用于预报电动车辆车队的车辆电池的剩余使用寿命的方法技术

提出一种用于预报电动车辆(10.1、10.2、...、10.n)的车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命的计算机实现方法。所述方法的特征在于，(100)在所述电动车辆(10.1、10.2、...、10.n)的运行中，测量所述车辆电池(14.1、14.2、...、14.n)的特征参量并且传送给服务器(12)；(200)确定特定的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命在位于过去的时间点未超过预定的极限值的条件概率；和根据条件概率预报所述车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命。14.n)的剩余使用寿命。14.n)的剩余使用寿命。

【技术实现步骤摘要】
【国外来华专利技术】用于预报电动车辆车队的车辆电池的剩余使用寿命的方法


[0001]本专利技术涉及一种用于预报电动车辆车队中的车辆电池的剩余使用寿命的计算机实现的方法。

技术介绍

[0002]在电动车辆中，车辆电池的也称为健康状态(state of health)或SoH值的剩余使用寿命是其经济价值和其效率的重要参量。因此了解SoH值如何随着时间而降低是有用的或必要的。通常，车辆中的SoH值不被测量，因为为此所需的传感器系统将会太昂贵了。因此，通过计算模型估计车辆中的Soh值。该估计在此涉及当前的SoH值。车辆特定的健康状态的预报在当前的车辆电池管理系统中不可用。驾驶员或车队公司(例如租赁车辆或租借车辆企业)不能计算为未来剩余的车辆特定的剩余使用寿命。用于预报的可能性是值得期望的，以便能够尽可能早地预报车辆特定的剩余使用寿命并且以便必要时能够触发用于延长车辆电池的剩余使用寿命的措施。
[0003]在此尤其是令人感兴趣的是：能够预报车辆电池的剩余使用寿命将不超过特定值、例如初始使用寿命的80％的值的时间点。尤其是如果不是太多的测量值仍可供使用(不完整的参数空间)，则缺乏稳健的方法来稳健地估计和预测SoH并且防止在车辆中为了对当前SoH值进行机器学习所使用的计算模型的过度拟合。

