CN116794545A - 一种基于云边协同的电池健康预测方法和系统 - Google Patents
一种基于云边协同的电池健康预测方法和系统 Download PDFInfo
- Publication number
- CN116794545A CN116794545A CN202310738025.0A CN202310738025A CN116794545A CN 116794545 A CN116794545 A CN 116794545A CN 202310738025 A CN202310738025 A CN 202310738025A CN 116794545 A CN116794545 A CN 116794545A
- Authority
- CN
- China
- Prior art keywords
- battery
- health
- data
- cloud
- prediction
- 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
- 230000036541 health Effects 0.000 title claims abstract description 236
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012937 correction Methods 0.000 claims abstract description 37
- 238000013528 artificial neural network Methods 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 230000002457 bidirectional effect Effects 0.000 claims abstract description 7
- 208000028659 discharge Diseases 0.000 claims description 37
- 230000006855 networking Effects 0.000 claims description 24
- 238000007726 management method Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 11
- 238000004458 analytical method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000004140 cleaning Methods 0.000 claims description 4
- 238000013523 data management Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003860 storage Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 6
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 230000032683 aging Effects 0.000 description 5
- 230000015556 catabolic process Effects 0.000 description 3
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010220 Pearson correlation analysis Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005182 global health Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000007086 side reaction Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Landscapes
- Secondary Cells (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于云边协同的电池健康预测方法和系统，包括：实时获取并存储边端上传的电池运行数据和健康状态标定数据；对所述电池运行数据进行预处理，得到第一类型健康特征数据；将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值。通过电池健康预测云模型和本地健康预测修正模型的同时部署，一方面通过将双向GRU循环神经网络应用到电池的健康预测任务中，提高了数据处理效率，另一方面云端与边端协同预测，降低了边端的计算处理量以及存储占用量，并且通过充分利用边端本地的历史信息对健康预测进行闭环的修正，提高了电池健康预测的精度。
