CN115389949A - 一种基于车-云协同的电动自行车电池安全评估预警方法 - Google Patents
一种基于车-云协同的电动自行车电池安全评估预警方法 Download PDFInfo
- Publication number
- CN115389949A CN115389949A CN202211022672.3A CN202211022672A CN115389949A CN 115389949 A CN115389949 A CN 115389949A CN 202211022672 A CN202211022672 A CN 202211022672A CN 115389949 A CN115389949 A CN 115389949A
- Authority
- CN
- China
- Prior art keywords
- battery
- cloud
- risk
- electric bicycle
- fault
- 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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/392—Determining battery ageing or deterioration, e.g. state of health
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电动自行车安全预警技术,具体涉及一种基于车‑云协同的电动自行车电池安全评估预警方法,包括:电动自行车车端的高频数据采集,通过多传感器进行电动自行车的电池参数采集,将采集到的数据汇总到云端;通过云端的数据,确定电池健康‑故障‑安全失效演变与特征参数间的映射关系,建立反映电池故障信息的表征参数库以及针对电动自行车端的风险评估模型;基于云端大数据故障诊断记录,建立电池安全风险云端评估模型,搭建云端系统,将电池安全风险云端评估模型集成至系统,实现车‑云协同的电动自行车安全预警。该方法能实现多因素耦合的复杂工况下电池安全失效风险的超前精准感知,解决了单纯车端预警能力有限、预警提前时间短的问题。
Description
技术领域
本发明属于电动自行车安全预警技术领域,特别涉及一种基于车-云协同的电动自行车电池安全评估预警方法。
背景技术
具有便捷,经济,环保等特点的电动自行车逐步成为人们短距离出行的主要交通工具。但随着大量的电动自行车的投入,电动自行车的安全问题也渐渐成为了人们关注的问题。由于电动自行车的电池质量参差不齐,同时电池的使用环境,保护和维修等都得不到保障,进一步加大了电动自行车的安全风险。在无人看管情况下充电易导致火灾发生,因此,通过车-云管理电动自行车的方式对电动自行车的电池状态进行安全评估,并及时给用户进行电池的安全预警极为重要。所以迫切需要对电动自行车安全监管技术体系升级为数字监管,建立电动自行车安全数据监测、电池安全及批量故障快速预警技术方法,实现及时、高效的电动自行车产品使用安全监管。
发明内容
针对背景技术存在的问题,本发明提供一种基于车-云协同的电动自行车电池安全评估预警方法。
为解决上述技术问题,本发明采用如下技术方案:一种基于车-云协同的电动自行车电池安全评估预警方法,包括以下步骤:
步骤1、采集电动自行车车端的高频数据,利用多传感器采集电动自行车的电池参数,将采集到的数据汇总到云端;
步骤2、通过汇总到云端的数据,确定电池健康-故障-安全失效演变与特征参数间的映射关系,建立反映电池故障信息的表征参数库以及针对电动自行车端的风险评估模型;
步骤3、基于云端大数据故障诊断记录,建立的电池安全风险云端评估模型,主要指标为故障电池的各种内短路演化,健康状态和老化异常演变过程的特征变化;
步骤4、搭建云端系统,将电池安全风险云端评估模型集成至系统,实现车-云协同的电动自行车安全预警。
在上述车-云协同的电动自行车电池安全评估预警方法中,步骤1的实现包括以下步骤:
步骤1.1、通过电动自行车车端的传感器或电动汽车的电池BMS监测芯片对于电池参数进行采集;
步骤1.2、将采集到的电池参数储存到车端的嵌入式系统中,并通过BMS拓展系统把采集到电池参数通过蓝牙形式进行无线传输;
步骤1.3、将采集到的电池参数数据汇总并存储到云端数据库中。
在上述车-云协同的电动自行车电池安全评估预警方法中,步骤2的实现包括以下步骤:
步骤2.1、考虑到电池的损伤机理与演变规律,针对电池的轻微短路、严重短路、不一致性异常、老化异常、漏液、析锂问题搭建不同的故障风险评估模型F(X),X表示整体采样数据集合;
步骤2.2、确定电池健康-故障-安全失效演变与特征参数间的映射关系;故障风险函数F(X),由i个相互独立的故障函数fi(Xn)构成,根据故障情况的不同,每个故障函数均通过n个独立的采集数据集合Xn来确定,故障风险函数fi(x)为:
式中,a0为常量,ai为各项特征参数的权重系数。
