CN115396508B - 一种基于赛博链的动力电池管理系统与方法 - Google Patents

一种基于赛博链的动力电池管理系统与方法 Download PDF

Info

Publication number
CN115396508B
CN115396508B CN202210788867.2A CN202210788867A CN115396508B CN 115396508 B CN115396508 B CN 115396508B CN 202210788867 A CN202210788867 A CN 202210788867A CN 115396508 B CN115396508 B CN 115396508B
Authority
CN
China
Prior art keywords
micro
service
model
layer
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.)
Active
Application number
CN202210788867.2A
Other languages
English (en)
Other versions
CN115396508A (zh
Inventor
杨世春
周新岸
周思达
刘明岩
李强伟
张正杰
林家源
闫啸宇
刘新华
陈飞
曹耀光
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202210788867.2A priority Critical patent/CN115396508B/zh
Publication of CN115396508A publication Critical patent/CN115396508A/zh
Application granted granted Critical
Publication of CN115396508B publication Critical patent/CN115396508B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/27—Replication, distribution or synchronisation of data between databases or within a distributed database system; Distributed database system architectures therefor
    • 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
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/10—Protocols in which an application is distributed across nodes in the network
    • H04L67/1097—Protocols in which an application is distributed across nodes in the network for distributed storage of data in networks, e.g. transport arrangements for network file system [NFS], storage area networks [SAN] or network attached storage [NAS]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/60—Other road transportation technologies with climate change mitigation effect
    • Y02T10/70—Energy storage systems for electromobility, e.g. batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Medical Informatics (AREA)
  • Water Supply & Treatment (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Secondary Cells (AREA)

Abstract

本发明涉及一种基于赛博链的动力电池管理系统与方法，动力电池管理系统包括依次连接并形成赛博链的车端用户层、云端微服务层和云端孪生模型层，将车端所需功能抽象为微服务，云端平台采用分层级设计，在云端建立多种动力电池数字孪生模型解算该服务功能，并基于竞争机制评价并优选数字孪生模型作为微服务提供至车端用户，基于竞争结果存储参数等构成信息链，提高后续微服务请求条件下的模型能力，采用赛博链多层级控制架构实现动力电池直接高效管理。

