CN108279383A - 电池寿命预测方法、电池数据服务器及电池数据处理系统 - Google Patents
电池寿命预测方法、电池数据服务器及电池数据处理系统 Download PDFInfo
- Publication number
- CN108279383A CN108279383A CN201711240135.5A CN201711240135A CN108279383A CN 108279383 A CN108279383 A CN 108279383A CN 201711240135 A CN201711240135 A CN 201711240135A CN 108279383 A CN108279383 A CN 108279383A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- real
- module
- life predicting
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/25—Integrating or interfacing systems involving database management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
Abstract
本发明实施例提供了一种电池寿命预测方法、电池数据服务器、电池管理用户终端以及电池数据处理系统,所述方法包括:接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;提取所述用户标识对应的历史电池数据;针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果;发送所述电池寿命预测结果至电池管理用户终端。根据本发明实施例,提升了电池寿命预测的准确性。
Description
技术领域
本发明涉及电池数据处理技术领域,特别是涉及一种电池寿命预测方法、一种电池数据服务器、一种电池管理用户终端,以及,一种电池数据处理系统。
背景技术
目前,越来越多的用户通过电动汽车出行。
电动汽车采用汽车电池作为供电源,并通过BMS(Battery Management System,电池管理系统)集中管控汽车电池的运作。为了保证BMS正常的系统运转,需要高频次地采集汽车电池的电流、电压、温度、电池故障信号等的电池数据,并由电池数据服务器针对电池数据进行汽车电池寿命预测。
然而,目前的汽车电池寿命预测方法中,是基于最新采集到的电池数据进行寿命预测,而最新采集的电池数据可能并不能反映电池长期整体的健康状况,依赖于最新采集的电池数据进行寿命预测,其预测结果可能与电池实际的寿命不符。
因此,现有技术的汽车电池寿命预测方法存在着汽车电池寿命预测的准确性较低的问题。
发明内容
鉴于上述问题,提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种电池寿命预测方法、一种电池数据服务器、一种电池管理用户终端,以及,一种电池数据处理系统。
根据本发明的一个方面,提供了一种电池寿命预测方法,应用于电池数据服务器,所述方法包括:
接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;
提取所述用户标识对应的历史电池数据;
针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果;
发送所述电池寿命预测结果至电池管理用户终端。
可选地,所述电池数据服务器预置有多个电池数据以及与其对应的多个待匹配用户标识,所述提取所述用户标识对应的历史电池数据的步骤,包括:
将所述用户标识与所述多个待匹配用户标识进行匹配;
若存在与所述用户标识匹配的目标待匹配用户标识,提取所述目标待匹配用户标识对应的电池数据,作为所述历史电池数据。
可选地,所述针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果的步骤,包括:
聚合所述所述实时电池数据和所述历史电池数据,得到电池数据聚合结果;
将所述电池数据聚合结果输入至预置的电池寿命预测模型,得到所述电池寿命预测结果。
可选地,所述电池数据包括数据采集时间、电池荷电状态SOC、电池健康状态SOH、电池电能状态SOP、电池总电压、电池总电流、电池单体电压、电池温度、电池温度最高值、电池温度最低值、电池告警级别、电池告警类别、累计充放电容量、累计充放电次数、额定电池容量、继电器状态、电池均衡类型和状态、车辆行驶状态、和/或车辆地理位置
根据本发明的另一方面,提供了一种电池寿命预测方法,应用于电池管理用户终端,所述电池管理用户终端预置有用户标识,所述方法包括:
采集实时电池数据;
针对所述实时电池数据和所述用户标识,生成电池寿命预测请求;
发送所述电池寿命预测请求至电池数据服务器;所述电池数据服务器用于提取所述用户标识对应的历史电池数据、针对所述实时电池数据和所述历史电池数据获取电池寿命预测结果、以及发送所述电池寿命预测结果至电池管理用户终端;
接收电池寿命预测结果。
根据本发明的另一方面,提供了一种电池数据服务器,包括:
数据汇聚模块、数据存储模块和数据应用模块;
所述数据汇聚模块,用于接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;
所述数据存储模块,用于提取所述用户标识对应的历史电池数据;
所述数据应用模块,用于针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果,以及,发送所述电池寿命预测结果至电池管理用户终端。
根据本发明的另一方面,提供了一种电池管理用户终端,所述电池管理用户终端预置有用户标识,所述电池管理用户终端包括:
电池管理模块和数据通讯模块;
所述电池管理模块,用于采集实时电池数据;
所述数据通讯模块,用于针对所述实时电池数据和所述用户标识,生成电池寿命预测请求,以及,发送所述电池寿命预测请求至电池数据服务器;所述电池数据服务器用于提取所述用户标识对应的历史电池数据、针对所述实时电池数据和所述历史电池数据获取电池寿命预测结果、以及发送所述电池寿命预测结果至电池管理用户终端。
根据本发明的另一方面,提供了一种电池数据处理系统,所述电池数据处理系统包括电池数据服务器和电池管理用户终端;
所述电池数据服务器包括:
数据汇聚模块、数据存储模块和数据应用模块;
所述数据汇聚模块,用于接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;
所述数据存储模块,用于提取所述用户标识对应的历史电池数据;
所述数据应用模块,用于针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果,以及,发送所述电池寿命预测结果至电池管理用户终端;
所述电池管理用户终端包括:
电池管理模块和数据通讯模块;
所述电池管理模块,用于采集实时电池数据;
所述数据通讯模块,用于针对所述实时电池数据和所述用户标识,生成电池寿命预测请求,以及,发送所述电池寿命预测请求至电池数据服务器。
可选地,所述电池数据服务器还包括:
机器学习模块,用于提取所述实时电池数据和所述历史电池数据作为大数据训练样本,以及,采用所述大数据训练样本对预置的电池寿命预测模型进行机器训练;所述电池寿命预测模型包括深度学习长短期记忆网络模型LSTM。
可选地,所述电池数据服务器还包括:
实时监控模块,用于针对所述实时电池数据和所述历史电池数据进行监控;
智能预警模块:用于针对所述实时电池数据和所述历史电池数据生成预警信息;
统计分析模块:用于针对所述实时电池数据和所述历史电池数据进行统计分析,得到统计分析结果;
评估预测模块:用于实时估算当前电池的各项状态以及容量衰减趋势;
标定调参模块:用于远程调整所述电池管理模块的初始标定、估算参数以及软件更新;
设备管理模块:用于远程管理所述电池管理模块的静态配置数据;
平台接口模块:用于访问第三方电池数据系统的电池数据;
安全管理模块:用于对用户身份进行认证,以及,对用户身份的权限管理,以及,监控网络访问的安全性。
根据本发明实施例,通过基于用户标识获取对应的大量历史电池数据,并基于实时电池数据和大量的历史电池数据进行寿命预测,所得到的电池寿命预测结果具有较高的准确性,从而,提升了电池寿命预测的准确性。
