CN108258338A - 电池的管理系统和方法 - Google Patents
电池的管理系统和方法 Download PDFInfo
- Publication number
- CN108258338A CN108258338A CN201711478202.7A CN201711478202A CN108258338A CN 108258338 A CN108258338 A CN 108258338A CN 201711478202 A CN201711478202 A CN 201711478202A CN 108258338 A CN108258338 A CN 108258338A
- Authority
- CN
- China
- Prior art keywords
- battery
- model
- soh
- value
- soc
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title description 18
- 238000007726 management method Methods 0.000 claims abstract description 37
- 238000013473 artificial intelligence Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 15
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000004458 analytical method Methods 0.000 claims description 9
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 claims description 7
- 230000003862 health status Effects 0.000 claims description 7
- 229910001416 lithium ion Inorganic materials 0.000 claims description 7
- 230000007246 mechanism Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 5
- 238000006731 degradation reaction Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 claims description 2
- 238000004422 calculation algorithm Methods 0.000 description 10
- 210000004027 cell Anatomy 0.000 description 9
- 238000005516 engineering process Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 6
- 229910052744 lithium Inorganic materials 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- BNOODXBBXFZASF-UHFFFAOYSA-N [Na].[S] Chemical compound [Na].[S] BNOODXBBXFZASF-UHFFFAOYSA-N 0.000 description 2
- 239000002253 acid Substances 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000446 fuel Substances 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000001311 chemical methods and process Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000840 electrochemical analysis Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
-
- 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
-
- 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]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
- H01M10/482—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte for several batteries or cells simultaneously or sequentially
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4278—Systems for data transfer from batteries, e.g. transfer of battery parameters to a controller, data transferred between battery controller and main controller