Description

一种基于赛博链的动力电池管理系统与方法
技术领域
本发明涉及动力电池管理技术领域，特别涉及一种基于赛博链的动力电池管理系统与方法。
背景技术
随着汽车强国战略推进，纯电动汽车作为新能源汽车的重要代表产品，在国内汽车总量的占比逐年升高。然而以动力电池为基础的纯电动汽车仍面临诸多难题，如动力电池管理问题。采用串联或并联形式连接的动力电池组在实际运行时难以管理，在各种复杂工况下动力电池老化问题、极端工况与安全边界问题等制约着纯电动汽车的推广应用，全生命周期下动力电池的高效管理也是电池管理的难题。
赛博物理系统是以云端计算、网络传输和物理实体控制的复杂系统，通过计算、通讯、控制技术的有机融合与深度协作，在赛博物理系统中可以使赛博空间以远程、可靠、实时、安全、协作和智能化的方式操控物理实体。赛博物理系统在多个领域均有应用，尤其是其与汽车领域的相容性提高了赛博物理系统应用的可能。赛博物理系统的设计需要将不同层面上的不同部件整合成一个总系统、尤其是物理的和抽象的层面上的部件。此外，存在必须满足的网络技术要求，需要事件与数据流整合，还应注意物理过程相关的要求，最后应将各个部件也嵌入控制层次结构。然而，赛博物理系统的日益流行和传播以及被越来越多地用于处理和存储安全关键的和数据保护敏感的数据的事实使这些系统成为不同软件和硬件攻击的有吸引力的目标。
发明内容
针对目前纯电动汽车的动力电池组在实际运行时难以管理等问题，本发明提供了一种基于赛博链的动力电池管理系统，将车端所需功能抽象为微服务，云端平台采用分层级设计，在云端建立多种动力电池数字孪生模型解算该服务功能，并基于竞争机制评价并优选数字孪生模型作为微服务提供至车端用户，基于竞争结果存储参数等构成信息链，提高后续微服务请求条件下的模型能力，采用赛博链多层级控制架构实现动力电池直接高效管理。本发明还涉及一种基于赛博链的动力电池管理方法。
本发明的技术方案如下：
一种基于赛博链的动力电池管理系统，其特征在于，包括依次连接并形成赛博链的车端用户层、云端微服务层和云端孪生模型层，
所述车端用户层，用于与用户交互以及动力电池管理，获取用户微服务需求并将其传输至云端微服务层，以及接收云端微服务层的微服务并提供给用户；
所述云端微服务层，获取车端用户层传输的微服务需求后转化为微服务链，并向云端孪生模型层请求孪生模型计算，获取计算结果并作为微服务提供至车端用户层，并形成信息链，存储模型计算结果及相关参数；
所述云端孪生模型层，具有基于数字孪生技术搭建的与物理实体相匹配的若干动力电池数字孪生模型，所述云端孪生模型层在接收到云端微服务层请求的孪生模型计算请求后，提供与所述微服务链相关的数字孪生模型开始计算并输出模型计算结果，采用竞争机制进行模型对抗，获得最优的模型计算结果作为微服务提供至云端微服务层，其他所述相关的数字孪生模型基于当前的各模型计算结果与最优的模型计算结果进行模型自学习以优化动力电池数字孪生模型。
优选地，所述车端用户层包括车端用户交互系统、车端用户界面显示系统、电池管理系统、整车控制系统和信息传输服务系统；所述车端用户交互系统用于与用户交互，获取用户微服务需求并将其通过信息传输服务系统传输至云端微服务层，以及接收云端微服务层的微服务并通过车端用户界面显示系统提供给用户，所述电池管理系统用于动力电池管理。