上述说明仅是本发明技术方案的概述,为了能够更清楚了解本发明的技术手段,而可依照说明书的内容予以实施,并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1是本发明实施例一的一种电池寿命预测方法的流程图;
图2是本发明实施例二的一种电池寿命预测方法的流程图;
图3是本发明实施例三的一种电池数据服务器的结构框图;
图4是本发明实施例四的一种电池管理用户终端的结构框图;
图5是本发明实施例五的一种电池数据处理系统的结构框图;
图6是本发明实施例的一种电池数据处理系统的总体架构示意图;
图7是本发明实施例的一种消息队列集群的消息处理交互示意图;
图8是本发明实施例的一种分布式存储集群的数据存储示意图;
图9是本发明实施例的一种分布式计算集群的数据处理示意图;
图10是本发明实施例的一种数据功能应用展示层的数据流程示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例,然而应当理解,可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本公开,并且能够将本公开的范围完整的传达给本领域的技术人员。
实施例一
图1是本发明实施例一的一种电池寿命预测方法的流程图,该方法可以应用于电池数据服务器,该方法具体可以包括如下步骤:
步骤101,接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识。
首先说明的是,本发明实施例中,可以用于对电动车辆上的电池进行寿命预测。电动车辆上可以预置有一个电池管理用户终端,该电池管理用户终端上可以包括有电池管理模块BMS和数据通讯模块。
电池管理模块BMS可以用于针对电池进行电池数据的采集。其中,电池数据可以包括有数据采集时间、电池荷电状态SOC(State of Charge,荷电状态)、电池健康状态SOH、电池电能状态SOP、电池总电压、电池总电流、电池单体电压、电池温度、电池温度最高值、电池温度最低值、电池告警级别、电池告警类别、累计充放电容量、累计充放电次数、额定电池容量、继电器状态、电池均衡类型和状态、车辆行驶状态、和/或车辆地理位置等的数据。当然,在实际应用中,本领域技术人员可以根据实际需要采集多种的电池数据以基于电池数据进行电池寿命预测,本发明实施例对此不作限制。
数据通讯模块则可以将采集到的电池数据发送至电池数据服务器。数据通讯模块在发送电池数据的同时,可以提取电池管理用户终端预置的用户标识,针对电池数据和用户标识,生成一个电池寿命预测请求,将该请求发送至电池数据服务器。
电池数据服务器可以接收到电池管理用户终端发送的电池寿命预测请求,从该请求中提取出电池数据,作为实时电池数据。并且,可以从电池寿命预测请求中提取出用户标识。
在实际的应用场景中,电池数据服务器可以设置有数据汇聚模块。该数据汇聚模块可以将BMS无线传输到Internet网络上的数据汇聚接入,通过负载均衡网关,将数据实时送入系统消息队列总线(DataHub),再经由系统消息队列总线备份到系统数据仓库进行全量存储以用于离线统计分析、机器学习和深度网络模型训练,同时系统消息队列总线也会将实时电池数据送入系统流计算引擎以进行电压温度突变预警、当前在线车辆总数、今日累计上线车辆总数等实时流式计算、统计和分析,结果数据送入前端分布式关系数据库,连同系统元数据一起生成前端可视化展示。
步骤102,提取所述用户标识对应的历史电池数据。
可选地,所述电池数据服务器预置有多个电池数据以及与其对应的多个待匹配用户标识,所述步骤102,可以具体包括:
子步骤S11,将所述用户标识与所述多个待匹配用户标识进行匹配;
子步骤S12,若存在与所述用户标识匹配的目标待匹配用户标识,提取所述目标待匹配用户标识对应的电池数据,作为所述历史电池数据。
具体实现中,电池数据服务器可以通过分布式存储集群,预置有大量的电池数据,电池数据具有对应的待匹配用户标识。因此,可以将从电池寿命预测请求中提取的用户标识,与多个待匹配用户标识进行匹配,将标识匹配的待匹配用户标识,作为目标待匹配用户标识,并从电池数据服务器中提取与述目标待匹配用户标识对应的电池数据,作为多个历史电池数据。
步骤103,针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果。
可选地,所述步骤103,可以具体包括:
子步骤S21,聚合所述所述实时电池数据和所述历史电池数据,得到电池数据聚合结果;
子步骤S22,将所述电池数据聚合结果输入至预置的电池寿命预测模型,得到所述电池寿命预测结果。
具体实现中,电池数据服务器可以预置有一个电池寿命预测模型,该电池寿命预测模型可以基于输入的电池数据,输出一个电池寿命预测结果。在本发明实施例中,可以将实时电池数据和历史电池数据进行聚合,得到电池数据聚合结果,将电池数据聚合结果输入至电池寿命预测模型,由其输出一个电池寿命预测结果。
实际的应用场景中,电池数据服务器可以设置有数据应用模块。该数据应用模块可以设置有深度网络LSTM(Long Short-Term Memory,长短期记忆网络)优化模型,通过LSTM优化模型进行寿命预测。其中,该LSTM可以采用大量的历史电池数据进行机器训练,从而提升其电池寿命预测的准确性。
在进行寿命预测的过程中,相比起其他的模型不断抛弃早期的历史电池数据、基于近期的电池数据进行寿命预测,LSTM优化模型可以记忆具有价值的早期的历史数据,并基于历史数据和实时数据进行寿命预测,从而,可以结合电池长期的、整体的健康状态进行评估,从而提升了电池寿命预测的准确性。
步骤104,发送所述电池寿命预测结果至电池管理用户终端。
具体实现中,可以将电池寿命预测结果发送至电池管理用户终端,供用户实时获取电池寿命预测结果。在实际应用中,电池数据服务器也可以输出一个模型参数,并发送模型参数至电池管理用户终端,由电池管理用户终端基于模型参数计算电池寿命预测结果。
根据本发明实施例,通过基于用户标识获取对应的大量历史电池数据,并基于实时电池数据和大量的历史电池数据进行寿命预测,所得到的电池寿命预测结果具有较高的准确性,从而,提升了电池寿命预测的准确性。
实施例二
图2是本发明实施例二的一种电池寿命预测方法的流程图,该方法可以应用于电池管理用户终端,所述电池管理用户终端预置有用户标识,该方法具体可以包括如下步骤:
步骤201,采集实时电池数据。
具体实现中,电池管理用户终端中的电池管理模块BMS可以针对电池进行数据采集,将实时采集得到的电池数据,作为上述的实时电池数据。
步骤202,针对所述实时电池数据和所述用户标识,生成电池寿命预测请求。
具体实现中,电池管理用户终端可以提取预置的用户标识,针对用户标识和实时电池数据,生成电池寿命预测请求。
步骤203,发送所述电池寿命预测请求至电池数据服务器;所述电池数据服务器用于提取所述用户标识对应的历史电池数据、针对所述实时电池数据和所述历史电池数据获取电池寿命预测结果、以及发送所述电池寿命预测结果至电池管理用户终端。
具体实现中,电池管理用户终端可以向电池数据服务器发送电池寿命预测请求,由电池数据服务器基于电池寿命预测请求反馈电池寿命预测结果。由于电池数据服务器获取电池寿命预测结果的详细过程已经在上述实施例中说明,在此不再赘述。
步骤204,接收电池寿命预测结果。
具体实现中,电池管理用户终端可以从电池数据服务器接收到电池寿命预测结果。实际应用中,电池数据服务器可以返回一个基于实时电池数据和历史电池数据得到的模型参数,电池管理用户终端可以基于该模型参数计算电池寿命预测结果。
对于方法实施例,为了简单描述,故将其都表述为一系列的动作组合,但是本领域技术人员应该知悉,本发明实施例并不受所描述的动作顺序的限制,因为依据本发明实施例,某些步骤可以采用其他顺序或者同时进行。其次,本领域技术人员也应该知悉,说明书中所描述的实施例均属于优选实施例,所涉及的动作并不一定是本发明实施例所必须的。
实施例三
图3是本发明实施例三的一种电池数据服务器的结构框图,所述电池数据服务器300,具体可以包括如下模块:
数据汇聚模块301、数据存储模块302和数据应用模块303;
所述数据汇聚模块301,用于接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;
所述数据存储模块302,用于提取所述用户标识对应的历史电池数据;
所述数据应用模块303,用于针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果,以及,发送所述电池寿命预测结果至电池管理用户终端。
