BESTIMMUNG EINES ALTERUNGSWERTS FÜR BATTERIEN MIT STROM-SPAN- NUNGS-ZEITREIHEN IN ZEITDOMÄNE UND BELASTUNGSDOMÄNE

TECHNISCHES GEBIET

Verschiedene Beispiele der Offenbarung betreffen die Charakterisierung von Batterien. Verschiedene Beispiele betreffen das Bestimmen eines Alterungswerts einer wiederaufladbaren Batterie. Verschiedene Beispiele betreffen die Vorverarbeitung von gemessenen Betriebsobservablen einer Batterie, wie beispielsweise gemessenen Stromwerten oder gemessenen Spannungswerten, um eine geeignete Eingabe in den maschinenge- lernten Algorithmus zu erhalten.

HINTERGRUND

Wiederaufladbare Batterien werden in unterschiedlichsten Anwendungsszenarien eingesetzt. Beispiele betreffen zum Beispiel Traktions-Batterien für Elektrofahrzeuge, statische Energiespeicher, usw.

In den unterschiedlichsten Anwendungsszenarien kann es im Zusammenhang mit der Überwachung des Betriebs der Batterien hilfreich sein, eine möglichst genaue Charakterisierung des Gesundheitszustands von wiederaufladbaren Batterien zu erhalten. Der Alterungswert einer Batterie quantifiziert deren Gesundheitszustand.

Es sind unterschiedliche Techniken bekannt, um einen Alterungswert von Batterien zu bestimmen. Manche Techniken beruhen zum Beispiel auf der klassischen Modellierung des Batterieverhaltens. Beispielsweise können physikalisch-chemische Modelle der Bat- terie verwendet werden, um eine Alterung der Batterie in Abhängigkeit von Belastungsfaktoren zu bestimmen. Es können auch empirische Modelle verwendet werden. Ein Beispiel ist z.B. Schmalstieg, Johannes, et al. "A holistic aging model for Li (NiMnCo) 02 based 18650 lithium-ion batteries." Journal of Power Sources 257 (2014): 325-334. Typischerweise ist bei einer solch klassischen Modellierung ein signifikanter Aufwand für die Parametrierung entsprechender Modelle notwendig. Beispiel können aufwändige Labor-Tests notwendig sein.

Es sind auch maschinengelernte Algorithmen bekannt, um einen Alterungswert der Batterie zu bestimmen. Siehe z.B. CN111832220A - oder siehe Ungurean, Lucian; Micea, Mihai V. Online state of health prediction method for lithium-ion batteries, based on gated recurrent unit neural networks International Journal of Energy Research 44(8) 6767-6777 - oder siehe Xiang, Ming, et al. "State-of-health prognosis for lithium-ion batteries considering the limitations in measurements via maximal information entropy and collective sparse variational gaussian process." IEEE Access 8 (2020): 188199-188217 - oder siehe Fan, Yaxiang, et al. "A novel deep learning framework for state of health estimation of lithium-ion battery." Journal of Energy Storage 32 (2020): 101741. Es wurde beobachtet, dass solche Techniken manchmal ungenau sind oder eine besonders rechenintensive Implementierung erfordern

KURZE ZUSAMMENFASSUNG

Deshalb besteht ein Bedarf für verbesserte Techniken zur Bestimmung von Alterungswerten von Batterien.

Diese Aufgabe wird gelöst von den Merkmalen der unabhängigen Patentansprüche. Die Merkmale der abhängigen Patentansprüche definieren Ausführungsformen.

Ein Computer-implementiertes Verfahren zum Bestimmen eines Alterungswerts einer Batterie umfasst das Erhalten von gemessenen Stromwerten eines Betriebsstroms der Batterie, sowie von gemessenen Spannungswerten einer Betriebsspannung der Batterie. Die Stromwerte geben den Betriebsstrom während eines Beobachtungszeitraums an. Ebenso geben die Spannungswerte die Betriebsspannung während desselben Beobachtungszeitraums an.

Basierend auf den gemessenen Stromwerten und den gemessenen Spannungswerten wird eine erste Zeitreihe von ersten Stromwerten und ersten Spannungswerten bestimmt. Dabei umfasst die erste Zeitreihe erste Zeitpunkte der ersten Stromwerte und der ersten Spannungswerte im Beobachtungszeitraum. Diese ersten Zeitpunkte sind gemäß einem in der Zeitdomäne definierten ersten Abtastschema angeordnet.

Das Abtastschema kann eine Anordnung der ersten Zeitpunkte in der Zeitdomäne definieren.

Allgemein kann ein Abtastschema die Anordnung von entsprechenden Zeitpunkten in der entsprechenden Domäne definieren. Zum Beispiel könnte das Abtastschema einen relativen Abstand der entsprechenden Zeitpunkte in der entsprechenden Domäne voneinander definieren. Es wäre zum Beispiel möglich, dass das Abtastschema die genauen Positionen der entsprechenden Zeitpunkte der entsprechenden Domäne definiert. Zum Beispiel wäre denkbar, dass das Abtastschema eine tolerierte Varianz der entsprechenden Zeitpunkte in Bezug auf Referenzzeitpunkte definiert. Das Abtastschema könnte eine Anzahl von Datenpunkten einer Zeitreihe bestimmen (d.h. die Abtastpunkte). Das Abtastschema könnte z.B. die Abtastpunkte in Abhängigkeit einer Länge einer Datenstruktur bestimmen, die als Eingabe in einen ML Algorithmus verwendet wird.

So wäre es zum Beispiel denkbar, dass das erste Abtastschema eine äquidistante Anordnung der ersten Zeitpunkten der Zeitdomäne definiert.

Eine äquidistante Anordnung in der Zeitdomäne bedeutet, dass die ersten Zeitpunkte alle denselben zeitlichen Abstand voneinander aufweisen, zum Beispiel jeweils 5 Minuten voneinander beanstandet sind, um nur ein Beispiel zu geben.

Basierend auf den gemessenen Stromwerten und den gemessenen Spannungswerten wird außerdem eine zweite Zeitreihe von zweiten Stromwerten und zweiten Spannungswerten bestimmt. Die zweite Zeitreihe ist verschieden von der ersten Zeitreihe. Die zweite Zeitreihe umfasst zweite Zeitpunkte der zweiten Stromwerte und der zweiten Spannungswerte im Beobachtungszeitraum. Die zweiten Zeitpunkte sind gemäß einem zweiten Abtastschema in einer Domäne angeordnet, die mit einem Betriebsbelastungsparameter der Batterie assoziiert sind (Belastungsdomäne). Es wäre wiederum denkbar, dass die zweiten Zeitpunkte äquidistant in der Belastungsdomäne angeordnet sind.

Der Betriebsbelastungsparameter kann also eine Belastungsgröße der Batterie während des aktiven Betriebs bezeichnen, also insbesondere unterschiedlich von dem bloßen Fortschreiten von Zeit sein. Beispiele für Betriebsbelastungsparameter sind der Ladungsdurchsatz oder der Leistungsdurchsatz des Betriebs der Batterie.

Basierend auf der ersten Zeitreihe und der zweiten Zeitreihe ist es dann möglich, den Alterungswert der Batterie zu bestimmen. Das kann unter Verwendung eines maschi- nengelernten Algorithmus (ML Algorithmus) erfolgen.