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Secondary Cells (AREA)
Abstract
本申请公开了一种电池的管理系统,包括:数据采集装置,采集电池的实时状态参数;位于终端的智能处理装置,根据所述实时状态参数至少估算出电池的SOC值和/或SOH值,并将估算值发送给云平台。本申请还公开了一种电池的管理方法。本发明通过在终端对电池的SOC和SOH进行估算,通过云平台对估算值进行分析并训练神经元网络模型,得到一个相对精度高的人工智能模型,并通过训练结果来提高终端模型的精度,可以大幅提高动力电池使用的安全性,提前预警,防止电池燃烧,大幅提升动力电池的使用价值和能源利用效率,并为规范动力电池产品市场提供有力的科学依据。
Description
技术领域
本申请涉及电池管理技术领域,特别是涉及一种电池的管理系统和方法,适用于各种多串二次化学电池比如各种蓄电池组(但不包括铅酸蓄电池组):比如锂电池组、燃料电池组、空气电池组、水电池组、钠硫电池组等,其应用终端是提供动力或电能存储的,包含不限于电动三轮车、两轮车、电动轿车、大巴、物流车、低速车以及各类储能终端蓄电池组。
背景技术
电池是新能源汽车的重要组成部分,而对各种蓄电池组而言,电池容量(SOC)估算或电池健康(SOH)估算是一个比较难的技术。
目前传统技术主要存在以下技术问题:
在一现有技术中,其通过BMS+GPRS模块,传输一些简单的位置、电池电压/电流/温度数据;且因数据、分析分析手段的一般,导致应用端效果一般。
在另一现有技术中,其基于大数据人工智能算法和工作机制是基于对一个蓄电池组进行采样或进一步数据处理,把数据通过GPS之类的无线传输到云平台,在云平台上统一进行大数据运算或超算,这种方案的缺点是需要存储量太大,而且需要进行超大规模超算。这样架构的大数据人工智能的成本太高,很难实施。其还存在的一个问题是,在GPS信号弱时,比如在隧道中,其信号会存在局部缺失,不具有连续性,对最终的分析结果会产生较大影响、甚至产生错误的结果。
发明内容
本发明的目的在于提供一种电池的管理系统和方法,以克服现有技术中的不足。
为实现上述目的,本发明提供如下技术方案:
本申请实施例公开一种电池的管理系统,包括:
数据采集装置,采集电池的实时状态参数;
与电池位于同一终端的智能处理装置,根据所述实时状态参数至少估算出电池的SOC值和/或SOH值,并将估算值发送给云平台。
优选的,在上述的电池的管理系统中,所述云平台分别与多个所述终端通信,并直接从终端获取SOC估算值和/或SOH估算值。
优选的,在上述的电池的管理系统中,所述智能处理装置基于神经元网络模型对电池的SOC值和/或SOH值进行估算。
优选的,在上述的电池的管理系统中,所述云平台根据不同终端电池的SOC估算值和/或SOH估算值,训练神经元网络模型,得到一个相对精度高的人工智能模型。
优选的,在上述的电池的管理系统中,还包括通过所述相对精度高的人工智能模型,对终端的神经元网络模型进行更新。
优选的,在上述的电池的管理系统中,采用电化学模型对神经元网络模型进行训练,电化学模型包括:
基于锂离子电池电化学模型和寿命衰减机理的性能衰减模型,和/或
基于有限数据采集的健康状态诊断模型,和/或
基于锂离子电池热阻模型和间接温度数据的热安全状态分析模型。
优选的,在上述的电池的管理系统中,还包括位于终端的存储装置,至少用以存储智能处理装置输出的SOC估算值和/或SOH估算值。
本申请还公开了一种电池的管理方法,包括:
采集电池的实时状态参数;
根据所述实时状态参数至少估算出电池的SOC值和/或SOH值,并将估算值发送给远端的云平台。
优选的,在上述的电池的管理方法中,智能处理装置基于神经元网络模型对电池的SOC值和/或SOH值进行估算。
优选的,在上述的电池的管理方法中,所述云平台根据不同终端电池的SOC估算值和/或SOH估算值,训练神经元网络模型,得到一个相对精度高的人工智能模型,并通过该人工智能模型对终端的神经元网络模型进行更新。
与现有技术相比,本发明的优点在于:本发明通过在终端对电池的SOC和SOH进行估算,通过云平台对估算值进行分析并训练神经元网络模型,得到一个相对精度高的人工智能模型,并通过训练结果来提高终端模型的精度,可以大幅提高动力电池使用的安全性,提前预警,防止电池燃烧,大幅提升动力电池的使用价值和能源利用效率,并为规范动力电池产品市场提供有力的科学依据。
终端可以新能源汽车,可以为应用于其他领域的储能装置。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1所示为本发明具体实施例中电池的管理系统的原理方框图;
图2所示为本发明具体实施例中电池的管理方法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行详细的描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
结合图1和图2所示,在一实施例中,电池的管理系统包括数据采集装置和位于车辆终端的智能处理装置。
该管理系统适用于各种多串二次化学电池,比如各种蓄电池组(但不包括铅酸蓄电池组):锂电池组、燃料电池组、空气电池组、水电池组、钠硫电池组等,其应用终端是提供动力或电能存储的,包含不限于电动三轮车、两轮车、电动轿车、大巴、物流车、低速车以及各类储能终端蓄电池组。本案实施例中以新能源汽车为例进行说明。
