CN116662313A - 一种应用于云电池管理系统的数据清洗系统及其方法 - Google Patents
一种应用于云电池管理系统的数据清洗系统及其方法 Download PDFInfo
- Publication number
- CN116662313A CN116662313A CN202310536033.7A CN202310536033A CN116662313A CN 116662313 A CN116662313 A CN 116662313A CN 202310536033 A CN202310536033 A CN 202310536033A CN 116662313 A CN116662313 A CN 116662313A
- Authority
- CN
- China
- Prior art keywords
- data
- current
- voltage
- cloud
- battery
- 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
- 238000004140 cleaning Methods 0.000 title claims abstract description 76
- 238000000034 method Methods 0.000 title claims abstract description 50
- 230000002159 abnormal effect Effects 0.000 claims abstract description 80
- 230000006854 communication Effects 0.000 claims abstract description 57
- 238000004891 communication Methods 0.000 claims abstract description 54
- 238000005070 sampling Methods 0.000 claims abstract description 39
- 230000005856 abnormality Effects 0.000 claims abstract description 17
- 238000007726 management method Methods 0.000 claims description 36
- 238000001514 detection method Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 33
- 238000013507 mapping Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 16
- 230000032683 aging Effects 0.000 claims description 14
- 238000005457 optimization Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 10
- 238000005516 engineering process Methods 0.000 claims description 8
- 230000002068 genetic effect Effects 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000010287 polarization Effects 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 238000013106 supervised machine learning method Methods 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 2
- 238000005259 measurement Methods 0.000 claims description 2
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
-
- 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
- G06F16/21—Design, administration or maintenance of databases
- G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Mechanical Engineering (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Power Engineering (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Sustainable Development (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Electric Propulsion And Braking For Vehicles (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种应用于云电池管理系统的数据清洗系统及其方法,车端BMS在每个采样周期中利用板载的采样模块采集车载动力电池系统的单体端电压、总电流、单体表面温度数据,发送到车端通讯模块,云端BMS利用云端通讯模块接收车端BMS所发送的数据并解码得到原始数据,输入数据清洗模块,对原始数据进行异常检测和故障补偿;清洗数据作为先进电池管理算法的输入,输出对电池状态估计的结果,车端BMS得到电池状态估计结果,并根据估计值对车载电池系统进行相应控制。本发明应用于“端云”电池管理系统数据清洗系统能够在云BMS中检测数据异常,并对异常数据进行补偿,填补了相关领域的空白,为“端云”BMS的数据清洗提供了一套切实可行的方案。
Description
技术领域
本发明提供一种应用于云电池管理系统的数据清洗系统及其方法,属于车载动力电池系统技术领域。
背景技术
在能源危机和环境污染的双重压力下,以纯电动汽车为代表的节能与新能源汽车成为全世界的研究热点。车载动力电池系统是电动汽车的动力核心,其能量和功率特性极大程度地影响着电动汽车整车的性能。车载动力电池系统在电池管理系统(Batterymanagement system,BMS)的控制下工作,保障电动汽车安全且高性能地运行。因此,除动力电池系统本身的性能之外,BMS的性能也在很大程度上影响着电动汽车整车的续驶里程,动力性和安全性等。
