CN115179812A - 基于云端协同的电池管理系统、车及电池管理方法 - Google Patents
基于云端协同的电池管理系统、车及电池管理方法 Download PDFInfo
- Publication number
- CN115179812A CN115179812A CN202110292649.5A CN202110292649A CN115179812A CN 115179812 A CN115179812 A CN 115179812A CN 202110292649 A CN202110292649 A CN 202110292649A CN 115179812 A CN115179812 A CN 115179812A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- battery
- management system
- battery management
- cloud
- 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
Links
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/48—Accumulators combined with arrangements for measuring, testing or indicating the condition of cells, e.g. the level or density of the electrolyte
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L58/00—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles
- B60L58/10—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries
- B60L58/12—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to state of charge [SoC]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/008—Registering or indicating the working of vehicles communicating information to a remotely located station
-
- G—PHYSICS
- G07—CHECKING-DEVICES
- G07C—TIME OR ATTENDANCE REGISTERS; REGISTERING OR INDICATING THE WORKING OF MACHINES; GENERATING RANDOM NUMBERS; VOTING OR LOTTERY APPARATUS; ARRANGEMENTS, SYSTEMS OR APPARATUS FOR CHECKING NOT PROVIDED FOR ELSEWHERE
- G07C5/00—Registering or indicating the working of vehicles
- G07C5/08—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time
- G07C5/10—Registering or indicating performance data other than driving, working, idle, or waiting time, with or without registering driving, working, idle or waiting time using counting means or digital clocks
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B60—VEHICLES IN GENERAL
- B60L—PROPULSION OF ELECTRICALLY-PROPELLED VEHICLES; SUPPLYING ELECTRIC POWER FOR AUXILIARY EQUIPMENT OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRODYNAMIC BRAKE SYSTEMS FOR VEHICLES IN GENERAL; MAGNETIC SUSPENSION OR LEVITATION FOR VEHICLES; MONITORING OPERATING VARIABLES OF ELECTRICALLY-PROPELLED VEHICLES; ELECTRIC SAFETY DEVICES FOR ELECTRICALLY-PROPELLED VEHICLES
- B60L2240/00—Control parameters of input or output; Target parameters
- B60L2240/40—Drive Train control parameters
- B60L2240/54—Drive Train control parameters related to batteries
- B60L2240/549—Current
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
- H01M10/425—Structural combination with electronic components, e.g. electronic circuits integrated to the outside of the casing
- H01M2010/4271—Battery management systems including electronic circuits, e.g. control of current or voltage to keep battery in healthy state, cell balancing
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M2220/00—Batteries for particular applications
- H01M2220/20—Batteries in motive systems, e.g. vehicle, ship, plane
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Energy (AREA)
- Sustainable Development (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
- Tests Of Electric Status Of Batteries (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请涉及人工智能技术领域,具体涉及一种基于云端协同的电池管理系统、车及电池管理方法。其中,该系统包括车和云端BMS,车包括车端BMS,车端BMS包括传感器和决策处理模块;车端BMS用于通过传感器测量车的电池参数,将测量得到的第一电池参数数据发送至云端BMS;云端BMS用于对第二电池参数数据进行训练,将训练得到的第一训练结果发送至车端BMS;其中,第二电池参数数据包括第一电池参数数据和历史电池参数数据;车端BMS还用于根据第一训练结果更新决策处理模块。该系统通过车端BMS和云端BMS二者配合来实现车端电池管理,提高了车端电池管理的实时性和可靠性。
Description
