CN112818602B - 基于大数据分析的电池数字孪生控制方法及装置 - Google Patents

基于大数据分析的电池数字孪生控制方法及装置 Download PDF

Info

Publication number
CN112818602B
CN112818602B CN202110161694.7A CN202110161694A CN112818602B CN 112818602 B CN112818602 B CN 112818602B CN 202110161694 A CN202110161694 A CN 202110161694A CN 112818602 B CN112818602 B CN 112818602B
Authority
CN
China
Prior art keywords
battery
vehicle
target
classification
vehicles
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.)
Active
Application number
CN202110161694.7A
Other languages
English (en)
Other versions
CN112818602A (zh
Inventor
孔祥栋
欧阳明高
卢兰光
韩雪冰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
Original Assignee
Tsinghua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tsinghua University filed Critical Tsinghua University
Priority to CN202110161694.7A priority Critical patent/CN112818602B/zh
Publication of CN112818602A publication Critical patent/CN112818602A/zh
Application granted granted Critical
Publication of CN112818602B publication Critical patent/CN112818602B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/08—Thermal analysis or thermal optimisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Software Systems (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Secondary Cells (AREA)
  • Electric Propulsion And Braking For Vehicles (AREA)

Abstract

本申请实施例提供一种基于大数据分析的电池数字孪生控制方法及装置，该方法包括：根据多个车辆的车辆信息以及各车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类。根据至少一个车辆分类，在多个车辆中选择目标车辆。根据至少一个电池分类，在目标车辆中选择目标电池。通过第三方设备获取目标车辆对应的目标电池的电池参数，或者，在目标车辆处于特殊工况时，获取目标车辆对应的目标电池的电池参数。根据目标车辆对应的目标电池的电池参数，更新目标电池对应的精细化多物理场模型的参数。通过只需为少量车辆中少量电池建立精细化多物理场模型，解决了云端的算力资源消耗非常大的问题。

