CN114152884A - 基于锂电池组bms大数据的智能评估及动态调整方法 - Google Patents

Abstract

本发明涉及基于锂电池组BMS大数据的智能评估及动态调整方法，对锂电池组的运行实时数据进行采集后传输至云端平台系统，根据每一套锂电池组的历史运行数据和事件信息进行非线性模型对比处理，并根据同批次及不同批次或不同型号的采集反馈结果，通过大数据对比分析，智能动态的给出SOC和SOH的估算结果，将估算结果推送至锂电池组端，根据不同的电池组所搭载的BMS系统，推送电池预警信息或BMS管理策略动态调整参数。通过智能大数据评估系统还可以对动力锂电池组进行评估。经过云端系统的智能计算及动态优化调整后，锂电池BMS系统的运行效率得到有效的提高，锂电池组长期运行一致性显著提高，电池容量平均损失降低，充电频次降低。

Description

基于锂电池组BMS大数据的智能评估及动态调整方法

技术领域

本发明属于锂电池控制领域，尤其涉及一种基于锂电池组BMS大数据的智能评估及动态调整方法。

背景技术

随着锂电动力汽车和大规模锂电储能系统的快速发展，锂电池组的的管理成为了锂电动力汽车和大规模锂电储能系统的核心技术之一，而锂电池组的容量估算 SOC和健康估算 SOH 又是锂电池管理系统的技术难点。锂电池的使用寿命收到诸多因素影响，比如电池的工作环境、充放电情况等等，可以使得同批次的锂电池产生不同的使用效果和寿命。在锂电池的实际使用中，需要根据锂电池的健康情况适时的进行更换和调整，过早更换造成经济浪费，过晚更换又有可能造成系统可靠性下降，为了在系统使用的可靠性和经济效益之间取得平衡，就需要及时准确的获取电池的健康状况（State of Health, 以下简称SOH），并根据SOH值给出相应的处理措施。

SOH 是锂电池组当前最大容量与电池标称容量的比值，通常情况下 SOH 无法使用某种传感器进行直接测量，只能通过对锂电池组的一些其他物理量的监测（例如电压、内阻、温度等等），并根据一定的数学模型和算法来进行估算。

目前多数锂电池的对 SOC 和 SOH 的估算一般由锂电池 BMS进行处理。通常BMS系统出于成本、MCU处理效率等因素考虑，很少会内置大容量的存储芯片及高处理能力的MCU，所以很难对于锂电池组的历史运行数据和事件进行长期存储，从而在对 SOC 和 SOH进行估算时，无法处理基于相对复杂的非线性变化曲线模型的情况，一般都先将非线性变化曲线模型作减化处理和线性化变换近似处理，这样的处理就会对 SOC 和 SOH 的估算引入显著误差。同时，一般对 SOC 和 SOH 的估算都是基于对实时采集的电压、电流和温度的测量来计算实时内阻，然后再与锂电池组的初始值进行比较来进行 SOC 和 SOH 的估算。但是锂电池的实际老化过程（即正常使用的充放电、长期静置、长期浮充等状态）中，历史充、放电过程、内阻变化过程都对 SOC 和 SOH 的表现都有着很重要的影响，所以非常有必要监测和利用这些数据进行 SOC 和 SOH 的估算，同时参考利用同批次甚至不同批次其他电池的运行或错误信息对SOC和SOH的估算进行优化。

发明内容

针对上述问题，本发明就是通过搭建一套智能大数据分析评估管理系统，采用一种自学习、自主机制对从锂电池端获取的大数据进行运算、分析、自动建模，从而得到更为准确的 SOC、SOH 和安全预估，同时通过评估结果给出锂电池的运行动态调整方案。

本发明基于锂电池组BMS大数据的智能评估及动态调整方法，对锂电池组的运行实时数据进行采集后传输至云端平台系统，根据每一套锂电池组的历史运行数据和事件信息进行非线性模型对比处理，并根据同批次及不同批次或不同型号的采集反馈结果，通过大数据对比分析，智能动态的给出 SOC和SOH的估算结果，将估算结果推送至锂电池组端，根据不同的电池组所搭载的BMS系统，推送电池预警信息或BMS管理策略动态调整参数。通过智能大数据评估系统还可以对动力锂电池组进行评估。