Description
技术领域
本发明涉及电池健康预测技术领域，尤其涉及一种基于云边协同的电池健康预测方法和系统。
背景技术
电池智能制造的未来趋势是利用物联网、云计算、大数据等技术对电池生命周期数据进行整合分析，形成电池生产、制造、服务、运维的全域一体化的决策信息服务系统，为电池的智能管理提供技术保障。其中，一个重要的环节是对电池系统的健康状态进行准确预测。复杂工作条件下电池系统准确的健康预测，对电池的健康管理有指导作用，对于电池系统后期的服务和运维有着重要的参考价值。
传统的电池系统健康预测方法主要有两种：基于模型的方法和数据驱动的方法。基于模型的方法从电池的等效电路模型、电化学模型、容量衰减经验模型等角度出发，结合非线性观测器、自适应滤波器等先进的算法，对电池在复杂条件下的健康衰减趋势进行预测。这种方法的预测精度依赖于模型的准确性，然而复杂条件下电池老化行为的准确建模仍然是一个难题。这种方法需要建立一个准确的电池健康衰减模型，并且在复杂运行条件的都能适用。但是，电池的健康衰减与多种因素有关，包括运行温度、充放电电流倍率、充放电电压、SOC运行区间等等，这些因素会影响电池健康衰减模型的参数，因此建立准确的健康衰减模型是十分困难的事情。此外，容量衰减过程中会出现容量再生、容量跳水等不确定现象，这些不确定性对准确的建模带来了额外的挑战。基于数据驱动的方法从海量的电池运行数据中提取与电池健康衰减相关的健康特征，利用先进的人工智能方法，如神经网络、数据回归等，建立数据特征与健康衰减之间的非线性映射关系。这种方法需要大量的计算资源，无法部署在车载终端，并且预测精度依赖于数据的质量和数量。这种方法本质上是一个开环的预测方法，如果数据质量不高，数据集不能涵盖复杂的工作条件，那么这种方法的运行工况适应性就无法保证。
发明内容
为解决背景技术中存在的技术问题，本发明提出一种基于云边协同的电池健康预测方法和系统。
本发明提出的一种基于云边协同的电池健康预测方法，包括：
实时获取并存储边端上传的电池运行数据和健康状态标定数据；所述健康状态标定数据包括电池充放电等效循环数、容量标定数据；
对所述电池运行数据进行预处理，得到第一类型健康特征数据；
将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值；
将所述第一预测值和所述容量标定数据输入已训练好的所述本地健康预测修正模型，得到电池健康的第二预测值，并将所述第二预测值作为当前时刻对应的电池健康预测结果。
优选地，所述电池健康预测云模型设置在云端，所述本地健康预测修正模型设置在边端。
优选地，所述边端包括多个T-BOX网联终端和多个BMS控制器终端；“实时获取并存储边端上传的电池运行数据和健康状态标定数据”具体包括：
BMS控制器终端实时采集电池运行数据，并通过对应的T-BOX网联终端将电池运行数据传输至云端；
BMS控制器终端将电池充放电等效循环数和容量标定数据作为健康状态标定数据，并通过T-BOX网联终端传输并存储至云端；
其中，所述电池运行数据包括电压、电流、温度；所述容量标定数据为电池在满充或者满放阶段对应的容量；所述电池充放电等效循环数为电池运行过程中的累计安时吞吐量与电池额定容量比值的一半。
优选地，“对所述电池运行数据进行预处理，得到第一类型健康特征数据”包括：
从所述电池运行数据中提取出健康特征数据，所述健康特征数据包括工况统计特征和时间序列特征；
对所述健康特征数据进行数据清洗，去除不完整的、错误的、重复的健康特征数据，筛选出与电池容量衰减相关性强的健康特征数据作为有效的健康特征数据，得到第一类型健康特征数据；
其中，所述工况统计特征包括电压、电流、温度对应的数据获取时刻的最大值、最小值、平均值、峰值和偏度；所述时间序列特征包括通过增量容量分析和差分电压分析得到的曲线峰值、次峰值、谷值。
优选地，所述电池健康预测云模型训练方法包括：
获取所述第一类型健康特征数据的在不同运行工况的特征数据集；
以所述特征数据集和所述电池充放电等效循环数作为输入，输入到双向GRU循环神经网络中，得到电池健康的第一预测值；
将所述第一预测值与预设的健康状态的参考值的均方根误差作为目标损失函数；
进行迭代训练，得到训练好的电池健康预测云模型。
优选地，所述本地健康预测修正模型训练方法包括：
获取所述第一预测值和所述容量标定数据；
以所述第一预测值和所述容量标定数据作为样本，输入到本地健康预测修正模型，并利用自适应贝叶斯滤波器，估计修正参数，得到与历史时刻对应的电池健康的第二预测值。