Description

基于大数据分析的电池数字孪生控制方法及装置
技术领域
本申请实施例涉及计算机技术，尤其涉及一种基于大数据分析的电池数字孪生控制方法及装置。
背景技术
为应对环境污染和能源紧张等问题，交通电气化势在必行，电动交通工具的保有量正在快速上升。为保证电动交通工具的正常运行，通常都会配有车载电池管理系统，以实现对电动交通工具中的电池状况进行实时监控、控制和管理。
为解决车载电池管理系统存在算力有限、数据存储量有限的问题。目前新兴的电池数字孪生控制技术，通过在云端为每个交通工具中的每块电池建立虚拟电池，即建立实体电池对应的精细化多物理场模型，利用车载电池管理系统上传的电池参数信息进行计算分析，并更新虚拟状态信息、参数信息、车载电池管理系统的控制策略等。
然而，为每个交通工具中的每块电池都建立精细化多物理场模型，会导致云端的算力资源消耗非常大。
发明内容
本申请实施例提供一种基于大数据分析的电池数字孪生控制方法及装置，以解决云端的算力资源消耗非常大的问题。
第一方面，本申请实施例提供一种基于大数据分析的电池数字孪生控制方法，包括：
根据多个车辆的车辆信息以及各所述车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，其中，所述车辆分类中包括至少一个车辆，所述电池分类中包括至少一个电池；
根据所述至少一个车辆分类，在所述多个车辆中选择目标车辆；
根据所述至少一个电池分类，在所述目标车辆中选择目标电池；
通过第三方设备获取所述目标车辆对应的目标电池的电池参数，或者，在所述目标车辆处于特殊工况时，获取所述目标车辆对应的目标电池的电池参数；
根据所述目标车辆对应的目标电池的电池参数，更新所述目标电池对应的精细化多物理场模型的参数，其中，所述精细化多物理场模型用于确定电池的管理信息。
在一种可能的设计中，所述根据多个车辆的车辆信息以及各所述车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，包括：
根据所述多个车辆的车辆信息进行第一聚类处理，得到至少一个车辆分类；
根据各所述车辆分类中所包括的车辆的电池信息，对各所述车辆分类中的车辆分别进行第二聚类处理，得到各所述车辆分类中各车辆所对应的至少一个电池分类。
在一种可能的设计中，所述根据所述多个车辆的车辆信息进行第一聚类处理，得到至少一个车辆分类，包括：
将所述多个车辆的车辆信息输入第一聚类算法单元，得到所述第一聚类算法单元输出的至少一个车辆分类。
在一种可能的设计中，所述根据各所述车辆分类中所包括的车辆的电池信息，对各所述车辆分类中的车辆分别进行第二聚类处理，得到各所述车辆分类中各车辆所对应的至少一个电池分类，包括：
将各所述车辆分类中所包括的各车辆的电池信息，分别输入至第二聚类算法单元，得到所述第二聚类算法单元输出的各所述车辆分类中各车辆所对应的至少一个电池分类。
在一种可能的设计中，所述根据所述至少一个车辆分类，在所述多个车辆中选择目标车辆，包括：
按照各所述车辆分类各自对应的第一比例，在各所述车辆分类中选择第一比例对应的车辆，得到目标车辆。
在一种可能的设计中，所述根据所述至少一个电池分类，在所述目标车辆中选择目标电池，包括：
按照各所述电池分类各自对应的第二比例，在各所述目标车辆的电池中，选择各所述第二比例对应的电池，得到目标电池。
在一种可能的设计中，所述方法还包括：
针对各所述目标电池，分别建立各所述目标电池各自对应的精细化多物理场模型。
在一种可能的设计中，所述获取所述目标车辆对应的目标电池的电池参数，包括：
向所述目标车辆发送指示信息，其中，所述指示信息用于指示各所述目标车辆发送各自对应的目标电池的电池参数；
接收各所述目标车辆根据所述指示信息发送的目标电池的电池参数。
在一种可能的设计中，所述方法还包括：
按照预设时长，更新所述目标车辆对应的目标电池的电池参数。
第二方面，本申请实施例提供一种基于大数据分析的电池数字孪生控制装置，包括：
聚类模块，用于根据多个车辆的车辆信息以及各所述车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，其中，所述车辆分类中包括至少一个车辆，所述电池分类中包括至少一个电池；
第一选择模块，用于根据所述至少一个车辆分类，在所述多个车辆中选择目标车辆；
第二选择模块，用于根据所述至少一个电池分类，在所述目标车辆中选择目标电池；
第一处理模块，用于通过第三方设备获取所述目标车辆对应的目标电池的电池参数，或者，在所述目标车辆处于特殊工况时，获取所述目标车辆对应的目标电池的电池参数；
第二处理模块，用于根据所述目标车辆对应的目标电池的电池参数，更新所述目标电池对应的精细化多物理场模型的参数，其中，所述精细化多物理场模型用于确定电池的管理信息。
在一种可能的设计中，所述聚类模块具体用于：
根据所述多个车辆的车辆信息进行第一聚类处理，得到至少一个车辆分类；
根据各所述车辆分类中所包括的车辆的电池信息，对各所述车辆分类中的车辆分别进行第二聚类处理，得到各所述车辆分类中各车辆所对应的至少一个电池分类。
在一种可能的设计中，所述聚类模块具体用于：
将所述多个车辆的车辆信息输入第一聚类算法单元，得到所述第一聚类算法单元输出的至少一个车辆分类。
在一种可能的设计中，所述聚类模块具体用于：
将各所述车辆分类中所包括的各车辆的电池信息，分别输入至第二聚类算法单元，得到所述第二聚类算法单元输出的各所述车辆分类中各车辆所对应的至少一个电池分类。
在一种可能的设计中，所述第一选择模块具体用于：
按照各所述车辆分类各自对应的第一比例，在各所述车辆分类中选择第一比例对应的车辆，得到目标车辆。
在一种可能的设计中，所述第二选择模块具体用于：
按照各所述电池分类各自对应的第二比例，在各所述目标车辆的电池中，选择各所述第二比例对应的电池，得到目标电池。
在一种可能的设计中，所述第二处理模块还用于：
针对各所述目标电池，分别建立各所述目标电池各自对应的精细化多物理场模型。
在一种可能的设计中，所述第一处理模块具体用于：
向所述目标车辆发送指示信息，其中，所述指示信息用于指示各所述目标车辆发送各自对应的目标电池的电池参数；
接收各所述车辆根据所述指示信息发送的目标电池的电池参数。
在一种可能的设计中，所述第一处理模块还用于：
按照预设时长，更新所述目标车辆对应的目标电池的电池参数。
第三方面，本申请实施例提供一种基于大数据分析的电池数字孪生控制设备，包括：
存储器，用于存储程序；
处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
第四方面，本申请实施例提供一种计算机可读存储介质，包括指令，当其在计算机上运行时，使得计算机执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
第五方面，本申请实施例提供一种计算机程序产品，所述程序产品包括：计算机程序，所述计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从所述可读存储介质读取所述计算机程序，所述至少一个处理器执行所述计算机程序使得电子设备执行如上第一方面以及第一方面各种可能的设计中任一所述的方法。
本申请实施例提供一种基于大数据分析的电池数字孪生控制方法及装置，该方法包括：根据多个车辆的车辆信息以及各车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，其中，车辆分类中包括至少一个车辆，电池分类中包括至少一个电池。根据至少一个车辆分类，在多个车辆中选择目标车辆。根据至少一个电池分类，在目标车辆中选择目标电池。通过第三方设备获取目标车辆对应的目标电池的电池参数，或者，在目标车辆处于特殊工况时，获取目标车辆对应的目标电池的电池参数。根据目标车辆对应的目标电池的电池参数，更新目标电池对应的精细化多物理场模型的参数，其中，精细化多物理场模型用于确定电池的管理信息。通过只需为少量车辆中少量电池建立精细化多物理场模型，解决了云端的算力资源消耗非常大的问题。