智能大数据评估系统云平台核心算法为锂电池健康曲线拟合。锂电池健康曲线拟合是通过整合锂电池标准充电曲线、放电曲线、健康曲线，结合实际运行中的实时监测数据所生成的动态曲线，进行三点式曲线拟合计算，最终生成新的锂电池健康预测曲线。

锂电池BMS根据锂电池基本参数，给出初始的充电曲线、放电曲线和健康曲线。

随着每次充放电以及实时监测到的环境情况，BMS会根据所获取的影响因素动态调整充电曲线、放电曲线和健康曲线，

根据参数的变化情况选取曲线类型来拟合每次充放电时得到监测数据，最终获得拟合后的曲线方程来对充放电以及健康度给出更精准的预测。

锂电池的电压与时间的一组数据对(xi,yi)（i=1,2,3,…m），其中各xi是彼此不同的。

根据锂电池的初始出厂标准参数选取与之相适应的解析表达式y=f(x,c,d,e,f,g,h,i,j）来反映量x与y之间的依赖关系，即在一定意义下“最佳”地逼近或拟合已知数据，创建出拟合模型f(x,c,d,e,f,g,h,i,j)，式中c=(c1,c2,…cn)、d=(d1,d2,…dn) 、e=(e1,e2,…en)、f=(f1,f2,…fn) 、g=(g1,g2,…gn)、h=(h1,h2,…hn)、i=(i1,i2,…in)、j=(j1,j2,…jn)是一些待定参数，分别表示环境温度c、充放电电流d、充放电电压e、持续充放电时间f、累计使用时间g、累计充放电循环次数h、电池本身质量等级i、设计容量大小j。

对参数c,d,e,f,g,h,i,j数据进行有效清洗处理后创建离散采集点矩阵，将离散采集点矩阵中的有效数据与实际观测值在各点的残差(或离差)ek=yk－f(xk,c,d,e,f,g,h,i,j)的加权平方和达到最小，来实现非线性加权最小二乘意义下的数据拟合曲线。

有益效果：本发明采用的云端系统可以综合所有可能的因素完成拟合模型计算，再将计算结果推送给锂电池的BMS，供BMS系统进行参考。并且云端系统还可以根据历史运行大数据提前计算出锂电池组可能存在的运行隐患，将预警信息推送给锂电池组BMS，并给出故障处理预案参考策略。同时还可以结合云端系统推送的动态策略修正参数，调整锂电池组BMS的充放电机制，实时优化锂电池系统的运行状态，以保证锂电池系统的运行稳定、安全和长效。

经过云端系统的智能计算及动态优化调整后，锂电池BMS系统的运行效率得到有效的提高，锂电池组长期运行一致性显著提高，电池容量平均损失降低，充电频次降低为1/4，进而达到了有效提高锂电池组运行健康稳定、安全长效的目标。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面通过具体实施实例对本发明进行进一步详细说明。

一种具有多层管理体系和结构的模块化电池系统，其通过连接器和线缆连接硬件，通过数据总线协议进行数据交互和指令传输，系统的控制单元可以搭配数个高压主控制单元，高压主控制单元所控制的高压电池系统可以通过串联或并联的方式进行组合，也可以同时进行串并联组合，高压主控制单元连接系统的控制单元。

该系统还设置有移动数据通信单元，移动数据通信单元通过连接器和线缆直连在高压主控制单元或系统控制单元上，移动数据通信单元通过通信总线获取锂电池组的实时运行数据。移动数据通信单元将所获取的实时数据同步上传至云端平台；移动数据通信单元具有数据缓存，也可以在于云端平台通信不畅时将未上报的数据进行临时缓存，当通信恢复时，异步上传缓存数据。