优选地，还包括：当所述电池运行数据超出预设的健康状态阈值范围时，输出健康状态告警信息。
本发明提出的一种基于云边协同的电池健康预测系统，包括：云数据管理模块，用于实时获取并存储边端上传的电池运行数据和健康状态标定数据；
云服务管理模块，用于对所述电池运行数据进行预处理，得到第一类型健康特征数据；
健康预测模块，用于将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值；将所述第一预测值和所述容量标定数据输入已训练好的所述本地健康预测修正模型，得到电池健康的第二预测值，并将所述第二预测值作为当前时刻对应的电池健康预测结果。
优选地，所述电池健康预测云模型设置在云端，所述本地健康预测修正模型设置在边端。
优选地，所述边端包括多个T-BOX网联终端和多个BMS控制器终端；“实时获取并存储边端上传的电池运行数据和健康状态标定数据”具体包括：
BMS控制器终端实时采集电池运行数据，并通过对应的T-BOX网联终端将电池运行数据传输至云端；
BMS控制器终端将电池充放电等效循环数和容量标定数据作为健康状态标定数据，并通过T-BOX网联终端传输并存储至云端；
其中，所述电池运行数据包括电压、电流、温度；所述容量标定数据为电池在满充或者满放阶段对应的容量；所述电池充放电等效循环数为电池运行过程中的累计安时吞吐量与电池额定容量比值的一半。
本发明中，所提出的基于云边协同的电池健康预测方法和系统，通过电池健康预测云模型和本地健康预测修正模型的同时部署，一方面通过将双向GRU循环神经网络应用到电池的健康预测任务中，提高了数据处理效率，另一方面云端与边端协同预测，降低了边端的计算处理量以及存储占用量，并且通过充分利用边端本地的历史信息对健康预测进行闭环的修正，提高了电池健康预测的精度。实现了数据驱动方法和基于模型的健康预测方法的优势互补。
附图说明
图1为本发明提出的一种基于云边协同的电池健康预测方法的工作流程的结构示意图；
图2为本发明提出的一种基于云边协同的电池健康预测系统的构成的结构示意图；
图3为本发明提出的一种基于云边协同的电池健康预测系统的架构的结构示意图；
图4为本发明提出的一种基于云边协同的电池健康预测方法的GRU神经网络架构的结构示意图；
图5为本发明提出的一种基于云边协同的电池健康预测方法的单向GRU循环神经网络架构的结构示意图；
图6为本发明提出的一种基于云边协同的电池健康预测方法的双向GRU循环神经网络架构的结构示意图。
具体实施方式
参照图1-图6，本发明提出的一种基于云边协同的电池健康预测方法，包括：
实时获取并存储边端上传的电池运行数据和健康状态标定数据。
在本实施例中，云端由多个云端服务器组成。
云端服务器、BMS控制器终端、T-BOX网联终端两两之间一一对应通信连接。
特别地，BMS控制器终端利用电压、电流和温度传感器实时采集电池运行数据，然后通过模数信号转换模块，将数据缓存到本地，再通过T-BOX网联终端将电池运行数据传输并存储至云端。
对电池运行数据进行预处理，得到第一类型健康特征数据。
将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值；
将所述第一预测值和所述容量标定数据输入已训练好的所述本地健康预测修正模型，得到电池健康的第二预测值，并将所述第二预测值作为当前时刻对应的电池健康预测结果。
具体的，如图1所示，边端包括多个T-BOX网联终端和多个BMS控制器终端；“实时获取并存储边端上传的电池运行数据和健康状态标定数据”具体包括：
BMS控制器终端实时采集电池运行数据，并通过对应的T-BOX网联终端将电池运行数据传输至云端；
BMS控制器终端将电池充放电等效循环数和容量标定数据作为健康状态标定数据，并通过T-BOX网联终端传输并存储至云端；
其中，电池运行数据包括电压、电流、温度；容量标定数据为电池在满充或者满放阶段对应的容量；电池充放电等效循环数为电池运行过程中的累计安时吞吐量与电池额定容量比值的一半。
在本实施例中，边端包括T-BOX网联终端和BMS控制器终端。T-BOX网联终端为设备提供登入登出、心跳收发、GPS定位、数据收发、数据透传、OTA升级服务的功能。T-BOX网联终端启动的时候，向云端服务器发送登录请求，T-BOX网联终端离线的时候发出登出请求，在此期间内，T-BOX网联终端占用云端服务器的部分计算资源。为了确认T-BOX网联终端是否离线，T-BOX网联终端向云端服务器周期性的发送心跳指令，如果云端服务器收到心跳指令则给T-BOX网联终端回复。如果T-BOX网联终端连续多次未收到回复，则判断T-BOX网联终端离线。GPS定位用于将T-BOX网联终端当前的GPS发送给云端服务器，用于记录电池系统的当前位置。T-BOX网联终端与BMS控制器终端通过CAN通信总线进行数据收发。T-BOX网联终端将获取的BMS控制器终端数据进行封装，然后通过TCP/IP透传给云端服务器。如果T-BOX网联终端接收到云端服务器的OTA升级命令，则从云端下载升级包，再通过CAN总线下载到BMS控制器终端，完成BMS控制器终端的软件升级。
在本实施例中，BMS控制器终端提供本地数据采集、本地数据缓存、本地模型管理、本地状态监控、本地健康预测和本地安全预警服务的功能。BMS控制器终端利用电压、电流和温度传感器采集数据，然后通过模数信号转换模块，将数据缓存到本地。本地模型管理服务用于进行软件的升级，具体来说，可以采用基于UDS协议Bootloader进行软件的升级。本地状态监控用于监控BMS控制器终端相连的电池系统的实时的健康状态。本地健康预测用于预测BMS控制器终端相连的电池系统的剩余使用寿命。本地安全预警用于根据本地数据采集的数据判断BMS控制器终端相连的电池系统是否正常运行，如果出现异常情况，则进行预警。
具体的，如图1所示，“对电池运行数据进行预处理，得到第一类型健康特征数据”包括：
从电池运行数据中提取出健康特征数据，健康特征数据包括工况统计特征和时间序列特征；
对健康特征数据进行数据清洗，去除不完整的、错误的、重复的健康特征数据，筛选出与电池容量衰减相关性强的健康特征数据作为有效的健康特征数据，得到第一类型健康特征数据；
其中，工况统计特征包括电压、电流、温度对应的数据获取时刻的最大值、最小值、平均值、峰值和偏度；时间序列特征包括通过增量容量分析和差分电压分析得到的曲线峰值、次峰值、谷值。
特别地，通过增量容量分析和差分电压分析方法，提取候选的健康特征数据。其中，增量容量分析方法：
其中，I，U，Q分别为充电电流、电压和容量电压。IC为计算得到的增量容量曲线。
差分电压分析方法：
DV为计算得到的差分电压曲线。
从增量容量曲线和差分电压曲线中可以提出到曲线峰值、次峰值、谷值，作为候选的健康特征数据。
在本实施例中，利用人工神经网络ANN和遗传神经算法相结合的方法对健康特征数据进行数据清洗，去除不完整的、错误的、重复的健康特征数据，利用Pearson相关性分析方法，筛选出与电池容量衰减相关性强的健康特征数据作为有效的健康特征数据，即有效的工况统计特征和时间序列特征，将工况统计特征和时间序列特征向量拼接后，得到第一类型健康特征数据。
特别地，Pearson相关性分析方法如下：
其中，x和y分别是工况统计特征和时间序列特征。μx和μy分别是工况统计特征和时间序列特征对应的均值。
具体的，如图1所示，电池健康预测云模型训练方法包括：
获取第一类型健康特征数据的在不同运行工况的特征数据集；
以特征数据集和电池充放电等效循环数作为输入，输入到双向GRU循环神经网络中，得到电池健康的第一预测值；
将第一预测值与预设的健康状态的参考值的均方根误差作为目标损失函数；
进行迭代训练，得到训练好的电池健康预测云模型。
在本实施例中，电池健康预测云模型部署在云服务器中，电池健康预测云模型又称为全局模型，是由双向GRU循环神经网络构成。
如图4-图6所示，GRU神经网络包含两个门控单元：更新门和输出门。这两个门控单元都是根据当前输入和前一时刻的隐状态通过sigmoid门控函数进行输出。具体来说：
更新门定义了根据前一时刻隐状态遗忘的信息量：
zk＝σ(Wz·[hk-1,xk])；
其中，k为时刻。zk为更新门的输出，Wz为更新门的权重，hk-1为前一时刻的隐状态，xk是当前时刻的第一类型健康特征数据。σ(·)表示sigmoid门控函数。重置门定义了根据前一时刻隐状态保留的信息量：
rk＝σ(Wr·[hk-1,xk])
其中，Wr为重置门的权重。
GRU神经网络的输出为历史隐状态与选择性记忆信息的加权和：
其中，为重置门与当前输入加权后的选择性记忆信息。/>表示Hadamard乘积。
正向和反向的GRU神经网络隐含层相互独立，两者的输出拼接构成最终的输出：
其中，和/>分别为前向和反向的GRU神经网络输出。g(·)函数为拼接函数，用于合并这两个输出；ok为第一预测值。
特别地，云模型训练过程中的损失函数为：
其中，K为数据总长度，yk为预设的健康状态参考值。
具体的，本地健康预测修正模型训练方法包括：
获取第一预测值和容量标定数据；
以第一预测值和容量标定数据作为样本，输入到本地健康预测修正模型，并利用自适应贝叶斯滤波器，估计修正参数，得到与历史时刻对应的电池健康的第二预测值。
在本实施例中，本地健康预测修正模型是由老化半经验公式推导而来。
电池健康衰减主要是电池的副反应导致的，因此根据Arrhenius定律，容量衰减可以近似由如下半经验公式表示：