在上述车-云协同的电动自行车电池安全评估预警方法中,步骤3的实现包括以下步骤:
步骤3.1、基于云端大数据的电池数据库,对电池全生命周期变化规律进行跟踪,并识别电池趋势异常演变情况,分析电池内短路演化、健康状态和老化异常演变以及一致性恶化过程下的电池各参数变化情况;
步骤3.2、根据步骤2中所述电池问题,建立云端的电池全生命周期的故障风险函数G(X),X表示整体采样数据集合;
步骤3.3、进行电池安全的云端侧风险评估;故障风险函数G(X),由i个相互独立的故障评估函数gi(Xn)构成,根据电池全周期的数据集,电池全周期的故障风险函数为gi(x):
其中,b0为常量,bi为各项特征参数的权重系数。
在上述车-云协同的电动自行车电池安全评估预警方法中,步骤4的实现包括以下步骤:
步骤4.1、根据车端和云端两侧的风险评估模型,进行电动自行车风险评估,风险评估模型函数H(X),H(X)=λF(X)+μG(X),其中λ和μ为两侧的风险评估权值,且有λ+μ=1;
步骤4.2、考虑数据量、数据传输速率、车端与云端安全评估模型数据输入要求,进行两侧风险评估权值的自适应调整;
步骤4.3、根据风险评估模型,通过设置安全风险阈值,对风险程度进行划分,并反馈用户,当风险达到需要更换或维修电池的风险阈值时,给出预警信息。
与现有技术相比,本发明的有益效果:
(1)综合考虑电池数据质量、模型精度、计算复杂度和数据传输存储成本等,实现在多因素耦合的复杂工况下电池安全失效风险的超前精准感知,解决目前单纯车端预警能力有限而带来安全事故率高、预警提前时间短的问题。
(2)本发明分别为云端和车载端配置不同的电池安全风险评估算法,构建“车-云”协同的电池安全评估体系。
(3)具有云端的大数据存储和计算的优势,建立了数字监管的技术基础,可及时向电动自行车的用户进行预警。为电动自行车领域在电池数据采集和数据上报标准编制提供数据基础预警方案。
附图说明
图1为本发明实施例基于车-云协同的电动自行车电池安全评估预警方法的流程图;
图2为本发明实施例基于车-云协同的电动自行车电池安全评估预警方法的算法示意图。
具体实施方式
下面将结合本发明实施例对本发明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作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。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明,但不作为本发明的限定。
本实施例综合考虑电池数据质量、模型精度、计算复杂度和数据传输存储成本等,实现在多因素耦合的复杂工况下电池安全失效风险的超前精准感知,解决目前单纯车端预警能力有限而带来安全事故率高、预警提前时间短的问题。同时,本实施例分别为云端和车载端配置不同的电池安全风险评估算法,构建“车-云”协同的电池安全评估体系。通过云端的大数据存储和计算的优势,建立了数字监管的技术基础,并进行电动自行车的电池预警,为电动自行车领域在电池数据采集和数据上报标准编制提供数据基础预警方案。
本实施例是通过以下技术方案来实现的,如图1所示,一种基于车-云协同的电动自行车电池安全评估预警方法,包括以下步骤:
S1:进行电动自行车车端的高频数据采集,通过多传感器进行电动自行车的电池参数采集,将采集到的数据汇总到云端;
S11:通过电动自行车车端的传感器或电动汽车的电池BMS监测芯片对于电池参数进行采集;
S12:将采集到的参数情况储存到车端的嵌入式系统中,并通过BMS拓展系统把采集到电池参数数据通过蓝牙形式进行无线传输;
S13:将采集到的数据汇总并存储到云端数据库中。
S2:通过采集到云端的数据,确定电池健康-故障-安全失效演变与特征参数间的映射关系,建立反映电池故障信息的表征参数库以及针对电动自行车端的风险评估模型;
S21:考虑到电池的损伤机理与演变规律,针对电池的轻微短路、严重短路、不一致性异常、老化异常、漏液、析锂等问题搭建不同的故障风险评估模型F(X),X表示整体采样数据集合;
S22:故障风险函数F(X),由i个相互独立的故障函数fi(Xn)构成,根据故障情况的不同,每个故障函数均通过n个独立的采集数据集合Xn来确定,因此有
式中,fi(x)为故障风险函数,a0为常量,ai为各项特征参数的权重系数,借此可进行电池健康-故障-安全失效演变与特征参数间的映射关系确定。
S23:建立反映电池故障信息的表征参数库,并为后续的电池安全云端评估模型做出必要的准备工作。
S3:基于云端大数据故障诊断记录,建立的电池安全风险云端评估模型,主要指标为故障电池的各种内短路演化,健康状态和老化异常演变过程的特征变化;
S31:基于云端大数据的电池数据库,对电池全生命周期变化规律进行跟踪,并识别电池趋势异常演变情况,分析电池内短路演化、健康状态和老化异常演变以及一致性恶化过程下的电池各参数变化情况;
S32:根据S2中所述的各种电池问题,建立云端的电池全生命周期的故障风险模型G(X),X表示整体采样数据集合;