对锂电池组的运行实时数据进行采集后通过移动数据通信单元进行同步或异步传输至云端平台系统，云端平台系统对所有接入的锂电池组数据进行统一存储，根据每一套锂电池组的历史运行数据和事件信息进行非线性模型对比处理，并根据同批次及不同批次或不同型号的采集反馈结果，通过大数据对比分析，智能动态的给出 SOC和SOH的估算结果，将估算结果推送至锂电池组端，根据不同的电池组所搭载的BMS系统，推送电池预警信息或BMS管理策略动态调整参数。

智能大数据评估系统云平台采用云端部署模式，开放标准数据上报接口，可以上报锂电池组型号、批次、厂商等基础信息，也可以上报锂电池组实时运行数据，还可以接收动态调整参数等。智能大数据评估系统云平台既可以为自主生产的锂电池组进行数据智能评估，也可以对采用标准通信接口的其他锂电池组进行评估。

基于上述系统，本发明基于锂电池组BMS大数据的智能评估及动态调整方法，对锂电池组的运行实时数据进行采集后传输至云端平台系统，根据每一套锂电池组的历史运行数据和事件信息进行非线性模型对比处理，并根据同批次及不同批次或不同型号的采集反馈结果，通过大数据对比分析，智能动态的给出 SOC和SOH的估算结果，将估算结果推送至锂电池组端，根据不同的电池组所搭载的BMS系统，推送电池预警信息或BMS管理策略动态调整参数。通过智能大数据评估系统还可以对动力锂电池组进行评估。

智能大数据评估系统云平台核心算法为锂电池健康曲线拟合。锂电池健康曲线拟合是通过整合锂电池标准充电曲线、放电曲线、健康曲线，结合实际运行中的实时监测数据所生成的动态曲线，进行三点式曲线拟合计算，最终生成新的锂电池健康预测曲线。

锂电池BMS根据锂电池基本参数，给出初始的充电曲线、放电曲线和健康曲线。

随着每次充放电以及实时监测到的环境情况，BMS会根据所获取的影响因素动态调整充电曲线、放电曲线和健康曲线，

根据参数的变化情况选取曲线类型来拟合每次充放电时得到监测数据，最终获得拟合后的曲线方程来对充放电以及健康度给出更精准的预测。

锂电池的电压与时间的一组数据对(xi,yi)（i=1,2,3,…m），其中各xi是彼此不同的。

根据锂电池的初始出厂标准参数选取与之相适应的解析表达式y=f(x,c,d,e,f,g,h,i,j）来反映量x与y之间的依赖关系，即在一定意义下“最佳”地逼近或拟合已知数据，创建出拟合模型f(x,c,d,e,f,g,h,i,j)，式中c=(c1,c2,…cn)、d=(d1,d2,…dn) 、e=(e1,e2,…en)、f=(f1,f2,…fn) 、g=(g1,g2,…gn)、h=(h1,h2,…hn)、i=(i1,i2,…in)、j=(j1,j2,…jn)是一些待定参数，分别表示环境温度c、充放电电流d、充放电电压e、持续充放电时间f、累计使用时间g、累计充放电循环次数h、电池本身质量等级i、设计容量大小j。

对参数c,d,e,f,g,h,i,j数据进行有效清洗处理后创建离散采集点矩阵，将离散采集点矩阵中的有效数据与实际观测值在各点的残差(或离差)ek=yk－f(xk,c,d,e,f,g,h,i,j)的加权平方和达到最小，来实现非线性加权最小二乘意义下的数据拟合曲线。

锂电池组BMS通常用做系统管理及数据采集运算的MCU性能具有一定的限制，所以通常很难采用上述拟合模型和算法进行健康曲线的计算，所以通常情况下锂电池的SOC和SOH数值存在较大的偏差，尤其是在锂电池使用过较长时间后整体性能趋向于较不稳定，这个偏差会越来越大，那么采用云端系统的高性能计算力来实现这一拟合计算，显得尤为重要，此时锂电池BMS只需要提供基础实时运行数据给云端系统即可，云端系统可以综合所有可能的因素完成拟合模型计算，再将计算结果推送给锂电池的BMS，供BMS系统进行参考。并且云端系统还可以根据历史运行大数据提前计算出锂电池组可能存在的运行隐患，将预警信息推送给锂电池组BMS，并给出故障处理预案参考策略。同时还可以结合云端系统推送的动态策略修正参数，调整锂电池组BMS的充放电机制，实时优化锂电池系统的运行状态，以保证锂电池系统的运行稳定、安全和长效。

