CN109001631A - 电池性能在线评估系统和方法 - Google Patents

Abstract

本申请公开了一种电池性能在线评估系统，包括：即时综合性能评估单元，设置于电池包的前端，通过人工智能深度学习模型对电池的综合性能作即时评估；大数据存储和人工智能深度学习单元，设置于云端，优化人工智能深度学习模型，并对电池包前端的人工智能深度学习模型进行更新。本申请还公开了一种电池性能在线评估方法。本发明能全面的利用电池和汽车本地的各项数据以训练高度智能的深度学习模型，适应复杂的实际实际工作场景和要求，利用云存储和云计算能力对汽车电池大数据进行机器学习，不断优化前端的本地人工智能深度学习模型，从而提高电池的使用成熟度、降低电池充放电中的故障和危险发生率、提高安全性、延长使用寿命。

Description

电池性能在线评估系统和方法

技术领域

本申请属于新能源汽车技术领域，特别是涉及一种电池性能在线评估系统和方法。

背景技术

随着新能源汽车行业的不断发展，以电动汽车为代表的新能源汽车产业和市场日益扩大。电动汽车对能源结构改善以及环境保护都有巨大用处，因此，电动汽车的普及无疑是新能源汽车产业的发展方向。

电动汽车目前常用的电池有铅酸电池、锂电池、镍氢电池等。由于这些电池具有高能量密度的特性，对其工作状态和健康状况的评估显得尤为重要。一旦电池偏离了正常工作状态即处于亚健康状态或故障状态，就会给整个汽车动力系统带来严重的安全隐患。而该些非正常状态通过简单的监控很难做到及时准确的判断和预警。即使电池处于正常工作状态，若能对其运行性能进行客观、全面地评估，也对优化汽车整体性能和延长电池寿命具有十分重要的指导意义。

传统的电池性能评估系统架构，或依赖于由少数参数建立的特定数学模型，或不能适应复杂的实际工作场景和要求，或需要过高的本地数据处理能力和计算能力。

因此，亟需一种能适应实际需求的电池性能综合评估系统架构。

发明内容

本发明的目的在于提供一种电池性能在线评估系统和方法，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性能在线评估系统，包括：

即时综合性能评估单元，设置于电池包的前端，通过人工智能深度学习模型对电池的综合性能作即时评估；

大数据存储和人工智能深度学习单元，设置于云端，优化人工智能深度学习模型，并对电池包前端的人工智能深度学习模型进行更新。

优选的，在上述的电池性能在线评估系统中，所述即时综合性能评估单元通过CAN总线获取电池的电特征参数和/或环境参数。

优选的，在上述的电池性能在线评估系统中，所述即时综合性能评估单元采用多核ARM系统对获取的电特征参数和/或环境参数进行深度学习，运行人工智能深度学习模型对电池综合性能作即时评估。

优选的，在上述的电池性能在线评估系统中，所述即时综合性能评估单元对本地采集的电特征参数和/或环境参数进行标注后上报大数据存储和人工智能深度学习单元。

优选的，在上述的电池性能在线评估系统中，所述电特征参数至少包括电池的充放电电压、电流、电池包温度、和对电池包的阶段性调节和自修复。

优选的，在上述的电池性能在线评估系统中，所述环境参数至少包括环境温度、湿度、负载大小、负载变化率，在电动交通工具中，还包括车辆的速度、加速度、和加加速度参数。

优选的，在上述的电池性能在线评估系统中，所述的人工智能深度学习模型包括电池的电化学模型、深度神经网络模型。

优选的，在上述的电池性能在线评估系统中，所述深度神经网络模型至少包括CNN层、LSTM层、池化层、全连接层和激活函数层。

优选的，在上述的电池性能在线评估系统中，所述即时综合性能评估单元将即时评估的结果上报大数据存储和人工智能深度学习单元，大数据存储和人工智能深度学习单元对多个前端上传的即时评估的结果进行交互验证，生成优化的人工智能深度学习模型。

本申请还公开了一种电池性能在线评估方法，包括：

在电池包的前端，通过人工智能深度学习模型对电池的综合性能作即时评估；

在云端，基于多个前端的电池包数据，优化人工智能深度学习模型，并对电池包前端的人工智能深度学习模型进行更新。

与现有技术相比，本发明的优点在于：

本发明系统可以对电池的工作状态和健康状况进行实时监控，本发明提出的系统架构，能全面的利用电池和汽车本地的各项数据以训练高度智能的深度学习模型，适应复杂的实际工作场景和要求，并利用云存储和云计算能力对汽车电池大数据进行机器学习，不断优化前端的人工智能深度学习模型，从而提高电池的使用成熟度、降低电池充放电中的故障和危险发生率、提高安全性、延长使用寿命。

