CN116709243B - 一种智能换电站电池管理与调度系统 - Google Patents
一种智能换电站电池管理与调度系统 Download PDFInfo
- Publication number
- CN116709243B CN116709243B CN202310979784.6A CN202310979784A CN116709243B CN 116709243 B CN116709243 B CN 116709243B CN 202310979784 A CN202310979784 A CN 202310979784A CN 116709243 B CN116709243 B CN 116709243B
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- scheduling
- state
- working state
- 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
- 238000012544 monitoring process Methods 0.000 claims abstract description 53
- 238000012423 maintenance Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000007726 management method Methods 0.000 claims description 47
- 238000005457 optimization Methods 0.000 claims description 43
- 238000004422 calculation algorithm Methods 0.000 claims description 41
- 238000004364 calculation method Methods 0.000 claims description 31
- 230000002159 abnormal effect Effects 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 21
- 238000004891 communication Methods 0.000 claims description 20
- 238000000034 method Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 18
- 238000007405 data analysis Methods 0.000 claims description 13
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 12
- 238000005065 mining Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 230000008439 repair process Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 5
- 230000036541 health Effects 0.000 claims description 5
- 230000008054 signal transmission Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000002787 reinforcement Effects 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000000903 blocking effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 230000007123 defense Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 230000000737 periodic effect Effects 0.000 claims description 3
- 230000002457 bidirectional effect Effects 0.000 abstract description 3
- 238000004146 energy storage Methods 0.000 abstract description 3
- 238000005516 engineering process Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000700605 Viruses Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- B60L53/00—Methods of charging batteries, specially adapted for electric vehicles; Charging stations or on-board charging equipment therefor; Exchange of energy storage elements in electric vehicles