优选地，所述云端微服务层独立部署各类具有微服务功能的服务模型，在云端基于微服务需求转化为微服务链，匹配相对应的服务模型，所述微服务功能包括动力电池SOC估计功能，动力电池SOH估计功能，动力电池剩余寿命或剩余容量预测功能，动力电池温度预测功能，动力电池不一致性预测及均衡策略设计功能，动力电池热管理系统性能预测及控制策略设计功能的任意组合。
优选地，所述云端微服务层包括信息交互系统、数据库存储与管理系统，数据库存储与管理系统用于存储所述服务模型、模型计算结果及相关参数；所述信息交互系统获取车端用户层传输的微服务需求并转化为微服务链，匹配相对应的服务模型，并向云端孪生模型层请求孪生模型计算，获取计算结果并作为微服务提供至车端用户层。
优选地，所述云端孪生模型层在不同的数字孪生模型间采用竞争机制进行模型对抗，通过人工智能技术对各模型计算结果进行评价并形成若干时间因子描述各模型综合性能能力，将时间因子小的模型作为最优输出将计算结果反馈至云端微服务层，将时间因子大于时间阈值的数字孪生模型依据计算结果进行自学习，优化算法或模型参数以优化各动力电池数字孪生模型。
优选地，模型性能能力包括精度、稳定性、鲁棒性以及模型计算时间。
优选地，所述云端孪生模型层的动力电池数字孪生模型包括基于电化学机理建立的电池电化学模型，基于等效原理建立的等效电路模型和基于神经网络建立的黑箱模型。
一种基于赛博链的动力电池管理方法，其特征在于，该方法通过构建基于赛博链的车端用户层、云端微服务层和云端孪生模型层，在云端孪生模型层配置具有基于数字孪生技术搭建的与物理实体相匹配的若干动力电池数字孪生模型；
先由车端用户层与用户交互，获取用户微服务需求并将其传输至云端微服务层，通过云端微服务层获取车端用户层传输的微服务需求后转化为微服务链，并向云端孪生模型层请求孪生模型计算，然后由云端孪生模型层提供与所述微服务链相关的数字孪生模型开始计算并输出模型计算结果，采用竞争机制进行模型对抗，获得最优的模型计算结果作为微服务提供至云端微服务层，其他所述相关的数字孪生模型基于当前的各模型计算结果与最优的模型计算结果进行模型自学习以优化动力电池数字孪生模型；由云端微服务层获取计算结果并作为微服务提供至车端用户层，并形成信息链，存储模型计算结果及相关参数；最终车端用户层接收云端微服务层的微服务并提供给用户。
优选地，所述方法还在云端微服务层独立部署各类具有微服务功能的服务模型，所述微服务功能包括动力电池SOC估计功能，动力电池SOH估计功能，动力电池剩余寿命或剩余容量预测功能，动力电池温度预测功能，动力电池不一致性预测及均衡策略设计功能，动力电池热管理系统性能预测及控制策略设计功能的任意组合；通过云端微服务层获取车端用户层传输的微服务需求后转化为微服务链，匹配相对应的服务模型，并向云端孪生模型层请求孪生模型计算。
优选地，所述方法中，云端孪生模型层是在不同的数字孪生模型间采用竞争机制进行模型对抗，通过人工智能技术对各模型计算结果进行评价并形成若干时间因子描述各模型综合性能能力，将时间因子小的模型作为最优输出将计算结果反馈至云端微服务层，将时间因子大于时间阈值的数字孪生模型依据计算结果进行自学习，优化算法或模型参数以优化各动力电池数字孪生模型。
本发明的技术效果如下：
