasierte Systeme, Natriumbasierte Batterien, Lithi- um-Ionen-Batterien jeglicher Art (z.B. LiCo02, LiNi02, LiMn204, LiFeP04, LiMnP04, LiNiP04 und Kombinationen dieser auf Kathodenseite, Kohlenstoff und Silizium basierte Elektroden, Titanate auf Anodenseite, beliebige Materialien als Elektrolyten), Redox- Flow-Batterien, Lithium-Schwefel-Batterien, Lithium-Metall-Batterien, Lithium-Luft- Batterien, Zink-Luft-Batterien oder vergleichbare Batterien. Bei der Batterie handelt es sich also hauptsächlich um Akkumulatoren, es kann sich jedoch auch um eine Einwegbatterie handeln.
Die Stichproben (auch Samples genannt) stellen einzelne Punkte einer Wahrscheinlichkeitsverteilung dar und sind entsprechend der dargestellten Wahrscheinlichkeitsverteilung über den entsprechenden Wertebereich (z.B. von 0 bis 1) verteilt. So repräsentiert die Mehrzahl von bekannten Stichproben 102 eine frühere Wahrscheinlichkeitsverteilung eines Zustandsindikators. Der Zustandsindikator entspricht dabei z.B. dem Zustandsparameter der Batterie oder hängt in deterministischer Weise vom Zustandsparameter der Batterie ab. Unter einer früheren Wahrscheinlichkeitsverteilung ist eine Wahrscheinlichkeitsverteilung aus einer früheren (vorhergehenden) Berechnung des Zustandsparameters 122 der Batterie oder einer Anfangswahrscheinlichkeitsverteilung (Initialisierung) des Zustandsindikators zu verstehen. In anderen Worten, die frühere Wahrscheinlichkeitsverteilung des Zustandsindikators repräsentiert beispielsweise eine frühere Wahrscheinlichkeitsverteilung des Zustandsparameters der Batterie oder eine frühere Wahrscheinlichkeitsverteilung des Zu- Standsparameters der Batterie ist in deterministischer Weise basierend auf der früheren Wahrscheinlichkeitsverteilung des Zustandsindikators berechenbar. Z.B. kann der Zustandsindikator einen Ladezustand der Batterie in einem Wertebereich von 0 bis 1 darstellen, während der Zustandsparameter der Batterie einen Ladezustand der Batterie in Prozent darstellt, wobei 100 % einer vollständig geladenen Batterie entsprechen. Der Zustandspa- rameter 122 der Batterie kann aber auch in komplexerer Weise als nur durch eine Abbildung auf unterschiedliche Wertebereiche deterministisch vom Zustandsindikator abhängen. Die Mehrzahl von Fehlerwahrscheinlichkeitsstichproben repräsentieren eine Fehlerwahrscheinlichkeitsverteilung. Die Fehlerwahrscheinlichkeitsverteilung kann z.B. durch eine Menge von Stichproben dargestellt werden aus der die Fehlerwahrscheinlichkeitsstichproben ausgewählt werden oder die Fehlerwahrscheinlichkeitsverteilung kann durch eine Funktion dargestellt werden mit die Fehlerwahrscheinlichkeitsstichproben berechnet wer- den können. Die Fehlerwahrscheinlichkeitsverteilung ist beispielsweise abhängig vom Batterietyp. Mit dem beschriebenen Konzept können beliebige Fehlerwahrscheinlichkeitsverteilungen berücksichtigt werden, was mit bekannten Ansätzen nicht möglich ist. Dadurch ist das beschriebene Konzept beispielsweise bei Batterien mit flacher Leerlaufspannungskennlinie und/oder Hystereseverhalten mit hoher Zuverlässigkeit und Genauigkeit an- wendbar.
Die gegenwärtigen Stichproben werden basierend auf den bekannten Stichproben und den Fehlerwahrscheinlichkeitsstichproben berechnet und repräsentieren beispielsweise einen Übergang des Zustands der Batterie zu einem früheren Zeitpunkt (definiert durch die be- kannten Stichproben) in einen Zustand der Batterie (der auch dem früheren Zustand der Batterie entsprechen kann, wenn sich der Zustand nicht geändert hat) zum gegenwärtigen Zeitpunkt.
Die Anzahl der Stichproben kann je nach Anwendung unterschiedlich gewählt werden. Durch eine hohe Anzahl von Stichproben kann eine Wahrscheinlichkeitsverteilung mit hoher Genauigkeit abgebildet werden und dadurch eine hohe Genauigkeit der Bestimmung des Zustandsparameters der Batterie erreicht werden und/oder die Stabilität des Algorithmus kann verbessert werden. Andererseits kann mit einer geringeren Anzahl von Stichproben die Rechenzeit deutlich verkürzt werden.
Die Gewichtungsfaktoren repräsentieren ein Maß für die Wahrscheinlichkeit, dass ein Wert einer gegenwärtigen Stichprobe erhalten wird unter Berücksichtigung der gemessenen Klemmspannung UMess. Dabei wird für jede gegenwärtige Stichprobe der Mehrzahl von gegenwärtigen Stichproben ein Gewichtungsfaktor bestimmt.
Aus den Gewichtungsfaktoren und den Werten der gegenwärtigen Stichproben kann dann der Zustandsparameter 122 der Batterie berechnet werden. Dies kann beispielsweise durch Berechnung eines Mittelwerts, eines Schwerpunkts, einer Häufungsbildung oder eines Er- wartungswerts der gegenwärtigen Stichproben unter Berücksichtigung der Gewichtungsfaktoren oder von auf den gegenwärtigen Stichproben und den Gewichtungsfaktoren basierenden Stichproben (z.B. ungewichtete, gegenwärtige Stichproben) erhalten werden. Die Bestimmung des Zustandsparameters 122 der Batterie kann in zufälligen, vordefinierten oder regelmäßigen Zeitabständen wiederholt werden, um beispielsweise eine wiederholte Anzeige des Zustandsparameters 122 der Batterie (z.B. Ladezustandsanzeige eines Laptops oder eines Handys) zu ermöglichen. Dazu kann beispielsweise aus den gegenwärtigen Stichproben und den Gewichtungsfaktoren eine Mehrzahl von neuen Stichproben erzeugt werden, die in der nächsten Iteration der Zustandsparameterbestimmung als Mehrzahl von bekannten Stichproben verwendet werden können. Dazu kann der Prozessor 120 eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren bestimmen, so dass die Mehrzahl von ungewichteten, gegenwärtigen Stichproben entsprechend einer durch die mit den Gewichtungsfaktoren gewichteten, gegenwärtigen Stichproben dargestellten Wahrscheinlichkeitsverteilung verteilt sind. Diese ungewichteten, gegenwärtigen Stichproben können dann in der nächsten Iteration der Zustandsparameterbestimmung die Mehrzahl von bekannten Stichproben 102 darstellen. Die Bestimmung der Mehrzahl von ungewichteten gegenwärtigen Stichproben kann beispielsweise basierend auf einem Nied- rig-Varianz- Wichtigkeitsabtastverfahren der mit den Gewichtungsfaktoren gewichteten gegenwärtigen Stichproben erfolgen.
Optional kann dann auch der Zustandsparameter 122 der Batterie basierend auf der Mehrzahl von ungewichteten, gegenwärtigen Stichproben (die auf der Mehrzahl von gegenwär- tigen Stichproben und der Mehrzahl von Gewichtungsfaktoren basieren) berechnet werden.