可选地,所述电池数据服务器预置有多个电池数据以及与其对应的多个待匹配用户标识,所述数据存储模块302,包括:
匹配子模块,用于将所述用户标识与所述多个待匹配用户标识进行匹配;
历史电池数据提取子模块,用于若存在与所述用户标识匹配的目标待匹配用户标识,提取所述目标待匹配用户标识对应的电池数据,作为所述历史电池数据。
可选地,所述数据应用模块303,包括:
聚合子模块,用于聚合所述所述实时电池数据和所述历史电池数据,得到电池数据聚合结果;
输入子模块,用于将所述电池数据聚合结果输入至预置的电池寿命预测模型,得到所述电池寿命预测结果。
可选地,所述电池数据包括数据采集时间、电池荷电状态SOC、电池健康状态SOH、电池电能状态SOP、电池总电压、电池总电流、电池单体电压、电池温度、电池温度最高值、电池温度最低值、电池告警级别、电池告警类别、累计充放电容量、累计充放电次数、额定电池容量、继电器状态、电池均衡类型和状态、车辆行驶状态、和/或车辆地理位置。
根据本发明实施例,通过基于用户标识获取对应的大量历史电池数据,并基于实时电池数据和大量的历史电池数据进行寿命预测,所得到的电池寿命预测结果具有较高的准确性,从而,提升了电池寿命预测的准确性。
实施例四
图4是本发明实施例四的一种电池管理用户终端的结构框图,所述电池管理用户终端预置有用户标识,电池管理用户终端400,具体可以包括如下模块:
电池管理模块401和数据通讯模块402;
所述电池管理模块401,用于采集实时电池数据;
所述数据通讯模块402,用于针对所述实时电池数据和所述用户标识,生成电池寿命预测请求,以及,发送所述电池寿命预测请求至电池数据服务器;所述电池数据服务器用于提取所述用户标识对应的历史电池数据、针对所述实时电池数据和所述历史电池数据获取电池寿命预测结果、以及发送所述电池寿命预测结果至电池管理用户终端。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
实施例五
图5是本发明实施例五的一种电池数据处理系统的结构框图,所述电池数据处理系统500包括电池数据服务器510和电池管理用户终端520;
所述电池数据服务器510包括:
数据汇聚模块511、数据存储模块512和数据应用模块513;
所述数据汇聚模块511,用于接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;
所述数据存储模块512,用于提取所述用户标识对应的历史电池数据;
所述数据应用模块513,用于针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果,以及,发送所述电池寿命预测结果至电池管理用户终端;
所述电池管理用户终端520包括:
电池管理模块521和数据通讯模块522;
所述电池管理模块521,用于采集实时电池数据;
所述数据通讯模块522,用于针对所述实时电池数据和所述用户标识,生成电池寿命预测请求,以及,发送所述电池寿命预测请求至电池数据服务器。
可选地,所述电池数据服务器510还包括:
机器学习模块,用于提取所述实时电池数据和所述历史电池数据作为大数据训练样本,以及,采用所述大数据训练样本对预置的电池寿命预测模型进行机器训练;所述电池寿命预测模型包括深度学习长短期记忆网络模型LSTM。
可选地,所述电池数据服务器510还包括:
实时监控模块,用于针对所述实时电池数据和所述历史电池数据进行监控;
智能预警模块:用于针对所述实时电池数据和所述历史电池数据生成预警信息;
统计分析模块:用于针对所述实时电池数据和所述历史电池数据进行统计分析,得到统计分析结果;
评估预测模块:用于实时估算当前电池的各项状态以及容量衰减趋势;
标定调参模块:用于远程调整所述电池管理模块的初始标定、估算参数以及软件更新;
设备管理模块:用于远程管理所述电池管理模块的静态配置数据;
平台接口模块:用于访问第三方电池数据系统的电池数据;
安全管理模块:用于对用户身份进行认证,以及,对用户身份的权限管理,以及,监控网络访问的安全性。
为了便于本领域技术人员深入理解本发明实施例,以下将结合图6至图10对电池数据处理系统的具体示例进行说明。
图6是本发明实施例的一种电池数据处理系统的总体架构示意图。从图中可见,本发明实施例的电池数据处理系统可以包括有数据无线通讯传输层、数据汇聚存储计算层和数据功能应用展示层。
数据无线通讯传输层,可以用于将BMS实时采集的电压、电流、温度等动力电池数据以及SOC、SOH、SOP等状态估算数据通过无线通讯模块传输到移动基站,并接入Internet网络。
数据汇聚存储计算层,可以用于将BMS无线传输到Internet网络上的数据汇聚接入,通过负载均衡网关,将数据实时送入系统消息队列总线,再经由DataHub备份到系统数据仓库进行全量存储以用于离线统计分析、机器学习和深度网络模型训练,同时DataHub也会将实时数据送入系统流计算引擎以进行电压温度突变预警、当前在线车辆总数、今日累计上线车辆总数等实时流式计算、统计和分析,结果数据送入前端分布式关系数据库,连同系统元数据一起生成前端可视化展示。
数据功能应用展示层,可以用于将经过流计算的实时数据以及离线统计分析和模型预测数据通过人机交互界面(Web/移动终端)展示出来,同时提供向下传输控制功能,将优化后参数或软件版本更新到BMS设备上;该层其他特征还包括电池容量估算和剩余寿命预测算法,即深度网络LSTM优化模型;实时2D曲线和图表以及实时3D电池包单体电压温度模型;车辆和BMS设备管理;数据访问API接口;权限映射和数据安全管理。
其中,数据无线通讯传输层,可以进一步包括:
上行数据包:分为电池数据包(电压,电流,温度,告警信息等)和设备诊断信息包,按不同发送频率通过Internet网络传入汇聚网关。
下行数据包:包括参数校正,软件更新,预警通知等。
位置解析算法:当BMS的无线通讯模块含有GPS(Global Positioning System,全球定位系统),直接进行经纬度解析;当BMS的无线通讯模块不含GPS,则通过解析移动基站的位置对应找到车辆近似的经纬度坐标。
时钟同步:BMS的无线通讯模块上电后首先与Internet时钟进行一次同步校准,校准成功后再发送带有采集时间标签的数据包到汇聚网关。
其中,数据汇聚存储计算层,可以进一步包括:
负载均衡网关:用于进行高并发环境的数据接收和解析;
消息队列集群:用于进行高并发环境的数据处理。相对于传统监控RPC模式,本系统通过队列机制形成消息总线,实现消息中间件的双向通信功能,包括消息生产者、消息代理、消息消费者,其中消息生产者和消息消费者均具有向消息代理发布和接收消息的能力;
资源调度集群:用于进行统一命名服务、状态同步服务、分布式应用配置项管理、分布式锁、Leader选举和消息队列管理;
分布式存储集群:用于进行电池采集数据的存储以及实时和离线计算结果的存储。相对于传统大数据后端使用Hbase(分布式数据库)存储数据的方式,本系统应用了优化过的时间序列数据库TSDB(TimeSeriesDatabase,时序数据库)技术以实现高倍数据压缩和高速数据查询性能;相对于传统大数据前端使用单一关系数据库存储计算结果,本系统应用了优化过的数据库中间件以连接多个关系数据库,突破了单一关系数据库的存储空间限制;
分布式计算集群:用于进行电池采集数据实时流的计算以及离线统计分析的计算;本系统应用了优化过的时间窗口技术以实现车辆状态累计和实时预警预测功能;本系统应用了优化过的分布式统计算法以实现历史大数据的在线统计分析;
机器学习集群:用于进行电池数据的深度学习、模型训练、状态估算,以及电池健康状况的辨别分类。
其中,功能应用展示层,可以进一步包括:
实时监控模块:用于通过2D和3D图表实时动态展示当前在线车辆数、当日累计上线车辆数、发生告警的级别及类型、具体车辆的SOC/SOH、总电压、总电流、最高最低单体、最高最低温度、每个单体的电压当前和历史数据、每个温度采集点的当前和历史数据、均衡过程数据、车辆基本信息、车辆位置等信息;
智能预警模块:用于实时计算和显示单位时间内车辆的总电压、单体电压、温度超过一定范围突变产生的预警提示信息;
统计分析模块:用于动力电池故障告警等数据的在线统计分析,可从告警发生时间、告警电池类型、告警等级、告警类别、软件版本、硬件版本等各种维度进行统计计算,可视化输出分析结果;
评估预测模块:用于实时估算和展示当前动力电池的各项状态以及容量衰减趋势和寿命预测等;
