Die vorliegende Erfindung betrifft die Simulation eines elektrochemischen Energiespeichers. Insbesondere betrifft die Erfindung die Simulation eines Energiespeichers zur Bereitstellung eines Fahrstroms für ein elektrisch betriebenes Kraftfahrzeug.

Ein elektrochemischer Energiespeicher an Bord eines Kraftfahrzeugs umfasst eine Vielzahl elektrochemischer Einzelelemente, die miteinander verschaltet sind, um einen Strom bereitzustellen. Um eine hohe Leistungsfähigkeit des gesamten Energiespeichers sicherzustellen, sollten die Einzelelemente beim Laden und Entladen elektrisch aufeinander abgestimmt werden.

Die elektrochemischen Vorgänge beim Laden, beim Erhalten der Ladung und beim Entladen sind komplex und können in der Praxis kaum umfassend beobachtet werden. Um das Verständnis für das Verhalten eines Energiespeichers zu verbessern und um eine verbesserte Abstimmung zu ermöglichen kann der Energiespeicher simuliert werden.

Es wurde vorgeschlagen, eine Simulation basierend auf einem elektrischen Netzwerk, auf einer Finite-Elemente-Methode oder auf isogeometrischer Analysis zu verwenden. Ein anderer Vorschlag betrifft die Simulation mittels eines künstlichen neuronalen Netzwerks (KNN). Ein KNN umfasst eine Anzahl Neuronen, die im Rahmen eines Trainingsvorgangs untereinander vernetzt werden. Eine Topologie, also eine logische bzw. räumliche Anordnung oder Ausprägung des KNN entsteht somit erst durch das Trainieren.

Herkömmliche KNN benötigen eine sehr große Anzahl Trainingsdaten, um realistisch Ergebnisse bereitzustellen. Unter bestimmten Umständen kann ein solches KNN unrealistische, ungenaue oder unzutreffende Ergebnisse bereitstellen.

Eine der vorliegenden Erfindung zugrunde liegende Aufgabe besteht in der Angabe einer verbesserten Technik zur Simulation eines elektrischen Energiespeichers, insbesondere an Bord eines Kraftfahrzeugs, mittels eines KNN. Die Erfindung löst diese Aufgabe mittels der Gegenstände der unabhängigen Ansprüche. Unteransprüche geben bevorzugte Ausführungsformen wieder. Nach einem ersten Aspekt der vorliegenden Erfindung umfasst ein Verfahren zum Simulieren eines elektrochemischen Energiespeichers Schritte des Erfassens einer Geometrie des Energiespeichers; des disjunkten Unterteilens der Geometrie in erste Abschnitte, sodass die ersten Abschnitte eine Topologie bilden; des Bereitstellens eines neuronalen Netzwerks mit zweiten Abschnitten, die entsprechend der Topologie der ersten Abschnitte angeordnet sind; und des Trainierens des neuronalen Netzwerks bezüglich eines beobachteten Verhaltens des Energiespeichers in Abhängigkeit eines vorbestimmten Betriebsparameters.

Erfindungsgemäß hat bereits das untrainierte KNN eine Topologie, die aus der Geometrie des Energiespeichers abgeleitet ist. Das Trainieren kann in kürzerer Zeit oder mit verbessertem Ergebnis zu einem KNN führen, das zur Simulation des Energiespeichers eingesetzt werden kann. Eine erforderliche Anzahl unterschiedlicher Trainingsdaten kann verringert sein. Das trainierte KNN kann realistischere und/oder genauere Aussagen über das Verhalten des Energiespeichers bereitstellen.

Das Aufteilen des Energiespeichers in die ersten Abschnitte erfolgt bevorzugt vollständig, sodass der gesamte Energiespeicher durch Abschnitte abgedeckt ist. Die einzelnen Abschnitte grenzen aneinander an und überlappen sich nicht. Eine Vereinigung der ersten Abschnitte umfasst genau das vollständige Bauelement.