数据中心对于电力保障的要求等级非常高，所以UPS成为标准配置，尤其是随着技术和生产成本的进步，锂电UPS逐渐成为主流。对于数据中心中所使用的锂电池系统通常存在如下运行特征：环境温度相对稳定、标准放电频次较低、标准放电时电流较大、自消耗后充电频次较高、容量自损较高。根据上述问题，采用云端系统综合当前数据中心所部署的全部锂电池系统进行统一监控，并运用本专利技术方案中的拟合模型算法，可以有效的获取锂电池健康曲线的准确预测。

例如：我们通过对100台设备中锂电池的基本运行参数进行获取，包括电池充电截止电压、放电截止电压、充电重启电压、电池基础容量、电池类型（三元、铁锂）、设备负载、电池放电升温比率、电池最大电流放电原始时长等，通过连续150天的跟踪计算，不断的对设备中锂电池健康曲线进行拟合运算，同时每5天针对电池的充电截止电压、充电重启电压值进行微调，最终将充电截止电压由4.19v调整为4.05v（三元电池）、3.6v调整为3.45v（铁锂电池）；充电重启电压由3.9v调整为3.82v（三元电池）、3.33v调整为3.22v（铁锂电池）。锂电池组BMS经过此次获取云端系统拟合运算并推送调整策略后，电池组电芯间压差由120mv降低至26mv、20A可放电时长由18.5分钟增加至22分钟且完全放电、自消耗后充电频次由10天重启1次延长至40天重启1次。

经过云端系统的智能计算及动态优化调整后，锂电池BMS系统的运行效率得到有效的提高，锂电池组长期运行一致性显著提高，电池容量平均损失降低，充电频次降低为1/4，进而达到了有效提高锂电池组运行健康稳定、安全长效的目标。进而验证里本发明内容的有效性和实用性。

目前现有多数系统采用如下模式：

1、基于标准电池电压压降和时间的简单曲线做为基础模型；

2、根据本轮采集到的电池电压与时间关系，结合电流等数据进行模型曲线修正；

3、根据修正后的模型计算当前电池的SOC和SOH值。

我们的系统采用如下模式：

1、基于标准电池电压压降和时间的简单曲线做为基础模型；

2、根据本轮采集到的电压、电流、温度。。。。。。等数据，采用专有算法和计算公式在云端系统进行大规模运算，同时结合其他同型号、同类、同应用场景、不同应用场景的参考数据，对运算结果进行优化；

3、将优化结果推送至BMS终端设备，然后获取更加精准的电池SOC和SOH值；

4、云端系统根据运算结果推送BMS策略修正，提高锂电池系统运行效果，提升锂电池SOC和SOH。

参数范围不同，由于云端系统对接的锂电池组数量更加庞大，系统运算能力也更加强大，所以参数范围是普通BMS系统的数倍甚至十数倍。

修正曲线是的运算过程不同，通过多轮计算进行多次曲线拟合运算，可以使得运算结果更加符合锂电池组的真实情况。

修正运算后的处理模式不同，不是简单的替换原有SOC和SOH曲线，还增加了辅助策略调整，通过优化BMS运行规则，使SOC和SOC更能够接近原始出厂曲线（也是最优曲线）。

最后需要指出的是：以上实施例仅用以说明本发明的技术方案，而非对其限制。尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围。

Claims (6)

1.一种基于锂电池组BMS大数据的智能评估及动态调整方法，其特征在于：对锂电池组的运行实时数据进行采集后传输至云端平台系统，根据每一套锂电池组的历史运行数据和事件信息进行非线性模型对比处理，并根据同批次及不同批次或不同型号的采集反馈结果，通过大数据对比分析，对动力锂电池组进行评估，智能动态的给出 SOC和SOH的估算结果，将估算结果推送至锂电池组端，根据不同的电池组所搭载的BMS系统，推送电池预警信息或BMS管理策略动态调整参数。