技术领域
本申请涉及人工智能技术领域,尤其涉及一种基于云端协同的电池管理系统、车及电池管理方法。
背景技术
电池管理系统(Battery Management System,BMS)的主要作用是智能化管理及维护各个电池单元,防止电池出现过充电和过放电,延长电池的使用寿命,监控电池的状态。BMS由各类传感器、执行器、控制器以及信号线等组成,其具有的功能包括:电池参数检测、电池状态估计、在线故障诊断、电池安全控制与报警、充电控制、电池均衡、热管理、网络通讯、以及信息存储等。
但是,BMS计算资源有限,难以存储并处理大量数据,尤其是在电池安全预警、电池状态计算等重要功能上难以利用大数据或人工智能(Artificial Intelligence,AI)等新技术带来性能的提升。
发明内容
本申请实施例提供了一种基于云端协同的电池管理系统、车及电池管理方法,可以通过车端BMS和云端BMS二者配合来实现车端电池管理,可在解决车端BMS算力不足的同时,提高车端电池管理的实时性和可靠性。
第一方面,本申请实施例提供了一种基于云端协同的电池管理系统,包括:车和云端电池管理系统,车包括车端电池管理系统,车端电池管理系统包括传感器和决策处理模块;车端电池管理系统,用于通过传感器测量车的电池参数,将测量得到的第一电池参数数据发送至云端电池管理系统;云端电池管理系统,用于对第二电池参数数据进行训练,将训练得到的第一训练结果发送至车端电池管理系统;其中,第二电池参数数据包括第一电池参数数据和历史电池参数数据;车端电池管理系统,还用于根据第一训练结果更新决策处理模块。
也就是说,该基于云端协同的电池管理系统中的车端BMS可以对车的电池参数进行测量,云端BMS可以对电池参数数据进行训练,车端BMS还可以根据训练结果更新决策处理模块,这样通过车端BMS和云端BMS二者配合来实现车端电池管理,提高了车端电池管理的实时性和可靠性。
在一种可能的实现方式中,第一训练结果包括云端预训练模型;车端电池管理系统,具体用于对云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据第二训练结果更新决策处理模块。
也就是说,在该实现方式中,云端BMS可以对电池参数数据进行预训练,车端BMS可以对训练结果进行微调或迁移学习,即通过引入AI的预训练及微调机制,车端BMS具备既能从海量数据学习训练又能结合自身独有数据对模型微调,在此基础上更新决策处理模块,提升模型精度及实时性、可靠性。简言之,车端BMS具备从云端海量数据及自身独有数据进行模型训练并决策处理的能力。
在一种可能的实现方式中,第一训练结果包括全局模型或局部模型,全局类型用于包括该车所属类型在内的多种不同车类型,局部类型用于该车或该车所属的车类型;车端电池管理系统,具体用于根据全局模型或局部模型更新决策处理模块;或对全局模型或局部模型进行微调或迁移学习,得到第三训练结果,并根据第三训练结果更新决策处理模块。
也就是说,在该实现方式中,云端BMS提高的训练结果可以包括全局模型或局部模型。车上的车端BMS可以根据全局模型或局部模型更新决策处理模块,也可以对全局模型或局部模型进行微调或迁移学习后再更新决策处理模块,满足了车端电池管理的不同管理需求,提高了车端电池管理的灵活性。
在一种可能的实现方式中,传感器包括电化学阻抗谱传感器、压力传感器和声波传感器中的一项或多项;其中,电化学阻抗谱传感器,用于测量车的电池的电化学阻抗谱信号;压力传感器,用于测量车的电池的内部压力信号;声波传感器,用于测量车的电池的内部声信号。
也就是说,在该实现方式中,车上的车端BMS可以通过电化学阻抗谱传感器、压力传感器和声波传感器分别测量车的电池的电化学阻抗谱信号、内部压力信号和内部声信号,这样云端BMS可以针对包括车的电池的电化学阻抗谱信号、内部压力信号和内部声信号的电池参数数据进行训练,从而增强了基于云端协同的电池管理系统的稳定性。
第二方面,本申请实施例提供了一种车,包括车端电池管理系统,车端电池管理系统包括传感器和决策处理模块;
车端电池管理系统,用于通过传感器测量车的电池参数,将测量得到的第一电池参数数据发送至云端电池管理系统;以及接收来自云端电池管理系统的第一训练结果,并根据第一训练结果更新决策处理模块;其中,第一训练结果是云端电池管理系统对第二电池参数数据进行训练后得到的训练结果,第二电池参数数据包括第一电池参数数据和历史电池参数数据。
也就是说,车上的车端BMS可以根据云端BMS提供的第一训练结果更新决策处理模块,提高了电池管理的实时性和可靠性。
在一种可能的实现方式中,第一训练结果包括云端预训练模型;车端电池管理系统,具体用于对云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据第二训练结果更新决策处理模块。
也就是说,在该实现方式中,车上的车端BMS可以对云端BMS提供的云端预训练模型进行微调或迁移学习后再更新决策处理模块,可提升模型精度及实时性、可靠性。
在一种可能的实现方式中,第一训练结果包括全局模型或局部模型,全局类型用于包括该车所属类型在内的多种不同车类型,局部类型用于该车或该车所属的车类型;车端电池管理系统,具体用于根据全局模型或局部模型更新决策处理模块;或对全局模型或局部模型进行微调或迁移学习,得到第三训练结果,并根据第三训练结果更新决策处理模块。
也就是说,在该实现方式中,车上的车端BMS可以根据全局模型或局部模型更新决策处理模块,也可以对全局模型或局部模型进行微调或迁移学习后再更新决策处理模块,满足了车端电池管理的不同管理需求,提高了车端电池管理的灵活性。
在一种可能的实现方式中,传感器包括电化学阻抗谱传感器、压力传感器和声波传感器中的一项或多项;其中,电化学阻抗谱传感器,用于测量车的电池的电化学阻抗谱信号;压力传感器,用于测量车的电池的内部压力信号;声波传感器,用于测量车的电池的内部声信号。
也就是说,在该实现方式中,车上的车端BMS可以通过电化学阻抗谱传感器、压力传感器和声波传感器分别测量车的电池的电化学阻抗谱信号、内部压力信号和内部声信号,这样云端BMS可以针对包括车的电池的电化学阻抗谱信号、内部压力信号和内部声信号的电池参数数据进行训练,从而增强了基于云端协同的电池管理系统的稳定性。
第三方面,本申请实施例提供了一种基于云端协同的电池管理方法,应用于基于云端协同的电池管理系统,基于云端协同的电池管理系统包括车和云端电池管理系统,车包括车端电池管理系统,车端电池管理系统包括传感器和决策处理模块;该方法包括:车端电池管理系统通过传感器测量车的电池参数,将测量得到的第一电池参数数据发送至云端电池管理系统;云端电池管理系统对第二电池参数数据进行训练,将训练得到的第一训练结果发送至车端电池管理系统;其中,第二电池参数数据包括第一电池参数数据和历史电池参数数据;车端电池管理系统还根据第一训练结果更新决策处理模块。
在一种可能的实现方式中,第一训练结果包括云端预训练模型;车端电池管理系统根据第一训练结果更新决策处理模块,包括:车端电池管理系统对云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据第二训练结果更新决策处理模块。
在一种可能的实现方式中,第一训练结果包括全局模型或局部模型,全局类型用于包括该车所属类型在内的多种不同车类型,局部类型用于该车或该车所属的车类型;车端电池管理系统根据第一训练结果更新决策处理模块,包括:车端电池管理系统根据全局模型或局部模型更新决策处理模块;或对全局模型或局部模型进行微调或迁移学习,得到第三训练结果,并根据第三训练结果更新决策处理模块。
在一种可能的实现方式中,传感器包括电化学阻抗谱传感器、压力传感器和声波传感器中的一项或多项;其中,电化学阻抗谱传感器,用于测量车的电池的电化学阻抗谱信号;压力传感器,用于测量车的电池的内部压力信号;声波传感器,用于测量车的电池的内部声信号。
在一种可能的实现方式中,第一电池参数数据包括电流参数数据;该方法还包括:车端电池管理系统根据电流细粒度计算电流参数数据对应的安时积分信息,并将安时积分信息添加到第一电池参数数据中;其中,电流细粒度包括毫秒级或毫秒级以上的精度。