Für jede erneute Bestimmung des Zustandsparameters 122 der Batterie kann der Spannungsdetektor 1 10 erneut die Klemmspannung UmeSs der Batterie messen. Diese kann dann zur erneuten Berechnung von Gewichtungsfaktoren herangezogen werden. In anderen Worten, der Spannungsdetektor 110 kann nach einem vordefinierten (oder zufälligen) Zeitintervall erneut die Klemmspannung Umess messen und der Prozessor 120 kann die in einem vorherigen Zeitintervall bestimmte Mehrzahl von ungewichteten Stichproben als Mehrzahl von bekannten Stichproben 102 der Wahrscheinlichkeitsverteilung des Zustands- indikators der Batterie verwenden, um erneut eine Mehrzahl von gegenwärtigen Stichpro- ben zu berechnen und erneut eine Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der erneut gemessenen Klemmspannung Umess bestimmen. Zur Berechnung der Mehrzahl von Gewichtungsfaktoren kann der Prozessor 120 zuerst eine Mehrzahl von unnormierten Gewichtungsfaktoren sowie eine Summe der Mehrzahl von unnormierten Gewichtungsfaktoren berechnen und danach jeden unnormierten Gewichtungsfaktor der Mehrzahl von unnormierten Gewichtungsfaktoren durch die berechne- te Summe zu dividieren, um die Mehrzahl von (normierten) Gewichtungsfaktoren zu erhalten. Dadurch kann gewährleistet werden, dass die Summe über die Mehrzahl von normierten Gewichtungsfaktoren 1 ergibt.
Ein Gewichtungsfaktor für eine gegenwärtige Stichprobe kann beispielsweise basierend auf einem Vergleich der gemessenen Klemmspannung Umess und einer modellierten Klemmspannung berechnet werden. Die modellierte Klemmspannung kann dabei auf der gegenwärtigen Stichprobe basieren und beispielsweise basierend auf einem Impedanzmodell der Batterie berechnet werden. Bei einigen Ausführungsbeispielen gemäß der Erfindung wird die Zuverlässigkeit und/oder Genauigkeit der Zustandsparameterbestimmung der Batterie mit Hilfe einer Stromessung zusätzlich erhöht. Fig. 2 zeigt dazu ein Blockdiagramm einer Vorrichtung 200 zum Bestimmen eines Zustandsparameters 122 einer Batterie. Die Vorrichtung 200 entspricht der in Fig. 1 gezeigten Vorrichtung, umfasst jedoch zusätzlich einen Stromdetektor 230, der mit dem Prozessor 120 verbunden ist. Der Stromdetektor 230 bestimmt eine Ladungsmenge I, die während eines Zeitintervalls in die Batterie geflossen oder aus der Batterie geflossen ist. Der Stromdetektor 230 kann dazu beispielsweise den Strom in oder aus der Batterie messen und über das Zeitintervall summieren oder den Ladestrom messen und mit der Zeit Multiplizieren, um die Ladungsmenge I zu erhalten. Alternativ kann der Stromdetek- tor 230 den Ladestrom I messen und eine Multiplikation mit der Dauer des Zeitintervalls erfolgt später z.B. durch den Prozessor 120. Der Prozessor 120 berechnet dann die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von bekannten Stichproben 102, der Mehrzahl von Fehlerwahrscheinlichkeitsstichproben (z.B. mit Hilfe einer Verteilungsfunktion berechnet) und der gemessenen Ladungsmenge I. In anderen Worten, es kann die Ladungsmenge I, die seit der letzten Bestimmung des Zustandsparameters 122 der Batterie in die Batterie geflossen ist oder aus der Batterie geflossen ist berücksichtigt werden, um für einen Wert einer bekannten Stichprobe unter Berücksichtigung der Feh- lerwahrscheinlichkeitsstichprobe die gegenwärtige Stichprobe zu berechnen. Einige Ausführungsbeispiele gemäß der Erfindung beziehen sich auf ein Bestimmen von mehreren unterschiedlichen Zustandsparametern einer Batterie. Beispielsweise können der Ladezustand und die Batteriekapazität oder eine beliebige andere Kombination oder Anzahl von unterschiedlichen Zustandsparametern einer Batterie berechnet werden. Die Zustandsparameter können unabhängig voneinander berechnet werden oder ein Zu- standsparameter kann von einem anderen Zustandsparameter abhängen. Beispielsweise kann der Prozessor 120 eine andere Mehrzahl von gegenwärtigen Stichproben (für die Bestimmung eines anderen oder zweiten Zustandsparameters der Batterie) basierend auf einer anderen Mehrzahl von bekannten Stichproben einer anderen früheren Wahrscheinlichkeitsverteilung eines anderen Zustandsindikators (entsprechend dem anderen oder zweiten Zustandsparameter) der Batterie und einer anderen Mehrzahl von Fehler- Wahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung (die der Fehlerwahrscheinlichkeitsverteilung für die Bestimmung des ersten Zustandsparameters entsprechen kann oder eine andere Fehlerwahrscheinlichkeitsverteilung sein kann) berechnen. Ferner kann der Prozessor 120 eine andere Mehrzahl von Gewichtungsfaktoren für die andere Mehrzahl von gegenwärtigen Stichproben basierend auf der anderen Mehrzahl von gegenwärtigen Stichproben und dem berechneten Zustandsparameter der Batterie bestimmen. Dadurch kann die Abhängigkeit des anderen oder zweiten Zustandsparameter (z.B. Batteriekapazität) von dem ersten oder bereits berechneten Zustandsparameter (z.B. Ladezustand) der Batterie berücksichtigt werden. Danach kann der Prozessor 120 den anderen (oder zweiten) Zustandsparameter der Batterie basierend auf der anderen Mehrzahl von gegenwärtigen Stichproben und der anderen Mehrzahl von Gewichtungsfaktoren berechnen.
Im Folgenden werden mehrere Ausführungsbeispiele der Erfindung im Detail beschrieben. Die dabei in Kombination miteinander beschriebenen Aspekte können jedoch auch unab- hängig voneinander basierend auf dem allgemein beschriebenen Konzept realisiert werden.
Die zugrunde liegende mathematische Methodik der neuen Lösung zur Zustandsbestim- mung stammt aus dem Bereich "Pattern recognition and machine learning" und wird im Bereich "Computer Vision" für andere Anwendungen eingesetzt.
Die Familie dieser Algorithmen beruht auf dem Wahrscheinlichkeitstheorem von Bayes, wobei u die Eingänge (zumeist auch Messwerte) bezeichnet, x die Zustände und z die Messwerte:
Figure imgf000011_0001
Die Funktionen der Wahrscheinlichkeiten P werden über Stichproben (Samples) abgebildet. Hierüber ist es möglich, bei einer ausreichenden Anzahl an Stichproben beliebige Wahrscheinlichkeiten abzubilden, und so auch Mehrdeutigkeiten einer Hysterese hinreichend gut stochastisch abzubilden. Die Funktion P*(xt.\) bildet die Wahrscheinlichkeit ab, dass sich die Batterie nach dem vorherigen Zeitschritt in einem bestimmten Ladezustand befindet. Die Funktion p(x, |x(_, w,„, ) bildet die Wahrscheinlichkeit ab, dass sich der Ladezustand einer Batterie von einem Zeitpunkt auf den anderen bei gegebenen Eingängen - z.B, dem Strom - in einen anderen Ladezustand ändert. Mit dem Integral über diese beiden Wahrscheinlichkeiten wird eine erste Schätzung der Wahrscheinlichkeit des Ladezustands gegeben. Die Funktion ^(z x, ) gibt die Wahrscheinlichkeit an, dass bei einem gegebenen