其中，Qloss为容量衰减百分比，Qcum为累计安时吞吐量，即电池累计的充放电电量，R是气体常数，Ea是活化能系数，T是温度，A和z是与老化条件相关的参数。一般来说，电池的等效循环neq定义为累计安时吞吐量与电池容量的比值的一半。对于某个电池系统来说，较短时间内的应用场景假设为近似不变，则上述老化经验公式可以简化为：
Qloss＝B(neq)z
其中Qnormal为电池的额定容量。
neq为电池运行过程中的等效充放电循环数。那么，在相同等效充放电循环数的情况下，可以推导出如下的本地健康预测修正模型：
其中Qloss,local和Qloss,global分别是边缘计算的本地健康预测输出结果和电池健康预测云模型的输出Ok。λ和是修正系数。
假设修正系数是慢时变的。那么，以修正模型参数的慢时变特性建立状态方程，基于本地健康预测修正模型建立输出方程，则可以进一步地推导出边缘计算中本地健康预测修正的状态空间模型为：
其中，为状态，/>为过程噪声。SOHlocal＝1-Qloss,local为本地健康预测的输出结果。
本地健康预测修正的状态空间模型的输入是云模型的输出Qloss,global，即第一预测值，输出是修正后的健康状态预测值SOHlocal，即第二健康预测值。
特别地，基于神经网络的电池健康预测云模型的输出为全局的健康预测结果。利用已经训练好的云模型进行健康预测，其本质上是一个开环预测，无法利用新增数据对预测结果修正。除非进行云模型的再训练，但这势必会大大增加训练模型需要的计算资源。此外，本地的电池数据可能会因为一些隐私问题，并不会全部上传到云端。为了充分利用本地终端的新增的电池数据，建立了本地健康预测修正模型，对云模型的健康预测结果进行修正。
具体的，还包括：当电池运行数据超出预设的健康状态阈值范围时，输出健康状态告警信息。
参照图2和图3，本发明提出的一种基于云边协同的电池健康预测系统，包括：
云数据管理模块，用于实时获取并存储边端上传的电池运行数据和健康状态标定数据；
云服务管理模块，用于对电池运行数据进行预处理，得到第一类型健康特征数据；
健康预测模块，用于将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值；将所述第一预测值和所述容量标定数据输入已训练好的所述本地健康预测修正模型，得到电池健康的第二预测值，并将所述第二预测值作为当前时刻对应的电池健康预测结果。
电池健康预测云模型设置在云端，本地健康预测修正模型设置在边端。
边端包括多个T-BOX网联终端和多个BMS控制器终端；“实时获取并存储边端上传的电池运行数据和健康状态标定数据”具体包括：
BMS控制器终端实时采集电池运行数据，并通过对应的T-BOX网联终端将电池运行数据传输至云端；
BMS控制器终端将电池充放电等效循环数和容量标定数据作为健康状态标定数据，并通过T-BOX网联终端传输并存储至云端；
其中，电池运行数据包括电压、电流、温度；容量标定数据为电池在满充或者满放阶段对应的容量；电池充放电等效循环数为电池运行过程中的累计安时吞吐量与电池额定容量比值的一半。
在本实施例中，健康预测模块包括BMS控制器终端管理模块和云策略管理模块；云策略管理模块主要是用于对电池健康预测云模型和本地健康预测修正模型的升级管理。随着电池的使用，运行数据的增多，越来越多的数据可以用于电池健康预测云模型的训练。此时，可以对电池健康预测云模型进行再次训练，升级电池健康预测云模型，提升其全局健康预测的精度。本地健康预测修正模型的参数会随着电池的老化而变化，云策略管理模块将实时记录并更新本地健康预测修正模型的参数，此外还可以对本地健康预测修正模型进行远程的OTA升级。
本实施例的基于云边协同的电池健康预测方法和系统的具体工作过程中，电池健康预测云模型的输出为全局的电池健康预测结果，将全局的电池健康预测结果输入边端的本地健康预测修正模型，对电池健康预测云模型的健康预测结果进行修正后，输出最终的电池健康预测结果。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于云边协同的电池健康预测方法，其特征在于，包括：
实时获取并存储边端上传的电池运行数据和健康状态标定数据；所述健康状态标定数据包括电池充放电等效循环数、容量标定数据；
对所述电池运行数据进行预处理，得到第一类型健康特征数据；
将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值；
将所述第一预测值和所述容量标定数据输入已训练好的所述本地健康预测修正模型，得到电池健康的第二预测值，并将所述第二预测值作为当前时刻对应的电池健康预测结果。
2.根据权利要求1所述的基于云边协同的电池健康预测方法，其特征在于，所述电池健康预测云模型设置在云端，所述本地健康预测修正模型设置在边端。
