CN117748664A - 一种基于云端ai控制的bms控制方法及系统 - Google Patents
一种基于云端ai控制的bms控制方法及系统 Download PDFInfo
- Publication number
- CN117748664A CN117748664A CN202311751450.XA CN202311751450A CN117748664A CN 117748664 A CN117748664 A CN 117748664A CN 202311751450 A CN202311751450 A CN 202311751450A CN 117748664 A CN117748664 A CN 117748664A
- Authority
- CN
- China
- Prior art keywords
- control
- cloud
- calculation formula
- index
- time sequence
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004364 calculation method Methods 0.000 claims abstract description 79
- 238000012300 Sequence Analysis Methods 0.000 claims abstract description 57
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000006243 chemical reaction Methods 0.000 claims abstract description 21
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000012937 correction Methods 0.000 claims description 35
- 238000004590 computer program Methods 0.000 claims description 19
- 238000003860 storage Methods 0.000 claims description 9
- 230000008878 coupling Effects 0.000 claims description 8
- 238000010168 coupling process Methods 0.000 claims description 8
- 238000005859 coupling reaction Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims 1
- 238000004146 energy storage Methods 0.000 abstract description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002123 temporal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及储能电源管理技术领域,更具体地,涉及一种基于云端AI控制的BMS控制方法及系统。该方案包括对全部云端获取的信息进行统一化处理,形成标准化数据;对标准化数据进行时序分析和转化,形成标准时序分析数据;根据标准时序分析数据进行第一关联指标计算;根据标准时序分析数据进行第二关联指标计算;提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数;获取每个位置的最优的控制参数,并在线执行。该方案通过云端的多电池信息的同步,使得多个电池的综合控制系统的结构更加的容易扩展,此外,考虑到电池的控制之间存在一定的配合关系,亟需提供一种基于云端数据的在线分析方法。
Description
技术领域
本发明涉及储能电源管理技术领域,更具体地,涉及一种基于云端AI控制的BMS控制方法及系统。
背景技术
风电、光伏发电将快速发展,而储能是解决风电、光伏发电不稳定性、间歇性,增强能源系统供应安全性、灵活性的重要手段。近年来,电源储能技术不断发展,电池管理系统(BMS)是进行储能管理的一种关键手段。
在本发明技术之前,现有技术主要依靠既定的方案进行单一单元的控制,或者在线根据P ID等闭环控制手段完成对应电池的关联管理和控制,但是这些手段无法考虑如何兼容多个空间上和时间上不同区域位置的储能的即插即用,灵活控制,尤其是,无法面对快速扩展和接入储能的控制优化,难以实现较好的电压稳定控制。
发明内容
鉴于上述问题,本发明提出了一种基于云端AI控制的BMS控制方法及系统,通过云端的多电池信息的同步,使得多个电池的综合控制系统的结构更加的容易扩展,此外,考虑到电池的控制之间存在一定的配合关系,亟需提供一种基于云端数据的在线分析方法。
根据本发明实施例第一方面,提供一种基于云端AI控制的BMS控制方法。
在一个或多个实施例中,优选地,所述一种基于云端AI控制的BMS控制方法包括:
对全部云端获取的信息进行统一化处理,形成标准化数据;
对标准化数据进行时序分析和转化,形成标准时序分析数据;
根据标准时序分析数据进行第一关联指标计算;
根据标准时序分析数据进行第二关联指标计算;
提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数;
获取每个位置的最优的控制参数,并在线执行。
在一个或多个实施例中,优选地,所述对全部云端获取的信息进行统一化处理,形成标准化数据,具体包括:
将已经标幺化的数据转化为有名值;
将电压、电流和功率信息的单位统一化,存储为标准化数据。
在一个或多个实施例中,优选地,所述对标准化数据进行时序分析和转化,形成标准时序分析数据,具体包括:
以每秒1000个点为准,将标准化数据进行提取;
当缺少某个时间位置的数据时,根据该数据前后数据,进行线性化补全,最终形成标准时序分析数据。
在一个或多个实施例中,优选地,所述根据标准时序分析数据进行第一关联指标计算,具体包括:
根据标准时序分析数据分析不同编号位置的电压偏差,并提取地理位置上相邻节点的电压偏差;
利用第一计算公式计算第一关联指标;
所述第一计算公式为:
其中,C1为第一关联指标,用于描述相邻节点的耦合指数,Ui和Uj依次为编号i节点和编号j节点的电压偏差,编号i节点和编号j节点为相邻节点。
在一个或多个实施例中,优选地,所述根据标准时序分析数据进行第二关联指标计算,具体包括:
根据标准时序分析数据分析不同编号位置的电压偏差,并提取电连接节点的电压偏差;
利用第二计算公式计算第二关联指标;
所述第二计算公式为:
其中,C2为第二关联指标,用于描述电连接节点的耦合指数,Um和Un依次为编号m节点和编号n节点的电压偏差,编号m节点和编号n节点为相邻节点。
在一个或多个实施例中,优选地,所述提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数,具体包括:
提取第一关联指数和第二关联指标利用第三计算公式计算综合关联指数,预设第一、第二和第三修正指数的初值,并设置一个预设的第一、第二和第三修正指数的数据库;
利用第四计算公式更新目标功率;
利用第五计算公式更新目标电压;
利用第六计算公式更新目标电流;
利用第七计算公式进行在线的最优的第一、第二和第三修正指数的提取;
利用第八计算公式更新目标功率,利用第九计算公式更新目标电压,利用第十计算公式更新目标电流;
将所述目标功率、所述目标电压和所述目标电流作为所述最优的控制参数;
所述第三计算公式为:
C=0.5×C1+0.5×C2
其中,C为综合关联指数;
所述第四计算公式为:
其中,N为当前节点之外的全部节点的总数,X为除去当前节点之外的节点编号,Px为节点X的功率波动,Cx当前节点与节点X的综合关联指数,k1为第一修正指数,P0为实时功率,Pref为目标功率;
所述第五计算公式为:
其中,Ux为节点X的电压波动,k2为第二修正指数,U0为实时电压,Uref为目标电压;
所述第六计算公式为:
其中,Ix为节点I的电流波动,k3为第三修正指数,I0为实时电流,Iref为目标电流;
所述第七计算公式为:
{K1,K2,K3}=arg min(PV{k1,k2,k3})
其中,PV为预设的单位时间内的{k1,k2,k3}取值下在电压偏差的最大值时的平均值,{K1,K2,K3}为最优的电压偏差对应的最优的第一、第二和第三修正指数,arg min()为提取最优的电压偏差情况下的最大值的平均值最小时,离线匹配的{k1,k2,k3}参数的函数;
所述第八计算公式为:
所述第九计算公式为:
所述第十计算公式为:
在一个或多个实施例中,优选地,所述获取每个位置的最优的控制参数,
并在线执行,具体包括:
获取每个位置的最优的控制参数,通过云端AI控制平台,下发到每个电池;
每个电池对应的电池控制器在线执行最优的控制参数进行在线控制。
根据本发明实施例第二方面,提供一种基于云端AI控制的BMS控制系统。
在一个或多个实施例中,优选地,所述一种基于云端AI控制的BMS控制系统包括:
格式转化模块,用于对全部云端获取的信息进行统一化处理,形成标准化数据;
时序转化模块,用于对标准化数据进行时序分析和转化,形成标准时序分析数据;
相邻分析模块,用于根据标准时序分析数据进行第一关联指标计算;
位置分析模块,用于根据标准时序分析数据进行第二关联指标计算;
智能更新模块,用于提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数;
云端部署模块,用于获取每个位置的最优的控制参数,并在线执行。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面,提供一种电子设备,包括存储器和处理器,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现本发明实施例第一方面中任一项所述的方法。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明方案中,通过物理相邻与位置相邻两个角度综合形成了关联指标,并根据关联指标进而完成在线更新。
本发明方案中,通过在线学习最优的指标更新参数,使得最终多个电池综合控制过程能够最小的电压偏差,协同多种控制达到通过云端多电池自适应协同的目的。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述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是本发明一个实施例的一种基于云端AI控制的BMS控制方法的流程图。
图2是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的对全部云端获取的信息进行统一化处理,形成标准化数据的流程图。
图3是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的对标准化数据进行时序分析和转化,形成标准时序分析数据的流程图。
图4是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的根据标准时序分析数据进行第一关联指标计算的流程图。
图5是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的根据标准时序分析数据进行第二关联指标计算的流程图。
图6是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数的流程图。
图7是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的获取每个位置的最优的控制参数,并在线执行的流程图。
图8是本发明一个实施例的一种基于云端AI控制的BMS控制系统的结构图。
图9是本发明一个实施例中一种电子设备的结构图。
具体实施方式
在本发明的说明书和权利要求书及上述附图中的描述的一些流程中,包含了按照特定顺序出现的多个操作,但是应该清楚了解,这些操作可以不按照其在本文中出现的顺序来执行或并行执行,操作的序号如101、102等,仅仅是用于区分开各个不同的操作,序号本身不代表任何的执行顺序。另外,这些流程可以包括更多或更少的操作,并且这些操作可以按顺序执行或并行执行。需要说明的是,本文中的“第一”、“第二”等描述,是用于区分不同的消息、设备、模块等,不代表先后顺序,也不限定“第一”和“第二”是不同的类型。
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,本领域技术人员在没有作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。
风电、光伏发电将快速发展,而储能是解决风电、光伏发电不稳定性、间歇性,增强能源系统供应安全性、灵活性的重要手段。近年来,电源储能技术不断发展,电池管理系统(BMS)是进行储能管理的一种关键手段。
在本发明技术之前,现有技术主要依靠既定的方案进行单一单元的控制,或者在线根据PID等闭环控制手段完成对应电池的关联管理和控制,但是这些手段无法考虑如何兼容多个空间上和时间上不同区域位置的储能的即插即用,灵活控制,尤其是,无法面对快速扩展和接入储能的控制优化,难以实现较好的电压稳定控制。
本发明实施例中,提供了一种基于云端A I控制的BMS控制方法及系统。该方案通过云端的多电池信息的同步,使得多个电池的综合控制系统的结构更加的容易扩展,此外,考虑到电池的控制之间存在一定的配合关系,亟需提供一种基于云端数据的在线分析方法。
根据本发明实施例第一方面,提供一种基于云端AI控制的BMS控制方法。
图1是本发明一个实施例的一种基于云端AI控制的BMS控制方法的流程图。
在一个或多个实施例中,优选地,所述一种基于云端AI控制的BMS控制方法包括:
S101.对全部云端获取的信息进行统一化处理,形成标准化数据;
S102.对标准化数据进行时序分析和转化,形成标准时序分析数据;
S103.根据标准时序分析数据进行第一关联指标计算;
S104.根据标准时序分析数据进行第二关联指标计算;
S105.提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数;
S106.获取每个位置的最优的控制参数,并在线执行。
在本发明实施例中,在当前面临的问题下,最核心的是希望将多个储能节点上的信息交互,但是各个节点之间,如何进行信息交互这是模糊的,也是不明确的,因此本发明方案的核心是进行多节点之间的信息交互,这个交互过程主要包括了6个步骤,首先是格式转化,其次是时序转化,在此基础上,进行耦合指数的分析,并根据耦合指数进行在线的控制参数的修正,最终,结合A I的云平台进行信息更新,完成最终的控制。
图2是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的对全部云端获取的信息进行统一化处理,形成标准化数据的流程图。
如图2所示,在一个或多个实施例中,优选地,所述对全部云端获取的信息进行统一化处理,形成标准化数据,具体包括:
S201.将已经标幺化的数据转化为有名值;
S202.将电压、电流和功率信息的单位统一化,存储为标准化数据。
在本发明实施例中,为了能够接收到不同类型储能节点的信息,需要进行信息转化,这个信息转化的过程主要是对于全部信息的统一化,首先,需要将已经标幺化的数据转化为有名值,其次,需要将电压、电流和功率信息的单位统一化,最终,形成转化数据。
图3是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的对标准化数据进行时序分析和转化,形成标准时序分析数据的流程图。
如图3所示,在一个或多个实施例中,优选地,所述对标准化数据进行时序分析和转化,形成标准时序分析数据,具体包括:
S301、以每秒1000个点为准,将标准化数据进行提取;
S302、当缺少某个时间位置的数据时,根据该数据前后数据,进行线性化补全,最终形成标准时序分析数据。
在本发明实施例中,为了保障当前的系统的正常运行,需要考虑两方面的影响,各个电池上的采集数据的数量可能不同,这具体体现在采集信息的密度和采集信息的丢失方面,因此,在获取标准化数据后,进行全面的时序转化,提取的数据以每秒1000个点为准,当缺少数据时,则通过线性化补全的方式,进行补全,所述线性化补全的方式是,假设在缺少T0时刻数据,但是,有T-1和T+1时刻的数据,则将T-1时刻和T+1时刻的数据连成直线,进而与T0的交点,就是对应的补全数据,举例说明,若0ms时刻和5ms时刻的数据都存在,分别。
图4是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的根据标准时序分析数据进行第一关联指标计算的流程图。
如图4所示,在一个或多个实施例中,优选地,所述根据标准时序分析数据进行第一关联指标计算,具体包括:
S401、根据标准时序分析数据分析不同编号位置的电压偏差,并提取地理位置上相邻节点的电压偏差;
S402、利用第一计算公式计算第一关联指标;
所述第一计算公式为:
其中,C1为第一关联指标,用于描述相邻节点的耦合指数,Ui和Uj依次为编号i节点和编号j节点的电压偏差,编号i节点和编号j节点为相邻节点。
在本发明实施例中,对全部的节点的标准时序分析数据的历史数据进行分析,重点分析地理位置上相邻节点,利用第一计算公式形成最终的第一关联指标。
图5是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的根据标准时序分析数据进行第二关联指标计算的流程图。
如图5所示,在一个或多个实施例中,优选地,所述根据标准时序分析数据进行第二关联指标计算,具体包括:
S501、根据标准时序分析数据分析不同编号位置的电压偏差,并提取电连接节点的电压偏差;
S502、利用第二计算公式计算第二关联指标;
所述第二计算公式为:
其中,C2为第二关联指标,用于描述电连接节点的耦合指数,Um和Un依次为编号m节点和编号n节点的电压偏差,编号m节点和编号n节点为相邻节点。
在本发明实施例中,对全部的节点的标准时序分析数据的历史数据进行分析,重点分析电气位置上相邻节点,利用第二计算公式形成最终的第二关联指标。
图6是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数的流程图。
如图6所示,在一个或多个实施例中,优选地,所述提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数,具体包括:
S601、提取第一关联指数和第二关联指标利用第三计算公式计算综合关联指数,预设第一、第二和第三修正指数的初值,并设置一个预设的第一、第二和第三修正指数的数据库;
S602、利用第四计算公式更新目标功率;
S603、利用第五计算公式更新目标电压;
S604、利用第六计算公式更新目标电流;
S605、利用第七计算公式进行在线的最优的第一、第二和第三修正指数的提取;
S606、利用第八计算公式更新目标功率,利用第九计算公式更新目标电压,利用第十计算公式更新目标电流;
S607、将所述目标功率、所述目标电压和所述目标电流作为所述最优的控制参数;
所述第三计算公式为:
C=0.5×C1+0.5×C2
其中,C为综合关联指数;
所述第四计算公式为:
其中,N为当前节点之外的全部节点的总数,X为除去当前节点之外的节点编号,Px为节点X的功率波动,Cx当前节点与节点X的综合关联指数,k1为第一修正指数,P0为实时功率,Pref为目标功率;
所述第五计算公式为:
其中,Ux为节点X的电压波动,k2为第二修正指数,U0为实时电压,Uref为目标电压;
所述第六计算公式为:
其中,Ix为节点I的电流波动,k3为第三修正指数,I0为实时电流,Iref为目标电流;
所述第七计算公式为:
{K1,K2,K3}=arg min(PV{k1,k2,k3})
其中,PV为预设的单位时间内的{k1,k2,k3}取值下在电压偏差的最大值时的平均值,{K1,K2,K3}为最优的电压偏差对应的最优的第一、第二和第三修正指数,arg min()为提取最优的电压偏差情况下的最大值的平均值最小时,离线匹配的{k1,k2,k3}参数的函数;
所述第八计算公式为:
所述第九计算公式为:
所述第十计算公式为:
在本发明实施例中,所谓智能更新,首先是获取一个综合关联指数,这个指数是结合了地理相邻和电气相邻,一般认为地理与电气都是相邻的节点,会产生更大的影响,因此会重复计算,在此基础上,通过第三、第四和第五公式可以在预设的一些第一、第二和第三修正指数上,选择出最好的,作为当前时刻的智能更新的指数,使得最终的电压偏差最优,最终形成控制策略。
图7是本发明一个实施例的一种基于云端AI控制的BMS控制方法中的获取每个位置的最优的控制参数,并在线执行的流程图。
如图7所示,在一个或多个实施例中,优选地,所述获取每个位置的最优的控制参数,并在线执行,具体包括:
S701、获取每个位置的最优的控制参数,通过云端AI控制平台,下发到每个电池;
S702、每个电池对应的电池控制器在线执行最优的控制参数进行在线控制。
在本发明实施例中,在进行云平台控制铺设时,采用即插即用模式,当新加入节点后,自动进行新的最优的控制参数的获取,并通过云平台下发到对应电池的控制器上进行执行。
根据本发明实施例第二方面,提供一种基于云端AI控制的BMS控制系统。
图8是本发明一个实施例的一种基于云端AI控制的BMS控制系统的结构图。
在一个或多个实施例中,优选地,所述一种基于云端AI控制的BMS控制系统包括:
格式转化模块801,用于对全部云端获取的信息进行统一化处理,形成标准化数据;
时序转化模块802,用于对标准化数据进行时序分析和转化,形成标准时序分析数据;
相邻分析模块803,用于根据标准时序分析数据进行第一关联指标计算;
位置分析模块804,用于根据标准时序分析数据进行第二关联指标计算;
智能更新模块805,用于提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数;
云端部署模块806,用于获取每个位置的最优的控制参数,并在线执行。
在本发明实施例中,通过一系列的模块化设计,实现一个适用于不同结构下的系统,该系统能够通过采集、分析和控制,实现闭环的、可靠的、高效的执行。
根据本发明实施例第三方面,提供一种计算机可读存储介质,其上存储计算机程序指令,所述计算机程序指令在被处理器执行时实现如本发明实施例第一方面中任一项所述的方法。
根据本发明实施例第四方面,提供一种电子设备。图9是本发明一个实施例中一种电子设备的结构图。图9所示的电子设备为通用基于云端AI控制的BMS控制装置。如图9所示,电子设备900包括中央处理单元(CPU)901,其可以根据存储在只读存储器(ROM)902中的计算机程序指令或者从存储单元908加载到随机访问存储器(RAM)903中的计算机程序指令,来执行各种适当的动作和处理。在RAM 903中,还可存储电子设备900操作所需的各种程序和数据。CPU 901、ROM 902以及RAM903通过总线904彼此相连。输入/输出(I/O)接口905也连接至总线904。
电子设备900中的多个部件连接至I/O接口905,包括:输入单元906、输出单元907、存储单元908,处理单元901执行上文所描述的各个方法和处理,例如本发明实施例第一方面描述的方法。例如,在一些实施例中,本发明实施例第一方面描述的方法可被实现为计算机软件程序,其被存储于机器可读介质,例如存储单元908。在一些实施例中,计算机程序的部分或者全部可以经由ROM 902和/或通信单元909而被载入和/或安装到电子设备900上。当计算机程序加载到RAM 903并由CPU 901执行时,可以执行本发明实施例第一方面描述的方法的一个或多个操作。备选地,在其他实施例中,CPU901可以通过其他任何适当的方式(例如,借助于固件)而被配置为本发明实施例第一方面描述的方法的一个或多个动作。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明方案中,通过物理相邻与位置相邻两个角度综合形成了关联指标,并根据关联指标进而完成在线更新。
本发明方案中,通过在线学习最优的指标更新参数,使得最终多个电池综合控制过程能够最小的电压偏差,协同多种控制达到通过云端多电池自适应协同的目的。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于云端AI控制的BMS控制方法,其特征在于,该方法包括:
对全部云端获取的信息进行统一化处理,形成标准化数据;
对标准化数据进行时序分析和转化,形成标准时序分析数据;
根据标准时序分析数据进行第一关联指标计算;
根据标准时序分析数据进行第二关联指标计算;
提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数;
获取每个位置的最优的控制参数,并在线执行。
2.如权利要求1所述的一种基于云端AI控制的BMS控制方法,其特征在于,所述对全部云端获取的信息进行统一化处理,形成标准化数据,具体包括:
将已经标幺化的数据转化为有名值;
将电压、电流和功率信息的单位统一化,存储为标准化数据。
3.如权利要求1所述的一种基于云端AI控制的BMS控制方法,其特征在于,所述对标准化数据进行时序分析和转化,形成标准时序分析数据,具体包括:
以每秒1000个点为准,将标准化数据进行提取;
当缺少某个时间位置的数据时,根据该数据前后数据,进行线性化补全,最终形成标准时序分析数据。
4.如权利要求1所述的一种基于云端AI控制的BMS控制方法,其特征在于,所述根据标准时序分析数据进行第一关联指标计算,具体包括:
根据标准时序分析数据分析不同编号位置的电压偏差,并提取地理位置上相邻节点的电压偏差;
利用第一计算公式计算第一关联指标;
所述第一计算公式为:
其中,C1为第一关联指标,用于描述相邻节点的耦合指数,Ui和Uj依次为编号i节点和编号j节点的电压偏差,编号i节点和编号j节点为相邻节点。
5.如权利要求1所述的一种基于云端AI控制的BMS控制方法,其特征在于,所述根据标准时序分析数据进行第二关联指标计算,具体包括:
根据标准时序分析数据分析不同编号位置的电压偏差,并提取电连接节点的电压偏差;
利用第二计算公式计算第二关联指标;
所述第二计算公式为:
其中,C2为第二关联指标,用于描述电连接节点的耦合指数,Um和Un依次为编号m节点和编号n节点的电压偏差,编号m节点和编号n节点为相邻节点。
6.如权利要求1所述的一种基于云端AI控制的BMS控制方法,其特征在于,所述提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数,具体包括:
提取第一关联指数和第二关联指标利用第三计算公式计算综合关联指数,预设第一、第二和第三修正指数的初值,并设置一个预设的第一、第二和第三修正指数的数据库;
利用第四计算公式更新目标功率;
利用第五计算公式更新目标电压;
利用第六计算公式更新目标电流;
利用第七计算公式进行在线的最优的第一、第二和第三修正指数的提取;
利用第八计算公式更新目标功率,利用第九计算公式更新目标电压,利用第十计算公式更新目标电流;
将所述目标功率、所述目标电压和所述目标电流作为所述最优的控制参数;
所述第三计算公式为:
C=0.5×C1+0.5×C2
其中,C为综合关联指数;
所述第四计算公式为:
其中,N为当前节点之外的全部节点的总数,X为除去当前节点之外的节点编号,Px为节点X的功率波动,Cx当前节点与节点X的综合关联指数,k1为第一修正指数,P0为实时功率,Pref为目标功率;
所述第五计算公式为:
其中,Ux为节点X的电压波动,k2为第二修正指数,U0为实时电压,Uref为目标电压;
所述第六计算公式为:
其中,Ix为节点I的电流波动,k3为第三修正指数,I0为实时电流,Iref为目标电流;
所述第七计算公式为:
{K1,K2,K3}=arg min(PV{k1,k2,k3})
其中,PV为预设的单位时间内的{k1,k2,k3}取值下在电压偏差的最大值时的平均值,{K1,K2,K3}为最优的电压偏差对应的最优的第一、第二和第三修正指数,arg min()为提取最优的电压偏差情况下的最大值的平均值最小时,离线匹配的{k1,k2,k3}参数的函数;
所述第八计算公式为:
所述第九计算公式为:
所述第十计算公式为:
7.如权利要求1所述的一种基于云端AI控制的BMS控制方法,其特征在于,所述获取每个位置的最优的控制参数,并在线执行,具体包括:
获取每个位置的最优的控制参数,通过云端AI控制平台,下发到每个电池;
每个电池对应的电池控制器在线执行最优的控制参数进行在线控制。
8.一种基于云端AI控制的BMS控制系统,其特征在于,该系统用于实施如权利要求1-7中任一项所述的方法,该系统包括:
格式转化模块,用于对全部云端获取的信息进行统一化处理,形成标准化数据;
时序转化模块,用于对标准化数据进行时序分析和转化,形成标准时序分析数据;
相邻分析模块,用于根据标准时序分析数据进行第一关联指标计算;
位置分析模块,用于根据标准时序分析数据进行第二关联指标计算;
智能更新模块,用于提取第一关联指数和第二关联指标,进行在线分析,形成对应位置最优的控制参数;
云端部署模块,用于获取每个位置的最优的控制参数,并在线执行。
9.一种计算机可读存储介质,其上存储计算机程序指令,其特征在于,所述计算机程序指令在被处理器执行时实现如权利要求1-7中任一项所述的方法。
10.一种电子设备,包括存储器和处理器,其特征在于,所述存储器用于存储一条或多条计算机程序指令,其中,所述一条或多条计算机程序指令被所述处理器执行以实现如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311751450.XA CN117748664A (zh) | 2023-12-18 | 2023-12-18 | 一种基于云端ai控制的bms控制方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311751450.XA CN117748664A (zh) | 2023-12-18 | 2023-12-18 | 一种基于云端ai控制的bms控制方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117748664A true CN117748664A (zh) | 2024-03-22 |
Family
ID=90258700
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311751450.XA Pending CN117748664A (zh) | 2023-12-18 | 2023-12-18 | 一种基于云端ai控制的bms控制方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117748664A (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108556647A (zh) * | 2018-01-16 | 2018-09-21 | 上海应用技术大学 | 基于云平台和电池管理系统的电动汽车用动力电池的在线安全预警方法 |
CN110416636A (zh) * | 2019-06-26 | 2019-11-05 | 北京航空航天大学 | 一种基于云端数据管理的动力电池管理系统及方法 |
CN110749827A (zh) * | 2019-12-02 | 2020-02-04 | 山东大学 | 基于云平台的智能化电池soc管理系统及方法 |
CN111725889A (zh) * | 2020-04-24 | 2020-09-29 | 江苏慧智能源工程技术创新研究院有限公司 | 基于“3s+云”架构的储能集群快速控制系统及方法 |
CN112714156A (zh) * | 2020-12-18 | 2021-04-27 | 北京新能源汽车技术创新中心有限公司 | 一种云端bms协同管理方法、系统以及车辆 |
CN113190693A (zh) * | 2021-05-31 | 2021-07-30 | 冯凯 | 储能系统的数据处理方法、装置、电子设备及存储介质 |
CN114567038A (zh) * | 2022-03-03 | 2022-05-31 | 中国第一汽车股份有限公司 | 电池的充电控制方法和系统 |
CN114784891A (zh) * | 2022-05-19 | 2022-07-22 | 广东电网有限责任公司 | 集群储能参与电力系统的紧急频率控制方法、装置及介质 |
CN115827579A (zh) * | 2023-01-28 | 2023-03-21 | 华北电力大学 | 一种分布式储能信息化管控与运营平台架构 |
CN115907147A (zh) * | 2022-11-21 | 2023-04-04 | 浙江万里扬能源科技有限公司 | 一种基于云平台的储能优化调度运行控制方法 |
CN116345698A (zh) * | 2023-05-30 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 储能电站运维管控方法、系统、设备及介质 |
CN117215209A (zh) * | 2023-11-09 | 2023-12-12 | 石家庄学院 | 一种基于物联网的云端家居控制方法及系统 |
-
2023
- 2023-12-18 CN CN202311751450.XA patent/CN117748664A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108556647A (zh) * | 2018-01-16 | 2018-09-21 | 上海应用技术大学 | 基于云平台和电池管理系统的电动汽车用动力电池的在线安全预警方法 |
CN110416636A (zh) * | 2019-06-26 | 2019-11-05 | 北京航空航天大学 | 一种基于云端数据管理的动力电池管理系统及方法 |
CN110749827A (zh) * | 2019-12-02 | 2020-02-04 | 山东大学 | 基于云平台的智能化电池soc管理系统及方法 |
CN111725889A (zh) * | 2020-04-24 | 2020-09-29 | 江苏慧智能源工程技术创新研究院有限公司 | 基于“3s+云”架构的储能集群快速控制系统及方法 |
CN112714156A (zh) * | 2020-12-18 | 2021-04-27 | 北京新能源汽车技术创新中心有限公司 | 一种云端bms协同管理方法、系统以及车辆 |
CN113190693A (zh) * | 2021-05-31 | 2021-07-30 | 冯凯 | 储能系统的数据处理方法、装置、电子设备及存储介质 |
CN114567038A (zh) * | 2022-03-03 | 2022-05-31 | 中国第一汽车股份有限公司 | 电池的充电控制方法和系统 |
CN114784891A (zh) * | 2022-05-19 | 2022-07-22 | 广东电网有限责任公司 | 集群储能参与电力系统的紧急频率控制方法、装置及介质 |
CN115907147A (zh) * | 2022-11-21 | 2023-04-04 | 浙江万里扬能源科技有限公司 | 一种基于云平台的储能优化调度运行控制方法 |
CN115827579A (zh) * | 2023-01-28 | 2023-03-21 | 华北电力大学 | 一种分布式储能信息化管控与运营平台架构 |
CN116345698A (zh) * | 2023-05-30 | 2023-06-27 | 中国华能集团清洁能源技术研究院有限公司 | 储能电站运维管控方法、系统、设备及介质 |
CN117215209A (zh) * | 2023-11-09 | 2023-12-12 | 石家庄学院 | 一种基于物联网的云端家居控制方法及系统 |
Non-Patent Citations (3)
Title |
---|
JINSHUANG HU等: "Edge Computing Device to Implement Integration of BMS Master Control and Battery Prognostic Safety System", 《2023 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY (POWERCON)》, 6 December 2023 (2023-12-06), pages 1 - 5 * |
刘春雷: "基于云平台的电池管理系统研究与设计", 《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》, no. 01, 15 January 2020 (2020-01-15), pages 035 - 797 * |
朱鹏霏等: "基于BMS与云平台的动力电池健康管理体系", 《计算机测量与控制》, vol. 31, no. 9, 30 May 2023 (2023-05-30), pages 190 - 198 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9660450B2 (en) | Monitoring system and method for megawatt level battery energy storage power plant | |
CN110298138B (zh) | 一种综合能源系统优化方法、装置、设备及可读存储介质 | |
CN103296677B (zh) | 一种在线大电网恢复辅助决策系统 | |
CN109886446B (zh) | 基于改进混沌粒子群算法的电力系统动态经济调度方法 | |
CN103560532A (zh) | 一种兆瓦级电池储能电站的监控系统及其方法 | |
CN111722540A (zh) | 一种能源互联网数字孪生仿真系统及方法 | |
CN105930575B (zh) | 一种psasp数据模型转换为pscad数据模型的自动转换方法 | |
CN104505820B (zh) | 基于多信息关联利用的配电网智能重构方法 | |
CN110232476B (zh) | 一种基于深度学习的微电网负荷预测方法 | |
CN101527455B (zh) | 基于潮流模块交替迭代的互联电网分布式潮流计算方法 | |
CN109494719B (zh) | 一种中低压混合配电网层次化阻抗分析方法 | |
CN105703364A (zh) | 光伏电站等效建模方法 | |
CN105391056A (zh) | 一种考虑不平衡通信网络的电力系统分布式经济调度方法 | |
CN116207739B (zh) | 配电网优化调度方法、装置、计算机设备和存储介质 | |
CN114676569B (zh) | 电网仿真分析算例及其生成方法、生成系统、设备、介质 | |
CN116526667A (zh) | 基于电流物联网反馈机制的二次融合配网馈线终端系统 | |
CN107273574A (zh) | 一种基于d5000调度系统的输电网自动成图技术 | |
CN105406517A (zh) | 基于有限时间平均一致性算法的电力系统经济调度方法 | |
CN117748664A (zh) | 一种基于云端ai控制的bms控制方法及系统 | |
CN111756031B (zh) | 一种电网运行趋势估算方法和系统 | |
CN117057078A (zh) | 一种电气接线图生成方法、装置、设备及介质 | |
CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
CN109657332B (zh) | 一种大规模电网电磁暂态自动建模的分网解耦方法及系统 | |
CN115117887B (zh) | 电网调控运行模拟时序潮流仿真方法、装置、设备及介质 | |
CN108233360B (zh) | 协同控制方法和装置 |
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 |