Messwert z - hier der Klemmenspannung oder der errechneten Leerlaufspannung einer Batterie - ein bestimmter Ladezustand gegeben ist. Aus der Multiplikation des zuvor berechneten Integrals mit der eben genannten Wahrscheinlichkeitsfunktion ergibt sich eine Wahrscheinlichkeit für den Ladezustand unter Berücksichtigung aller zur Verfügung ste- henden Messwerte und Eingänge.
Ein Vorteil des beschriebenen Konzepts ist die Annahme beliebiger Verteilungen für den Fehler. Dadurch kann der Fehler mit beliebigen Verteilungen, z.B. verursacht durch das Hystereseverhalten, auch im Filter abgebildet werden. Zudem ist es möglich die Fehler dynamisch entsprechend der Historie des Systems anzupassen.
Ein Beispiel für eine Implementierung ist im Folgenden gezeigt. Ein Gerät für Management und Monitoring von Batterien auf Basis eines Microcontrollers (Prozessor) misst z.B. Strom, Spannung und optional Temperatur einer oder mehrerer Batterien. Alternativ kön- nen die Messwerte auch über externe Geräte (Stromdetektor, Spannungsdetektor, Temperatursensor) gemessen und mittels Bussystemen an den Microcontroller übermittelt werden.
Auf diesem Microcontroller (Prozessor) läuft dann der Algorithmus, welcher zuvor be- schrieben wurde und der aus den Messwerten den Ladezustand der Batterie bestimmt.
Der Partikelfilter ist z.B. eine Implementierung des rekursiven Bayes'schen Filters mittels einer Monte Carlo-Methode. Die Prior-Verteilung wird dabei durch eine feste Anzahl von Stichproben (samples) im Zustandsraum approximiert. Je mehr Stichproben in ein be- stimmtes Gebiet im Zustandsraum fallen, desto höher seine Wahrscheinlichkeit.
Der Algorithmus lässt sich z.B. in drei Schritte unterteilen. Der erste Schritt entspricht dabei dem Integral p{x,
Figure imgf000013_0001
in der Filtergleichung. Von jedem Stichprobe aus der Prior- Verteilung (bekannte Stichproben) ausgehend wird dabei eine neue Stichprobe (gegenwärtige Stichprobe) aus der State Transition- Verteilung gezogen. » (*,_, ) stellt die Schätzung für den Ladezustand im vorherigen Abschnitt dar. p(x, ) stellt dagegen die Wahrscheinlichkeit der Überführung des Ladezustands in einen neuen Ladezustand dar. In der Praxis ist diese Überführung dadurch zu gewährleisten, dass man zunächst ausrechnet, welche Ladungsmenge in die Batterie im letzten Zeitschritt geflossen ist. Die Messunsicherheit (Fehlerwahrscheinlichkeitsstichpro- be) und ihre Verteilung werden dann zusammen mit dem zuvor ermittelten Wert zur Bestimmung der Wahrscheinlichkeitsverteilung der Schätzung herangezogen.
Der zweite Schritt entspricht dem Teil (Z, |X, ) in der Filtergleichung. Jede in der ersten
Stufe gezogene Stichprobe wird mit seiner Wahrscheinlichkeit (Likelihood) gewichtet. Anschließend werden alle Gewichte (unnormierte Gewichtungsfaktoren) normiert, so dass sie in der Summe den Wert 1 ergeben. Basis für die Berechnung der Wahrscheinlichkeit bildet z.B. ein Impedanzmodell. Hieraus lassen sich eine oder mehrere mögliche Lösungen ermitteln, welche den Messwert (Klemmspannung) mit dem Batteriezustand (Zustandspa- rameter) korrelieren. Dargestellt ist ein solches Impedanzmodell und die daraus ermittelte mögliche Wahrscheinlichkeitsverteilung in Fig. 6 und 7. Dabei zeigt Fig. 6 ein mögliches Impedanzmodell für eine Batterie. Dabei ist die Leerlaufspannung U0 (open circuit voltage) als Funktion der Batterietemperatur TAMB und des Ladezustands SOC (state of charge) dargestellt. t/0 = /(TAMB , SOC)
Des Weiteren ist der innere Widerstand Rj als Funktion der Batterietemperatur TAMB, des Stroms Ißat und des Ladezustands SOC definiert. In dem dargestellten Modell kennzeichnet der Strom IBat < 0 für eine Entladung der Batterie und Ißat > 0 für ein Laden der Batterie. Entsprechend ist der innere Widerstand der Rj einmal ein innerer Entladewiderstand RDIS und einmal ein innerer Ladewiderstand RCHA-
Figure imgf000013_0002
IBAr < ö : Rj = Rdis
IBAT > 0 : Rj = Rcha Je nachdem ob die Batterie geladen oder entladen wird, ist eine Last oder eine Quelle im Impedanzmodell enthalten.
Des Weiteren zeigt Fig. 7 ein Beispiel für eine mögliche Wahrscheinlichkeitsverteilung des Zustandsindikators nach der die Mehrzahl von bekannten Strichproben verteilt sind.
Im letzten Schritt wird mittels Wichtigkeitsabtastung (importance sampling) aus den gewichteten N Stichproben eine ungewichtete Menge von N Stichproben erzeugt. Die ungewichtete Menge wird durch zufälliges Ziehen von Stichproben aus der gewichteten Menge erzeugt. Dabei wird eine gewichtete Stichprobe genau mit der Wahrscheinlichkeit gezogen die ihrem Gewicht (Gewichtungsfaktor) entspricht. Es kann daher dieselbe Stichprobe auch mehrfach gezogen werden. Eine mögliche Implementierung von Wichtigkeitsabtastung ist Niedrig-Varianz-Abtastung (low-variance sampling). Niedrig-Varianz-Abtastung ist ein Wichtigkeitsabtastverfahren, das aus einer Menge von N gewichteten Stichproben N ungewichtete zieht. Als Startwert wird eine zufällige Zahl im Intervall [0; 1 N] gewählt. Von diesem Startwert ausgehend werden dann in 1/N großen Schritten Stichproben ausgewählt. Niedrig-Varianz-Abtastung hat die positive Eigenschaft, dass im Falle von N gleichge- wichteten Stichproben jedes Stichprobe genau einmal gezogen wird. Die Menge der Stichproben bleibt in diesem Fall also gleich.
Ein Beispiel für eine mögliche Implementierung des beschriebenen Konzepts ist im Fol- genden als Pseudocode dargestellt. für i = 1 bis N mache
Sc/ — abtasten Ρ^Χ^χ,'^ , ιι^^
Ende für
mache
Figure imgf000014_0001
Ende für
Figure imgf000014_0002
für i = 1 bis N mache
Wt τ- η~λ - w
Ende für
für i = 1 bis N mache
Figure imgf000015_0001
, w,w ))
Ende für
Passend zu dem dargestellten Algorithmus zeigt Fig. 3 die verschiedenen Schritte. Dabei ist zuerst eine Mehrzahl von bekannten Stichproben xt' (Anfangsverteilung oder Stichproben aus einer früheren Bestimmung des Zustandsparameters) gezeigt. Basierend darauf werden unter Berücksichtigung der Fehlerwahrscheinlichkeitsverteilung 310 die Mehrzahl von gegenwärtigen Stichproben 5c,' berechnet. Zu jeder gegenwärtigen Stichprobe 5c/ wird dann ein Gewichtungsfaktor w\ berechnet. Mit den gegenwärtigen Stichproben 5c/ und den zugehörigen Gewichtungsfaktoren w kann eine Wiederabtastung (z.B. basierend auf einem Niedrig- Varianz- Wichtigkeitsabtastverfahren) durchgeführt werden, um eine Mehrzahl von ungewichteten gegenwärtigen Stichproben xt' zu erhalten, die für eine spätere erneute Bestimmung des Zustandsparameters als bekannte Stichproben herangezogen werden können. Allgemein steht in Fig. 3 der Index t für den Zeitpunkt t (der Zustandsparame- ter kann zu mehreren aufeinanderfolgenden Zeitpunkten bestimmt werden) und der Index i für die i-ten Stichproben.
