CN113591364A - 燃料电池管理系统的管理方法及装置 - Google Patents

燃料电池管理系统的管理方法及装置 Download PDF

Info

Publication number
CN113591364A
CN113591364A CN202110636351.1A CN202110636351A CN113591364A CN 113591364 A CN113591364 A CN 113591364A CN 202110636351 A CN202110636351 A CN 202110636351A CN 113591364 A CN113591364 A CN 113591364A
Authority
CN
China
Prior art keywords
digital twin
fuel cell
battery
debugging
management system
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
Application number
CN202110636351.1A
Other languages
English (en)
Inventor
洪吉超
徐晓明
孙旭东
胡松
赤骋
陈东方
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.)
University of Science and Technology Beijing USTB
Original Assignee
University of Science and Technology Beijing USTB
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 University of Science and Technology Beijing USTB filed Critical University of Science and Technology Beijing USTB
Priority to CN202110636351.1A priority Critical patent/CN113591364A/zh
Publication of CN113591364A publication Critical patent/CN113591364A/zh
Pending legal-status Critical Current

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M8/00—Fuel cells; Manufacture thereof
    • H01M8/04—Auxiliary arrangements, e.g. for control of pressure or for circulation of fluids
    • H01M8/04298—Processes for controlling fuel cells or fuel cell systems
    • H01M8/04992—Processes for controlling fuel cells or fuel cell systems characterised by the implementation of mathematical or computational algorithms, e.g. feedback control loops, fuzzy logic, neural networks or artificial intelligence
    • 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
    • G06F2119/04—Ageing analysis or optimisation against ageing
    • 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
    • Y02E60/30—Hydrogen technology
    • Y02E60/50—Fuel cells

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Marketing (AREA)
  • Computing Systems (AREA)
  • Development Economics (AREA)
  • General Engineering & Computer Science (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • General Business, Economics & Management (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • Manufacturing & Machinery (AREA)
  • Fuzzy Systems (AREA)
  • Geometry (AREA)
  • Mathematical Physics (AREA)
  • Computer Hardware Design (AREA)
  • Automation & Control Theory (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Sustainable Development (AREA)
  • Sustainable Energy (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Fuel Cell (AREA)

Abstract

本发明公开了一种燃料电池管理系统的管理方法及装置，其中，方法包括：生成与燃料电池管理系统相对应的调试数字孪生体；在基于调试数字孪生体对调试控制器进行初始化后，接收燃料电池管理系统的调试输入数据和调试输出数据；利用调试输入数据和调试输出数据更新调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体；接收燃料电池管理系统的操作输入数据和操作输出数据；利用操作输入数据和操作输出数据适配操作数字孪生体，以基于适配后的操作数字孪生体对燃料电池管理系统进行管理。该方法能够有效地克服传统电池控制管理的缺点，对不同电池类型和不同工况的适应性极强，有助于提高对电池全生命周期的控制及寿命预测效果。