技术实现思路

[0004]本专利技术在其方法方面的特征在于，
[0005]‑
在所述电动车辆的运行中，测量所述车辆电池的特征参量并且传送给服务器；
[0006]‑
确定特定的车辆电池的剩余使用寿命在位于过去的时间点未超过预定的极限值的条件概率；和
[0007]‑
根据条件概率预报所述车队的车辆电池的剩余使用寿命。
[0008]在其设备方面，本专利技术涉及一种设备，所述设备被设立用于预报电动车辆的车队的车辆电池的剩余使用寿命，其中所述设备具有用于测量车辆电池的在电动车辆的运行中出现的特征参量的部件以及用于将所测量的特征参量传送给服务器的部件，其中服务器被设立用于
[0009]‑
确定特定车辆电池的剩余使用寿命在位于过去的时间点未超过预定的极限值的概率；以及
[0010]‑
根据条件概率预报所述车队的车辆电池的剩余使用寿命。
[0011]本专利技术此外涉及一种计算机程序产品，所述计算机程序产品包括指令，所述指令在通过计算机执行程序时促使所述计算机执行根据权利要求1所述的方法/方法的步骤。
[0012]本专利技术尤其是涉及使用电动车队车辆的云连接性的用于进行车辆单独的SoH预测的方法。为了进行精确的SoH计算和预测，即使仅存在有限数量的训练数据用于预报剩余使用寿命的机器机器学习，在车辆电池的使用寿命的早期阶段中，当车队车辆的实际参数条
件尚未完全被涵盖时本专利技术也已经允许对于剩余使用寿命(例如80％剩余容量极限)的预测。此外，可以通过量化概率分析来评估不确定性，所述量化概率分析使得能够长期预测车辆电池的SoH值，所述预测体现在每个单独的车辆电池的预期使用寿命中。此外，本专利技术的方法在很高程度上是可缩放的，并且有越多的数据可用，就因此提高其精度。
[0013]在一种有利的设计方案中，当车辆电池的剩余使用寿命未超过预定的值时改变车辆电池的运行参数。例如，最大可提取的功率被限制和/或最大允许充电电流被限制。也可能的是，将充电限制在处于最大容量以下的极限值。极限值优选地是与温度相关的。优选地，因为与高温相关联的高电荷加速车辆电池的老化，所以车辆电池的温度越高，极限值就越低。
[0014]一种优选设计方案的特征在于，在所述电动车辆的运行中对于车辆电池测量的特征参量被联合成表征特定车辆电池的特征向量。
[0015]还优选的是，所述条件概率被确定为商，所述商的分母与特定车辆电池在位于过去的时间点具有特定特征向量的概率有关。
[0016]此外优选的是，所述分母
[0017]‑
通过基于事件频率的经验分布被估计，或者
[0018]‑
所述分母基于参数分布被确定，或者
[0019]‑
所述分母基于正态分布
[0020]‑
或者基于均匀分布被确定。
[0021]另一优设计方案的特征在于，所述商具有分子，所述分子取决于具有特定特征向量的车辆电池在位于过去的时间点具有未超过预定极限值的剩余使用寿命的概率。
[0022]还优选的是，复合概率通过贝叶斯网络被建模，即通过有向循环图B＝(v,ε)被建模，其中v是代表参量的角点的集，并且ε构成对变量之间的相关性进行编码的边的集合。
[0023]此外优选的是，所述贝叶斯网络具有无父(Eltern)的角点。
[0024]另一优选设计方案的特征在于，所述车辆电池利用二元分类器被标明，所述二元分类器对于其剩余使用寿命大于阈值的车辆电池具有第一值、尤其是值零，并且所述二元分类器对于其剩余使用寿命小于阈值的车辆电池具有与第一值不同的第二值、尤其是值1。
[0025]还优选的是，二元分类器在晚于特定时间点t的时间点T具有第二值的概率由生存函数描述，所述生存函数由已知的Kaplan
‑
Meier估计器来估计。
[0026]此外优选的是，通过来自生存分析的累积死亡分布函数计算事件的概率、即二元分类器采用第二值的概率。
[0027]另一优选设计方案的特征在于，利用最小描述长度准则来确定贝叶斯网络的结构。
[0028]其他优点从从属权利要求、说明书和附图中得出。
[0029]不言而喻，上述的和下面仍要阐述的特征不仅可以以分别说明的组合方式而且可以以其他组合方式或单独地被使用，而不脱离本专利技术的范围。
附图说明
[0030]本专利技术的实施例在附图中示出并且在随后的描述中被更详细地阐述。在此，不同图中的相同附图标记分别表示相同的元件或至少根据其功能可类比的元件。分别以示意形
式：
[0031]图1示出本专利技术的技术环境；和
[0032]图2示出作为根据本专利技术的方法的实施例的流程图。
具体实施方式
[0033]详细地，图1示出电动车辆10.1、10.2、...、10.n的车队10连同车辆车队10的运营商的服务器12。每个电动车辆10.1、10.2、...、10.n均具有电动车辆电池14.1、14.2、...、14.n和用于检测车辆电池14.1、14.2、...、14.n的特征参量、诸如其温度/电压和电流强度的传感器系统16.1、16.2、...、16.n。车辆电池优选地是相同的车辆驱动电池。
[0034]每个电动车辆还具有计算装置18.1、18.2、...18.n，所述计算装置从由传感器系统16.1、16.2、...、16.n提供的数据中借助于机器学习利用计算模型来计算驱动电池的当前SoH。该计算模型优选独立于根据本专利技术的预报，不太精确并且需要更多测量值(即更完整的参数空间)。
[0035]每个电动车辆10.1、10.2、...、10.n此外具有移动无线电通本文档来自技高网...

【技术保护点】

【技术特征摘要】
【国外来华专利技术】1.一种用于预报电动车辆(10.1、10.2、...、10.n)的车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命的计算机实现方法，其特征在于，
‑
(100)在所述电动车辆(10.1、10.2、...、10.n)的运行中，测量所述车辆电池(14.1、14.2、...、14.n)的特征参量并且传送给服务器(12)；
‑
(200)确定特定的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命在位于过去的时间点未超过预定的极限值的条件概率；和
‑
根据所述条件概率预报所述车队(10)的车辆电池(14.1、14.2、...、14.n)的剩余使用寿命。2.根据权利要求1所述的方法，其特征在于，在所述电动车辆(10.1、10.2、...、10.n)的运行中对于车辆电池(14.1、14.2、...、14.n)测量的特征参量被联合成表征特定车辆电池(14.1、14.2、...、14.n)的特征向量。3.根据权利要求2所述的方法，其特征在于，所述条件概率被确定为商，所述商的分母与特定车辆电池(14.1、14.2，...、14.n)在位于过去的时间点具有特定特征向量的概率有关。4.根据权利要求2所述的方法，其特征在于，所述分母
‑
通过基于事件频率的经验分布被估计，或者
‑
所述分母基于参数分布被确定，或者
‑
所述分母基于正态分布，
‑
或者基于均匀分布被确定。5.根据权利要求3或4所述的方法，其特征在于，所述商具有分子，所述分子取决于具有特定特征向量的车辆电池(14.1、14.2，...、14.n)在位于过去的时间点具有未超过预定极限值的剩余使用寿命的概率。6.根据权利要求5所述的方法，其特征在于，复合概率通过贝叶斯网络被建模，即通过有向循环图B＝(v，ε)被建模，其中v是代...

【专利技术属性】
技术研发人员：C，
申请(专利权)人：罗伯特，
类型：发明
国别省市：