Durch die Verwendung der ersten Zeitreihe und der zweiten Zeitreihe können mehrere Effekte erzielt werden: die erste Zeitreihe kann charakteristische Merkmale im Betriebsstrom und in der Betriebsspannung abbilden, die maßgeblich eine kalendarische Alterung der Batterie beschreiben. Die zweite Zeitreihe kann charakteristische Merkmale im Betriebsstrom und in der Betriebsspannung abbilden, die maßgeblich eine Belastungsalterung der Batterie aufgrund von Lade- oder Entladevorgängen beschreiben. Dies wird durch die Verwendung der ersten und zweiten Abtastschema erreicht, die in der Zeitdomäne und der Belastungsdomäne definiert sind. Durch die kombinierte Verwendung beider Zeitreihen kann der Alterungswert besonders zuverlässig bestimmt werden. Gleichzeitig kann eine komplexe Vorverarbeitung der gemessenen Stromwerte oder der gemessenen Spannungswerte - zum Beispiel eine Filterung oder eine Erkennung von bestimmten Signaturen und Extraktion von lokalen Messpunkten - entfallen. Dies vereinfacht die Vorverarbeitung. Durch die Verwendung der ersten Zeitreihen der zweiten Zeitreihe kann auch eine Komprimierung der Datengrundlage vor Eingabe in den ML Algorithmus erfolgen. Zum Beispiel kann es möglich sein, die gemessenen Stromwerte die gemessenen Spannungswerte vergleichsweise dünn abzutasten (engl. „sparse sampling“), um die erste Zeitreihe und die zweite Zeitreihe zu erhalten. Das bedeutet, dass pro Stromwert oder Spannungswerte ersten Zeitreihe und der zweiten Zeitreihe eine große Anzahl von gemessenen Stromwerten und gemessenen Spannungswerten vorhanden sein kann.

Der Alterungswert kann z.B. durch eine Kapazität der Batterie bestimmt sein und/oder durch eine Impedanz der Batterie.

Mittels der hierin beschriebenen Techniken kann der Alterungswert insbesondere eine absolute Alterung seit der Inbetriebnahme der Batterie angeben. Das bedeutet, dass nicht lediglich die relative Alterung während des Beobachtungszeitraums bestimmt werden kann, sondern vielmehr der absolute Alterungswert Batterie. Beispielweise könnte die absolute Kapazität der Batterie bestimmt werden (anstatt nur die relative Abnahme der Kapazität während des Beobachtungszeitraums zu bestimmen). Es könnte die absolute Impedanz bestimmt werden.

Eine weitere Vorverarbeitung der gemessenen Stromwerte oder gemessenen Spannungswerte (neben dem Bestimmen der ersten und zweiten Zeitreihen) ist nicht unbedingt erforderlich. Insbesondere können die erste Zeitreihe die zweite Zeitreihe unmittelbar als Eingabe in den ML Algorithmus dienen. Es wäre möglich, die erste Zeitreihe und die zweite Zeitreihe zu konkatenieren (d.h. „aneinanderzuhängen“ in einer Matrixstruk- tur), um derart eine Datenstruktur zu erhalten, die dann als Eingabe in den maschinengelernten Algorithmus dient. Dies bedeutet, dass eine besonders kompakte und effiziente Vorverarbeitung erfolgen kann.

Die Datenstruktur kann beispielsweise Zeitstempel für die ersten Zeitpunkte der ersten Zeitreihe sowie Zeitstempel für die zweiten Zeitpunkte der zweiten Zeitreihe umfassen. Derart können ML Algorithmen, die in der Zeitdomäne arbeiten, auch für die zweite Zeitreihe - die nicht äquidistant in der Zeitdomäne angeordnet ist - zuverlässige Ergebnisse erzielen.

Beispiele für ML Algorithmen wären zum Beispiel ein rekurrentes neuronales Netzwerk, etwa ein Long-Short-Term-Memory (LSTM) Netzwerk oder ein Gated recurrent unit (GRU) Netzwerk. Siehe etwa: Chung, Junyoung, et al. "Empirical evaluation of gated recurrent neural networks on sequence modeling." arXiv preprint arXiv: 1412.3555 (2014). Die erste Zeitreihen die zweite Zeitreihe können zum Beispiel unter Verwendung einer Interpolationsoperation, die jeweils auf die gemessenen Stromwerte und die Spannungswerte angewendet wird, bestimmt werden. Beispielsweise kann eine lineare Interpolation verwendet werden.

Dabei ist es nicht in allen Varianten erforderlich, dass eine Interpolationsoperation verwendet wird. Beispielsweise könnte je nach Abtastschema eine Interpolationsoperation verwendet werden oder nicht; wird keine Interpolationsoperation verwendet, könnten jeweils solche gemessene Stromwerte und gemessene Spannungswerte für die erste und zweite Zeitreihen ausgewählt werden, die möglichst nah bei einem durch das jeweilige Abtastschema definierten Referenzzeitpunkt liegen. Als Beispiel: das Abtastschema könnte eine äquidistante Anordnung der Zeitpunkte in der jeweiligen Domäne, beispielweise der Zeitdomäne (für das erste Abtastschema), definieren; gleichzeitig aber eine tolerierte Varianz definieren, die größer ist oder in derselben Größenordnung liegt, wie der Abstand zwischen gemessenen Betriebsobservablen (z.B. Betriebsstrom und Betriebsspannung) der Batterie. Dann kann es entbehrlich sein, eine Interpolationsoperation zu verwenden, weil die Messdaten den Beobachtungszeitraum genügend dicht abtasten - es können jeweils die nächstliegenden Werte der jeweiligen Betriebsobservablen übernommen werden. Auch wenn dann keine perfekt äquidistant der Anordnung der Zeitpunkte zueinander erhalten wird, ist die Varianz der Abstände der Zeitpunkte innerhalb einer durch das jeweilige Abtastschema definierten Toleranz.

Trotzdem kann eine Interpolationsoperation vergleichsweise wenig rechenintensiv sein, so dass die Vorverarbeitung der gemessenen Stromwerte und gemessenen Spannungswerte auch bei Verwendung der Interpolationsoperation besonders effizient implementiert werden kann. Beispielweise wäre es insbesondere möglich, die Interpolationsoperation auf einer Datenverarbeitungsanlage zu implementieren, die lokal bei der Batterie angeordnet ist. Allgemeiner formuliert wäre es denkbar, dass die erste Zeitreihe und die zweite Zeitreihe auf einer solchen Datenverarbeitungsanlage bestimmt werden, die lokal bei der Batterie angeordnet ist. Der Alterungswert kann dann auf einer weiteren Datenverarbeitungsanlage bestimmt werden, die nicht lokal bei der Batterie angeordnet ist. Das bedeutet, dass der ML Algorithmus zum Beispiel auf einem zentralen Server ausgeführt werden könnte.

Die Interpolationsoperation kann dabei eine Länge der Datenstruktur als Randbedingung berücksichtigen. Das bedeutet, dass für Beobachtungszeiträume unterschiedlicher Länge jeweils ein Abstand der Zeitpunkte variiert werden kann, so dass der gesamte Beobachtungszeitraum jeweils abgedeckt werden kann, gleichzeitig aber die Länge der Datenstruktur eingehalten wird.

Dadurch kann insbesondere eine Kompression der Daten erfolgen, das heißt die Datenstruktur weist eine bestimmte Größe auf, unabhängig von der Anzahl der gemessenen Stromwerte oder Spannungswerte. Beispielweise könnte die Interpolationsoperation eine Reduktion der ersten Stromwert und der ersten Spannungswerte in Bezug auf die gemessenen Stromwerte und die gemessenen Spannungswerte um einen Faktor 1000 oder mehr bewirken. Dasselbe gilt auch für die zweiten Stromwert und zweiten Spannungswerte. Dies ermöglicht es, vergleichsweise lange Beobachtungszeiträume zu verwenden. Zum Beispiel wäre es denkbar, dass ein Beobachtungszeitraum mehrere Ladezyklen und mehrere Entladezyklen und mehrere Ruhezyklen der Batterie umfasst. Der Beobachtungszeitraum könnte zum Beispiel länger als 24 Stunden sein.

Gleichzeitig kann der Beobachtungszeitraum aber auch signifikant kürzer als die bisherige Lebensdauer der Batterie sein. Das bedeutet, dass der Beobachtungszeitraum kürzer als ca. 5 % eines Zeitraums seit Inbetriebnahme der Batterie sein kann. Trotzdem kann es mittels der hierin beschriebenen Techniken möglich sein, den absoluten Alterungswert der Batterie zu bestimmen. Dies liegt daran, dass die Signaturen der Be- triebsobservablen während des jeweiligen Beobachtungszeitraums der Batterie auch vom absoluten Alterungswert abhängen (nicht nur von der relativen Alterung). Durch die geeignete Wahl der Domäne, in der die Werte der Betriebsobservablen repräsentiert werden - insb. der Belastungsdomäne - können entsprechende Signaturen effizient aus dem Messdatensatz extrahiert bzw. konserviert werden. Um eine möglichst einfache Überwachung zur Charakterisierung der Batterie zu ermöglichen, wäre es zum Beispiel denkbar, dass ein Beginn und ein Ende des Beobachtungszeitraums unabhängig vom Betrieb der Batterie bestimmt sind. Das bedeutet, dass es nicht notwendig sein muss, den Beobachtungszeitraum spezifisch in Bezug auf zum Beispiel einen Ladevorgang oder einen Entladevorgang der Batterie auszurichten. Dies liegt daran, dass durch die geeignete lange Wahl des Beobachtungszeitraums - die praktisch durch die Kompression im Zusammenhang mit den Zeitreihen, wie obenste- hend beschrieben, ermöglicht wird - eine signifikante Signatur statistisch immer im Beobachtungszeitraum abgebildet wird.

In anderen Beispielen wäre es aber auch möglich, den Betrieb der Batterie zu überwachen und den Beginn und das Ende des Beobachtungszeitraums in Abhängigkeit von dem Überwachen des Betriebs der Batterie zu bestimmen.

Beispielsweise wäre es denkbar, dass der Beobachtungszeitraum immer nach Abschluss eines Ladevorgangs oder Entladevorgang gestartet wird. Es wäre z.B. denkbar, dass der Beobachtungszeitraum während einer Ruhephase beendet wird. Z.B. wäre es denkbar, die Anzahl der Lade- und/oder Entladevorgänge zu zählen und nach einer bestimmten Anzahl den Beobachtungszeitraum zu beenden. Das sind nur Beispiele für die Implementierung der Abhängigkeit zwischen dem Überwachen und der Wahl des Beobachtungszeitraums.

Voranstehend wurden Techniken beschrieben, bei denen gemessene Stromwerte und gemessene Spannungswerte Einfluss in entsprechende Zeitreihen finden. Als allgemeine Regel können alternativ oder zusätzlich auch andere Betriebsobservablen der Batterie berücksichtigt werden. Beispiele umfassen zum Beispiel die Temperatur der Feuchtigkeit.

So wäre es zum Beispiel möglich, dass auch gemessene Temperaturwerte einer Betriebstemperatur der Batterie während des Beobachtungszeitraums erhalten werden. Die erste Zeitreihe kann dann weiterhin erste Temperaturwerte bei den ersten Zeitpunkten umfassen und die zweite Zeitreihe kann weiterhin zweite Temperaturwerte bei den zweiten Zeitpunkten umfassen, wobei die ersten und zweiten Temperaturwerte basierend auf den gemessenen Temperaturwerten bestimmt werden.

Durch die Berücksichtigung weiterer Betriebsobservablen wie der Temperatur kann tendenziell die Genauigkeit beim Bestimmen des Alterungswerts weiter erhöht werden.

Der absolute Alterungswert kann, wie voranstehend beschrieben, mittels Betriebsobservablen während eines Beobachtungszeitraums bestimmt werden. Der Alterungswert kann also z.B. absolut zum Ende des Beobachtungszeitraums bestimmt werden (das entspricht einem Alterungswert zum Ist-Zeitpunkt). Es könnte auch eine Prädiktion des absoluten Alterungswerts erfolgen, d.h. eine Vorhersage für die Zukunft. Beispielsweise wäre es denkbar, dass die gemessenen Stromwerte und die gemessenen Spannungswerte (bzw. allgemein gemessene Betriebsobservablen) augmentiert werden, um derart erweiterte gemessene Stromwerte und erweiterte gemessene Spannungswerte zu erhalten. Diese können eine Prädiktion der Belastung der Batterie für die Zukunft, über den Beobachtungszeitraum hinaus, abbilden. Das bedeutet, dass der Beobachtungszeitraum in die Zukunft erweitert werden kann. Die erste Zeitreihe und zweite Zeitreihe können dann basierend auf solchen erweiterten gemessenen Stromwerten und erweiterten gemessenen Spannungswerten bestimmt werden. Dies ermöglicht eine Zustandsvorhersage für die Batterie.

So wäre es zum Beispiel denkbar, dass eine Häufigkeit oder Frequenz von Ladevorgängen oder Entladevorgängen ermittelt wird und dann diese Häufigkeit oder Frequenz auch für die Zukunft angenommen wird, um derart die Augmentierung zu erzielen. Beispielsweise könnte ein statistisches Belastungsprofil (Lastkollektiv) basierend auf den gemessenen Stromwerten und den gemessenen Spannungswerten bestimmt werden. Dann könnte die Augmentierung unter Berücksichtigung eines solchen statistischen Belastungsprofils erfolgen.

Ein Computer-Programm oder ein Computer-Programmprodukt oder ein computerlesbares Speichermedium umfasst Programmcode, der von einem Prozessor geladen und ausgeführt werden kann. Das bewirkt, dass der Prozessor ein Verfahren zum Bestimmen eines Alterungswerts einer Batterie ausführt. Das Verfahren umfasst das Erhalten von gemessenen Stromwerten eines Betriebsstroms der Batterie, sowie von gemessenen Spannungswerten einer Betriebsspannung der Batterie. Die Stromwerte geben den Betriebsstrom während eines Beobachtungszeitraums an. Ebenso geben die Spannungswerte die Betriebsspannung während desselben Beobachtungszeitraums an.