Description

燃料电池管理系统的管理方法及装置
技术领域
本发明涉及燃料电池技术领域，特别涉及一种燃料电池管理系统的管理方法及装置。
背景技术
燃料电池的性能在使用过程中会逐渐衰退，对电池系统以及载运工具的安全性与可靠性具有重要影响。
相关技术中，电池寿命预测方法大多是针对特定的电池，基于对电池进行离线试验的试验结果来设计，所覆盖的应用工况少，试验环境变化小。
然而，该电池寿命预测方法无法针对工况及环境变化做出更新，亟待解决。
发明内容
本发明旨在至少在一定程度上解决相关技术中的技术问题之一。
为此，本发明的一个目的在于提出一种燃料电池管理系统的管理方法，通过建立电池的数字孪生体，生成电池在不同工作条件下的老化轨迹，能够有效地应对电池不一致性、环境及工作条件的变化，并且结合机器学习模型，建立快速电池寿命预测模型，并实现其定期更新以应对工况及环境变化，能够有效地克服传统电池控制管理的缺点，对不同电池类型和不同工况的适应性极强，有助于提高对电池全生命周期的控制及寿命预测效果。
本发明的另一个目的在于提出一种燃料电池管理系统的管理装置。
为达到上述目的，本发明一方面实施例提出了燃料电池管理系统的管理方法，包括以下步骤：
生成与燃料电池管理系统相对应的调试数字孪生体；
在基于所述调试数字孪生体对调试控制器进行初始化后，接收所述燃料电池管理系统的调试输入数据和调试输出数据；
利用所述调试输入数据和所述调试输出数据更新所述调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体；
接收所述燃料电池管理系统的操作输入数据和操作输出数据，其中，所述操作输入数据覆盖与所述调试输入数据不同的数据范围；以及
利用所述操作输入数据和所述操作输出数据适配所述操作数字孪生体，以基于适配后的操作数字孪生体对所述燃料电池管理系统进行管理。
本发明实施例的燃料电池管理系统的管理方法，可以生成与燃料电池管理系统相对应的调试数字孪生体，并在基于调试数字孪生体对调试控制器进行初始化后，接收燃料电池管理系统的调试输入数据和调试输出数据，并利用调试输入数据和调试输出数据更新调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体，并接收燃料电池管理系统的操作输入数据和操作输出数据，并利用操作输入数据和操作输出数据适配操作数字孪生体，以基于适配后的操作数字孪生体对燃料电池管理系统进行管理。由此，通过建立电池的数字孪生体，生成电池在不同工作条件下的老化轨迹，能够有效地应对电池不一致性、环境及工作条件的变化，并且结合机器学习模型，建立快速电池寿命预测模型，并实现其定期更新以应对工况及环境变化，能够有效地克服传统电池控制管理的缺点，对不同电池类型和不同工况的适应性极强，有助于提高对电池全生命周期的控制及寿命预测效果。
另外，根据本发明上述实施例的燃料电池管理系统的管理方法还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，还包括：
构建燃料电池的数字孪生体和电池寿命快速预测模型，以得到所述燃料电池的实际剩余寿命。
进一步地，在本发明的一个实施例中，所述构建燃料电池的数字孪生体和电池寿命快速预测模型，包括：
采集所述燃料电池的运行状态数据；
基于所述燃料电池的结构与材料建立用于仿真电池寿命的理论模型，并结合离线的电池老化试验确定并验证模型中对电池寿命产生影响的目标参数，基以建立通用数字孪生体；
利用修正算法和历史运行状态数据对所述通用数字孪生体进行修正，建立所述燃料电池的寿命数字孪生体。
进一步地，在本发明的一个实施例中，所述构建燃料电池的数字孪生体和电池寿命快速预测模型，包括：
从所述历史运行数据中得到所述燃料电池的运行工况及环境变化的统计信息，并基于所述统计信息生成出现的不同电池运行工况及环境情况的概率分布；
将所述运行工况及环境变化的统计信息输入至所述寿命数字孪生体，并对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；