BMS通过采集车载动力电池系统的工作电压,工作电流,表面温度数据并将其输入先进的电池管理算法,进而估计动力电池系统的运行状态并发出控制电池系统充放电的指令,管理电池系统安全稳定工作。目前基于电池等效模型的管理算法研究已较为全面,但在实际应用中,受车端BMS嵌入式系统算力资源有限和运算速度较低等限制,实际应用模型的精度与复杂度往往不能很好权衡,进而导致车端BMS面临估计精度低、累计误差大等问题。
随着电池大数据和“端云”技术的发展,基于“云计算”的BMS技术被广泛关注。车端BMS通过远场无线通讯技术,将车端采集的电池工作数据实时传输到云端BMS进行储存与处理;云端BMS基于云端数据库的海量数据,充分利用其大规模分布式的算力资源,运行高性能的电池管理算法对电池系统进行状态估计和故障诊断。状态估计结果通过远场无线通讯技术从云端反馈到车端,保证电池系统安全可靠运行,实现对电池系统的高效管理。
云端BMS对采集的电池原始数据质量提出了更高要求,但车端BMS在数据采样过程中存在较大测量噪声,有时甚至会受环境强噪声干扰,导致实际采样数据精度低。除此之外,在车端BMS与云端BMS的数据传输过程中,以现有的5G、Wi-Fi等无线通讯技术,在远场无线通讯的过程中存在信道易受干扰、传输出现误码及丢包率较高等问题。这些问题都会降低云端BMS中所应用和存储的数据质量。如果不采取有效的数据清洗方法对云端BMS所接收的数据进行清洗,而直接使用受干扰数据进行电池管理,那么云端BMS估计结果的精度也势必会出现较大估计误差甚至发生估计错误。因此,设计一种能够应用于云端BMS的数据清洗方法十分必要。
现有技术之一,采用异常数据检测和部分场景下数据清洗的方案,通过预先设置一个滑动窗口长度,对窗口内所采集到的电池数据进行处理。首先计算窗口内电压值的中位数(中值)和极差,用窗口内数据的极差与设定的阈值相比较,判定所采集数据是否满足一致性,其次利用单体电压和中位电压的Hausdorff距离,判定数据是否有异常,实现异常数据检测。对于采样数据缺失的情况,如果连续3个采样点发生数据丢失,则直接清除缺失时间中的所有数据,如果非连续缺失或仅连续缺失2个数据时,则采用平均插值的方法进行缺失值插补,进而实现丢失数据的异常检测和数据清洗。
该数据清洗方案能够实现在线故障数据检测和部分场景下的丢失数据插补,但对于强噪声场景下的采集数据无法进行数据误差补偿清洗,同时在连续3个采样点数据丢失的场景下只能进行异常检测而无法进行数据补偿清洗,该方案在此场景下失效。除此之外,仅采用平均值插值的方法对丢失数据进行补偿较为粗糙,往往不能较好地跟随电池系统的高度非线性和动态时变特性,因此该方案的鲁棒性不强。
现有技术之二,在车端BMS的嵌入式系统中使用一种具有噪声免疫特性的算法实现强噪声场景下的电池管理。该方案首先建立了电池的等效电路模型和用于模型辨识的离散域回归方程,其次再利用实时采集的电池系统数据估计采样数据中的噪声方差和等效模型参数。最后根据实时更新的噪声方差和模型参数建立状态空间方程,构建状态观测器,实时估计电池SOC,实现电池管理。
该方案提出的算法能够在强噪声场景下实时估计采样数据中的噪声水平和等效模型的参数,进而对电池系统进行有效管理。但该方案的噪声补偿是普遍的,并未对于每一帧数据先进行异常检测再决策是否补偿,而是直接进行数据补偿,这样有可能会导致真实的数据在算法过度补偿下变得失真。同时,该方案也只考虑了采样数据受到强噪声干扰而没有考虑传输过程中的数据丢失场景,对于存在数据丢失风险的电池管理任务,该方案既无法实现数据采集和传输过程中对丢失数据的检测,同时,也无法对丢失数据进行清洗和补偿。
发明内容
为填补云端BMS数据清洗方法部分的技术空白,解决在车端BMS的数据采集和“端云”无线通讯过程中出现的噪声,丢包和误码等数据异常问题,提升云电池管理系统的算法估计精度与鲁棒性,提高云数据库中所存储数据的质量。本发明提供一种能够检测异常数据并补偿异常数据的云端BMS数据清洗的系统和方法。
本发明的目的是通过以下技术方案来实现的:
应用于云电池管理系统的数据清洗系统,包括车端BMS和云端BMS;
车端BMS包括采样模块,采样模块与车载动力电池系统连接,采样模块通过车端通讯模块与云端BMS的云端通讯模块通讯连接;
云端BMS内包括数据清洗模块、数据应用与存储模块,数据清洗模块、数据应用于存储模块均与云端通讯模块连接;
车端BMS在每个采样周期中利用板载的采样模块采集车载动力电池系统的单体端电压、总电流、单体表面温度数据,再将采样数据按照预设通讯协议编码打包后发送到车端通讯模块,将原始采样数据通过远场无线通讯技术发送到云端BMS的云端通讯模块;
云端BMS利用云端通讯模块接收车端BMS所发送的数据并解码得到原始数据,将得到的原始数据输入数据清洗模块,对原始数据进行异常检测和故障补偿,数据清洗完毕后输出清洗数据;
云端BMS将数据清洗模块的输出的清洗数据作为先进电池管理算法的输入,输出对电池状态估计的结果,估计结果被发送到数据清洗模块和云端通讯模块;在云端通讯模块中,状态估计结果将按照预设通讯协议编码打包后发送到车端BMS;清洗数据存储到数据应用与存储模块的云端数据库中,作为电池大数据集;
车端BMS利用车端通讯模块接收云端BMS发送的数据并解码得到电池状态估计结果,并根据估计值对车载电池系统进行相应控制。
本发明还提供一种应用于云电池管理系统的数据清洗方法,采用所述的应用于云电池管理系统的数据清洗系统,包括以下步骤:
S1、电池建模与参数辨识
S1.1、OCV-SOC曲线拟合
在云端数据库中选择该型号电池在额定工况下充满电,充分静置后再进行间歇性放电-静置的实验数据;用式(1)所示的多项式拟合OCV-SOC曲线:
其中,VOC为电池的开路电压OCV;Z为电池的SOC;n为拟合多项式阶数,ci为拟合系数;
S1.2、等效电路模型建立
建立电池的等效电路模型,根据基尔霍夫定律建立式(2)所示的时域方程:
其中,t为时间,I为负载电流,相应的I(t)为t时刻的负载电流,Vp为极化电压,Vt为端电压,η为电池的库伦效率,Q为电池的额定容量,Rs、Rp、Cp是待求取的模型参数,Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容;
选取输入为IL,输出yk=Vt,k,状态向量xk=[Vp,k zk]T,将方程转化为状态空间方程并进行离散化,如式(3)所示;其中,Δt为采样步长:
xk=Axk-1+BIk-1
yk=f(zk)+Vp,k+RsIk (3)
其中:
S1.3、模型参数辨识