- B60L53/80—Exchanging energy storage elements, e.g. removable batteries
-
- 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
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1433—Vulnerability analysis
-
- 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
- H04Q—SELECTING
- H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
- H04W4/30—Services specially adapted for particular environments, situations or purposes
- H04W4/38—Services specially adapted for particular environments, situations or purposes for collecting sensor information
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/20—Arrangements in telecontrol or telemetry systems using a distributed architecture
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04Q—SELECTING
- H04Q2209/00—Arrangements in telecontrol or telemetry systems
- H04Q2209/40—Arrangements in telecontrol or telemetry systems using a wireless architecture
-
- 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)
- Business, Economics & Management (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Computer Security & Cryptography (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种智能换电站电池管理与调度系统,涉及电池储能技术领域,包含电池状态监测模块、云端数据平台、电池调度模块、远程监控中心和故障检测与维护模块,其中,所述电池状态监测模块的输出端与所述云端数据平台的输入端连接,所述云端数据平台的输出端与所述电池调度模块的输入端连接,所述云端数据平台的输出端与所述远程监控中心的输入端连接,所述电池调度模块与所述远程监控中心的双向连接,所述电池状态监测模块的输入端与所述故障检测与维护模块的输出端连接;本发明能够实现智能换电站电池管理与调度,并对电池服务和维护、数据安全和用户远程实时监控方面进行加强;大大提高了储能应用能力。
Description
技术领域
本发明涉及电池储能技术领域,且更具体地涉及一种智能换电站电池管理与调度系统。
背景技术
随着环境保护意识的增强和能源结构的转型,电动汽车作为一种清洁、可持续的交通方式,受到了广泛关注和推广。然而,电动汽车续航里程受限的问题成为制约其普及的一个重要因素。为了提高电动汽车的形式效率,缩短电池补电时间,智能换电站成为一种可行的解决方案,通过快速更换电池,提供电动汽车持续行驶所需的能源。智能换电站的电池管理与调度是换电技术的重要组成部分。
目前,国内外已经有很多针对换电站电池管理与调度系统的研究和开发。其中,一些智能化、自适应的管理与调度系统受到了广泛关注。这些系统可以通过对数据分析和预测模型的建立,实现对电池状态、使用情况等信息的监测和控制。传统换电站电池管理与调度系统在电池服务和维护、数据安全和用户远程实时监控方面存在不足,需要进一步改进和优化。因此,本发明公开一种智能换电站电池管理与调度系统。
发明内容
针对现有技术的不足,本发明公开了一种智能换电站电池管理与调度系统,能够实现智能换电站电池管理与调度,并对电池服务和维护、数据安全和用户远程实时监控方面进行加强;采用云分类储存数据库GaussDB分类储存电池数据,以便数据的快速调用;通过云安全服务扫描云端数据平台漏洞,以提高电池数据储存管理的安全性;采用自适应调度策略优化模型制定电池调度策略,并基于电池调度策略对电池进行充放电控制、功率平衡控制和容量利用控制,以实现对电池的精准调度,提高电池的使用寿命和充放电效率;通过搭建高速无线通讯网络,实现电池数据的快速传输和远程实时监测;采用精细化差异对比算法识别电池的异常监测数据,并采用备用驱动卡实现电池异常的自动替换,以提高系统的可靠性和稳定性,并降低因单个电池故障而导致的损失;自动化、智能化程度高。
本发明提供一种智能换电站电池管理与调度系统,具体包括以下技术方案:
一种智能换电站电池管理与调度系统,所述系统包括:
电池状态监测模块,用于实时监测电池数据,以掌握电池的使用状态和健康状况,所述电池状态监测模块通过多路万用无线数据采集仪和热敏电阻实时采集电池的工作功率、电压、电流、容量、剩余电量和温度数据信息,并采用射频识别RFID读写器识别电池的数据信息属性;
云端数据平台,用于电池数据的储存管理和分析,所述云端数据平台包括储存管理单元和数据分析单元,所述储存管理单元采用云分类储存数据库GaussDB分类储存电池数据,所述数据分析单元采用深度多时序挖掘算法对电池状态进行预测,所述储存管理单元的输出端与所述数据分析单元的输入端连接;
所述深度多时序挖掘算法根据历史时刻电池的工作状态数据预测下一时刻电池工作状态,历史时刻电池的工作状态数据集为,影响电池工作状态的参数特征数据集为/>,t+1时刻电池的工作状态走向预测输出函数为:
(1)
在公式(1)中,为t+1时刻电池的工作状态参数,/>为电池过程的工作状态精确预测加权函数,/>为辅助加权参数,/>为t时刻影响电池工作状态的参数特征,/>为t-1时刻影响电池工作状态的参数特征;
电池调度模块,用于换电站电池的智能化调度,所述电池调度模块采用自适应调度策略优化模型制定电池调度策略,并基于电池调度策略对电池进行充放电控制、功率平衡控制和容量利用控制;
所述自适应调度策略优化模型包括输入层、数据层、模型层、算法层、优化层和输出层,所述电池调度模块采用自适应调度策略优化模型制定电池调度策略包括以下步骤:
步骤1、数据输入,将实时电池状态、电池状态预测结果、充电桩状态和用户需求进行格式转换,并通过输入层输入至自适应调度策略优化模型;
步骤2、确定计算的目标和参数,通过数据层从输入数据中获取计算参数和限制条件,计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围,以保证求最优解过程的合理性和有效性;
步骤3、建立电池最优调度的数学模型,所述模型层通过计算规模、目标函数、约束条件和变量范围建立电池最优调度的数学模型;
步骤4、采用算法解决问题,所述算法层采用自适应调度策略优化算法进行迭代计算、参数修正以及计算结果和真实值比较,并根据目标函数和计算节点分布情况获取计算节点的邻居列表,所述自适应调度策略优化算法通过维护计算节点的邻居列表优化计算速度;
步骤5、对求解过程进行精细控制和优化,通过优化层合并或拆分计量单位,提高计算的准确性,并通过自适应参数选择方式设置阈值和迭代次数,所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点,以提高计算速度;
步骤6、结果输出,通过输出层对计算结果进行输出;
远程监控中心,用于对电池状态、剩余电量和充放电次数进行实时远程监控;
故障检测与维护模块,用于换电站电池的定期故障检测和维护;
其中,所述电池状态监测模块的输出端与所述云端数据平台的输入端连接,所述云端数据平台的输出端与所述电池调度模块的输入端连接,所述云端数据平台的输出端与所述远程监控中心的输入端连接,所述电池调度模块与所述远程监控中心的双向连接,所述电池状态监测模块的输入端与所述故障检测与维护模块的输出端连接。
优选的,所述云端数据平台通过云安全服务扫描平台漏洞,以发现未安装的补丁、应用配置缺陷和弱口令风险,并通过安全信息和事件管理系统管理平台修复日志和追踪修复漏洞状态。
优选的,,所述远程监控中心通过高速无线通讯网络和DataV可视化应用搭建工具实现电池数据的实时远程监控,并通过双层防御防火墙进行安全加固。
优选的,所述高速无线通讯网络采用四层TCP/UDP传输协议和八层HTTP/HTTPS缓存协议监听路由类型定义的转发方式,并基于转发方式将电池数据分配到远程监控中心,以减少远程监控中心获取数据的延迟,所述高速无线通讯网络通过对电池数据信号进行差分曼彻斯特编码实现电池数据信号的差分耦合,以提高信号传输的抗干扰能力。
优选的,所述故障检测与维护模块采用精细化差异对比算法识别电池的异常监测数据,以挖掘潜在电池异常工作状态,并采用备用驱动卡实现电池异常的自动替换。
优选的,所述精细化差异对比算法设置电池的正常工作状态数据集为,采集电池工作状态数据集为/>,1,n为电池个数,电池正常工作状态与采集电池工作状态相似度输出函数为:
(2)
在公式(2)中,P为电池正常工作状态与采集电池工作状态相似度结果,为电池正常工作状态与采集电池工作状态差异对比加权系数,/>为电池正常工作状态与采集电池工作状态差异对比加权参数,0/>,/>为第i个电池正常工作状态数据,/>为第i个采集电池工作状态数据,/>为电池正常工作状态数据最大值,/>为电池正常工作状态数据最小值,/>为采集电池工作状态数据最大值,/>为采集电池工作状态数据最小值。
优选的,所述备用驱动卡包括高速串行扩展总线PCIe和备用控制驱动电路,所述高速串行扩展总线PCIe采用QOS抗延迟阻塞服务实现故障电池和备用电池端对端通信。
有益效果:
本发明公开了一种智能换电站电池管理与调度系统,能够对电池状态、使用情况等信息的监测和控制,实现智能换电站电池管理与调度;采用云分类储存数据库GaussDB分类储存电池数据,以便数据的快速调用;通过云安全服务扫描云端数据平台漏洞,以提高电池数据储存管理的安全性;采用自适应调度策略优化模型制定电池调度策略,并基于电池调度策略对电池进行充放电控制、功率平衡控制和容量利用控制,以实现对电池的精准调度,提高电池的使用寿命和充放电效率;通过搭建高速无线通讯网络,实现电池数据的快速传输和远程实时监测;采用精细化差异对比算法识别电池的异常监测数据,并采用备用驱动卡实现电池异常的自动替换,以提高系统的可靠性和稳定性,并降低因单个电池故障而导致的损失;自动化、智能化程度高。