标定调参模块:用于远程调整BMS初始标定、估算参数以及软件更新;
设备管理模块:用于提供BMS设备静态配置数据的管理;
平台接口模块:用于提供API(Application Programming Interface,应用程序编程接口)接口与其他平台系统对接访问数据;
安全管理模块:用于提供用户身份认证、权限管理和网络访问安全控制。
其中,BMS数据可以具体包括有:BMS无线传输模块IMEI,数据采集时间,电池SOC,电池SOH,电池SOP,电池总电压,电池总电流,所有电池单体电压,所有温度采集器温度,4个顺位最高和最低单体电压,2个顺位最高和最低温度,告警等级,告警类别,累计充放电容量,累计充放电次数,额定容量,可用容量,继电器状态,均衡类型,均衡状态,车辆位置数据。
其中,上述的机器学习和深度网络模型训练,可以包括优化后的支持向量机(Support Vector Machine,SVM)算法和优化后的深度学习长短期记忆网络(LSTM)算法。
图7是本发明实施例的一种消息队列集群的消息处理交互示意图。从图中可见,本实施例中数据汇聚存储计算层中的消息队列集群,实现了高并发环境的数据处理。相对于传统监控RPC(Remote Procedure Call Protocol,远程过程调用协议)模式,本系统通过队列机制形成消息总线,实现消息中间件的双向通信功能,包括消息生产者、消息代理、消息消费者,其中消息生产者和消息消费者均具有向消息代理发布和接收消息的能力。
图8是本发明实施例的一种分布式存储集群的数据存储示意图。从图中可见,本实施例中数据汇聚存储计算层中的分布式存储集群实现了电池采集数据的存储以及实时和离线计算结果的存储。相对于传统大数据后端使用Hbase存储数据的方式,本系统应用了优化过的时间序列数据库TSDB技术以实现高倍数据压缩和高速数据查询性能;相对于传统大数据前端使用单一关系数据库存储计算结果,本系统应用了优化过的数据库中间件以连接多个关系数据库,突破了单一关系数据库的存储空间限制。
图9是本发明实施例的一种分布式计算集群的数据处理示意图。从图中可见,本实施例中数据汇聚存储计算层中的分布式计算集群实现了电池采集数据实时流的计算、离线和在线统计分析的计算以及机器学习和深度学习模型训练。本系统应用了优化过的SparkStreaming时间窗口技术以实现车辆状态累计和实时预警功能;本系统应用了优化过的MapReduce和Spark分布式统计算法以实现历史大数据的离线和在线统计分析;本系统应用了基于Spark MLlib优化过的机器学习支持向量机算法和应用了基于Tensorflow优化过的深度学习长短期记忆网络算法,以实现电池数据的模型训练、电池状态估算、电池剩余寿命预测以及电池健康状况的辨别分类。
图10是本发明实施例的一种数据功能应用展示层的数据流程示意图。从图中可见,本实施例中数据功能应用展示层中的标定调参实现了在线调整和优化BMS中的计算模型参数,使BMS能够实现对电池状态SOX(SOC/SOH/SOP等)的精准估算。
对于系统实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述,构造这类系统所要求的结构是显而易见的。此外,本发明也不针对任何特定编程语言。应当明白,可以利用各种编程语言实现在此描述的本发明的内容,并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
在此处所提供的说明书中,说明了大量具体细节。然而,能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中,并未详细示出公知的方法、结构和技术,以便不模糊对本说明书的理解。
类似地,应当理解,为了精简本公开并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而,并不应将该公开的方法解释成反映如下意图:即所要求保护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说,如下面的权利要求书所反映的那样,发明方面在于少于前面公开的单个实施例的所有特征。因此,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域那些技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外,可以采用任何组合对本说明书(包括伴随的权利要求、摘要和附图)中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述,本说明书(包括伴随的权利要求、摘要和附图)中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
此外,本领域的技术人员能够理解,尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征,但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如,在下面的权利要求书中,所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
本发明的各个部件实施例可以以硬件实现,或者以在一个或者多个处理器上运行的软件模块实现,或者以它们的组合实现。本领域的技术人员应当理解,可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的电池数据服务器、电池数据处理系统中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如,计算机程序和计算机程序产品)。这样的实现本发明的程序可以存储在计算机可读介质上,或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到,或者在载体信号上提供,或者以任何其他形式提供。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
Claims (10)
1.一种电池寿命预测方法,应用于电池数据服务器,其特征在于,所述方法包括:
接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;
提取所述用户标识对应的历史电池数据;
针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果;
发送所述电池寿命预测结果至电池管理用户终端。
2.根据权利要求1所述的方法,其特征在于,所述电池数据服务器预置有多个电池数据以及与其对应的多个待匹配用户标识,所述提取所述用户标识对应的历史电池数据的步骤,包括:
将所述用户标识与所述多个待匹配用户标识进行匹配;
若存在与所述用户标识匹配的目标待匹配用户标识,提取所述目标待匹配用户标识对应的电池数据,作为所述历史电池数据。
3.根据权利要求1所述的方法,其特征在于,所述针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果的步骤,包括:
聚合所述所述实时电池数据和所述历史电池数据,得到电池数据聚合结果;
将所述电池数据聚合结果输入至预置的电池寿命预测模型,得到所述电池寿命预测结果。
4.根据权利要求1所述的方法,其特征在于,所述电池数据包括数据采集时间、电池荷电状态SOC、电池健康状态SOH、电池电能状态SOP、电池总电压、电池总电流、电池单体电压、电池温度、电池温度最高值、电池温度最低值、电池告警级别、电池告警类别、累计充放电容量、累计充放电次数、额定电池容量、继电器状态、电池均衡类型和状态、车辆行驶状态、和/或车辆地理位置。
5.一种电池寿命预测方法,应用于电池管理用户终端,其特征在于,所述电池管理用户终端预置有用户标识,所述方法包括:
采集实时电池数据;
针对所述实时电池数据和所述用户标识,生成电池寿命预测请求;
发送所述电池寿命预测请求至电池数据服务器;所述电池数据服务器用于提取所述用户标识对应的历史电池数据、针对所述实时电池数据和所述历史电池数据获取电池寿命预测结果、以及发送所述电池寿命预测结果至电池管理用户终端;
接收电池寿命预测结果。
6.一种电池数据服务器,其特征在于,所述电池数据服务器包括:
数据汇聚模块、数据存储模块和数据应用模块;
所述数据汇聚模块,用于接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;