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一简单地介绍，显而易见地，下面描述中的附图是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的整个电池数字孪生控制过程的示意图一；
图2为本申请实施例提供的基于大数据分析的电池数字孪生控制方法的流程图一；
图3为本申请实施例提供的基于大数据分析的电池数字孪生控制方法的流程图二；
图4为本申请实施例提供的整个电池数字孪生控制过程的示意图二；
图5为本申请实施例提供的第一聚类后得到的车辆分类的示意图；
图6为本申请实施例提供的车辆分类N中电动汽车H经第二聚类后得到的电池分类的示意图；
图7为本申请实施例提供的基于大数据分析的电池数字孪生控制装置的结构示意图；
图8为本申请实施例提供的基于大数据分析的电池数字孪生控制设备的硬件结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
为了便于理解本申请的技术方案，首先结合图1对本申请所涉及的相关概念进行介绍，图1为本申请实施例提供的整个电池数字孪生控制过程的示意图一：
为了应对环境污染和能源紧张等问题，交通电气化势在必行，电动汽车、电动船舶、电动飞机等电动交通工具的保有量正在快速上升，以电动汽车为例，动力源一般由成百上千的电池单体串并联组成。一般都会配有车载电池管理系统(Battery ManagementSystem，BMS)对电池进行控制和管理。其中，车载电池管理系统会采集电池单体的电压、温度、电池包的总电流、总电压等数据，并估计电池的荷电状态、功率状态、健康状态估计，以及进行电池故障诊断、安全预警、绝缘诊断等工作，保证电池高效安全的工作在一起。
由于车载电池管理系统算力有限、数据存储量有限等原因，目前业内正在发展云端BMS，即将车载电池管理系统采集的电池电流、电压、温度等数据通过信息传送装置上传到云端，在云端进行电池的状态估计、安全预警、参数估计等工作。
目前，数字孪生技术作为解决智能制造信息物理融合难题和践行智能制造宗旨的关键技术，已逐渐得到学术界的广泛关注和研究，并在诸多工业化领域成功落地应用。具体来说，数字孪生技术是指以数字化的方式建立物理实体的多维度、多时空尺度、多学科、多物理量、多概率的数字化实体(动态虚拟模型)来仿真和刻画物理实体在真实环境中的属性、行为和规则等特性，在数字化空间(虚拟空间)中完成映射，从而反映相对应的物理实体的全生命周期过程的技术。
目前，为了提高电池的管理效率，业界已提出电池数字孪生控制技术。具体的，新兴的电池数字孪生控制技术，是先在云端建立虚拟电池，即建立实体电池的精细化多物理场模型，利用车载电池管理系统上传的电流、电压、温度等数据进行计算分析，并更新虚拟电池状态信息、参数信息、车载BMS控制策略等。另外，还可以实现对电池的状态估计、安全预警以及参数估计等工作。
为了清楚的理解本方案，接下来结合图1对整个电池数字孪生控制系统进行进一步的介绍。
如图1所示，电池数字孪生控制系统由云端控制平台、大批量电动汽车及对应的车辆电池管理系统共同参与完成。在整个电池数字孪生控制系统工作的过程中，云端控制平台向大批量电动汽车各自对应的车载电池管理系统下发控制指令。其中，控制指令用于指示各电动汽车所需上传的电池参数列表。根据云端控制平台的控制指令，各电动汽车对应的车载电池管理系统向云端上传各自对应的电池参数信息。因此，云端控制平台中的云端服务器为各电动汽车中每个电池建立虚拟电池，即建立实体电池对应的精细化多物理场模型，利用车载电池管理系统上传的电池参数信息进行计算分析，并更新虚拟状态信息、参数信息、车载电池管理系统的控制策略等。
然而，在电池数字孪生控制的现有技术中，为每个电动汽车中的每块电池都建立精细化多物理场模型，会导致云端的算力资源消耗非常大。
基于上述存在的问题，本申请提出了如下的技术构思：首先，根据车载电池系统上传的电池使用情况数据和电池及电池包生产厂商的生产执行系统上传的电池生产情况数据对电动汽车进行聚类，将电池生产和使用情况都较为接近的电动汽车归为一类。其次，针对每类电动汽车，对电池进行聚类，将使用情况、装配情况和环境情况都较为接近的电池单体归为一类。这样的两级分类，方便后续对电池的高效管理。接下来，针对每类电动汽车，按照一定比例选取一部分电动汽车到线下车辆维护点进行电池参数检测。同时，针对选取出的电动汽车的不同类别的电池，按照一定比例选取出一部分电池进行电池参数检测。由于具有相似使用情况和生产情况的电池，在老化过程中，电池参数变化情况等应该也是近似一样的。因此，使用聚类算法对电动汽车、电池依次进行聚类，通过对少量的电动汽车中少量电池的精确或特殊检测，可以获得大批量电动汽车的电池参数的情况。因此，在云端控制平台只需为少量的电动汽车中少量电池建立精细化多物理场模型，从而解决了云端的算力资源消耗非常大的问题。同时，要求每隔一段时间每类电动汽车中的一定比例电动汽车到车辆维护点进行电池参数测试，获得更新后的电池参数，然后据此更新电池云端控制平台中所有电池的模型参数。定时更新电池的模型参数，这提高了电池数字孪生控制系统对电动汽车电池的精准控制。
基于上述介绍的技术构思，下面结合图2和具体的实施例对本申请所提供的基于大数据分析的电池数字孪生控制方法进行详细介绍，值得说明的是，本申请各实施例的执行主体为上述介绍的云端，此处的云端例如可以为服务器、处理器和微处理器等具有数据处理功能的设备，本实施例对此执行主体的具体实现不做限定，只要其可以基于数据进行聚类即可，图2为本申请实施例提供的基于大数据分析的电池数字孪生控制方法的流程图一。
如图2所示，该方法包括：
S201、根据多个车辆的车辆信息以及各车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，其中，车辆分类中包括至少一个车辆，电池分类中包括至少一个电池。
在本实施例中，车辆信息包括但不限于以下三种数据：1、车载电池管理系统上传的电池电流、电压及温度等数据，以分析和评估电池实际使用情况；2、车载电池管理系统上传的电动汽车所在的地理位置数据，以分析电动汽车的使用地域情况；3、电池和电池包生产厂商的生产执行系统上传的电池生产数据，以分析电池本征特性、电池单体间的装配情况。
为了更透彻的理解进行聚类操作的出发点，在介绍根据多个车辆的车辆信息以及各车辆中电池的电池信息进行聚类处理之前，首先介绍下大数据分析以及应用。
目前，大数据时代已经来临。大数据时代非常典型的数据特征为：数据量超大、数据种类繁多、数据价值密度较低、产生数据的速度超快、时效性强。基于大数据的重要作用，以至于其获取、储存、搜索、共享、分析，乃至可视化地呈现，都成为了当前重要的研究课题。
随着大数据时代的到来，大数据分析也应运而生。大数据分析是指对规模较大的数据进行分析，从大数据中挖掘出隐藏于大数据中有用的信息。作为大数据分析中一种有效的数据分析方法，聚类分析指将物理或抽象对象的集合分组为由类似的对象组成的多个类的分析过程。聚类分析的目标就是在相似的基础上收集数据来分类。在不同的应用领域，很多聚类技术都得到了发展，这些聚类技术被用作描述数据，衡量不同数据源间的相似性，以及把数据源分类到不同的簇中。基于同样的考虑，本实施例将基于大数据分析对车辆及电池进行聚类处理。在介绍完大数据分析的基本情况后，接下来对基于大数据分析对车辆及电池进行聚类处理的具体实现方式进行详细的介绍。
根据多个车辆的车辆信息，对各车辆的使用地域、电池实际使用情况、电池本征特性、单体间装配情况对电动汽车进行第一聚类，将较为一致的电动汽车聚为一类。聚类完成后，得到至少一个车辆分类。
基于上述根据车辆数据对电动汽车进行聚类后，接下来，针对每类电动汽车，根据电池数据对每辆电动汽车中的电池进行第二聚类。第二聚类完成后，每辆电动汽车得到至少一个电池分类。
在本实施例中，电池信息包括但不限于电动汽车车载电池管理系统上传的电池温度数据和电池及电池包生产厂商的生产执行系统上传的电池成组集成过程中电池装配预紧力数据，以分析电动汽车电池模组或包内不同空间位置电池单体的差异，并将使用情况、装配情况和环境情况都较为接近的电池单体归为一类。