附图说明
图1为本发明一种智能换电站电池管理与调度系统的整体架构示意图;
图2为本发明一种智能换电站电池管理与调度系统中高速无线通讯网络分布式结构的模型示意图;
图3为本发明一种智能换电站电池管理与调度系统中备用驱动卡的工作电路图;
图4为本发明一种智能换电站电池管理与调度系统中调度控制电路图。
具体实施方式
下面将结合本发明实施例中的附图,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做出创造性劳动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。
参照附图1,一种智能换电站电池管理与调度系统,所述系统包括:
电池状态监测模块,用于实时监测电池数据,以掌握电池的使用状态和健康状况,所述电池状态监测模块通过多路万用无线数据采集仪和热敏电阻实时采集电池的工作功率、电压、电流、容量、剩余电量和温度数据信息,并采用射频识别RFID读写器识别电池的数据信息属性;
云端数据平台,用于电池数据的储存管理和分析,所述云端数据平台包括储存管理单元和数据分析单元,所述储存管理单元采用云分类储存数据库GaussDB分类储存电池数据,所述数据分析单元采用深度多时序挖掘算法对电池状态进行预测,所述储存管理单元的输出端与所述数据分析单元的输入端连接;
所述深度多时序挖掘算法根据历史时刻电池的工作状态数据预测下一时刻电池工作状态,历史时刻电池的工作状态数据集为,影响电池工作状态的参数特征数据集为/>,t+1时刻电池的工作状态走向预测输出函数为:
(1)
在公式(1)中,为t+1时刻电池的工作状态参数,/>为电池过程的工作状态精确预测加权函数,/>为辅助加权参数,/>为t时刻影响电池工作状态的参数特征,/>为t-1时刻影响电池工作状态的参数特征;电池调度模块,用于换电站电池的智能化调度,所述电池调度模块采用自适应调度策略优化模型制定电池调度策略,并基于电池调度策略对电池进行充放电控制、功率平衡控制和容量利用控制;
所述自适应调度策略优化模型包括输入层、数据层、模型层、算法层、优化层和输出层,所述电池调度模块采用自适应调度策略优化模型制定电池调度策略包括以下步骤:
步骤1、数据输入,将实时电池状态、电池状态预测结果、充电桩状态和用户需求进行格式转换,并通过输入层输入至自适应调度策略优化模型;
步骤2、确定计算的目标和参数,通过数据层从输入数据中获取计算参数和限制条件,计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围,以保证求最优解过程的合理性和有效性;
步骤3、建立电池最优调度的数学模型,所述模型层通过计算规模、目标函数、约束条件和变量范围建立电池最优调度的数学模型;
步骤4、采用算法解决问题,所述算法层采用自适应调度策略优化算法进行迭代计算、参数修正以及计算结果和真实值比较,并根据目标函数和计算节点分布情况获取计算节点的邻居列表,所述自适应调度策略优化算法通过维护计算节点的邻居列表优化计算速度;
步骤5、对求解过程进行精细控制和优化,通过优化层合并或拆分计量单位,提高计算的准确性,并通过自适应参数选择方式设置阈值和迭代次数,所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点,以提高计算速度;
步骤6、结果输出,通过输出层对计算结果进行输出;
远程监控中心,用于对电池状态、剩余电量和充放电次数进行实时远程监控;
故障检测与维护模块,用于换电站电池的定期故障检测和维护;
其中,所述电池状态监测模块的输出端与所述云端数据平台的输入端连接,所述云端数据平台的输出端与所述电池调度模块的输入端连接,所述云端数据平台的输出端与所述远程监控中心的输入端连接,所述电池调度模块与所述远程监控中心的双向连接,所述电池状态监测模块的输入端与所述故障检测与维护模块的输出端连接。
在具体实施例中,智能换电站电池管理与调度系统技术是一种基于物联网和大数据分析的电池管理方案,旨在提高电动汽车的使用效率和便利性。它主要包括电池状态监测、电池健康评估、智能调度和用户体验优化。
通过安装传感器和监控设备,实时收集电池的工作状态、充放电情况、温度等信息,并将这些数据上传到云端服务器进行存储和分析。基于收集到的数据,对电池进行健康评估,预测其剩余寿命和性能表现,并为用户提供相关建议。根据用户需求和交通状况等因素,对换电站内的可用电池进行调度,以确保每个用户都能及时获得满足需求的可靠电源。通过智能算法和数据分析,为用户提供更加便捷快速的服务体验,如推荐最近距离的充电/换电站、预测到达时间等功能。
总之,智能换电站电池管理与调度系统技术可以帮助提高换电站和充电桩设施的利用率和服务质量,并为用户提供更好的出行体验。
在具体实施例中,深度多时序挖掘算法是一种基于深度学习的电池状态预测算法,它可以根据历史时刻电池的工作状态数据,预测下一时刻电池的工作状态。