所述数据存储模块,用于提取所述用户标识对应的历史电池数据;
所述数据应用模块,用于针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果,以及,发送所述电池寿命预测结果至电池管理用户终端。
7.一种电池管理用户终端,其特征在于,所述电池管理用户终端预置有用户标识,所述电池管理用户终端包括:
电池管理模块和数据通讯模块;
所述电池管理模块,用于采集实时电池数据;
所述数据通讯模块,用于针对所述实时电池数据和所述用户标识,生成电池寿命预测请求,以及,发送所述电池寿命预测请求至电池数据服务器;所述电池数据服务器用于提取所述用户标识对应的历史电池数据、针对所述实时电池数据和所述历史电池数据获取电池寿命预测结果、以及发送所述电池寿命预测结果至电池管理用户终端。
8.一种电池数据处理系统,其特征在于,所述电池数据处理系统包括电池数据服务器和电池管理用户终端;
所述电池数据服务器包括:
数据汇聚模块、数据存储模块和数据应用模块;
所述数据汇聚模块,用于接收电池寿命预测请求;所述电池寿命预测请求包括实时电池数据和用户标识;
所述数据存储模块,用于提取所述用户标识对应的历史电池数据;
所述数据应用模块,用于针对所述实时电池数据和所述历史电池数据,获取电池寿命预测结果,以及,发送所述电池寿命预测结果至电池管理用户终端;
所述电池管理用户终端包括:
电池管理模块和数据通讯模块;
所述电池管理模块,用于采集实时电池数据;
所述数据通讯模块,用于针对所述实时电池数据和所述用户标识,生成电池寿命预测请求,以及,发送所述电池寿命预测请求至电池数据服务器。
9.根据权利要求8所述的系统,其特征在于,所述电池数据服务器还包括:
机器学习模块,用于提取所述实时电池数据和所述历史电池数据作为大数据训练样本,以及,采用所述大数据训练样本对预置的电池寿命预测模型进行机器训练;所述电池寿命预测模型包括深度学习长短期记忆网络模型LSTM。
10.根据权利要求8所述的系统,其特征在于,所述电池数据服务器还包括:
实时监控模块,用于针对所述实时电池数据和所述历史电池数据进行监控;
智能预警模块:用于针对所述实时电池数据和所述历史电池数据生成预警信息;
统计分析模块:用于针对所述实时电池数据和所述历史电池数据进行统计分析,得到统计分析结果;
评估预测模块:用于实时估算当前电池的各项状态以及容量衰减趋势;
标定调参模块:用于远程调整所述电池管理模块的初始标定、估算参数以及软件更新;
设备管理模块:用于远程管理所述电池管理模块的静态配置数据;
平台接口模块:用于访问第三方电池数据系统的电池数据;
安全管理模块:用于对用户身份进行认证,以及,对用户身份的权限管理,以及,监控网络访问的安全性。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711240135.5A CN108279383B (zh) | 2017-11-30 | 2017-11-30 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711240135.5A CN108279383B (zh) | 2017-11-30 | 2017-11-30 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108279383A true CN108279383A (zh) | 2018-07-13 |
CN108279383B CN108279383B (zh) | 2020-07-03 |
Family
ID=62801453
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711240135.5A Active CN108279383B (zh) | 2017-11-30 | 2017-11-30 | 电池寿命预测方法、电池数据服务器及电池数据处理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108279383B (zh) |
Cited By (52)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109299552A (zh) * | 2018-09-29 | 2019-02-01 | 清华大学 | 一种电池能量状态的评估方法及其评估系统 |
CN109358289A (zh) * | 2018-09-27 | 2019-02-19 | 北京品驰医疗设备有限公司 | 有源植入医疗设备的电池寿命确定方法及设备 |
CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
CN109459702A (zh) * | 2018-11-09 | 2019-03-12 | 爱驰汽车有限公司 | 基于车联网的电池状态分析方法及装置 |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
CN109598378A (zh) * | 2018-11-30 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 医保费用预测方法、装置、设备及计算机可读存储介质 |
CN109872014A (zh) * | 2019-03-29 | 2019-06-11 | 永安行科技股份有限公司 | 氢能源助力自行车日使用量和故障情况的预测方法 |
CN109979122A (zh) * | 2019-02-13 | 2019-07-05 | 中国工商银行股份有限公司 | Atm维护预警方法及系统 |
CN110069810A (zh) * | 2019-03-11 | 2019-07-30 | 北京百度网讯科技有限公司 | 电池故障预测方法、装置、设备和可读存储介质 |
CN110210182A (zh) * | 2019-07-05 | 2019-09-06 | 哈尔滨工业大学 | 一种基于物联网的继电器寿命预测信息采集系统 |
CN110208705A (zh) * | 2019-05-09 | 2019-09-06 | 赛尔网络有限公司 | 一种锂电池剩余寿命预测方法及装置 |
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 |
CN110386027A (zh) * | 2019-06-19 | 2019-10-29 | 东北大学 | 云计算和边缘计算相结合的电动汽车用电池管理系统 |
CN110441696A (zh) * | 2019-08-09 | 2019-11-12 | 西安班特利奥能源科技有限公司 | 电池全生命周期监测装置、系统及方法 |
CN110515004A (zh) * | 2019-10-08 | 2019-11-29 | 青海黄河上游水电开发有限责任公司光伏产业技术分公司 | 一种锂离子电池充放电循环寿命计算方法 |
CN110703120A (zh) * | 2019-09-29 | 2020-01-17 | 上海海事大学 | 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法 |
CN110807563A (zh) * | 2020-01-07 | 2020-02-18 | 广东招才通信息科技有限公司 | 一种基于大数据的设备寿命预测系统及方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN110850315A (zh) * | 2019-11-29 | 2020-02-28 | 北京邮电大学 | 一种电池荷电状态的估算方法及装置 |
CN110850296A (zh) * | 2018-08-01 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 一种评估电池健康度的方法和装置 |
CN110927606A (zh) * | 2019-11-05 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 电池状态监测方法、装置 |
CN111077466A (zh) * | 2020-01-03 | 2020-04-28 | 浙江吉利汽车研究院有限公司 | 一种确定车辆电池健康状态的方法及装置 |