Ein Beispiel für eine Implementierung eines Partikelfilters ist im Folgenden anhand einer Implementierung des Algorithmus beschrieben.
Es wird vor allem gezeigt, wie sich die Stichprobenmenge aus Ladezuständen über die Zeit entwickelt, da sie die Wahrscheinlichkeitsverteilung des Ladezustands schon vollständig beschreibt. Die Parameter sind zum Beispiel:
• N Anzahl der Stichproben
• ARS zeitl. Abstand (z.B. in Stunden) zwischen zwei Wiederabtastung-Schritten Da zu Beginn (Initialisierung) noch keine Messwerte vorhanden sind, kann der Ladezustand als gleichverteilt angenommen werden. Am Anfang werden daher N Stichproben zufällig aus der Gleichverteilung auf dem Ladezustandsraum gezogen und als Stichprobenmenge (bekannte Stichproben) definiert. Da der Ladezustandsraum normiert ist, kann das durch das Generieren von N Zufallszahlen im Bereich zwischen 0 und 1 realisiert wer- den. Als nächstes wird der Ablauf des Algorithmus beschrieben, nachdem Messwerte eingegangen sind (Iteration). Gegeben sind die Messwerte folgender Größen zum gleichen Zeitpunkt:
U Klemmspannung der Batterie
/ Strom, der durch die Batterie fließt
T Batterietemperatur
At Zeit (z.B. in Stunden) seit letzter Messung In Abhängigkeit von / und At wird jedes Ladezustands- Stichprobe anhand des Prozessmodells im Ladezustandsraum bewegt. Die Entwickelung des Ladezustands (SOC) wird dazu mit einem zeitdiskreten Amperestundenzähler berechnet: socn+1 = socn + c wobei C die Batteriekapazität ist, und ε ein Fehlerwert (Fehlerwahrscheinlichkeitsstichprobe), der für jedes Stichprobe unabhängig zufällig aus einer Verteilung gezogen wird, die den Messfehler des Stroms - und damit das Prozessrauschen - beschreibt. SOCn+i ist eine gegenwärtige Stichprobe, SOCn ist eine bekannte Stichprobe, I ist der gemessene Strom (Ladestrom) und At ist die Dauer des letzen Zeitintervalls (seit der letzten Iteration).
Ist seit dem letzten Wiederabtastung-Schritt (resampling) beispielsweise mindestens eine Zeit von RS Stunden verstrichen, kann wieder ein Wiederabtastung-Schritt ausgeführt werden, ansonsten kann dieser Schritt übersprungen werden. Es gibt jedoch kein prinzipielles Minimum, sondern z.B. eine Begrenzung durch Messmimik und Rechenkapazität.
Jeder Ladezustand-Stichprobe (gegenwärtigen Stichprobe) wird ein Gewicht (Gewichtungsfaktor) zugeordnet, das beschreibt, wie gut das Messmodell für diese Stichprobe die tatsächliche Messung erklärt.
Das Messmodell beschreibt für einen gegeben Ladezustand SOC die erwartete Klemm Spannung Umodell an der Batterie. Umodell berechnet sich z.B. anhand eines Impedanz Modells (s.o.) wie folgt:
Umodell = U0(SOC ) + R(T,l,SOC)l wobei U0 die Ruhespannung und R den Irmenwiderstand modelliert sowie SOC den Ladezustand, T die Batterietemperatur und I den Ladestrom. Das Gewicht für diesen Ladezustand ist dann f(U - Umodell) wobei f die Dichtefunktion einer Verteilung ist, die den Fehler des Messmodells beschreibt und bei der Entwicklung des Algorithmus vorher heuristisch oder während der Verarbeitung (online) bestimmt wurde, U die gemessene Klemmspannung und Umodeii die erwartete oder modellierte Klemmspannung.
Aus den entstandenen N gewichteten Stichproben (gegenwärtige Stichproben) wird wieder eine ungewichtete Menge aus N Stichproben (ungewichtete, gegenwärtige Stichproben) gezogen, wobei die Häufigkeit mit der ein gewichtetes Stichprobe gezogen wird proportio- nal zu seinem Gewicht (Gewichtungsfaktor) ist. Realisiert kann das mit Hilfe der deterministischen Niedrig- Varianz-Abtastungsmethode werden. Als Startwert, wird eine Zufallszahl X zwischen 0 und (\/N) erzeugt und dann die normierte Summe der Gewichte an den Stellen [X+O/N, X+l/N, ... , X+(N-\)/N] abtastet. Wird ein Gewicht„getroffen", so wird das zugehörige Stichprobe ausgewählt. Die Methode ist in Fig. 8 illustriert.
Die N getroffenen Stichproben definieren die neue Stichprobenmenge (neue Mehrzahl von bekannten Stichproben für eine nachfolgende Iteration).
Die Verteilung, Mittelwert und/oder Varianz der Stichproben können bestimmt und ausge- geben werden. Danach kann gewartet werden bis neue Messwerte aufgezeichnet werden und eine neue Iteration startet.
Anstatt des Einsatzes eines Impedanzmodells können beliebige andere Batteriemodelle - auch Modelle rein stochastischer Natur - eingesetzt werden. Es ist auch möglich auf die Stromintegration zu verzichten und z.B. lediglich einen Trend der Entwicklung des Ladezustands zur Berechnung der Priori-Verteilung zu nutzen.
Prinzipiell können beliebige Sampling- Verfahren herangezogen werden, um die Wahrscheinlichkeitsverteilungen nachzubilden.
Für den Innenwiderstand könnten Stromsprünge und die resultierende Spannungsantwort ausgewertet werden. Dies könnte dann in das sogenannte Messmodell also den Korrektur- schritt übernommen werden. Eventuell nimmt man Ladezustands- und Temperaturbereiche für die man den Innenwiderstand korrigiert, um eine Funktion Ri=f(SOC,T) zu approximieren. Bei einer Variante ohne Strommessung könnte man z.B. eine von folgenden Formeln für den Prozessschritt nutzen: a) SOC(t) = SOC(t-l)
b) SOC(t) = SOC(t- 1 )+SOC(t-l)-SOC(t-2)
Für den Korrekturschritt könnte man folgendes nutzen:
Uklemmfk] = UQ(SP[k]) Dabei ist Uklemm[k] die gemessene Klemmspannung und UQ(SP[k]) die modellierte Klemmspannung.
Das f(U-Umodell) kann in der Implementierung genutzt werden, muss aber nicht. Im Messmodell kann berechnet werden, welche Klemmenspannung ein Ladezustand und der Strom hervorruft:
Uklemm=U0(SOC)+Ri*I Das Gewicht der einzelnen Stichproben kann bestimmt werden, indem man beispielsweise eine Wahrscheinlichkeitsdichtefunktion mit einem Erwartungswert in der Höhe des Messwertes nutzt. Trifft der im Prozessmodell geschätzte Wert den Erwartungswert so bekommt er das höchste Gewicht. Zu einem Ladezustandswert kann z.B. aus einfacher Mittel wertbildung der Stichproben gelangt werden. Andere Varianten sind denkbar (Schwerpunkt, Clusterung, Erwartungswert...).
Fig. 4 und 5 zeigen weitere Beispiele zur Berechnung von Zustandsparametern einer Batte- rie in Form von Ablaufplänen zur Ladezustandsbestimmung und Kapazitätsbestimmung.