具体来说,该算法采用了循环神经网络RNN和长短期记忆网络LSTM等深度学习模型,通过对历史时序数据进行训练,提取出其中的特征信息,并将其映射到下一时刻的状态预测中。与传统的机器学习模型相比,深度多时序挖掘算法可以更好地捕捉时间序列数据之间的依赖关系和非线性关系,从而提高预测精度和稳定性,效果对比如表1所示。
表1效果对比统计表
在电动汽车充电过程中,该算法可以根据历史充电记录和当前环境因素等信息,预测下一时刻电池的充电状态,并自动调整充电策略以达到更好的充电效果和节约能源。
在上述实施例中,所述云端数据平台通过云安全服务扫描平台漏洞,以发现未安装的补丁、应用配置缺陷和弱口令风险,并通过安全信息和事件管理系统管理平台修复日志和追踪修复漏洞状态。
在具体实施例中,云端数据平台可以为电池领域的研究人员和工程师提供一个高效、安全、便捷的数据管理和分析工具,以促进电池技术的发展和应用。云端数据平台采用多层次安全措施确保用户数据安全,包括加密传输、权限控制、备份恢复等功能,通过设置不同级别的用户权限,实现对不同用户访问权限的限制和管理。云安全服务是一种云计算环境下的安全解决方案,它可以通过对云端数据平台进行扫描和监测,发现其中存在的漏洞和风险,从而提供安全保障。
在上述实施例中,所述自适应调度策略优化模型根据实时电池状态和电池状态预测结果制定电池调度策略。
在具体实施例中,所述自适应调度策略优化模型是指一种根据实时电池状态和电池状态预测结果制定电池调度策略的优化模型。其主要思想是通过对电池状态进行监测和预测,以确定最佳的电池使用和充电策略,从而提高电池的使用寿命和运行效率。所述自适应调度策略优化模型结合实时监测数据和预测结果,制定最佳的电池使用和充放电策略,在高峰期需要迅速完成大量充电任务时,该模块可以通过增加功率或缩短充电时间来提高效率;在低谷期需要保证每个用户都能够及时得到服务时,该模块可以通过减小功率或延长充电时间来降低压力。将制定好的调度策略下发到控制系统中执行,并实时监控调度效果,根据需要进行调整。
所述自适应调度策略优化模型是一种能够根据实时电池状态和预测结果制定最佳的电池调度策略的优化模型,添加自适应调度策略优化模型可以提高电池使用寿命和运行效率的作用。作用效果对比如表2所示。
表2效果对比统计表
采用A、B组电池进行试验,每组六个性能相同的电池,分别采用自适应调度策略优化模型进行调度和采用普通调度方式进行调度,观察没个电池的使用寿命和运行效率,记录在表2,证明添加自适应调度策略优化模型具有有益的效果。
在上述实施例中,所述远程监控中心通过高速无线通讯网络和DataV可视化应用搭建工具实现电池数据的实时远程监控,并通过双层防御防火墙进行安全加固。
在具体实施例中,远程监控中心通过高速无线通讯网络和DataV可视化应用搭建工具实现电池数据的实时远程监控,可以帮助用户随时了解电池的状态和运行情况,及时发现异常并采取相应的措施。通过搭建高速无线通讯网络,可以实现电池数据的快速传输和实时监测。这种网络可以使用4G/5G等技术,提供高速、稳定的数据传输服务;通过使用DataV可视化应用搭建工具,可以将电池数据进行可视化展示。这种工具可以将数据转换成图表、地图等形式进行展示,并支持多种终端设备访问;为了确保电池数据的安全性,在远程监控中心与外部网络之间设置双层防御防火墙进行安全加固。这种防火墙能够检测和拦截恶意攻击、病毒等威胁,并保护系统免受未经授权的访问。
通过以上方案,远程监控中心可以实现电池数据的实时远程监控,并保障数据的安全性。这种方案适用于需要对分布式电池进行监测和管理的场景。
在上述实施例中,所述高速无线通讯网络采用四层TCP/UDP传输协议和八层HTTP/HTTPS缓存协议监听路由类型定义的转发方式,并基于转发方式将电池数据分配到远程监控中心,以减少远程监控中心获取数据的延迟,所述高速无线通讯网络通过对电池数据信号进行差分曼彻斯特编码实现电池数据信号的差分耦合,以提高信号传输的抗干扰能力。
在具体实施例中,高速无线通讯网络采用四层TCP/UDP传输协议和八层HTTP/HTTPS缓存协议监听路由类型定义的转发方式,并基于此将电池数据分配到远程监控中心,以减少远程监控中心获取数据的延迟。这种转发方式可以实现对不同类型的数据流量进行智能转发,从而提高网络性能和安全性。
同时,为了提高信号传输的抗干扰能力,该高速无线通讯网络还采用了差分曼彻斯特编码技术对电池数据信号进行差分耦合。差分曼彻斯特编码是一种常用的数字信号处理方法,可以使得信号具有更好的抗干扰能力和误码率。通过这种方式对电池数据信号进行编码,可以有效地减少信号传输过程中出现错误的概率,并且保证数据传输的可靠性。
因此,综合采用四层TCP/UDP传输协议和八层HTTP/HTTPS缓存协议监听路由类型定义的转发方式以及差分曼彻斯特编码技术,该高速无线通讯网络可以实现快速、可靠、安全地将电池数据传输到远程监控中心,并且具有较高的抗干扰能力和误码率。
在上述实施例中,所述故障检测与维护模块采用精细化差异对比算法识别电池的异常监测数据,以挖掘潜在电池异常工作状态,并采用备用驱动卡实现电池异常的自动替换。
在具体实施例中,故障检测与维护模块采用精细化差异对比算法来识别电池的异常监测数据,从而挖掘潜在的电池异常工作状态。这种算法可以通过比较电池监测数据与正常工作状态下的数据差异,来判断电池是否处于异常状态。如果发现了异常情况,该模块会及时向系统管理员发送警报信息,以便进行进一步处理。