在本实施例中，对电动汽车或电池进行聚类的聚类方法例如可以为K-Means、凝聚层次聚类、自组织映射神经网络等。在本实施例中，只是实现聚类的聚类方法进行示例性的介绍，并不是对实现聚类的聚类方法做以限制，对实现聚类的聚类方法可以根据实际需求进行选择。
S202、根据至少一个车辆分类，在多个车辆中选择目标车辆。
S203、根据至少一个电池分类，在目标车辆中选择目标电池。
接下来，对步骤S202、S203所涉及的内容放在一起进行介绍。
在本实施例中，针对每一个车辆分类，按照一定比例选取一部分电动汽车作为目标车辆。其中，目标车辆用于指示需要进行高精度电池参数测量和特殊工况测试的电动汽车。
基于上述选择为每一类车辆选出目标车辆后，接下来针对每一个车辆分类中的每一辆目标车辆，按照一定比例选取每一辆目标车辆对应的电池中的一部分电池作为目标电池。其中，目标电池用于指示目标车辆需要进行电池参数测量的电池。
具体的，按照一定比例进行选择的方法例如可以为简单随机抽样、系统抽样、分层抽样等抽样方法。
在本实施例中，只是对按照一定比例进行选择的抽样方法进行示例性的介绍，并不是对按照一定比例进行选择的抽样方法做以限制，对于按照一定比例进行选择的方法可以根据实际需求进行选择。
S204、通过第三方设备获取目标车辆对应的目标电池的电池参数，或者，在目标车辆处于特殊工况时，获取目标车辆对应的目标电池的电池参数。
基于步骤S202、S203获得目标车辆及各目标车辆对应的目标电池时，接下来，需要获取目标车辆对应的目标电池的电池参数。
需要强调说明的是，通过车载电池管理系统只能获得电动汽车的一部分电池参数数据。其中，这一部分电池参数通过车辆电池管理系统容易获得，但电池参数不全且精度不高。
因此，为了获得高精度且参数齐全的电池信息，对于不便在车端部署设备进行电池参数测试的情况，通过第三方设备获取目标车辆对应的目标电池的电池参数。其中，本实施例中的第三方设备例如可以为线下车辆维护点的设备。具体的，车辆维护点的电池测量设备包括但不限于电池充放电测试设备、电池电化学阻抗谱测试设备、电池超声测试设备、电池计算机断层扫描(Computed Tomography,CT)测试设备。
同时，对于在电动汽车使用过程中不易进行测试的情况，通过对电动汽车专门进行特殊工况测试，来获取目标车辆对应的目标电池的电池参数。特殊工况测试的执行设备例如可以为但不限于：车载电池管理系统或其他测试设备。其中，特殊工况是指当电动汽车处于空转、或需静置较长时间等工作状态。当电动汽车处于特殊工况时，对电动汽车进行特殊工况测试，例如可以为电化学阻抗谱测试、瞬态脉冲测试、小倍率恒流工况测试、超声测试、CT测试、容量增量曲线测试等，结合计算分析获得精确的电池模型参数，包括但不限于电池电化学阻抗、电池固相电导率、离子扩散速度。
在本实施例中，只是对通过第三方设备和/或特殊工况测试获取电池参数的具体实现方式进行示例性的介绍，并不是对通过第三方设备和/或特殊工况测试获取电池参数的具体实现方式做以限制，对通过第三方设备和/或特殊工况测试获取电池参数的具体实现方式可以根据实际需求进行选择与设定。
因此，在本实施例中通过第三方设备获取目标车辆对应的目标电池的电池参数，或者，在目标车辆处于特殊工况时，获取目标车辆对应的目标电池的电池参数。
需要强调说明的是，目标车辆到第三方设备通过特殊工况获取高精度且不易由车载电池管理系统获得的电池参数，因此电池参数在数量和精度上都得到了极大的提高。
S205、根据目标车辆对应的目标电池的电池参数，更新目标电池对应的精细化多物理场模型的参数，其中，精细化多物理场模型用于确定电池的管理信息。
在一种可能的实现方式中，本实施例可以针对各目标电池，分别建立各目标电池各自对应的精细化多物理场模型。
基于上述步骤S203获得各目标车辆对应的目标电池后，接下来为各目标电池构建各自对应的精细化多物理场模型。
具体的，精细化多物理场模型包括但不限于电池机电热耦合模型、伪二维模型、等效电路模型。模型的输入例如可以为电动汽车中电池负载电流、电压及环境参数等，模型的输出例如可以为电池的电压、温度、内部电化学变量值(如固液相电势、固液相浓度)等。
在本实施例中，只是对精细化多物理模型及其相应的输入、输出进行示例性的介绍，并不是对精细化多物理模型及其相应的输入、输出做以限制，对精细化多物理模型及其相应的输入、输出的具体实现方式可以根据实际需求进行选择。
另外，需要强调说明的是，精细化多物理场模型的数量是根据车辆分类的数量及电池分类的数量决定的。例如，车辆分类的数量为N，各车辆的电池分类为M，那么精细化多物理场模型的数量为N×M个。相比现有技术中为所有车辆中所有的电池均建立精细化多物理场模型，本申请所提的技术方案只需为少量的电动汽车中少量电池建立精细化多物理场模型，从而解决了云端的算力资源消耗非常大的问题。
基于步骤S204获得目标车辆对应的目标电池的电池参数后，第三方设备、车载电池管理系统及其他测试设备会上传该所有目标电池的电池参数至云端控制平台，以更新目标电池对应的精细化多物理场模型的参数。根据更新后的电池参数，电池数字孪生控制系统确定下一步的电池控制操作。
本申请实施例提供的基于大数据分析的电池数字孪生控制方法，包括：根据多个车辆的车辆信息以及各车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，其中，车辆分类中包括至少一个车辆，电池分类中包括至少一个电池。根据至少一个车辆分类，在多个车辆中选择目标车辆。根据至少一个电池分类，在目标车辆中选择目标电池。通过第三方设备获取目标车辆对应的目标电池的电池参数，或者，在目标车辆处于特殊工况时，获取目标车辆对应的目标电池的电池参数。根据目标车辆对应的目标电池的电池参数，更新目标电池对应的精细化多物理场模型的参数，其中，精细化多物理场模型用于确定电池的管理信息。因此，在云端控制平台只需为少量的电动汽车中少量电池建立精细化多物理场模型，从而解决了云端的算力资源消耗非常大的问题。
在上述实施例的基础上，下面结合一个具体的实施例对本申请提供的基于大数据分析的电池数字孪生控制方法进行进一步的介绍，结合图3至图6进行介绍，图3为本申请实施例提供的基于大数据分析的电池数字孪生控制方法的流程图二，图4为本申请实施例提供的整个电池数字孪生控制过程的示意图二，图5为本申请实施例提供的第一聚类后得到的车辆分类的示意图，图6为本申请实施例提供的车辆分类N中电动汽车H经第二聚类后得到的电池分类的示意图。
如图3所示，该方法包括：
S301、将多个车辆的车辆信息输入第一聚类算法单元，得到第一聚类算法单元输出的至少一个车辆分类。
为了更清楚的理解本方案，在详细介绍步骤S301之前，首先结合图4对整个电池数字孪生控制系统进行进一步的介绍。
整个电池数字孪生控制系统由多个子系统共同参与完成。多个子系统至少包括云端控制平台、大批量电动汽车及对应的车辆电池管理系统、电池和电池包生产厂商的生产执行系统及第三方设备。其中，云端控制平台由两部分组成，分别为：云端服务器及虚拟电池。
为了更清晰的了解构成整个电池数字孪生控制系统的各子系统的作用，接下来对各子系统进行详细的介绍：
电池和电池包生产厂商的生产执行系统，主要负责将电池及电池包生产时的数据上传到云端控制平台，数据包括但不限于数据包括但不局限于电池生产批次、正负极材料、涂布厚度、电池预充和分容时的电压、容量、放电内阻、电池成组时的装配预紧力。车载电池管理系统，主要负责上传车辆实时运行数据到云端控制平台，包括但不局限于：电池电流、电压、温度、时间、车辆地理位置、环境温度数据。电动汽车需要定时通过第三方设备进行电池参数测量。其中，车辆维护点的电池测量设备包括但不限于电池充放电测试设备、电池电化学阻抗谱测试设备、电池超声测试设备、电池CT测试设备。
需要说明的一点是，车载电池管理系统、电池和电池包生产厂商的生产执行系统及第三方设备例如可以通过无线信号传输与云端平台进行信息交互。
基于上述电池数字孪生控制系统的介绍，接下来对步骤S301进行详细的说明。