Basierend auf den gemessenen Stromwerten und den gemessenen Spannungswerten wird eine erste Zeitreihe von ersten Stromwerten und ersten Spannungswerten bestimmt. Dabei umfasst die erste Zeitreihe erste Zeitpunkte der ersten Stromwerte und der ersten Spannungswerte im Beobachtungszeitraum. Diese ersten Zeitpunkte sind gemäß einem in der Zeitdomäne definierten ersten Abtastschema angeordnet.

Eine Vorrichtung umfasst einen Prozessor. Der Prozessor kann Programmcode laden und ausführen. Das bewirkt, dass der Prozessor ein Verfahren zum Bestimmen eines Alterungswerts einer Batterie ausführt. Das Verfahren umfasst das Erhalten von gemessenen Stromwerten eines Betriebsstroms der Batterie, sowie von gemessenen Spannungswerten einer Betriebsspannung der Batterie. Die Stromwerte geben den Betriebsstrom während eines Beobachtungszeitraums an. Ebenso geben die Spannungswerte die Betriebsspannung während desselben Beobachtungszeitraums an. Basierend auf den gemessenen Stromwerten und den gemessenen Spannungswerten wird eine erste Zeitreihe von ersten Stromwerten und ersten Spannungswerten bestimmt. Dabei umfasst die erste Zeitreihe erste Zeitpunkte der ersten Stromwerte und der ersten Spannungswerte im Beobachtungszeitraum. Diese ersten Zeitpunkte sind gemäß einem in der Zeitdomäne definierten ersten Abtastschema angeordnet.

Die oben dargelegten Merkmale und Merkmale, die nachfolgend beschrieben werden, können nicht nur in den entsprechenden explizit dargelegten Kombinationen verwendet werden, sondern auch in weiteren Kombinationen oder isoliert, ohne den Schutzumfang der vorliegenden Erfindung zu verlassen. KURZE BESCHREIBUNG DER FIGUREN

FIG. 1 illustriert schematisch ein System umfassend mehrere Batterien und einen Server gemäß verschiedenen Beispielen.

FIG. 2 illustriert schematisch Details im Zusammenhang mit den Batterien gemäß verschiedenen Beispielen.

FIG. 3 illustriert schematisch Details im Zusammenhang mit dem Server gemäß verschiedenen Beispielen.

FIG. 4 ist ein Flussdiagramm eines beispielhaften Verfahrens.

FIG. 5 illustriert schematisch die Datenverarbeitung zur Bestimmung eines Alterungswerts einer Batterie gemäß verschiedenen Beispielen.

FIG. 6 illustriert schematisch zwei Zeitreihen, die Stromwerte an Zeitpunkten angeben, die jeweils in einer Zeitdomäne und einer Ladungsdurchsatzdomäne äquidistant angeordnet sind, gemäß verschiedenen Beispielen.

DETALLIERTE BESCHREIBUNG

Die oben beschriebenen Eigenschaften, Merkmale und Vorteile dieser Erfindung sowie die Art und Weise, wie diese erreicht werden, werden klarer und deutlicher verständlich im Zusammenhang mit der folgenden Beschreibung der Ausführungsbeispiele, die im Zusammenhang mit den Zeichnungen näher erläutert werden.

Nachfolgend wird die vorliegende Erfindung anhand bevorzugter Ausführungsformen unter Bezugnahme auf die Zeichnungen näher erläutert. In den Figuren bezeichnen gleiche Bezugszeichen gleiche oder ähnliche Elemente. Die Figuren sind schematische Repräsentationen verschiedener Ausführungsformen der Erfindung. In den Figuren dargestellte Elemente sind nicht notwendigerweise maßstabsgetreu dargestellt. Vielmehr sind die verschiedenen in den Figuren dargestellten Elemente derart wiedergegeben, dass ihre Funktion und genereller Zweck dem Fachmann verständlich wird. In den Figuren dargestellte Verbindungen und Kopplungen zwischen funktionellen Einheiten und Elementen können auch als indirekte Verbindung oder Kopplung implementiert werden. Eine Verbindung oder Kopplung kann drahtgebunden oder drahtlos implementiert sein. Funktionale Einheiten können als Hardware, Software oder eine Kombination aus Hardware und Software implementiert werden.

Nachfolgend werden Techniken im Zusammenhang mit der Charakterisierung von wiederaufladbaren Batterien beschrieben. Die hierin beschriebenen Techniken können im Zusammenhang mit unterschiedlichsten Typen von Batterien eingesetzt werden, beispielsweise im Zusammenhang mit Batterien auf Lithium-Ionen-Basis, wie z.B. Lithium- Nickel-Mangan-Cobaltoxid-Batterien oder Lithium-Manganoxid-Batterien.

Die hierin beschriebenen Batterien können in unterschiedlichen Anwendungsgebieten eingesetzt werden, beispielsweise für Batterien die in Geräten wie Kraftfahrzeugen oder Drohnen oder tragbaren elektronischen Geräten wie etwa Mobilfunkgeräte eingesetzt werden. Es wäre auch denkbar, die hierin beschriebenen Batterien in Form von stationären Energiespeichern einzusetzen.

Die hierin beschriebenen Techniken ermöglichen es, die Charakterisierung der Batterie auf Grundlage einer Zustandsüberwachung. Die Zustandsüberwachung kann eine laufende Überwachung der Belastung der Batterie und/oder eine Bestimmung des absolut Zustands der Batterie gegenüber einer Referenz - typischerweise die Inbetriebnahme - und/oder eine Zustandsvorhersage der Batterie umfassen. Dies bedeutet, dass der Zustand der Batterie durch Überwachung der Belastung verfolgt oder bestimmt werden kann und/oder für ein gewisses Vorhersageintervall in der Zukunft prädiziert werden kann. Insbesondere kann eine Alterungsschätzung des Gesundheitszustands (engl. state-of-health, SOH) der Batterie erfolgen. Das bedeutet, dass ein Alterungswert bestimmt werden kann, typischerweise die Kapazität der Batterie (d.h. Ladungsmenge, die gespeichert werden kann). Als allgemeine Regel nimmt der SOH für zunehmende Alterung der Batterie ab. Eine zunehmende Alterung kann vorliegen, wenn die Kapazität der Batterie abnimmt und/oder wenn die Impedanz der Batterie zunimmt.

Verschiedene der hierin beschriebenen Beispiele im Zusammenhang mit der Batterie- Charakterisierung können zumindest teilweise Server-seitig implementiert werden. Dies bedeutet, dass zumindest ein Teil der entspechenden Logik auf einem zentralen Server, getrennt von der Batterie bzw. dem Batterie-betriebenen Gerät durchgeführt werden kann. Dazu kann insbesondere eine Kommunikationsverbindung zwischen dem Server und ein oder mehreren Managementsystemen der Batterie hergestellt werden. Durch die Implementierung zumindest eines Teils der Logik auf dem Server können besonders genaue und rechenintensive Modelle bzw. Algorithmen eingesetzt werden. Dies ermöglicht es, den Alterungswert besonders genau zu bestimmen. Zudem kann es möglich sein, Daten für ein Ensemble von Batterien zu sammeln und zu verwerten, zum Beispiel im Zusammenhang mit maschinengelernten Algorithmen.

Verschiedene hierin beschriebene Beispiele können die Zustandsüberwachung während des Einsatzes der Batterie auf Grundlage von Messdaten für ein oder mehrere Be- triebsobservablen der Batterie durchführen. Dies bedeutet, dass insbesondere zu einem bestimmten Zeitpunkt während des Lebens der Batterie - mit reduziertem SOH - die Zustandsüberwachung durchgeführt wird. Die Batterie kann sich dann im Feldeinsatz befinden. Derart kann es insbesondere möglich sein, auch das bisherige Alterungsverhalten der Batterie zu berücksichtigen. Auch dies ermöglicht es, die Zustandsüberwachung besonders flexibel durchzuführen. Labortests können entfallen.

Dabei können, als allgemeine Regel, unterschiedliche Messdaten berücksichtigt werden. Beispielsweise könnten gemessene Stromwerte eines Batteriestroms (Lade- oder Entladestrom) verwendet werden. Alternativ oder zusätzlich könnten gemessene Spannungswerte der Betriebsspannung (Klemmenspannung) verwendet werden. Weitere Beispiele betreffen zum Beispiel gemessene Temperaturwerte der Batterietemperatur. Gemäß verschiedenen Beispielen der Offenbarung werden entsprechende Zeitreihen von unterschiedlichen Batterieobservablen berücksichtigt, z.B. eine Zeitreihe von Stromwerten und/oder eine Zeitreihe von Spannungswerten und/oder eine Zeitreihe von Temperaturwerten.

Solche Zeitreihen dienen dann als Eingabe in einen ML Algorithmus. Der ML Algorithmus kann während einer Trainingsphase trainiert werden, um anschließend in einer Inferenzphase basierend auf solchen Zeitreihen einen Alterungswert der Batterie zu bestimmen. Beispielsweise könnten in der Trainingsphase entsprechend Trainings-Zeitreihen gemessen werden, als Trainingsdaten. Gleichzeitig könnte als Grundwahrheit der Alterungswert mittels eines Laborverfahrens bestimmt werden. Es sind Laborverfahren bekannt, um zum Beispiel die Kapazität einer Batterie besonders genau zu bestimmen (z.B. Coulomb-Zählen oder basierend auf der Ruhespannungskennlinie; Impedanzspektroskopie; Inkrementelle Kapazitätsanalyse; Differentialspannungsanalyse). Es könnten auch alternative Modelle verwendet werden, etwa Kaimanfilter. Basierend auf solchen Referenz-Messungen oder Referenz-Modellen könnte dann ein Label bestimmt werden, welches die Sollwert-Vorhersage des ML Algorithmus indiziert. Basierend auf einer Differenz der tatsächlichen Vorhersage des ML Algorithmus, die auf den Trainings- Zeitreihen basiert, sowie dem Label, und unter Verwendung einer geeigneten Verlustfunktion, können dann in der Trainingsphase die Parameterwerte des ML Algorithmus angepasst werden. Zum Beispiel kann ein Gradientenabstiegsverfahren (Rückwärtspropagation) eingesetzt werden, um unter Berücksichtigung einer Differenz zwischen der Vorhersage des maschinengelernten Algorithmus basierend auf den Trainings-Zeitreihen und dem Label die Parameterwerte des maschinengelernten Algorithmus anzupassen. Es können unterschiedliche Instanzen des ML Algorithmus für unterschiedliche Batterietypen verwendet werden. Das Training kann jeweils für jede Instanz gesondert erfolgen, basierend auf Trainingsdaten und Labeln, die spezifisch für eine Batterie des jeweiligen Batterietyps erhalten werden.

Als allgemeine Regel können in den hierin offenbarten Beispielen unterschiedliche ML Algorithmen verwendet werden. Insbesondere können solche ML Algorithmen verwendet werden, welche auf Zeitreihen als Eingabe operieren. Beispiele wären zum Beispiel rekurrente neuronale Netzwerke. Beispiele umfassen zum Beispiel LSTM-Netzwerke o- der GRU-Netzwerke. In einem Beispiel könnte der maschinengelernte Algorithmus zwei GRU-Schichten haben, die gefolgt sind von ein oder mehreren vollständig verbundenen Schichten (engl. „fully-connected layer“). Gemäß verschiedenen Beispielen ist es möglich, zwei Typen von Zeitreihen zu benutzen, um eine Datenstruktur, die als Eingabe in den ML Algorithmus dient, zu bilden. Diese beiden Typen sind nachfolgend in TAB. 1 beschrieben

TAB. 1 : Zwei Beispiele für Zeitreihen, basierend auf denen eine Eingabe in einen maschinengelernten Algorithmus bestimmt werden kann. Beispielsweise wäre es möglich, eine erste Zeitreihen eine zweite Zeitreihe gemäß den Beispielen I und II zu bestimmen und dann diese Zeitreihen zu konkatenieren, um derart die Eingabe für den maschinen- gelernten Algorithmus zu erhalten.

Indem der Alterungswert mittels des ML Algorithmus unter Verwendung solcher Zeitreihen gemäß TAB. 1 bestimmt wird, kann eine besonders genaue Vorhersage erfolgen.

Dies liegt daran, dass die beiden Zeitreihen gemäß der Beispiele I und II aus TAB. 1 sowohl eine kalendarische Alterung wie auch eine Belastungs-induzierte Alterung abbil- den. Gleichzeitig kann aber durch das Bestimmen der beiden Zeitreihen eine signifikante Kompression der Größe der verwendeten Daten vor der Eingabe in den maschinenge- lernten Algorithmus erzielt werden. Beispielsweise kann eine Kompression um einen Faktor von nicht kleiner als 500 oder nicht kleiner als 5000 erzielt werden. . Das bedeutet, dass die Anzahl der Einträge der Zeitreihen gegenüber den gemessenen Werten der Betriebsobservablen um einen entsprechenden Faktor reduziert sind. Durch die Verwendung von in der Zeitdomäne bzw. der Belastungsdomäne äquidistant angeordneten Zeitpunkten kann aber gleichzeitig sichergestellt werden, dass aussagekräftige Signaturen zum Bestimmen des Alterungswerts erhalten bleiben.

Solche Techniken weisen den weiteren Vorteil auf, dass keine besonders komplizierte Vorverarbeitung der gemessenen Werte für die Betriebsobservablen der Batterie notwendig sind. Beispielweise kann es entbehrlich sein, die gemessenen Stromwerte oder die gemessenen Spannungswerte zu filtern. Beispielsweise kann es entbehrlich sein, charakteristische Signaturen aus den gemessenen Stromwerten oder den gemessenen Spannungswerten zu extrahieren. Durch die Verwendung von geeigneten Abtastschemas in der Zeit- und Belastungsdomäne kann vielmehr inhärent sichergestellt sein, dass charakteristische Signaturen zur genauen Bestimmung des Alterungswerts erhalten bleiben. Dies ermöglicht eine besonders recheneffiziente Implementierung der Techniken.

FIG. 1 illustriert Aspekte im Zusammenhang mit einem System 80. Das System 80 umfasst einen Server 81 , der mit einer Datenbank 82 verbunden ist. Außerdem umfasst das System 80 Kommunikationsverbindungen 49 zwischen dem Server 81 und jeder von mehreren Batterien 91-96. Die Kommunikationsverbindungen 49 könnten zum Beispiel über ein Mobilfunknetzwerk implementiert werden.

Im Allgemeinen können in den verschiedenen hierin beschriebenen Beispielen unterschiedliche Batterietypen verwendet werden. Dies bedeutet, dass die Batterien 91-96 mehrere Typen umfassen können. Batterien unterschiedlicher Batterietypen können sich zum Beispiel unterscheiden hinsichtlich ein oder mehrere der folgenden Eigenschaften: Form der Zelle (d. h. Rundzelle, prismatische Zelle, usw.), Kühlsystem (Luftkühlung mit aktivem oder passiven Konzept, Kühlmittel in Kühlmittelschlauch, passive Kühlelemente, usw.), der Zell-Chemie (beispielsweise verwendete Elektrodenmaterialien, Elektrolyte, usw.), etc. Auch zwischen Batterien 91-96 desselben Typs kann es eine gewisse Varianz im Zusammenhang mit solchen Eigenschaften geben. Beispielsweise kann es vorkommen, dass Batterien 91-96 ein und desselben Typs unterschiedlich montiert werden und damit unterschiedliche Kühlsysteme verwendet werden. Außerdem können manchmal dieselben Batteriezellen unterschiedlich angeordnet werden, sodass eine elektrische und thermische Systembetrachtung des Ensemble von Zellen variiert.

In den verschiedenen hierin beschriebenen Beispielen können Batterietyp-spezifische Instanzen von ML Algorithmen zur Charakterisierung der Batterien verwendet werden.

In FIG. 1 ist beispielhaft illustriert, dass die Batterien 91 -96 über die Kommunikationsverbindungen 49 Zustandsdaten 41 an den Server 81 senden können. Beispielsweise wäre es möglich, dass die Zustandsdaten 41 indikativ für ein oder mehrere Betriebswerte der jeweiligen Batterie 91 -96 sind, d.h. können Messdaten indizieren. Messdaten für unterschiedliche Betriebsobservablen können erhalten werden, z.B. gemessene Strom- oder Spannungswerte oder auch Temperaturwerte. Die Zustandsdaten 41 könnten Ereignis-getrieben gesendet werden oder gemäß einem vorgegebenen Zeitschema.

Es wäre auch möglich, dass solche gemessenen Werte von ein oder mehreren Betriebsobservablen lokal auf einer Datenverarbeitungsanlage, die der jeweiligen Batterie 91 -96 zugeordnet ist, vorverarbeitet werden. Beispielsweise könnten Zeitreihen bestimmt werden, die bei bestimmten Zeitpunkten entsprechende Werte für die ein oder mehreren Betriebsobservablen beinhalten. Die Zeitreihen können gegenüber den Messdaten komprimiert sein, das heißt eine geringere Größe aufweisen. Zum Beispiel könnte lokal eine Interpolationsoperation ausgeführt werden.

Die Zustandsdaten 41 können im Zusammenhang mit der Charakterisierung der Batterien 91-96 verwendet werden. Dazu kann der Server 81 einen entsprechenden Alterungswert bestimmen, basierend auf einem ML Algorithmus. Für unterschiedliche Batterietypen können unterschiedliche Instanzen des ML Algorithmus verwendet werden, das heißt es könnte ein Batterietyp-spezifisches Training der verschiedenen Instanzen erfolgen. In FIG. 1 ist auch beispielhaft illustriert, dass der Server 81 über die Kommunikationsverbindungen 49 Steuerdaten 42 an die Batterien 91-96 senden kann. Insbesondere kann es möglich sein, in Abhängigkeit vom Ergebnis der Charakterisierung der Batterie - d.h. also z.B. abhängig vom Alterungswert - den betrieb der Batterie zu steuern. Beispielsweise wäre es möglich, dass die Steuerdaten 42 ein oder mehrere Betriebsgrenzen für den zukünftigen Betrieb der jeweiligen Batterie 91-96 indizieren. Zum Beispiel könnten die Steuerdaten ein oder mehrere Steuerparameter für ein Thermomanagement der jeweiligen Batterie 91-96 und/oder ein Lademanagement der jeweiligen Batterie 91-96 indizieren. Durch Verwendung der Steuerdaten 42 kann der Server 81 also den Betrieb der Batterien 91-96 beeinflussen bzw. steuern. Derart könnte zum Beispiel bei einer fortgeschrittenen Alterung der Batterie die weitere Alterung begrenzt werden. Es wäre auch denkbar, eine Zweitverwendung der Batterie in einem anderen Anwendungsszenarios zu bestimmen, etwa ein Wechsel von einer Traktionsbatterie zu einer Batterie für einen stationären Energiespeicher.

In FIG. 1 ist außerdem für jede der Batterien 91-96 schematisch der jeweilige SOH 99 illustriert. Als allgemeine Regel kann der SOH 99 einer Batterie 91-96 je nach Implementierung ein oder mehrere unterschiedliche Kenngrößen umfassen. Typische Kenngrößen des SOH 99 können beispielsweise sein: elektrische Kapazität, d. h. die maximal mögliche gespeicherte Ladung; und/oder elektrische Impedanz, d. h. der Frequenzgang des Widerstands bzw. Wechselstromwiderstand als Verhältnis zwischen elektrischer Spannung und elektrischer Stromstärke. Es sind auch andere Alterungswerte denkbar.

Nachfolgend werden Techniken zur Charakterisierung der Batterien 91-96 beschrieben, die es ermöglichen, den SOH 99 als Alterungswert für jede der Batterien 91 -96 während des Einsatzes der Batterien 91-96 zu bestimmen. Dies bedeutet, dass zum Beispiel die elektrische Impedanz und/oder die elektrische Kapazität bestimmt werden können. Dies kann mittels eines ML Algorithmus beim Server erfolgen. Der Server 81 könnte dann eine entsprechende Information über den SOH 99 wiederum an die Batterien 91-96 be- reitsteilen , beispielsweise über die Steuerdaten 42. Ein Managementsystem der Batterien 91-96 könnte dann ein Betriebsprofil für die Batterien anpassen, um beispielsweise eine weitere Degradation des SOH 99 zu vermeiden.

FIG. 2 illustriert Aspekte im Zusammenhang mit den Batterien 91-96. Die Batterien 91 - 96 sind mit einem jeweiligen Gerät 69 gekoppelt. Dieses Gerät wird durch elektrische Energie aus der jeweiligen Batterie 91 -96 getrieben.

Die Batterien 91 -96 umfassen bzw. sind assoziiert mit ein oder mehreren Managementsystemen 61 , z.B. ein BMS oder eine andere Steuerlogik wie eine on-board-unit im Falle eines Fahrzeugs. Das Managementsystem 61 ist lokal bei der jeweiligen Batterie 91-96 angeordnet und z.B. durch eine drahtgebundene Verbindung mit dieser Verbunden. Das Managementsystem 61 kann zum Beispiel durch Software auf einem CPU implementiert sein. Alternativ oder zusätzlich könnte zum Beispiel ein Applikations-spezifischer Schaltkreis (ASIC) oder ein Feldprogrammierbares gated array (FPGA) verwendet werden. Die Batterien 91-96 könnten z.B. über ein Bussystem mit dem Managementsystem 61 kommunizieren. Die Batterien 91-96 umfassen auch eine Kommunikationsschnittstelle 62. Das Managementsystem 61 kann über die Kommunikationsschnittstelle 62 eine Kommunikationsverbindung 49 mit dem Server 81 aufbauen.

Während in FIG. 2 das Managementsystem 61 separat von den Batterien 91-96 gezeichnet ist, wäre es in anderen Beispielen auch möglich, dass das Managementsystem 61 Teil der Batterien 91-96 ist.

Außerdem umfassen die Batterien 91-96 ein oder mehrere Batterieblöcke 63. Jeder Batterieblock 63 umfasst typischerweise eine Anzahl von parallel geschalteten und/oder seriell geschalteten Batteriezellen. Dort kann elektrische Energie gespeichert werden.

Typischerweise kann das Managementsystem 61 auf ein oder mehrere Sensoren in den ein oder mehreren Batterieblöcken 63 zurückgreifen. Die Sensoren können zum Beispiel den Stromfluss und/oder die Spannung in zumindest einigen der Batteriezellen messen. Die Sensoren können alternativ oder zusätzlich auch andere Größen im Zusammen- hang mit zumindest einigen der Batteriezellen messen, beispielsweise Temperatur, Volumen, Druck, etc. der Batterie zu bestimmen und in Form von Zustandsdaten 41 an den Server 81 senden. Das Managementsystem 61 kann auch eingerichtet sein, um ein Thermomanagement und/oder ein Lademanagement der jeweiligen Batterie 91 -96 zu implementieren. Im Zusammenhang mit dem Thermomanagement könnte das Managementsystem 61 zum Beispiel eine Kühlung und/oder einer Heizung steuern. Im Zusammenhang mit dem Lademanagement könnte das Managementsystem 61 zum Beispiel eine Laderate oder eine Tiefe von Entladungen steuern. Das Managementsystem 61 kann also ein oder mehrere Betriebsrandbedingungen des Betriebs der jeweiligen Batterie 91-96 einstellen, beispielsweise basierend auf den Steuerdaten 42.

FIG. 3 illustriert Aspekte im Zusammenhang mit dem Server 81 . Der Server 81 umfasst einen Prozessor 51 sowie einen Speicher 52. Der Speicher 52 kann ein flüchtiges Speicherelement und/oder ein nicht-flüchtiges Speicherelement umfassen. Außerdem umfasst der Server 81 auch eine Kommunikationsschnittstelle 53. Der Prozessor 51 kann über die Kommunikationsschnittstelle 53 eine Kommunikationsverbindung 49 mit jeder der Batterien 91 -96 und der Datenbank 82 aufbauen.

Zum Beispiel kann Programmcode im Speicher 52 gespeichert sein und vom Prozessor 51 geladen werden. Der Prozessor 51 kann dann den Programmcode ausführen. Das Ausführen des Programmcodes bewirkt, dass der Prozessor 51 ein oder mehrere der folgenden Prozesse ausführt, wie sie im Zusammenhang mit den verschiedenen Beispielen hierin im Detail beschrieben sind: Charakterisierung von Batterien 91-96; Ausführen eines ML Algorithmus zum Bestimmen eines Alterungswerts für die Batterien 91- 96; Steuern des Betriebs der Batterien 91 -96 über Steuerdaten; Empfangen von gemessenen Betriebsobservablen von den Batterien 91-96; Hinterlegen von einem Ergebnis der Charakterisierung einer entsprechenden Batterie 91-96 in einer Datenbank 82; etc..

FIG. 4 ist ein Flussdiagramm eines beispielhaften Verfahrens. Das Verfahren dient der Charakterisierung einer Batterie. Das Verfahren charakterisiert die Alterung der Batterie und verwendet dazu einen ML Algorithmus. Zum Beispiel könnte das Verfahren auf einem zentralen Server (vgl. FIG. 1 , Server 81) ausgeführt werden. Es wäre auch denkbar, dass nur Teile des Verfahrens auf einem zentralen Server ausgeführt werden und andere Teile des Verfahrens auf einem Managementsystem, das lokal bei einer Batterie angeordnet ist, ausgeführt werden. Es wäre ferner denkbar, dass das gesamte Verfahren auf einem lokalen Managementsystem einer Batterie ausgeführt wird.

In Fig. 4 sind optionale Blöcke mit gestrichelten Linien dargestellt.

Zunächst werden in Block 5005 Messdaten erhalten. Das bedeutet, dass gemessene Werte für ein oder mehrere Betriebsobservablen einer Batterie erhalten werden. Diese sind während eines Beobachtungszeitraums erfasst. Zum Beispiel könnten gemessene Stromwerte und/oder gemessene Spannungswerte erhalten werden. Alternativ oder zusätzlich können gemessene Temperaturwerte der Batterie erhalten werden.

Block 5005 könnte zum Beispiel das Auslesen entsprechender Sensoren der Batterie umfassen. Block 5005 könnte alternativ oder zusätzlich das Empfangen entsprechender Zustandsdaten (vergleiche Fig. 1 : Zustandsdaten 41) über eine Kommunikationsschnittstelle umfassen. Die Messdaten könnten auch aus einem Speicher oder einer Datenbank gelesen werden.

Es wäre dann optional möglich, dass die gemessenen Werte der ein oder mehreren Betriebsobservablen augmentiert werden, um derart eine Prädiktion einer Belastung der Batterie für die Zukunft über einen entsprechenden Beobachtungszeitraum hinaus zu erhalten. Eine solche Augmentierung könnte zum Beispiel eine statistische Belastung während des Beobachtungszeitraums auch für einen Vorhersagezeitraum fortführen.

Basierend auf einer solchen Augmentierung können dann erweiterte gemessene Werte für die ein oder mehreren Betriebsobservablen erhalten werden. Eine solche Augmentierung dient dazu, einen Alterungswert für einen zukünftigen Zeitraum vorherzusagen zu können. Wird keine Vorhersage für einen zukünftigen Zeitraum gewünscht, so kann die Augmentierung in Block 5010 auch entfallen.

Anschließend wird in Block 5015 eine Eingabe-Datenstruktur für den ML Algorithmus bestimmt. Die Eingabe-Datenstruktur kann mehrere Zeitreihen umfassen. Diese Zeitreihen können jeweils Werte von ein oder mehreren Betriebsobservablen der Batterie zu entsprechenden Zeitpunkten, die charakteristisch für die jeweilige Zeitreihe sind, aufweisen. Solche Zeitpunkte können jeweils basierend auf einem jeweiligen Abtastschema (welches die Messdaten abtastet) bestimmt werden, wobei das Abtastschema in einer mit der entsprechenden Zeitreihe assoziierten Domäne bestimmt ist. Beispielsweise könnte eine erste Zeitreihe erste Stromwerte und erste Spannungswerte bei ersten Zeitpunkten im Beobachtungszeitraum umfassen (und gegebenenfalls auch im Vorhersagezeitraum), die auf einem in einer Zeitdomäne vorgegebenen ersten Abtastschema angeordnet sind. Eine zweite Zeitreihe könnte zweite Stromwerte und zweite Spannungswerte bei zweiten Zeitpunkten umfassen, wobei die zweiten Zeitpunkte gemäß einem in einer Belastungsdomäne vorgegebenen zweiten Abtastschema angeordnet sind.

Dabei kann in Block 5015 je nach Abtastschema eine Interpolationsoperation verwendet werden, um die erste Zeitreihe und die zweite Zeitreihe zu bestimmen. Zum Beispiel könnte eine lineare Interpolation zwischen gemessenen Stromwerten erfolgen, um einen Stromwert für die erste Zeitreihe zu einem (Ziel-)Zeitpu nkt zu erhalten, der zwischen den Zeitpunkten der beiden gemessenen Stromwerte liegt. Wenn die Abweichung zwischen diesem Ziel-Zeitpunkt und den Zeitpunkten der beiden gemessenen Stromwerte hinreichend klein ist, kann auch auf eine Interpolationsoperation verzichtet werden und direkt einer der gemessenen Stromwerte verwendet in der Zeitreihe werden (z.B. der nächstliegende).

Die Interpolationsoperation könnte eine Länge der Datenstruktur als Randbedingung berücksichtigen. Allgemein formuliert kann die Länge der Datenstruktur durch das Abtastschema vorgegeben sein. Durch die Interpolationsoperation kann eine Reduktion der ersten Stromwerte und der ersten Spannungswerte in Bezug auf die gemessenen Stromwerte und die gemessene Spannungswerte bewirkt werden. Ebenso kann eine Reduktion der zweiten Stromwerte und der zweiten Spannungswerte in Bezug auf die gemessenen Stromwerte die gemessene Spannungswerte bewirkt werden. Dies bedeutet, dass die Datenstruktur, die als Eingabe in den ML Algorithmus dient, kleiner sein kann, als die ursprünglichen Messdaten. Dadurch kann eine kürzere Laufzeit des ML Algorithmus ermöglicht werden. In Block 5020 kann dann der Alterungswert bestimmt werden. Dies basiert auf der Datenstruktur, die als Ergebnis von Block 5015 erhalten wird. Die Datenstruktur dient als Eingabe in einen ML Algorithmus. Das bedeutet, dass keine weitere Verarbeitung zwischen Block 5015 und Block 5020 erfolgen muss.

Die Datenstruktur beinhaltet eine Konkatenierung mehrerer Zeitreihen, die Werte für ein oder mehrere Betriebsobservablen an jeweiligen Zeitpunkten beinhalten, die gemäß eines entsprechenden Abtastschemas bestimmt sind. Die Datenstruktur kann weiterhin Zeitstempel für die entsprechenden Zeitpunkte beinhalten.

Optional wäre es in Block 5025 dann möglich, basierend auf dem Alterungswert den Betrieb der jeweiligen Batterie zu steuern. Beispielsweise könnten Betriebsrandbedingungen vorgegeben werden.

FIG. 5 illustriert Aspekte im Zusammenhang mit der Verarbeitung von Messdaten 501 , um einen Alterungswert 99 einer Batterie zu bestimmen. Die Datenverarbeitung aus FIG. 5 könnte zum Beispiel das Verfahren aus FIG. 4 implementieren.

Zunächst werden Messdaten 501 erhalten, beispielsweise gemessene Stromwerte und gemessene Spannungswerte und gemessene Temperaturwerte. Diese werden in einem Vorverarbeitungsalgorithmus 505 verarbeitet, um anschließend eine Datenstruktur 510 zu erhalten, die als Eingabe in einen ML Algorithmus 515 dient. Basierend auf der Datenstruktur 510 bestimmt der ML Algorithmus 515 den SOH 99 als Alterungswert. Der SOH 99 könnte zum Beispiel die Kapazität in absolute Größe angeben (etwa: Amperestunden).

Die Datenstruktur 510 (vergleiche Fig. 4: Block 5015) ist eine Matrix, die für verschiedene Zeitpunkte („t“) jeweils Spannungswerte, Stromwerte und Temperaturwerte angibt. Die Zeitstempel in der vierten Spalte der Matrix sind hilfreich, wenn diese nicht äquidistant in der Zeitdomäne angeordnet sind - was typischerweise bei einem vom Vorverarbeitungsalgorithmus 505 verwendeten Abtastschema, das in einer Belastungsdomäne definiert ist, der Fall wäre. FIG. 6 illustriert Aspekte im Zusammenhang mit den Messdaten 501 in einem Beobachtungszeitraum 585, sowie der Datenstruktur 510 und dem Vorverarbeitungsalgorithmus 505.

In FIG. 6, oben ist eine Zeitabhängigkeit des Betriebsstroms der Batterie, das heißt gemessene Stromwerte, mit der gestrichelten Linie dargestellt (tatsächlich sind die gemessenen Stromwerte diskret in der Zeitdomäne; aufgrund der hohen Abtastrate der Messung ist in FIG. 6, oben eine Linie zur Illustration dargestellt). Der Beobachtungszeitraum 585 ist dabei ca. 10 Stunden lang und umfasst mehrere Lade- und Entladevorgänge.

Basierend auf den gemessenen Stromwerten wird dann eine erste Zeitreihe 581 mit ersten Stromwerten (gefüllte Kreise in FIG. 6, oben) erhalten und eine zweite Zeitreihe 582 mit zweiten Stromwerten (Sterne in FIG. 6, oben) erhalten. Die erste Zeitreihe 581 und die zweite Zeitreihe 582 decken denselben Beobachtungszeitraum 585 ab; d.h. die Zeitpunkte der ersten und zweiten Stromwerte wechseln sich in der Zeitdomäne ab. Die ersten Stromwerte - das heißt die gefüllten Kreise - weisen alle einen äquidistanten Abstand zueinander in der Zeitdomäne (das heißt in der Skalierung der X-Achse aus FIG. 6, oben und unten) auf. Dies ist der Fall, weil die entsprechenden Zeitpunkte für die ersten Stromwerte basierend auf einem entsprechenden Abtastschema, dass es in der Zeitdomäne definiert ist, ermittelt werden. In der Darstellung der FIG. 6 nimmt die Zeit linear als Funktion der Position der X-Achse zu (das ist die gepunktet-gestrichelte Linie in FIG. 6, unten; die diese lineare Abhängigkeit zeigt).

Die zweiten Stromwerte - das heißt die Sterne in FIG. 6, oben - der zweiten Zeitreihe weisen keinen äquidistanten Abstand zueinander in der Zeitdomäne (das heißt in der Skalierung der X-Achse in Fig. 6, oben) auf. Dies ist der Fall, weil die entsprechenden Zeitpunkte für die zweiten Stromwerte basierend auf einem entsprechenden Abtastschema, welches in der Ladungsdurchsatz-Domäne definiert ist, ermittelt werden. Zwischen zwei benachbarten Zeitpunkten der zweiten Zeitreihe 582 (das heißt zwischen zwei Sternen in FIG. 6, oben), fließt immer dieselbe Ladung, das heißt die Batterie wird um denselben Betrag geladen oder entladen. Dies ist in FIG. 6, unten durch die nichtlineare Korrelation des Ladungsdurchsatzes zum Fortschreiten der Zeit mittels der gestrichelten Linie dargestellt.

Selbstverständlich können die Merkmale der vorab beschriebenen Ausführungsformen und Aspekte der Erfindung miteinander kombiniert werden. Insbesondere können die Merkmale nicht nur in den beschriebenen Kombinationen, sondern auch in anderen Kombinationen oder für sich genommen verwendet werden, ohne das Gebiet der Erfindung zu verlassen.