也就是说,在该实现方式中,车上的车端BMS可以通过增加电流细粒度(毫秒级或毫秒级以上的精度)检测,并通过安时积分记录累积充放电容量,增强云端BMS的数据精度,还可以降低车端BMS测量数据上报频率,减少传输数据量,还提升了云端BMS安时积分数据的精度。
在一种可能的实现方式中,车端电池管理系统将测量得到的第一电池参数数据发送至云端电池管理系统,包括:车端电池管理系统将第一电池参数数据添加到电池测量消息中,并将电池测量消息发送至云端电池管理系统;其中,电池测量消息包括消息流水号。
也就是说,在该实现方式中,车上的车端BMS可以通过电池测量消息的形式将电池参数数据发送至云端BMS,提高了电池参数数据传输的可靠性。并且,通过增加消息流水号,云端BMS能准确知道车端BMS的电池测量消息是否连续,是否存在丢失。
可以理解,第三方面提供的基于云端协同的电池管理方法为第一方面提供的基于云端协同的电池管理系统所执行的方法,因此,其所能达到的有益效果可以参考前述相应的有益效果。
第四方面,本申请实施例提供了一种基于云端协同的电池管理方法,应用于车端电池管理系统,车端电池管理系统包括传感器和决策处理模块;车端电池管理系统通过传感器测量车的电池参数,将测量得到的第一电池参数数据发送至云端电池管理系统;以及接收来自云端电池管理系统的第一训练结果,并根据第一训练结果更新决策处理模块;其中,第一训练结果是云端电池管理系统对第二电池参数数据进行训练后得到的训练结果,第二电池参数数据包括第一电池参数数据和历史电池参数数据。
在一种可能的实现方式中,第一训练结果包括云端预训练模型;车端电池管理系统根据第一训练结果更新决策处理模块,包括:车端电池管理系统对云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据第二训练结果更新决策处理模块。
在一种可能的实现方式中,第一训练结果包括全局模型或局部模型,全局类型用于包括该车所属类型在内的多种不同车类型,局部类型用于该车或该车所属的车类型;
车端电池管理系统根据第一训练结果更新决策处理模块,包括:
车端电池管理系统根据全局模型或局部模型更新决策处理模块;或对全局模型或局部模型进行微调或迁移学习,得到第三训练结果,并根据第三训练结果更新决策处理模块。
在一种可能的实现方式中,传感器包括电化学阻抗谱传感器、压力传感器和声波传感器中的一项或多项;其中,电化学阻抗谱传感器,用于测量车的电池的电化学阻抗谱信号;压力传感器,用于测量车的电池的内部压力信号;声波传感器,用于测量车的电池的内部声信号。
在一种可能的实现方式中,第一电池参数数据包括电流参数数据;该方法还包括:车端电池管理系统根据电流细粒度计算电流参数数据对应的安时积分信息,并将安时积分信息添加到第一电池参数数据中;其中,电流细粒度包括毫秒级或毫秒级以上的精度。
也就是说,在该实现方式中,车上的车端BMS可以通过增加电流细粒度(毫秒级或毫秒级以上的精度)检测,并通过安时积分记录累积充放电容量,增强云端BMS的数据精度,还可以降低车端BMS测量数据上报频率,减少传输数据量,还提升了云端BMS安时积分数据的精度。
在一种可能的实现方式中,车端电池管理系统将测量得到的第一电池参数数据发送至云端电池管理系统,包括:车端电池管理系统将第一电池参数数据添加到电池测量消息中,并将电池测量消息发送至云端电池管理系统;其中,电池测量消息包括消息流水号。
也就是说,在该实现方式中,车上的车端BMS可以通过电池测量消息的形式将电池参数数据发送至云端BMS,提高了电池参数数据传输的可靠性。并且,通过增加消息流水号,云端BMS能准确知道车端BMS的电池测量消息是否连续,是否存在丢失。
可以理解,第四方面提供的基于云端协同的电池管理方法为第二方面提供的车所执行的方法,因此,其所能达到的有益效果可以参考前述相应的有益效果。
本申请实施例提供的基于云端协同的电池管理系统、车及电池管理方法,可以通过车端BMS和云端BMS二者配合来实现车端电池管理,可在解决车端BMS算力不足的同时,提高了车端电池管理的实时性和可靠性。
附图说明
图1是本申请实施例提供的一种基于云端协同的电池管理系统的结构示意图;
图2是本申请实施例提供的一种基于云端协同的电池管理方法的信息示意图;
图3是本申请实施例提供的一种基于云端协同的电池管理方法的流程示意图;
图4是本申请实施例提供的一种基于云端协同的电池管理方法的实现过程示意图。
具体实施方式
为了使本申请实施例的目的、技术方案和优点更加清楚,下面将结合附图,对本申请实施例中的技术方案进行描述。
在本申请实施例的描述中,“示例性的”、“例如”或者“举例来说”等词用于表示作例子、例证或说明。本申请实施例中被描述为“示例性的”、“例如”或者“举例来说”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言,使用“示例性的”、“例如”或者“举例来说”等词旨在以具体方式呈现相关概念。
在本申请实施例的描述中,术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,单独存在B,同时存在A和B这三种情况。另外,除非另有说明,术语“多个”的含义是指两个或两个以上。例如,多个系统是指两个或两个以上的系统,多个屏幕终端是指两个或两个以上的屏幕终端。
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。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
BMS的主要作用是智能化管理及维护各个电池单元,防止电池出现过充电和过放电,延长电池的使用寿命,监控电池的状态。BMS由各类传感器、执行器、控制器以及信号线等组成,其具有的功能包括:
BMS由各类传感器、执行器、控制器以及信号线等组成,为满足相关的标准或规范,传统BMS应该具有以下功能:
(1)电池参数检测。
具体地,电池参数可以包括总电压、总电流、单体电池电压、温度、烟雾、绝缘、碰撞检测等。
(2)电池状态估计。
具体地,电池状态可以包括电池荷电状态(State of Charge,SOC)或放电深度(Depth of Discharge,DOD)、电池健康度(State of Health,SOH)、功能状态(State ofFunction,SOF)、能量状态(State ofEnergy,SOE)、故障及安全状态(State of Security,SOS)等。
(3)在线故障诊断。
具体地,在线故障诊断可以包括故障检测、故障类型判断、故障定位、故障信息输出等。
(4)电池安全控制与报警。
具体地,BMS诊断到故障后进行报警,以防止高温、低温、过充、过放、过流、漏电等对电池和人身的损害。
(5)充电控制。
具体地,BMS根据电池的特性、温度高低以及充电机的功率等级,控制充电机给电池进行安全充电。
(6)电池均衡。
具体地,不一致性的存在使得电池组的容量小于组中最小单体的容量。电池均衡是根据单体电池信息,采用主动或被动、耗散或非耗散等均衡方式,尽可能使电池组容量接近于最小单体的容量。
(7)热管理。
具体地,BMS根据电池组内温度分布信息及充放电需求,决定主动加热/散热的强度,使得电池尽可能工作在最适合的温度,充分发挥电池的性能。
(8)网络通讯。
具体地,BMS需要与系统其他模块进行通讯,以便数据传输与控制。
(9)信息存储。
具体地,用于存储关键数据,如SOC、SOH、SOF、SOE、累积充放电的安时(Amperehours,Ah)数、故障码和一致性等。
但是,BMS计算资源有限,难以存储并处理大量数据,尤其是在电池安全预警、电池状态计算等重要功能上难以利用大数据或AI等新技术带来性能的提升。
为了解决上述技术问题,本申请提供了一种基于云端协同的电池管理系统、车及电池管理方法,可以通过车端BMS和云端BMS二者配合来实现车端电池管理,可在解决车端BMS算力不足的同时,提高车端电池管理的实时性和可靠性。
下面通过具体实施例进行说明。