在本实施例中，第一聚类算法单元指示用于实现对电动汽车进行聚类的算法单元。其中，该聚类算法单元所使用的聚类算法例如可以为K-均值、凝聚层次聚类、自组织映射神经网络等。在本实施例中，只是实现聚类的聚类方法进行示例性的介绍，并不是对实现聚类的聚类方法做以限制，对实现聚类的聚类方法可以根据实际需求进行选择。
将多个车辆的车辆信息输入到第一聚类算法单元中，来实现将电池使用情况及生产情况类似的车辆进行聚类。第一聚类完成后，得到第一聚类算法单元输出的至少一个车辆分类。
具体的，云端服务器中包含第一聚类算法单元，将多个车辆的车辆信息输入到第一聚类算法单元中，得到第一聚类算法单元输出的至少一个车辆分类，如图4所示。
为将多个车辆聚类成至少一个车辆分类的过程介绍清楚，接下来，以一个具体的实例进行进一步的介绍。如图5所示，第一聚类前的所有电动汽车的总量构成电动汽车集合，将该电动汽车集合中的所有车辆的车辆信息输入第一聚类单元。经过第一聚类后，该电动汽车集合被聚类成N类,分别为车辆分类1、车辆分类2、…、及车辆分类N。
在本实施例中，只是对根据车辆信息对车辆进行第一次聚类、以及聚类后的分类数量进行示例性的介绍，并不是对根据车辆信息对将车辆进行第一次聚类、以及聚类后的分类数量做以限制，对根据车辆信息对将车辆进行第一次聚类、以及聚类后的分类数量可以根据实际需求进行选择。
S302、将各车辆分类中所包括的各车辆的电池信息，分别输入至第二聚类算法单元，得到第二聚类算法单元输出的各所述车辆分类中各车辆所对应的至少一个电池分类。
在本实施例中，第二聚类算法单元指示用于实现对电池进行聚类的算法单元。其中，该聚类算法单元所使用的聚类算法例如可以为K-Means、凝聚层次聚类、自组织映射神经网络等。在本实施例中，只是实现聚类的聚类方法进行示例性的介绍，并不是对实现聚类的聚类方法做以限制，对实现聚类的聚类方法可以根据实际需求进行选择。
将各车辆分类中所包括的各车辆的电池信息，分别输入至第二聚类算法单元中，来实现将使用情况、装配情况及环境情况类似的电池进行聚类。第二聚类完成后，得到第二聚类算法单元输出的各车辆分类中各车辆所对应的至少一个电池分类。
具体的，云端服务器中包含第二聚类算法单元，将各车辆分类中所包括的各车辆的电池信息输入到第二聚类算法单元中，得到第二聚类算法单元输出的各车辆分类中各车辆所对应的至少一个电池分类，如图4所示。
接下来，为将各车辆分类中各车辆所包括的电池聚类成至少一个电池分类过程介绍清楚，接下来，以一个具体的实例进行进一步的介绍。假设在车辆分类N中包括电动汽车H，以电动汽车H为例，如图6所示，第二聚类前的车辆分类N中电动汽车H的所有电池构成电动汽车H对应的电池集合，将该电池集合的电池信息输入到第二聚类算法单元中，得到第二聚类算法单元输出的电动汽车H对应的M个电池分类，分别为电池分类1、电池分类2、…、及电池分类M。
上述是针对车辆分类N中的电动汽车H的电池进行分类，得到了M个分类，在实际实现过程中，针对车辆分类N中所包括的每一个电动汽车的电池，均按照上述的方式进行分类，则得到了车辆分类N中的各个车辆所对应的电池分类。
在本实施例中，只是对根据电池信息对电池进行第二次聚类、聚类后的分类数量，以及每个车辆中所包含的车辆分类进行示例性的介绍，并不是对根据电池信息对电池进行第二次聚类、聚类后的分类数量，以及每个车辆中所包含的车辆分类做以限制，对根据电池信息对电池进行第二次聚类、聚类后的分类数量，以及每个车辆中所包含的车辆分类可以根据实际需求进行设定。
在上述介绍的聚类处理的基础上，此处以一个具体的示例对聚类处理的实现再进行一个详细的介绍：假设当前存在100辆电动车，首先对这100辆电动车进行第一聚类处理，比如说可以得到A、B、C、D四个车辆分类，之后针对每一个车辆分类分别进行电池的分类。
以其中的车辆分类A为例，比如说在车辆分类A中包括25辆电动车，假设每辆车都有300个电池，则此时针对车辆分类A的电池进行聚类时，比如说可以对这25辆车分别处理，将每一辆车的电池都分为两类，其中靠近车头的前150个电池可以为一类，靠近车尾的后150个电池可以为一类，则对车辆分类A中的25个车辆都按照这样的方式分别进行电池分类处理，就实现了对车辆分类A中的车辆的电池分类。
在实际实现过程中，具体的车辆分类的数量和方式，以及具体的电池分类的熟练和方式均可以根据实际需求进行选择，本实施例对此不做限制。
S303、按照各车辆分类各自对应的第一比例，在各车辆分类中选择第一比例对应的车辆，得到目标车辆。
在本实施例中，为了减少电池参数测量的工作量，由于经过第一聚类单元后的每一类电动汽车中电池的使用情况和生产情况类似，因此考虑从每类电动汽车中选取一部分电动汽车到车辆维修点进行电池参数测量。
具体的，按照每车辆分类各自对应的第一比例，在各车辆分类中选择的第一比例对应的车辆，得到目标车辆。
S304、按照各电池分类各自对应的第二比例，在各目标车辆的电池中，选择各第二比例对应的电池，得到目标电池。
在本实施例中，为了进一步减少电池参数测量的工作量，由于第二聚类单元后的每一类电池的使用情况、装配情况及环境情况类似，因此考虑从每一类电池中选取一部分进行电池参数测量。
具体的，按照各电池分类各自对应的第二比例，在各目标车辆的电池中，选择各第二比例对应的电池，得到目标电池。
S305、针对各目标电池，分别建立各目标电池各自对应的精细化多物理场模型。
其中，步骤S305与步骤S204中为各目标电池建立各自对应的精细化多物理场模型的具体实现方式类似，此处不再赘述。
S306、向目标车辆发送指示信息，其中，指示信息用于指示各目标车辆发送各自对应的目标电池的电池参数。
在本实施例中，为了得到目标车辆的电池参数对应的具体参数值，云端控制平台会向各目标车辆的车载电池管理系统发送指示信息。其中，指示信息用于指示各目标车辆发送各自对应的目标电池的电池参数。
在本实施例中，只是对指示信息的发出设备及接收设备进行示例性的介绍，并不是对指示信息的发出设备及接收设备做以限制，对于指示信息的发出设备及接收设备可以根据实际需求进行选择。
S307、接收各目标车辆根据指示信息发送的目标电池的电池参数。
基于上述步骤S306，各目标车辆在接收到来自云端控制平台的指示信息后，接下来根据指示信息中的各自对应的目标电池的电池参数，通过第三方设备或者特殊工况侧是来获取目标车辆对应的目标电池的电池参数，并将目标车辆对应的目标电池的电池参数上传到云端控制平台。
其中，通过第三方设备或者特殊工况侧是来获取目标车辆对应的目标电池的电池参数的实现方式与步骤S204的具体实现方式类似，此处不再赘述。
当获得各目标车辆对应的目标电池的电池参数后，第三方设备、车载电池管理系统及其他测试设备会上传该所有目标电池的电池参数至云端控制平台，以更新目标电池对应的精细化多物理场模型的参数。
S308、根据目标车辆对应的目标电池的电池参数，更新所述目标电池对应的精细化多物理场模型的参数。
基于步骤S307云端控制平台接收到各目标车辆根据指示信息发送的目标的电池参数，接下来云端控制平台根据目标车辆对应的目标电池的电池参数，更新所述目标电池对应的精细化多物理场模型的参数，促使电池数字孪生控制系统执行进一步的电池控制操作。
S309、按照预设时长，更新目标车辆对应的目标电池的电池参数。
在本实施例中，为了使电池数字孪生控制系统对电池进行精准的参数预估、安全预警等操作，云端控制平台按照预设时长，对目标车辆对应的目标电池的电池参数进行更新操作。其中，每次更新的电池参数的数量可以为一个、多个或全部参数。
在本实施例中，只是对更新的电池参数及更新预设时长进行示例性的介绍，并不是对更新的电池参数及更新预设时长做以限制，对更新的电池参数及更新预设时长可以根据实际需求进行设置。
具体的，云端控制平台按照预设时长定期下发更新参数控制指令，对目标车辆对应的目标电池的电池参数进行电池参数更新指示，如图4所示。