这里的电池组是指由至少两个以上的电芯串联组成,每串可以是单个电芯,也可以是多个电芯并联组成的电池。
数据采集装置用以采集电池的实时状态参数。
该处的电池可以是蓄电池组,比如由两个以上电芯串联和/或并联组成电池串,也可以是单个电芯。
实时状态参数至少包括电压、电流或温度。在一实施例中,还包括电池内阻等信息。
智能处理装置设置于车辆终端,其可以根据实时状态参数至少估算出电池的SOC值和/或SOH值,并将估算值发送给云平台。云平台分别与多个车辆终端通信,并直接从车辆终端获取SOC估算值和/或SOH估算值。
云平台为一远端服务器。
在一实施例中,智能处理装置包括无线通信模块,可以与云平台之间实现无线通信。
智能处理装置可以包括微处理器(MCU),该MCU可以包括中央处理单元(CentralProcessing Unit,CPU)、只读存储模块(read-only memory,ROM)、随机存储模块(randomaccess memory,RAM)、定时模块、数字模拟转换模块(A/D converter)、以及复数输入/输出埠。当然,智能处理装置也可以采用其它形式的集成电路,如:特定用途集成电路(Application Specific Integrated Circuit,ASIC)或现场可程序化门阵列(FieldProgrammable Gate Array,FPGA)等。
在优选的实施例中,智能处理装置由微处理器以及配备的存储装置构成。
微处理器和存储装置这两个部件可以是分开独立的,也可以是集成在一起的。
该技术方案中,智能处理装置具有强大的存储、运算功能、(比如4核、6核的CPU),加载人工智能神经元网络算法,可预估电池SOC/SOH。
在一实施例中,数据采集装置、微处理器、存储装置和车辆的动力电池集成于同一电池箱体内。
在一实施例中,微处理器、存储装置可以独立的处理器和存储器,也可以和BMS合用一个共同的处理器和存储器。
在一实施例中,电池的实时状态参数可以独立从蓄电池组采样获取,也可以通过通讯从电池管理系统上的总线获取。智能处理装置包括数据接口,通过数据接口可以直接从电池管理系统上的总线获取电流、电压、温度等电池信息。
现有SOC和SOH的估算一般都是基于电量积分和开路电压法,这种算法SOC算法精度只能达到小于8%,卡尔曼滤波法,精度达到1%-3%,但不能做到全生命周期。但对于电池的健康状况SOH,没有太好的办法和误差太大。而健康状况恰恰是动力电池应用中最关键的环节之一。会影响到动力电池的安全应用和推广。
为解决该问题,本案的一实施例中,智能处理装置包括SOC处理模块和SOH处理模块,分别基于神经元网络模型对电池的SOC值和/或SOH值进行估算。
进一步地,云平台根据不同车辆电池的SOC估算值和/或SOH估算值,训练神经元网络模型,得到一个相对精度高的人工智能模型。
更进一步地,通过所述相对精度高的人工智能模型,对车辆终端的神经元网络模型进行更新。
该技术方案中,智能处理装置采用了基于神经元网络的人工智能算法,对大数据进行了深度自学习,从而对电池组里面的每串电芯的剩余容量SOC或健康状况SOH进行估算,使得这两个参数越来越准确。
另外,该智能处理装置接受远程算法或数据更新,或者专有设备进行有线更新,从而提高软件算法的准确度,使得SOC或SOH越来越精确。随着大数据的数量增加,这两个参数精度越来越高。
在一实施例中,智能处理装置可以是集中将所有蓄电池组使用一个处理器统一处理,也可以每一串电池使用一个单独的处理器,单独进行。
众多加载该智能处理装置的车辆终端和云平台之间形成非常庞大的物联网,这些智能处理装置把部分的数据通过无线传输到云平台上,该云平台上再进行横向的大数据学习和运算。并根据数据不断增加,算法不断更新,并把更精确算法或数据下载到每个蓄电池模块的智能模块上。
云平台上的横向大数据学习,是结合锂电池电化学特性和实际运行的电动汽车的锂电池大数据特性,提出了半监督式深度强化学习人工智能机器学习模型,用于对引起每一类电池(包括不同电化学类型、不同生产工艺等)失效、失衡的机理和因素达到更准确、更清晰的认识,动态精确计算电池系统的性能指标(如SOC、SOH、SOP)。
通过对各种电化学类型、各种使用工况的锂电池电动汽车的大数据的分析、训练和建模,通过构建复杂的深度学习神经网络能够得到一个相对高精度的人工智能模型,其中,通过引入各种电化学类型的锂电池的电化学模型,对深度学习神经网络的架构优化和训练速度都有积极作用。通过对失效电池的电化学分析、结合记录到的这类电池的纵向数据,可以引入半监督式强化学习模型到深度学习网络中,构成半监督式深度强化学习人工智能机器学习模型。这种做法和单纯依靠传统大数据分析或深度学习网络训练比较,能够得到更高的精度和推理速度,为最终实现产品化中的边缘计算提供基础。
具体地,采用电化学模型对神经元网络模型进行训练,电化学模型包括:
1、基于锂离子电池电化学模型和寿命衰减机理的性能衰减模型方法,和基于有限数据采集的健康状态诊断方法:通过电池物理化学过程的研究,电池相关电热模型,同时结合电池的性能衰减机理,建立基于基于锂离子电池电化学模型和寿命衰减机理的性能衰减模型方法,和基于有限数据采集的健康状态诊断方法。
2、基于锂离子电池热阻模型和间接温度数据的热安全状态分析技术:在所建立的电池电热模型的基础上,建立电池的热阻模型,形成间接温度数据的热安全状态分析技术。