Der Energiespeicher umfasst bevorzugt zwei Elektroden, wobei der Betriebsparameter einen zwischen den Elektroden fließenden elektrischen Strom umfassen kann. Dieser Strom kann durch einen vorbestimmten elektrischen Verbraucher fließen, beispielsweise eine elektrische Maschine. Ein korrespondierender Strom - in Form eines lonenstroms - kann innerhalb des Energiespeichers zwischen den Elektroden in umgekehrter Richtung fließen und in einer weiteren Ausführungsform als Betriebsparameter betrachtet werden.

Ein hierin beschriebener Energiespeicher kann im einfachsten Fall ein Einzelelement umfassen, das zwei Elektroden und ein Elektrolyt umfasst. Üblicherweise umfasst der Energiespeicher mehrere solcher Einzelelemente, die auf eine vorbestimmte Weise miteinander elektrisch verbunden sind, beispielsweise seriell oder parallel. Miteinander verbundene Einzelelemente können eine Gruppe bilden und mehrere Gruppen können ebenfalls seriell oder parallel miteinander verschaltet werden. Zwischen Einzelelementen oder Gruppen kann ein passives o- der aktives Bauelement oder eine elektrische Schaltung angeordnet sein, um einen in oder aus dem Einzelelement oder der Gruppe fließenden elektrischen Strom zu steuern. Die hierin beschriebene Technik ist auf einen Energiespeicher anwendbar, der eine beliebige Anzahl Einzelelemente umfasst. Die Technik wird im Folgenden exemplarisch mit Bezug auf einen Energiespeicher beschrieben, der nur ein Einzelelement umfasst.

Das Verhalten des Energiespeichers kann wenigstens einen zwischen zwei ersten Abschnitten fließenden elektrischen Strom umfassen. Bevorzugt umfasst das Verhalten eine Vielzahl elektrischer Ströme, die zwischen Paaren von ersten Abschnitten fließen. In einer weiteren Ausführungsform kann auch ein anderer Parameter betrachtet werden, der eine Interaktion zwischen zwei ersten Abschnitten des Energiespeichers betrifft. Ein solcher Parameter kann einem beobachtbaren elektrischen, chemischen oder mechanischen Parameter entsprechen. Alternativ kann auch ein abstrakter Parameter betrachtet werden, der sich im Rahmen des Trainierens des KNN als geeignet erweist, Interaktionen zwischen den ersten Abschnitten zu modellieren. Der abstrakte Parameter muss keine nachvollziehbare technische Wirkung haben.

Es ist besonders bevorzugt, dass die ersten Abschnitte nach Art der Bildung von finiten Elementen bei einer Finite-Elemente-Methode (FEM) bestimmt werden. Beispielsweise können finite Scheiben oder Felder gebildet werden. Die ersten Abschnitte können auf der Basis von kartesischen Koordinaten, Zylinderkoordinaten oder Kugelkoordinaten bestimmt sein. Optional sind verschiedene Koordinatensysteme für verschiedene Abschnitte des Energiespeichers vorgesehen. Zwischen aneinander angrenzenden Koordinatensystemen kann ein vorbestimmter Übergang vorgesehen sein. Für eine optimale Größe eines ersten Abschnitts kann eine Optimierungsmethode für die optimale Elementgröße eines finiten Elements eingesetzt werden.

Für das Unterteilen der Geometrie des Energiespeichers in einzelne finite Elemente sind unterschiedliche Vorgehensweisen bekannt, von denen einige automatisiert durchgeführt werden können. Die Erfahrungen bei der Anwendung einer Finite-Elemente-Methode können vorteilhaft zur Bestimmung der Topologie des KNN herangezogen werden. So kann beispielsweise ein Bereich, der erhöhter thermischer, elektrischer oder chemischer Belastung ausgesetzt ist, in kleinere erste Abschnitte unterteilt werden als ein anderer Bereich, dessen Belastung relativ gleichmäßig oder relativ moderat ist. Das KNN kann dann verbessert sensibel bzw. zutreffend das Verhalten über den gesamten Energiespeicher bestimmen.