本发明具有结构简单，评估精度高，可靠性和稳定性高，使用灵活，可扩展性好等优点，具有较好的应用前景。

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性能在线评估系统的框架示意图；

图2所示为本发明具体实施例中多重神经网络模型的原理示意图；

图3所示为本发明具体实施例中人工智能盒的数据采集示意图。

具体实施方式

本发明提供了一种分别在电池包前端和云端运行人工智能深度学习模型的电池性能综合评估系统架构。电池包前端系统通过CAN总线获取电池电特征参数和环境参数，采用人工智能深度学习模型对电池的综合性能进行准确的即时评估，并将标注后数据和评估结果通过无线通信模块上报云端系统。云端系统对众多电池包前端上传的大数据进行备份和存储，并对众多即时评估结果进行交叉验证，进而对各电池包前端运行的人工智能深度学习模型进行个性化的渐进优化。

本发明的综合评估系统架构，用于对电动汽车、电动自行车等一般储能应用场合的锂电池包或铅酸电池包的电池动态寿命和健康状况作出实时在线精确评估，从而提高电池的使用成熟度、降低电池充放电中的故障和危险发生率、提高安全性、延长使用寿命。

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所示，本实施例提供一种电池性能在线评估系统，包括多个汽车前端系统和一云端系统，汽车前端系统和云端系统之间通过无线通信网络进行数据传输。

每个汽车前端分别设置有即时综合性能评估单元，即时综合性能评估单元通过人工智能深度学习模型对电池的综合性能作即时评估。

电池的综合性能包括SOC(State of Charge，荷电状态，也叫剩余电量)、SOH(Section Of Health，蓄电池容量、健康度、性能状态)等。

即时综合性能评估单元采集本地即时电池电特征参数、环境参数，采用多核ARM系统对本地数据进行深度学习，运行人工智能深度学习模型对电池综合性能作即时评估。

电池电特征参数包括但不局限于电池的充放电电压、电流、电池包温度、和对电池包的阶段性调节和自修复。

电池环境参数包括但不局限于环境温度、湿度、负载、负载变化率，在电动交通工具中，还包括车辆的速度、加速度、和加加速度等参数。

多核ARM系统对本地采集的即时电池充放电参数、环境参数进行实时标注后上报云端系统。

标注是指对本地采集的电特征参数和/或环境参数进行学习、分析、评估后，对所需数据进行注解后上传云端，标注的作用可理解为让横向、纵向的数据可以识别及握手。

在一实施例中，人工智能深度学习模型包括电池的电化学模型和深度神经网络模型。

结合图2所示，云端系统的人工智能深度学习模型采用多重神经网络，包含但不局限于CNN层、LSTM层、池化层、全连接层和激活函数层等。

其中，CNN层用以抓取众多车辆高维度数据的某种空间特征，LSTM层用以抓取不同数据流的某种时序特征。需要说明的是，由于前端和云端能访问的数据种类类似，但数据量和车辆多样性差异较大，所以前端和云端采用类似但不相同的人工智能深度学习模型。由于云端系统具有能获取多汽车大数据的全局信息优势，云端系统根据其深度学习的训练结果，对电池包前端运行的人工智能深度学习模型进行渐进优化，以提高前端本地即时评估的准确性。

结合图3所示，即时综合性能评估单元以人工智能盒的形式外接或内置于电动汽车中。前端人工智能盒运行多核ARM系统，包含CAN总线接口、固态存储器、动态存储器和无线通信模块。

人工智能盒和电池包通过CAN总线相联获取实时的电池电特征参数，在电动汽车应用中，人工智能盒也和车辆的CAN总线相联，获取环境参数。根据获得的这些参数，人工智能盒运行深度学习模型对电池的状况进行推理评估，准确预测电池动态寿命和健康状况。

在一实施例中，人工智能盒运行Linux操作系统，并具备其他运行人工智能深度学习模型所必须的软件环境。Linux操作系统，人工智能深度学习模型，和其他相关软件，均以固件的形式存储于固态存储器中。

在一实施例中，人工智能盒将从CAN总线获取的电池电特征参数和环境参数存储于动态存储器中，并进行分类标注，以便进行后续处理。

综上所述，人工智能盒的原理在于：人工智能盒在多核ARM开发平台上运行某Linux操作系统，并搭载运行深度学习所必须的软件环境。前端人工智能盒具有固态存储器和动态存储器。所述操作系统和相关软件作为固件存于固态存储器中，通过CAN总线采集的本地数据存于动态存储器中以便对相应数据流进行读取、标注、上传等操作。前端人工智能盒具有无线通信模块，使其接入到移动互联网中，与云端系统保持畅通通信。

在一实施例中，无线通信网络为移动通信网络。电池包前端通过无线通信网络接入移动互联网，与云端系统进行数据传输和人工智能深度学习模型的更新。

云端设置有大数据存储和人工智能深度学习单元，该单元用以优化人工智能深度学习模型，并对电池包前端的人工智能深度学习模型进行更新。

在一实施例中，多核ARM系统对采集的本地数据进行深度学习，运行人工智能深度学习模型对电池综合性能作即时评估，并定期/不定期从云端获取根据汽车大数据优化更新后的人工智能深度学习模型，根据本地历史数据和云端系统的渐进优化反馈对人工智能深度学习模型进行训练或重训练。