本发明涉及的基于赛博链的动力电池管理系统与方法，包括依次连接并形成赛博链的车端用户层、云端微服务层和云端孪生模型层，车端用户将微服务功能需求发送至云端微服务层，描述所需微服务内容；云端平台采用分层级设计方法，采用云端微服务层抽象描述车端用户所需求微服务需求，并在解算后将结果反馈至车端用户；建立孪生模型层解算所需服务需求，基于竞争机制采用AI方法优选模型并将结果反馈给模型实现自学习训练；建立信息链，存储模型计算结果及相关参数。本发明是采用云端大数据平台及人工智能平台等与车端用户联动方式实现电池控制及全生命周期管理，将车端所需功能抽象为微服务，在云端建立多种动力电池数字孪生模型解算该服务功能，并基于人工智能采用竞争机制评价并优选数字孪生模型作为服务提供至车端用户，基于竞争结果存储参数等构成信息链，并将结果反馈至车端用户满足服务需求。采用微服务链机制描述用户服务请求，解决孪生模型试试运行的算力无效问题；采用竞争机制实现孪生模型对抗，促进孪生模型自学习与进化，提高后续微服务请求条件下的模型能力；采用赛博链多层级控制架构，摆脱传统车载BMS系统依赖性问题，提高未来的大数据应用性。
附图说明
图1为本发明基于赛博链的动力电池管理系统的结构示意图。
图2为发明云端孪生模型层中竞争机制流程图。
图3为本发明基于赛博链的动力电池管理方法的流程图。
具体实施方式
下面结合附图对本发明进行说明。
本发明涉及了一种基于赛博链的动力电池管理系统，其结构如图1所示，包括依次连接并形成赛博链的车端用户层、云端微服务层和云端孪生模型层三层架构，云端微服务层和云端孪生模型层是云端平台的两层级设计。
所述车端用户层，是指面向用户的新能源汽车车端模型，如图1所示的车辆1、车辆2、车辆3、车辆4…，功能包括：基于车载电池管理系统及其他电子电气架构等实现动力电池直接管理；实现与用户交互，获取用户所需微服务并将其传输至云端微服务层；基于云端平台传输的微服务结果提供给用户。进一步地，车端用户层结构可能包括：车端用户交互系统、车端用户界面显示系统、电池管理系统、整车控制系统和信息传输服务系统（如T-BOX车联网系统等）；所述车端用户交互系统用于与用户交互，获取用户微服务需求并将其通过信息传输服务系统传输至云端微服务层，以及接收云端微服务层的微服务并通过车端用户界面显示系统提供给用户，所述电池管理系统用于动力电池管理。
所述云端微服务层，获取车端用户层传输的微服务需求后转化为微服务链，并向云端孪生模型层请求孪生模型计算，获取计算结果并作为微服务提供至车端用户层，并形成信息链，存储模型计算结果及相关参数等内容。具体地，云端微服务层独立部署各类具有微服务功能的服务模型，云端微服务层在云端基于用户微服务需求抽象形成微服务链，匹配相对应的服务模型。云端微服务层结构可能包括：信息交互系统、数据库存储与管理系统等，数据库存储与管理系统用于存储所述服务模型、模型计算结果及相关参数；所述信息交互系统获取车端用户层传输的微服务需求并转化为微服务链，匹配相对应的服务模型，并向云端孪生模型层请求孪生模型计算，获取计算结果并作为微服务提供至车端用户层。进一步地，微服务功能可能包括：动力电池SOC估计功能，动力电池SOH估计功能，动力电池SOP估计功能，动力电池剩余寿命或剩余容量预测功能，动力电池温度预测功能，动力电池不一致性预测及均衡策略设计功能，动力电池热管理系统性能预测及控制策略设计功能等任意组合。