Das künstliche neuronale Netzwerk umfasst eine Vielzahl Neuronen, wobei jedem der zweiten Abschnitte wenigstens ein Neuron zugeordnet werden kann. Es ist weiterhin bevorzugt, dass jedem zweiten Abschnitt dieselbe Anzahl Neuronen zugeordnet wird. Beispielsweise kann jedem zweiten Abschnitt genau ein Neuron zugeordnet werden. In einer Weiterführung können einem zweiten Abschnitt auch mehrere Neuronen zugeordnet werden. Diese Neuronen können bereits in einer vorbestimmten Weise miteinander verbunden sein und ein lokales KNN bilden.

Der Energiespeicher ist bevorzugt zum Einsatz an Bord eines Kraftfahrzeugs vorgesehen. In einer Ausführungsform ist der Energiespeicher Teil eines Hochvolt- Stromkreises und kann beispielsweise unter anderem eine Hochvoltkomponente versorgen. In einer anderen Ausführungsform ist der Energiespeicher Teil eines Niedervolt-Stromkreises und versorgt die dortigen Verbraucher. Eine Hochvoltkomponente umfasst in der Fahrzeugtechnik eine elektrische Einrichtung, die mit einer Wechselspannung zwischen ca. 30 V und ca. 1 kV oder mit einer Gleichspannung zwischen ca. 60 V und ca. 1 ,5 kV betrieben wird. Eine Niedervoltkomponente wird an einer Spannung betrieben, die entsprechend geringer ist.

Insbesondere kann der Energiespeicher dazu eingerichtet sein, einen elektrischen Fahrstrom durch eine elektrische Antriebsmaschine bereitzustellen, mittels derer das Kraftfahrzeug angetrieben werden kann. Dazu kann der Energiespeicher elektrische Energie mit einer hohen Spannung und einem großen elektrischen Strom bereitstellen. Eine elektrische Kapazität des Energiespeichers kann signifikant sein. Durch die Simulation mittels des topologisch geprägten KNN können Abläufe im Energiespeicher verbessert nachvollzogen werden. Dies kann eine verbesserte Steuerung des Energiespeichers bzw. eines hinein- oder herausfließenden elektrischen Stroms ermöglichen. So kann der Energiespeicher verbessert effizient an Bord eines Kraftfahrzeugs verwendet werden. Das Verhalten des Energiespeichers kann bezüglich eines Umgebungsparameters bestimmt werden. Der Umgebungsparameter kann eine Nebenbedingung darstellen, die sich vom Betriebsparameter unterscheidet. Insbesondere kann der Umgebungsparameter eine andere Größe als einen elektrischen Strom betreffen. Beispiele für den Umgebungsparameter umfassen eine Umgebungstemperatur, eine Vibration oder ein Alter des Energiespeichers.

In einem weiteren Beispiel umfasst der Umgebungsparameter eine Fahrgeschwindigkeit des Kraftfahrzeugs. Dabei kann die Fahrgeschwindigkeit auf der Basis von Energie erreicht sein, die aus dem Energiespeicher entnommen wird. Die Fahrgeschwindigkeit kann zusätzlich auch durch einen weiteren Antriebsmotor an Bord des Kraftfahrzeugs, insbesondere einen Verbrennungsmotor, erreicht sein.

Es ist weiterhin bevorzugt, dass das Verhalten mittels des trainierten neuronalen Netzwerks bestimmt wird. Für das Verhalten können einer oder mehrere Betriebsparameter und/oder einer oder mehrere Umgebungsparameter zugrunde gelegt werden. Wie beschrieben kann das Verhalten eine innere oder äußere technische Größe am elektrischen Energiespeicher oder eine abstrakte Größe umfassen. Die abstrakte Größe kann beispielsweise auf eine Effizienz oder auf einen Verschleiß des elektrischen Energiespeichers hinweisen.

Nach einem weiteren Aspekt der vorliegenden Erfindung umfasst eine Vorrichtung zur Simulation eines elektrischen Energiespeichers ein künstliches neuronales Netzwerk mit Abschnitten, die entsprechend einer Topologie von disjunkten Abschnitten der Geometrie des Energiespeichers angeordnet sind; wobei das Netzwerk bezüglich des Verhaltens des Energiespeichers unter einem vorbestimmten Betriebsparameter trainiert ist; eine Eingabevorrichtung zur Bereitstellung eines Werts für den Betriebsparameter; und eine Ausgabevorrichtung zur Bereitstellung eines bestimmten Verhaltens des Energiespeichers.