Fig. 4 zeigt eine mögliche Bestimmung eines Ladezustands SOC einer Batterie. Dabei kann anfangs eine initiale Gleichverteilung von Stichproben oder eine Mehrzahl von ungewichteten Stichproben SP einer vorhergehenden Ladezustandsbestimmung als Mehrzahl von bekannten Stichproben SP (k=0 bis N Stichproben) herangezogen werden 410. Bei Verwendung von vorhergehend berechneten Stichproben können diese dem Zeitintervall t-1 zugeordnet werden und die gegenwärtigen Stichproben dann dem Zeitintervall t zugeordnet werden. Des Weiteren kann von einem Stromdetektor der Strom I gemessen werden. Mit der Mehrzahl von bekannten Stichproben und dem gemessenen Strom I sowie einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben, die auch als Rauschen bezeichnet werden, kann mit Hilfe des Prozessmodells die Mehrzahl von gegenwärtigen Stichproben berechnet werden 420.
SP(t -
Figure imgf000019_0001
HEN)* At)/ C oder auch
Figure imgf000019_0002
Dabei ist SP(t)[k] die k-te gegenwärtige Stichprobe, SP(t-l)[k] die k-te bekannte Stichprobe, I der gemessene Strom, das Rauschen (auch n[k]) die Fehlerwahrscheinlichkeitsstichprobe, At die Zeitdauer des Zeitintervalls zwischen Zeit t-1 und Zeit t, C die Kapazität der Batterie und N die Anzahl der Stichproben.
Die Mehrzahl von gegenwärtigen Stichproben (Stichprobenmenge mit Ladezustand SOCs) werden dann verwendet, um basierend auf dem Messmodell die Gewichtungsfaktoren zu bestimmen 430. Dazu misst der Spannungsdetektor die Klemmspannung Umess und der Prozessor berechnet eine modellierte Klemmspannung Ukiemm- Ein Vergleich der modellierten Klemmspannung und der gemessenen Klemmspannung ergibt dann die Gewichtungsfaktoren. Beispielsweise kann eine Wahrscheinlichkeitsdichtefunktion mit Erwartungswert Umess mit den Stichproben der Klemmspannung Ukiemm verglichen werden und daraus berechnet werden mit welcher Wahrscheinlichkeit der geschätzte Wert (Stichprobe der Klemmspannung) stimmt.
Uklemmfk J = U0(sP[k ] + oder auch
Uklemm[k] = U0(samples[k]) + R*I Dabei ist Ukiemm [k] die modellierte Klemmspannung, U0(SP[k]) eine Leerlaufspannung, R der innere Widerstand und I der gemessene Strom. Die Gewichtungsfaktoren (SP-Gewichte, weights) können dann normalisiert werden 440. Basierend auf den gegenwärtigen Stichproben und den berechneten Gewichtungsfaktoren kann eine Wiederabtastung 450 erfolgen, um eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben zu erhalten. Je größer die Gewichtungsfaktoren (Gewichte [k]) desto häufiger wird beispielsweise eine zugehörige Stichprobe (SP [k]) gezogen.
Basierend auf den erhaltenen gewichteten, gegenwärtigen Stichproben kann eine nachfolgende weitere Iteration der Zustandsparameterbestimmung erfolgen.
Zusätzlich kann basierend auf den ungewichteten, gegenwärtigen Stichproben der Ladungszustand der Batterie bestimmt werden. Dabei ergibt beispielsweise eine Mittelwertbildung der Stichprobenmenge eine aktuelle Ladezustandsschätzung (SOC- Schätzung).
Ähnlich wie in Fig. 4 zeigt Fig. 5 die Bestimmung der Batteriekapazität als Zustandsparameter der Batterie. Die Batteriekapazität Cbat wird dabei in Abhängigkeit der Bestimmung des Ladezustands berechnet, indem der bestimmte Ladezustand im Messmodell berücksichtigt wird.
Dabei kann anfangs eine initiale Gleichverteilung von Stichproben oder eine Mehrzahl von ungewichteten Stichproben SP einer vorhergehenden Kapazitätsbestimmung als Mehrzahl von bekannten Stichproben SP (k=0 bis N Stichproben) herangezogen werden 410. Bei Verwendung von vorhergehend berechneten Stichproben können diese dem Zeitintervall t- 1 zugeordnet werden und die gegenwärtigen Stichproben dann dem Zeitintervall t zugeordnet werden.
Figure imgf000020_0001
SCHEN oder auch
sam
Figure imgf000020_0002
Dabei ist SP(f)[k] die k-te gegenwärtige Stichprobe, SP(t-l)[k] die k-te bekannte Stichprobe und das Rauschen (auch n[k]) die Fehlerwahrscheinlichkeitsstichprobe. In anderen Worten, nur die Kapazität bleibt gleich und es wird ein leichtes Rauschen addiert.
Die Mehrzahl von gegenwärtigen Stichproben (Stichprobenmenge mit Kapazitäten Cßatt) werden dann verwendet, um basierend auf dem Messmodell die Gewichtungsfaktoren zu bestimmen 530. Dazu kann der Prozessor den bestimmten Ladezustand SOC oder eine Differenz des bestimmten Ladezustands ÄSOC (bezüglich eines früheren Ladezustands) nutzen. Ein Vergleich einer modellierten Differenz des Ladezustands ÄSOC[k] und des bestimmten Ladezustands ÄSOC ergibt dann die Gewichtungsfaktoren.
ASoC[k] = (/ * (?2 - tl)) / SP[k]
Dabei ist ASOC[k] die modellierte Differenz des Ladezustands, t2-tl die Dauer seit der früheren Ladezustandsbestimmung, SP[k] eine Stichprobe der Batteriekapazität und I der gemessene Strom.
Die Gewichtungsfaktoren (SP-Gewichte, weights) können dann normalisiert werden 540. Basierend auf den gegenwärtigen Stichproben und den berechneten Gewichtungsfaktor kann eine Wiederabtastung 550 erfolgen, um eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben zu erhalten. Je größer die Gewichtungsfaktoren (Gewichte [k]) desto häufiger wird beispielsweise eine zugehörige Stichprobe (SP [k]) gezogen.
Basierend auf den erhaltenen ungewichteten, gegenwärtigen Stichproben kann eine nachfolgende weitere Iteration der Zustandsparameterbestimmung erfolgen.
Zusätzlich kam basierend auf den ungewichteten, gegenwärtigen Stichproben die Kapazität der Batterie bestimmt werden. Dabei ergibt beispielsweise eine Mittelwertbildung der Stichprobenmenge eine aktuelle Batteriekapazität (SOH-Schätzung). Ein Ziel des beschriebenen Konzepts ist beispielsweise die Ladezustandsbestimmung für alle Batterietypen aus den leicht zugänglichen Messwerten Spannung, Strom und Temperatur auf einem Microcontroller durchführen zu können, wobei die Temperatur lediglich ein optionaler Messwert ist. Ein Vorteil des Verfahrens liegt darin, auch bei komplexen Batteriezellsystemen, wie z.B. LiFeP04 gegen Graphit, eine Ladezustandsbestimmung durchführen zu können. Eine flache Leerlaufspannungskennlinie gepaart mit einer Hysterese dieser Leerlaufspannungskennlinie - wie sie bei dem vorher genannten Beispiel auftreten - erzeugen Mehrdeutigkeiten, welche konventionelle Verfahren nicht hinreichend auflösen bzw. abbilden. Fig. 9 zeigt dazu ein Beispiel für eine Leerlaufspannungskennlinie einer Lithiumeisenphosphatbatterie mit Hysterese aufgrund des Ladens und Entladens. Das hier vorgeschlagene Konzept ist auf einem Microcontroller in der Lage, sowohl den Ladezustand konventioneller Batterien wie zum Beispiel LiCo02 gegen Graphit als auch neuartiger Batterien wie LiFeP04 gegen Graphit mit ihren Mehrdeutigkeiten zu bestimmen.