基于机器学习算法建立电池寿命快速预测模型，利用所述仿真电池老化数据集对所述电池寿命快速预测模型进行训练；
利用训练好的电池寿命快速预测模型对所述燃料电池的实际剩余寿命进行预测。
进一步地，在本发明的一个实施例中，所述构建燃料电池的数字孪生体和电池寿命快速预测模型，还包括：
每个预设时长，利用采集燃料电池的当前工况、实际环境变化以及用户习惯对所述电池寿命快速预测模型进行更新。
为达到上述目的，本发明另一方面实施例提出了一种燃料电池管理系统的管理装置，包括：
第一生成模块，用于生成与燃料电池管理系统相对应的调试数字孪生体；
第一接收模块，用于在基于所述调试数字孪生体对调试控制器进行初始化后，接收所述燃料电池管理系统的调试输入数据和调试输出数据；
第二生成模块，用于利用所述调试输入数据和所述调试输出数据更新所述调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体；
第二接收模块，用于接收所述燃料电池管理系统的操作输入数据和操作输出数据，其中，所述操作输入数据覆盖与所述调试输入数据不同的数据范围；以及
管理模块，用于利用所述操作输入数据和所述操作输出数据适配所述操作数字孪生体，以基于适配后的操作数字孪生体对所述燃料电池管理系统进行管理。
本发明实施例的燃料电池管理系统的管理装置，可以生成与燃料电池管理系统相对应的调试数字孪生体，并在基于调试数字孪生体对调试控制器进行初始化后，接收燃料电池管理系统的调试输入数据和调试输出数据，并利用调试输入数据和调试输出数据更新调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体，并接收燃料电池管理系统的操作输入数据和操作输出数据，并利用操作输入数据和操作输出数据适配操作数字孪生体，以基于适配后的操作数字孪生体对燃料电池管理系统进行管理。由此，通过建立电池的数字孪生体，生成电池在不同工作条件下的老化轨迹，能够有效地应对电池不一致性、环境及工作条件的变化，并且结合机器学习模型，建立快速电池寿命预测模型，并实现其定期更新以应对工况及环境变化，能够有效地克服传统电池控制管理的缺点，对不同电池类型和不同工况的适应性极强，有助于提高对电池全生命周期的控制及寿命预测效果。
另外，根据本发明上述实施例的燃料电池管理系统的管理装置还可以具有以下附加的技术特征：
进一步地，在本发明的一个实施例中，还包括：
构建模块，用于构建燃料电池的数字孪生体和电池寿命快速预测模型，以得到所述燃料电池的实际剩余寿命。
进一步地，在本发明的一个实施例中，所述构建模块，具体用于：
采集所述燃料电池的运行状态数据；
基于所述燃料电池的结构与材料建立用于仿真电池寿命的理论模型，并结合离线的电池老化试验确定并验证模型中对电池寿命产生影响的目标参数，基以建立通用数字孪生体；
利用修正算法和历史运行状态数据对所述通用数字孪生体进行修正，建立所述燃料电池的寿命数字孪生体。
进一步地，在本发明的一个实施例中，所述构建模块，具体用于：
从所述历史运行数据中得到所述燃料电池的运行工况及环境变化的统计信息，并基于所述统计信息生成出现的不同电池运行工况及环境情况的概率分布；
将所述运行工况及环境变化的统计信息输入至所述寿命数字孪生体，并对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；
基于机器学习算法建立电池寿命快速预测模型，利用所述仿真电池老化数据集对所述电池寿命快速预测模型进行训练；
利用训练好的电池寿命快速预测模型对所述燃料电池的实际剩余寿命进行预测。
进一步地，在本发明的一个实施例中，所述构建模块，还用于：
每个预设时长，利用采集燃料电池的当前工况、实际环境变化以及用户习惯对所述电池寿命快速预测模型进行更新。
本发明附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：