当前对SOC和SOH的估算一般都在BMS(Battery Management System,电池管理系统)内部完成。BMS内部通常不带大量的存贮芯片,对电池组的历史事件或性能数据几乎或根本不作保留。对SOC和SOH进行估算时,如基于相对复杂的非线性模型的情况,一般都先将非线性模型作减化处理和线性化变换近似处理,这就会对SOC和SOH的估算引入显著误差。同时,一般对SOC和SOH的估算都是基于对瞬间的电压、电流和温度的测量来计算即时内阻,再和电池初始使用时进行比较而得于对SOC和SOH的估算,忽略历史信息,更不用说参考利用同批次其他电池的运行或错误信息。
而相应的,一实施例中,还包括位于车辆终端的存储装置,至少用以存储智能处理装置输出的SOC估算值和/或SOH估算值。
存储装置还用以存储电池的历史状态参数数据,比如不同时刻的电流、电压、内阻、温度等信息,以便于产生参数的变化信息,比如历史充放电过程、内阻的变化信息等。
本案通过大数据算法:
1、基于万台量级电动车运行数据的安全状态进行统计分析,训练复杂深度学习神经网络模型。我们在数据采集时,同时记录电池的动态电特性参数、通过车载传感器录得的同步车辆性能参数、通过车辆通讯接口获得的其它车辆特性参数,通过构建深度学习模型,结合所建立的电池衰减与安全模型,通过对多类型、多工况、大批量动力电池运行数据进行有效分析,形成万台量级电动车运行数据的安全状态统计分析人工智能模型。
2、在上述深度学习模型基础上,把电化学模型研究中的成果引入到该人工智能模型中,形成一个完整的半监督式深度强化学习人工智能机器学习模型。把上述形成的半监督式深度强化学习人工智能机器学习模型进行优化和简化,构成可在车载边缘计算的实用模型。
综上所述,本发明通过在车辆终端对电池的SOC和SOH进行估算,然后通过云平台分析和学习,至少可以实现如下优点:
1、解决了人工智能在蓄电池行业应用的一个难题:云存储的数据量太大,超算太大,造成成本太高。由每个智能模块本地大数据存储分担了存储数据量大的压力,由这些智能模块上传到云端的数据量大幅度减少,超算需要的计算量也大幅度降低。从而使人工智能估算蓄电池的SOC和SOH成本大幅度下降,且容易实现。
2、解决了采集数据可靠性、及时性、便宜性、准确性和格式统一性。以前的问题是每个厂商的数据来源于厂商的传输协议不一致,传输内容不一致。由于保密原因获取数据的难度较大。获取的数据量也比较小。通过这些分布式智能模块解决了前述问题。
3、这些分布式智能模块得到的SOC,SOH可以及时地,准确反馈到电池管理系统中去,从而及时准确地大幅度改善了电池管理系统BMS的算法和管理功能。
4、该发明分布式方法使得大数据人工智能估算蓄电池组SOC或SOH技术很容易在蓄电池行业得到很好的应用和普及。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本申请的具体实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种电池的管理系统,其特征在于,包括:
数据采集装置,采集电池的实时状态参数;
与电池位于同一终端的智能处理装置,根据所述实时状态参数至少估算出电池的SOC值和/或SOH值,并将估算值发送给云平台。
2.根据权利要求1所述的电池的管理系统,其特征在于,所述云平台分别与多个所述终端通信,并直接从终端获取SOC估算值和/或SOH估算值。
3.根据权利要求1或2所述的电池的管理系统,其特征在于,所述智能处理装置基于神经元网络模型对电池的SOC值和/或SOH值进行估算。
4.根据权利要求3所述的电池的管理系统,其特征在于,所述云平台根据不同终端电池的SOC估算值和/或SOH估算值,训练神经元网络模型,得到一个相对精度高的人工智能模型。
5.根据权利要求4所述的电池的管理系统,其特征在于,还包括通过所述相对精度高的人工智能模型,对终端的神经元网络模型进行更新。
6.根据权利要求3所述的电池的管理系统,其特征在于,采用电化学模型对神经元网络模型进行训练,电化学模型包括:
基于锂离子电池电化学模型和寿命衰减机理的性能衰减模型,和/或
基于有限数据采集的健康状态诊断模型,和/或
基于锂离子电池热阻模型和间接温度数据的热安全状态分析模型。
7.根据权利要求1所述的电池的管理系统,其特征在于,还包括位于终端的存储装置,至少用以存储智能处理装置输出的SOC估算值和/或SOH估算值。
8.一种电池的管理方法,其特征在于,包括:
采集电池的实时状态参数;
根据所述实时状态参数至少估算出电池的SOC值和/或SOH值,并将估算值发送给远端的云平台。
9.根据权利要求8所述的电池的管理方法,其特征在于:智能处理装置基于神经元网络模型对电池的SOC值和/或SOH值进行估算。
10.根据权利要求8所述的电池的管理方法,其特征在于:所述云平台根据不同终端电池的SOC估算值和/或SOH估算值,训练神经元网络模型,得到一个相对精度高的人工智能模型,并通过该人工智能模型对终端的神经元网络模型进行更新。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711478202.7A CN108258338A (zh) | 2017-12-29 | 2017-12-29 | 电池的管理系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711478202.7A CN108258338A (zh) | 2017-12-29 | 2017-12-29 | 电池的管理系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108258338A true CN108258338A (zh) | 2018-07-06 |