Die Vorrichtung kann eine elektronische Verarbeitungseinrichtung umfassen, die insbesondere das künstliche neuronale Netzwerk implementieren kann. In einer Ausführungsform umfasst die Verarbeitungseinrichtung einen programmierbaren Mikrocomputer oder Mikrocontroller. Außerdem kann die Verarbeitungseinrichtung dazu eingerichtet sein, ein hierin beschriebenes Verfahren teilweise oder vollständig auszuführen. Das Verfahren kann in Form eines Computerprogrammprodukts mit Programmcodemitteln vorliegen und ist in einer Ausführungsform auf einem computerlesbaren Datenträger abgespeichert. Merkmale oder Vorteile des Verfahrens können auf die Vorrichtung übertragen werden oder umgekehrt.

Die Erfindung wird nun mit Bezug auf die beigefügten Zeichnungen genauer beschrieben, in denen:

Figur 1 eine Vorrichtung zur Simulation eines elektrischen Energiespeichers; und

Figur 2 ein Ablaufdiagramm eines Verfahrens illustriert.

Figur 1 zeigt eine Vorrichtung 100 zur Simulation eines elektrischen Energiespeichers 105, der insbesondere an Bord eines Kraftfahrzeugs 110 angebracht sein kann. Das Kraftfahrzeug 110 umfasst eine elektrische Antriebsmaschine 115, die mittels elektrischer Energie aus dem Energiespeicher 105 betrieben werden kann.

Der elektrische Energiespeicher 105 ist rein beispielhaft dargestellt als einzelner elektrochemischer Energiespeicher. Optional kann eine Vielzahl solcher einzelner Energiespeicher elektrisch miteinander verbunden werden. Der dargestellte Energiespeicher 105 umfasst ein Gehäuse 120, in welchem ein Elektrolyt 125 aufgenommen ist, und ferner eine erste Elektrode 130 sowie eine zweite Elektrode 135, die in Kontakt mit dem Elektrolyt 125 stehen. Dabei kann der Elektrolyt 125 flüssig, gelförmig oder auch fest sein. Der dargestellte Aufbau ist als exemplarisch zu betrachten, üblicherweise werden die Elektroden 130, 135 und das Gehäuse 120 plattenförmig, rund oder zylindrisch ausgeführt. Andere Bauformen sind ebenfalls möglich.

Wird die elektrische Maschine 115 mit den Elektroden 130, 135 des aufgeladenen elektrischen Energiespeichers 105 verbunden, so fließt ein elektrischer Strom durch die Antriebsmaschine 115, wie durch einen Blockpfeil angedeutet ist. Eine Schaltung zur Steuerung des Stroms durch die Antriebsmaschine 115 ist in der Darstellung von Figur 1 vernachlässigt. In umgekehrter Richtung fließen zwischen den Elektroden 130, 135 Ionen durch den Elektrolyten 125, wie durch einen weiteren Blockpfeil angedeutet ist. Zum Aufladen des Energiespeichers 105 kann ein elektrischer Strom in umgekehrter Richtung bewirkt werden, wobei der lonenstrom des Elektrolyten 125 ebenfalls in umgekehrter Richtung fließt.

Außer dem Bewegen von Elektronen und Ionen können komplexe elektrische, chemische oder physikalische Effekte im Energiespeicher 105 ablaufen. Diese Effekte können eine zwischen den Elektroden 130, 135 anliegende Spannung, einen durch die Antriebsmaschine 115 fließenden Strom, eine Erwärmung des Energiespeichers 105 oder eine Alterung des Energiespeichers 105 umfassen. Die Alterung kann beispielsweise durch eine Deformation oder Umwandlung einer der Elektroden 130, 135 bedingt sein. Auch eine Verunreinigung, Umwandlung oder ein Verlust von Elektrolyt 125 kann zur Alterung beitragen. Weitere Effekte können durch das Gehäuse 120 bedingt sein. Beispielsweise kann ein Druck innerhalb des Gehäuses 120 schwanken. Über ein Ablassventil kann eine Substanz aus dem Umfeld des Energiespeichers 105 in das Gehäuse 120 eindringen und mit vorhandenen Komponenten reagieren.