所述云端孪生模型层，具有基于数字孪生技术搭建的与物理实体相匹配的一系列动力电池数字孪生模型，各数字孪生模型可实现多种功能并可能存在重叠，如图1和图2所示的孪生模型1、孪生模型2、孪生模型3、孪生模型4……。所述云端孪生模型层在接收到云端微服务层请求的孪生模型计算请求（或者说是微服务计算需求）后，可提供与所述微服务链相关的数字孪生模型开始计算并输出模型计算结果，采用竞争机制进行模型对抗，获得优选的模型计算结果作为微服务提供至云端微服务层，同时其他所述相关的数字孪生模型基于当前的各模型计算结果与最优的模型计算结果进行模型自适应学习，优化自己模型参数或算法等。进一步地，云端孪生模型层在不同的数字孪生模型间采用竞争机制进行模型对抗，如图2所示的竞争机制流程，通过人工智能技术（AI智能评估技术）对各模型计算结果进行评价（即模型结果竞争输出）并形成若干时间因子（时间因子1、时间因子2、时间因子3、时间因子4……）描述各模型综合性能能力，将时间因子小的模型作为最优输出将计算结果反馈至云端微服务层，将时间因子大于时间阈值的数字孪生模型依据计算结果进行自学习，优化算法或模型参数以优化各动力电池数字孪生模型。模型性能能力包括精度、稳定性、鲁棒性以及模型计算时间等，如各孪生模型计算出的精度指标1、精度指标2、鲁棒指标1、鲁棒指标2……。也就是说，云端孪生模型层内的各数字孪生模型存在优先级，表现在算法性能、计算时间等存在差异；该优先级可由竞争机制获得的时间因子描述。云端孪生模型层的动力电池数字孪生模型可能包括：基于电化学机理建立的电池电化学模型；基于等效原理建立的等效电路模型；基于神经网络建立的黑箱模型等。
所述的竞争机制是指，在微服务层请求计算服务后，可实现该服务的各数字孪生模型开始计算，并输出结果；各模型的计算结果根据某种评价机制对模型进行评估，同时在不同的模型间基于评价机制进行对抗，选择最优的模型输出解作为结果，并形成时间因子描述模型性能能力；其他未被选择的模型基于当前的计算结果与被选择的模型结果进行自学习优化，提高模型计算能力或结果性能，从而提高在下一次服务请求时的计算能力。
本发明还涉及一种基于赛博链的动力电池管理方法，该基于赛博链的动力电池管理方法与上述的基于赛博链的动力电池管理系统相对应，可理解为是实现基于赛博链的动力电池管理系统的方法，该方法通过构建基于赛博链的车端用户层、云端微服务层和云端孪生模型层，在云端孪生模型层配置具有基于数字孪生技术搭建的与物理实体相匹配的若干动力电池数字孪生模型。
先由车端用户层与用户交互，获取用户微服务需求并将其传输至云端微服务层，通过云端微服务层获取车端用户层传输的微服务需求后转化为微服务链，并向云端孪生模型层请求孪生模型计算，然后由云端孪生模型层提供与所述微服务链相关的数字孪生模型开始计算并输出模型计算结果，采用竞争机制进行模型对抗，获得最优的模型计算结果作为微服务提供至云端微服务层，其他所述相关的数字孪生模型基于当前的各模型计算结果与最优的模型计算结果进行模型自学习以优化动力电池数字孪生模型；由云端微服务层获取计算结果并作为微服务提供至车端用户层，并形成信息链，存储模型计算结果及相关参数；最终车端用户层接收云端微服务层的微服务并提供给用户。
优选地，所述方法还在云端微服务层独立部署各类具有微服务功能的服务模型，所述微服务功能包括动力电池SOC估计功能，动力电池SOH估计功能，动力电池剩余寿命或剩余容量预测功能，动力电池温度预测功能，动力电池不一致性预测及均衡策略设计功能，动力电池热管理系统性能预测及控制策略设计功能的任意组合；通过云端微服务层获取车端用户层传输的微服务需求后转化为微服务链，匹配相对应的服务模型，并向云端孪生模型层请求孪生模型计算。进一步地，所述云端孪生模型层是在不同的数字孪生模型间采用竞争机制进行模型对抗，通过人工智能技术对各模型计算结果进行评价并形成若干时间因子描述各模型综合性能能力，将时间因子小的模型作为最优输出将计算结果反馈至云端微服务层，将时间因子大于时间阈值的数字孪生模型依据计算结果进行自学习，优化算法或模型参数以优化各动力电池数字孪生模型。