3.根据权利要求2所述的基于云边协同的电池健康预测方法，其特征在于，所述边端包括多个T-BOX网联终端和多个BMS控制器终端；“实时获取并存储边端上传的电池运行数据和健康状态标定数据”具体包括：
BMS控制器终端实时采集电池运行数据，并通过对应的T-BOX网联终端将电池运行数据传输至云端；
BMS控制器终端将电池充放电等效循环数和容量标定数据作为健康状态标定数据，并通过T-BOX网联终端传输并存储至云端；
其中，所述电池运行数据包括电压、电流、温度；所述容量标定数据为电池在满充或者满放阶段对应的容量；所述电池充放电等效循环数为电池运行过程中的累计安时吞吐量与电池额定容量比值的一半。
4.根据权利要求1所述的基于云边协同的电池健康预测方法，其特征在于，“对所述电池运行数据进行预处理，得到第一类型健康特征数据”包括：
从所述电池运行数据中提取出健康特征数据，所述健康特征数据包括工况统计特征和时间序列特征；
对所述健康特征数据进行数据清洗，去除不完整的、错误的、重复的健康特征数据，筛选出与电池容量衰减相关性强的健康特征数据作为有效的健康特征数据，得到第一类型健康特征数据；
其中，所述工况统计特征包括电压、电流、温度对应的数据获取时刻的最大值、最小值、平均值、峰值和偏度；所述时间序列特征包括通过增量容量分析和差分电压分析得到的曲线峰值、次峰值、谷值。
5.根据权利要求2所述的基于云边协同的电池健康预测方法，其特征在于，所述电池健康预测云模型训练方法包括：
获取所述第一类型健康特征数据的在不同运行工况的特征数据集；
以所述特征数据集和所述电池充放电等效循环数作为输入，输入到双向GRU循环神经网络中，得到电池健康的第一预测值；
将所述第一预测值与预设的健康状态的参考值的均方根误差作为目标损失函数；
进行迭代训练，得到训练好的电池健康预测云模型。
6.根据权利要求2所述的基于云边协同的电池健康预测方法，其特征在于，所述本地健康预测修正模型训练方法包括：
获取所述第一预测值和所述容量标定数据；
以所述第一预测值和所述容量标定数据作为样本，输入到本地健康预测修正模型，并利用自适应贝叶斯滤波器，估计修正参数，得到与历史时刻对应的电池健康的第二预测值。
7.根据权利要求1所述的基于云边协同的电池健康预测方法，其特征在于，还包括：当所述电池运行数据超出预设的健康状态阈值范围时，输出健康状态告警信息。
8.一种基于云边协同的电池健康预测系统，其特征在于，包括：
云数据管理模块，用于实时获取并存储边端上传的电池运行数据和健康状态标定数据；
云服务管理模块，用于对所述电池运行数据进行预处理，得到第一类型健康特征数据；
健康预测模块，用于将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值；将所述第一预测值和所述容量标定数据输入已训练好的所述本地健康预测修正模型，得到电池健康的第二预测值，并将所述第二预测值作为当前时刻对应的电池健康预测结果。
9.根据权利要求1所述的基于云边协同的电池健康预测系统，其特征在于，所述电池健康预测云模型设置在云端，所述本地健康预测修正模型设置在边端。
10.根据权利要求9所述的基于云边协同的电池健康预测系统，其特征在于，所述边端包括多个T-BOX网联终端和多个BMS控制器终端；“实时获取并存储边端上传的电池运行数据和健康状态标定数据”具体包括：
BMS控制器终端实时采集电池运行数据，并通过对应的T-BOX网联终端将电池运行数据传输至云端；
BMS控制器终端将电池充放电等效循环数和容量标定数据作为健康状态标定数据，并通过T-BOX网联终端传输并存储至云端；
其中，所述电池运行数据包括电压、电流、温度；所述容量标定数据为电池在满充或者满放阶段对应的容量；所述电池充放电等效循环数为电池运行过程中的累计安时吞吐量与电池额定容量比值的一半。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738025.0A CN116794545A (zh) | 2023-06-21 | 2023-06-21 | 一种基于云边协同的电池健康预测方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310738025.0A CN116794545A (zh) | 2023-06-21 | 2023-06-21 | 一种基于云边协同的电池健康预测方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116794545A true CN116794545A (zh) | 2023-09-22 |
Family
ID=88033895
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310738025.0A Pending CN116794545A (zh) | 2023-06-21 | 2023-06-21 | 一种基于云边协同的电池健康预测方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116794545A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
-
2023
- 2023-06-21 CN CN202310738025.0A patent/CN116794545A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117236082A (zh) * | 2023-11-15 | 2023-12-15 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
| CN117236082B (zh) * | 2023-11-15 | 2024-01-23 | 中汽研新能源汽车检验中心(天津)有限公司 | 一种基于大数据平台的燃料电池性能衰减预测方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3770620B1 (en) | Deterioration estimation device and deterioration estimation method | |
| CN113960476B (zh) | 基于信息物理融合技术的动力电池故障监测方法及系统 | |
| CN107422272B (zh) | 一种电动汽车动力电池soc智能化检测装置 | |
| CN111680848A (zh) | 基于预测模型融合的电池寿命预测方法及存储介质 | |
| CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
| CN115291116B (zh) | 储能电池健康状态预测方法、装置及智能终端 | |
| CN113022378B (zh) | 温度一致性预测方法、装置、预测设备及存储介质 | |
| CN107436409B (zh) | 一种电动汽车动力电池soc智能预测装置 | |
| CN116794545A (zh) | 一种基于云边协同的电池健康预测方法和系统 | |
| KR102297343B1 (ko) | 하이브리드 varma 및 lstm을 이용한 배터리의 출력 전압 응답 및 충전 상태 예측 방법 | |
| CN115902646B (zh) | 一种储能电池故障识别方法及系统 | |
| US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
| CN114035098A (zh) | 一种融合未来工况信息和历史状态信息的锂电池健康状态预测方法 | |
| CN113671421A (zh) | 一种变压器状态评估与故障预警方法 | |
| CN115877198A (zh) | 基于边缘计算的一二次融合开关故障诊断预警系统 | |
| CN116308304A (zh) | 基于元学习概念漂移检测的新能源智慧运维方法及系统 | |
| CN115932592A (zh) | 一种基于数字孪生模型的电动汽车电池故障诊断方法 | |
| WO2021052540A1 (de) | Zustandswert für wiederaufladbare batterien | |
| CN111901134B (zh) | 一种基于循环神经网络模型rnn的预测网络质量的方法和装置 | |
| CN116047300A (zh) | 用以预测电池的特性参数的控制器及其方法 | |
| CN113657207B (zh) | 一种云-边协同配电站火光智能监测方法及系统 | |
| CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
| Heinrich | Battery State Estimation of Electric Vehicles using Neural Networks | |
| CN115656831A (zh) | 一种电池单体电压多步超前预测和故障诊断方法 | |
| CN114091750A (zh) | 电网负荷异常预测方法、系统和存储介质 |
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 |