CN116500460B - 一种基于云计算的物联网电池健康状态诊断和预测系统 - Google Patents
一种基于云计算的物联网电池健康状态诊断和预测系统 Download PDFInfo
- Publication number
- CN116500460B CN116500460B CN202310776822.8A CN202310776822A CN116500460B CN 116500460 B CN116500460 B CN 116500460B CN 202310776822 A CN202310776822 A CN 202310776822A CN 116500460 B CN116500460 B CN 116500460B
- Authority
- CN
- China
- Prior art keywords
- battery
- neural network
- state
- health
- module
- 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
Links
- 230000036541 health Effects 0.000 title claims abstract description 135
- 238000003745 diagnosis Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 claims abstract description 64
- 238000003062 neural network model Methods 0.000 claims abstract description 56
- 238000013528 artificial neural network Methods 0.000 claims abstract description 49
- 230000008569 process Effects 0.000 claims abstract description 46
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000007599 discharging Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 230000005540 biological transmission Effects 0.000 claims description 17
- 238000009826 distribution Methods 0.000 claims description 15
- 230000008859 change Effects 0.000 claims description 14
- 238000013135 deep learning Methods 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000005315 distribution function Methods 0.000 claims description 9
- 230000004927 fusion Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 description 21
- 238000012545 processing Methods 0.000 description 8
- 238000012544 monitoring process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 230000004913 activation Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000011835 investigation Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 230000003862 health status Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000383 hazardous chemical Substances 0.000 description 1
- 231100000206 health hazard Toxicity 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 239000000779 smoke Substances 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