同时,为了保证系统的可靠性和稳定性,该模块还采用备用驱动卡实现电池异常的自动替换。当检测到某个电池处于异常状态时,该模块会自动将其从系统中剔除,并通过备用驱动卡将其替换为一个新的电池。这样可以避免因单个电池故障而导致整个系统崩溃或无法正常运行的情况发生。
因此,故障检测与维护模块采用精细化差异对比算法识别电池的异常监测数据,并采用备用驱动卡实现电池异常的自动替换,可以有效地提高系统的可靠性和稳定性,并且降低因单个电池故障而导致的损失。
在上述实施例中,所述精细化差异对比算法设置电池的正常工作状态数据集为,采集电池工作状态数据集为/>,1,n为电池个数,电池正常工作状态与采集电池工作状态相似度输出函数为:
(2)
在公式(2)中,P为电池正常工作状态与采集电池工作状态相似度结果,为电池正常工作状态与采集电池工作状态差异对比加权系数,/>为电池正常工作状态与采集电池工作状态差异对比加权参数,0/>,/>为第i个电池正常工作状态数据,/>为第i个采集电池工作状态数据,/>为电池正常工作状态数据最大值,/>为电池正常工作状态数据最小值,/>为采集电池工作状态数据最大值,/>为采集电池工作状态数据最小值。
在具体实施例中,故障检测与维护模块采用的精细化差异对比算法,主要是通过对电池监测数据进行分析和比较,来识别电池的异常工作状态。这种算法可以将电池的监测数据与正常工作状态下的数据进行对比,从而发现潜在的异常情况。
具体地说,该算法会先收集和记录电池在正常工作状态下所产生的监测数据,并将其作为基准值进行保存。然后,在日常运行中,系统会不断地收集和记录电池当前的监测数据,并与之前保存的基准值进行比较。如果发现当前监测数据与基准值之间存在明显的差异,则说明电池可能处于异常状态。
为了进一步确定是否存在异常情况,该算法还会对差异进行分析和处理。例如,可以采用统计学方法来计算差异值的均值、方差等指标,并结合领域知识和经验判断是否存在异常情况。
总之,故障检测与维护模块采用精细化差异对比算法识别电池的异常监测数据,是一种有效且可靠的方法。它能够及时发现电池可能存在的潜在问题,并采取相应的措施进行处理,从而保障系统的正常运行。采用精细化差异对比算法可以大大增强差异对比的精细度,与传统差异识别算法相比如表3所示。
表3 预测精确度对比统计表
由表3可知采用公式(2)计算结果判断异常情况的精细度大大提高,当相似度结果低于阈值时则判定为异常。
在上述实施例中,所述备用驱动卡包括高速串行扩展总线PCIe和备用控制驱动电路,所述高速串行扩展总线PCIe采用QOS抗延迟阻塞服务实现故障电池和备用电池端对端通信。
在具体实施例中,备用驱动卡是指在计算机或其他电子设备中,为了应对主要驱动卡故障等异常情况而准备的备用设备。通常在生产商出厂时,会为设备配备一个主驱动卡和一个或多个备用驱动卡。
当主驱动卡发生故障或其他异常情况时,系统会自动切换到备用驱动卡上运行,以保证设备的正常运行。同时,在更换主驱动卡时,也可以将备用驱动卡作为过渡使用,以避免设备停机时间过长。
备用驱动卡通常与主驱动卡具有相同的功能和性能参数,并且需要经过定期检测和维护以保持其良好的工作状态。在实际使用中,还需要根据具体设备的特点和需求来选择合适的数量和类型的备用驱动卡,并加强对其管理和维护工作。
总之,备用驱动卡是一种重要的应急措施,在保障设备正常运行方面起到了至关重要的作用。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (7)
1.一种智能换电站电池管理与调度系统,其特征在于:所述系统包括:
电池状态监测模块,用于实时监测电池数据,以掌握电池的使用状态和健康状况,所述电池状态监测模块通过多路万用无线数据采集仪和热敏电阻实时采集电池的工作功率、电压、电流、容量、剩余电量和温度数据信息,并采用射频识别RFID读写器识别电池的数据信息属性;
云端数据平台,用于电池数据的储存管理和分析,所述云端数据平台包括储存管理单元和数据分析单元,所述储存管理单元采用云分类储存数据库GaussDB分类储存电池数据,所述数据分析单元采用深度多时序挖掘算法对电池状态进行预测,所述储存管理单元的输出端与所述数据分析单元的输入端连接;
所述深度多时序挖掘算法根据历史时刻电池的工作状态数据预测下一时刻电池工作状态,历史时刻电池的工作状态数据集为,影响电池工作状态的参数特征数据集为/>,t+1时刻电池的工作状态走向预测输出函数为:
(1)
在公式(1)中,为t+1时刻电池的工作状态参数,/>为电池过程的工作状态精确预测加权函数,/>为辅助加权参数,/>为t时刻影响电池工作状态的参数特征,/>为t-1时刻影响电池工作状态的参数特征;
电池调度模块,用于换电站电池的智能化调度,所述电池调度模块采用自适应调度策略优化模型制定电池调度策略,并基于电池调度策略对电池进行充放电控制、功率平衡控制和容量利用控制;
所述自适应调度策略优化模型根据实时电池状态和电池状态预测结果制定电池调度策略,所述自适应调度策略优化模型包括输入层、数据层、模型层、算法层、优化层和输出层,所述电池调度模块采用自适应调度策略优化模型制定电池调度策略包括以下步骤:
步骤1、数据输入,将实时电池状态、电池状态预测结果、充电桩状态和用户需求进行格式转换,并通过输入层输入至自适应调度策略优化模型;
步骤2、确定计算的目标和参数,通过数据层从输入数据中获取计算参数和限制条件,计算参数和限制条件包括计算规模、目标函数、约束条件和变量范围,以保证求最优解过程的合理性和有效性;