Family
ID=62725394
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711478202.7A Pending CN108258338A (zh) | 2017-12-29 | 2017-12-29 | 电池的管理系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108258338A (zh) |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110370983A (zh) * | 2019-06-19 | 2019-10-25 | 东北大学 | 基于5g移动通讯的电动汽车用电池管理系统 |
CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
CN110534823A (zh) * | 2019-07-19 | 2019-12-03 | 北京航空航天大学 | 一种动力电池均衡管理系统及方法 |
CN110712560A (zh) * | 2019-09-27 | 2020-01-21 | 东软睿驰汽车技术(沈阳)有限公司 | 异常处理方法、装置、设备及介质 |
CN110749827A (zh) * | 2019-12-02 | 2020-02-04 | 山东大学 | 基于云平台的智能化电池soc管理系统及方法 |
WO2020057715A1 (en) * | 2018-09-17 | 2020-03-26 | Volvo Truck Corporation | A method and system for estimating the state-of-health of a battery |
CN111123108A (zh) * | 2019-07-17 | 2020-05-08 | 上海钧正网络科技有限公司 | 一种电池管理方法、装置、电池及云服务器 |
CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
CN111273179A (zh) * | 2020-02-21 | 2020-06-12 | 深圳普瑞赛思检测技术有限公司 | 电动汽车检测方法及系统 |
CN111308350A (zh) * | 2019-09-25 | 2020-06-19 | 广东毓秀科技有限公司 | 一种通过大数据进行轨交锂电池性能评估的整体模型框架 |
CN111612204A (zh) * | 2019-02-25 | 2020-09-01 | 丰田研究所股份有限公司 | 用于优化电池组的性能的系统、方法和存储介质 |
CN111610459A (zh) * | 2019-02-25 | 2020-09-01 | 丰田研究所股份有限公司 | 用于预测电池组的放电曲线的系统、方法和存储介质 |
CN112186275A (zh) * | 2019-07-04 | 2021-01-05 | 北京德意新能科技有限公司 | 一种基于云端的bms体系 |
CN112639495A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种电池检测的方法和装置 |
CN113013514A (zh) * | 2021-02-25 | 2021-06-22 | 吉林大学 | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 |
JP2021103141A (ja) * | 2019-12-25 | 2021-07-15 | 本田技研工業株式会社 | 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム |
WO2023155220A1 (zh) * | 2022-02-16 | 2023-08-24 | 福建时代星云科技有限公司 | 一种基于云端数据的储能系统sop优化方法及装置 |
US11977121B2 (en) | 2020-09-15 | 2024-05-07 | Analog Devices International Unlimited Company | Autonomous battery monitoring system |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103558554A (zh) * | 2013-10-15 | 2014-02-05 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN103576096A (zh) * | 2013-10-09 | 2014-02-12 | 广东电网公司电力科学研究院 | 电动汽车动力电池剩余电量的实时评估方法及装置 |
CN104348205A (zh) * | 2013-07-31 | 2015-02-11 | 杭州锂软科技有限公司 | 一种基于soc-soh分布式bms系统 |