本发明所阐述的基于赛博链的动力电池管理系统与方法，核心思路在于“云端孪生模型层形成模型链，通过时间因子评估模型优先级——模型信息形成信息链，存储模型参数及结果——微服务形成微服务链，通过请求模型计算为车端用户提供服务——车端用户请求服务”。
本发明所阐述的动力电池管理系统与方法，在云端平台中允许的数字孪生模型计算相对独立，基于车端用户的全生命周期数据在模型进行泛化，并获取用户所需服务结果；在云端孪生模型层有多个数字孪生模型可提供车端用户所请求的微服务，因此多个模型通过竞争机制进行对抗，并通过人工智能算法进行评估；评估方法综合考虑多层次的性能指标，包括精度、稳定性、模型计算时间等，并形成时间因子参数指导模型自学习；所述的时间因子描述了该孪生模型的综合性能，且随着微服务的请求发生改变，如在某些场景下低精度短计算时间的孪生模型具有较低的时间因子，而高精度高计算时间的孪生模型时间因子较高；但对于另一些应用场景下高精度高计算时间的孪生模型时间因子较低，则将该类模型提高优先级；人工智能算法存在自学习机制，对于已请求过的服务及场景，具有记忆并可较快获取结果，而对于未请求过的服务及场景，则需通过学习的方法对各孪生模型结果进行评估。
如图3所示本发明基于赛博链的动力电池管理方法的流程，为本发明的一种实施方式示意图。在车端用户发出SOC估计微服务的请求后，在云端作为微服务平台的云端微服务层接收到服务请求并进行需求分析，而后向作为计算平台的云端孪生模型层请求计算，在孪生模型层的孪生模型1、孪生模型2、孪生模型3则分别根据该车的全生命周期数据进行SOC计算，并提供相应的精度分析与鲁棒性分析，随后采用AI智能技术对模型结果进行评价并形成时间因子1、时间因子2、时间因子3，选择时间因子较小的模型作为最佳输出将计算结果反馈至微服务层，再由云端微服务层将计算结果作为微服务的方式提供至车端用户。同时，时间因子较大的模型也将依据结果进行自学习，优化其算法或模型参数，同时存储模型参数和结果等进入本次服务请求的信息链中。在下一次车端用户请求SOC估计服务时，则会优先运行低时间因子的孪生模型，但其他模型获得较好效果时，也会将其时间因子迅速降低并提高优先级。
本发明提出一种基于赛博链的动力电池管理系统与方法，也可理解为是基于赛博物理系统的全生命周期动力电池管理系统与方法，采用赛博空间内集成化虚拟系统实现系统建模与决策优化，通过信息交互系统完成赛博空间与物理空间的虚拟映射与实体信息安全传输，在物理空间内驱动决策实现实体系统的高效、协同控制，并将反馈信息传输至信息交互系统中传输至赛博空间内完成反馈驱动，最终实现动力电池组全生命周期精确管理。
应当指出，以上所述具体实施方式可以使本领域的技术人员更全面地理解本发明创造，但不以任何方式限制本发明创造。因此，尽管本说明书参照附图和实施例对本发明创造已进行了详细的说明，但是，本领域技术人员应当理解，仍然可以对本发明创造进行修改或者等同替换，总之，一切不脱离本发明创造的精神和范围的技术方案及其改进，其均应涵盖在本发明创造专利的保护范围当中。