图1为根据本发明实施例的燃料电池管理系统的管理方法的流程图；
图2为根据本发明一个实施例的基于数字孪生技术的燃料电池管理系统的原理示意图；
图3为根据本发明一个实施例的基于数字孪生技术的燃料电池管理系统示意图；
图4为根据本发明一个实施例的燃料电池管理系统的管理方法的流程图；
图5为根据本发明一个实施例的实施例的构建燃料电池的数字孪生体和电池寿命快速预测模型的流程图；
图6为根据本发明一个实施例的电池寿命的数字孪生体的构建流程图；
图7为根据本发明一个燃料电池管理系统的管理装置的方框示意图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的燃料电池管理系统的管理方法及装置，首先将参照附图描述根据本发明实施例提出的燃料电池管理系统的管理方法。
图1是本发明一个实施例的燃料电池管理系统的管理方法的流程图。
在介绍本申请实施例的燃料电池管理系统管理方法之前，先简单介绍下基于数字孪生技术的燃料电池管理系统。
该实施例中，如图2所示，该系统包括：调试数字孪生体、调试控制器、操作数字孪生体和操作控制器。
具体地，调试数字孪生体与物理系统相对应，并且在物理系统的调试期间基于物理系统的调试输入数据和调试输出数据进行更新。调试控制器基于调试数字孪生体进行初始化，并且配置成在调试期间管理和控制物理系统。操作数字孪生体基于调试数字孪生体生成，并且在物理系统的操作期间基于物理系统的操作输入数据和操作输出数据进行适配。操作输入数据覆盖与调试输入数据不同的数据范围。操作控制器由调试控制器进行初始化，并且基于操作数字孪生体适配，并且配置成在操作期间管理和控制物理系统。
下面结合图1至图4进行详细介绍本申请实施例的燃料电池管理系统的管理方法。
如图1所示，该燃料电池管理系统的管理方法包括以下步骤：
在步骤S101中，生成与燃料电池管理系统相对应的调试数字孪生体。
具体而言，本申请实施例可以以燃料电池管理系统的实物为参考，建立相对应的调试数字孪生体，主要是对其系统结构和相关算法进行建模，并保证建模精度，使调试数字孪生体可以基本做到与实物的一一对应。
在步骤S102中，在基于调试数字孪生体对调试控制器进行初始化后，接收燃料电池管理系统的调试输入数据和调试输出数据。
其中，初始化即为将之前调试过程中的历史数据进行清除。
在步骤S103中，利用调试输入数据和调试输出数据更新调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体。
具体地，调试过程就是验证调试数字孪生体的过程，若一开始的建模精度较低，可以通过调参数等手段使精度达到要求；如果调试数字孪生体的精度不符合要求，则不断调试；调试到精度满足了要求，调试后的即为操作数字孪生体。
在步骤S104中，接收燃料电池管理系统的操作输入数据和操作输出数据，其中，操作输入数据覆盖与调试输入数据不同的数据范围。
在步骤S105中，利用操作输入数据和操作输出数据适配操作数字孪生体，以基于适配后的操作数字孪生体对燃料电池管理系统进行管理。
进一步地，如图2所示，图2为本申请一个实施例的燃料电池管理系统的管理系统原理示意图。燃料电池系统搭载在新能源汽车上，在实车运行过程中，会在不同工况下产生大量实车运行数据，通过对这些数据进行监测和状态估算。同时，在云端建立一个数字孪生体，包括燃料电池系统的和新能源汽车的数字孪生体。实车运行数据为云端数字孪生体的输入，同时根据历史数据分析、人工智能分析、机器学习、深度学习等方式，对电池的未来一段时间内的参数和状态进行预测，同时实车数据可以对预测结果进行验证，不断调整预测方法，不断提高预测精度。
进一步地，在本发明的一个实施例中，还包括：构建燃料电池的数字孪生体和电池寿命快速预测模型，以得到燃料电池的实际剩余寿命。