2.根据权利要求1所述的基于锂电池组BMS大数据的智能评估及动态调整方法，其特征在于：智能大数据评估系统云平台核心算法为锂电池健康曲线拟合，锂电池健康曲线拟合是通过整合锂电池标准充电曲线、放电曲线、健康曲线，结合实际运行中的实时监测数据所生成的动态曲线，进行三点式曲线拟合计算，最终生成新的锂电池健康预测曲线。

3.根据权利要求2所述的基于锂电池组BMS大数据的智能评估及动态调整方法，其特征在于：锂电池BMS根据锂电池基本参数，给出初始的充电曲线、放电曲线和健康曲线；随着每次充放电以及实时监测到的环境情况，BMS会根据所获取的影响因素动态调整充电曲线、放电曲线和健康曲线，根据参数的变化情况选取曲线类型来拟合每次充放电时得到监测数据，最终获得拟合后的曲线方程来对充放电以及健康度给出更精准的预测。

4.根据权利要求3所述的基于锂电池组BMS大数据的智能评估及动态调整方法，其特征在于：将锂电池的电压与时间的一组数据对(xi,yi)（i=1,2,3,…m），其中各xi是彼此不同的 ；根据锂电池的初始出厂标准参数选取与之相适应的解析表达式y=f(x,c,d,e,f,g,h,i,j）来反映量x与y之间的依赖关系，逼近或拟合已知数据，创建出拟合模型f(x,c,d,e,f,g,h,i,j)，式中c=(c1,c2,…cn)、d=(d1,d2,…dn) 、e=(e1,e2,…en)、f=(f1,f2,…fn) 、g=(g1,g2,…gn)、h=(h1,h2,…hn)、i=(i1,i2,…in)、j=(j1,j2,…jn)是一些待定参数，分别表示环境温度c、充放电电流d、充放电电压e、持续充放电时间f、累计使用时间g、累计充放电循环次数h、电池本身质量等级i、设计容量大小j；对参数c,d,e,f,g,h,i,j数据进行有效清洗处理后创建离散采集点矩阵，将离散采集点矩阵中的有效数据与实际观测值在各点的残差(或离差)ek=yk－f(xk,c,d,e,f,g,h,i,j)的加权平方和达到最小，来实现非线性加权最小二乘意义下的数据拟合曲线。

5.一种支撑权利要求1-4中所述的基于锂电池组BMS大数据的智能评估及动态调整方法的系统，其特征在于：具有多层管理体系和结构的模块化电池系统，其通过连接器和线缆连接硬件，通过数据总线协议进行数据交互和指令传输，系统的控制单元可以搭配数个高压主控制单元，高压主控制单元所控制的高压电池系统可以通过串联或并联的方式进行组合，也可以同时进行串并联组合，高压主控制单元连接系统的控制单元，该系统还设置有移动数据通信单元，移动数据通信单元通过连接器和线缆直连在高压主控制单元或系统控制单元上，移动数据通信单元通过通信总线获取锂电池组的实时运行数据；移动数据通信单元将所获取的实时数据同步上传至云端平台；移动数据通信单元具有数据缓存，也可以在于云端平台通信不畅时将未上报的数据进行临时缓存，当通信恢复时，异步上传缓存数据。

6.根据权利要求5所述的系统，其特征在于：对锂电池组的运行实时数据进行采集后通过移动数据通信单元进行同步或异步传输至云端平台系统，云端平台系统对所有接入的锂电池组数据进行统一存储，根据每一套锂电池组的历史运行数据和事件信息进行非线性模型对比处理，并根据同批次及不同批次或不同型号的采集反馈结果，通过大数据对比分析，智能动态的给出 SOC和SOH的估算结果，将估算结果推送至锂电池组端，根据不同的电池组所搭载的BMS系统，推送电池预警信息或BMS管理策略动态调整参数。