本申请实施例提供的基于大数据分析的电池数字孪生控制方法，包括：将多个车辆的车辆信息输入第一聚类算法单元，得到第一聚类算法单元输出的至少一个车辆分类。将各车辆分类中所包括的各车辆的电池信息，分别输入至第二聚类算法单元，得到第二聚类算法单元输出的各所述车辆分类中各车辆所对应的至少一个电池分类。按照各车辆分类各自对应的第一比例，在各车辆分类中选择第一比例对应的车辆，得到目标车辆。按照各电池分类各自对应的第二比例，在各目标车辆的电池中，选择各第二比例对应的电池，得到目标电池。针对各目标电池，分别建立各目标电池各自对应的精细化多物理场模型。向目标车辆发送指示信息，其中，指示信息用于指示各目标车辆发送各自对应的目标电池的电池参数。接收各目标车辆根据指示信息发送的目标电池的电池参数。根据目标车辆对应的目标电池的电池参数，更新所述目标电池对应的精细化多物理场模型的参数。按照预设时长，更新目标车辆对应的目标电池的电池参数。其中，目标车辆到第三方设备通过特殊工况获取高精度且不易由车载电池管理系统获得的电池参数，因此电池参数在数量和精度上都得到了极大的提高。同时，按照预设时长定期更新目标车辆对应的目标电池的电池参数，这能够使得电动汽车在全生命周期内可以不断的进行不同电池参数的更新，以使数字孪生的虚拟电池能够和实际物理电池保持一致，这对电池的精准控制和安全管理具有重要意义。
图7为本申请实施例提供的基于大数据分析的电池数字孪生控制装置的结构示意图。如图7所示，该装置70包括：聚类模块701、第一选择模块702、第二选择模块703、第一处理模块704以及第二处理模块705。
聚类模块701，用于根据多个车辆的车辆信息以及各所述车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，其中，所述车辆分类中包括至少一个车辆，所述电池分类中包括至少一个电池；
第一选择模块702，用于根据所述至少一个车辆分类，在所述多个车辆中选择目标车辆；
第二选择模块703，用于根据所述至少一个电池分类，在所述目标车辆中选择目标电池；
第一处理模块704，用于通过第三方设备获取所述目标车辆对应的目标电池的电池参数，或者，在所述目标车辆处于特殊工况时，获取所述目标车辆对应的目标电池的电池参数；
第二处理模块705，用于根据所述目标车辆对应的目标电池的电池参数，更新所述目标电池对应的精细化多物理场模型的参数，其中，所述精细化多物理场模型用于确定电池的管理信息。
在一种可能的设计中，所述聚类模块701具体用于：
根据所述多个车辆的车辆信息进行第一聚类处理，得到至少一个车辆分类；
根据各所述车辆分类中所包括的车辆的电池信息，对各所述车辆分类中的车辆分别进行第二聚类处理，得到各所述车辆分类中各车辆所对应的至少一个电池分类。
在一种可能的设计中，所述聚类模块701具体用于：
将所述多个车辆的车辆信息输入第一聚类算法单元，得到所述第一聚类算法单元输出的至少一个车辆分类。
在一种可能的设计中，所述聚类模块701具体用于：
将各所述车辆分类中所包括的各车辆的电池信息，分别输入至第二聚类算法单元，得到所述第二聚类算法单元输出的各所述车辆分类中各车辆所对应的至少一个电池分类。
在一种可能的设计中，所述第一选择模块702具体用于：
按照各所述车辆分类各自对应的第一比例，在各所述车辆分类中选择第一比例对应的车辆，得到目标车辆。
在一种可能的设计中，所述第二选择模块703具体用于：
按照各所述电池分类各自对应的第二比例，在各所述目标车辆的电池中，选择各所述第二比例对应的电池，得到目标电池。
在一种可能的设计中，所述第二处理模块705还用于：
针对各所述目标电池，分别建立各所述目标电池各自对应的精细化多物理场模型。
在一种可能的设计中，所述第一处理模块704具体用于：
向所述目标车辆发送指示信息，其中，所述指示信息用于指示各所述目标车辆发送各自对应的目标电池的电池参数；
接收各所述目标车辆根据所述指示信息发送的目标电池的电池参数。
在一种可能的设计中，所述第一处理模块704还用于：
按照预设时长，更新所述目标车辆对应的目标电池的电池参数。
本实施例提供的装置，可用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，本实施例此处不再赘述。
图8为本申请实施例提供的基于大数据分析的电池数字孪生控制设备的硬件结构示意图，如图8所示，本实施例的基于大数据分析的电池数字孪生控制设备80包括：处理器801以及存储器802；其中
存储器802，用于存储计算机执行指令；
处理器801，用于执行存储器存储的计算机执行指令，以实现上述实施例中基于大数据分析的电池数字孪生控制方法所执行的各个步骤。具体可以参见前述方法实施例中的相关描述。
可选地，存储器802既可以是独立的，也可以跟处理器801集成在一起。
当存储器802独立设置时，该基于大数据分析的电池数字孪生控制设备还包括总线803，用于连接所述存储器802和处理器801。
本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上基于大数据分析的电池数字孪生控制设备所执行的基于大数据分析的电池数字孪生控制方法。
本申请实施例还提供一种计算机程序产品，程序产品包括：计算机程序，计算机程序存储在可读存储介质中，电子设备的至少一个处理器可以从可读存储介质读取计算机程序，至少一个处理器执行计算机程序使得电子设备执行上述任一实施例提供的方案。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。例如，以上所描述的设备实施例仅仅是示意性的，例如，所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。
上述以软件功能模块的形式实现的集成的模块，可以存储在一个计算机可读取存储介质中。上述软件功能模块存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)或处理器(英文：processor)执行本申请各个实施例所述方法的部分步骤。
应理解，上述处理器可以是中央处理单元(英文：Central Processing Unit，简称：CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，简称：DSP)、专用集成电路(英文：Application Specific Integrated Circuit，简称：ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
存储器可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器，还可以为U盘、移动硬盘、只读存储器、磁盘或光盘等。
总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component，PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture，EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
上述存储介质可以是由任何类型的易失性或非易失性存储设备或者它们的组合实现，如静态随机存取存储器(SRAM)，电可擦除可编程只读存储器(EEPROM)，可擦除可编程只读存储器(EPROM)，可编程只读存储器(PROM)，只读存储器(ROM)，磁存储器，快闪存储器，磁盘或光盘。存储介质可以是通用或专用计算机能够存取的任何可用介质。
本领域普通技术人员可以理解：实现上述各方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成。前述的程序可以存储于一计算机可读取存储介质中。该程序在执行时，执行包括上述各方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上各实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述各实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的范围。