Für die Entwicklung oder den Betrieb des Energiespeichers 105 können unterschiedliche Ziele verfolgt werden, beispielsweise dass der Energiespeicher 105 eine große elektrische Kapazität hat, universell anwendbar ist, schnell aufgeladen werden kann, lange haltbar ist oder kostengünstig hergestellt werden kann, soll das Verhalten des Energiespeichers 105 untersucht werden. Zur Untersuchung eines Verhaltens des Energiespeichers 105 wird vorgeschlagen, ihn mittels der Vorrichtung 100 zu simulieren.

Die Simulation kann im Rahmen einer Entwicklung durchgeführt werden, um den Energiespeicher 105 zu optimieren, oder im Rahmen eines Betriebs. Die Simulation kann helfen, einen internen oder externen Parameter des Energiespeichers 105 zu bestimmen, der einen Einfluss auf ein vorbestimmtes Entwicklungs- oder Betriebsziel hat. So kann beispielsweise bestimmt werden, welchen Einfluss eine Umgebungstemperatur auf einen Zusammenhang zwischen einem durch den Energiespeicher 105 fließenden Strom und einer Alterung bzw. einem Verschleiß des Energiespeichers 105 hat. Im Betrieb des Energiespeichers 105 kann die Temperatur dann so gesteuert werden, dass eine vorbestimmte Strom belastbar- keit möglich ist bzw. ein vorbestimmter Verschleiß nicht überschritten wird.

Die Vorrichtung 100 umfasst ein künstliches neuronales Netzwerk 150, das eine Vielzahl Neuronen 155 umfasst. Ferner können eine erste Eingabevorrichtung 160, eine zweite Eingabevorrichtung 165 und/oder eine Ausgabevorrichtung 170 vorgesehen sein. Das KNN 150 kann dazu trainiert werden, das Verhalten des elektrischen Energiespeichers 105 nachzuvollziehen. Zum Trainieren kann mittels der ersten Eingabevorrichtung 160 ein Betriebsparameter des Energiespeichers 105, beispielsweise eine zwischen den Elektroden 130, 135 anliegende Spannung oder einen zwischen ihnen fließenden elektrischen Strom betreffen.

Mittels der zweiten Eingabevorrichtung 165 kann ein Umgebungsparameter bereitgestellt werden, der beispielsweise eine Umgebungstemperatur, eine Vibration oder eine Fahrgeschwindigkeit des Kraftfahrzeugs 110 umfassen kann. Das KNN 150 kann an der Ausgabevorrichtung 170 einen Wert bereitstellen, der das Verhalten des Energiespeichers 105 charakterisiert. Dieser Wert kann mit einem korrespondierenden, am physischen Energiespeicher 105 beobachteten Wert verglichen werden. Auf der Basis einer Abweichung kann eine Vernetzung der Neuronen 155 des KNN 150 angepasst werden. Die Anpassung kann beispielsweise mittels des Backpropagation-Verfahrens erfolgen.

Es wird vorgeschlagen, dass die Neuronen 155 des KNN 150 nicht auf traditionelle Weise in Schichten, sondern in einer anderen Topologie angeordnet sind, die aus der Geometrie des Energiespeichers 105 abgeleitet ist. Dazu kann in einem ersten Schritt die Geometrie des Energiespeichers 105 in erste Abschnitte 180 unterteilt werden, beispielsweise so, wie es aus der Methode der finiten Elemente bekannt ist. Dadurch ergibt sich eine Topologie, die dem KNN 150 zugrunde gelegt werden kann. In einem zweiten Schritt können zweite Abschnitte 185, die entsprechend der Topologie der ersten Abschnitte 180 angeordnet sind, bereitgestellt werden. Jedem zweiten Abschnitt 185 kann ein Neuron 155 zugeordnet werden. Optional kann einem zweiten Abschnitt 185 auch mehr als ein Neuron 155 zugeordnet werden. Das KNN 150 ist bereits vor dem Trainieren so gestaltet wie die Geometrie des Energiespeichers 105. Das KNN 150 kann als isomorph zum Energiespeicher 105 bezeichnet werden.