利用云端数据库中该型号电池在不同温度、不同老化程度下的HPPC测试工况数据,利用最小二乘LS算法辨识等效电路模型的模型参数,得到模型参数与电池SOC、温度以及老化程度的映射关系,并将该映射关系作为待查询的表格存储在云数据库中:
[Rs Rp Cp]=mapping(T,SOC,age) (4)
根据该映射关系,根据一组SOC、温度值和老化程度得到相应的等效电路模型参数值,作为后续使用模型估计电池状态的已知参数值;
S2、模型训练
S2.1、数据集生成
单体的电压数据和电流数据由两个不同的传感器分别采集,电压数据异常和电流数据异常认为是独立事件;对于传输的每一帧数据,存在的情况为:
Case1,电压正常,电流正常;
Case2,电压异常,电流正常;
Case3,电压正常,电流异常;
Case4,电压异常,电流异常;
选用有监督的机器学习方法训练分类器,对每一帧数据的状态分类;
首先生成与标签相对应的数据集。电压数据和电流数据的异常分为偏置干扰和增益干扰,偏置干扰表示真值与云端BMS接收值之间存在常值漂移,如下式所示:
其中,xk表示云端BMS接收的电压或电流值,表示电压或电流的真值,fbias表示常值漂移,在无故障场景下满足fbias=0,在有故障场景下是非零常数。
除偏置干扰外,增益干扰表示真值与云端BMS接收值之间存在比例关系的值故障,如下式所示:
其中,xk和的定义与上式相同,fgain表示增益干扰。
利用云端数据库中各温度下正常的DST与FUDS工况测试数据作为Case1标签所对应的数据集。
(1)Case2标签对应的数据集生成
Case2标签对应的场景为电压故障而电流正常,因此对Case1数据集中的电压数据主动加入故障干扰,生成Case2对应的数据集。
a.叠加偏置故障
分别取fbias=±10mV,±15mV,±20mV,带入下式,得到叠加偏置故障的工况端电压数据集。
其中,表示各温度下正常的DST与FUDS工况测试端电压数据。
b.叠加增益故障
分别取fgain=±5%,±10%,±15%,带入下式,得到叠加增益故障的工况端电压数据集。
(2)Case3标签对应的数据集生成
Case3标签对应的场景为电压正常而电流故障,因此对Case1数据集中的电流数据主动加入故障干扰,生成Case3对应的数据集。
c.叠加偏置故障
分别取fbias=±0.05A,±0.1A,±0.2A,带入下式,得到叠加偏置故障的工况电流数据集。
其中,表示各温度下正常的DST与FUDS工况测试电流数据。
d.叠加增益故障
分别取fgain=±5%,±10%,±15%,带入下式,得到叠加增益故障的工况电流数据集。
(3)Case4标签对应的数据集生成
Case4标签对应的场景为电压电流数据均,因此对Case1数据集中的电压电流数据均加入故障干扰,生成Case4对应的数据集。
e.叠加偏置故障
分别取:
带入下式,得到叠加偏置故障的工况端电压,电流数据集。
其中,表示各温度下正常的DST与FUDS工况测试端电压和电流数据。
f.叠加增益故障
分别取fgain=±25%,±50%,±75%,±100%,带入下式,得到叠加增益故障的工况端电压数据集。
生成分别对应于Case1-Case4标签的数据集。
S2.2、分类器训练
选取的输入特征为:测量端电压Vt,k,工作电流Ik,模型估计端电压表面温度Tk。
用Adaboost算法训练分类器实现异常数据检测模块的分类任务,构建异常数据监测模块。具体训练过程如下:
Step1.将前述类型标注完毕的数据集混合后随机划分为大小相等的20个子集(S1,S2...,S20),并对每个子集中各个类型出现的次数进行统计。
Step2.如果某个子集中占比最大的特征样本数量超过占比最小的特征样本数量一倍,那么该子集划分不符合规则,需要重新进行Step1划分子集。
Step3.使用弱分类器对第一份子集样本S1进行训练,得到弱分类器A1以及分类错误的样本集合R1,根据分类结果中每个特征的出现的次数计算该分类器的权重w1。
Step4.对上一步弱分类器Ai所分类错误的样本Ri进行重复采样,将错误样本扩充至训练集样本数量的50%,并将扩充后的样本集与下一份子集样本Si+1合并,得到合并后的新样本集S'i+1,并使用新样本集训练新的弱分类器Ai+1,统计分类结果的特征属性,计算该分类器的权重wi,其中i=1,2,...,19。
Step5.重复Step4,直到所有训练子集样本训练完毕,得到各分类器A1,A2,...,A19以及对应的权重w1,w2,...,w19,将弱分类器与对应的权重加权,得到最终的ADB强分类器。
经过上述步骤,训练得到能够实现异常数据检测的分类器,在实际数据清洗过程中,输入当前时刻的测量端电压Vt,k,工作电流Ik,模型估计端电压表面温度Tk数据,输出数据的类型,实现异常数据检测。
S3、数据分析
(1)Case1正常数据
如果接收数据输入异常数据检测模块后输出的分类情况为Case1,表明当下时刻接收的数据中未见明显异常,对于此类数据可以直接从数据清洗模块输出[Vt,k Ik Tk]。
(2)Case2电压数据异常
如果接收数据输入异常数据检测模块后输出的分类情况为Case2,表明当下时刻接收的数据中电流数据正常但电压数据异常,对于此类数据需要对异常的电压数据进行补偿后再从数据清洗模块输出。
基于步骤S1建立的电池等效电路模型,输入工作电流和相应的模型参数能够根据式(3)计算得到电池端电压的估计值,将该估计值作为异常电压数据的替换值,实现异常电压数据的补偿。具体清洗过程如下:
Step1.获取当前时刻的数据包数据:[Vt,k Ik Tk]和前一时刻电池状态估计结果:
[SOCk-1agek-1]
Step2.由于电流数据未见明显异常,因此,利用安时积分法估计当前时刻的SOC值:
Step3.由于老化过程是长时间尺度下发生的变化,而通信故障发生在秒级别的小时间尺度,因此认为agek≈agek-1,根据数据通过预先建立的模型参数映射关系式(4),得到当前状态下的模型参数[Rs,k Rp,k Cp,k],同时将当前SOC值代入并结合式(1)可以得到当前电池的开路电压值Voc,k
Step4.将前述数据代入式(3),能够计算得到当前状态下以Ik为输入,等效电路模型的端电压输出值
Step5.输出清洗后的数据
(3)Case3电流数据异常
如果接收数据输入异常数据检测模块后输出的分类情况为Case3,表明当下时刻接收的数据中电压数据正常但电流数据异常,对于此类数据需要对异常的电流数据进行补偿后再从数据清洗模块输出。
对于电压数据正常但电流数据异常的情况,将电流估计问题转化为优化问题,基于步骤S1建立的等效电路模型,优化的目标为测量端电压与模型端电压的误差最小,利用优化算法对电流值进行最优估计,并将估计值作为异常电流数据的替换值,实现异常电流数据的补偿。具体清洗过程如下:
Step1.获取当前时刻的数据包数据:[Vt,k Ik Tk]和前一时刻电池状态估计结果:[SOCk-1agek-1]