其中，在本发明的一个实施例中，构建燃料电池的数字孪生体和电池寿命快速预测模型，包括：采集燃料电池的运行状态数据；基于燃料电池的结构与材料建立用于仿真电池寿命的理论模型，并结合离线的电池老化试验确定并验证模型中对电池寿命产生影响的目标参数，基以建立通用数字孪生体；利用修正算法和历史运行状态数据对通用数字孪生体进行修正，建立燃料电池的寿命数字孪生体。
应当理解的是，本申请实施例可以针对特定实体燃料电池，进行信号采集，获取用于表征其运行状态的数据(电池的电压、电流、功率、电池内部温度分布、压力、环境温度、湿度等)，并存储于电池数据存储平台；并针对待预测燃料电池的结构与材料，建立用于仿真电池寿命的理论模型，结合离线的电池老化试验确定并验证模型中对电池寿命产生影响的参数，基于参数建立通用数字孪生体；并基于修正算法并利用存储的历史运行状态数据，对通用数字孪生体进行修正，建立实体电池的寿命数字孪生体。
进一步地，在本发明的一个实施例中，构建燃料电池的数字孪生体和电池寿命快速预测模型，包括：从历史运行数据中得到燃料电池的运行工况及环境变化的统计信息，并基于统计信息生成出现的不同电池运行工况及环境情况的概率分布；将运行工况及环境变化的统计信息输入至寿命数字孪生体，并对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；基于机器学习算法建立电池寿命快速预测模型，利用仿真电池老化数据集对电池寿命快速预测模型进行训练；利用训练好的电池寿命快速预测模型对燃料电池的实际剩余寿命进行预测。
具体而言，本申请实施例可以从电池运行历史数据中分析电池的运行工况及环境变化的统计信息，并基于统计信息生成出现的不同电池运行工况及环境情况的概率分布；并将上述生成的运行工况及环境输入到寿命数字孪生体，对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；并基于机器学习算法建立电池寿命快速预测模型，以电池温度、电压、压力等信号作为输入，电池寿命作为输出；利用仿真电池老化数据集对电池寿命快速预测模型进行训练；利用训练好的电池寿命快速预测模型对实体电池的寿命进行预测。
进一步地，在本发明的一个实施例中，构建燃料电池的数字孪生体和电池寿命快速预测模型，还包括：每个预设时长，利用采集燃料电池的当前工况、实际环境变化以及用户习惯对电池寿命快速预测模型进行更新。
也就是说，本申请实施例还可以实时采集电池工况、环境变化以及用户习惯并存储，对电池寿命快速预测模型定期更新。
举例而言，如图5所示，图5为本申请一个实施例的构建燃料电池的数字孪生体和电池寿命快速预测模型的流程图。
如图5所示，该构建燃料电池的数字孪生体和电池寿命快速预测模型，包括：对燃料电池实体的运行数据进行信号采集，并存储至电池历史数据库中，该部分数据作为建模数据的来源，并通过建模数据建立电池寿命的数字孪生体，同时从电池历史数据存储库中得到运行信息，统计分析并生成当前工况以及运行环境，并输入至数字孪生体，电池寿命数字孪生体根据运行数据，生成电池老化数据，进一步生成仿真老化数据集，从而通过训练模型得到电池寿命快速预测模型。
进一步地，如图6所示，图6为电池寿命的数字孪生体的构建流程图。构建电池寿命的数字孪生体，包括：通过离线电池十元和电池建模理论建立通用模型，以得到通用寿命数字孪生体，并结合电池运行历史信息，修正数字孪生体，从而得到电池寿命数字孪生体。
根据本发明实施例提出的燃料电池管理系统的管理方法，可以生成与燃料电池管理系统相对应的调试数字孪生体，并在基于调试数字孪生体对调试控制器进行初始化后，接收燃料电池管理系统的调试输入数据和调试输出数据，并利用调试输入数据和调试输出数据更新调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体，并接收燃料电池管理系统的操作输入数据和操作输出数据，并利用操作输入数据和操作输出数据适配操作数字孪生体，以基于适配后的操作数字孪生体对燃料电池管理系统进行管理。由此，通过建立电池的数字孪生体，生成电池在不同工作条件下的老化轨迹，能够有效地应对电池不一致性、环境及工作条件的变化，并且结合机器学习模型，建立快速电池寿命预测模型，并实现其定期更新以应对工况及环境变化，能够有效地克服传统电池控制管理的缺点，对不同电池类型和不同工况的适应性极强，有助于提高对电池全生命周期的控制及寿命预测效果。