Das beschriebene Konzept ist prinzipiell für eine Vielzahl von unterschiedlichen Zustands- bestimmungen einsetzbar. Beispielsweise kann auch eine Altersbestimmung, eine Innen- widerstandsbestimmung oder eine Bestimmung der inneren Batterietemperatur erfolgen.
Allgemein können der Prozessor 120, der Spannungsdetektor 110, der optionale Stromdetektor 230, der optionale Temperatursensor und etwaige andere optionale Komponenten können eigenständige Hardwareeinheiten oder Teil eines Computers, eines Microcontrollers oder eines digitalen Signalprozessors sowie ein Computerprogramm oder ein Softwareprodukt zum Ausführen auf einem Computer, einem Microcontroller oder einem digitalen Signalprozessor sein.
Fig. 10 zeigt ein Flussdiagramm eines Verfahrens 1000 zum Bestimmen eines Zustandspa- rameters einer Batterie entsprechend eines Ausführungsbeispiels der Erfindung. Das Ver- fahren 1000 umfasst ein Messen 1010 einer Klemmspannung einer Batterie und ein Berechnen 1020 einer Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben einer früheren Wahrscheinlichkeitsverteilung eines Zu- standsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung. Des Weiteren umfasst das Verfahren 1000 ein Bestimmen 1030 einer Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung. Ferner weist das Verfahren ein Berechnen 1040 des Zustandsparameters der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren auf.
Das Verfahren 1000 kann weitere Schritte zur Realisierung einer oder mehrerer der zuvor beschriebenen optionalen Aspekte des vorgeschlagenen Konzepts enthalten.
Obwohl manche Aspekte im Zusammenhang mit einer Vorrichtung beschrieben wurden, versteht es sich, dass diese Aspekte auch eine Beschreibung des entsprechenden Verfahrens darstellen, sodass ein Block oder ein Bauelement einer Vorrichtung auch als ein entsprechender Verfahrensschritt oder als ein Merkmal eines Verfahrensschrittes zu verstehen ist. Analog dazu stellen Aspekte, die im Zusammenhang mit einem oder als ein Verfah- rensschritt beschrieben wurden, auch eine Beschreibung eines entsprechenden Blocks oder Details oder Merkmals einer entsprechenden Vorrichtung dar.
Je nach bestimmten Implementierungsanforderungen können Ausführungsbeispiele der Erfindung in Hardware oder in Software implementiert sein. Die Implementierung kann unter Verwendung eines digitalen Speichermediums, beispielsweise einer Floppy-Disk, einer DVD, einer CD, eines ROM, eines PROM, eines EPROM, eines EEPROM oder eines FLASH-Speichers, einer Festplatte oder eines anderen magnetischen oder optischen Speichers durchgeführt werden, auf dem elektronisch lesbare Steuersignale gespeichert sind, die mit einem programmierbaren Computersystem derart zusammenwirken können oder zusammenwirken, dass das jeweilige Verfahren durchgeführt wird. Deshalb kann das digitale Speichermedium computerlesbar sein. Manche Ausführungsbeispiele gemäß der Erfindung umfassen also einen Datenträger, der elektronisch lesbare Steuersignale aufweist, die in der Lage sind, mit einem programmierbaren Computersystem derart zusam- menzuwirken, dass eines der hierin beschriebenen Verfahren durchgeführt wird.
Allgemein können Ausführungsbeispiele der vorliegenden Erfindung als Computerprogrammprodukt mit einem Programmcode implementiert sein, wobei der Programmcode dahin gehend wirksam ist, eines der Verfahren durchzuführen, wenn das Computerpro- grammprodukt auf einem Computer abläuft. Der Programmcode kann beispielsweise auch auf einem maschinenlesbaren Träger gespeichert sein.
Andere Ausführungsbeispiele umfassen das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren, wobei das Computerprogramm auf einem maschinen- lesbaren Träger gespeichert ist.
Mit anderen Worten ist ein Ausführungsbeispiel des erfindungsgemäßen Verfahrens somit ein Computerprogramm, das einen Programmcode zum Durchführen eines der hierin beschriebenen Verfahren aufweist, wenn das Computerprogramm auf einem Computer ab- läuft. Ein weiteres Ausführungsbeispiel der erfindungsgemäßen Verfahren ist somit ein Datenträger (oder ein digitales Speichermedium oder ein computerlesbares Medium), auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren aufgezeichnet ist. Ein weiteres Ausführungsbeispiel des erfindungsgemäßen Verfahrens ist somit ein Datenstrom oder eine Sequenz von Signalen, der bzw. die das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren darstellt bzw. darstellen. Der Datenstrom oder die Sequenz von Signalen kann bzw. können beispielsweise dahin gehend konfiguriert sein, über eine Datenkommunikationsverbindung, beispielsweise über das Internet, transferiert zu werden.
Ein weiteres Ausführungsbeispiel umfasst eine Verarbeitungseinrichtung, beispielsweise einen Computer oder ein programmierbares Logikbauelement, die dahin gehend konfiguriert oder angepasst ist, eines der hierin beschriebenen Verfahren durchzuführen.
Ein weiteres Ausführungsbeispiel umfasst einen Computer, auf dem das Computerprogramm zum Durchführen eines der hierin beschriebenen Verfahren installiert ist.
Bei manchen Ausführungsbeispielen kann ein programmierbares Logikbauelement (beispielsweise ein feldprogrammierbares Gatterarray, ein FPGA) dazu verwendet werden, manche oder alle Funktionalitäten der hierin beschriebenen Verfahren durchzuführen. Bei manchen Ausführungsbeispielen kann ein feldprogrammierbares Gatterarray mit einem Mikroprozessor zusammenwirken, um eines der hierin beschriebenen Verfahren durchzuführen. Allgemein werden die Verfahren bei einigen Ausführungsbeispielen seitens einer beliebigen Hardwarevorrichtung durchgeführt. Diese kann eine universell einsetzbare Hardware wie ein Computerprozessor (CPU) sein oder für das Verfahren spezifische Hardware, wie beispielsweise ein ASIC.
Die oben beschriebenen Ausführungsbeispiele stellen lediglich eine Veranschaulichung der Prinzipien der vorliegenden Erfindung dar. Es versteht sich, dass Modifikationen und Variationen der hierin beschriebenen Anordnungen und Einzelheiten anderen Fachleuten einleuchten werden. Deshalb ist beabsichtigt, dass die Erfindung lediglich durch den Schutzumfang der nachstehenden Patentansprüche und nicht durch die spezifischen Einzelheiten, die anhand der Beschreibung und der Erläuterung der Ausführungsbeispiele hierin präsentiert wurden, beschränkt sei.