Step2.由于电压数据未见明显异常,因此,优化问题描述为:
其中,是决策变量,也是当前时刻电流的估计值;
Step3.对优化问题进行求解,选择启发式搜索算法中的遗传算法GA对该单决策变量单目标问题进行求解。
认为agek≈agek-1,对于一个给定的利用安时积分法估计在该电流下当前时刻的SOC值。
根据数据通过预先建立的模型参数映射关系式(4),得到当前状态下的模型参数[Rs,k-1Rp,k-1Cp,k-1],同时将当前SOC值代入并结合式(1)可以得到当前电池的开路电压值Voc,k。将数据代入式(3)计算得到目标函数的值。设置遗传算法求解的参数设置为:种群数量N=100,变异概率Pm=0.1,交叉概率Pc=0.99,最大迭代次数为500,收敛条件为连续10代最优目标函数值保持不变。
Step4.输出清洗后的数据
(4)Case4完全异常数据
如果接收数据输入异常数据检测模块后输出的分类情况为Case4,表明当下时刻接收的数据中电压电流数据均异常,常见的情况是传输丢包或传输出现误码,对于此类数据应当直接舍弃,不存入数据存储系统,数据清洗模块向数据应用模块输出延迟信号,表明本次通讯数据异常,等待下一次有效通讯再输出数据进行状态估计。
本发明具有的技术效果:
1.应用于“端云”电池管理系统数据清洗系统能够在云BMS中检测数据异常,并对异常数据进行补偿,填补了相关领域的空白,为“端云”BMS的数据清洗提供了一套切实可行的方案。
2.应用于“端云”场景下云端电池管理系统的异常数据检测与补偿的方法可以在云端实时通讯的过程监测通讯质量,并对异常情况进行及时处理,保证了云端服务器中所存储数据的质量,提升“端云”电池管理系统的稳定性与准确性。
附图说明
图1是本发明的云电池管理系统结构;
图2是本发明的数据清洗模块结构;
图3是本发明的OCV-SOC拟合曲线;
图4是本发明的一阶RC等效电路模型;
图5是本发明的异常数据检测模块工作过程示意图。
具体实施方式
结合实施例说明本发明的具体技术方案。
首先建立了如图1所示的应用于云电池管理系统的数据清洗系统。云电池管理系统包括车端BMS和云端BMS;
车端BMS包括采样模块,采样模块与车载动力电池系统连接,采样模块通过车端通讯模块与云端BMS的云端通讯模块通讯连接;
云端BMS内包括数据清洗模块、数据应用与存储模块,数据清洗模块、数据应用于存储模块均与云端通讯模块连接。
运行过程如下:
Step1.车端数据采集与发送
车端BMS在每个采样周期中利用板载的采样模块采集车载动力电池系统的单体端电压、总电流、单体表面温度数据,再将采样数据按照预设通讯协议编码打包后发送到车端通讯模块,将原始采样数据通过远场无线通讯技术发送到云端BMS的云端通讯模块;
Step2.云端数据接收与清洗
云端BMS利用云端通讯模块接收车端BMS所发送的数据并解码得到原始数据,将得到的原始数据输入数据清洗模块,对原始数据进行异常检测和故障补偿,数据清洗完毕后输出清洗数据;
Step3.云端数据应用与存储
云端BMS将数据清洗模块的输出的清洗数据作为先进电池管理算法的输入,输出对电池状态估计的结果,估计结果将被发送到数据清洗模块和云端通讯模块。在云端通讯模块中,状态估计结果将按照预设通讯协议编码打包后发送到车端BMS。除此之外,清洗数据也会存储到数据应用与存储模块的云端数据库中,作为电池大数据集,可以作为离线数据使用;
Step4.车端数据接收与应用
车端BMS利用车端通讯模块接收云端BMS发送的数据并解码得到电池状态估计结果,并根据估计值对车载电池系统进行相应控制。
在云电池管理系统的结构中,云端BMS中数据清洗模块是本发明的核心内容,数据清洗模块主要包括异常数据检测和故障数据补偿两部分功能,结构如图2所示。
具体方法为:
S1、建立模型
S1.1、OCV-SOC曲线拟合
在云端数据库中选择该型号电池在额定工况下充满电,充分静置后再进行间歇性放电-静置的实验数据,由于温度,老化程度等因素在短时间尺度内对OCV的影响较小因而忽略相关因素的影响。用式(1)所示的多项式拟合OCV-SOC曲线。
其中,VOC为电池的开路电压(OCV);Z为电池的SOC;n为拟合多项式阶数,在本申请的实施例中取n=5,ci为拟合系数,拟合的OCV-SOC曲线与实测值对比如图3所示。
S1.2、等效电路模型建立
建立电池的等效电路模型,在本申请实例中为如图4所示的一阶RC模型,并根据基尔霍夫定律建立式(2)所示的时域方程。
其中,t为时间,I为负载电流,相应的I(t)为t时刻的负载电流,Vp为极化电压,Vt为端电压,η为电池的库伦效率,Q为电池的额定容量,Rs、Rp、Cp是待求取的模型参数,Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容。
选取输入为IL,输出yk=Vt,k,状态向量xk=[Vp,k zk]T,将前述方程转化为状态空间方程并进行离散化,如式(3)所示。其中,Δt为采样步长,本实例中取Δt=1s:
xk=Axk-1+BIk-1
yk=f(zk)+Vp,k+RsIk (3)
其中:
S1.3、模型参数辨识
利用云端数据库中该型号电池在不同温度,不同老化程度下的HPPC测试工况数据,利用最小二乘(LS)算法辨识前述一阶RC等效电路模型的模型参数,得到模型参数与电池SOC、温度以及老化程度的映射关系,并将该映射关系作为待查询的表格存储在云数据库中。
[Rs Rp Cp]=mapping(T,SOC,age) (4)
根据该映射关系,能够根据一组特定的SOC,温度值和老化程度得到相应的一阶RC等效电路模型参数值,作为后续使用模型估计电池状态的已知参数值。除此之外,云电池管理系统利用其分布式云计算的充足算力资源和云数据库的海量电池数据,能够定期利用新产生的电池数据集对模型参数表进行迭代更新,充分保证等效电路模型的精度。
S2、模型训练
单体的电压数据和电流数据由两个不同的传感器分别采集,因此电压数据异常和电流数据异常可以认为是独立事件。因此,对于传输的每一帧数据,可能存在的情况如表1所示。表中:√表示数据正常,×表示数据异常。
表1数据传输可能出现的情况
因此,异常数据检测模块的实现方案:选用有监督的机器学习方法训练分类器,对每一帧数据的状态分类,该模块的设计过程主要包括:数据集生成和分类器训练。
S2.1、数据集生成
为了训练能够实现异常数据检测的分类器,首先需要生成与标签相对应的数据集。电压数据和电流数据的异常可以分为偏置干扰和增益干扰,偏置干扰表示真值与云端BMS接收值之间存在常值漂移,如下式所示:
其中,xk表示云端BMS接收的电压或电流值,表示电压或电流的真值,fbias表示常值漂移,在无故障场景下满足fbias=0,在有故障场景下一般是非零常数。