Claims (11)

1.一种基于大数据分析的电池数字孪生控制方法，其特征在于，包括：
根据多个车辆的车辆信息以及各所述车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，其中，所述车辆分类中包括至少一个车辆，所述电池分类中包括至少一个电池；所述车辆信息包括如下中的至少一种：所述车辆所处的地理位置数据以及所述车辆所包括的电池电压、电流、第一温度数据、第一电池生产数据；所述电池信息包括如下中的至少一种：第二温度数据、第二电池生产数据以及电池装配预紧力数据；
根据所述至少一个车辆分类，在所述多个车辆中选择目标车辆；
根据所述至少一个电池分类，在所述目标车辆中选择目标电池；
通过第三方设备获取所述目标车辆对应的目标电池的电池参数，或者，在所述目标车辆处于特殊工况时，获取所述目标车辆对应的目标电池的电池参数，所述特殊工况是车辆处于空转和/或静置时长超过预设时长的工作状态；
根据所述目标车辆对应的目标电池的电池参数，更新所述目标电池对应的精细化多物理场模型的参数，其中，所述精细化多物理场模型用于确定电池的管理信息；
所述根据多个车辆的车辆信息以及各所述车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，包括：
根据所述多个车辆的车辆信息进行第一聚类处理，得到至少一个车辆分类；
根据各所述车辆分类中所包括的车辆的电池信息，对各所述车辆分类中的车辆分别进行第二聚类处理，得到各所述车辆分类中各车辆所对应的至少一个电池分类。
2.根据权利要求1所述的方法，其特征在于，所述根据所述多个车辆的车辆信息进行第一聚类处理，得到至少一个车辆分类，包括：
将所述多个车辆的车辆信息输入第一聚类算法单元，得到所述第一聚类算法单元输出的至少一个车辆分类。
3.根据权利要求1所述的方法，其特征在于，所述根据各所述车辆分类中所包括的车辆的电池信息，对各所述车辆分类中的车辆分别进行第二聚类处理，得到各所述车辆分类中各车辆所对应的至少一个电池分类，包括：
将各所述车辆分类中所包括的各车辆的电池信息，分别输入至第二聚类算法单元，得到所述第二聚类算法单元输出的各所述车辆分类中各车辆所对应的至少一个电池分类。
4.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述至少一个车辆分类，在所述多个车辆中选择目标车辆，包括：
按照各所述车辆分类各自对应的第一比例，在各所述车辆分类中选择第一比例对应的车辆，得到目标车辆。
5.根据权利要求1-3任一项所述的方法，其特征在于，所述根据所述至少一个电池分类，在所述目标车辆中选择目标电池，包括：
按照各所述电池分类各自对应的第二比例，在各所述目标车辆的电池中，选择各所述第二比例对应的电池，得到目标电池。
6.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
针对各所述目标电池，分别建立各所述目标电池各自对应的精细化多物理场模型。
7.根据权利要求1-3任一项所述的方法，其特征在于，所述获取所述目标车辆对应的目标电池的电池参数，包括：
向所述目标车辆发送指示信息，其中，所述指示信息用于指示各所述目标车辆发送各自对应的目标电池的电池参数；
接收各所述目标车辆根据所述指示信息发送的目标电池的电池参数。
8.根据权利要求1-3任一项所述的方法，其特征在于，所述方法还包括：
按照预设时长，更新所述目标车辆对应的目标电池的电池参数。
9.一种基于大数据分析的电池数字孪生控制装置，其特征在于，包括：
聚类模块，用于根据多个车辆的车辆信息以及各所述车辆中电池的电池信息进行聚类处理，得到至少一个车辆分类和至少一个电池分类，其中，所述车辆分类中包括至少一个车辆，所述电池分类中包括至少一个电池；所述车辆信息包括如下中的至少一种：所述车辆所处的地理位置数据以及所述车辆所包括的电池电压、电流、第一温度数据、第一电池生产数据；所述电池信息包括如下中的至少一种：第二温度数据、第二电池生产数据以及电池装配预紧力数据；
第一选择模块，用于根据所述至少一个车辆分类，在所述多个车辆中选择目标车辆；
第二选择模块，用于根据所述至少一个电池分类，在所述目标车辆中选择目标电池；
第一处理模块，用于通过第三方设备获取所述目标车辆对应的目标电池的电池参数，或者，在所述目标车辆处于特殊工况时，获取所述目标车辆对应的目标电池的电池参数，所述特殊工况是车辆处于空转和/或静置时长超过预设时长的工作状态；
第二处理模块，用于根据所述目标车辆对应的目标电池的电池参数，更新所述目标电池对应的精细化多物理场模型的参数，其中，所述精细化多物理场模型用于确定电池的管理信息；
所述聚类模块具体用于：
根据所述多个车辆的车辆信息进行第一聚类处理，得到至少一个车辆分类；
根据各所述车辆分类中所包括的车辆的电池信息，对各所述车辆分类中的车辆分别进行第二聚类处理，得到各所述车辆分类中各车辆所对应的至少一个电池分类。
10.一种基于大数据分析的电池数字孪生控制设备，其特征在于，包括：
存储器，用于存储程序；
处理器，用于执行所述存储器存储的所述程序，当所述程序被执行时，所述处理器用于执行如权利要求1至8中任一所述的方法。
11.一种计算机可读存储介质，其特征在于，包括指令，当其在计算机上运行时，使得计算机执行如权利要求1至8中任一所述的方法。
CN202110161694.7A 2021-02-05 2021-02-05 基于大数据分析的电池数字孪生控制方法及装置 Active CN112818602B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110161694.7A CN112818602B (zh) 2021-02-05 2021-02-05 基于大数据分析的电池数字孪生控制方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110161694.7A CN112818602B (zh) 2021-02-05 2021-02-05 基于大数据分析的电池数字孪生控制方法及装置