Claims

Patentansprüche
Vorrichtung (100) zum Bestimmen eines Zustandsparameters (122) einer Batterie, mit folgenden Merkmalen: einem Spannungsdetektor (1 10), der ausgelegt ist, um eine Klemmspannung (Umess, zt) der Batterie zu messen; und einem Prozessor (120), der ausgelegt ist, um eine Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) basierend auf einer Mehrzahl von bekannten Stichproben (102, SP(t-l)[k]) einer früheren Wahrscheinlichkeitsverteilung eines Zu- standsindikators (SOC, Cbatt) der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben (n[k]) einer Fehlerwahrscheinlichkeitsverteilung zu berechnen, wobei der Prozessor (120) ausgelegt ist, um eine Mehrzahl von Gewichtungsfaktoren ( wt' ,w[k]) für die Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) basierend auf der Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) und der gemessenen Klemmspannung (Umess, zt) zu bestimmen, wobei der Prozessor (120) ausgelegt ist, um den Zustandsparameter (122) der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) und der Mehrzahl von Gewichtungsfaktoren (w[k]) zu berechnen.
Vorrichtung gemäß Anspruch 1 , wobei der Prozessor (120) ausgelegt ist, um eine Mehrzahl von ungewichteten, gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) und der Mehrzahl von Gewichtungsfaktoren (
Figure imgf000025_0001
,w[k]) zu bestimmen, so dass die Mehrzahl von ungewichteten, gegenwärtigen Stichproben entsprechend einer durch die mit den Gewichtungsfaktoren ( w,' ,w[k]) gewichteten gegenwärtigen Stichproben (5c/ , SP(t)[k]) dargestellten Wahrscheinlichkeitsverteilung verteilt sind.
Vorrichtung gemäß Anspruch 2, wobei der Prozessor (120) ausgelegt ist, um den Zustandsparameter (122) der Batterie basierend auf der Mehrzahl von ungewichteten, gegenwärtigen Stichproben zu berechnen. 4. Vorrichtung gemäß Anspruch 2 oder 3, wobei der Spannungsdetektor (1 10) ausgelegt ist, um nach einem vordefinierten Zeitintervall erneut die Klemmspannung (UmeSs> Zt) zu messen, wobei der Prozessor ausgelegt ist, um die in einem vorherigen Zeitintervall bestimmte Mehrzahl von ungewichteten Stichproben als Mehrzahl von bekannten Stichproben (102, x,'_, , SP(t-l)[k]) der Wahrscheinlichkeitsverteilung des
Zustandsindikators (SOC, Cbatt) der Batterie zu verwenden, um erneut eine Mehrzahl von gegenwärtigen Stichproben (5c/ , SP(t)[k]) zu berechnen und erneut eine
Mehrzahl von Gewichtungsfaktoren ( w\ ,w[k]) für die Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) basierend auf der Mehrzahl von gegenwärtigen Stichproben ( / , SP(t)[k]) und der erneut gemessenen Klemmspannung (Umess, zt) zu bestimmen.
5. Vorrichtung gemäß einem der Ansprüche 2 bis 4, wobei die Mehrzahl von ungewichteten, gegenwärtigen Stichproben basierend auf einem Niedrig-Varianz- Wichtigkeitsabtastverfahren der mit den Gewichtungsfaktoren ( w ,w[k]) gewichteten gegenwärtigen Stichproben bestimmt wird.
6. Vorrichtung gemäß einem der Ansprüche 1 bis 5, wobei der Prozessor (120) ausgelegt ist, um eine Summe einer Mehrzahl von unnormierten Gewichtungsfaktoren basierend auf der Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) und der gemessenen Klemmspannung (Umess, zt) zu bestimmen und jeden Gewichtungsfaktor ( wt' ,w[k]) der Mehrzahl von unnormierten Gewichtungsfaktoren durch die berechnete Summe zu dividieren, um die Mehrzahl von Gewichtungsfaktoren ( wt' ,w[k]) zu erhalten.
7. Vorrichtung gemäß einem der Ansprüche 1 bis 6, wobei der Prozessor (120) ausgelegt ist, um einen Gewichtungsfaktor { wt' ,w[k]) für eine gegenwärtige Stichprobe
( 5c/ , SP(t)[k]) basierend auf einem Vergleich der gemessenen Klemmspannung
(Umess, zt) und einer modellierten Klemmspannung (Ukiemm, zt) zu berechnen, wobei die modellierte Klemmspannung (Ukiemm, Zt) auf der gegenwärtigen Stichprobe ( 5c/ ,
SP(t)[k]) basiert.
8. Vorrichtung gemäß Anspruch 7, wobei der Prozessor ausgelegt ist, um die modellierte Klemmspannung (Ukiemm) basierend auf
Uk,emm[k] = U0(SP[k])+R*I zu berechnen, wobei Ukiemm M die modellierte Klemmspannung, Uo(SP[k]) eine modellierte Leerlaufspannung, R der innere Widerstand und I der gemessene Strom ist.
Vorrichtung gemäß einem der Ansprüche 1 bis 8, die einen Stromdetektor (230) umfasst, der ausgelegt ist, um eine Ladungsmenge (I), die während eines Zeitintervalls in die Batterie oder aus der Batterie geflossen ist, oder einen Ladestrom (I) zu bestimmen, wobei der Prozessor (120) ausgelegt ist, um die Mehrzahl von gegenwärtigen Stichproben ( 3c/ , SP(t)[k]) basierend auf der Mehrzahl von bekannten
Stichproben (102, x,'_1 , SP(t-l)[k]), der Mehrzahl von Fehlerwahrscheinlichkeitsstichproben und der bestimmten Ladungsmenge (I) oder dem bestimmten Ladestrom (I) zu berechnen.
Vorrichtung gemäß Anspruch 9, wobei der Prozessor (120) ausgelegt ist, um die Mehrzahl von gegenwärtigen Stichproben (SP(t)[k]) basierend auf
SP(t)[k]= SP(t-l)[k]+((I+n[k])*At)/C zu berechnen, wobei SP(t)[k] die k-te gegenwärtige Stichprobe, SP(t-l)[k] die k-te bekannte Stichprobe, I der gemessene Strom, das Rauschen (auch n[k]) die Fehlerwahrscheinlichkeitsstichprobe, At die Zeitdauer des Zeitintervalls zwischen Zeit t-1 und Zeit t und C die Kapazität der Batterie.
Vorrichtung gemäß einem der Ansprüche 1 bis 10, wobei der Zustandsparameter (122) einen Ladezustand, ein Alterungszustand, einen Innen widerstand oder eine innere Batterietemperatur repräsentiert.
Vorrichtung gemäß einem der Ansprüche 1 bis 11 , wobei der Zustandsindikator (SOC, Cbatt) dem Zustandsparameter (122) entspricht oder der Zustandsparameter (122) deterministisch von dem Zustandsindikator (SOC, Cbatt) abhängt.
Vorrichtung gemäß einem der Ansprüche 1 bis 12, wobei der Prozessor (120) ausgelegt ist, um den Zustandsparameter der Batterie basierend auf einem Mittelwert, einem Schwerpunkt, einer Häufungsbildung oder einem Erwartungswert der gegenwärtigen Stichproben (3c/ , SP(t)[k]) und den Gewichtungsfaktoren ( w,' ,w[k]) oder von auf den gegenwärtigen Stichproben ( 3c/ , SP(t)[k]) basierenden Stichproben zu berechnen. 14. Vorrichtung gemäß einem der Ansprüche 1 bis 13, wobei der Prozessor (120) ausgelegt ist, um iterativ in vordefinierten oder zufälligen Zeitabständen den Zustands- parameter erneut zu berechnen, wobei für jede Iteration als Mehrzahl von bekannten Stichproben (102, SP(t-l)[k]) die in der vorherigen Iteration erhaltene
Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) oder Mehrzahl von ungewichteten, gegenwärtigen Stichproben verwendet werden und der Spannungsdetektor (1 10) für jede Iteration erneut die Klemmspannung (Umess, Zt) der Batterie für die Bestimmung der Mehrzahl von Gewichtungsfaktoren ( wt' ,w[k]) misst.
15. Vorrichtung gemäß einem der Ansprüche 1 bis 14, die einen Temperatursensor um- fasst, der ausgelegt ist, um eine Batterietemperatur (T) zu messen, wobei der Prozessor (120) ausgelegt ist, um die Mehrzahl von Gewichtungsfaktoren ( w w[k]) für die Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]) basierend auf der Mehrzahl von gegenwärtigen Stichproben ( 5c/ , SP(t)[k]), der gemessenen Klemmspannung (Umess, zt) und der gemessenen Batterietemperatur (T) zu berechnen.
16. Vorrichtung gemäß einem der Ansprüche 1 bis 15, wobei der Prozessor (120) ausgelegt ist, um eine andere Mehrzahl von gegenwärtigen Stichproben basierend auf einer anderen Mehrzahl von bekannten Stichproben einer anderen früheren Wahrscheinlichkeitsverteilung eines anderen Zustandsindikators (SOC, Cbatt) der Batterie und einer anderen Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Feh- lerwahrscheinlichkeitsverteilung zu berechnen, wobei der Prozessor (120) ausgelegt ist, um eine andere Mehrzahl von Gewichtungsfaktoren ( w,' ,w[k]) für die andere Mehrzahl von gegenwärtigen Stichproben basierend auf der anderen Mehrzahl von gegenwärtigen Stichproben und dem berechneten Zustandsparameter (122) der Batterie zu bestimmen, wobei der Prozessor (120) ausgelegt ist, um einen anderen Zustandsparameter (122) der Batterie basierend auf der anderen Mehrzahl von gegenwärtigen Stichproben und der anderen Mehrzahl von Gewichtungsfaktoren ( w ,w[k]) zu berechnen.
17. Verfahren (1000) zum Bestimmen eines Zustandsparameters einer Batterie, mit folgenden Schritten:
Messen (1010) einer Klemmspannung einer Batterie; Berechnen (1020) einer Mehrzahl von gegenwärtigen Stichproben basierend auf einer Mehrzahl von bekannten Stichproben einer früheren Wahrscheinlichkeitsverteilung eines Zustandsindikators der Batterie und einer Mehrzahl von Fehlerwahrscheinlichkeitsstichproben einer Fehlerwahrscheinlichkeitsverteilung;
Bestimmen (1030) einer Mehrzahl von Gewichtungsfaktoren für die Mehrzahl von gegenwärtigen Stichproben basierend auf der Mehrzahl von gegenwärtigen Stichproben und der gemessenen Klemmspannung; und
Berechnen (1040) des Zustandsparameters der Batterie basierend auf der Mehrzahl von gegenwärtigen Stichproben und der Mehrzahl von Gewichtungsfaktoren.
18. Computerprogramm mit einem Programmcode zur Durchführung des Verfahrens gemäß Anspruch 17, wenn das Computerprogramm auf einem Computer oder Mik- rocontroller abläuft.
PCT/EP2012/058445 2011-05-18 2012-05-08 Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie Ceased WO2012156233A2 (de)