Figur 2 zeigt ein Ablaufdiagramm eines Verfahrens 200 zum Simulieren eines elektrischen Energiespeichers 105. Das Verfahren 200 umfasst eine erste Phase des Trainierens und eine zweite Phase des Anwendens, die durch eine horizontale, unterbrochene Linie voneinander abgesetzt sind.

In der Phase des Trainierens kann in einem Schritt 205 ein Energiespeicher 105 erfasst werden. In einem Schritt 210 kann eine Geometrie des Energiespeichers 105 bestimmt werden. Dazu kann die Bauform des Energiespeichers 105 berücksichtigt werden, beispielsweise zylindrisch, rund oder plattenförmig, mit einem flüssigen, gelförmigen oder festen Elektrolyt, als Einzelelement oder Verschaltung von Einzelelementen, unter Betrachtung verwendeter Werkstoffe, insbesondere für die Elektroden 130, 135 oder nach vorliegenden physischen Abmessungen.

In einem Schritt 215 kann die bestimmte Geometrie in erste Abschnitte 180 unterteilt werden. Dazu kann nach einer Methode vorgegangen werden, die bezüglich der finiten Elemente bekannt ist. In Abhängigkeit der bestimmten Geometrie kann ein Koordinatensystem festgelegt werden und Größen bzw. Formen der ersten Abschnitte 180 können festgelegt werden.

In einem Schritt 220 kann eine Topologie bestimmt werden, die die gebildeten ersten Abschnitte 180 umfasst.

In einem Schritt 225 kann das KNN 150 nach der bestimmten Topologie erstellt werden. Dazu kann jedem ersten Abschnitt 180 ein zweiter Abschnitt 185 zugeordnet werden, sodass die zweiten Abschnitte 185 die Topologie abbilden. Jedem zweiten Abschnitt 185 kann dann eines oder eine vorbestimmte Anzahl Neuronen 155 zugeordnet werden. Eine Topologie des KNN 150 kann auf diese Weise bereits vor dem Trainieren einer Topologie des elektrischen Energiespeichers 105 entsprechen bzw. dieser nahekommen. In einem Schritt 230 kann das KNN 150 trainiert werden. Dazu kann in einem Schritt 235 eine äußere Bedingung bestimmt werden, die insbesondere einen o- der mehrere Betriebsparameter und/oder einen oder mehrere Umgebungsparameter des elektrischen Energiespeichers 105 umfasst. In einem Schritt 240 kann ein Verhalten des Energiespeichers 105 bestimmt bzw. beobachtet werden. Dieses Verhalten kann mit einem Verhalten verglichen werden, das mittels des KNN 150 auf der Basis der äußeren Bedingungen bestimmt ist. Die Verhalten können miteinander verglichen werden und Verbindungen zwischen den Neuronen 155 des KNN 150 bzw. Gewichte der Verbindungen benachbarter Neuronen 155 können angepasst werden, um eine Abweichung der Verhalten zu minimieren.

Ist das KNN 150 ausreichend trainiert, so kann es zur Simulation des Energiespeichers 105 verwendet werden. In einem Schritt 245 kann das Verhalten des Energiespeichers 105 auf der Basis von äußeren Bedingungen simuliert werden, die im Schritt 235 bestimmt sind. Das Verhalten kann einen oder mehrere technische Parameter umfassen, die insbesondere elektrischer, physikalischer oder chemischer Natur sein können. Der oder die Parameter können mittels der Ausgabevorrichtung 170 nach außen zugänglich gemacht sein.

In einem Schritt 250 kann aus dem bestimmten Verhalten ein Kennwert abgeleitet werden, beispielsweise durch Verknüpfen verschiedener Parameter, die das Verhalten kennzeichnen. Der Kennwert kann beispielsweise auf eine Belastungsschädigung oder eine anormale Erwärmung des Energiespeichers 105 hinweisen.

Auf der Basis des Kennwerts oder eines das Verhalten des Energiespeichers 105 kennzeichnenden Parameters kann in einem Schritt 255 der Energiespeicher 105 gesteuert werden. Insbesondere kann eine an seinen Elektroden 130, 135 anliegende Spannung oder ein zwischen den Elektroden 130, 135 fließender Strom gesteuert oder prädiziert werden.

Ein besonderer Vorteil der hierin beschriebenen Technik besteht darin, dass auch ein Parameter am Energiespeicher 105 bestimmt werden kann, der ansonsten messtechnisch schwer erfassbar ist. Dieser Parameter kann beispielsweise einen elektrischen Strom umfassen, der zwischen einzelnen Komponenten des Energiespeichers 105 fließt, oder das Ausmaß einer elektrochemischen Reaktion beim Auf- oder Entladen des Energiespeichers 105, etwa eine Veränderung der Feststoff-Elektrolyt-Grenzphase (Solid Electrolyte Interphase, SEI) zwischen einer der Elektroden 130, 135 und dem Elektrolyten 125.

Auf der Basis der Simulation kann eine Vorhersage getroffen werden, wie sich der Energiespeicher 105 unter dem Einfluss eines oder mehrerer vorbestimmter Parameter verhält. Beispielsweise kann bestimmt werden, welche elektrische Leistung der Energiespeicher 105 unter vorbestimmten Bedingungen abzugeben in der Lage ist. So kann zu einem bestimmten Ladezustand und einer bestimmten Umgebungstemperatur bestimmt werden, welcher elektrische Strom bereitgestellt werden kann bzw. welcher Innenwiderstand der Energiespeicher 105 aufweist. Es kann auch bestimmt werden, welchen Alterungs- oder Verschleißeffekt eine bestehende oder geplante Ladung oder Entladung am Energiespeicher 105 bewirkt. Mittels des KNN 150 kann auch eine große Vielzahl Parameter berücksichtigt werden, die Einfluss auf die elektrische Leistungsfähigkeit des Energiespeichers 105 haben. Die Leistungsfähigkeit kann mittels nur weniger Parameter ausgedrückt werden, die eine Spannung, einen Strom und eine Kapazität umfassen können.

Eine Vielzahl Energiespeicheri 05 in Form von Einzelzellen, die miteinander verschaltet sind, können aufeinander abgestimmt werden, um einen Fahrstrom für die elektrische Antriebsmaschine 115 bereitzustellen. Man kann von einem aktiven oder passiven Balancieren von Einzelzellen sprechen. Dabei können Ströme, die durch die Einzelzellen fließen, bestimmt und gesteuert werden. Die Simulation oder Steuerung einer unter Umständen großen Vielzahl Einzelzellen kann schneller, weniger aufwendig oder genauer als eine traditionelle Abstimmung auf der Basis elektrischer Parameter der Einzelzellen sein. Bezugszeichen

100 Vorrichtung

105 elektrischer Energiespeicher

110 Kraftfahrzeug

115 elektrische Antriebsmaschine

120 Gehäuse

125 Elektrolyt

130 erste Elektrode

135 zweite Elektrode

150 künstliches neuronales Netzwerk (KNN)

155 Neuron

160 erste Eingabevorrichtung

165 zweite Eingabevorrichtung

170 Ausgabevorrichtung

180 erster Abschnitt

185 zweiter Abschnitt

200 Verfahren

205 Energiespeicher erfassen

210 Geometrie bestimmen

215 Aufteilen in erste Abschnitte

220 Topologie bestimmen

225 KNN nach Topologie erstellen

230 KNN trainieren

235 Parameter bestimmen

240 Verhalten des Energiespeichers bestimmen

245 Verhalten des Energiespeichers simulieren

250 Kennwert ableiten

255 Energiespeicher steuern