图1是本申请实施例提供的一种基于云端协同的电池管理系统的结构示意图。如图1所示,该基于云端协同的电池管理系统包括车100和云端BMS200,车100包括车端BMS110,车端BMS110包括传感器1101和决策处理模块1102。
车端BMS110,用于通过传感器1101测量车100的电池参数,将测量得到的第一电池参数数据发送至云端BMS200;
云端BMS200,用于对第二电池参数数据进行训练,将训练得到的第一训练结果发送至车端BMS110;其中,第二电池参数数据包括第一电池参数数据和历史电池参数数据;
车端BMS110,还用于根据第一训练结果更新决策处理模块1102。
其中,历史电池参数数据可以包括车100的历史电池参数数据,也可以包括其他车的历史电池参数数据。
可见,云端协同的电池管理系统中的车端BMS110和云端BMS200二者配合来实现车端电池管理,可提升车端电池管理的实时性和可靠性。
在一些实施例中,云端BMS200可以第二对电池参数数据进行预训练,得到云端预训练模型;车端BMS110可以具体用于对云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据第二训练结果更新决策处理模块1102。
其中,预训练及微调可以指的是通过在大的数据集上进行预训练,然后在根据特定的任务进行微调,能够加速模型的训练,缓解数据量不足而带来的过拟合问题,预训练及微调模式可以看成迁移学习(Transfer Learning,TL)的一种特定手段。
比如:预训练为云端BMS200从海量数据中学习各种电池的各个数据维度特征在各种工况下的相互关系。其中,数据维度包括时序、车速、电流、电压、温度、容量、故障等,预训练学习的关系就是上述数据维度以及衍生特征之间的互相关系,比如故障与车速、电流、电压、时序之间的关系。
可见,本申请实施例采用预训练及微调,使得最终的训练结果既有大数据学到的通用信息,又有自身独有的信息,这样方式比全局模型和局部模型要复杂,其优点在于用少量的硬件成本使得车端BMS110也具备AI模型训练和决策处理能力,提升电池管理的准确度和可靠性。
在一些实施例中,云端BMS200可以第二对电池参数数据进行训练,得到全局模型或局部模型,全局类型用于包括车100所属类型在内的多种不同车类型,局部类型用于车100或车100所属的车类型;车端BMS110可以根据全局模型或局部模型更新决策处理模块;也可以对全局模型或局部模型进行微调或迁移学习,得到第三训练结果,并根据第三训练结果更新决策处理模块1102。
其中,全局模型指的是针对所有车训练一个模型,不区分车。这种方式计算效率高但对具体车精度稍低。示例性的,全局模型对应所有类型的车,这个模型是面向具体的任务或功能的,比如故障预警或者容量估计等,模型可以直接用于这些场景的结果推理。
局部模型指的是按车类型甚至个体训练模型,每种车类型或者每个车一个模型。这种方式对具体车模型精度较高但计算效率低。示例性的,局部模型对应一类车或一台车,这个模型是面向具体的任务或功能的。
可见,本申请实施例采用全局模型或局部模型,可满足车端电池管理的不同管理需求,提升车端电池管理的灵活性。
在一些实施例中,传感器1101可以包括电化学阻抗谱传感器、压力传感器和声波传感器等。其中,电化学阻抗谱传感器,用于测量车的电池的电化学阻抗谱信号;压力传感器,用于测量车的电池的内部压力信号;声波传感器,用于测量车的电池的内部声信号。
其中,电化学阻抗谱信号,通过对电池施加不同频率的交流激励观测电池的响应方式,获取电池在不同频率下的内部阻抗频响特性。该信号能够反映出电池的健康状态、故障状态、内温状态等,但具有强耦合性,可在云端BMS200通过大数据处理进行学习。
内部压力信号,该信号与电池的析锂状态紧密关联,但受外界冲击震动等干扰因素大,可在云端BMS200器通过大数据学习在复杂外界冲击条件下的压力-析锂状态解析。
内部声信号,该信号与电池的健康状态、故障状态存在关联,但具有强耦合性,同时易受外界信号干扰,可在云端BMS200通过大数据处理进行降噪、解耦与分析。
可见,本申请实施例增加了电化学阻抗谱传感器、压力传感器和声波传感器等,可增强系统稳定性。
图2是本申请实施例提供的一种基于云端协同的电池管理方法的信息示意图。该方法应用于图1所示的基于云端协同的电池管理系统,该基于云端协同的电池管理系统包括车100和云端BMS200,车100包括车端BMS110,车端BMS110包括传感器1101和决策处理模块1102。如图2所示,该基于云端协同的电池管理方法可以包括以下步骤:
S201、车端BMS110通过传感器1101测量车100的电池参数。
S202、车端BMS110将测量得到的第一电池参数数据发送至云端BMS200。
S203、云端BMS200对第二电池参数数据进行训练。其中,第二电池参数数据包括第一电池参数数据和历史电池参数数据。其中,历史电池参数数据可以包括车100的历史电池参数数据,也可以包括其他车的历史电池参数数据。
S204、云端BMS200将训练得到的第一训练结果发送至车端BMS110。
S205、车端BMS110还根据第一训练结果更新决策处理模块1102。
可见,本申请实施例中,通过车端BMS110和云端BMS200二者配合来实现车端电池管理,可提升车端电池管理的实时性和可靠性。
在一些实施例中,上述S203中的云端BMS200可以第二对电池参数数据进行预训练,得到云端预训练模型;上述S205中的车端BMS110可以对云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据第二训练结果更新决策处理模块1102。可见,本申请实施例采用预训练及微调,使得最终的训练结果既有大数据学到的通用信息,又有自身独有的信息,这样方式比全局模型和局部模型要复杂,其优点在于用少量的硬件成本使得车端BMS110也具备AI模型训练和决策处理能力,提升电池管理的准确度和可靠性。
在一些实施例中,上述S203中的云端BMS200可以第二对电池参数数据进行训练,得到全局模型或局部模型,全局类型用于包括车100所属类型在内的多种不同车类型,局部类型用于车100或车100所属的车类型;上述S205中的车端BMS110可以根据全局模型或局部模型更新决策处理模块;也可以对全局模型或局部模型进行微调或迁移学习,得到第三训练结果,并根据第三训练结果更新决策处理模块1102。可见,本申请实施例采用全局模型或局部模型,可满足车端电池管理的不同管理需求,提升车端电池管理的灵活性。
在一些实施例中,上述S201中的传感器1101可以包括电化学阻抗谱传感器、压力传感器和声波传感器等。其中,电化学阻抗谱传感器,用于测量车的电池的电化学阻抗谱信号;压力传感器,用于测量车的电池的内部压力信号;声波传感器,用于测量车的电池的内部声信号。可见,本申请实施例增加了电化学阻抗谱传感器、压力传感器和声波传感器等,可增强系统稳定性。
在一些实施例中,上述S202中的车端BMS110可以根据电流细粒度计算电流参数数据对应的安时积分信息,并将安时积分信息添加到第一电池参数数据中;其中,电流细粒度包括毫秒级或毫秒级以上的精度。
可见,本申请实施例通过增加电流细粒度(毫秒级或以上)检测,并通过安时积分记录累积充放电容量,增强云端BMS200容量数据精度,还可以降低车端BMS110测量数据上报频率,进而减少数据传输量,可提升云端BMS200的数据精度。示例性的,之前10s上传一次数据用于云端BMS200计算Ah数,现在通过车端BMS110上报5分钟(周期可设置)之内的累积Ah数。
在一些实施例中,上述S202中的车端BMS110可以将第一电池参数数据添加到电池测量消息中,并将电池测量消息发送至云端BMS200;其中,电池测量消息包括消息流水号。
可见,本申请实施例可以通过电池测量消息的形式将电池参数数据发送至云端BMS。并且,通过电池测量消息中增加消息流水号,云端BMS能准确知道车端BMS的电池测量消息是否连续,是否存在丢失。