Priority Applications (1)

Application Number Priority Date Filing Date Title
EP12721470.8A EP2710391A2 (de) 2011-05-18 2012-05-08 Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
EP11166609 2011-05-18
EP11166609.5 2011-05-18
DE102011079159A DE102011079159A1 (de) 2011-05-18 2011-07-14 Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie
DE102011079159.0 2011-07-14

Publications (2)

Publication Number Publication Date
WO2012156233A2 true WO2012156233A2 (de) 2012-11-22
WO2012156233A3 WO2012156233A3 (de) 2013-07-11

Family

ID=47088016

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2012/058445 Ceased WO2012156233A2 (de) 2011-05-18 2012-05-08 Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie

Country Status (3)

Country Link
EP (1) EP2710391A2 (de)
DE (1) DE102011079159A1 (de)
WO (1) WO2012156233A2 (de)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014009001A1 (de) * 2012-07-12 2014-01-16 Sew-Eurodrive Gmbh & Co. Kg Verfahren zur bestimmung von kenngrössen eines energiespeichers und energiespeichersystem
CN113391212A (zh) * 2021-06-23 2021-09-14 山东大学 一种锂离子电池等值电路参数在线辨识方法及系统
CN114519902A (zh) * 2020-11-20 2022-05-20 Fev集团有限责任公司 用于监控机器的控制设备

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101717001B1 (ko) * 2014-07-25 2017-03-15 가부시끼가이샤 도시바 내부 상태 추정 시스템 및 그 추정 방법
US10054643B2 (en) 2017-01-06 2018-08-21 GM Global Technology Operations LLC Method and apparatus for isolating root cause of low state of charge of a DC power source
DE102020203245A1 (de) 2020-03-13 2021-09-16 Robert Bosch Gesellschaft mit beschränkter Haftung Verfahren zur Bestimmung eines Modellfehlers eines mathematischen Modells einer elektrischen Energiespeichereinheit
DE102024102009A1 (de) * 2024-01-24 2025-07-24 Dr. Ing. H.C. F. Porsche Aktiengesellschaft Vorrichtung zum Bestimmen eines Ladezustandes einer Batterie und Anordnung mit der Vorrichtung und der Batterie

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5596260A (en) * 1994-05-13 1997-01-21 Apple Computer, Inc. Apparatus and method for determining a charge of a battery
DE102004035858A1 (de) * 2004-07-23 2006-02-16 Robert Bosch Gmbh Zustands- und Parameterschätzer mit Integral- und Differentialanteil für elektrische Energiespeicher
US7400115B2 (en) * 2006-02-09 2008-07-15 Lg Chem, Ltd. System, method, and article of manufacture for determining an estimated combined battery state-parameter vector

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
None

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2014009001A1 (de) * 2012-07-12 2014-01-16 Sew-Eurodrive Gmbh & Co. Kg Verfahren zur bestimmung von kenngrössen eines energiespeichers und energiespeichersystem
CN114519902A (zh) * 2020-11-20 2022-05-20 Fev集团有限责任公司 用于监控机器的控制设备
CN113391212A (zh) * 2021-06-23 2021-09-14 山东大学 一种锂离子电池等值电路参数在线辨识方法及系统
CN113391212B (zh) * 2021-06-23 2022-05-17 山东大学 一种锂离子电池等值电路参数在线辨识方法及系统

Also Published As

Publication number Publication date
DE102011079159A1 (de) 2012-11-22
EP2710391A2 (de) 2014-03-26
WO2012156233A3 (de) 2013-07-11

Similar Documents

Publication Publication Date Title
EP3814790B1 (de) Verfahren und batteriemanagementsystem zum ermitteln eines gesundheitszustandes einer sekundärbatterie
EP4045925B1 (de) Verfahren und vorrichtung zur bestimmung des ladezustandes und des gesundheitszustandes einer aufladbaren batterie
EP4010837A1 (de) Simulation einer batterie
DE102013208046B4 (de) Schätzvorrichtung für einen Batterieladezustand, die einen robusten H∞-Beobachter verwendet
EP2487499B1 (de) Echtzeitfähige Batteriezellensimulation
DE102019216943A1 (de) Verfahren zum approximieren von algorithmen zum schnellladen von li-ionen-batterien auf der basis von elektrochemischen batteriemodellen
DE102020215176A1 (de) Verfahren und system zum schätzen einer leerlaufspannung einer batteriezelle
DE102015212328B4 (de) Batterieladezustandsmessschaltung
DE112017004755T5 (de) Sekundärbatterie-Verwaltungssystem mit entfernter Parameterschätzung
DE112020006860T5 (de) Verschlechterungsgrad-diagnoseeinrichtung
WO2012156233A2 (de) Vorrichtung und verfahren zum bestimmen eines zustandsparameters einer batterie
EP2856186B1 (de) Verfahren und vorrichtung zum feststellen der tatsächlichen kapazität einer batterie
DE102016109525B4 (de) Verschlechterungsgrad-Berechnungsverfahren, Steuerungsverfahren und Steuerungsvorrichtung für eine Lithium-Ionen-Sekundärbatterie
DE112016000834T5 (de) Vorrichtung zum einschätzen eines batteriestatus
DE102019111976A1 (de) Kapazitätsbestimmung bei Batterien
DE102013000572A1 (de) Verfahren und System zur Bestimmung der Modellparameter eines elektrochemischen Energiespeichers
DE102009003345A1 (de) System und Verfahren zum Abschätzen des Ladezustands eines elektrochemischen Energiespeichers
EP2856189B1 (de) Verfahren und vorrichtung zum feststellen der tatsächlichen kapazität einer batterie
DE102007055255A1 (de) Ermittlung der Kapazität elektrischer Energiespeicher
EP4123320A1 (de) Verfahren zum bestimmen eines kapazitätsverlusts eines batteriespeichers, vorrichtung und computerprogrammprodukt
DE102016108974A1 (de) Verfahren zum Bestimmen eines Alterungszustandes einer wiederaufladbaren Batterie sowie System mit einer wiederaufladbaren Batterie
DE102021208227A1 (de) Verfahren und Vorrichtung zum Bereitstellen einer Gesamttrajektorie eines Alterungszustands aus mehreren Alterungszustandsverläufen eines elektrischen Energiespeichers
DE102014215769A1 (de) Verfahren zum Bestimmen einer widerstandsbezogenen Größe einer Batteriezelle
DE102022129314A1 (de) Verfahren und Vorrichtung zur Bestimmung von Kapazität, Innenwiderstand und Leerlaufspannungskurve einer Batterie
EP4252018A1 (de) Verfahren zum bestimmen eines zustandes eines energiespeichers

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 12721470

Country of ref document: EP

Kind code of ref document: A2

DPE1 Request for preliminary examination filed after expiration of 19th month from priority date (pct application filed from 20040101)
WWE Wipo information: entry into national phase

Ref document number: 2012721470

Country of ref document: EP