其次参照附图描述根据本发明实施例提出的燃料电池管理系统的管理装置。
图7是本发明实施例的燃料电池管理系统的管理装置的方框示意图。
如图7所示，该燃料电池管理系统的管理装置10包括：第一生成模块100、第一接收模块200、第二生成模块300、第二接收模块400和管理模块500。
第一生成模块100用于生成与燃料电池管理系统相对应的调试数字孪生体；
第一接收模块200用于在基于调试数字孪生体对调试控制器进行初始化后，接收燃料电池管理系统的调试输入数据和调试输出数据；
第二生成模块300用于利用调试输入数据和调试输出数据更新调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体；
第二接收模块400用于接收燃料电池管理系统的操作输入数据和操作输出数据，其中，操作输入数据覆盖与调试输入数据不同的数据范围；以及
管理模块500用于利用操作输入数据和操作输出数据适配操作数字孪生体，以基于适配后的操作数字孪生体对燃料电池管理系统进行管理。
进一步地，在本发明的一个实施例中，还包括：
构建模块，用于构建燃料电池的数字孪生体和电池寿命快速预测模型，以得到燃料电池的实际剩余寿命。
进一步地，在本发明的一个实施例中，构建模块，具体用于：
采集燃料电池的运行状态数据；
基于燃料电池的结构与材料建立用于仿真电池寿命的理论模型，并结合离线的电池老化试验确定并验证模型中对电池寿命产生影响的目标参数，基以建立通用数字孪生体；
利用修正算法和历史运行状态数据对通用数字孪生体进行修正，建立燃料电池的寿命数字孪生体。
进一步地，在本发明的一个实施例中，构建模块，具体用于：
从历史运行数据中得到燃料电池的运行工况及环境变化的统计信息，并基于统计信息生成出现的不同电池运行工况及环境情况的概率分布；
将运行工况及环境变化的统计信息输入至寿命数字孪生体，并对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；
基于机器学习算法建立电池寿命快速预测模型，利用仿真电池老化数据集对电池寿命快速预测模型进行训练；
利用训练好的电池寿命快速预测模型对燃料电池的实际剩余寿命进行预测。
进一步地，在本发明的一个实施例中，构建模块，还用于：
每个预设时长，利用采集燃料电池的当前工况、实际环境变化以及用户习惯对电池寿命快速预测模型进行更新。
需要说明的是，前述对燃料电池管理系统的管理方法实施例的解释说明也适用于该实施例的燃料电池管理系统的管理装置，此处不再赘述。
根据本发明实施例提出的燃料电池管理系统的管理装置，可以生成与燃料电池管理系统相对应的调试数字孪生体，并在基于调试数字孪生体对调试控制器进行初始化后，接收燃料电池管理系统的调试输入数据和调试输出数据，并利用调试输入数据和调试输出数据更新调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体，并接收燃料电池管理系统的操作输入数据和操作输出数据，并利用操作输入数据和操作输出数据适配操作数字孪生体，以基于适配后的操作数字孪生体对燃料电池管理系统进行管理。由此，通过建立电池的数字孪生体，生成电池在不同工作条件下的老化轨迹，能够有效地应对电池不一致性、环境及工作条件的变化，并且结合机器学习模型，建立快速电池寿命预测模型，并实现其定期更新以应对工况及环境变化，能够有效地克服传统电池控制管理的缺点，对不同电池类型和不同工况的适应性极强，有助于提高对电池全生命周期的控制及寿命预测效果。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不是必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (10)