图3是本申请实施例提供的一种基于云端协同的电池管理方法的流程示意图。该方法应用于图1所示的车100,车100包括车端BMS110,车端BMS110包括传感器1101和决策处理模块1102。如图3所示,该基于云端协同的电池管理方法可以包括以下步骤:
S301、车端BMS110通过传感器1101测量车100的电池参数,将测量得到的第一电池参数数据发送至云端BMS200。
S302、车端BMS110接收来自云端BMS200的第一训练结果,并根据第一训练结果更新决策处理模块1102;其中,第一训练结果是云端BMS200对第二电池参数数据进行训练后得到的训练结果,第二电池参数数据包括第一电池参数数据和历史电池参数数据。
可见,本申请实施例中,车端BMS110可以根据云端BMS200提供的第一训练结果更新决策处理模块1102,提高了电池管理的实时性和可靠性。
在一些实施例中,上述S302中的云端BMS200可以第二对电池参数数据进行预训练,得到云端预训练模型;上述S302中的车端BMS110可以对云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据第二训练结果更新决策处理模块1102。可见,本申请实施例采用预训练及微调,使得最终的训练结果既有大数据学到的通用信息,又有自身独有的信息,这样方式比全局模型和局部模型要复杂,其优点在于用少量的硬件成本使得车端BMS110也具备AI模型训练和决策处理能力,提升电池管理的准确度和可靠性。
在一些实施例中,上述S302中的云端BMS200可以第二对电池参数数据进行训练,得到全局模型或局部模型,全局类型用于包括车100所属类型在内的多种不同车类型,局部类型用于车100或车100所属的车类型;上述S302中的车端BMS110可以根据全局模型或局部模型更新决策处理模块;也可以对全局模型或局部模型进行微调或迁移学习,得到第三训练结果,并根据第三训练结果更新决策处理模块1102。可见,本申请实施例采用全局模型或局部模型,可满足车端电池管理的不同管理需求,提升车端电池管理的灵活性。
在一些实施例中,上述S301中的传感器1101可以包括电化学阻抗谱传感器、压力传感器和声波传感器等。其中,电化学阻抗谱传感器,用于测量车的电池的电化学阻抗谱信号;压力传感器,用于测量车的电池的内部压力信号;声波传感器,用于测量车的电池的内部声信号。可见,本申请实施例增加了电化学阻抗谱传感器、压力传感器和声波传感器等,可增强系统稳定性。
在一些实施例中,上述S301中的车端BMS110可以根据电流细粒度计算电流参数数据对应的安时积分信息,并将安时积分信息添加到第一电池参数数据中;其中,电流细粒度包括毫秒级或毫秒级以上的精度。
可见,本申请实施例通过增加电流细粒度(毫秒级或以上)检测,并通过安时积分记录累积充放电容量,增强云端BMS200容量数据精度,还可以降低车端BMS110测量数据上报频率,进而减少数据传输量,可提升云端BMS200的数据精度。示例性的,之前10s上传一次数据用于云端BMS200计算Ah数,现在通过车端BMS110上报5分钟(周期可设置)之内的累积Ah数。
在一些实施例中,上述S301中的车端BMS110可以将第一电池参数数据添加到电池测量消息中,并将电池测量消息发送至云端BMS200;其中,电池测量消息包括消息流水号。
可见,本申请实施例可以通过电池测量消息的形式将电池参数数据发送至云端BMS200。并且,通过电池测量消息中增加消息流水号,云端BMS200能准确知道车端BMS110的电池测量消息是否连续,是否存在丢失。
图4是本申请实施例提供的一种基于云端协同的电池管理方法的实现过程示意图;该方法应用于图1所示的基于云端协同的电池管理系统,该基于云端协同的电池管理系统包括车100和云端BMS200,车100包括车端BMS110,车端BMS110包括传感器1101和决策处理模块1102。如图4所示,该方法的实现过程可以包括:
S401、数据测量,新增传感器
具体地,在数据测量时,可以测量车辆行驶的工况(如车速/累计里程数等)、电池包相关信息(总电流、总电压、电芯电流、温度)及其他诸如位置、电机状态等信息,上报到云端BMS200。
其中,车速/累计里程这些数据是车端BMS110测量,云端BMS200在AI模型训练时可能使用。并且,车端BMS110的测量的数据主要是电流、电压、温度及其他一些传感器测量信息,内部数据由各厂家自己定义。
在一些实现中,本申请可以增加电流细粒度(毫秒级)检测,并通过安时积分记录累积充放电容量,增强云端容量数据精度;增加测量消息流水号,能准确知道板端测量消息是否连续,是否存在丢失;降低车端测量数据上报频率,减少数据量。示例性的,之前10s上传一次计算Ah,现在通过车端上报5分钟(周期可设置)之内的累积Ah,不仅减少了传输数据量,还提升了云端Ah数据的精度。
也就是说,电流细粒度(毫秒级)检测数据的作用在于增强云端Ah数据的精度,降低传输数据量。
其中,安时积分就是电流在时间上积分,即Ah数累加。由于云端BMS200上的数据采样周期为10s,电流是10s内的平均电流,安时积分据此计算,会存在由于采样精度较低带来的误差;如果车端BMS110自身基于毫秒级或者更高精度的采样,在车端BMS110根据电流细粒度计算好安时积分再上报给云端BMS200,则云端BMS200的精度会高很多。
在一些实现中,本申请可以增加传感器,这样通过增加传感器测量信息,为云端BMS200提供了更丰富的数据,增强了数据完整性,提升了云端数据质量。
其中,传感器可以包括:电化学阻抗谱传感器,其用于采集电化学阻抗谱信号;压力传感器,其用于采集电池内部压力信号;声波传感器,其用于采集电池内部声信号。
具体地,电化学阻抗谱传感器,通过对电池施加不同频率的交流激励观测电池的响应方式,获取电池在不同频率下的内部阻抗频响特性。该信号能够反映出电池的健康状态、故障状态、内温状态等,但具有强耦合性,可在云端BMS200通过大数据处理进行学习。压力传感器,该信号与电池的析锂状态紧密关联,但受外界冲击震动等干扰因素大,可在云端BMS200通过大数据学习在复杂外界冲击条件下的压力-析锂状态解析。声波传感器,该信号与电池的健康状态、故障状态存在关联,但具有强耦合性,同时易受外界信号干扰,可在云端BMS200通过大数据处理进行降噪、解耦与分析。
S402、数据存储
具体地,云端BMS200存储车端BMS110上报的海量数据,便于后续处理
S403、数据处理
具体地,云端BMS200对海量数据进行清洗处理,便于后续AI模型训练。其中,清洗处理包括去掉异常值,去掉误报警之类的数据。
S404、AI模型训练
具体地,对于安全预警或者状态计算,云端BMS200上的AI模型训练有如下几种方式:
方式一、全局模型,即所有车都是同一个模型,这个模型是面向具体的任务或功能的,比如故障预警或者容量估计等,模型可以直接用于这些场景的结果决策处理。提取训练样本车中的特征信息(例如故障或者容量相关特征),训练一个模型,基于该模型在云端BMS200上对每台车的数据进行决策处理预测,将决策处理结果(故障预警等)作为策略下发到车端BMS110进行控制处理。
也就是说,云端BMS200训练全局模型,该模型基于所有采集的车端数据训练,基于该模型并给出每个车端决策处理结果,作为决策下发至车端BMS110,板端可以不做训练决策处理直接执行。
方式二、局部模型,即一类车一个模型或者一车一模型,跟全局模型一样,这些模型也是面向具体任务的。云端BMS200基于某一类车或者每台车的数据进行提取特征并训练AI模型,再基于这些模型对相应的车进行决策处理。
也就是说,云端BMS200训练局部模型,局部模型可能是某个型号的车甚至是某个车,基于该模型给出每个车端决策处理结果,作为决策测量至车端BMS110,车端可以不做训练决策处理直接执行。
需要说明的是,上述全局模型或者局部模型可以是云端BMS200事先训练好的,上线后可以定期增量训练,不需要实时刷新。