S33:故障评估函数G(X),同样由i个相互独立的故障评估函数gi(Xn)构成,根据电池全周期的数据集,同样有
其中gi(x)为电池全周期的故障风险函数,b0为常量,bi为各项特征参数的权重系数,借此进行电池安全的云端侧风险评估。
S4:搭建云端系统,将电池安全风险云端评估模型集成至系统,实现车-云协同的电动自行车安全预警。
S41:综合车端和云端两侧的风险评估模型,并考虑电动自行车的特点,综合进行电动自行车的安全考虑与风险评估,提出风险评估模型函数H(X),有H(X)=λF(X)+μG(X),其中λ和μ为两侧的风险评估权值,且有λ+μ=1;
S42:考虑数据量、数据传输速率、车端与云端安全评估模型数据输入等要求,进行两侧风险评估权值的自适应调整;
S43:根据风险评估模型,通过设置安全风险阈值,对风险程度进行划分,并及时给用户反馈,当风险达到需要更换或维修电池的风险阈值时,给出预警信息。
如图2所示,为本实施例基于车-云协同的电动自行车电池安全评估预警方法的算法技术示意图:
(1)车端:通过高频数据采集,进行车端边缘计算,提取评估特征值,搭建风险评估函数模型,进行风险感知与预警。
(2)云端:通过车端采集的数据,进行全生命周期的数据采集,进行电池全生命周期的跟踪,提取评估特征,搭建云端风险评估模型,进行机理-风险评估与预警。
(3)将车端与云端的函数模型进行集成,综合进行风险评估,并给出预警。
本实施例能在多影响因素耦合条件下准确评估电池的安全与性能并做到及时预警,构建电动自行车电池安全状态实时感知与数据传输模型,并解决电动自行车安全监管的技术和智能监管等问题。
以上仅为本发明较佳的实施例,并非因此限制本发明的实施方式及保护范围,对于本领域技术人员而言,应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案,均应当包含在本发明的保护范围内。
Claims (5)
1.一种基于车-云协同的电动自行车电池安全评估预警方法,其特征在于:包括以下步骤:
步骤1、采集电动自行车车端的高频数据,利用多传感器采集电动自行车的电池参数,将采集到的数据汇总到云端;
步骤2、通过汇总到云端的数据,确定电池健康-故障-安全失效演变与特征参数间的映射关系,建立反映电池故障信息的表征参数库以及针对电动自行车端的风险评估模型;
步骤3、基于云端大数据故障诊断记录,建立的电池安全风险云端评估模型,主要指标为故障电池的各种内短路演化,健康状态和老化异常演变过程的特征变化;
步骤4、搭建云端系统,将电池安全风险云端评估模型集成至系统,实现车-云协同的电动自行车安全预警。
2.根据权利要求1所述车-云协同的电动自行车电池安全评估预警方法,其特征在于:步骤1的实现包括以下步骤:
步骤1.1、通过电动自行车车端的传感器或电动汽车的电池BMS监测芯片对于电池参数进行采集;
步骤1.2、将采集到的电池参数储存到车端的嵌入式系统中,并通过BMS拓展系统把采集到电池参数通过蓝牙形式进行无线传输;
步骤1.3、将采集到的电池参数数据汇总并存储到云端数据库中。
4.根据权利要求1所述车-云协同的电动自行车电池安全评估预警方法,其特征在于:步骤3的实现包括以下步骤:
步骤3.1、基于云端大数据的电池数据库,对电池全生命周期变化规律进行跟踪,并识别电池趋势异常演变情况,分析电池内短路演化、健康状态和老化异常演变以及一致性恶化过程下的电池各参数变化情况;
步骤3.2、根据步骤2中所述电池问题,建立云端的电池全生命周期的故障风险函数G(X),X表示整体采样数据集合;
步骤3.3、进行电池安全的云端侧风险评估;故障风险函数G(X),由i个相互独立的故障评估函数gi(Xn)构成,根据电池全周期的数据集,电池全周期的故障风险函数为gi(x):
其中,b0为常量,bi为各项特征参数的权重系数。
5.根据权利要求1所述车-云协同的电动自行车电池安全评估预警方法,其特征在于:步骤4的实现包括以下步骤:
步骤4.1、根据车端和云端两侧的风险评估模型,进行电动自行车风险评估,风险评估模型函数H(X),H(X)=λF(X)+μG(X),其中λ和μ为两侧的风险评估权值,且有λ+μ=1;
步骤4.2、考虑数据量、数据传输速率、车端与云端安全评估模型数据输入要求,进行两侧风险评估权值的自适应调整;
步骤4.3、根据风险评估模型,通过设置安全风险阈值,对风险程度进行划分,并反馈用户,当风险达到需要更换或维修电池的风险阈值时,给出预警信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022672.3A CN115389949A (zh) | 2022-08-25 | 2022-08-25 | 一种基于车-云协同的电动自行车电池安全评估预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211022672.3A CN115389949A (zh) | 2022-08-25 | 2022-08-25 | 一种基于车-云协同的电动自行车电池安全评估预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115389949A true CN115389949A (zh) | 2022-11-25 |