CN111239672A (zh) * | 2020-03-19 | 2020-06-05 | 东南大学 | 基于机器学习算法的光纤电流互感器渐变性故障预测方法 |
CN111452669A (zh) * | 2020-04-15 | 2020-07-28 | 欧阳凌云 | 公交智能充电的系统和方法及介质 |
CN111800535A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 终端运行状态的评估方法、装置、存储介质及电子设备 |
WO2020224724A1 (de) * | 2019-05-08 | 2020-11-12 | TWAICE Technologies GmbH | Server-seitige charakterisierung von wiederaufladbaren batterien |
CN111948561A (zh) * | 2020-08-04 | 2020-11-17 | 上海安趋信息科技有限公司 | 基于实测大数据和人工智能学习算法的电池寿命预测方法 |
CN111948541A (zh) * | 2020-08-13 | 2020-11-17 | 中国第一汽车股份有限公司 | 车辆电池过压预测方法、装置、服务器及存储介质 |
CN112147440A (zh) * | 2020-09-18 | 2020-12-29 | 吉递(中国)能源科技有限公司 | 智能充电插座用异常感知与自主报警系统及其方法 |
CN112231910A (zh) * | 2020-10-15 | 2021-01-15 | 华人运通(江苏)技术有限公司 | 一种高压直流接触器的寿命判定系统及方法 |
CN112488295A (zh) * | 2020-11-23 | 2021-03-12 | 江苏科技大学 | 交叉验证算法优化lstm网络继电器贮存寿命预测方法 |
CN112630665A (zh) * | 2020-12-18 | 2021-04-09 | 北京理工大学 | 一种基于智能网联的锂电池寿命预测系统 |
CN112677815A (zh) * | 2020-12-28 | 2021-04-20 | 北京理工大学 | 一种电池全寿命周期管理系统 |
CN112765726A (zh) * | 2020-12-31 | 2021-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种寿命预测方法及装置 |
CN112820955A (zh) * | 2021-01-29 | 2021-05-18 | 深圳市优博讯科技股份有限公司 | 一种电池参数的管理方法、终端及系统 |
CN112909365A (zh) * | 2019-12-03 | 2021-06-04 | 广州极飞科技股份有限公司 | 电池的控制方法及装置 |
CN113156326A (zh) * | 2021-04-07 | 2021-07-23 | 力高(山东)新能源技术有限公司 | 一种基于大数据的锂电池健康度预警方法 |
CN113296000A (zh) * | 2021-03-23 | 2021-08-24 | 上海工程技术大学 | 一种免拆解的锂电池快速检测诊断分析系统及方法 |
CN113298278A (zh) * | 2020-02-19 | 2021-08-24 | 硕天科技股份有限公司 | 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器 |
CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
CN113885428A (zh) * | 2021-10-21 | 2022-01-04 | 上海电机学院 | 一种基于plc的电动汽车电池智能监控系统及方法 |
CN113902121A (zh) * | 2021-07-15 | 2022-01-07 | 陈九廷 | 一种电池劣化推测装置校验的方法、装置、设备及介质 |
CN114091724A (zh) * | 2021-10-15 | 2022-02-25 | 国网浙江省电力有限公司 | 一种供电设备负荷及寿命预测模型构建方法 |
CN114624596A (zh) * | 2020-12-11 | 2022-06-14 | 北京昇科能源科技有限责任公司 | 一种电池性能的评估方法及装置 |
CN114879050A (zh) * | 2022-06-14 | 2022-08-09 | 山东大学 | 基于云边协同的动力电池寿命智能快速测试方法及系统 |
CN114994543A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华大电工高科技有限公司 | 储能电站电池故障诊断方法、装置及存储介质 |
TWI794787B (zh) * | 2021-04-13 | 2023-03-01 | 國立臺灣科技大學 | 線上電池壽命預測方法 |
CN115884895A (zh) * | 2020-07-24 | 2023-03-31 | 罗伯特·博世有限公司 | 用于预报电动车辆车队的车辆电池的剩余使用寿命的方法 |
WO2024140475A1 (zh) * | 2022-12-28 | 2024-07-04 | 华为技术有限公司 | 一种电池评估方法及相关装置 |
CN112765726B (zh) * | 2020-12-31 | 2024-10-15 | 东软睿驰汽车技术(沈阳)有限公司 | 一种寿命预测方法及装置 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022157802A1 (en) * | 2021-01-21 | 2022-07-28 | Kpit Technologies Limited | A system and method for estimating a state of charge (soc) of a battery |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018673A (zh) * | 2012-11-19 | 2013-04-03 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
CN103963658A (zh) * | 2013-01-30 | 2014-08-06 | 福特全球技术公司 | 用于监测机动车辆的至少一个牵引电池的方法和装置 |
CN106249156A (zh) * | 2016-07-28 | 2016-12-21 | 北京新能源汽车股份有限公司 | 一种动力电池系统标定方法、装置、车载终端及服务器 |
-
2017
- 2017-11-30 CN CN201711240135.5A patent/CN108279383B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103018673A (zh) * | 2012-11-19 | 2013-04-03 | 北京航空航天大学 | 一种基于改进型动态小波神经网络的航天Ni-Cd蓄电池寿命预测方法 |
CN103963658A (zh) * | 2013-01-30 | 2014-08-06 | 福特全球技术公司 | 用于监测机动车辆的至少一个牵引电池的方法和装置 |
CN106249156A (zh) * | 2016-07-28 | 2016-12-21 | 北京新能源汽车股份有限公司 | 一种动力电池系统标定方法、装置、车载终端及服务器 |
Cited By (66)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110850296A (zh) * | 2018-08-01 | 2020-02-28 | 北京京东尚科信息技术有限公司 | 一种评估电池健康度的方法和装置 |
CN109143105A (zh) * | 2018-09-05 | 2019-01-04 | 上海海事大学 | 一种电动汽车锂离子电池的荷电状态计算方法 |
CN109358289A (zh) * | 2018-09-27 | 2019-02-19 | 北京品驰医疗设备有限公司 | 有源植入医疗设备的电池寿命确定方法及设备 |