Publications (2)

Publication Number Publication Date
CN112818602A CN112818602A (zh) 2021-05-18
CN112818602B true CN112818602B (zh) 2021-09-28

Family

ID=75861760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110161694.7A Active CN112818602B (zh) 2021-02-05 2021-02-05 基于大数据分析的电池数字孪生控制方法及装置

Country Status (1)

Country Link
CN (1) CN112818602B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113406508A (zh) * 2021-06-23 2021-09-17 苏州东吴智控科技有限公司 基于数字孪生的电池检测和维护方法及装置
CN113343487B (zh) * 2021-06-29 2023-08-22 山推工程机械股份有限公司 基于大数据分析的电动推土机用电池试验方案的生成方法
CN113671382A (zh) * 2021-09-06 2021-11-19 中国科学院电工研究所 一种基于云-端数字孪生的电池储能系统状态估计方法
CN113517760B (zh) * 2021-09-10 2021-11-30 广州健新科技有限责任公司 一种基于大数据和数字孪生的电池储能站监测方法及系统
CN114062786B (zh) * 2022-01-07 2022-04-01 北京航空航天大学 一种基于数字孪生和可编程电阻的eis在线测量方法
CN115009097B (zh) * 2022-03-10 2024-06-21 深圳市道通合创数字能源有限公司 一种车辆的电池数据管理方法、云服务器及车辆通信装置
CN114630211B (zh) * 2022-05-13 2022-08-05 苏州氢澜科技有限公司 一种基于数字孪生的燃料电池生产系统及其调整方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107678415A (zh) * 2016-10-17 2018-02-09 深圳市东方之星电源有限公司 基于云计算的车载bms的诊断和维护方法及系统
CN108182483A (zh) * 2017-11-23 2018-06-19 南京邮电大学 基于二次聚类的大规模电动汽车充电调度系统及其优化方法
CN109978052A (zh) * 2019-03-25 2019-07-05 北京快电科技有限公司 一种用户侧能源设备智慧检修方法
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
CN111762051A (zh) * 2020-06-03 2020-10-13 国网上海市电力公司 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111242172A (zh) * 2019-12-31 2020-06-05 浙江吉利新能源商用车集团有限公司 一种电池画像标签生成方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107678415A (zh) * 2016-10-17 2018-02-09 深圳市东方之星电源有限公司 基于云计算的车载bms的诊断和维护方法及系统
CN108182483A (zh) * 2017-11-23 2018-06-19 南京邮电大学 基于二次聚类的大规模电动汽车充电调度系统及其优化方法
CN109978052A (zh) * 2019-03-25 2019-07-05 北京快电科技有限公司 一种用户侧能源设备智慧检修方法
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
CN111762051A (zh) * 2020-06-03 2020-10-13 国网上海市电力公司 基于聚合商的电动汽车参与受端电网低谷调峰需求响应调控方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Fault diagnosis and quantitative analysis of micro-short circuits for lithium-ion batteries in battery packs;孔祥栋 等;《JOURNAL OF POWER SOURCES》;SCI;20180815;第396卷;全文 *
Stakeholder Analysis of Digital Twins for Battery Systems;Lukas Merkle 等;《2020 Fifteenth International Conference on Ecological Vehicles and Renewable Energies (EVER)》;IEEE;20201102;全文 *
电动汽车锂离子电池管理系统的关键技术;卢兰光 等;《科技导报》;20160328;第34卷(第6期);全文 *

Also Published As

Publication number Publication date
CN112818602A (zh) 2021-05-18

Similar Documents

Publication Publication Date Title
CN112818602B (zh) 基于大数据分析的电池数字孪生控制方法及装置
Hu et al. Health prognosis for electric vehicle battery packs: A data-driven approach
Dos Reis et al. Lithium-ion battery data and where to find it
Hasib et al. A comprehensive review of available battery datasets, RUL prediction approaches, and advanced battery management
Farmann et al. Comparative study of reduced order equivalent circuit models for on-board state-of-available-power prediction of lithium-ion batteries in electric vehicles
Qiao et al. Toward safe carbon–neutral transportation: Battery internal short circuit diagnosis based on cloud data for electric vehicles
CN112433169B (zh) 一种云端动力电池健康度评估系统及方法
CN112834945B (zh) 评估模型建立方法、电池健康状态评估方法及相关产品
US8340934B2 (en) Method of performance analysis for VRLA battery
CN109100655B (zh) 一种动力电池的数据处理方法和装置
Li et al. On-line estimation method of lithium-ion battery health status based on PSO-SVM
CN114280479B (zh) 一种基于电化学阻抗谱的退役电池快速分选方法
Huang et al. State of health estimation of lithium-ion batteries based on the regional frequency
CN114818831B (zh) 基于多源感知的双向锂离子电池故障检测方法及系统
CN111505511B (zh) 一种电动汽车单体电芯容量测定方法、电子设备及存储介质
CN116609676B (zh) 一种基于大数据处理的混合储能电池状态监控方法及系统
CN108710087A (zh) 一种纯电动汽车电池组健康状态测取装置及其测取方法
Shen et al. A sensitivity-based group-wise parameter identification algorithm for the electric model of li-ion battery
CN115754726A (zh) 一种电池寿命预测及维持方法、电子设备和存储介质
Liu et al. Deduction of the transformation regulation on voltage curve for lithium-ion batteries and its application in parameters estimation
Cao et al. Non-invasive characteristic curve analysis of lithium-ion batteries enabling degradation analysis and data-driven model construction: a review
Hu et al. Performance evaluation strategy for battery pack of electric vehicles: Online estimation and offline evaluation
CN113311346B (zh) 一种电芯预警方法、装置、云平台及存储介质
Wang et al. A comprehensive data-driven assessment scheme for power battery of large-scale electric vehicles in cloud platform
CN114076899B (zh) 电池寿命的分档预估方法、装置、设备、系统及介质

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