1.一种燃料电池管理系统的管理方法，其特征在于，包括以下步骤：
生成与燃料电池管理系统相对应的调试数字孪生体；
在基于所述调试数字孪生体对调试控制器进行初始化后，接收所述燃料电池管理系统的调试输入数据和调试输出数据；
利用所述调试输入数据和所述调试输出数据更新所述调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体；
接收所述燃料电池管理系统的操作输入数据和操作输出数据，其中，所述操作输入数据覆盖与所述调试输入数据不同的数据范围；以及
利用所述操作输入数据和所述操作输出数据适配所述操作数字孪生体，以基于适配后的操作数字孪生体对所述燃料电池管理系统进行管理。
2.根据权利要求1所述的方法，其特征在于，还包括：
构建燃料电池的数字孪生体和电池寿命快速预测模型，以得到所述燃料电池的实际剩余寿命。
3.根据权利要求2所述的方法，其特征在于，所述构建燃料电池的数字孪生体和电池寿命快速预测模型，包括：
采集所述燃料电池的运行状态数据；
基于所述燃料电池的结构与材料建立用于仿真电池寿命的理论模型，并结合离线的电池老化试验确定并验证模型中对电池寿命产生影响的目标参数，基以建立通用数字孪生体；
利用修正算法和历史运行状态数据对所述通用数字孪生体进行修正，建立所述燃料电池的寿命数字孪生体。
4.根据权利要求3所述的方法，其特征在于，所述构建燃料电池的数字孪生体和电池寿命快速预测模型，包括：
从所述历史运行数据中得到所述燃料电池的运行工况及环境变化的统计信息，并基于所述统计信息生成出现的不同电池运行工况及环境情况的概率分布；
将所述运行工况及环境变化的统计信息输入至所述寿命数字孪生体，并对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；
基于机器学习算法建立电池寿命快速预测模型，利用所述仿真电池老化数据集对所述电池寿命快速预测模型进行训练；
利用训练好的电池寿命快速预测模型对所述燃料电池的实际剩余寿命进行预测。
5.根据权利要求4所述的方法，其特征在于，所述构建燃料电池的数字孪生体和电池寿命快速预测模型，还包括：
每个预设时长，利用采集燃料电池的当前工况、实际环境变化以及用户习惯对所述电池寿命快速预测模型进行更新。
6.一种燃料电池管理系统的管理装置，其特征在于，包括：
第一生成模块，用于生成与燃料电池管理系统相对应的调试数字孪生体；
第一接收模块，用于在基于所述调试数字孪生体对调试控制器进行初始化后，接收所述燃料电池管理系统的调试输入数据和调试输出数据；
第二生成模块，用于利用所述调试输入数据和所述调试输出数据更新所述调试数字孪生体，并基于更新后的调试数字孪生体生成操作数字孪生体；
第二接收模块，用于接收所述燃料电池管理系统的操作输入数据和操作输出数据，其中，所述操作输入数据覆盖与所述调试输入数据不同的数据范围；以及
管理模块，用于利用所述操作输入数据和所述操作输出数据适配所述操作数字孪生体，以基于适配后的操作数字孪生体对所述燃料电池管理系统进行管理。
7.根据权利要求6所述的装置，其特征在于，还包括：
构建模块，用于构建燃料电池的数字孪生体和电池寿命快速预测模型，以得到所述燃料电池的实际剩余寿命。
8.根据权利要求7所述的装置，其特征在于，所述构建模块，具体用于：
采集所述燃料电池的运行状态数据；
基于所述燃料电池的结构与材料建立用于仿真电池寿命的理论模型，并结合离线的电池老化试验确定并验证模型中对电池寿命产生影响的目标参数，基以建立通用数字孪生体；
利用修正算法和历史运行状态数据对所述通用数字孪生体进行修正，建立所述燃料电池的寿命数字孪生体。
9.根据权利要求8所述的方法，其特征在于，所述构建模块，具体用于：
从所述历史运行数据中得到所述燃料电池的运行工况及环境变化的统计信息，并基于所述统计信息生成出现的不同电池运行工况及环境情况的概率分布；
将所述运行工况及环境变化的统计信息输入至所述寿命数字孪生体，并对各个工况、环境下的电池老化路径进行仿真，得到仿真电池老化数据集；
基于机器学习算法建立电池寿命快速预测模型，利用所述仿真电池老化数据集对所述电池寿命快速预测模型进行训练；
利用训练好的电池寿命快速预测模型对所述燃料电池的实际剩余寿命进行预测。
10.根据权利要求9所述的装置，其特征在于，所述构建模块，还用于：
每个预设时长，利用采集燃料电池的当前工况、实际环境变化以及用户习惯对所述电池寿命快速预测模型进行更新。
CN202110636351.1A 2021-06-08 2021-06-08 燃料电池管理系统的管理方法及装置 Pending CN113591364A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110636351.1A CN113591364A (zh) 2021-06-08 2021-06-08 燃料电池管理系统的管理方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110636351.1A CN113591364A (zh) 2021-06-08 2021-06-08 燃料电池管理系统的管理方法及装置