除偏置干扰外,增益干扰表示真值与云端BMS接收值之间存在比例关系的值故障,如下式所示:
其中,xk和的定义与上式相同,fgain表示增益干扰。
利用云端数据库中各温度下正常的DST与FUDS工况测试数据作为表1中Case1标签所对应的数据集。
(1)Case2标签对应的数据集生成
Case2标签对应的场景为电压故障而电流正常,因此对Case1数据集中的电压数据主动加入故障干扰,生成Case2对应的数据集。
a.叠加偏置故障
分别取fbias=±10mV,±15mV,±20mV,带入下式,得到叠加偏置故障的工况端电压数据集。
其中,表示各温度下正常的DST与FUDS工况测试端电压数据。
b.叠加增益故障
分别取fgain=±5%,±10%,±15%,带入下式,得到叠加增益故障的工况端电压数据集。
(2)Case3标签对应的数据集生成
Case3标签对应的场景为电压正常而电流故障,因此对Case1数据集中的电流数据主动加入故障干扰,生成Case3对应的数据集。
c.叠加偏置故障
分别取fbias=±0.05A,±0.1A,±0.2A,带入下式,得到叠加偏置故障的工况电流数据集。
其中,表示各温度下正常的DST与FUDS工况测试电流数据。
d.叠加增益故障
分别取fgain=±5%,±10%,±15%,带入下式,得到叠加增益故障的工况电流数据集。
(3)Case4标签对应的数据集生成
Case4标签对应的场景为电压电流数据均,因此对Case1数据集中的电压电流数据均加入故障干扰,生成Case4对应的数据集。
e.叠加偏置故障
分别取:
带入下式,得到叠加偏置故障的工况端电压,电流数据集。
其中,表示各温度下正常的DST与FUDS工况测试端电压和电流数据。
f.叠加增益故障
分别取fgain=±25%,±50%,±75%,±100%,带入下式,得到叠加增益故障的工况端电压数据集。
通过前述步骤,能够生成分别对应于Case1-Case4标签的数据集。
S2.2、分类器训练
本问题属于时序数据的分类问题,需要利用前述生成的数据集进行训练和测试,实现对序列中加入的每一帧数据进行分类,以此判定其数据的属性。选取的输入特征为:测量端电压Vt,k,工作电流Ik,模型估计端电压表面温度Tk。
Adaboost(Adaptive Boosting,自适应增强)算法通过训练不同的弱分类器进而构建强分类器,以实现自适应分类功能。其迭代训练过程中能够将上一个弱分类器分类错误的样本加入到下一个分类器,使得新的弱分类器能够针对性强化前序弱分类器的不足,实现较好的循环学习功能。本实例中选用Adaboost算法训练分类器实现异常数据检测模块的分类任务,构建异常数据监测模块。具体训练过程如下:
Step1.将前述类型标注完毕的数据集混合后随机划分为大小相等的20个子集(S1,S2...,S20),并对每个子集中各个类型出现的次数进行统计。
Step2.如果某个子集中占比最大的特征样本数量超过占比最小的特征样本数量一倍,那么该子集划分不符合规则,需要重新进行Step1划分子集。
Step3.使用弱分类器对第一份子集样本S1进行训练,得到弱分类器A1以及分类错误的样本集合R1,根据分类结果中每个特征的出现的次数计算该分类器的权重w1。
Step4.对上一步弱分类器Ai所分类错误的样本Ri进行重复采样,将错误样本扩充至训练集样本数量的50%,并将扩充后的样本集与下一份子集样本Si+1合并,得到合并后的新样本集S'i+1,并使用新样本集训练新的弱分类器Ai+1,统计分类结果的特征属性,计算该分类器的权重wi,其中i=1,2,...,19。
Step5.重复Step4,直到所有训练子集样本训练完毕,得到各分类器A1,A2,...,A19以及对应的权重w1,w2,...,w19,将弱分类器与对应的权重加权,得到最终的ADB强分类器。
经过上述步骤,训练得到能够实现异常数据检测的分类器,在实际数据清洗过程中,输入当前时刻的测量端电压Vt,k,工作电流Ik,模型估计端电压表面温度Tk数据,输出数据的类型,实现异常数据检测,工作过程如图5所示。
S3、数据分析
数据补偿模块设计
利用步骤2所设计的异常数据检测模块,对于云端BMS接收的每一帧电压、电流和温度数据,能够输出相应的算法检测类别,基于所检测的数据类别,数据补偿模块对各类别下的数据进行清洗处理和补偿。
(1)Case1正常数据
如果接收数据输入异常数据检测模块后输出的分类情况为Case1,表明当下时刻接收的数据中未见明显异常,对于此类数据可以直接从数据清洗模块输出[Vt,k Ik Tk]。
(2)Case2电压数据异常
如果接收数据输入异常数据检测模块后输出的分类情况为Case2,表明当下时刻接收的数据中电流数据正常但电压数据异常,对于此类数据需要对异常的电压数据进行补偿后再从数据清洗模块输出。
基于步骤S1建立的电池等效电路模型,输入工作电流和相应的模型参数能够根据式(3)计算得到电池端电压的估计值,将该估计值作为异常电压数据的替换值,实现异常电压数据的补偿。具体清洗过程如下:
Step1.获取当前时刻的数据包数据:[Vt,k Ik Tk]和前一时刻电池状态估计结果:
[SOCk-1 agek-1]
Step2.由于电流数据未见明显异常,因此,利用安时积分法估计当前时刻的SOC值:
Step3.由于老化过程是长时间尺度下发生的变化,而通信故障发生在秒级别的小时间尺度,因此认为agek≈agek-1,根据数据通过预先建立的模型参数映射关系式(4),得到当前状态下的模型参数[Rs,k Rp,k Cp,k],同时将当前SOC值代入并结合式(1)可以得到当前电池的开路电压值Voc,k
Step4.将前述数据代入式(3),能够计算得到当前状态下以Ik为输入,等效电路模型的端电压输出值
Step5.输出清洗后的数据
(3)Case3电流数据异常
如果接收数据输入异常数据检测模块后输出的分类情况为Case3,表明当下时刻接收的数据中电压数据正常但电流数据异常,对于此类数据需要对异常的电流数据进行补偿后再从数据清洗模块输出。
对于电压数据正常但电流数据异常的情况,将电流估计问题转化为优化问题,基于步骤1建立的等效电路模型,优化的目标为测量端电压与模型端电压的误差最小,利用优化算法对电流值进行最优估计,并将估计值作为异常电流数据的替换值,实现异常电流数据的补偿。具体清洗过程如下:
Step1.获取当前时刻的数据包数据:[Vt,k Ik Tk]和前一时刻电池状态估计结果:
[SOCk-1agek-1]
Step2.由于电压数据未见明显异常,因此,优化问题描述为:
其中,是决策变量,也是当前时刻电流的估计值,理论上的搜索空间为全体实数域(考虑到具体型号电池的最大充放电电流可以对决策变量进行约束)
