CN117445755A - 基于云计算的电动汽车电池远程监控系统 - Google Patents
基于云计算的电动汽车电池远程监控系统 Download PDFInfo
- Publication number
- CN117445755A CN117445755A CN202311446760.0A CN202311446760A CN117445755A CN 117445755 A CN117445755 A CN 117445755A CN 202311446760 A CN202311446760 A CN 202311446760A CN 117445755 A CN117445755 A CN 117445755A
- Authority
- CN
- China
- Prior art keywords
- data
- battery
- unit
- prediction model
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 22
- 238000005457 optimization Methods 0.000 claims abstract description 40
- 238000012423 maintenance Methods 0.000 claims abstract description 30
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 230000036541 health Effects 0.000 claims abstract description 19
- 238000007405 data analysis Methods 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000005856 abnormality Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 10
- 238000003745 diagnosis Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 5
- 238000013450 outlier detection Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000002035 prolonged effect Effects 0.000 abstract description 2
- 230000000007 visual effect Effects 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 18
- 238000010586 diagram Methods 0.000 description 11
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000001413 cellular effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000013079 data visualisation Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010183 spectrum analysis Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method 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
-
- 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
- B60L3/00—Electric devices on electrically-propelled vehicles for safety purposes; Monitoring operating variables, e.g. speed, deceleration or energy consumption
- B60L3/0023—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train
- B60L3/0046—Detecting, eliminating, remedying or compensating for drive train abnormalities, e.g. failures within the drive train relating to electric energy storage systems, e.g. batteries or capacitors
-
- 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
- B60L58/16—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries responding to battery ageing, e.g. to the number of charging cycles or the state of health [SoH]
-
- 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
- B60L58/24—Methods or circuit arrangements for monitoring or controlling batteries or fuel cells, specially adapted for electric vehicles for monitoring or controlling batteries for controlling the temperature of batteries
-
- G—PHYSICS
- G08—SIGNALLING
- G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
- G08C17/00—Arrangements for transmitting signals characterised by the use of a wireless electrical link
- G08C17/02—Arrangements for transmitting signals characterised by the use of a wireless electrical link using a radio link
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Sustainable Development (AREA)
- Sustainable Energy (AREA)
- Transportation (AREA)
- Mechanical Engineering (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明适用于电动汽车电池领域，提供了基于云计算的电动汽车电池远程监控系统，所述系统包括：数据采集模块、数据处理模块、数据分析模块、优化建议模块。该系统。通过数据分析模块建立预测模型，并基于历史数据库中的数据对汽车电池的寿命和健康状态进行预测建模。预测模型能够根据历史数据和实时数据，对电池的寿命和健康状态进行准确的预测，帮助用户及时采取维护措施，延长电池的使用寿命。且能够帮助用户了解电池的健康状态和异常情况，采取相应的措施，提升电池的寿命和性能。通过数据展示单元，优化建议模块将异常判定结果和维护策略进行可视化展示，使用户能够更加直观地理解和应用优化建议。
Description
技术领域
本发明属于电动汽车电池领域，尤其涉及基于云计算的电动汽车电池远程监控系统。
背景技术
电动汽车电池是电动汽车的核心能源储存装置，它负责存储和释放电能，驱动电动汽车的电动机运转。电动汽车电池通常采用锂离子电池技术，因其高能量密度、长寿命和较低的自放电率而被广泛应用。
电动汽车电池管理是一个综合性的系统工程，旨在确保电动汽车电池的正常运行和可靠性，提高电池的性能和寿命，以及优化电动汽车的使用效率。电动汽车电池管理是一个综合性的工程，涉及到监控、维护、优化等多个方面，旨在保证电池的性能和寿命，提高电动汽车的使用效率和可靠性。通过科学的管理和技术手段，可以最大限度地发挥电动汽车电池的优势，推动电动汽车的普及和发展。
目前数据采集通常是通过手动方式进行，需要人工操作或定期检查。这种方式存在数据采集不及时的问题，无法实时获取电池的状态数据，且电池寿命和健康状态的预测通常依赖于经验模型或简单的统计方法，预测准确性有限，同时给出的优化建议通常比较笼统，缺乏具体的指导和操作建议。
发明内容
本发明的目的在于提供基于云计算的电动汽车电池远程监控系统，旨在解决背景技术中确定的现有技术存在的技术问题。
本发明是这样实现的，基于云计算的电动汽车电池远程监控系统，所述系统包括：
数据采集模块，用于通过车辆传感器实时获取汽车电池的状态数据，包括电压、电流和温度；
数据处理模块，用于对所采集的数据进行特征提取和指标计算，并建立历史数据库，将处理后的数据存储于历史数据库中；
数据分析模块，用于建立预测模型，并基于历史数据库中所存储的数据对汽车电池的寿命和健康状态进行预测建模，并根据预测结果对汽车电池进行预测性维护；
优化建议模块，用于根据预测结果，生成电池优化图表，并结合历史数据库中的数据，给出电池优化建议。
作为本发明更进一步的方案，所述数据采集模块包括：
传感器连接单元，用于建立与车辆内部传感器之间的连接，并通过传感器实时获取电池的窗台数据；
实时传输单元，用于通过无线通信的方式将实时采集到的数据进行上传。
作为本发明更进一步的方案，所述数据采集模块还包括：
采集控制单元，用于控制数据采集的频率；
质量监控单元，用于对采集到的数据进行质量监控，检测数据是否存在异常。
作为本发明更进一步的方案，所述数据处理模块包括：
数据预处理单元，用于对采集到的原始数据进行清洗，并对其进行去噪、异常值检测和修正以及数据插值操作，消除数据中的噪声和不完整性；
特征提取单元，用于对预处理后的数据中提取出有关电池状态和性能特征的数据，特征包括电压、电流、温度、频域特征和时域特征；
指标计算单元，用于根据所提取的特征对电池指标进行计算，对电池的健康状态和性能进行评估；
数据库建立单元，用于建立历史数据库，并将处理后的数据存储于历史数据库中。
作为本发明更进一步的方案，所述数据分析模块包括：
模型建立单元，用于建立预测模型，并通过历史数据库中的数据对该预测模型进行训练；
评估优化单元，用于设立评估指标，并依据评估指标对训练后的预测模型的性能进行评估；
结果生成单元，用于将采集的数据代入到预测模型中，通过预测模型生成预测结果。
作为本发明更进一步的方案，所述预测模型的预测公式为：
Y＝f(W*X+b)
其中，Y为预测结果，f()为激活函数，W为权重矩阵，表示每个特征的权重，X表示输入的特征向量，且与W相对应，b为偏置项，用于调整模型输出。
作为本发明更进一步的方案，所述优化建议模块包括：
异常诊断单元，用于结合历史数据库中的数据和预测模型的预测结果，对汽车电池的异常情况进行判定；
策略生成单元，用于根据预测结果，生成维护策略和建议，包括更换电池建议和调整充电策略建议，并将所生成的维护策略存储于历史数据库中；
数据展示单元，用于将异常判定结果和维护策略进行可视化展示。
本发明的有益效果是：
该系统通过车辆传感器实时获取汽车电池的状态数据，并通过数据处理模块对数据进行特征提取和指标计算。相较于传统的手动采集和处理方式，该系统能够实时获取和处理大量的数据，提高了数据采集和处理的效率。
通过数据分析模块建立预测模型，并基于历史数据库中的数据对汽车电池的寿命和健康状态进行预测建模。预测模型能够根据历史数据和实时数据，对电池的寿命和健康状态进行准确的预测，帮助用户及时采取维护措施，延长电池的使用寿命。
且能够帮助用户了解电池的健康状态和异常情况，采取相应的措施，提升电池的寿命和性能。通过数据展示单元，优化建议模块将异常判定结果和维护策略进行可视化展示，使用户能够更加直观地理解和应用优化建议。
附图说明
图1为本发明实施例提供的基于云计算的电动汽车电池远程监控系统的结构框图；
图2为本发明实施例提供的数据采集模块的结构框图；
图3为本发明实施例提供的数据处理模块的结构框图；
图4为本发明实施例提供的数据分析模块的结构框图；
图5为本发明实施例提供的优化建议模块的结构框图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
可以理解，本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件，但除非特别说明，这些元件不受这些术语限制。这些术语仅用于将第一个元件与另一个元件区分。举例来说，在不脱离本申请的范围的情况下，可以将第一xx脚本称为第二xx脚本，且类似地，可将第二xx脚本称为第一xx脚本。
图1为本发明实施例提供的基于云计算的电动汽车电池远程监控系统的结构框图，如图1所示，基于云计算的电动汽车电池远程监控系统，所述系统包括：
数据采集模块100，用于通过车辆传感器实时获取汽车电池的状态数据，包括电压、电流和温度；
在本模块中，电动汽车的电池系统通常配备了多个传感器，用于监测电池的各种参数，如电压、电流和温度等。本模块负责与这些传感器进行通信，并获取实时的电池状态数据。
且在获取数据后，使用无线通信技术，如无线局域网(Wi-Fi)、蜂窝网络(3G/4G/5G)或物联网(IoT)等，将数据传输到云端服务器或远程监控中心。实时传输单元需要保证数据的及时性和可靠性，以确保后续模块可以及时获取到最新的电池状态数据。
电动汽车的电池状态数据可以按照一定的时间间隔进行采集，以平衡数据采集的实时性和对车辆系统的影响。采集控制单元可以根据系统需求和资源限制，设置合适的采集频率，以确保数据的准确性和有效性。
由于采集过程中可能存在传感器故障、数据丢失或异常情况，质量监控单元可以对采集到的数据进行实时监测和检测，以识别和排除异常数据。例如，可以通过数据范围、变化率或与其他传感器数据的一致性等方式进行数据质量的评估和监控。
数据处理模块200，用于对所采集的数据进行特征提取和指标计算，并建立历史数据库，将处理后的数据存储于历史数据库中；
在本模块中，先通过滤波技术、异常值检测算法和插值方法等，对数据进行修正和补充，以提高数据的准确性和完整性。例如，对于温度数据，可以使用平滑滤波器去除噪声，使用插值方法填充缺失值。
随后需要对数据特征进行提取，特征可以包括电压、电流、温度等基本参数，以及频域特征和时域特征等高级特征。频域特征可以通过对数据进行傅里叶变换或小波变换等频谱分析方法得到，用于描述电池信号的频率特性。时域特征可以通过对数据进行统计分析，如均值、方差、峰值等，用于描述电池信号的时序特性。
然后会依据所提取的特征数据，对电池的健康状态和性能指标进行评估，这些指标可以用于评估电池的寿命、剩余容量、内阻和温度等。例如，可以通过电压和电流的变化率来评估电池的放电速率，通过温度的变化来评估电池的热管理性能。指标计算单元可以使用数学模型、统计方法或机器学习算法来进行指标的计算和预测。
最后会建立用于存储数据的历史数据库，历史数据库可以使用关系型数据库或时序数据库等技术来搭建，以便存储大量的电池状态数据。数据库建立单元可以设计适当的数据表结构，以支持数据的高效存储和查询。历史数据库中的数据可以用于后续的数据分析、建模和优化建议生成。
数据分析模块300，用于建立预测模型，并基于历史数据库中所存储的数据对汽车电池的寿命和健康状态进行预测建模，并根据预测结果对汽车电池进行预测性维护；
在本模块中，首先需要选择合适的模型类型，并根据历史数据库中的数据进行训练，调整模型的参数和权重。训练过程可以使用梯度下降、遗传算法等优化方法，以最小化模型的预测误差。
且设立评估指标，并依据评估指标对训练后的预测模型的性能进行评估。评估指标可以包括均方根误差(RMSE)、平均绝对误差(MAE)、决定系数(R2)等。评估优化单元通过与实际观测值进行比较，计算模型的预测误差，并根据评估指标对模型的性能进行评估。如果模型的性能不达标，可以通过调整模型的结构、增加训练数据或调整模型的超参数来优化模型。
最后将采集到的电池状态数据转化为特征向量X，并代入预测模型中进行计算，得到预测结果Y。预测结果可以是电池寿命的剩余时间、健康状态的等级或其他相关指标。
数据分析模块可以建立预测模型，并对电池寿命和健康状态进行预测建模。预测模型的性能可以通过评估优化单元进行评估，并根据评估结果进行模型的优化。最后，结果生成单元将采集到的数据代入预测模型中，生成预测结果，用于生成电池优化建议。这些优化建议可以包括充电策略调整、温度控制优化、容量补偿建议等，以提升电池的寿命和性能。
优化建议模块400，用于根据预测结果，生成电池优化图表，并结合历史数据库中的数据，给出电池优化建议。
在本模块中，异常情况可以包括电池容量下降、充电速率变慢、温度异常等。异常诊断单元根据预测模型的预测结果，结合历史数据库中的数据，采用数据挖掘和机器学习算法，对电池状态进行分析和诊断，判断电池是否处于异常状态。
根据诊断结果和预测模型的预测结果，结合历史数据库中的数据，采用数据挖掘和机器学习算法，生成针对电池异常的维护策略和建议。维护策略可以包括更换电池、调整充电策略、降低负载等。策略生成单元将所生成的维护策略和建议存储于历史数据库中，以便后续分析和优化。
最后采用数据可视化工具，如Tableau、PowerBI等，将数据展示得更加直观、易于理解。用户可以通过数据展示单元查看电池的健康状态、异常情况和维护建议，以便及时采取相应的措施，保障电池的寿命和性能。
优化建议模块可以根据预测模型的预测结果，生成电池优化图表，并结合历史数据库中的数据，给出电池优化建议。异常诊断单元用于判断电池是否处于异常状态，策略生成单元用于生成针对电池异常的维护策略和建议，数据展示单元用于将异常判定结果和维护策略进行可视化展示。这些优化建议可以帮助用户及时发现电池的异常情况，采取相应的措施，以提升电池的寿命和性能。
图2为本发明实施例提供的数据采集模块的结构框图，如图2所示，所述数据采集模块包括：
传感器连接单元110，用于建立与车辆内部传感器之间的连接，并通过传感器实时获取电池的窗台数据；
在本单元中，电动汽车的电池系统通常配备了多个传感器，用于监测电池的各种参数，如电压、电流和温度等。传感器连接单元负责与这些传感器进行通信，并获取实时的电池状态数据。
实时传输单元120，用于通过无线通信的方式将实时采集到的数据进行上传。
在本单元中，使用各种通信技术，如无线局域网(Wi-Fi)、蜂窝网络(3G/4G/5G)或物联网(IoT)等，将数据传输到云端服务器或远程监控中心。实时传输单元需要保证数据的及时性和可靠性，以确保后续模块可以及时获取到最新的电池状态数据。
图2为本发明实施例提供的数据采集模块的结构框图，如图2所示，所述数据采集模块还包括：
采集控制单元130，用于控制数据采集的频率；
在本单元中，电动汽车的电池状态数据可以按照一定的时间间隔进行采集，以平衡数据采集的实时性和对车辆系统的影响。采集控制单元可以根据系统需求和资源限制，设置合适的采集频率，以确保数据的准确性和有效性。
质量监控单元140，用于对采集到的数据进行质量监控，检测数据是否存在异常。
在本单元中，由于采集过程中可能存在传感器故障、数据丢失或异常情况，质量监控单元可以对采集到的数据进行实时监测和检测，以识别和排除异常数据。例如，可以通过数据范围、变化率或与其他传感器数据的一致性等方式进行数据质量的评估和监控。
通过以上子单元的协同工作，数据采集模块可以实时获取电动汽车电池的状态数据，并确保数据的准确性和可靠性。这些数据将作为后续数据处理和分析模块的输入，用于建立预测模型、生成优化建议以及进行电池的预测性维护。
图3为本发明实施例提供的数据处理模块的结构框图，如图3所示，所述数据处理模块包括：
数据预处理单元210，用于对采集到的原始数据进行清洗，并对其进行去噪、异常值检测和修正以及数据插值操作，消除数据中的噪声和不完整性；
在本单元中，通过滤波技术、异常值检测算法和插值方法等，对数据进行修正和补充，以提高数据的准确性和完整性。例如，对于温度数据，可以使用平滑滤波器去除噪声，使用插值方法填充缺失值。
特征提取单元220，用于对预处理后的数据中提取出有关电池状态和性能特征的数据，特征包括电压、电流、温度、频域特征和时域特征；
在本单元中，特征可以包括电压、电流、温度等基本参数，以及频域特征和时域特征等高级特征。频域特征可以通过对数据进行傅里叶变换或小波变换等频谱分析方法得到，用于描述电池信号的频率特性。时域特征可以通过对数据进行统计分析，如均值、方差、峰值等，用于描述电池信号的时序特性。
指标计算单元230，用于根据所提取的特征对电池指标进行计算，对电池的健康状态和性能进行评估；
在本单元中，这些指标可以用于评估电池的寿命、剩余容量、内阻和温度等。例如，可以通过电压和电流的变化率来评估电池的放电速率，通过温度的变化来评估电池的热管理性能。指标计算单元可以使用数学模型、统计方法或机器学习算法来进行指标的计算和预测。
数据库建立单元240，用于建立历史数据库，并将处理后的数据存储于历史数据库中。
在本单元中，历史数据库可以使用关系型数据库或时序数据库等技术来搭建，以便存储大量的电池状态数据。数据库建立单元可以设计适当的数据表结构，以支持数据的高效存储和查询。历史数据库中的数据可以用于后续的数据分析、建模和优化建议生成。
通过以上子单元的协同工作，数据处理模块可以对采集到的原始数据进行清洗、特征提取和指标计算，并将处理后的数据存储于历史数据库中。这些处理后的数据将作为后续数据分析模块的输入，用于建立预测模型、生成优化建议以及进行电池的预测性维护。
图4为本发明实施例提供的数据分析模块的结构框图，如图4所示，所述数据分析模块包括：
模型建立单元310，用于建立预测模型，并通过历史数据库中的数据对该预测模型进行训练；
在本单元中，模型建立单元会根据历史数据库中的数据对预测模型进行训练，调整模型的参数和权重。在训练预测模型时，需要将历史数据库中的数据分成训练集和测试集，通过交叉验证等方法对模型进行评估，以确保模型的泛化能力。
评估优化单元320，用于设立评估指标，并依据评估指标对训练后的预测模型的性能进行评估；
使用多种评估指标来评估预测模型的性能，例如均方误差、平均绝对误差、R2得分等。这些指标可以反映预测模型的准确度、稳定性和泛化能力。评估指标的选择应该根据实际情况进行调整，以确保评估结果具有实际意义。
结果生成单元330，用于将采集的数据代入到预测模型中，通过预测模型生成预测结果。
在本单元中，需要将采集到的数据转换为特征向量，并将其代入到预测模型中进行预测。预测结果可以反映电池的寿命和健康状态，可以用于预测性维护和优化建议。预测结果的精度和稳定性是系统的重要指标之一，需要通过评估优化单元来进行评估和改进。
在本发明实施例中，所述预测模型的预测公式为：
Y＝f(W*X+b)
其中，Y为预测结果，f()为激活函数，W为权重矩阵，表示每个特征的权重，X表示输入的特征向量，且与W相对应，b为偏置项，用于调整模型输出。
图5为本发明实施例提供的优化建议模块的结构框图，如图5所示，所述优化建议模块包括：
异常诊断单元410，用于结合历史数据库中的数据和预测模型的预测结果，对汽车电池的异常情况进行判定；
在本单元中，通过比较实际采集到的数据与预测模型预测的数据之间的差异，来判断电池是否存在异常情况。例如，如果实际电流超过了预测模型所预测的电流范围，或者实际温度超过了预测模型所预测的温度范围，就可以判定电池存在异常情况。异常诊断单元还可以根据历史数据库中的数据，分析电池的使用情况，检测出潜在的故障和问题。
策略生成单元420，用于根据预测结果，生成维护策略和建议，包括更换电池建议和调整充电策略建议，并将所生成的维护策略存储于历史数据库中；
在本单元中，根据预测模型的结果，判断电池的寿命和健康状态，并根据不同的情况生成相应的维护策略和建议。例如，如果预测模型预测电池寿命较短，可以生成更换电池的建议；如果预测模型预测电池健康状态较差，可以生成调整充电策略的建议。策略生成单元还可以结合历史数据库中的数据，考虑电池的使用环境和用户的需求，生成个性化的维护策略和建议。
数据展示单元430，用于将异常判定结果和维护策略进行可视化展示。
在本单元中，使用数据可视化技术，将异常判定结果和维护策略以图表、曲线等形式展示给用户。例如，可以通过折线图展示电池温度的变化趋势，通过散点图展示电池寿命与充电次数的关系等。数据展示单元可以帮助用户直观地了解电池的异常情况和维护建议，从而更好地进行决策和操作。
应该理解的是，虽然本发明各实施例的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，各实施例中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
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、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (7)
1.基于云计算的电动汽车电池远程监控系统，其特征在于，所述系统包括：
数据采集模块，用于通过车辆传感器实时获取汽车电池的状态数据，包括电压、电流和温度；
数据处理模块，用于对所采集的数据进行特征提取和指标计算，并建立历史数据库，将处理后的数据存储于历史数据库中；
数据分析模块，用于建立预测模型，并基于历史数据库中所存储的数据对汽车电池的寿命和健康状态进行预测建模，并根据预测结果对汽车电池进行预测性维护；
优化建议模块，用于根据预测结果，生成电池优化图表，并结合历史数据库中的数据，给出电池优化建议。
2.根据权利要求1所述的系统，其特征在于，所述数据采集模块包括：
传感器连接单元，用于建立与车辆内部传感器之间的连接，并通过传感器实时获取电池的窗台数据；
实时传输单元，用于通过无线通信的方式将实时采集到的数据进行上传。
3.根据权利要求2所述的系统，其特征在于，所述数据采集模块还包括：
采集控制单元，用于控制数据采集的频率；
质量监控单元，用于对采集到的数据进行质量监控，检测数据是否存在异常。
4.根据权利要求1所述的系统，其特征在于，所述数据处理模块包括：
数据预处理单元，用于对采集到的原始数据进行清洗，并对其进行去噪、异常值检测和修正以及数据插值操作，消除数据中的噪声和不完整性；
特征提取单元，用于对预处理后的数据中提取出有关电池状态和性能特征的数据，特征包括电压、电流、温度、频域特征和时域特征；
指标计算单元，用于根据所提取的特征对电池指标进行计算，对电池的健康状态和性能进行评估；
数据库建立单元，用于建立历史数据库，并将处理后的数据存储于历史数据库中。
5.根据权利要求4所述的系统，其特征在于，所述数据分析模块包括：
模型建立单元，用于建立预测模型，并通过历史数据库中的数据对该预测模型进行训练；
评估优化单元，用于设立评估指标，并依据评估指标对训练后的预测模型的性能进行评估；
结果生成单元，用于将采集的数据代入到预测模型中，通过预测模型生成预测结果。
6.根据权利要求5所述的系统，其特征在于，所述预测模型的预测公式为：
Y＝f(W*X+b)
其中，Y为预测结果，f()为激活函数，W为权重矩阵，表示每个特征的权重，X表示输入的特征向量，且与W相对应，b为偏置项，用于调整模型输出。
7.根据权利要求5所述的系统，其特征在于，所述优化建议模块包括：
异常诊断单元，用于结合历史数据库中的数据和预测模型的预测结果，对汽车电池的异常情况进行判定；
策略生成单元，用于根据预测结果，生成维护策略和建议，包括更换电池建议和调整充电策略建议，并将所生成的维护策略存储于历史数据库中；
数据展示单元，用于将异常判定结果和维护策略进行可视化展示。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446760.0A CN117445755A (zh) | 2023-11-01 | 2023-11-01 | 基于云计算的电动汽车电池远程监控系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311446760.0A CN117445755A (zh) | 2023-11-01 | 2023-11-01 | 基于云计算的电动汽车电池远程监控系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117445755A true CN117445755A (zh) | 2024-01-26 |
Family
ID=89579599
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311446760.0A Pending CN117445755A (zh) | 2023-11-01 | 2023-11-01 | 基于云计算的电动汽车电池远程监控系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117445755A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117996243A (zh) * | 2024-04-07 | 2024-05-07 | 山东浪潮数据库技术有限公司 | 一种锂电储能电池包控制方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013204534A1 (de) * | 2013-03-15 | 2014-09-18 | Robert Bosch Gmbh | Batteriezelleinrichtung mit Kurzschlusssicherheitsfunktion und Verfahren zum Überwachen einer Batteriezelle |
| CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
| CN115343621A (zh) * | 2022-07-27 | 2022-11-15 | 山东科技大学 | 一种基于数据驱动的动力电池健康状态预测方法及设备 |
| CN115453376A (zh) * | 2022-10-26 | 2022-12-09 | 国网浙江省电力有限公司宁波市北仑区供电公司 | 电动汽车动力电池的状态监控方法、系统及电动汽车 |
| CN116683588A (zh) * | 2023-08-02 | 2023-09-01 | 深圳市神通天下科技有限公司 | 锂离子电池充放电控制方法及系统 |
-
2023
- 2023-11-01 CN CN202311446760.0A patent/CN117445755A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| DE102013204534A1 (de) * | 2013-03-15 | 2014-09-18 | Robert Bosch Gmbh | Batteriezelleinrichtung mit Kurzschlusssicherheitsfunktion und Verfahren zum Überwachen einer Batteriezelle |
| CN114372417A (zh) * | 2022-01-12 | 2022-04-19 | 青岛科技大学 | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 |
| CN115343621A (zh) * | 2022-07-27 | 2022-11-15 | 山东科技大学 | 一种基于数据驱动的动力电池健康状态预测方法及设备 |
| CN115453376A (zh) * | 2022-10-26 | 2022-12-09 | 国网浙江省电力有限公司宁波市北仑区供电公司 | 电动汽车动力电池的状态监控方法、系统及电动汽车 |
| CN116683588A (zh) * | 2023-08-02 | 2023-09-01 | 深圳市神通天下科技有限公司 | 锂离子电池充放电控制方法及系统 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117996243A (zh) * | 2024-04-07 | 2024-05-07 | 山东浪潮数据库技术有限公司 | 一种锂电储能电池包控制方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Guo et al. | Online estimation of SOH for lithium-ion battery based on SSA-Elman neural network | |
| US11065978B2 (en) | Systems, methods, and storage media for adapting machine learning models for optimizing performance of a battery pack | |
| US20140302355A1 (en) | Method for Ascertaining Operating Parameters of a Battery, Battery Management System, and Battery | |
| CN114372417A (zh) | 基于充电网的电动汽车电池健康状态和剩余寿命评估方法 | |
| CN117445755A (zh) | 基于云计算的电动汽车电池远程监控系统 | |
| US20230059529A1 (en) | Characterization of Rechargeable Batteries Using Machine-Learned Algorithms | |
| CN116683588B (zh) | 锂离子电池充放电控制方法及系统 | |
| CN109446661A (zh) | 一种考虑锂电池退化特性的剩余寿命预测方法 | |
| CN117113729B (zh) | 一种基于数字孪生的电力设备在线状态监测系统 | |
| CN116609676A (zh) | 一种基于大数据处理的混合储能电池状态监控方法及系统 | |
| CN117411115A (zh) | 储能电源状态的检测控制方法、装置、电子设备及介质 | |
| CN115219904A (zh) | 用于运行用来提供电化学电池组模型的系统的方法和装置 | |
| CN114036647A (zh) | 一种基于实车数据的动力电池安全风险评估方法 | |
| CN117639602A (zh) | 电机运行状态自适应调节方法及系统 | |
| US20230305073A1 (en) | Method and apparatus for providing a predicted aging state of a device battery based on a predicted usage pattern | |
| CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
| US20230280406A1 (en) | Verfahren und Vorrichtung zum Erkennen einer kritischen Anomalie in einer Gerätebatterie basierend auf maschinellen Lernverfahren | |
| US20230324463A1 (en) | Method and Apparatus for Operating a System for Detecting an Anomaly of an Electrical Energy Store for a Device by Means of Machine Learning Methods | |
| CN117630672A (zh) | 借助变换器模型预测诊断技术设备的设备电池的方法和设备 | |
| CN116306214A (zh) | 提供确定储能器的老化状态的老化状态模型的方法和设备 | |
| US20220187376A1 (en) | Method and Device for Predicting a State of Health of an Energy Storage System | |
| CN115219932A (zh) | 用于评价设备电池组的相对老化状态的方法和装置 | |
| CN113809789A (zh) | 功率控制方法、能量路由器、功率控制系统及存储介质 | |
| US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
| US20230306803A1 (en) | Method and apparatus for the user-dependent selection of a battery operated technical device depending on a user usage profile |
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 |