在一实施例中，云端的学习单元采用于与前端同样的模型对电池综合性能进行评估，同时对模型进行优化。

在一实施例中，即时综合性能评估单元对本地采集的电特征参数和/或环境参数进行标注后上报大数据存储和人工智能深度学习单元。

云端系统对电池包前端上传的众多标注后数据进行存储，并对其进行机器学习，获得对电池状况进行有效评估的人工智能深度学习模型，并适时将渐进优化的深度学习模型对前端系统进行远程更新。

在一实施例中，即时综合性能评估单元还将即时评估的结果上报大数据存储和人工智能深度学习单元，大数据存储和人工智能深度学习单元对多个前端上传的即时评估的结果进行交互验证，并利用云计算能力对单个电池包前端系统运行的人工智能深度学习模型进行个性化的渐进优化，不断提高其对电池综合性能即时评估的准确性。

在一实施例中，云端设置有大数据存储和人工智能深度学习单元具有存储功能，对众多的电池包前端系统上传的汽车电池大数据，利用云存储进行存储与备份。

综上所述，本案系统的工作原理在于：

人工智能盒通过CAN总线接口实时获取汽车本地的电池电特性参数和环境参数，由某类电化学模型进行初始推理，并运行人工智能深度模型对电池综合性能进行准确的即时评估。采集的电特性参数包括充放电电压、电流、电池包温度等，环境参数包括环境温度、负载大小、车辆速度、加速度等。

云端系统作为后端，为本地的前端人工智能盒提供了现有传统系统架构无法比拟的数据存储能力和计算能力支持，以汽车电池大数据的全局信息对各前端的人工智能深度学习模型的评估结果进行交叉验证和渐进优化。

本案系统的优点至少包括：结构简单，评估精度高，可靠性和稳定性高，使用灵活，可扩展性好等优点，对提高电池的使用成熟度、降低电池充放电中的故障和危险发生率、提高安全性、延长使用寿命有十分重要的积极作用。

在此，还需要说明的是，为了避免因不必要的细节而模糊了本发明，在附图中仅仅示出了与根据本发明的方案密切相关的结构和/或处理步骤，而省略了与本发明关系不大的其他细节。

最后，还需要说明的是，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。

Claims (10)

1.一种电池性能在线评估系统，其特征在于，包括：

即时综合性能评估单元，设置于电池包的前端，通过人工智能深度学习模型对电池的综合性能作即时评估；

大数据存储和人工智能深度学习单元，设置于云端，优化人工智能深度学习模型，并对电池包前端的人工智能深度学习模型进行更新。

2.根据权利要求1所述的电池性能在线评估系统，其特征在于，所述即时综合性能评估单元通过CAN总线获取电池的电特征参数和/或环境参数。

3.根据权利要求2所述的电池性能在线评估系统，其特征在于，所述即时综合性能评估单元采用多核ARM系统对获取的电特征参数和/或环境参数进行深度学习，运行人工智能深度学习模型对电池综合性能作即时评估。

4.根据权利要求3所述的电池性能在线评估系统，其特征在于，所述即时综合性能评估单元对本地采集的电特征参数和/或环境参数进行标注后上报大数据存储和人工智能深度学习单元。

5.根据权利要求2所述的电池性能在线评估系统，其特征在于，所述电特征参数至少包括电池的充放电电压、电流、电池包温度、和对电池包的阶段性调节和自修复。

6.根据权利要求2所述的电池性能在线评估系统，其特征在于，所述环境参数至少包括环境温度、湿度、负载大小、负载变化率，在电动交通工具中，还包括车辆的速度、加速度、和加加速度参数。

7.根据权利要求1所述的电池性能在线评估系统，其特征在于，所述的人工智能深度学习模型包括电池的电化学模型、深度神经网络模型。

8.根据权利要求7所述的电池性能在线评估系统，其特征在于，所述深度神经网络模型至少包括CNN层、LSTM层、池化层、全连接层和激活函数层。

9.根据权利要求1所述的电池性能在线评估系统，其特征在于，所述即时综合性能评估单元将即时评估的结果上报大数据存储和人工智能深度学习单元，大数据存储和人工智能深度学习单元对多个前端上传的即时评估的结果进行交互验证，生成优化的人工智能深度学习模型。

10.一种电池性能在线评估方法，其特征在于，包括：

在电池包的前端，通过人工智能深度学习模型对电池的综合性能作即时评估；

在云端，基于多个前端的电池包数据，优化人工智能深度学习模型，并对电池包前端的人工智能深度学习模型进行更新。