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]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及电池技术领域,尤其涉及一种基于云计算的物联网电池健康状态诊断和预测系统,包括数据获取模块、预处理模块、云接口、数字孪生模块、诊断模块、划分模块、预测模块和预警模块;通过构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程,实现电池健康状态的准确诊断;同时构建预测神经网络组,预测神经网络组由第一神经网络模型、第二神经网络模型和第三神经网络模型组成,针对不同类型的输入数据采用不同神经网络模型,能够处理不同维度的输入,且能利用前后顺序关系,避免了训练中出现的局部最优问题,最终得到精准度较高的预测结果。
Description
技术领域
本发明涉及电池技术领域,尤其涉及一种基于云计算的物联网电池健康状态诊断和预测系统。
背景技术
物联网设备快速增长的同时也带来了新的挑战,如烟雾传感器、智能门锁、汽车钥匙等应用于高处或室外,不能直接通过电网供电的设备面临解决电能供应的问题。若使用传统电池,经常会面临电池容量小,需对此作频繁更换。因此,专门针对于物联网场景的专用电池受到市场的青睐。物联电池相比传统电池,具有容量大、续航时间长等优点。同时,物联电池还有较高的瞬态响应速度和较低的自耗电能力。高瞬态响应速度可以快速激活物联设备,实现实时数据传输,提高用户体验;低自然耗电可以延长电池的使用时间,避免电量过快耗尽。
为了提供大容量的供电效果,一些电池组由多个单体电池构成,而电池之间的差异对整个电池组的性能会产生较大的影响。电池组之间,若某个电池早衰或失效,则会使得整个电池组的性能大大降低。因此,为了避免单体电池给整个电池组带来的影响,需要对电池健康状态进行诊断和预测,从而对整个电池组性能进行监控,然而现有的电池管理系统大多仅仅是对某个电池组进行监控的小型系统,其无法实现大数据级别的智能监控。
我国专利申请号:CN202310422380.7,公开日:2023.05.23,公开了一种电池健康状态的预测方法及相关装置,用于提高通信基站储能电源的电池健康状态预测准确率。方法包括:对降维参数信息进行特征提取,得到目标参数特征;构建初始电池健康状态监测模型,并对降维参数信息进行数据扩充,得到参数训练集;通过参数训练集对初始电池健康状态监测模型进行模型训练,得到目标电池健康状态监测模型;将目标参数特征输入目标电池健康状态监测模型进行电池工作状态分析,确定目标电池工作状态;对目标电池工作状态进行标准参数采集,通过目标电池健康状态监测模型进行电池健康状态分析,确定目标电池健康状态分析结果。
但本申请发明人在实现本申请实施例中发明技术方案的过程中,发现上述技术至少存在如下技术问题:现有技术对电池健康状态的诊断和预测不够智能化,在诊断和预测过程中存在大量噪声影响计算结果,且计算复杂度高,对本地处理器要求较高,给商家造成较大的经济压力,且预测精准度无法保障。
发明内容
本申请实施例通过提供一种基于云计算的物联网电池健康状态诊断和预测系统,解决了现有技术对电池健康状态的诊断和预测不够智能化,在诊断和预测过程中存在大量噪声影响计算结果的问题,且计算复杂度高,对本地处理器要求较高,给商家造成较大的经济压力,且预测精准度无法保障,实现了有效减少噪声对电池健康状态诊断精度的影响,保证物联网电池健康状态诊断的有效性,且算法计算复杂度低,采用云计算降低本地处理器的处理压力,采用智能算法得到精准度较高的预测结果。
本申请提供了一种基于云计算的物联网电池健康状态诊断和预测系统具体包括以下技术方案:
一种基于云计算的物联网电池健康状态诊断和预测系统,包括以下部分:
数据获取模块、预处理模块、云接口、数字孪生模块、诊断模块、划分模块、预测模块和预警模块;
所述数字孪生模块,用于构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程,数字孪生模块通过数据传输的方式与诊断模块相连;
所述诊断模块,用于基于物联网电池数字孪生模型计算电池的健康状态时序变化,诊断模块通过数据传输的方式与划分模块相连;
所述划分模块,用于基于电池健康状态进行划分,将电池健康状态划分为n个子状态,创建划分算法,使健康子状态符合正态分布,划分模块通过数据传输的方式与预测模块相连;
所述预测模块,用于构建预测神经网络组,所述预测神经网络组由第一神经网络模型、第二神经网络模型和第三神经网络模型组成;将云接口获取的电池数据作为训练样本输入到第一神经网络模型中,经过深度学习输出从全局出发得到的预测结果;将各个电池健康子状态的健康状态值作为训练样本输入到第二神经网络模型中,经过深度学习输出从局部出发得到的预测结果;将第一神经网络的输出和第二神经网络的输出输入到第三神经网络模型中,最终得到物联网电池健康状态的预测结果,并将存在健康隐患的电池信息发送给预警模块进行预警,预测模块通过数据传输的方式与预警模块相连。
一种基于云计算的物联网电池健康状态诊断和预测方法,包括以下步骤:
S1. 获取不同生命周期在充放电循环过程中的电池数据,构建物联网电池数字孪生模型,对电池充放电过程进行仿真,计算电池健康状态的时序变化;
S2. 基于电池健康状态进行初始划分,计算电池健康子状态的分布函数,对状态区间初始划分值进行修正,构建预测神经网络组,结合第一神经网络模型、第二神经网络模型和第三神经网络模型对物联网电池健康状态进行预测。
优选的,所述步骤S1具体包括:
构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程;所述物联网电池数字孪生模型表示为:
,
其中,表示t时刻的电池仿真状态,/>表示t时刻的电池容量,/>表示电池电压变化步长均值或电流变化步长均值,/>表示误差调节因子。
优选的,所述步骤S1具体包括:
基于物联网电池数字孪生模型计算电池健康状态的时序变化。
优选的,所述步骤S2具体包括:
计算电池健康子状态的分布函数:
,
其中,表示第i个电池健康子状态的分布函数,/>表示第i个电池健康子状态,/>,/>表示健康子状态的标准差,/>表示健康子状态的均值。
优选的,所述步骤S2具体包括:
为了使健康子状态符合正态分布,对状态区间初始划分值进行修正,衡量两个分布区间之间的差异程度,解决非对称的问题,从而得到划分后的n个子状态区间。
优选的,所述步骤S2具体包括:
将电池数据作为训练样本输入到第一神经网络模型中,经过深度学习输出从全局出发得到的预测结果;将各个电池健康子状态的健康状态值作为训练样本输入到第二神经网络模型中,经过深度学习输出从局部出发得到的预测结果;将第一神经网络的输出和第二神经网络的输出输入到第三神经网络模型中,最终得到物联网电池健康状态的预测结果。
优选的,所述步骤S2具体包括:
第三神经网络将第一神经网络输出与第二神经网络输出进行模糊融合,经过深度学习得到物联网电池健康状态的预测结果。
有益效果:
本申请实施例中提供的多个技术方案,至少具有如下技术效果或优点:
1、本申请构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程,实现电池健康状态的准确诊断;能有效减少噪声对电池健康状态诊断精度的影响,保证物联网电池健康状态诊断的有效性,且算法计算复杂度低;
2、本申请构建预测神经网络组,所述预测神经网络组由第一神经网络模型、第二神经网络模型和第三神经网络模型组成,针对不同类型的输入数据采用不同神经网络模型,能够处理不同维度的输入,且能利用前后顺序关系,不仅克服了计算量大、训练效率低、不便于应用于实际的问题,并且避免了训练中出现的局部最优问题,最终得到精准度较高的预测结果。
3、本申请的技术方案能够有效解决现有技术对电池健康状态的诊断和预测不够智能化,在诊断和预测过程中存在大量噪声影响计算结果,且计算复杂度高,对本地处理器要求较高,给商家造成较大的经济压力,且预测精准度无法保障,并且,上述系统或方法经过了一系列的效果调研,通过验证,最终能够有效减少噪声对电池健康状态诊断精度的影响,保证物联网电池健康状态诊断的有效性,且算法计算复杂度低,采用云计算降低本地处理器的处理压力,采用智能算法得到精准度较高的预测结果。
附图说明
图1为本申请所述的一种基于云计算的物联网电池健康状态诊断和预测系统结构图;
图2为本申请所述的一种基于云计算的物联网电池健康状态诊断和预测方法流程图。
具体实施方式
本申请实施例通过提供一种基于云计算的物联网电池健康状态诊断和预测系统,解决了现有技术对电池健康状态的诊断和预测不够智能化,在诊断和预测过程中存在大量噪声影响计算结果,且计算复杂度高,对本地处理器要求较高,给商家造成较大的经济压力,且预测精准度无法保障。
本申请实施例中的技术方案为解决上述问题,总体思路如下:
本申请构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程,实现电池健康状态的准确诊断;能有效减少噪声对电池健康状态诊断精度的影响,保证物联网电池健康状态诊断的有效性,且算法计算复杂度低;本申请构建预测神经网络组,所述预测神经网络组由第一神经网络模型、第二神经网络模型和第三神经网络模型组成,针对不同类型的输入数据采用不同神经网络模型,能够处理不同维度的输入,且能利用前后顺序关系,不仅克服了计算量大、训练效率低、不便于应用于实际的问题,并且避免了训练中出现的局部最优问题,最终得到精准度较高的预测结果。
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。
参照附图1,本申请所述的一种基于云计算的物联网电池健康状态诊断和预测系统包括以下部分:
数据获取模块10、预处理模块20、云接口30、数字孪生模块40、诊断模块50、划分模块60、预测模块70和预警模块80;
所述数据获取模块10,用于获取不同生命周期在充放电循环过程中的电池数据,数据获取模块10通过数据传输的方式与预处理模块20、云接口30相连;
所述预处理模块20,用于对获取的电池数据进行初始筛查,判断电池初始健康状态,预处理模块20通过数据传输的方式与预警模块80相连;
所述云接口30,用于连接电池终端和云服务器,云接口30通过数据传输的方式与数字孪生模块40相连;
所述数字孪生模块40,用于构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程,数字孪生模块40通过数据传输的方式与诊断模块50相连;
所述诊断模块50,用于基于物联网电池数字孪生模型计算电池的健康状态时序变化,诊断模块50通过数据传输的方式与划分模块60相连;
所述划分模块60,用于基于电池健康状态进行划分,将电池健康状态划分为n个子状态,创建划分算法,使健康子状态符合正态分布,划分模块60通过数据传输的方式与预测模块70相连;
所述预测模块70,用于构建预测神经网络组,所述预测神经网络组由第一神经网络模型、第二神经网络模型和第三神经网络模型组成;将云接口30获取的电池数据作为训练样本输入到第一神经网络模型中,经过深度学习输出从全局出发得到的预测结果;将各个电池健康子状态的健康状态值作为训练样本输入到第二神经网络模型中,经过深度学习输出从局部出发得到的预测结果;将第一神经网络的输出和第二神经网络的输出输入到第三神经网络模型中,最终得到物联网电池健康状态的预测结果,并将存在健康隐患的电池信息发送给预警模块80进行预警,预测模块70通过数据传输的方式与预警模块80相连;
所述预警模块80,用于显示预警信息。
参照附图2,本申请所述的一种基于云计算的物联网电池健康状态诊断和预测方法包括以下步骤:
S1. 获取不同生命周期在充放电循环过程中的电池数据,构建物联网电池数字孪生模型,对电池充放电过程进行仿真,计算电池健康状态的时序变化;
在恒温恒湿条件下对处于不同生命周期的物联网电池进行充放电实验,数据获取模块10获取不同生命周期在充放电循环过程中的电池数据。在充电过程中,电池均为恒流、恒压充电;在放电过程中,电池均为恒流放电。所述电池数据包括充电电压、充电电流、充电温度、放电电压、放电电流、放电温度、负载电压、负载电流等有效信息。
各电池终端预处理模块20对获取的电池数据进行初始筛查,判断电池初始健康状态,所述初始筛查方法为:通过获取的电池数据判断电池内是否发生短路、急剧升温、热失控等现象,通过前后数据的差值大小可发现是否存在上述现象。若存在,则向预警模块80发送警报信号,通知工作人员及时处理;若没有发生上述现象,则由预处理模块20将电池数据进行归一化处理后,打包发送给云服务器,所述归一化处理采用现有技术即可。将各个电池终端的数据获取模块10获取的电池数据上传至云接口30,即各电池终端与云服务器的数据传输接口,由云服务器对后续电池健康状态进行诊断和预测。
数字孪生模块40构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程。所述物联网电池数字孪生模型表示为:
,
其中,表示t时刻的电池仿真状态,/>表示t时刻的电池容量,/>表示电池电压变化步长均值或电流变化步长均值,/>表示误差调节因子。
电池健康状态SoH(state of health)可以理解为电池当前的容量与出厂容量的百分比,数字孪生模块40将模拟电池数据传输给诊断模块50,由所述诊断模块50基于物联网电池数字孪生模型计算电池的SoH时序变化:
,
其中,表示电池健康状态,/>表示电池初始容量,/>表示电池容量衰减度,表示电池初始状态,即/>时刻的电池状态,/>表示初始时刻,/>、/>、/>、/>均为电流倍率系数,/>表示电流倍率,/>表示活化能,/>表示摩尔常数,/>表示绝对温度,/>表示充放电深度,/>表示温度,/>表示为功率因数,近似常数。
S2. 基于电池健康状态进行初始划分,计算电池健康子状态的分布函数,对状态区间初始划分值进行修正,构建预测神经网络组,结合第一神经网络模型、第二神经网络模型和第三神经网络模型对物联网电池健康状态进行预测。
划分模块60基于电池健康状态进行划分,将电池健康状态划分为n个子状态,表示为,其中,/>表示第n个子状态。通过对当前电池健康子状态进行计算处理,可预测未来时段的电池健康状态。
所述电池健康状态的划分方法为:随机设立n个子状态的状态区间初始划分值,其中,健康状态值小于/>的健康状态为第一健康子状态,健康状态值处于/>和/>之间的健康状态为第二健康子状态,以此类推,健康状态值大于/>的健康状态为第n健康子状态。计算电池健康子状态的分布函数:
,
其中,表示第i个电池健康子状态的分布函数,/>表示第i个电池健康子状态,/>,/>表示健康子状态的标准差,/>表示健康子状态的均值。
为了使健康子状态符合正态分布,对状态区间初始划分值进行修正,衡量两个分布区间之间的差异程度,解决非对称的问题,从而得到划分后的n个子状态区间。所述修正方法为:
,
其中,表示分布区间/>和分布区间/>的相对熵,衡量了两个概率分布的相似度,/>和/>是随机变量/>熵的两个概率分布。/>越小,表明两个概率分布越相似,为了使健康子状态符合正态分布,需要将/>趋近于0。从而得到划分后的健康子状态区间。
预测模块70构建预测神经网络组,所述预测神经网络组由第一神经网络模型、第二神经网络模型和第三神经网络模型组成。将云接口30获取的电池数据作为训练样本输入到第一神经网络模型中,经过深度学习输出从全局出发得到的预测结果;将各个电池健康子状态的健康状态值作为训练样本输入到第二神经网络模型中,经过深度学习输出从局部出发得到的预测结果;将第一神经网络的输出和第二神经网络的输出输入到第三神经网络模型中,最终得到物联网电池健康状态的预测结果。
所述第一神经网络的具体实现过程为:
将任意时刻获取的电池数据表示为,在一个时段内共采集了M组电池时序数据,则一个时段内的电池时序数据表示为/>,其中,/>表示任意时刻,/>表示一组电池数据中数据的数量。第一神经网络设定全局共享的参数/>和/>,即所有神经元节点参数值均相同,通过激活函数/>计算第t时刻的神经元状态值/>:
,
其中,表示t时刻获取的电池数据中的第j个数据,/>表示隐含层的偏置。第一神经网络的输出为:
,
其中,表示第一神经网络的输出,/>表示输出层的权重,/>表示输出层的偏置。使用链式法则来反向更新参数,直至输出误差达到预设范围。
所述第二神经网络的具体实现过程为:
将n个子状态的健康状态值表示为,预先生成第二神经网络输入层与隐含层内部的连接权重/>、隐含层内部连接权重/>、隐含层与输出层的连接权重/>,只训练隐含层与输出层的连接权重。第二神经网络的具体计算过程为:
,
其中,表示隐含层下一步神经元状态,即第i+1个子状态对应的隐含层神经元状态,/>表示激活函数,/>表示第i个子状态的输出。第二神经网络的输出为:
,
其中,表示第二神经网络的输出。使用链式法则来反向更新参数,直至输出误差达到预设范围。
将第一神经网络的输出和第二神经网络的输出/>作为训练样本输入到第三神经网络模型中,第三神经网络对电池时序数据的计算过程如下:
,
,
,
其中,表示第一神经网络输出与第二神经网络输出的模糊融合结果,/>表示第一神经网络输出的标准差,/>表示隐含层输出,/>表示激活函数,/>表示隐含层权重,表示隐含层偏置,/>表示第三神经网络的输出,/>表示输出层的权重,/>表示输出层的偏置。使用链式法则来反向更新参数,直至输出误差达到预设范围。从而完成预测神经网络的训练,输出物联网电池健康状态的预测结果。预测模块70将存在健康隐患的电池信息发送给预警模块80进行预警。
综上所述,便完成了本申请所述的一种基于云计算的物联网电池健康状态诊断和预测系统。
上述本申请实施例中的技术方案,至少具有如下的技术效果或优点:
1、本申请构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程,实现电池健康状态的准确诊断;能有效减少噪声对电池健康状态诊断精度的影响,保证物联网电池健康状态诊断的有效性,且算法计算复杂度低;
2、本申请构建预测神经网络组,所述预测神经网络组由第一神经网络模型、第二神经网络模型和第三神经网络模型组成,针对不同类型的输入数据采用不同神经网络模型,能够处理不同维度的输入,且能利用前后顺序关系,不仅克服了计算量大、训练效率低、不便于应用于实际的问题,并且避免了训练中出现的局部最优问题,最终得到精准度较高的预测结果。
效果调研:
本申请的技术方案能够有效解决现有技术对电池健康状态的诊断和预测不够智能化,在诊断和预测过程中存在大量噪声影响计算结果,且计算复杂度高,对本地处理器要求较高,给商家造成较大的经济压力,且预测精准度无法保障,并且,上述系统或方法经过了一系列的效果调研,通过验证,最终能够有效减少噪声对电池健康状态诊断精度的影响,保证物联网电池健康状态诊断的有效性,且算法计算复杂度低,采用云计算降低本地处理器的处理压力,采用智能算法得到精准度较高的预测结果。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (8)
1.一种基于云计算的物联网电池健康状态诊断和预测系统,其特征在于,包括以下部分:
数据获取模块、预处理模块、云接口、数字孪生模块、诊断模块、划分模块、预测模块和预警模块;
所述数字孪生模块,用于构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程,数字孪生模块通过数据传输的方式与诊断模块相连;
所述诊断模块,用于基于物联网电池数字孪生模型计算电池的健康状态时序变化,诊断模块通过数据传输的方式与划分模块相连;
所述划分模块,用于基于电池健康状态进行划分,将电池健康状态划分为n个子状态,创建划分算法,使健康子状态符合正态分布,划分模块通过数据传输的方式与预测模块相连;
所述预测模块,用于构建预测神经网络组,所述预测神经网络组由第一神经网络模型、第二神经网络模型和第三神经网络模型组成;将云接口获取的电池数据作为训练样本输入到第一神经网络模型中,经过深度学习输出从全局出发得到的预测结果;将各个电池健康子状态的健康状态值作为训练样本输入到第二神经网络模型中,经过深度学习输出从局部出发得到的预测结果;将第一神经网络的输出和第二神经网络的输出输入到第三神经网络模型中,最终得到物联网电池健康状态的预测结果,并将存在健康隐患的电池信息发送给预警模块进行预警,预测模块通过数据传输的方式与预警模块相连。
2.如权利要求1所述的一种基于云计算的物联网电池健康状态诊断和预测系统的诊断和预测方法,其特征在于,包括以下步骤:
S1. 获取不同生命周期在充放电循环过程中的电池数据,构建物联网电池数字孪生模型,对电池充放电过程进行仿真,计算电池健康状态的时序变化;
S2. 基于电池健康状态进行初始划分,计算电池健康子状态的分布函数,对状态区间初始划分值进行修正,构建预测神经网络组,结合第一神经网络模型、第二神经网络模型和第三神经网络模型对物联网电池健康状态进行预测。
3.如权利要求2所述的一种基于云计算的物联网电池健康状态诊断和预测方法,其特征在于,所述步骤S1具体包括:
构建物联网电池数字孪生模型,对电池充放电过程进行仿真,将电池数据在虚拟空间中进行映射,模拟电池全生命周期过程;所述物联网电池数字孪生模型表示为:
,
其中,表示t时刻的电池仿真状态,/>表示t时刻的电池容量,/>表示电池电压变化步长均值或电流变化步长均值,/>表示误差调节因子。
4.如权利要求2所述的一种基于云计算的物联网电池健康状态诊断和预测方法,其特征在于,所述步骤S1具体包括:
基于物联网电池数字孪生模型计算电池健康状态的时序变化。
5.如权利要求2所述的一种基于云计算的物联网电池健康状态诊断和预测方法,其特征在于,所述步骤S2具体包括:
计算电池健康子状态的分布函数:
,
其中,表示第i个电池健康子状态的分布函数,/>表示第i个电池健康子状态,/>,/>表示健康子状态的标准差,/>表示健康子状态的均值。
6.如权利要求2所述的一种基于云计算的物联网电池健康状态诊断和预测方法,其特征在于,所述步骤S2具体包括:
为了使健康子状态符合正态分布,对状态区间初始划分值进行修正,衡量两个分布区间之间的差异程度,解决非对称的问题,从而得到划分后的n个子状态区间。
7.如权利要求2所述的一种基于云计算的物联网电池健康状态诊断和预测方法,其特征在于,所述步骤S2具体包括:
将电池数据作为训练样本输入到第一神经网络模型中,经过深度学习输出从全局出发得到的预测结果;将各个电池健康子状态的健康状态值作为训练样本输入到第二神经网络模型中,经过深度学习输出从局部出发得到的预测结果;将第一神经网络的输出和第二神经网络的输出输入到第三神经网络模型中,最终得到物联网电池健康状态的预测结果。
8.如权利要求2所述的一种基于云计算的物联网电池健康状态诊断和预测方法,其特征在于,所述步骤S2具体包括:
第三神经网络将第一神经网络输出与第二神经网络输出进行模糊融合,经过深度学习得到物联网电池健康状态的预测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776822.8A CN116500460B (zh) | 2023-06-29 | 2023-06-29 | 一种基于云计算的物联网电池健康状态诊断和预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310776822.8A CN116500460B (zh) | 2023-06-29 | 2023-06-29 | 一种基于云计算的物联网电池健康状态诊断和预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116500460A CN116500460A (zh) | 2023-07-28 |
CN116500460B true CN116500460B (zh) | 2023-08-22 |
Family
ID=87328823
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310776822.8A Active CN116500460B (zh) | 2023-06-29 | 2023-06-29 | 一种基于云计算的物联网电池健康状态诊断和预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116500460B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107102932A (zh) * | 2017-04-20 | 2017-08-29 | 北京云控安创信息技术有限公司 | 一种数据中心综合报警系统和方法 |
CN110659722A (zh) * | 2019-08-30 | 2020-01-07 | 江苏大学 | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN114329760A (zh) * | 2021-11-26 | 2022-04-12 | 北京交通大学 | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 |
CN114881318A (zh) * | 2022-04-28 | 2022-08-09 | 西安邮电大学 | 基于生成对抗网络的锂电池健康状态预测方法及系统 |
CN114896865A (zh) * | 2022-04-20 | 2022-08-12 | 北京航空航天大学 | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 |
CN115356639A (zh) * | 2022-09-29 | 2022-11-18 | 深圳先进技术研究院 | 一种双向锂离子电池智能健康监控方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220057451A1 (en) * | 2020-08-21 | 2022-02-24 | Carnegie Mellon University | System and method for estimation of battery state and health |
DE102020215297A1 (de) * | 2020-12-03 | 2022-06-09 | Robert Bosch Gesellschaft mit beschränkter Haftung | Verfahren und Vorrichtung zum Betreiben eines Systems zum Bereitstellen von prädizierten Alterungszuständen von elektrischen Energiespeichern für ein Gerät mithilfe von maschinellen Lernverfahren |
-
2023
- 2023-06-29 CN CN202310776822.8A patent/CN116500460B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107102932A (zh) * | 2017-04-20 | 2017-08-29 | 北京云控安创信息技术有限公司 | 一种数据中心综合报警系统和方法 |
CN110659722A (zh) * | 2019-08-30 | 2020-01-07 | 江苏大学 | 基于AdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法 |
CN112731159A (zh) * | 2020-12-23 | 2021-04-30 | 江苏省电力试验研究院有限公司 | 一种储能电站电池舱电池故障预判及定位的方法 |
CN114329760A (zh) * | 2021-11-26 | 2022-04-12 | 北京交通大学 | 一种基于数字孪生的车载锂离子电池建模及故障诊断方法 |
CN114896865A (zh) * | 2022-04-20 | 2022-08-12 | 北京航空航天大学 | 一种面向数字孪生的自适应演化神经网络健康状态在线预测方法 |
CN114881318A (zh) * | 2022-04-28 | 2022-08-09 | 西安邮电大学 | 基于生成对抗网络的锂电池健康状态预测方法及系统 |
CN115356639A (zh) * | 2022-09-29 | 2022-11-18 | 深圳先进技术研究院 | 一种双向锂离子电池智能健康监控方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116500460A (zh) | 2023-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
KR102439041B1 (ko) | 신경망 기반의 배터리 셀 불량 및 화재 사전 진단 방법 및 장치 | |
KR102362532B1 (ko) | 신경망 기반의 배터리 잔존 수명 예측 방법 및 장치 | |
KR20200140093A (ko) | 배터리의 충방전 사이클에 따른 용량 변화 예측방법 및 예측시스템 | |
CN113343633A (zh) | 动力锂电池热失控故障分类及风险预测方法、系统 | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
CN109100655B (zh) | 一种动力电池的数据处理方法和装置 | |
CN112331941A (zh) | 云端辅助电池管理系统及方法 | |
CN111812536A (zh) | 一种退役动力电池残值快速评估方法 | |
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 | |
CN115356639B (zh) | 一种双向锂离子电池智能健康监控方法及系统 | |
CN113189495B (zh) | 一种电池健康状态的预测方法、装置及电子设备 | |
CN112083346B (zh) | 基于lstm的并联电池组内部电流分布估计方法及系统 | |
CN114280490B (zh) | 一种锂离子电池荷电状态估计方法及系统 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及系统 | |
CN117422004B (zh) | 基于神经网络的碳势预测方法及系统 | |
CN116401585B (zh) | 一种基于大数据的储能电池失效风险评估方法 | |
CN113447828A (zh) | 一种基于贝叶斯神经网络的锂电池温度估计方法及系统 | |
CN115114843A (zh) | 一种电池容量的预测方法、相关装置、设备以及存储介质 | |
CN110794319A (zh) | 预测锂电池阻抗模型的参数的方法、装置及可读存储介质 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
CN116500460B (zh) | 一种基于云计算的物联网电池健康状态诊断和预测系统 | |
CN117554820A (zh) | 电池健康状态预测方法、装置、计算机设备和存储介质 | |
CN208350965U (zh) | 一种纯电动汽车电池组健康状态测取装置 | |
CN116080470A (zh) | 电动汽车的动力电池监控方法、装置、服务器及介质 |
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 |