Step3.对上述优化问题进行求解,由于决策空间较大且为了保证数据清洗的实时性,对算法的全局收敛性和收敛速度要求较高,因此选择启发式搜索算法中的遗传算法(GA)对该单决策变量单目标问题进行求解。
由于老化过程是长时间尺度下发生的变化,而通信故障发生在秒级别的小时间尺度,因此认为agek≈agek-1,对于一个给定的利用安时积分法估计在该电流下当前时刻的SOC值。
根据数据通过预先建立的模型参数映射关系式(4),得到当前状态下的模型参数[Rs,k-1Rp,k-1Cp,k-1],同时将当前SOC值代入并结合式(1)可以得到当前电池的开路电压值Voc,k。将前述数据代入式(3)即能够计算得到目标函数的值。设置遗传算法求解的参数设置为:种群数量N=100,变异概率Pm=0.1,交叉概率Pc=0.99,最大迭代次数为500,收敛条件为连续10代最优目标函数值保持不变。
Step4.输出清洗后的数据
(4)Case4完全异常数据
如果接收数据输入异常数据检测模块后输出的分类情况为Case4,表明当下时刻接收的数据中电压电流数据均异常,常见的情况是传输丢包或传输出现误码,对于此类数据应当直接舍弃,不存入数据存储系统,数据清洗模块向数据应用模块输出延迟信号,表明本次通讯数据异常,等待下一次有效通讯再输出数据进行状态估计。
根据前述步骤,能够根据异常数据检测模块输出的分类结果采取相应的应对措施,实现故障数据补偿功能。
Claims (8)
1.应用于云电池管理系统的数据清洗系统,其特征在于,包括车端BMS和云端BMS;
车端BMS包括采样模块,采样模块与车载动力电池系统连接,采样模块通过车端通讯模块与云端BMS的云端通讯模块通讯连接;
云端BMS内包括数据清洗模块、数据应用与存储模块,数据清洗模块、数据应用于存储模块均与云端通讯模块连接;
车端BMS在每个采样周期中利用板载的采样模块采集车载动力电池系统的单体端电压、总电流、单体表面温度数据,再将采样数据按照预设通讯协议编码打包后发送到车端通讯模块,将原始采样数据通过远场无线通讯技术发送到云端BMS的云端通讯模块;
云端BMS利用云端通讯模块接收车端BMS所发送的数据并解码得到原始数据,将得到的原始数据输入数据清洗模块,对原始数据进行异常检测和故障补偿,数据清洗完毕后输出清洗数据;
云端BMS将数据清洗模块的输出的清洗数据作为先进电池管理算法的输入,输出对电池状态估计的结果,估计结果被发送到数据清洗模块和云端通讯模块;在云端通讯模块中,状态估计结果将按照预设通讯协议编码打包后发送到车端BMS;清洗数据存储到数据应用与存储模块的云端数据库中,作为电池大数据集;
车端BMS利用车端通讯模块接收云端BMS发送的数据并解码得到电池状态估计结果,并根据估计值对车载电池系统进行相应控制。
2.应用于云电池管理系统的数据清洗方法,其特征在于,采用权利要求1所述的应用于云电池管理系统的数据清洗系统,包括以下步骤:
S1、电池建模与参数辨识
S1.1、OCV-SOC曲线拟合
在云端数据库中选择该型号电池在额定工况下充满电,充分静置后再进行间歇性放电-静置的实验数据;用式(1)所示的多项式拟合OCV-SOC曲线:
其中,VOC为电池的开路电压OCV;Z为电池的SOC;n为拟合多项式阶数,ci为拟合系数;
S1.2、等效电路模型建立
建立电池的等效电路模型,根据基尔霍夫定律建立式(2)所示的时域方程:
Vt(t)=Vocv(t)+Vp(t)+I(t)Rs (2)
其中,t为时间,I为负载电流,相应的I(t)为t时刻的负载电流,Vp为极化电压,Vt为端电压,η为电池的库伦效率,Q为电池的额定容量,Rs、Rp、Cp是待求取的模型参数,Rs为欧姆内阻,Rp为极化电阻,Cp为极化电容;
选取输入为IL,输出yk=Vt,k,状态向量xk=[Vp,k zk]T,将方程转化为状态空间方程并进行离散化,如式(3)所示;其中,Δt为采样步长:
xk=Axk-1+BIk-1
yk=f(zk)+Vp,k+RsIk (3)
其中:
S1.3、模型参数辨识
利用云端数据库中该型号电池在不同温度、不同老化程度下的HPPC测试工况数据,利用最小二乘LS算法辨识等效电路模型的模型参数,得到模型参数与电池SOC、温度以及老化程度的映射关系,并将该映射关系作为待查询的表格存储在云数据库中:
[Rs Rp Cp]=mapping(T,SOC,age) (4)
根据该映射关系,根据一组SOC、温度值和老化程度得到相应的等效电路模型参数值,作为后续使用模型估计电池状态的已知参数值;
S2、模型训练
S2.1、数据集生成
单体的电压数据和电流数据由两个不同的传感器分别采集,电压数据异常和电流数据异常认为是独立事件;对于传输的每一帧数据,存在的情况为:
Case1,电压正常,电流正常;
Case2,电压异常,电流正常;
Case3,电压正常,电流异常;
Case4,电压异常,电流异常;
选用有监督的机器学习方法训练分类器,对每一帧数据的状态分类;
首先生成与标签相对应的数据集;电压数据和电流数据的异常分为偏置干扰和增益干扰,偏置干扰表示真值与云端BMS接收值之间存在常值漂移,如下式所示:
其中,xk表示云端BMS接收的电压或电流值,表示电压或电流的真值,fbias表示常值漂移,在无故障场景下满足fbias=0,在有故障场景下是非零常数;
除偏置干扰外,增益干扰表示真值与云端BMS接收值之间存在比例关系的值故障,如下式所示:
其中,xk和的定义与上式相同,fgain表示增益干扰;
利用云端数据库中各温度下正常的DST与FUDS工况测试数据作为Case1标签所对应的数据集;
Case2标签对应的场景为电压故障而电流正常,对Case1数据集中的电压数据主动加入故障干扰,生成Case2对应的数据集;
Case3标签对应的场景为电压正常而电流故障,对Case1数据集中的电流数据主动加入故障干扰,生成Case3对应的数据集;
Case4标签对应的场景为电压电流数据均故障,对Case1数据集中的电压电流数据均加入故障干扰,生成Case4对应的数据集;
S2.2、分类器训练
选取的输入特征为:测量端电压Vt,k,工作电流Ik,模型估计端电压表面温度Tk;
训练得到能够实现异常数据检测的分类器,输入当前时刻的测量端电压Vt,k,工作电流Ik,模型估计端电压表面温度Tk数据,输出数据的类型,实现异常数据检测;
S3、数据分析
(1)Case1正常数据
如果接收数据输入异常数据检测模块后输出的分类情况为Case1,表明当下时刻接收的数据中未见明显异常,对于此类数据可以直接从数据清洗模块输出[Vt,k Ik Tk];
(2)Case2电压数据异常
如果接收数据输入异常数据检测模块后输出的分类情况为Case2,表明当下时刻接收的数据中电流数据正常但电压数据异常,对于此类数据需要对异常的电压数据进行补偿后再从数据清洗模块输出;