步骤3、建立电池最优调度的数学模型,所述模型层通过计算规模、目标函数、约束条件和变量范围建立电池最优调度的数学模型;
步骤4、采用自适应调度策略优化算法进行迭代计算、参数修正以及计算结果和真实值比较,并根据目标函数和计算节点分布情况获取计算节点的邻居列表,所述自适应调度策略优化算法通过维护计算节点的邻居列表优化计算速度;
步骤5、对求解过程进行精细控制和优化,通过优化层合并或拆分计量单位,提高计算的准确性,并通过自适应参数选择方式设置阈值和迭代次数,所述优化层采用并行计算方式将计算任务分配给多个处理器或计算节点,以提高计算速度;
步骤6、结果输出,通过输出层对计算结果进行输出;
远程监控中心,用于对电池状态、剩余电量和充放电次数进行实时远程监控;
故障检测与维护模块,用于换电站电池的定期故障检测和维护;
其中,所述电池状态监测模块的输出端与所述云端数据平台的输入端连接,所述云端数据平台的输出端与所述电池调度模块的输入端连接,所述云端数据平台的输出端与所述远程监控中心的输入端连接,所述电池状态监测模块的输入端与所述故障检测与维护模块的输出端连接。
2.根据权利要求1所述的一种智能换电站电池管理与调度系统,其特征在于:
所述云端数据平台通过云安全服务扫描平台漏洞,以发现未安装的补丁、应用配置缺陷和弱口令风险,并通过安全信息和事件管理系统管理平台修复日志和追踪修复漏洞状态。
3.根据权利要求1所述的一种智能换电站电池管理与调度系统,其特征在于:
所述远程监控中心通过高速无线通讯网络和DataV可视化应用搭建工具实现电池数据的实时远程监控,并通过双层防御防火墙进行安全加固。
4.根据权利要求3所述的一种智能换电站电池管理与调度系统,其特征在于:
所述高速无线通讯网络采用四层TCP/UDP传输协议和八层HTTP/HTTPS缓存协议监听路由类型定义的转发方式,并基于转发方式将电池数据分配到远程监控中心,以减少远程监控中心获取数据的延迟,所述高速无线通讯网络通过对电池数据信号进行差分曼彻斯特编码实现电池数据信号的差分耦合,以提高信号传输的抗干扰能力。
5.根据权利要求1所述的一种智能换电站电池管理与调度系统,其特征在于:
所述故障检测与维护模块采用精细化差异对比算法识别电池的异常监测数据,以挖掘潜在电池异常工作状态,并采用备用驱动卡实现电池异常的自动替换。
6.根据权利要求5所述的一种智能换电站电池管理与调度系统,其特征在于:
所述精细化差异对比算法设置电池的正常工作状态数据集为,采集电池工作状态数据集为/>,1,/>为电池个数,电池正常工作状态与采集电池工作状态相似度输出函数为:
(2)
在公式(2)中,P为电池正常工作状态与采集电池工作状态相似度结果,为电池正常工作状态与采集电池工作状态差异对比加权系数,/>为电池正常工作状态与采集电池工作状态差异对比加权参数,0/>,/>为第i个电池正常工作状态数据,/>为第i个采集电池工作状态数据,/>为电池正常工作状态数据最大值,/>为电池正常工作状态数据最小值,/>为采集电池工作状态数据最大值,/>为采集电池工作状态数据最小值。
7.根据权利要求5所述的一种智能换电站电池管理与调度系统,其特征在于:
所述备用驱动卡包括高速串行扩展总线PCIe和备用控制驱动电路,所述高速串行扩展总线PCIe采用QOS抗延迟阻塞服务实现故障电池和备用电池端对端通信。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979784.6A CN116709243B (zh) | 2023-08-07 | 2023-08-07 | 一种智能换电站电池管理与调度系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310979784.6A CN116709243B (zh) | 2023-08-07 | 2023-08-07 | 一种智能换电站电池管理与调度系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116709243A CN116709243A (zh) | 2023-09-05 |
CN116709243B true CN116709243B (zh) | 2023-10-13 |
Family
ID=87839643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310979784.6A Active CN116709243B (zh) | 2023-08-07 | 2023-08-07 | 一种智能换电站电池管理与调度系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116709243B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114226B (zh) * | 2023-10-20 | 2024-01-30 | 无锡宇拓物联信息科技有限公司 | 自动化设备的智能动态优化与工艺调度系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305372A (zh) * | 2016-04-25 | 2017-10-31 | 韩磊 | 云计算网络架构的远程监控的电动汽车能源监控和更换网 |