CN109358289B (zh) * | 2018-09-27 | 2021-01-01 | 北京品驰医疗设备有限公司 | 有源植入医疗设备的电池寿命确定方法及设备 |
CN109299552A (zh) * | 2018-09-29 | 2019-02-01 | 清华大学 | 一种电池能量状态的评估方法及其评估系统 |
CN109459702A (zh) * | 2018-11-09 | 2019-03-12 | 爱驰汽车有限公司 | 基于车联网的电池状态分析方法及装置 |
CN109459702B (zh) * | 2018-11-09 | 2021-11-12 | 爱驰汽车有限公司 | 基于车联网的电池状态分析方法及装置 |
CN109598378A (zh) * | 2018-11-30 | 2019-04-09 | 平安医疗健康管理股份有限公司 | 医保费用预测方法、装置、设备及计算机可读存储介质 |
CN109492832A (zh) * | 2018-12-24 | 2019-03-19 | 斑马网络技术有限公司 | 蓄电池的寿命预测方法、装置、设备以及存储介质 |
CN109407007A (zh) * | 2018-12-24 | 2019-03-01 | 广东省智能制造研究所 | 一种电池荷电状态检测方法及装置 |
CN109459699A (zh) * | 2018-12-25 | 2019-03-12 | 北京理工大学 | 一种锂离子动力电池soc实时监测方法 |
CN109979122A (zh) * | 2019-02-13 | 2019-07-05 | 中国工商银行股份有限公司 | Atm维护预警方法及系统 |
CN110069810A (zh) * | 2019-03-11 | 2019-07-30 | 北京百度网讯科技有限公司 | 电池故障预测方法、装置、设备和可读存储介质 |
CN109872014A (zh) * | 2019-03-29 | 2019-06-11 | 永安行科技股份有限公司 | 氢能源助力自行车日使用量和故障情况的预测方法 |
CN111800535A (zh) * | 2019-04-09 | 2020-10-20 | Oppo广东移动通信有限公司 | 终端运行状态的评估方法、装置、存储介质及电子设备 |
CN111800535B (zh) * | 2019-04-09 | 2021-07-20 | Oppo广东移动通信有限公司 | 终端运行状态的评估方法、装置、存储介质及电子设备 |
US12034319B2 (en) | 2019-05-08 | 2024-07-09 | TWAICE Technologies GmbH | Server-side characterization of rechargeable batteries |
WO2020224724A1 (de) * | 2019-05-08 | 2020-11-12 | TWAICE Technologies GmbH | Server-seitige charakterisierung von wiederaufladbaren batterien |
CN110208705A (zh) * | 2019-05-09 | 2019-09-06 | 赛尔网络有限公司 | 一种锂电池剩余寿命预测方法及装置 |
CN110386027A (zh) * | 2019-06-19 | 2019-10-29 | 东北大学 | 云计算和边缘计算相结合的电动汽车用电池管理系统 |
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 |
CN110370983B (zh) * | 2019-06-19 | 2021-10-01 | 东北大学 | 基于5g移动通讯的电动汽车用电池管理系统 |
CN110386027B (zh) * | 2019-06-19 | 2021-03-02 | 东北大学 | 云计算和边缘计算相结合的电动汽车用电池管理系统 |
CN110210182A (zh) * | 2019-07-05 | 2019-09-06 | 哈尔滨工业大学 | 一种基于物联网的继电器寿命预测信息采集系统 |
CN110441696A (zh) * | 2019-08-09 | 2019-11-12 | 西安班特利奥能源科技有限公司 | 电池全生命周期监测装置、系统及方法 |
CN110703120A (zh) * | 2019-09-29 | 2020-01-17 | 上海海事大学 | 基于粒子滤波和长短时记忆网络的锂离子电池寿命预测方法 |
CN110515004A (zh) * | 2019-10-08 | 2019-11-29 | 青海黄河上游水电开发有限责任公司光伏产业技术分公司 | 一种锂离子电池充放电循环寿命计算方法 |
CN110824364B (zh) * | 2019-10-24 | 2021-11-19 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN110824364A (zh) * | 2019-10-24 | 2020-02-21 | 重庆邮电大学 | 一种基于ast-lstm神经网络的锂电池soh估计与rul预测方法 |
CN110927606A (zh) * | 2019-11-05 | 2020-03-27 | 腾讯科技(深圳)有限公司 | 电池状态监测方法、装置 |
CN110927606B (zh) * | 2019-11-05 | 2022-01-25 | 腾讯科技(深圳)有限公司 | 电池状态监测方法、装置 |
CN110850315A (zh) * | 2019-11-29 | 2020-02-28 | 北京邮电大学 | 一种电池荷电状态的估算方法及装置 |
CN112909365B (zh) * | 2019-12-03 | 2024-02-13 | 广州极飞科技股份有限公司 | 电池的控制方法及装置 |
CN112909365A (zh) * | 2019-12-03 | 2021-06-04 | 广州极飞科技股份有限公司 | 电池的控制方法及装置 |
CN111077466A (zh) * | 2020-01-03 | 2020-04-28 | 浙江吉利汽车研究院有限公司 | 一种确定车辆电池健康状态的方法及装置 |
CN111077466B (zh) * | 2020-01-03 | 2023-09-12 | 浙江吉利汽车研究院有限公司 | 一种确定车辆电池健康状态的方法及装置 |
CN110807563A (zh) * | 2020-01-07 | 2020-02-18 | 广东招才通信息科技有限公司 | 一种基于大数据的设备寿命预测系统及方法 |
CN113298278B (zh) * | 2020-02-19 | 2023-12-05 | 硕天科技股份有限公司 | 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器 |
CN113298278A (zh) * | 2020-02-19 | 2021-08-24 | 硕天科技股份有限公司 | 具有自我健康状态预测功能的电力设备及其自我健康状态预测方法以及云端服务器 |
CN111239672A (zh) * | 2020-03-19 | 2020-06-05 | 东南大学 | 基于机器学习算法的光纤电流互感器渐变性故障预测方法 |
CN111239672B (zh) * | 2020-03-19 | 2022-07-29 | 东南大学 | 基于机器学习算法的光纤电流互感器渐变性故障预测方法 |
CN111452669A (zh) * | 2020-04-15 | 2020-07-28 | 欧阳凌云 | 公交智能充电的系统和方法及介质 |
CN115884895A (zh) * | 2020-07-24 | 2023-03-31 | 罗伯特·博世有限公司 | 用于预报电动车辆车队的车辆电池的剩余使用寿命的方法 |
CN111948561B (zh) * | 2020-08-04 | 2022-12-27 | 上海安趋信息科技有限公司 | 基于实测大数据和人工智能学习算法的电池寿命预测方法 |
CN111948561A (zh) * | 2020-08-04 | 2020-11-17 | 上海安趋信息科技有限公司 | 基于实测大数据和人工智能学习算法的电池寿命预测方法 |
CN111948541A (zh) * | 2020-08-13 | 2020-11-17 | 中国第一汽车股份有限公司 | 车辆电池过压预测方法、装置、服务器及存储介质 |
CN112147440A (zh) * | 2020-09-18 | 2020-12-29 | 吉递(中国)能源科技有限公司 | 智能充电插座用异常感知与自主报警系统及其方法 |
CN112231910A (zh) * | 2020-10-15 | 2021-01-15 | 华人运通(江苏)技术有限公司 | 一种高压直流接触器的寿命判定系统及方法 |
CN112488295A (zh) * | 2020-11-23 | 2021-03-12 | 江苏科技大学 | 交叉验证算法优化lstm网络继电器贮存寿命预测方法 |
CN114624596A (zh) * | 2020-12-11 | 2022-06-14 | 北京昇科能源科技有限责任公司 | 一种电池性能的评估方法及装置 |
CN112630665A (zh) * | 2020-12-18 | 2021-04-09 | 北京理工大学 | 一种基于智能网联的锂电池寿命预测系统 |
CN112677815A (zh) * | 2020-12-28 | 2021-04-20 | 北京理工大学 | 一种电池全寿命周期管理系统 |
CN112677815B (zh) * | 2020-12-28 | 2022-04-29 | 北京理工大学 | 一种电池全寿命周期管理系统 |
CN112765726B (zh) * | 2020-12-31 | 2024-10-15 | 东软睿驰汽车技术(沈阳)有限公司 | 一种寿命预测方法及装置 |
CN112765726A (zh) * | 2020-12-31 | 2021-05-07 | 东软睿驰汽车技术(沈阳)有限公司 | 一种寿命预测方法及装置 |
CN112820955A (zh) * | 2021-01-29 | 2021-05-18 | 深圳市优博讯科技股份有限公司 | 一种电池参数的管理方法、终端及系统 |
CN113296000A (zh) * | 2021-03-23 | 2021-08-24 | 上海工程技术大学 | 一种免拆解的锂电池快速检测诊断分析系统及方法 |
CN113156326A (zh) * | 2021-04-07 | 2021-07-23 | 力高(山东)新能源技术有限公司 | 一种基于大数据的锂电池健康度预警方法 |
TWI794787B (zh) * | 2021-04-13 | 2023-03-01 | 國立臺灣科技大學 | 線上電池壽命預測方法 |
CN113486585A (zh) * | 2021-07-06 | 2021-10-08 | 新智数字科技有限公司 | 设备剩余使用寿命预测方法、装置、电子设备及存储介质 |
CN113902121A (zh) * | 2021-07-15 | 2022-01-07 | 陈九廷 | 一种电池劣化推测装置校验的方法、装置、设备及介质 |
CN114091724A (zh) * | 2021-10-15 | 2022-02-25 | 国网浙江省电力有限公司 | 一种供电设备负荷及寿命预测模型构建方法 |
CN113885428A (zh) * | 2021-10-21 | 2022-01-04 | 上海电机学院 | 一种基于plc的电动汽车电池智能监控系统及方法 |
CN114879050A (zh) * | 2022-06-14 | 2022-08-09 | 山东大学 | 基于云边协同的动力电池寿命智能快速测试方法及系统 |
CN114994543A (zh) * | 2022-08-01 | 2022-09-02 | 湖南华大电工高科技有限公司 | 储能电站电池故障诊断方法、装置及存储介质 |
WO2024140475A1 (zh) * | 2022-12-28 | 2024-07-04 | 华为技术有限公司 | 一种电池评估方法及相关装置 |
Also Published As
Publication number | Publication date |
---|---|
CN108279383B (zh) | 2020-07-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108279383A (zh) | 电池寿命预测方法、电池数据服务器及电池数据处理系统 | |
CN109446071A (zh) | 接口测试方法、接口测试装置、电子设备及存储介质 | |
US11567146B2 (en) | Electrical power cable monitoring device using low side electrode and earth ground separation | |
EP2541457A2 (en) | Method and system of location-aware certificate based authentication | |
EP2797368B1 (en) | Method, device, and system for discovering machine to machine service | |
JP2017174375A (ja) | リスク早期警報方法、および装置 | |
CN109976997A (zh) | 测试方法和装置 | |
CN111325428A (zh) | 一种工单推送方法、装置及存储介质 | |
US10772035B2 (en) | Method and apparatus for generating information | |
CN109447246A (zh) | 用于生成模型的方法和装置 | |
US12066470B2 (en) | Multichannel electrical power grid monitoring system for detecting and analyzing sensor installation and configuration errors | |
CN109409419A (zh) | 用于处理数据的方法和装置 | |
CN114444607A (zh) | 一种基于lstm的设备评估方法及系统 | |
CN107835132A (zh) | 一种流量来源跟踪的方法及装置 | |
CN107256231B (zh) | 一种团队成员识别设备、方法及系统 | |
CN108200042A (zh) | 一种车辆安全的检测方法及车辆安全管理平台 | |
CN108023740B (zh) | 监控中异常信息的风险提示方法和装置 | |
CN117171578B (zh) | 一种基于大数据分析的机场智慧台站管理方法及系统 | |
CN108809673A (zh) | 一种故障报警的方法及装置 | |
Li et al. | Measuring the spatial spillover effects of multimodel transit system in Beijing: A structural spatial vector autoregressive approach | |
Mahmud et al. | Intelligent GIS-Based road accident analysis and real-time monitoring automated system using WiMAX/GPRS | |
Mante | Iot data processing for smart city and semantic web applications | |
Kobeissi et al. | Towards an IoT-enabled dynamic wireless charging metering service for electrical vehicles | |
CN105072200A (zh) | 充电桩数据推送方法和装置 | |
CN106888432A (zh) | 定位系统性能的优化方法、装置及移动终端 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |