CN117200394A - 一种基于bim模型的bms电池管理方法及系统 - Google Patents
一种基于bim模型的bms电池管理方法及系统 Download PDFInfo
- Publication number
- CN117200394A CN117200394A CN202311175252.3A CN202311175252A CN117200394A CN 117200394 A CN117200394 A CN 117200394A CN 202311175252 A CN202311175252 A CN 202311175252A CN 117200394 A CN117200394 A CN 117200394A
- Authority
- CN
- China
- Prior art keywords
- charging
- fluctuation
- battery
- waveform
- change
- 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
- 238000007726 management method Methods 0.000 title claims abstract description 41
- 238000007600 charging Methods 0.000 claims abstract description 239
- 230000008859 change Effects 0.000 claims abstract description 116
- 238000004458 analytical method Methods 0.000 claims abstract description 41
- 238000001514 detection method Methods 0.000 claims abstract description 39
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 14
- 238000003909 pattern recognition Methods 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims description 30
- 238000000034 method Methods 0.000 claims description 24
- 238000011156 evaluation Methods 0.000 claims description 19
- 230000036541 health Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000013507 mapping Methods 0.000 claims description 10
- 238000001914 filtration Methods 0.000 claims description 9
- 238000010183 spectrum analysis Methods 0.000 claims description 9
- 238000000718 qrs complex Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012731 temporal analysis Methods 0.000 claims 1
- 238000000700 time series analysis Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 11
- 238000001228 spectrum Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 7
- 230000009466 transformation Effects 0.000 description 4
- 101001063878 Homo sapiens Leukemia-associated protein 1 Proteins 0.000 description 3
- 102100030893 Leukemia-associated protein 1 Human genes 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000010277 constant-current charging Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004140 cleaning Methods 0.000 description 1
- 238000010280 constant potential charging Methods 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013021 overheating Methods 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本发明公开了一种基于BIM模型的BMS电池管理方法及系统，涉及电池管理系统领域，该基于BIM模型的BMS电池管理方法包括以下步骤：S1、获取BMS中电池的建模参数，并构建BMS电池的BIM模型；S2、生成BMS中各个电池的平衡充电信息；S3、获取充电波动变化趋势，并构建充电波动变化图表；S4、对充电波动变化图表进行时序分析，得到时序波动变化参数；S5、对充电波动变化图表进行模式识别分析，得到充电波动检测结果；S6、结合时序波动变化参数和充电波动检测结果匹配预设方案。本发明通过结合BIM技术能够更准确地预测，从而提高电池管理的准确性。
Description
技术领域
本发明涉及电池管理系统领域，具体来说，涉及一种基于BIM模型的BMS电池管理方法及系统。
背景技术
近年来，建筑信息模型(BIM)技术在建筑、工程和施工领域得到了广泛应用，BIM提供了一个多维的、数字化的建模方法，使得各种参数和信息可以在一个统一的模型中进行管理和分析，同时随着电池管理系统(BMS)技术的发展，对电池的进行准确预测和管理变得越来越重要，其中BMS的框架常用三层式框架，底层为BMU，中层为BCMS，顶层为BAMS。
而BMU电池组管理单元，负责管理电池组内的电池，具有电池电压采集，多点温度采集，电池组均衡控制，电池组总电压采集等功能，BCMS电池组串管理系统，负责管理一个电池组串中的全部BMU，同时具备电池组串的电流采集，总电压采集，漏电检测，并在电池组状态发生异常时驱动断开高压功率接触器，使电池组串退出运行，保障电池使用安全，BAMS电池系统单元管理系统，负责管理一个PCS对应电池系统单元中的全部BCMS，同时与就地监控系统通信，上报全部电池模拟量采集的信息，并在电池系统异常时上报告警，另外还能够在电池系统异常时发送告警信息到PCS，使PCS转入待机状态，保护电池使用安全。
但而传统的BMS主要依赖于经验模型和固定参数来管理电池的充电和放电行为，但这种方法在面对复杂的使用环境和多种电池类型时，管理电池效率不够准确，且随着大数据和机器学习技术的发展，对电池的分析和预测也需要变得更加智能化，提高电池管理的准确性和效率。
针对相关技术中的问题，目前尚未提出有效的解决方案。
发明内容
针对现有技术的不足，本发明提供了基于BIM模型的BMS电池管理方法及系统，具备提高电池管理的准确性的优点，进而解决电池效率不够准确的问题。
为实现上述提高电池管理的准确性的优点，本发明采用的具体技术方案如下：
根据本发明的一个方面，提供了一种基于BIM模型的BMS电池管理方法，该方法包括以下步骤：
S1、获取BMS中电池的建模参数，并构建BMS电池的BIM模型；
S2、生成BMS中各个电池的平衡充电信息；
S3、获取充电波动变化趋势，并构建充电波动变化图表；
S4、对充电波动变化图表进行时序分析，得到时序波动变化参数；
S5、对充电波动变化图表进行模式识别分析，得到充电波动检测结果；
S6、结合时序波动变化参数和充电波动检测结果匹配预设方案；
S7、对匹配方案进行可行性评估，将充电波动检测结果、匹配的预设调整方案及可行性评估结果进行反馈，并采集预设调整方案的实施效率，实时调整预设调整方案。
优选的，生成BMS中各个电池的平衡充电信息包括以下步骤：
S21、基于BIM模型和历史充电数据生成电池的历史充电过程数据；
S22、基于历史充电过程数据进行分析各个电池充电状态，并根据电池充电状态生成平衡充电参数；
S23、对平衡充电参数进行验证，并根据验证结果生成平衡充电信息。
优选的，获取充电波动变化趋势，并构建充电波动变化图表包括以下步骤：
S31、根据平衡充电信息进行充电波动统计分析，得到充电波动变化趋势；
S32、基于充电波动变化趋势进行变化特征提取，并根据提取特征结果进行构建充电波动变化图表；
S33、对充电波动变化图表进行信息标注，并预设充电波动安全阀值。
优选的，对充电波动变化图表进行时序分析，得到时序波动变化参数包括以下步骤：
S41、对充电波动变化图表进行电池波动参数提取，并对提取的电池波动参数进行预处理；
S42、对预处理后的电池波动参数进行频谱分析，并获取电池波动参数的变化模式和变化趋势；
S43、根据电池波动参数的变化模式和变化趋势进行变化特征提取，得到变化特征数据；
S44、对变化特征数据进行分析，并根据分析结果判断变化特征数据是否存在异常。
优选的，对预处理后的电池波动参数进行频谱分析，并获取电池波动参数的变化模式和变化趋势包括以下步骤：
S421、将电池波动参数的时域信号转换为频域信号，并将电池波动参数通过频谱分析方法进行分析；
S422、根据分析结果进行识别电池波动参数的频率分量和频率幅值；
S423、将频率分量和频率幅值带入时间序列分析模型进行计算，生成电池波动参数的变化模式和变化趋势。
优选的，对充电波动变化图表进行模式识别分析，得到充电波动检测结果包括以下步骤：
S51、对充电波动变化图表进行去噪，并对充电波动变化图表进行数据格式归一化，得到充电波动数据；
S52、将充电波动数据映射到QRS波复杂体，并对充电波动数据进行数据转换；
S53、将映射后的充电波动数据带入QRS波检测算法生成充电波动检测结果。
优选的，将充电波动数据映射到QRS波复杂体，并对充电波动数据进行数据转换包括以下步骤：
S521、提取的充电波动数据中的波形特征；
S522、将波形特征通过动态时间扭曲算法映射到模拟的QRS波复杂体，并将波形特征转换为QRS波形；
S523、根据QRS波形通过潘汤姆金斯算法进行分析，并根据分析结果对QRS波形进行调整；
S524、将调整后的QRS波形与充电波动数据进行验证，并根据验证结果进行QRS波形校准。
优选的，根据QRS波形通过潘汤姆金斯算法进行分析，并根据分析结果对QRS波形进行调整包括以下步骤：
S5231、对QRS波形中的噪声进行带通滤波；
S5232、对带通滤波后的QRS波形进行分析计算，获取QRS波形的峰值信息；
S5233、预设波形阈值和应用决策规则，并对QRS波形进行对比分析；
S5234、将对比分析后的QRS波形进行电池的健康状态评估，并根据对健康状态评估结果对QRS波形进行调整。
优选的，对带通滤波后的QRS波形进行分析计算，获取QRS波形的峰值信息包括以下步骤：
S52321、对QRS波形进行微分计算，获取QRS波形的斜率，计算公式为：
S52322、将微分后的QRS波形进行平方，突出QRS波形的高频部分，计算公式为：
y(n)＝[sig(n)]2
其中，T(n)为采样点n对应的5点差分值；
sig(n)为采样点n对应的电池波形幅值；
sig(n-2)表示采样点n前两个采样点对应的电池波形幅值；
sig(n-1)表示采样点n前一个采样点对应的电池波形幅值；
sig(n+1)表示采样点n后一个采样点对应的电池波形幅值；
sig(n+2)表示采样点n后两个采样点对应的电池波形幅值；
S52323、对QRS波形进行移动窗口积分，获取QRS波形的时间宽度信息；
S52324、将高频后的QRS波形和QRS波形的时间宽度信息进行整合，生成QRS波形的峰值信息。
根据本发明的另一个方面，提供了一种基于BIM模型的BMS电池管理系统，该系统包括：
参数模型构建模块，用于获取BMS中电池的建模参数，根据建模参数构建BMS电池的BIM模型；
平衡充电信息生成模块，用于生成BMS中各个电池的平衡充电信息；
充电波动趋势分析模块，用于获取充电波动变化趋势，并构建充电波动变化图表；
时序波动分析模块，用于对充电波动变化图表进行时序分析，得到时序波动变化参数；
模式识别模块，用于对充电波动变化图表进行模式识别分析，得到充电波动检测结果；
预设调整方案匹配模块，用于结合时序波动变化参数和充电波动检测结果匹配预设方案；
方案评估反馈模块，用于对匹配方案进行可行性评估，将充电波动检测结果、匹配的预设调整方案及可行性评估结果进行反馈，并采集预设调整方案的实施效率，实时调整预设调整方案。
与现有技术相比，本发明提供了基于BIM模型的BMS电池管理方法及系统，具备以下有益效果：
(1)本发明通过结合BIM技术能够更准确地预测，从而提高电池管理的准确性，并对电池进行数据分析和模式识别，能够实时监测电池的状态和健康状况，从而实现电池的智能化管理，且通过对电池的进行时序分析和模式识别，能够快速检测和预测电池的状态，从而提高电池管理的效率。
(2)本发明根据电池的实时状态和健康状况，自动调整充电策略，从而实现电池的优化充电，并通过对电池进行准确预测和管理，避免电池过度充电或过度放电，延长电池的使用寿命，同时通过实时监测电池的状态和健康状况，及时发现并处理异常情况，提高电池使用的安全性，并通过对电池进行智能化管理，减少电池的损耗和维护成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的基于BIM模型的BMS电池管理方法的方法流程图；
图2是根据本发明实施例的基于BIM模型的BMS电池管理系统的系统框图。
图中：
1、参数模型构建模块；2、平衡充电信息生成模块；3、充电波动趋势分析模块；4、时序波动分析模块；5、模式识别模块；6、预设调整方案匹配模块；7、方案评估反馈模块。
具体实施方式
为进一步说明各实施例，本发明提供有附图，这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理，配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点，图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
根据本发明的实施例，提供了一种基于BIM模型的BMS电池管理方法及系统。
现结合附图和具体实施方式对本发明进一步说明，根据本发明的一个实施例，如图1所示，根据本发明实施例的基于BIM模型的BMS电池管理方法，该方法包括以下步骤：
S1、获取BMS中电池的建模参数，根据建模参数构建BMS电池的BIM模型；
S2、生成BMS中各个电池的平衡充电信息；
具体的，基于BIM模型生成BMS中各个电池的平衡充电信息包括以下步骤：
S21、基于BIM模型和历史充电数据生成电池的历史充电过程数据；
具体的，收集电池的历史充电数据，包括充电开始和结束的时间、充电电流、电池的初始和最终电压、电池的初始和最终温度等，使用BIM软件(和电池的参数(如电池的类型、容量、电压、电流、温度等)构建电池的BIM模型，使用BIM模型和历史充电数据，生成电池的历史充电过程数据。
S22、基于历史充电过程数据进行分析各个电池充电状态，并根据电池充电状态生成平衡充电参数；
具体的，对历史充电过程数据进行预处理，包括数据清洗、数据转换等，再通过分析电池的充电电流、电压、温度等数据，来判断电池的充电状态。例如，如果电池的充电电流逐渐减小，电压逐渐增大，那么电池可能正在进行恒流充电；如果电池的充电电流保持恒定，电压逐渐增大，那么电池可能正在进行恒压充电；
再根据电池的充电状态，生成平衡充电参数，例如，如果电池正在进行恒流充电，可以设置较大的充电电流；如果电池正在进行恒压充电，可以设置较小的充电电流，同时，还需要考虑电池的温度，以防止电池过热。
S23、对平衡充电参数进行验证，并根据验证结果生成平衡充电信息。
具体的，对生成的平衡充电参数进行验证，通过实际充电过程来完成，即将生成的参数应用于实际的充电过程中，观察电池的充电电流、电压、温度等数据是否符合预期；
对验证结果进行分析，如果电池的充电电流、电压、温度等数据符合预期，那么说明生成的平衡充电参数是有效的；如果不符合预期，那么可能需要调整平衡充电参数，根据验证结果生成平衡充电信息，例如，如果验证结果显示生成的平衡充电参数是有效的，那么平衡。
S3、获取充电波动变化趋势，并构建充电波动变化图表；
具体的，基于平衡充电信息获取充电波动变化趋势，并根据充电波动变化趋势构建充电波动变化图表包括以下步骤：
S31、根据平衡充电信息进行充电波动统计分析，得到充电波动变化趋势；
具体的，收集平衡充电信息，这些信息可能包括充电电流、电压、温度等参数，然后，对收集到的数据进行处理，计算每次充电的电流、电压、温度等参数的波动，对处理后的数据进行统计分析，计算电流、电压、温度等参数的平均值、标准差等统计量，根据统计分析的结果，通过回归分析方法分析充电波动的变化趋势，来预测未来的充电波动。
S32、基于充电波动变化趋势进行变化特征提取，并根据提取特征结果进行构建充电波动变化图表；
具体的，收集充电波动的电流、电压、时间等信息，再计算滑动平均值、滑动标准差提取充电波动的频率特征，再使用提取的特征来构建充电波动变化图表，绘制充电波动的时间序列图，或者绘制充电波动的箱线图或者小提琴图。
S33、对充电波动变化图表进行信息标注，并预设充电波动安全阀值。
S4、对充电波动变化图表进行时序分析，得到时序波动变化参数；
具体的，对充电波动变化图表进行时序分析，得到时序波动变化参数包括以下步骤：
S41、对充电波动变化图表进行电池波动参数提取，并对提取的电池波动参数进行预处理；
具体的，根据电池的工作原理和充电波动的特性，提取相关的电池波动参数，包括充电电压、充电电流、充电时间、电池温度等，并通过图表的纵轴和横轴，以及图表中的线条和标记，来提取这些参数；
提取的参数可能包含一些错误或者异常的值，并对可能存在一些超出正常范围的值，或者一些明显的输入错误进行异常值检测并清除这些异常的值，再将电压和电流的单位统一，或者将时间参数转换为相对时间或者绝对时间并进行数据归一化。
S42、对预处理后的电池波动参数进行频谱分析，并获取电池波动参数的变化模式和变化趋势；
具体的，对预处理后的电池波动参数进行频谱分析，并获取电池波动参数的变化模式和变化趋势包括以下步骤：
S421、将电池波动参数的时域信号转换为频域信号，并将电池波动参数通过频谱分析方法进行分析；
具体的，收集电池波动参数的时域信号，使用傅里叶变换将时域信号转换为频域信号，并通过傅里叶变换将信号分解为一系列的正弦波和余弦波，确定每个波的频率、振幅和相位得到频域信号后，计算其幅度谱和相位谱，再分析幅度谱和相位谱，来了解电池波动参数的频率特性。
S422、根据分析结果进行识别电池波动参数的频率分量和频率幅值；
具体的，收集电池的波动参数，通过傅里叶变换将时域信号转换为频域信号，并分析信号的频率成分，计算幅度谱和相位谱，再进行分析幅度谱和相位谱，其中幅度谱中的峰值对应的频率就是主要的频率分量，峰值的高度就是对应频率分量的幅值。
S423、将频率分量和频率幅值带入时间序列分析模型进行计算，生成电池波动参数的变化模式和变化趋势。
具体的，根据电池波动参数的特性，选择自回归积分滑动平均模型，并将傅里叶变换得到的频率分量和频率幅值作为时间序列模型的输入，再使用历史数据训练时间序列模型，得到模型参数使用训练好的模型，预测未来的电池波动参数。
S43、根据电池波动参数的变化模式和变化趋势进行变化特征提取，得到变化特征数据；
具体的，理解电池波动参数的变化模式和变化趋势，包括查看数据的统计摘要，如平均值、中位数、标准差等，以及绘制图形，如时间序列图、自相关图和偏自相关图等，当数据有明显的周期性变化，可以提取频率和幅度；如果数据有明显的趋势，可以提取趋势的斜率和截距；将选择的机器学习算法应用于电池波动参数的数据，特征提取完毕后，得到的结果就是变化特征数。
S44、对变化特征数据进行分析，并根据分析结果判断变化特征数据是否存在异常。
具体的，若识别出异常值，可以选择删除、填充或者修正这些异常值，具体的处理方式取决于异常值的数量和性质，以及数据的用途，若不存在异常，那么可以直接进行下一步的数据分析或者模型训练，不需要进行异常值的处理。
S5、对充电波动变化图表进行模式识别分析，得到充电波动检测结果；
具体的，对充电波动变化图表进行模式识别分析，得到充电波动检测结果包括以下步骤：
S51、对充电波动变化图表进行去噪，并对充电波动变化图表进行数据格式归一化，得到充电波动数据；
S52、将充电波动数据映射到QRS波复杂体，并对充电波动数据进行数据转换；
具体的，将充电波动数据映射到QRS波复杂体，并对充电波动数据进行数据转换包括以下步骤：
S521、提取的充电波动数据中的波形特征；
S522、将波形特征通过动态时间扭曲算法映射到模拟的QRS波复杂体，并将波形特征转换为QRS波形；
具体的，使用DTW算法计算这两个波形之间的距离，DTW算法产生一个路径，这个路径是一个包含配对索引的列表，这个路径将波形特征的每个点映射到QRS波复杂体的点，使用这个路径来创建一个新的波形，这个波形是将波形特征映射到QRS波复杂体后的结果。
S523、根据QRS波形通过潘汤姆金斯算法进行分析，并根据分析结果对QRS波形进行调整；
具体的，根据QRS波形通过潘汤姆金斯算法进行分析，并根据分析结果对QRS波形进行调整包括以下步骤：
S5231、对QRS波形中的噪声进行带通滤波；
S5232、对带通滤波后的QRS波形进行分析计算，获取QRS波形的峰值信息；
具体的，对带通滤波后的QRS波形进行分析计算，获取QRS波形的峰值信息包括以下步骤：
S52321、对QRS波形进行微分计算，获取QRS波形的斜率，计算公式为：
S52322、将微分后的QRS波形进行平方，突出QRS波形的高频部分，计算公式为：
y(n)＝[sig(n)]2
其中，T(n)为采样点n对应的5点差分值；
sig(n)为采样点n对应的电池波形幅值；
sig(n-2)表示采样点n前两个采样点对应的电池波形幅值；
sig(n-1)表示采样点n前一个采样点对应的电池波形幅值；
sig(n+1)表示采样点n后一个采样点对应的电池波形幅值；
sig(n+2)表示采样点n后两个采样点对应的电池波形幅值；
S52323、对QRS波形进行移动窗口积分，获取QRS波形的时间宽度信息；
具体的，选择窗口大小，应与期望检测的QRS复杂波的宽度相匹配，将选定的窗口应用到QRS波形数据上，再对窗口内的所有数据点进行求和，这可以被视为对窗口内的波形进行积分，当积分值超过一个预定的阈值时，就可以认为这个窗口包含了一个QRS复杂波，并记录下这个窗口的起始和结束时间，即可得到QRS复杂波的时间宽度信息。
S52324、将高频后的QRS波形和QRS波形的时间宽度信息进行整合，生成QRS波形的峰值信息。
S5233、预设波形阈值和应用决策规则，并对QRS波形进行对比分析；
S5234、将对比分析后的QRS波形进行电池的健康状态评估，并根据对健康状态评估结果对QRS波形进行调整。
具体的，从对比分析后的QRS波形中提取与电池健康状态相关的特征包括QRS波形的振幅、宽度、斜率等，根据提取的特征，建立一个健康状态评估模型，可以是一个统计模型、机器学习模型或其他适用的模型，再利用建立的健康状态评估模型，对新的QRS波形进行健康状态评估，根据模型的输出，可以得到电池的健康状态评估结果，如正常、良好、一般或需要维修等，根据健康状态评估结果，对QRS波形进行相应的调整，如增加或减小振幅、调整波形宽度或斜率等。
S524、将调整后的QRS波形与充电波动数据进行验证，并根据验证结果进行QRS波形校准。
具体的，将调整后的QRS波形与原始的充电波动数据进行对比，将它们在时间轴上进行叠加或绘制在同一个图表上，以直观地比较它们之间的差异，再通过分析调整后的QRS波形与充电波动数据之间的相关性，来评估它们的匹配程度，可以使用相关性系数、均方根误差(RMSE)等指标来衡量它们之间的相似性或差异性，根据验证结果，对调整后的QRS波形进行进一步的校准调整，如果调整后的QRS波形与充电波动数据不够匹配，可以尝试调整波形的参数或形状，以使其更接近充电波动数据，直到调整后的QRS波形与充电波动数据达到满意的匹配程度，需要多次的验证和校准过程，以逐步优化QRS波形的准确性和一致性。
S53、将映射后的充电波动数据带入QRS波检测算法生成充电波动检测结果。
S6、结合时序波动变化参数和充电波动检测结果匹配预设方案；
具体的，根据充电系统的监测数据，收集充电波动的相关参数，例如充电电流、充电电压、充电时间等，利用充电波动检测算法，对收集到的充电波动数据进行检测，并根据检测结果，可以确定充电波动的存在与否，以及充电波动的类型和强度等信息；
再将收集到的充电波动变化参数与充电波动检测结果进行分析和比较，观察波动变化参数在不同充电波动状态下的趋势和变化规律，与检测结果进行对比，以了解充电波动的特征和影响，并基于分析结果和经验知识，设定一套预设调整方案，这些调整方案可以包括针对不同充电波动类型的策略和操作指导，以及针对不同充电波动强度的调整建议；
同时根据充电波动的检测结果，将预设的调整方案与实际情况进行匹配，根据检测结果的类型和强度，选择相应的预设调整方案进行实施，在实施预设调整方案后，持续监测充电波动的变化和效果，根据监测结果，对预设调整方案进行适时的调整和优化，以达到更好的匹配和调整效果。
S7、对匹配方案进行可行性评估，将充电波动检测结果、匹配的预设调整方案及可行性评估结果进行反馈，并采集预设调整方案的实施效率，实时调整预设调整方案。
具体的，实时收集充电波动的监测数据，包括充电电流、充电电压、充电时间等，利用充电波动检测算法或方法，对实时收集到的充电波动数据进行检测，并根据充电波动的检测结果，选择相应的预设调整方案进行实施，同时将匹配的预设调整方案与实时数据进行关联；
再基于匹配的预设调整方案和实时数据，进行可行性评估，评估预设调整方案的可行性，包括方案的可操作性、实施效果和安全性等，根据可行性评估的结果，将充电波动检测结果、匹配的预设调整方案以及可行性评估结果进行反馈，持续监测实施预设调整方案后的充电波动数据，评估实施效果，根据监测结果，评估预设调整方案的实施效率和调整效果；
且根据监测结果和实施效果，进行实时调整预设调整方案，根据充电波动的变化和需求，优化方案的参数、策略和操作指导，以实现更好的匹配和调整效果。
根据本发明另一个实施例，如图2所示，提供了一种基于BIM模型的BMS电池管理系统，该系统包括：
参数模型构建模块1，用于获取BMS中电池的建模参数，根据建模参数构建BMS电池的BIM模型；
平衡充电信息生成模块2，用于生成BMS中各个电池的平衡充电信息；
充电波动趋势分析模块3，用于获取充电波动变化趋势，并构建充电波动变化图表；
时序波动分析模块4，用于对充电波动变化图表进行时序分析，得到时序波动变化参数；
模式识别模块5，用于对充电波动变化图表进行模式识别分析，得到充电波动检测结果；
预设调整方案匹配模块6，用于结合时序波动变化参数和充电波动检测结果匹配预设方案；
方案评估反馈模块7，用于对匹配方案进行可行性评估，将充电波动检测结果、匹配的预设调整方案及可行性评估结果进行反馈，并采集预设调整方案的实施效率，实时调整预设调整方案。
综上所述，借助于本发明的上述技术方案，本发明通过结合BIM技术能够更准确地预测，从而提高电池管理的准确性，并对电池进行数据分析和模式识别，能够实时监测电池的状态和健康状况，从而实现电池的智能化管理，且通过对电池进行时序分析和模式识别，能够快速检测和预测电池的状态，从而提高电池管理的效率。
此外，本发明根据电池的实时状态和健康状况，自动调整充电策略，从而实现电池的优化充电，并通过对电池进行准确预测和管理，避免电池过度充电或过度放电，延长电池的使用寿命，同时通过实时监测电池的状态和健康状况，及时发现并处理异常情况，提高电池使用的安全性，并通过对电池进行智能化管理，减少电池的损耗和维护成本。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于BIM模型的BMS电池管理方法，其特征在于，该方法包括以下步骤：
S1、获取BMS中电池的建模参数，并构建BMS电池的BIM模型；
S2、生成BMS中各个电池的平衡充电信息；
S3、获取充电波动变化趋势，并构建充电波动变化图表；
S4、对充电波动变化图表进行时序分析，得到时序波动变化参数；
S5、对充电波动变化图表进行模式识别分析，得到充电波动检测结果；
S6、结合时序波动变化参数和充电波动检测结果匹配预设方案；
S7、对匹配方案进行可行性评估，将充电波动检测结果、匹配的预设调整方案及可行性评估结果进行反馈，并采集预设方案的实施效率，实时调整预设方案。
2.根据权利要求1所述的一种基于BIM模型的BMS电池管理方法，其特征在于，所述生成BMS中各个电池的平衡充电信息包括以下步骤：
S21、基于BIM模型和历史充电数据生成电池的历史充电过程数据；
S22、基于历史充电过程数据进行分析各个电池充电状态，并根据电池充电状态生成平衡充电参数；
S23、对平衡充电参数进行验证，并根据验证结果生成平衡充电信息。
3.根据权利要求1所述的一种基于BIM模型的BMS电池管理方法，其特征在于，所述获取充电波动变化趋势，并构建充电波动变化图表包括以下步骤：
S31、根据平衡充电信息进行充电波动统计分析，得到充电波动变化趋势；
S32、基于充电波动变化趋势进行变化特征提取，并根据提取特征结果进行构建充电波动变化图表；
S33、对充电波动变化图表进行信息标注，并预设充电波动安全阀值。
4.根据权利要求1所述的一种基于BIM模型的BMS电池管理方法，其特征在于，所述对充电波动变化图表进行时序分析，得到时序波动变化参数包括以下步骤：
S41、对充电波动变化图表进行电池波动参数提取，并对提取的电池波动参数进行预处理；
S42、对预处理后的电池波动参数进行频谱分析，并获取电池波动参数的变化模式和变化趋势；
S43、根据电池波动参数的变化模式和变化趋势进行变化特征提取，得到变化特征数据；
S44、对变化特征数据进行分析，并根据分析结果判断变化特征数据是否存在异常。
5.根据权利要求4所述的一种基于BIM模型的BMS电池管理方法，其特征在于，所述对预处理后的电池波动参数进行频谱分析，并获取电池波动参数的变化模式和变化趋势包括以下步骤：
S421、将电池波动参数的时域信号转换为频域信号，并将电池波动参数通过频谱分析方法进行分析；
S422、根据分析结果进行识别电池波动参数的频率分量和频率幅值；
S423、将频率分量和频率幅值带入时间序列分析模型进行计算，生成电池波动参数的变化模式和变化趋势。
6.根据权利要求1所述的一种基于BIM模型的BMS电池管理方法，其特征在于，所述对充电波动变化图表进行模式识别分析，得到充电波动检测结果包括以下步骤：
S51、对充电波动变化图表进行去噪，并对充电波动变化图表进行数据格式归一化，得到充电波动数据；
S52、将充电波动数据映射到QRS波复杂体，并对充电波动数据进行数据转换；
S53、将映射后的充电波动数据带入QRS波检测算法生成充电波动检测结果。
7.根据权利要求6所述的一种基于BIM模型的BMS电池管理方法，其特征在于，所述将充电波动数据映射到QRS波复杂体，并对充电波动数据进行数据转换包括以下步骤：
S521、提取的充电波动数据中的波形特征；
S522、将波形特征通过动态时间扭曲算法映射到模拟的QRS波复杂体，并将波形特征转换为QRS波形；
S523、根据QRS波形通过潘汤姆金斯算法进行分析，并根据分析结果对QRS波形进行调整；
S524、将调整后的QRS波形与充电波动数据进行验证，并根据验证结果进行QRS波形校准。
8.根据权利要求7所述的一种基于BIM模型的BMS电池管理方法，其特征在于，所述根据QRS波形通过潘汤姆金斯算法进行分析，并根据分析结果对QRS波形进行调整包括以下步骤：
S5231、对QRS波形中的噪声进行带通滤波；
S5232、对带通滤波后的QRS波形进行分析计算，获取QRS波形的峰值信息；
S5233、预设波形阈值和应用决策规则，并对QRS波形进行对比分析；
S5234、将对比分析后的QRS波形进行电池的健康状态评估，并根据对健康状态评估结果对QRS波形进行调整。
9.根据权利要求8所述的一种基于BIM模型的BMS电池管理方法，其特征在于，所述对带通滤波后的QRS波形进行分析计算，获取QRS波形的峰值信息包括以下步骤：
S52321、对QRS波形进行微分计算，获取QRS波形的斜率，计算公式为：
S52322、将微分后的QRS波形进行平方，突出QRS波形的高频部分，计算公式为：
y(n)＝[sig(n)]2
其中，T(n)为采样点n对应的5点差分值；
sig(n)为采样点n对应的电池波形幅值；
sig(n-2)表示采样点n前两个采样点对应的电池波形幅值；
sig(n-1)表示采样点n前一个采样点对应的电池波形幅值；
sig(n+1)表示采样点n后一个采样点对应的电池波形幅值；
sin(n+2)表示采样点n后两个采样点对应的电池波形幅值；
S52323、对QRS波形进行移动窗口积分，获取QRS波形的时间宽度信息；
S52324、将高频后的QRS波形和QRS波形的时间宽度信息进行整合，生成QRS波形的峰值信息。
10.一种基于BIM模型的BMS电池管理系统，用于实现权利要求1-9中任一项所述的基于BIM模型的BMS电池管理方法，其特征在于，该系统包括：
参数模型构建模块(1)，用于获取BMS中电池的建模参数，根据建模参数构建BMS电池的BIM模型；
平衡充电信息生成模块(2)，用于生成BMS中各个电池的平衡充电信息；
充电波动趋势分析模块(3)，用于获取充电波动变化趋势，并构建充电波动变化图表；
时序波动分析模块(4)，用于对充电波动变化图表进行时序分析，得到时序波动变化参数；
模式识别模块(5)，用于对充电波动变化图表进行模式识别分析，得到充电波动检测结果；
预设调整方案匹配模块(6)，用于结合时序波动变化参数和充电波动检测结果匹配预设方案；
方案评估反馈模块(7)，用于对匹配方案进行可行性评估，将充电波动检测结果、匹配的预设调整方案及可行性评估结果进行反馈，并采集预设调整方案的实施效率，实时调整预设调整方案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311175252.3A CN117200394A (zh) | 2023-09-13 | 2023-09-13 | 一种基于bim模型的bms电池管理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311175252.3A CN117200394A (zh) | 2023-09-13 | 2023-09-13 | 一种基于bim模型的bms电池管理方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117200394A true CN117200394A (zh) | 2023-12-08 |
Family
ID=89004776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311175252.3A Pending CN117200394A (zh) | 2023-09-13 | 2023-09-13 | 一种基于bim模型的bms电池管理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117200394A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368744A (zh) * | 2023-12-07 | 2024-01-09 | 苏州普林新能源有限公司 | 一种户用储能电池在线评估方法 |
| CN117691217A (zh) * | 2023-12-13 | 2024-03-12 | 连云港庚德电子系统科技有限公司 | 一种数字控制bms管理应急系统及方法 |
-
2023
- 2023-09-13 CN CN202311175252.3A patent/CN117200394A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117368744A (zh) * | 2023-12-07 | 2024-01-09 | 苏州普林新能源有限公司 | 一种户用储能电池在线评估方法 |
| CN117368744B (zh) * | 2023-12-07 | 2024-02-09 | 苏州普林新能源有限公司 | 一种户用储能电池在线评估方法 |
| CN117691217A (zh) * | 2023-12-13 | 2024-03-12 | 连云港庚德电子系统科技有限公司 | 一种数字控制bms管理应急系统及方法 |
| CN117691217B (zh) * | 2023-12-13 | 2024-05-07 | 连云港庚德电子系统科技有限公司 | 一种数字控制bms管理应急系统及方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117200394A (zh) | 一种基于bim模型的bms电池管理方法及系统 | |
| JP7164217B2 (ja) | モバイル・デバイスに対するバッテリ健全性を緩和電圧に基づいて推定する方法 | |
| CN105429135A (zh) | 一种非侵入式电力负荷分解的辨识决策方法及系统 | |
| CN114167838B (zh) | 一种伺服系统多尺度健康评估与故障预测方法 | |
| JPH1183618A (ja) | 音響監視装置 | |
| CN117074965B (zh) | 一种锂离子电池剩余寿命预测方法及系统 | |
| CN116933197A (zh) | 一种基于大数据的用电信息采集系统故障判别方法及系统 | |
| CN117538710A (zh) | 用于局部动态放电监测的智能预警方法及系统 | |
| CN117169639B (zh) | 一种电源适配器生产用产品检测方法及系统 | |
| CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
| CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
| CN117554821A (zh) | 基于深度学习网络的储能电池在线监测管理方法及系统 | |
| JP3693644B2 (ja) | 設備の運転状態音響監視方法および設備の運転状態音響監視装置 | |
| CN116910680A (zh) | 一种健身器材的远程故障检测方法及系统 | |
| CN116975389A (zh) | 一种变电站故障分析方法及装置 | |
| KR101575204B1 (ko) | 부분 방전 진단 장치 및 그 방법 | |
| CN116434368A (zh) | 一种多功能手持巡检仪及巡检方法 | |
| US20240044695A1 (en) | Train compartment vibration monitoring method and vibration signal feature library establishment and application methods | |
| CN111781467B (zh) | 一种基于多维全景数据的电网故障智能判别方法 | |
| CN117092541B (zh) | 一种直流充电大数据计算电池健康的分析方法 | |
| CN113128158A (zh) | 一种无线电能传输系统的耦合系数辨识方法 | |
| CN117007977B (zh) | 一种储能电池健康状态诊断方法 | |
| CN117394409B (zh) | 储能电站设备状态的智能评估方法及系统 | |
| CN118130984B (zh) | 基于数据驱动的电缆局放故障实时监测方法 | |
| WO2022270124A1 (ja) | 学習装置、推論装置、学習方法および推論方法 |
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 |