方式三、预训练模型,即不面向具体的任务或功能,从海量数据中学习车端BMS110各个数据维度及其特征在一定时序及工况中的关系,形成预训练模型,下游任务结合一定标注数据对模型进行微调,在低资源消耗下实现故障预警、容量估计等任务。示例性的,以车载领域为例,云端BMS200储存了大量的时序、工况、驾驶行为、位置、总电流、总电压、单体电压、温度、电机状态、告警类型及等级、故障状态等数据,预训练模型通过自监督学习这些维度及其衍生特征之间的关系,车端在做类似3级告警预警等任务时只需在预训练模型上结合自身有标签的告警数据进行微调即可得到该车面向3级告警预警任务的模型,这个模型既有大数据学到通用信息,又有自身独有的信息。
上述预训练模型的训练具有为:从海量数据中学习各种电池的各个数据维度特征在各种工况下的相互关系。其中,数据维度包括时序、车速、电流、电压、温度、容量、故障等,预训练学习的关系就是上述数据维度以及衍生特征之间的互相关系,比如故障与车速、电流、电压、时序之间的关系。
也就是说,云端BMS200训练全局或局部模型作为预训练模型,该模型参数下发至车端BMS110,车端BMS110将该模型参数作为车端训练初始化参数,并基于采集的少量数据进行模型参数寻优,即微调或迁移学习过程。车端BMS110基于本地训练的模型进行决策处理。
需要说明的是:方式三预训练模型比全局模型和局部模型要复杂。预训练模型的优点在于用少量的硬件成本使得车端也具备AI模型训练和决策处理能力,提升准确度和可靠性。
S405、云端决策处理
具体地,基于云端BMS200训练的全局模型或者局部模型,对诸如故障预警或者容量估计等任务给出决策处理结果。
其中,云端BMS200的决策处理结果基于输入的数据和训练的模型给出的,输入数据给模型,模型给出决策处理结果。这里的输入数据是经过一定处理后的数据;输出是AI模型预测的结果,比如三级告警预测,决策处理结果就是三级告警的发生的概率。
S406、微调或迁移学习,增加少量计算资源
具体地,基于云端的预训练模型,结合车端的数据微调,得到面向特定任务(如3级告警预警)的模型。
S407、车端决策处理
具体地,车端决策处理支持两种情况下的决策处理:
情况一、云端BMS200的全局模型或者局部模型轻量化后下沉到车端,车端BMS110进行决策处理。
情况二、车端BMS110在基于云端BMS200的预训练模型,在车端进行微调或迁移学习得到模型后进行决策处理。
其中,微调或迁移学习的目的是:将云端海量数据预训练的模型转换为更适合车端数据特征的模型,也就是说云端预训练模型基于大数据量统计规律,再结合车端个性化数据微调,使得最终得到的模型更精准。
需要说明的是:“轻量化”指的是把全局模型或者局部模型放到车端嵌入式环境。相比云端的大数据环境,车端嵌入式环境CPU、内存等计算资源都极为有限,需要把云端AI模型按嵌入式环境资源要求改写且不损失模型精度。
另外,“车端决策处理”与“云端决策处理”相似,但车端决策处理的数据有限,不涉及其他车端数据;而云端决策处理是面向管理的所有车端的。
S408、策略执行
需要说明的是,本申请除了应用于安全预警和状态计算等领域内,还可以应用到电池寿命预估、里程预估等领域。
在电池寿命预估领域,云端BMS200端基于海量数据训练时序、工况、电流、电压、温度、电机、SOH、电池包型号等参数之间的关系,得到电池寿命的预训练模型;在车端上进行微调或迁移学习,得到车端电池包的寿命预估模型。
在里程预估领域,云服务器端基于海量数据训练时序、工况、电流、电压、温度、电机、SOH、电池包型号、里程等参数之间的关系,得到里程预估的预训练模型;在车端上进行微调或迁移学习,得到车端电池包的里程预估模型。
接下来,继续如图4所示,由于云端训练的AI模型可以为全局模型、局部模型、预训练模型,其对应的基于云端协同的电池管理方法可以包括以下三种实现过程:
第一种实现过程:云端训练+云端决策处理+车端执行
具体地,云端BMS200训练全局模型或局部模型,并基于该模型进行决策处理,车端BMS110不做训练直接执行策略。
第二种实现过程:云端训练+车端决策处理+车端执行
具体地,云端BMS200训练全局模型或局部模型,车端BMS110将云端训练的全局模型或局部模型轻量化后下沉到车端,车端BMS110基于该模型进行决策处理,并执行策略。
第三种实现过程:云端预训练+车端微调或迁移学习+车端决策处理+车端执行
具体地,云端BMS200训练全局或局部模型作为预训练模型,该模型参数下发至车端BMS110,车端BMS110将该模型参数作为车端训练初始化参数,并基于采集的少量数据进行模型参数寻优,即微调或迁移学习过程。车端BMS110基于本地训练的模型进行决策处理。
需要说明的是:车端BMS110可以根据计算资源约束从第二种或第三种选择一种实现方式。比如:没有新增计算资源情况下可以只做车端决策处理,不做预训练及微调。
可见,本申请的云端BMS200、车端BMS110均具备AI模型训练和推理能力,车端BMS110在算力受限约束下具备本地训练及决策推理能力,容量、故障预测等模型的精度以及推理的实时性、可靠性都有提升。还有,通过车端数据测量部分的改进,增加了测量信息,为云端BMS200提供了更丰富的数据;增强了数据完整性,提升了云端BMS200数据质量,同时降低车端BMS110上报到云端BMS200的数据量,提升计算效率。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时,可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者通过所述计算机可读存储介质进行传输。所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
可以理解的是,在本申请的实施例中涉及的各种数字编号仅为描述方便进行的区分,并不用来限制本申请的实施例的范围。
Claims (20)
1.一种基于云端协同的电池管理系统,其特征在于,包括:车和云端电池管理系统,所述车包括车端电池管理系统,所述车端电池管理系统包括传感器和决策处理模块;
所述车端电池管理系统,用于通过所述传感器测量所述车的电池参数,将测量得到的第一电池参数数据发送至所述云端电池管理系统;
所述云端电池管理系统,用于对第二电池参数数据进行训练,将训练得到的第一训练结果发送至所述车端电池管理系统;其中,所述第二电池参数数据包括所述第一电池参数数据和历史电池参数数据;
所述车端电池管理系统,还用于根据所述第一训练结果更新所述决策处理模块。
2.根据权利要求1所述的系统,其特征在于,所述第一训练结果包括云端预训练模型;
所述车端电池管理系统,具体用于对所述云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据所述第二训练结果更新所述决策处理模块。
3.根据权利要求1所述的系统,其特征在于,所述第一训练结果包括全局模型或局部模型,所述全局类型用于包括所述车所属类型在内的多种不同车类型,所述局部类型用于所述车或所述车所属的车类型;
所述车端电池管理系统,具体用于根据所述全局模型或局部模型更新所述决策处理模块;或对所述全局模型或所述局部模型进行微调或迁移学习,得到第三训练结果,并根据所述第三训练结果更新所述决策处理模块。
4.根据权利要求1至3任一项所述的系统,其特征在于,所述传感器包括电化学阻抗谱传感器、压力传感器和声波传感器中的一项或多项;
其中,所述电化学阻抗谱传感器,用于测量所述车的电池的电化学阻抗谱信号;所述压力传感器,用于测量所述车的电池的内部压力信号;所述声波传感器,用于测量所述车的电池的内部声信号。
5.一种车,其特征在于,包括车端电池管理系统,所述车端电池管理系统包括传感器和决策处理模块;
所述车端电池管理系统,用于通过所述传感器测量所述车的电池参数,将测量得到的第一电池参数数据发送至所述云端电池管理系统;以及接收来自云端电池管理系统的第一训练结果,并根据所述第一训练结果更新所述决策处理模块;
其中,所述第一训练结果是所述云端电池管理系统对第二电池参数数据进行训练后得到的训练结果,所述第二电池参数数据包括所述第一电池参数数据和历史电池参数数据。
6.根据权利要求5所述的车,其特征在于,所述第一训练结果包括云端预训练模型;
所述车端电池管理系统,具体用于对所述云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据所述第二训练结果更新所述决策处理模块。
7.根据权利要求5所述的车,其特征在于,所述第一训练结果包括全局模型或局部模型,所述全局类型用于包括所述车所属类型在内的多种不同车类型,所述局部类型用于所述车或所述车所属的车类型;
所述车端电池管理系统,具体用于根据所述全局模型或局部模型更新所述决策处理模块;或对所述全局模型或所述局部模型进行微调或迁移学习,得到第三训练结果,并根据所述第三训练结果更新所述决策处理模块。
8.根据权利要求5至7任一项所述的车,其特征在于,所述传感器包括电化学阻抗谱传感器、压力传感器和声波传感器中的一项或多项;
其中,所述电化学阻抗谱传感器,用于测量所述车的电池的电化学阻抗谱信号;所述压力传感器,用于测量所述车的电池的内部压力信号;所述声波传感器,用于测量所述车的电池的内部声信号。
9.一种基于云端协同的电池管理方法,其特征在于,应用于基于云端协同的电池管理系统,所述基于云端协同的电池管理系统包括车和云端电池管理系统,所述车包括车端电池管理系统,所述车端电池管理系统包括传感器和决策处理模块;
所述方法包括:
所述车端电池管理系统通过所述传感器测量所述车的电池参数,将测量得到的第一电池参数数据发送至所述云端电池管理系统;
所述云端电池管理系统对第二电池参数数据进行训练,将训练得到的第一训练结果发送至所述车端电池管理系统;其中,所述第二电池参数数据包括所述第一电池参数数据和历史电池参数数据;
所述车端电池管理系统还根据所述第一训练结果更新所述决策处理模块。
10.根据权利要求9所述的方法,其特征在于,所述第一训练结果包括云端预训练模型;
所述车端电池管理系统根据所述第一训练结果更新所述决策处理模块,包括:
所述车端电池管理系统对所述云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据所述第二训练结果更新所述决策处理模块。
11.根据权利要求9所述的方法,其特征在于,所述第一训练结果包括全局模型或局部模型,所述全局类型用于包括所述车所属类型在内的多种不同车类型,所述局部类型用于所述车或所述车所属的车类型;
所述车端电池管理系统根据所述第一训练结果更新所述决策处理模块,包括:
所述车端电池管理系统根据所述全局模型或局部模型更新所述决策处理模块;或对所述全局模型或所述局部模型进行微调或迁移学习,得到第三训练结果,并根据所述第三训练结果更新所述决策处理模块。
12.根据权利要求9至11任一项所述的方法,其特征在于,所述传感器包括电化学阻抗谱传感器、压力传感器和声波传感器中的一项或多项;
其中,所述电化学阻抗谱传感器,用于测量所述车的电池的电化学阻抗谱信号;所述压力传感器,用于测量所述车的电池的内部压力信号;所述声波传感器,用于测量所述车的电池的内部声信号。
13.根据权利要求9所述的方法,其特征在于,所述第一电池参数数据包括电流参数数据;
所述方法还包括:
所述车端电池管理系统根据电流细粒度计算所述电流参数数据对应的安时积分信息,并将所述安时积分信息添加到所述第一电池参数数据中;其中,所述电流细粒度包括毫秒级或所述毫秒级以上的精度。
14.根据权利要求9或13所述的方法,其特征在于,所述车端电池管理系统将测量得到的第一电池参数数据发送至所述云端电池管理系统,包括:
所述车端电池管理系统将所述第一电池参数数据添加到电池测量消息中,并将所述电池测量消息发送至所述云端电池管理系统;其中,所述电池测量消息包括消息流水号。
15.一种基于云端协同的电池管理方法,其特征在于,应用于车端电池管理系统,所述车端电池管理系统包括传感器和决策处理模块;
所述车端电池管理系统通过所述传感器测量所述车的电池参数,将测量得到的第一电池参数数据发送至所述云端电池管理系统;以及接收来自云端电池管理系统的第一训练结果,并根据所述第一训练结果更新所述决策处理模块;
其中,所述第一训练结果是所述云端电池管理系统对第二电池参数数据进行训练后得到的训练结果,所述第二电池参数数据包括所述第一电池参数数据和历史电池参数数据。
16.根据权利要求15所述的方法,其特征在于,所述第一训练结果包括云端预训练模型;
所述车端电池管理系统根据所述第一训练结果更新所述决策处理模块,包括:
所述车端电池管理系统对所述云端预训练模型进行微调或迁移学习,得到第二训练结果,并根据所述第二训练结果更新所述决策处理模块。
17.根据权利要求15所述的方法,其特征在于,所述第一训练结果包括全局模型或局部模型,所述全局类型用于包括所述车所属类型在内的多种不同车类型,所述局部类型用于所述车或所述车所属的车类型;
所述车端电池管理系统根据所述第一训练结果更新所述决策处理模块,包括:
所述车端电池管理系统根据所述全局模型或局部模型更新所述决策处理模块;或对所述全局模型或所述局部模型进行微调或迁移学习,得到第三训练结果,并根据所述第三训练结果更新所述决策处理模块。
18.根据权利要求15至17任一项所述的方法,其特征在于,所述传感器包括电化学阻抗谱传感器、压力传感器和声波传感器中的一项或多项;
其中,所述电化学阻抗谱传感器,用于测量所述车的电池的电化学阻抗谱信号;所述压力传感器,用于测量所述车的电池的内部压力信号;所述声波传感器,用于测量所述车的电池的内部声信号。
19.根据权利要求15所述的方法,其特征在于,所述第一电池参数数据包括电流参数数据;
所述方法还包括:
所述车端电池管理系统根据电流细粒度计算所述电流参数数据对应的安时积分信息,并将所述安时积分信息添加到所述第一电池参数数据中;其中,所述电流细粒度包括毫秒级或所述毫秒级以上的精度。
20.根据权利要求15或19所述的方法,其特征在于,所述车端电池管理系统将测量得到的第一电池参数数据发送至所述云端电池管理系统,包括:
所述车端电池管理系统将所述第一电池参数数据添加到电池测量消息中,并将所述电池测量消息发送至所述云端电池管理系统;其中,所述电池测量消息包括消息流水号。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292649.5A CN115179812A (zh) | 2021-03-18 | 2021-03-18 | 基于云端协同的电池管理系统、车及电池管理方法 |
US17/697,687 US20220302513A1 (en) | 2021-03-18 | 2022-03-17 | Cloud-Device Synergy-Based Battery Management System, Vehicle, and Battery Management Method |
EP22162820.9A EP4059769A1 (en) | 2021-03-18 | 2022-03-17 | Cloud-device synergy-based battery management system, vehicle, and battery management method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110292649.5A CN115179812A (zh) | 2021-03-18 | 2021-03-18 | 基于云端协同的电池管理系统、车及电池管理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115179812A true CN115179812A (zh) | 2022-10-14 |
Family
ID=80787246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110292649.5A Pending CN115179812A (zh) | 2021-03-18 | 2021-03-18 | 基于云端协同的电池管理系统、车及电池管理方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220302513A1 (zh) |
EP (1) | EP4059769A1 (zh) |
CN (1) | CN115179812A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954657A (zh) * | 2023-07-19 | 2023-10-27 | 红石阳光(深圳)科技有限公司 | 一种汽车ota升级的策略控制方法及系统 |
CN117061605A (zh) * | 2023-10-11 | 2023-11-14 | 杭州宇谷科技股份有限公司 | 基于端云协同的智能锂电池主动式信息推送方法和装置 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116231810B (zh) * | 2023-03-31 | 2023-11-28 | 广州星翼智慧能源技术有限公司 | 基于大数据的电池均衡协同控制方法及装置 |
CN117171980A (zh) * | 2023-08-21 | 2023-12-05 | 暨南大学 | 一种电池管理系统的服务系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103392133A (zh) * | 2011-03-07 | 2013-11-13 | 株式会社日立制作所 | 电池状态推定方法和电池管理系统 |
US10162010B2 (en) * | 2014-11-28 | 2018-12-25 | Robert Bosch Gmbh | Wireless network based battery management system |
EP3377363A4 (en) * | 2015-11-19 | 2019-08-07 | The Regents Of The University Of Michigan | BATTERY STATUS HEALTH ESTIMATION BASED ON SOURCE CHARACTERISTICS |
US10374266B2 (en) * | 2016-05-11 | 2019-08-06 | Ford Global Technologies, Llc | Wireless traction battery force sensor |
US10471847B1 (en) * | 2018-12-14 | 2019-11-12 | Sf Motors, Inc. | Multi-particle reduced order Li-ion battery controller |
-
2021
- 2021-03-18 CN CN202110292649.5A patent/CN115179812A/zh active Pending
-
2022
- 2022-03-17 US US17/697,687 patent/US20220302513A1/en active Pending
- 2022-03-17 EP EP22162820.9A patent/EP4059769A1/en active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116954657A (zh) * | 2023-07-19 | 2023-10-27 | 红石阳光(深圳)科技有限公司 | 一种汽车ota升级的策略控制方法及系统 |
CN116954657B (zh) * | 2023-07-19 | 2024-04-12 | 红石阳光(深圳)科技有限公司 | 一种汽车ota升级的策略控制方法及系统 |
CN117061605A (zh) * | 2023-10-11 | 2023-11-14 | 杭州宇谷科技股份有限公司 | 基于端云协同的智能锂电池主动式信息推送方法和装置 |
CN117061605B (zh) * | 2023-10-11 | 2024-02-06 | 杭州宇谷科技股份有限公司 | 基于端云协同的智能锂电池主动式信息推送方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
US20220302513A1 (en) | 2022-09-22 |
EP4059769A1 (en) | 2022-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115179812A (zh) | 基于云端协同的电池管理系统、车及电池管理方法 | |
US12071040B2 (en) | Supplying power to an electric vehicle | |
US12086165B2 (en) | Cloud-based vehicle fault diagnosis method, apparatus, and system | |
CN111612204B (zh) | 用于优化电池组的性能的系统、方法和存储介质 | |
CN114675202A (zh) | 电池故障的诊断方法及装置 | |
US11833921B2 (en) | Battery assessment for electric vehicle fleet | |
CN104898063A (zh) | 车辆、系统和方法 | |
US12000895B2 (en) | Method for predicting an aging state of a battery | |
CN110712528B (zh) | 一种动力电池组实时监控方法及设备 | |
US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
US11225169B2 (en) | Management system with supervisory control for rechargeable energy storage device in electric vehicle | |
CN111509319A (zh) | 一种储能电源phm管理系统 | |
CN114631032A (zh) | 用于监控电池组健康状况的方法和系统 | |
CN116609676A (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 | |
CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
CN114779098B (zh) | 一种锂离子电池的状态评估方法及系统 | |
CN115524622A (zh) | 电车电池容量监控方法、装置以及电车监控系统 | |
CN111077466B (zh) | 一种确定车辆电池健康状态的方法及装置 | |
CN113459898A (zh) | 一种电动汽车电池过充智能远程诊断方法及系统 | |
CN115047344A (zh) | 动力电池包热量估计方法和装置 | |
Mukherjee et al. | State of charge estimation techniques for battery management system used in electric vehicles: a review | |
US20240175933A1 (en) | Predictive battery health detection from pack soaking behavior | |
CN115811119B (zh) | 管理电池的方法及装置 | |
US20230222848A1 (en) | Information processing center and system | |
JP2023046847A (ja) | 情報処理装置及び情報処理方法 |
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 |