Claims (10)

1.一种基于赛博链的动力电池管理系统，其特征在于，包括依次连接并形成赛博链的车端用户层、云端微服务层和云端孪生模型层，
所述车端用户层，用于与用户交互以及动力电池管理，获取用户微服务需求并将其传输至云端微服务层，以及接收云端微服务层的微服务并提供给用户；
所述云端微服务层，获取车端用户层传输的微服务需求后转化为微服务链，并向云端孪生模型层请求孪生模型计算，获取计算结果并作为微服务提供至车端用户层，并形成信息链，存储模型计算结果及相关参数；
所述云端孪生模型层，具有基于数字孪生技术搭建的与物理实体相匹配的若干动力电池数字孪生模型，所述云端孪生模型层在接收到云端微服务层请求的孪生模型计算请求后，提供与所述微服务链相关的数字孪生模型开始计算并输出模型计算结果，采用竞争机制进行模型对抗，获得最优的模型计算结果作为微服务提供至云端微服务层，其他所述相关的数字孪生模型基于当前的各模型计算结果与最优的模型计算结果进行模型自学习以优化动力电池数字孪生模型。
2.根据权利要求1所述的基于赛博链的动力电池管理系统，其特征在于，所述车端用户层包括车端用户交互系统、车端用户界面显示系统、电池管理系统、整车控制系统和信息传输服务系统；所述车端用户交互系统用于与用户交互，获取用户微服务需求并将其通过信息传输服务系统传输至云端微服务层，以及接收云端微服务层的微服务并通过车端用户界面显示系统提供给用户，所述电池管理系统用于动力电池管理。
3.根据权利要求1或2所述的基于赛博链的动力电池管理系统，其特征在于，所述云端微服务层独立部署各类具有微服务功能的服务模型，在云端基于微服务需求转化为微服务链，匹配相对应的服务模型，所述微服务功能包括动力电池SOC估计功能，动力电池SOH估计功能，动力电池剩余寿命或剩余容量预测功能，动力电池温度预测功能，动力电池不一致性预测及均衡策略设计功能，动力电池热管理系统性能预测及控制策略设计功能的任意组合。
4.根据权利要求3所述的基于赛博链的动力电池管理系统，其特征在于，所述云端微服务层包括信息交互系统、数据库存储与管理系统，数据库存储与管理系统用于存储所述服务模型、模型计算结果及相关参数；所述信息交互系统获取车端用户层传输的微服务需求并转化为微服务链，匹配相对应的服务模型，并向云端孪生模型层请求孪生模型计算，获取计算结果并作为微服务提供至车端用户层。
5.根据权利要求1或2所述的基于赛博链的动力电池管理系统，其特征在于，所述云端孪生模型层在不同的数字孪生模型间采用竞争机制进行模型对抗，通过人工智能技术对各模型计算结果进行评价并形成若干时间因子描述各模型综合性能能力，将时间因子小的模型作为最优输出将计算结果反馈至云端微服务层，将时间因子大于时间阈值的数字孪生模型依据计算结果进行自学习，优化算法或模型参数以优化各动力电池数字孪生模型。
6.根据权利要求5所述的基于赛博链的动力电池管理系统，其特征在于，模型性能能力包括精度、稳定性、鲁棒性以及模型计算时间。
7.根据权利要求5所述的基于赛博链的动力电池管理系统，其特征在于，所述云端孪生模型层的动力电池数字孪生模型包括基于电化学机理建立的电池电化学模型，基于等效原理建立的等效电路模型和基于神经网络建立的黑箱模型。
8.一种基于赛博链的动力电池管理方法，其特征在于，该方法通过构建基于赛博链的车端用户层、云端微服务层和云端孪生模型层，在云端孪生模型层配置具有基于数字孪生技术搭建的与物理实体相匹配的若干动力电池数字孪生模型；
先由车端用户层与用户交互，获取用户微服务需求并将其传输至云端微服务层，通过云端微服务层获取车端用户层传输的微服务需求后转化为微服务链，并向云端孪生模型层请求孪生模型计算，然后由云端孪生模型层提供与所述微服务链相关的数字孪生模型开始计算并输出模型计算结果，采用竞争机制进行模型对抗，获得最优的模型计算结果作为微服务提供至云端微服务层，其他所述相关的数字孪生模型基于当前的各模型计算结果与最优的模型计算结果进行模型自学习以优化动力电池数字孪生模型；由云端微服务层获取计算结果并作为微服务提供至车端用户层，并形成信息链，存储模型计算结果及相关参数；最终车端用户层接收云端微服务层的微服务并提供给用户。
9.根据权利要求8所述的基于赛博链的动力电池管理方法，其特征在于，所述方法还在云端微服务层独立部署各类具有微服务功能的服务模型，所述微服务功能包括动力电池SOC估计功能，动力电池SOH估计功能，动力电池剩余寿命或剩余容量预测功能，动力电池温度预测功能，动力电池不一致性预测及均衡策略设计功能，动力电池热管理系统性能预测及控制策略设计功能的任意组合；通过云端微服务层获取车端用户层传输的微服务需求后转化为微服务链，匹配相对应的服务模型，并向云端孪生模型层请求孪生模型计算。
10.根据权利要求8或9所述的基于赛博链的动力电池管理方法，其特征在于，所述云端孪生模型层是在不同的数字孪生模型间采用竞争机制进行模型对抗，通过人工智能技术对各模型计算结果进行评价并形成若干时间因子描述各模型综合性能能力，将时间因子小的模型作为最优输出将计算结果反馈至云端微服务层，将时间因子大于时间阈值的数字孪生模型依据计算结果进行自学习，优化算法或模型参数以优化各动力电池数字孪生模型。
CN202210788867.2A 2022-07-06 2022-07-06 一种基于赛博链的动力电池管理系统与方法 Active CN115396508B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210788867.2A CN115396508B (zh) 2022-07-06 2022-07-06 一种基于赛博链的动力电池管理系统与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210788867.2A CN115396508B (zh) 2022-07-06 2022-07-06 一种基于赛博链的动力电池管理系统与方法

