CN113655384A - 一种云边端计算的电池状态计算方法 - Google Patents
一种云边端计算的电池状态计算方法 Download PDFInfo
- Publication number
- CN113655384A CN113655384A CN202110951523.4A CN202110951523A CN113655384A CN 113655384 A CN113655384 A CN 113655384A CN 202110951523 A CN202110951523 A CN 202110951523A CN 113655384 A CN113655384 A CN 113655384A
- Authority
- CN
- China
- Prior art keywords
- battery
- cloud
- edge
- computing
- 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.)
- Pending
Links
- 238000004364 calculation method Methods 0.000 title claims abstract description 26
- 238000001514 detection method Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 12
- 230000003321 amplification Effects 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 8
- 238000005457 optimization Methods 0.000 abstract description 6
- 230000008569 process Effects 0.000 abstract description 6
- 238000012549 training Methods 0.000 abstract description 6
- 238000011002 quantification Methods 0.000 abstract description 3
- 238000011897 real-time detection Methods 0.000 abstract description 3
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 7
- 229910052744 lithium Inorganic materials 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/3644—Constructional arrangements
- G01R31/3648—Constructional arrangements comprising digital calculation means, e.g. for performing an algorithm
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/371—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC] with remote indication, e.g. on external chargers
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/385—Arrangements for measuring battery or accumulator variables
- G01R31/387—Determining ampere-hour charge capacity or SoC
- G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
一种云边端计算的电池状态计算方法,边缘端,部署云端训练和量化后下发的SOC估计模型,在电池管理***实时检测的过程中,边缘端模型只接收云端筛选的特定参数作为网络输入参数用来估计SOC值,并下放该预测值到电池管理终端,终端的结果正确与否反馈给云端,云端定期根据反馈结果筛选相关参数对模型进行优化训练,更新边缘端模型。以上形成一套云端管理***,终端包含多个相同性能和规格的BMS端,同时上传参数及预测结果,在云端实现参数共享,同时优化的能力。
Description
技术领域
本发明涉及电池管理***技术领域,具体涉及一种云边端计算的电池状态计算方法。
背景技术
锂电池作为一种能量密度高,寿命长,自放电率低的储能单元,是目前发展最快,前景最好的储能电池方案之一,在电动汽车,电子产品等领域具有广阔应用前景,但其使用寿命,健康状态,内外部温度管理等核心问题仍有待解决。实时精确的锂电池荷电状态估计以及基于锂电池SOC的均衡管理是锂电池管理***的核心技术,其对于了解锂电池当前状态,延长锂电池组的使用寿命并提高其输出性能具有重要意义和作用。
发明内容
本发明为了克服以上技术的不足,提供了一种利用云互联数据共享的优势进行模型优化,从而得到更精确、快速的SOC估计模型的电池状态计算方法。
本发明克服其技术问题所采用的技术方案是:
一种云边端计算的电池状态计算方法,包括如下步骤:
a)建立电池参数检测***,电池参数检测***检测BMS端的电池的各项状态参数;
b)电池参数检测***将电池的各项状态参数进行建模,得到量化后的电池管理模型,将电池管理模型传输到边缘计算***;
c)边缘端将电池参数检测***检测的电池的各项状态参数进行计算,计算后向云端反馈计算结果;
d)云端根据反馈结果及接收到的新的电池的各项状态参数对模型进行修正,将更新后的电池管理模型回传至边缘计算***;
e)重复步骤a)至步骤d),完成对电池管理模型的迭代,将迭代后的模型输出的电池的各项状态参数发送至BMS端。
进一步,步骤a)中电池参数检测***括电池工作电路、电压检测电路、温度检测电路、中央处理器,中央处理器输入端与电池工作电路、电压检测电路、温度检测电路相连接,采集的电池的电压、电流、温度参数经风压、滤波、放大处理后发送至中央处理器,中央处理器将处理后的参数上传至边缘计算***。
进一步,步骤b)中使用轻量级网络MobileNets对电池的各项状态参数进行建模。
进一步,修改轻量级网络MobileNets的计算模式,丢弃tensorflow数据结构和配置要求,将卷积计算改写为矩阵展开相乘的模式。
本发明的有益效果是:边缘端,部署云端训练和量化后下发的SOC估计模型,在电池管理***实时检测的过程中,边缘端模型只接收云端筛选的特定参数作为网络输入参数用来估计SOC值,并下放该预测值到电池管理终端,终端的结果正确与否反馈给云端,云端定期根据反馈结果筛选相关参数对模型进行优化训练,更新边缘端模型。以上形成一套云端管理***,终端包含多个相同性能和规格的BMS端,同时上传参数及预测结果,在云端实现参数共享,同时优化的能力。
附图说明
图1为本发明的云-边-BMS端电池SOC值估计***图。
具体实施方式
下面结合附图1对本发明做进一步说明。
SOC估计受多种因素的影响,例如温度、倍率、SOC点等,导致不同的充放电效率,此外还需要考虑到老化和自放电等因素,因此SOC值需要被正确估计且不断修正。动力电池的SOC估计,是一个非线性过程,类似于神经网络算法中的真实值的逼近过程。鉴于深度网络算法在其他领域内的成功应用,我们考虑到将其引用到SOC估计问题中。
电池是高度非线性的***,在它充放电过程中很难建立准确的数学模型。神经网络具有非线性的基本特性,具有并行结构和学习能力,对于外部激励,能给出相应的输出,能够模拟电池动态特性,来估计SOC。估计电动汽车电池SOC,常用的输入变量有电压、电流、累积放出电量、温度、内阻、环境温度等,是一个典型的多变量估计问题,输入变量的选择是否合适,变量数量是否恰当,直接影响模型的准确性和计算量。大数据、云互联的时代,数据共享优势为我们提高大量电池的SOC估计值及相关参数,利用这些历史数据进行SOC估计值建模对电池荷电状态进行估计和预测具有重要意义。
本发明的一种云边端计算的电池状态计算方法,包括如下步骤:
a)建立电池参数检测***,电池参数检测***检测BMS端的电池的各项状态参数;
b)电池参数检测***将电池的各项状态参数进行建模,得到量化后的电池管理模型,将电池管理模型传输到边缘计算***;
c)边缘端将电池参数检测***检测的电池的各项状态参数进行计算,计算后向云端反馈计算结果;
d)云端根据反馈结果及接收到的新的电池的各项状态参数对模型进行修正,将更新后的电池管理模型回传至边缘计算***;
e)重复步骤a)至步骤d),完成对电池管理模型的迭代,将迭代后的模型输出的电池的各项状态参数发送至BMS端。从而得到更准确的预测结果,提高电池使用利用率和寿命。
边缘端,部署云端训练和量化后下发的SOC估计模型,在电池管理***实时检测的过程中,边缘端模型只接收云端筛选的特定参数作为网络输入参数用来估计SOC值,并下放该预测值到电池管理终端,终端的结果正确与否反馈给云端,云端定期根据反馈结果筛选相关参数对模型进行优化训练,更新边缘端模型。以上形成一套云端管理***,终端包含多个相同性能和规格的BMS端,同时上传参数及预测结果,在云端实现参数共享,同时优化的能力。
实施例1:
步骤a)中电池参数检测***括电池工作电路、电压检测电路、温度检测电路、中央处理器,中央处理器输入端与电池工作电路、电压检测电路、温度检测电路相连接,采集的电池的电压、电流、温度参数经风压、滤波、放大处理后发送至中央处理器,中央处理器将处理后的参数上传至边缘计算***。
实施例2:
步骤b)中使用轻量级网络MobileNets对电池的各项状态参数进行建模。
实施例3:
修改轻量级网络MobileNets的计算模式,丢弃tensorflow数据结构和配置要求,将卷积计算改写为矩阵展开相乘的模式。
最后应说明的是:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。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 (4)
1.一种云边端计算的电池状态计算方法,其特征在于,包括如下步骤:
a)建立电池参数检测***,电池参数检测***检测BMS端的电池的各项状态参数;
b)电池参数检测***将电池的各项状态参数进行建模,得到量化后的电池管理模型,将电池管理模型传输到边缘计算***;
c)边缘端将电池参数检测***检测的电池的各项状态参数进行计算,计算后向云端反馈计算结果;
d)云端根据反馈结果及接收到的新的电池的各项状态参数对模型进行修正,将更新后的电池管理模型回传至边缘计算***;
e)重复步骤a)至步骤d),完成对电池管理模型的迭代,将迭代后的模型输出的电池的各项状态参数发送至BMS端。
2.根据权利要求1所述的云边端计算的电池状态计算方法,其特征在于:步骤a)中电池参数检测***括电池工作电路、电压检测电路、温度检测电路、中央处理器,中央处理器输入端与电池工作电路、电压检测电路、温度检测电路相连接,采集的电池的电压、电流、温度参数经风压、滤波、放大处理后发送至中央处理器,中央处理器将处理后的参数上传至边缘计算***。
3.根据权利要求1所述的云边端计算的电池状态计算方法,其特征在于:步骤b)中使用轻量级网络MobileNets对电池的各项状态参数进行建模。
4.根据权利要求3所述的云边端计算的电池状态计算方法,其特征在于:修改轻量级网络MobileNets的计算模式,丢弃tensorflow数据结构和配置要求,将卷积计算改写为矩阵展开相乘的模式。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951523.4A CN113655384A (zh) | 2021-08-19 | 2021-08-19 | 一种云边端计算的电池状态计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110951523.4A CN113655384A (zh) | 2021-08-19 | 2021-08-19 | 一种云边端计算的电池状态计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113655384A true CN113655384A (zh) | 2021-11-16 |
Family
ID=78481170
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110951523.4A Pending CN113655384A (zh) | 2021-08-19 | 2021-08-19 | 一种云边端计算的电池状态计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113655384A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660761A (zh) * | 2023-08-02 | 2023-08-29 | 深圳市神通天下科技有限公司 | 一种锂离子电池检测方法及*** |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110308396A (zh) * | 2019-07-03 | 2019-10-08 | 华人运通(江苏)技术有限公司 | 电池状态监测方法、边缘处理器、***及存储介质 |
CN110370983A (zh) * | 2019-06-19 | 2019-10-25 | 东北大学 | 基于5g移动通讯的电动汽车用电池管理*** |
CN110386027A (zh) * | 2019-06-19 | 2019-10-29 | 东北大学 | 云计算和边缘计算相结合的电动汽车用电池管理*** |
CN111913985A (zh) * | 2020-08-28 | 2020-11-10 | 中国科学技术大学 | 基于5g云计算平台的电池智能化充放电管理***及方法 |
CN112331941A (zh) * | 2020-11-20 | 2021-02-05 | 中国科学技术大学 | 云端辅助电池管理***及方法 |
CN112732443A (zh) * | 2021-01-12 | 2021-04-30 | 徐州普罗顿氢能储能产业研究院有限公司 | 一种基于边缘计算的储能电站状态评估与运行优化*** |
CN112816875A (zh) * | 2020-12-25 | 2021-05-18 | 珠海格力电器股份有限公司 | 电动车辆电池云端管理***、方法、介质及云端服务器 |
-
2021
- 2021-08-19 CN CN202110951523.4A patent/CN113655384A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110370983A (zh) * | 2019-06-19 | 2019-10-25 | 东北大学 | 基于5g移动通讯的电动汽车用电池管理*** |
CN110386027A (zh) * | 2019-06-19 | 2019-10-29 | 东北大学 | 云计算和边缘计算相结合的电动汽车用电池管理*** |
CN110308396A (zh) * | 2019-07-03 | 2019-10-08 | 华人运通(江苏)技术有限公司 | 电池状态监测方法、边缘处理器、***及存储介质 |
CN111913985A (zh) * | 2020-08-28 | 2020-11-10 | 中国科学技术大学 | 基于5g云计算平台的电池智能化充放电管理***及方法 |
CN112331941A (zh) * | 2020-11-20 | 2021-02-05 | 中国科学技术大学 | 云端辅助电池管理***及方法 |
CN112816875A (zh) * | 2020-12-25 | 2021-05-18 | 珠海格力电器股份有限公司 | 电动车辆电池云端管理***、方法、介质及云端服务器 |
CN112732443A (zh) * | 2021-01-12 | 2021-04-30 | 徐州普罗顿氢能储能产业研究院有限公司 | 一种基于边缘计算的储能电站状态评估与运行优化*** |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116660761A (zh) * | 2023-08-02 | 2023-08-29 | 深圳市神通天下科技有限公司 | 一种锂离子电池检测方法及*** |
CN116660761B (zh) * | 2023-08-02 | 2023-09-22 | 深圳市神通天下科技有限公司 | 一种锂离子电池检测方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107957562B (zh) | 一种锂离子电池剩余寿命在线预测方法 | |
Pan et al. | Novel battery state-of-health online estimation method using multiple health indicators and an extreme learning machine | |
CN107145628B (zh) | 基于电化学-热耦合模型的预测锂电池循环寿命的方法 | |
KR102650965B1 (ko) | 배터리 상태 추정 방법 | |
CN111581850B (zh) | 一种应用数字孪生技术的全周期动力电池管理*** | |
CN109001640B (zh) | 一种动力电池的数据处理方法和装置 | |
KR102090476B1 (ko) | 클라우드 및 빅데이터를 활용한 bms 최적화 시스템 | |
CN109633473B (zh) | 一种分布式电池组荷电状态估计算法 | |
CN112649747A (zh) | 一种分数阶扩展卡尔曼的锂电池soc估算方法 | |
CN111914485B (zh) | 一种基于分数阶技术的自适应动力电池soc估计方法及*** | |
CN113779794A (zh) | 计及微观约束的锂离子电池sop估计方法及*** | |
CN113392507A (zh) | 一种锂离子动力电池剩余寿命预测方法 | |
Ting et al. | State-space battery modeling for smart battery management 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 | |
Du et al. | State-of-charge estimation for second-life lithium-ion batteries based on cell difference model and adaptive fading unscented Kalman filter algorithm | |
CN113655384A (zh) | 一种云边端计算的电池状态计算方法 | |
CN110687460A (zh) | 一种soc预估方法 | |
CN116368707A (zh) | 智能电池管理***和方法 | |
CN116609686B (zh) | 一种基于云平台大数据的电芯一致性评估方法 | |
US20230213587A1 (en) | Method and System for Efficiently Monitoring Battery Cells of a Device Battery in an External Central Processing Unit Using a Digital Twin | |
CN113935222B (zh) | 基于有序加权平均算子的动力电池多模型融合估计方法 | |
CN113721151B (zh) | 基于双塔深度学习网络的电池容量预估模型及方法 | |
CN115951225A (zh) | 一种电池均衡优化容量估计方法和装置 | |
CN114355221A (zh) | 一种基于数据模型融合的锂离子电池健康状态估算方法 | |
CN113777499A (zh) | 一种基于卷积神经网络的锂电池容量估计方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211116 |