Family
ID=84122889
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211022672.3A Pending CN115389949A (zh) | 2022-08-25 | 2022-08-25 | 一种基于车-云协同的电动自行车电池安全评估预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115389949A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205638A (zh) * | 2023-05-04 | 2023-06-02 | 深圳市锂谷科技有限公司 | 一种基于bms的工商业能源管理系统及其管理方法 |
-
2022
- 2022-08-25 CN CN202211022672.3A patent/CN115389949A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116205638A (zh) * | 2023-05-04 | 2023-06-02 | 深圳市锂谷科技有限公司 | 一种基于bms的工商业能源管理系统及其管理方法 |
CN116205638B (zh) * | 2023-05-04 | 2023-07-21 | 深圳市锂谷科技有限公司 | 一种基于bms的工商业能源管理系统及其管理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110018425B (zh) | 一种动力电池故障诊断方法及系统 | |
WO2022151819A1 (zh) | 一种基于聚类分析的电池系统在线故障诊断方法和系统 | |
CN111707951A (zh) | 一种电池组一致性评估方法及系统 | |
CN108037462B (zh) | 蓄电池健康状况量化方法及系统 | |
CN112331941A (zh) | 云端辅助电池管理系统及方法 | |
WO2018184304A1 (zh) | 一种网元健康状态的检测方法及设备 | |
CN112186275A (zh) | 一种基于云端的bms体系 | |
EP4312299A2 (en) | Consistency evaluation method for vehicle battery cell, device, equipment and storage | |
CN110712528B (zh) | 一种动力电池组实时监控方法及设备 | |
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 | |
CN115389949A (zh) | 一种基于车-云协同的电动自行车电池安全评估预警方法 | |
CN111509319A (zh) | 一种储能电源phm管理系统 | |
CN113253128A (zh) | 一种电池系统soc一致性评估方法和内阻一致性评估方法 | |
CN115219903A (zh) | 基于车联网数据分析的电池自放电率异常判断方法及装置 | |
CN111562508A (zh) | 在线检测电池包内部单体电池内阻异常的方法 | |
CN114579659A (zh) | 一种梯次利用动力电池利用潜力评估及分选系统和方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
CN114631032A (zh) | 用于监控电池组健康状况的方法和系统 | |
CN113540589A (zh) | 一种电池温差自适应阈值确定方法及系统 | |
US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
CN117284151A (zh) | 一种自适应新能源车辆电池电量监测方法及系统 | |
US20230280406A1 (en) | Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren | |
CN112649101A (zh) | 一种电池模块预警方法和系统及火灾探测装置 | |
CN115799673A (zh) | 一种多维感知的储能电池管理系统 | |
US11639117B2 (en) | Devices for analysis of vehicle battery health |
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 |