Publications (2)

Publication Number Publication Date
CN115396508A CN115396508A (zh) 2022-11-25
CN115396508B true CN115396508B (zh) 2023-09-01

Family

ID=84117643

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210788867.2A Active CN115396508B (zh) 2022-07-06 2022-07-06 一种基于赛博链的动力电池管理系统与方法

Country Status (1)

Country Link
CN (1) CN115396508B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027165A (zh) * 2019-07-19 2020-04-17 北京航空航天大学 一种基于数字孪生的动力电池组管理系统及方法
CN113752843A (zh) * 2021-11-05 2021-12-07 北京航空航天大学 一种基于赛博物理系统的动力电池热失控预警装置及方法
CN113771691A (zh) * 2021-11-09 2021-12-10 北京航空航天大学 基于赛博物理系统的全生命周期动力电池管理装置及方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111027165A (zh) * 2019-07-19 2020-04-17 北京航空航天大学 一种基于数字孪生的动力电池组管理系统及方法
CN113752843A (zh) * 2021-11-05 2021-12-07 北京航空航天大学 一种基于赛博物理系统的动力电池热失控预警装置及方法
CN113771691A (zh) * 2021-11-09 2021-12-10 北京航空航天大学 基于赛博物理系统的全生命周期动力电池管理装置及方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CHAIN：Cyber hierarchy and international network enabling digital solution for battery full-lifespan management;Shichun Yang, et al.;Elsevier;全文 *

Also Published As

Publication number Publication date
CN115396508A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
Liu et al. Reinforcement learning of adaptive energy management with transition probability for a hybrid electric tracked vehicle
Zhao et al. A deep reinforcement learning framework for optimizing fuel economy of hybrid electric vehicles
Zou et al. Reinforcement learning-based real-time energy management for a hybrid tracked vehicle
Zhang et al. A deep reinforcement learning-based energy management framework with Lagrangian relaxation for plug-in hybrid electric vehicle
CN113511082A (zh) 基于规则和双深度q网络的混合动力汽车能量管理方法
Yan et al. Hierarchical predictive energy management of fuel cell buses with launch control integrating traffic information
CN109672202A (zh) 一种基于区块链技术的储能系统自动需求响应方法
Hu et al. IoT-based proactive energy supply control for connected electric vehicles
CN115071505B (zh) 燃料电池汽车分层规划方法、系统、装置及存储介质
Samanta et al. Hybrid swarm intelligence methods for energy management in hybrid electric vehicles
CN104024035B (zh) 适用于电池优化充电的方法和设备
CN112018794B (zh) 管理装置、管理方法及存储介质
Sun et al. Modelling and control for economy‐oriented car‐following problem of hybrid electric vehicle
Li et al. Adaptive equivalent consumption minimization strategy and its fast implementation of energy management for fuel cell electric vehicles
Zheng et al. A deep deterministic policy gradient-based energy management strategy for fuel cell hybrid vehicles
Lv et al. Investigation on dynamic equalisation performance of lithium battery pack management
Zhang et al. Machine learning-based vehicle model construction and validation—toward optimal control strategy development for plug-in hybrid electric vehicles
CN115396508B (zh) 一种基于赛博链的动力电池管理系统与方法
Ramasamy et al. Energy management in plugin hybrid electric vehicles with hybrid energy storage system using hybrid approach
CN112550050B (zh) 一种电动汽车充电方法和系统
CN114619907B (zh) 基于分布式深度强化学习的协调充电方法及协调充电系统
Fu et al. Energy management strategy integrating self‐adaptive adjustment and Pontryagin's minimum principle‐based optimization for fuel‐cell hybrid electric vehicle
CN112613229B (zh) 混合动力设备的能量管理方法、模型训练方法及装置
Ding Energy management system design for plug-in hybrid electric vehicle based on the battery management system applications
Wang et al. Research on the optimal power management strategy for a hybrid electric bus

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