Publications (1)

Publication Number Publication Date
CN113591364A true CN113591364A (zh) 2021-11-02

Family

ID=78243514

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110636351.1A Pending CN113591364A (zh) 2021-06-08 2021-06-08 燃料电池管理系统的管理方法及装置

Country Status (1)

Country Link
CN (1) CN113591364A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004168A (zh) * 2021-12-24 2022-02-01 武汉理工大学 一种基于数字孪生的燃料电池综合管理系统及方法
CN114630211A (zh) * 2022-05-13 2022-06-14 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
CN115422696A (zh) * 2022-04-24 2022-12-02 上海玫克生储能科技有限公司 一种模组数字孪生模型建立方法、系统、终端和介质
CN116404205A (zh) * 2023-06-02 2023-07-07 上海重塑能源科技有限公司 一种基于数字孪生的燃料电池低温运行控制系统及方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109873185A (zh) * 2017-12-04 2019-06-11 通用电气公司 基于数字孪生体的管理系统和方法及基于数字孪生体的燃料电池管理系统和方法
CN111610448A (zh) * 2020-06-01 2020-09-01 北京理工大学 一种应用数字孪生技术的锂离子电池寿命预测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109873185A (zh) * 2017-12-04 2019-06-11 通用电气公司 基于数字孪生体的管理系统和方法及基于数字孪生体的燃料电池管理系统和方法
CN111610448A (zh) * 2020-06-01 2020-09-01 北京理工大学 一种应用数字孪生技术的锂离子电池寿命预测方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114004168A (zh) * 2021-12-24 2022-02-01 武汉理工大学 一种基于数字孪生的燃料电池综合管理系统及方法
CN114004168B (zh) * 2021-12-24 2022-04-29 武汉理工大学 一种基于数字孪生的燃料电池综合管理系统及方法
CN115422696A (zh) * 2022-04-24 2022-12-02 上海玫克生储能科技有限公司 一种模组数字孪生模型建立方法、系统、终端和介质
CN114630211A (zh) * 2022-05-13 2022-06-14 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
CN116404205A (zh) * 2023-06-02 2023-07-07 上海重塑能源科技有限公司 一种基于数字孪生的燃料电池低温运行控制系统及方法
CN116404205B (zh) * 2023-06-02 2023-09-08 上海重塑能源科技有限公司 一种基于数字孪生的燃料电池低温运行控制系统及方法

Similar Documents

Publication Publication Date Title
CN113591364A (zh) 燃料电池管理系统的管理方法及装置
CN111610448B (zh) 一种应用数字孪生技术的锂离子电池寿命预测方法
CN111027165B (zh) 一种基于数字孪生的动力电池组管理系统及方法
US11293987B2 (en) Battery capacity prediction system using charge and discharge cycles of a battery to predict capacity variations, and associated method
CN112731159A (zh) 一种储能电站电池舱电池故障预判及定位的方法
CN107329088B (zh) 电池的健康状态诊断装置和方法
CN109001640B (zh) 一种动力电池的数据处理方法和装置
KR102090476B1 (ko) 클라우드 및 빅데이터를 활용한 bms 최적화 시스템
CN114609524A (zh) 运行提供电储能器的预测老化状态的系统的方法和装置
US11938838B2 (en) Method and device for the robust prediction of the aging behavior of an energy storage unit in a battery-operated machine
CN114371409B (zh) 电池状态预测模型的训练方法、电池状态预测方法及装置
CN113254382B (zh) 基于超级计算机构建数字数值融合装置的数据处理系统
CN116227248B (zh) 重力储能系统的数字孪生体构建方法、装置及电子设备
CN111951901A (zh) 优化设备、优化系统、优化方法及记录介质
Jafari et al. Prediction of the battery state using the digital twin framework based on the battery management system
CN115356639A (zh) 一种双向锂离子电池智能健康监控方法及系统
CN116578873A (zh) 一种充电桩故障诊断方法、装置、设备及介质
WO2023226358A1 (zh) 一种储能电池包的荷电状态预测方法
CN114879070A (zh) 一种电池状态评估方法及相关设备
CN115684936A (zh) 一种基于机器学习的动力电池健康失效概率计算与健康失效图谱建立方法
CN116736174B (zh) 电池剩余寿命预测方法、装置、计算机设备和存储介质
CN117590130A (zh) 一种基于数字孪生的输电线路态势感知方法
CN117272591A (zh) 用于储能仿真实验的测试方法及系统
CN117236054A (zh) 一种基于数字孪生的汽车焊装夹具装配方法、系统及介质
CN116298920A (zh) 电源管理系统的量产文件生成方法、装置及电子设备

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: 20211102