基于步骤S1建立的电池等效电路模型,输入工作电流和相应的模型参数能够根据式(3)计算得到电池端电压的估计值,将该估计值作为异常电压数据的替换值,实现异常电压数据的补偿;
(3)Case3电流数据异常
如果接收数据输入异常数据检测模块后输出的分类情况为Case3,表明当下时刻接收的数据中电压数据正常但电流数据异常,对于此类数据需要对异常的电流数据进行补偿后再从数据清洗模块输出;
对于电压数据正常但电流数据异常的情况,将电流估计问题转化为优化问题,基于步骤S1建立的等效电路模型,优化的目标为测量端电压与模型端电压的误差最小,利用优化算法对电流值进行最优估计,并将估计值作为异常电流数据的替换值,实现异常电流数据的补偿;
(4)Case4完全异常数据
如果接收数据输入异常数据检测模块后输出的分类情况为Case4,表明当下时刻接收的数据中电压电流数据均异常,常见的情况是传输丢包或传输出现误码,对于此类数据应当直接舍弃,不存入数据存储系统,数据清洗模块向数据应用模块输出延迟信号,表明本次通讯数据异常,等待下一次有效通讯再输出数据进行状态估计。
3.根据权利要求2所述的应用于云电池管理系统的数据清洗方法,其特征在于,S2中Case2标签对应的数据集生成方法为:
叠加偏置故障:
分别取fbias=±10mV,±15mV,±20mV,带入下式,得到叠加偏置故障的工况端电压数据集;
其中,表示各温度下正常的DST与FUDS工况测试端电压数据;
叠加增益故障:
分别取fgain=±5%,±10%,±15%,带入下式,得到叠加增益故障的工况端电压数据集;
4.根据权利要求2所述的应用于云电池管理系统的数据清洗方法,其特征在于,S2中Case3标签对应的数据集生成方法为:
叠加偏置故障:
分别取fbias=±0.05A,±0.1A,±0.2A,带入下式,得到叠加偏置故障的工况电流数据集;
其中,表示各温度下正常的DST与FUDS工况测试电流数据;
叠加增益故障:
分别取fgain=±5%,±10%,±15%,带入下式,得到叠加增益故障的工况电流数据集;
5.根据权利要求2所述的应用于云电池管理系统的数据清洗方法,其特征在于,S2中Case4标签对应的数据集生成方法为:
叠加偏置故障:
分别取:
带入下式,得到叠加偏置故障的工况端电压,电流数据集;
其中,表示各温度下正常的DST与FUDS工况测试端电压和电流数据;
叠加增益故障:
分别取fgain=±25%,±50%,±75%,±100%,带入下式,得到叠加增益故障的工况端电压数据集;
6.根据权利要求2所述的应用于云电池管理系统的数据清洗方法,其特征在于,S2.2中用Adaboost算法训练分类器实现异常数据检测模块的分类任务,构建异常数据监测模块;具体训练过程如下:
Step1.将前述类型标注完毕的数据集混合后随机划分为大小相等的20个子集(S1,S2...,S20),并对每个子集中各个类型出现的次数进行统计;
Step2.如果某个子集中占比最大的特征样本数量超过占比最小的特征样本数量一倍,那么该子集划分不符合规则,需要重新进行Step1划分子集;
Step3.使用弱分类器对第一份子集样本S1进行训练,得到弱分类器A1以及分类错误的样本集合R1,根据分类结果中每个特征的出现的次数计算该分类器的权重w1;
Step4.对上一步弱分类器Ai所分类错误的样本Ri进行重复采样,将错误样本扩充至训练集样本数量的50%,并将扩充后的样本集与下一份子集样本Si+1合并,得到合并后的新样本集S′i+1,并使用新样本集训练新的弱分类器Ai+1,统计分类结果的特征属性,计算该分类器的权重wi,其中i=1,2,...,19;
Step5.重复Step4,直到所有训练子集样本训练完毕,得到各分类器A1,A2,...,A19以及对应的权重w1,w2,...,w19,将弱分类器与对应的权重加权,得到最终的ADB强分类器。
7.根据权利要求2所述的应用于云电池管理系统的数据清洗方法,其特征在于,S3中(2)Case2电压数据异常,具体清洗过程如下:
Step1.获取当前时刻的数据包数据:[Vt,k Ik Tk]和前一时刻电池状态估计结果:
[SOCk-1agek-1]
Step2.由于电流数据未见明显异常,因此,利用安时积分法估计当前时刻的SOC值:
Step3.由于老化过程是长时间尺度下发生的变化,而通信故障发生在秒级别的小时间尺度,因此认为agek≈agek-1,根据数据通过预先建立的模型参数映射关系式(4),得到当前状态下的模型参数[Rs,k Rp,k Cp,k],同时将当前SOC值代入并结合式(1)可以得到当前电池的开路电压值Voc,k
Step4.将前述数据代入式(3),能够计算得到当前状态下以Ik为输入,等效电路模型的端电压输出值
Step5.输出清洗后的数据
8.根据权利要求2所述的应用于云电池管理系统的数据清洗方法,其特征在于,S3中(3)Case3电流数据异常,具体清洗过程如下:
Step1.获取当前时刻的数据包数据:[Vt,k Ik Tk]和前一时刻电池状态估计结果:[SOCk-1agek-1]
Step2.由于电压数据未见明显异常,优化问题描述为:
其中,是决策变量,也是当前时刻电流的估计值;
Step3.对优化问题进行求解,选择启发式搜索算法中的遗传算法GA对该单决策变量单目标问题进行求解;
认为agek≈agek-1,对于一个给定的利用安时积分法估计在该电流下当前时刻的SOC值;
根据数据通过预先建立的模型参数映射关系式(4),得到当前状态下的模型参数[Rs,k-1Rp,k-1Cp,k-1],同时将当前SOC值代入并结合式(1)可以得到当前电池的开路电压值Voc,k;将数据代入式(3)计算得到目标函数的值;设置遗传算法求解的参数设置为:种群数量N=100,变异概率Pm=0.1,交叉概率Pc=0.99,最大迭代次数为500,收敛条件为连续10代最优目标函数值保持不变;
Step4.输出清洗后的数据
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310536033.7A CN116662313A (zh) | 2023-05-12 | 2023-05-12 | 一种应用于云电池管理系统的数据清洗系统及其方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310536033.7A CN116662313A (zh) | 2023-05-12 | 2023-05-12 | 一种应用于云电池管理系统的数据清洗系统及其方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116662313A true CN116662313A (zh) | 2023-08-29 |
Family
ID=87712789
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310536033.7A Pending CN116662313A (zh) | 2023-05-12 | 2023-05-12 | 一种应用于云电池管理系统的数据清洗系统及其方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116662313A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706379A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
-
2023
- 2023-05-12 CN CN202310536033.7A patent/CN116662313A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706379A (zh) * | 2024-02-06 | 2024-03-15 | 北京航空航天大学 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
CN117706379B (zh) * | 2024-02-06 | 2024-04-12 | 北京航空航天大学 | 一种电池动态安全边界构建方法、装置及可读存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Big data driven lithium-ion battery modeling method based on SDAE-ELM algorithm and data pre-processing technology | |
CN109061520B (zh) | 一种动力电池健康与功率状态在线估算方法及系统 | |
EP2848952B1 (en) | Device for estimating state of charge of battery | |
CN106842060A (zh) | 一种基于动态参数的动力电池soc估算方法及系统 | |
Hashemi et al. | Online estimation of battery model parameters and state of health in electric and hybrid aircraft application | |
CN103616647A (zh) | 一种用于电动汽车电池管理系统的电池剩余电量估计方法 | |
CN116662313A (zh) | 一种应用于云电池管理系统的数据清洗系统及其方法 | |
CN114072685A (zh) | 一种用于估计电池单元的操作参数的方法 | |
Baba et al. | SOC estimation of HEV/EV battery using series kalman filter | |
US20220187376A1 (en) | Method and Device for Predicting a State of Health of an Energy Storage System | |
Liu et al. | A state of charge estimation method for lithium‐ion battery using PID compensator‐based adaptive extended Kalman filter | |
Wang et al. | Charging diagnosis of power battery based on adaptive STCKF and BLS for electric vehicles | |
Chen et al. | An approach for state of charge estimation of Li-ion battery based on Thevenin equivalent circuit model | |
Jin et al. | A combined model-based and data-driven fault diagnosis scheme for lithium-ion batteries | |
Tang et al. | A multi‐model real covariance‐based battery state‐of‐charge fusion estimation method for electric vehicles using ordered weighted averaging operator | |
Hu et al. | State-of-charge estimation for lithium-ion batteries of electric vehicle based on sensor random error compensation | |
CN114397581A (zh) | 一种面向直流充电桩充电监测数据的新能源汽车电池soc抗扰评估方法 | |
Baba et al. | State of charge estimation of lithium-ion battery using Kalman filters | |
El Marghichi et al. | Variable recursive least square algorithm for lithium-ion battery equivalent circuit model parameters identification | |
US20230039183A1 (en) | Battery control apparatus and battery system | |
Chen et al. | Data-driven statistical analysis and diagnosis of networked battery systems | |
CN113759258A (zh) | 一种动力电池soc估计方法、装置及纯电动汽车 | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
CN114514433A (zh) | 用于诊断电池的设备和方法 | |
CN114223084A (zh) | 将第一控制单元的数据与第二控制单元调准以确定精确的预测值的方法 |
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 |