WO2019007232A1 (zh) * | 2017-07-06 | 2019-01-10 | 上海蔚来汽车有限公司 | 基于b/s架构的充换电站监控系统及充换电站 |
WO2023125702A1 (zh) * | 2021-12-31 | 2023-07-06 | 奥动新能源汽车科技有限公司 | 换电站的云管理方法、系统、服务器及存储介质 |
-
2023
- 2023-08-07 CN CN202310979784.6A patent/CN116709243B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107305372A (zh) * | 2016-04-25 | 2017-10-31 | 韩磊 | 云计算网络架构的远程监控的电动汽车能源监控和更换网 |
WO2019007232A1 (zh) * | 2017-07-06 | 2019-01-10 | 上海蔚来汽车有限公司 | 基于b/s架构的充换电站监控系统及充换电站 |
WO2023125702A1 (zh) * | 2021-12-31 | 2023-07-06 | 奥动新能源汽车科技有限公司 | 换电站的云管理方法、系统、服务器及存储介质 |
Non-Patent Citations (2)
Title |
---|
基于QPSO 优化CNN-Bi-LSTM 网络的锂电池健康状态估计;杨立新 等;《昆明理工大学学报(自然科学版)》;全文 * |
基于强化学习的电动汽车换电站实时调度策略优化;张文昕 等;《电力自动化设备》;第42卷(第10期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN116709243A (zh) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116709243B (zh) | 一种智能换电站电池管理与调度系统 | |
CN116633978B (zh) | 基于物联网的污水处理远程监控系统 | |
CN104569842A (zh) | 车辆监控管理系统及车载智能采集终端 | |
CN110310039B (zh) | 一种锂电池全生命周期在线优化监控系统及监控方法 | |
CN112186275A (zh) | 一种基于云端的bms体系 | |
CN114487856A (zh) | 换电站电池的热失控预警方法及系统 | |
Li et al. | IoB: Internet-of-Batteries for Electric Vehicles–Architectures, Opportunities, and Challenges | |
Selamnia et al. | Edge computing-enabled intrusion detection for c-v2x networks using federated learning | |
CN116956148A (zh) | 一种电力系统数据交互安全威胁信息分析方法 | |
CN114221901B (zh) | 一种能源互联网cps韧性调度方法、系统及其存储介质 | |
CN113438116B (zh) | 一种电力通讯数据管理系统及方法 | |
Mohammadi et al. | A review of cyber–resilient smart grid | |
CN115310586A (zh) | 针对网络攻击的有源配电网信息物理系统运行态势预测方法及系统 | |
Weiwei et al. | Fault processing algorithm of power backbone communication networks based on artificial intelligence and state perception | |
CN114698119A (zh) | 配网分布式保护系统的5g通信/云边计算资源协同分配方法 | |
GB2602670A (en) | Battery monitoring | |
Wang et al. | Intelligent decision support platform of new energy vehicles | |
CN111917840B (zh) | 一种用于锂电池的远程通信信息处理方法及系统 | |
CN204334071U (zh) | 储能电池堆监控系统和储能电池堆 | |
CN114760137B (zh) | 针对网络攻击的有源配电网信息物理系统信息侧与物理侧协同态势评估方法及系统 | |
CN104505910B (zh) | 储能电池堆监控系统及其监控方法和储能电池堆 | |
CN116993167B (zh) | 一种生产过程中实时风险判断方法及系统 | |
CN112622682B (zh) | 电动汽车电池换电里程管理方法、系统、电子设备及介质 | |
CN113742164B (zh) | 基于数字电网的多样化数据采集系统、方法和存储介质 | |
US20230378756A1 (en) | Large scale energy storage with ai-based grading and efficiency assessment |
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 |