CN107504647A (zh) * | 2017-08-31 | 2017-12-22 | 四川长虹电器股份有限公司 | 智能空调、智能空调温度自动调节云平台及系统 |
-
2017
- 2017-12-29 CN CN201711478202.7A patent/CN108258338A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104348205A (zh) * | 2013-07-31 | 2015-02-11 | 杭州锂软科技有限公司 | 一种基于soc-soh分布式bms系统 |
CN103576096A (zh) * | 2013-10-09 | 2014-02-12 | 广东电网公司电力科学研究院 | 电动汽车动力电池剩余电量的实时评估方法及装置 |
CN103558554A (zh) * | 2013-10-15 | 2014-02-05 | 广东电网公司电力科学研究院 | 一种新能源汽车动力电池soh在线估算的方法 |
CN107504647A (zh) * | 2017-08-31 | 2017-12-22 | 四川长虹电器股份有限公司 | 智能空调、智能空调温度自动调节云平台及系统 |
Cited By (27)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11953558B2 (en) | 2018-09-17 | 2024-04-09 | Volvo Truck Corporation | Method and system for estimating the state-of-health of a battery |
WO2020057715A1 (en) * | 2018-09-17 | 2020-03-26 | Volvo Truck Corporation | A method and system for estimating the state-of-health of a battery |
CN112689770A (zh) * | 2018-09-17 | 2021-04-20 | 沃尔沃卡车集团 | 用于估计电池的健康状态的方法和系统 |
CN111612204A (zh) * | 2019-02-25 | 2020-09-01 | 丰田研究所股份有限公司 | 用于优化电池组的性能的系统、方法和存储介质 |
CN111610459B (zh) * | 2019-02-25 | 2024-05-28 | 丰田研究所股份有限公司 | 用于预测电池组的放电曲线的系统、方法和存储介质 |
CN111612204B (zh) * | 2019-02-25 | 2022-11-11 | 丰田研究所股份有限公司 | 用于优化电池组的性能的系统、方法和存储介质 |
US11065978B2 (en) | 2019-02-25 | 2021-07-20 | Toyota Research Institute, Inc. | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack |
CN111610459A (zh) * | 2019-02-25 | 2020-09-01 | 丰田研究所股份有限公司 | 用于预测电池组的放电曲线的系统、方法和存储介质 |
CN110370983A (zh) * | 2019-06-19 | 2019-10-25 | 东北大学 | 基于5g移动通讯的电动汽车用电池管理系统 |
CN110492186A (zh) * | 2019-07-02 | 2019-11-22 | 北京航空航天大学 | 一种基于云端控制技术的动力电池模组的管理方法 |
CN112186275A (zh) * | 2019-07-04 | 2021-01-05 | 北京德意新能科技有限公司 | 一种基于云端的bms体系 |
CN111123108A (zh) * | 2019-07-17 | 2020-05-08 | 上海钧正网络科技有限公司 | 一种电池管理方法、装置、电池及云服务器 |
CN110534823A (zh) * | 2019-07-19 | 2019-12-03 | 北京航空航天大学 | 一种动力电池均衡管理系统及方法 |
CN110534823B (zh) * | 2019-07-19 | 2021-05-28 | 北京航空航天大学 | 一种动力电池均衡管理系统及方法 |
CN111308350A (zh) * | 2019-09-25 | 2020-06-19 | 广东毓秀科技有限公司 | 一种通过大数据进行轨交锂电池性能评估的整体模型框架 |
CN110712560A (zh) * | 2019-09-27 | 2020-01-21 | 东软睿驰汽车技术(沈阳)有限公司 | 异常处理方法、装置、设备及介质 |
CN110749827A (zh) * | 2019-12-02 | 2020-02-04 | 山东大学 | 基于云平台的智能化电池soc管理系统及方法 |
JP7082603B2 (ja) | 2019-12-25 | 2022-06-08 | 本田技研工業株式会社 | 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム |
JP2021103141A (ja) * | 2019-12-25 | 2021-07-15 | 本田技研工業株式会社 | 機械学習装置、機械学習方法、充電率推定装置、および充電率推定システム |
CN111190111A (zh) * | 2020-01-14 | 2020-05-22 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
CN111190111B (zh) * | 2020-01-14 | 2023-03-14 | 北京智芯微电子科技有限公司 | 电化学储能电池荷电状态估算方法、装置及系统 |
CN111273179A (zh) * | 2020-02-21 | 2020-06-12 | 深圳普瑞赛思检测技术有限公司 | 电动汽车检测方法及系统 |
EP4130766A4 (en) * | 2020-04-24 | 2023-06-07 | Huawei Technologies Co., Ltd. | BATTERY DETECTION METHOD AND APPARATUS |
CN112639495A (zh) * | 2020-04-24 | 2021-04-09 | 华为技术有限公司 | 一种电池检测的方法和装置 |
US11977121B2 (en) | 2020-09-15 | 2024-05-07 | Analog Devices International Unlimited Company | Autonomous battery monitoring system |
CN113013514A (zh) * | 2021-02-25 | 2021-06-22 | 吉林大学 | 一种车载锂离子动力电池的热失控气敏报警装置及其检测方法 |
WO2023155220A1 (zh) * | 2022-02-16 | 2023-08-24 | 福建时代星云科技有限公司 | 一种基于云端数据的储能系统sop优化方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108258338A (zh) | 电池的管理系统和方法 | |
CN103698713B (zh) | 一种锂离子电池健康状态评估方法 | |
CN106569136A (zh) | 一种电池健康状态在线估计方法及系统 | |
CN104122447B (zh) | 一种电动汽车动力电池组直流阻抗的在线估算方法 | |
CN105676134B (zh) | 一种车用锂离子动力电池的soh估算方法 | |
CN108519556A (zh) | 一种基于循环神经网络的锂离子电池soc预测方法 | |
CN108919137B (zh) | 一种考虑不同电池状态的电池老化状态估计方法 | |
CN104535934B (zh) | 在线前馈补偿的动力电池电荷状态估计方法与系统 | |
EP3786653B1 (en) | Battery state estimation method | |
Hu et al. | Online estimation of an electric vehicle lithium-ion battery using recursive least squares with forgetting | |
Kim et al. | Estimation of Li-ion battery state of health based on multilayer perceptron: As an EV application | |
CN112540298B (zh) | 一种基于深度-迁移学习的锂离子电池soc估计方法 | |
CN106842056B (zh) | 基于双步在线智能优化算法的动力电池峰值功率估计方法 | |
CN105425154B (zh) | 一种估计电动汽车的动力电池组的荷电状态的方法 | |
CN101926041A (zh) | 锂离子二次电池、组电池、车辆、电池搭载设备、电池系统和锂离子二次电池的劣化检测方法 | |
CN112163372B (zh) | 一种动力电池的soc估算方法 | |
CN109856545B (zh) | 太阳能汽车的蓄电池组剩余容量检测方法及系统 | |
CN106405434A (zh) | 电池荷电状态的估计方法 | |
CN105680109A (zh) | 一种基于深度学习的动力电池配组方法 | |
CN107769335A (zh) | 一种多模式锂电池智能充电管理方法及装置 | |
CN106154168A (zh) | 数据驱动的动力电池荷电状态估计方法 | |
CN114660464A (zh) | 一种锂离子电池荷电状态估算方法 | |
CN115389936A (zh) | 一种数模混合驱动的锂电池持续峰值功率能力的在线预测方法 | |
Chen et al. | The application of UKF algorithm for 18650-type lithium battery SOH estimation | |
Li et al. | A novel one dimensional convolutional neural network based data-driven vanadium redox flow battery modelling algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |