CN115993549A - 一种储能电池管理***的修正方法、装置、***及介质 - Google Patents

Abstract

本发明实施例公开了一种储能电池管理***的修正方法、装置、***及介质。该方法包括：通过孪生模型基于历史电池数据生成预测数据；在检测到模型修正事件时，采用机器学习算法根据预测数据训练通用电池模型，得到目标电池模型；下发目标电池模型的模型更新固件或模型更新参数给本地储能电池管理器，以指示本地储能电池管理器基于模型更新固件或模型更新参数，进行模型固件升级或模型参数更新。本发明的技术方案通过在云端服务器进行电池模型优化，将优化后的电池模型通过固件升级或参数更新的方式同步到本地端的储能电池管理器，以采用优化后的电池模型更新本地端的电池模型，从而改善目前电化学储能应用存在的痛点。

Description

一种储能电池管理***的修正方法、装置、***及介质

技术领域

本发明实施例涉及电化学储能技术，尤其涉及一种储能电池管理***的修正方法、装置、***及介质。

背景技术

随着能源技术的不断发展，以及国家对新能源技术的大力支持，新能源产业的发展越来越被重视。而储能技术作为战略性新兴产业，是增强新能源***供应安全性、灵活性、综合效率的重要环节，是支撑新能源转型的关键技术之一。

电化学储能作为一种储能分支，其整体占比仍然比较低，但是发展潜力巨大，应用场景广泛。然后，电化学储能的广泛应用也带来了电池电芯的运行工况不尽相同，不同厂商和生产工艺的电池电芯的电化学特征的一致性也难于保障，以及基于电芯做应用的集成商技术水平参差不齐等因素的影响，目前电化学储能的应用普遍存在以下痛点：电芯均衡不一致、储能***SOC(State of Charge，电池荷电状态)估算不准、电池健康度SOH(State ofHealth，电池健康状况)衰减厉害、电化学储能***安全事故频发、电化学储能应用全生命周期时间短等。

而随着云端大数据、机器学习、AI等前沿领域技术的逐渐普及，如何借助这些新技术对储能***中电池模型进行有效管理，以改善目前电化学储能应用存在的痛点成为本领域的一个探索方向。

发明内容

本发明提供一种储能电池管理***的修正方法、装置、***及介质，可以改善目前电化学储能应用存在的痛点，从而提高电芯的均衡一致性、提高储能***荷电状态SOC精准评估、预测储能电池健康度SOH，储能***故障安全预警、故障追踪、故障分析、提高储能电池性能、延长储能***全生命周期电池寿命。

第一方面，本发明实施例提供了一种储能电池管理***的修正方法，由服务器执行，该服务器同步部署有本地储能电池管理器中电池模型的孪生模型和多个通用电池模型；该方法包括：

通过所述孪生模型基于历史电池数据生成预测数据，其中，所述历史电池数据是所述本地储能电池管理器上报的储能电池簇运行过程中产生的电池数据；

在检测到模型修正事件时，采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型；

下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，以指示所述本地储能电池管理器基于所述模型更新固件或模型更新参数，进行模型固件升级或模型参数更新。

第二方面，本发明实施例还提供了一种储能电池管理***的修正方法，由本地储能电池管理器执行，该本地储能电池管理器中的电池模型同步部署于服务器，以在该服务器中运行所述电池模型的孪生模型；该方法包括：

获取储能电池簇在运行中产生的电池数据，按照预设时间间隔上报所述电池数据给所述服务器，以指示所述服务器基于所述电池数据触发模型修正事件，通过所述孪生模块基于历史电池数据生成预测数据，采用机器学习算法根据所述预测数据训练通用电池模型得到目标电池模型，下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器；

接收所述服务器下发的所述模型更新固件或模型更新参数，对所述模型更新固件或模型更新参数进行校验；

基于校验通过的所述模型更新固件或模型更新参数，对所述电池模型进行模型固件升级或模型参数更新，得到新的电池模型，采用所述新的电池模型管理所述储能电池簇的运行状态。

第三方面，本发明实施例还提供了一种储能电池管理***的修正装置，部署于服务器中，该服务器同步部署有本地储能电池管理器中电池模型的孪生模型和多个通用电池模型；该修正装置包括：

数据预测模块，用于通过所述孪生模型基于历史电池数据生成预测数据，其中，所述历史电池数据是所述本地储能电池管理器上报的储能电池簇运行过程中产生的电池数据；

模型训练模块，用于在检测到模型修正事件时，采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型；

模型下发模块，用于下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，以指示所述本地储能电池管理器基于所述模型更新固件或模型更新参数，进行模型固件升级或模型参数更新。

第四方面，本发明实施例还提供了一种储能电池管理***的修正装置，配置于本地储能电池管理器中，该本地储能电池管理器中的电池模型同步部署于服务器，以在该服务器中运行所述电池模型的孪生模型；该修正装置包括：

数据上报模块，用于获取储能电池簇在运行中产生的电池数据，按照预设时间间隔上报所述电池数据给所述服务器，以指示所述服务器基于所述电池数据触发模型修正事件，通过所述孪生模块基于历史电池数据生成预测数据，采用机器学习算法根据所述预测数据训练通用电池模型得到目标电池模型，下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器；

模型校验模型，用于接收所述服务器下发的所述模型更新固件或模型更新参数，对所述模型更新固件或模型更新参数进行校验；

模型更新模块，用于基于校验通过的所述模型更新固件或模型更新参数，对所述电池模型进行模型固件升级或模型参数更新，得到新的电池模型，采用所述新的电池模型管理所述储能电池簇的运行状态。

第五方面，本发明实施例还提供了一种储能电池管理***的修正***，该***包括：至少两台服务器，多个本地储能电池管理器和多个储能电池簇；

所述至少两台服务器包括一台主服务器和剩余数量的备用服务器，所述主服务器和备用服务器同步运行，所述备用服务器用于备份所述主服务器的数据，并在所述主服务器宕机时，代替所述主服务器与所述本地储能电池管理器进行信息交互；

所述主服务器，与所述多个本地储能电池管理器通信连接，用于执行如第一方面所述的储能电池管理***的修正方法；

所述本地储能电池管理器，分别与所述多个储能电池簇通信连接，用于执行如第二方面所述的储能电池管理***的修正方法；

所述储能电池簇，用于记录运行过程中产生的电池数据，并发送所述电池数据给对应的所述本地储能电池管理器。

第六方面，本申请还提供了一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求如第一方面和第二方面中任一所述的储能电池管理***的修正方法。

本发明实施例提供一种储能电池管理***的修正方法、装置、***及介质，通过服务器进行电池模型优化，将优化后的电池模型通过固件升级或参数更新的方式同步到本地端的储能电池管理器，以采用优化后的电池模型更新本地端的电池模型，可以改善目前电化学储能应用存在的痛点，从而提高电芯的均衡一致性、提高储能***荷电状态SOC精准评估、预测储能电池健康度SOH，储能***故障安全预警、故障追踪、故障分析、提高储能电池性能、延长储能***全生命周期电池寿命。

附图说明

通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：

图1为本发明一实施例提供的一种储能电池管理***的修正***的***结构图；

图2为本发明另一实施例提供的储能电池管理***的修正方法的流程图；

图3为本发明又一实施例提供的一种储能电池管理***的修正方法的流程图；

图4为本发明又一实施例提供的一种储能电池管理***的修正方法的流程图；

图5为本发明又一实施例提供的储能电池管理***的修正方法的流程图；

图6为本发明又一实施例提供的一种储能电池管理***的修正方法的流程图；

图7为本发明一实施例提供的一种储能电池管理***的修正装置的结构框图；

图8为本发明另一实施例提供的一种储能电池管理***的修正装置的结构框图。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部结构。

实施例一

图1为本发明一实施例提供的一种储能电池管理***的修正***的***结构图。如图1所示，该***包括至少两台服务器110，多个本地储能电池管理器120和多个储能电池簇130。

所述至少两台服务器110包括一台主服务器110和剩余数量的备用服务器110，所述主服务器110和备用服务器110同步运行，所述备用服务器110用于备份所述主服务器110的数据，并在所述主服务器110宕机时，代替所述主服务器110与所述本地储能电池管理器120进行信息交互。

所述主服务器110，与所述多个本地储能电池管理器120通信连接，用于执行如本发明任意实施例中所述的储能电池管理***的修正方法。

所述本地储能电池管理器120，分别与所述多个储能电池簇130通信连接，用于执行如本发明任意实施例中所述的储能电池管理***的修正方法。

所述储能电池簇130，用于记录运行过程中产生的电池数据，并发送所述电池数据给对应的所述本地储能电池管理器120。

具体的，储能电池管理***的修正***还包括通讯交互设备。本地储能电池管理器120和服务器110通过该通讯交互设备搭建稳定快速的通信链路进行双向通讯交互。其中，通讯交互设备包括交换机、路由器、智能通讯网关等。

如图1所示，多个本地储能电池管理器120分别处于中间层，每个本地储能电池管理器120对应多个储能电池簇130，并且本地储能电池管理器120通过CAN通讯链路与多个储能电池簇130进行信息交互。本地储能电池管理器120具备有线以太网口接口和无线网络接口。本地储能电池管理器120通过有线以太网接口、无线网络接口、交换机、智能通讯网关以及无线通讯模块构建有线网络和无线网络链路双冗余通讯链路，本地储能电池管理器120与服务器110之间通过双冗余通讯链路进行双向信息交互。其中，无线网络链路包括WIFI、4G和5G等。

在本发明的一个实施例中，服务器以及本地储能电池管理器都具备实时时钟，并且在***上线及正常日常交互的过程中进行定时对时处理。服务器与本地储能电池管理器根据自身情况实时记录当前交互动作事件。例如，交互动作事件包括：云端本地端同步模型的事件、机器学习预测模型训练事件、服务器生成确定预测电池模型事件、云端下发升级本地端电池模型事件、云端下发升级本地端模型参数事件、本地端接收到云端升级模型固件事件、本地端接收到云端升级本地端电池模型参数事件、本地端电池模型升级成功或失败事件、本地端调整模型参数成功或失败事件、云端下发模型升级固件成功/失败事件、云端下发模型参数调整成功/失败事件，本地端接收模型升级固件成功/失败事件、本地端接收模型参数调整成功/失败事件事件、本地端启动新模型运行事件等。

在本发明的一个实施例中，多个本地储能电池管理器120和对应的多个储能电池簇130部署于储能集装箱内，服务器可以是单独的服务器主机，也可以是分布式服务器集群。

在本发明的一个实施例中，在云端部署主备两套服务器110，其中主备服务器同步运行，当其中一台服务器宕机时，通知另外一台服务器立即建立与本地储能电池管理器120的双向信息交互，防止通讯交互数据丢失，保证数据传输的安全可靠性。

实施例二

图2为本发明另一实施例提供的储能电池管理***的修正方法的流程图，本实施例可适用于利用电池模型对储能电池的运行状况进行管理的场景，该方法可以由储能电池管理***的修正装置，该装置可以由软件和/或硬件实现，并通常配置于服务器中，所述服务器同步部署有本地储能电池管理器中电池模型的孪生模型和多个通用电池模型，具体包括如下步骤：

S210、通过所述孪生模型基于历史电池数据生成预测数据，其中，所述历史电池数据是所述本地储能电池管理器上报的储能电池簇运行过程中产生的电池数据。

其中，孪生模型为服务器端运行的，与本地电池管理器中电池模型基于相同方式构建且采用相同数据初始化的虚拟实体。具体地，本发明实施例中在服务器中同步部署本地储能电池管理器中电池模型的孪生模型的方法可以是：本地储能电池管理器通过桌面仿真软件构造初始电池模型生成代码，再通过硬件在环(HIL)设备模拟电芯参数，并通过硬件在环HIL设备模拟的电芯参数训练初始电池模型得到初始化电池模型，将产生的初始化电池模型及代码同步布置在服务器以及本地储能电池管理器，同时配置好相应模型参数给本地储能电池管理器及服务器用于模型及模型参数同步，同步之后即可***上电运行，从而保证本地储能电池管理器中的电池模型与服务器中的孪生模型在初始化时保持一致，提高后续对电池模型更新的有效性。

多个通用电池模型为基于不同原理构建的电池在理想状态下的电池模型。电池模型可以包括：内阻等效模型Rint、Theveini等效电路模型、二阶RC等效电路模型、PNGV等效电路模型、GNL等效电路模型及改进混合电路等模型。

历史电池数据为本地储能电池管理器上报给服务器的储能电池簇长期运行的电池数据。具体地，本地储能电池管理器内部署有储能电池管理***(Battery ManagementSystem，以下简称BMS)，BMS根据内置的电池模块及模型缺省参数长期运行，在长期运行过程中，BMS记录储能电池簇的电池数据，通过双冗余通讯链路上报电池数据给云端服务器。运算服务器将长期运行过程中的电池数据进行历史电池数据存储。可选地，BMS按照不同采集间隔上报电池数据给云端服务器。云端服务器将长期运行过程中的电池数据按不同数据类型进行分类，并对各类电池数据采用不同存储周期进行历史数据存储。

预测数据为服务器采用预测算法基于历史电池数据，预测的储能电池簇在未来一段时间可能的工作状态数据。可选地，预测算法可以包括线性回归算法、逻辑回归算法、支持向量机算法和随机森林算法等等。

具体的，服务器在获取到本地储能电池管理器上传的储能电池簇运行过程中产生的数据后，将电池数据按不同数据类型进行分离以不同存储周期进行历史电池数据存储，并利用原先部署的本地储能电池管理器中电池模型对应的孪生模型，对将来时刻的电池簇运行状态进行预测，从而得到预测数据。在本发明实施例中，通过孪生模型基于第一时间段内的历史电池数据，预测储能电池簇在第二时间段内的运行数据，作为预测数据。其中，第一时间段和第二时间段均为根据实际应用场景设置的时间。例如，第一时间段可以是一周，第二时间段可以是一天，即通过孪生模型可以基于过去一周的历史电池数据，预测明天的运行数据。可以理解的是，第一时间段和第二时间段可以由用户配置，或者是***默认值。

S220、在检测到模型修正事件时，采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型。

其中，模型修正事件是触发服务器进行模型优化迭代的事件。触发模型修正事件的条件可以是在判定本地端的电池模型需要优化时，触发模型修正事件。具体地，在本地端的电池工况与服务器端预测的电池工况的偏差较大时，触发模型修正事件。可以通过设定电池工况偏差阈值的方式，在电池工况偏差大于电池工况偏差阈值时，确定电池工况偏差满足设定条件，触发模型修正事件。

示例性地，根据预测数据确定第一运行曲线。获取本地储能电池管理器实时上报的电池数据，根据第二时间段内的电池数据确定第二运行曲线。根据第二运行曲线与第一运行曲线，确定电池工况偏差。具体地，可以通过曲线拟合的方式确定预测数据对应的第一运行曲线，以及，确定电池数据对应的第二运行曲线。比较第一运行曲线与第二运行曲线在相同时间的偏差，得到电池工况偏差。例如，比较第一运行曲线和第二运行曲线在同一时间点(例如，同一小时或同一天等)的偏差，作为电池工况偏差。在所述电池工况偏差满足设定条件时，触发模型修正事件。

其中，机器学习算法可以是最小二乘回归法、稳健回归法、局部加权最小二乘法、SVM、逻辑回归和多类分类，多特征的最佳逻辑回归等可用于对模型进行训练的现有算法。

具体的，服务器在基于历史电池数据预测未来一段时间储能电池簇的运行状后，在电池上报的实时状态与预测运行状态不符时，确定检测到模型修正事件，利用机器学***均值、方差或者标准差等方式确定数据差异度。

S230、下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，以指示所述本地储能电池管理器基于所述模型更新固件或模型更新参数，进行模型固件升级或模型参数更新。

其中，模型更新固件包括模型代码，服务器通过预留通信口将目标电池模型对应的模型代码下发给本地储能电池管理器，以使本地储能电池管理器对电池模型进行固件升级。

具体的，服务器根据电池工况偏差与设定阈值门限的比较结果，确定更新本地储能电池管理器的电池模型，还是调整本地储能电池管理器的模型参数。在电池工况偏差大于设定阈值门限时，确定需要下发目标电池模型的模型更新固件给本地储能电池管理器。服务器确定目标电池模型对应的模型更新固件，下达更新本地端的电池模型命令，下发目标电池模型对应的模型更新固件给本地储能电池管理器。在电池工况偏差小于或等于设定阈值门限时，确定需要下发模型更新参数给本地储能电池管理器。服务器确定目标电池模型对应的模型更新参数，下达更新本地端的电池模型参数命令，下发目标电池模型对应的模型更新参数给本地储能电池管理器。通过服务器下发的模型更新估计或模型更新参数对本地端的电池模型进行迭代更新

本实施例通过所述孪生模型基于历史电池数据生成预测数据，其中，所述历史电池数据是所述本地储能电池管理器上报的储能电池簇运行过程中产生的电池数据；在检测到模型修正事件时，采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型；下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，以指示所述本地储能电池管理器基于所述模型更新固件或模型更新参数，进行模型固件升级或模型参数更新，即通过服务器进行电池模型优化，将优化后的电池模型通过固件升级或参数更新的方式同步到本地端的储能电池管理器，以采用优化后的电池模型更新本地端的电池模型，保证本地储能电池管理中电池模型的有效性，从而提高电芯的均衡一致性、提高储能***荷电状态SOC精准评估、预测储能电池健康度SOH，储能***故障安全预警、故障追踪、故障分析、提高储能电池性能、延长储能***全生命周期电池寿命。

实施例三

图3为本发明又一实施例提供的一种储能电池管理***的修正方法的流程图，本实施例在上述各实施例的基础上，对储能电池管理***的修正方法作进一步说明。具体的，参见图3该方法可以包括：

S310、通过所述孪生模型基于第一时间段内的历史电池数据，预测所述储能电池簇在第二时间段内的运行数据，作为预测数据。

其中，第一时间段可以根据本地储能电池管理器上报的数据对应的时间周期来确定，例如上报了三天的电池数据，则第一时间段为三天。第一时间段也可以是由***根据历史电池模型修正频率来确定，在保证电池模型有效的基础上，最大化节约计算资源。还可以根据工作人员输入时间确定，本发明实施例对此处不进行过多限定。

第二时间段表示预测数据的时间长度。例如，可以根据过去三天的历史电池数据预测未来一天的预测数据。

在本发明实施例中，优选的，第一时间段的时间长度大于第二时间段的时间长度，通过获取较可能多的数据，来预测较短时间内的数据，提高了本申请触发模型修正事件检测的精准性。

S320、根据所述预测数据确定第一运行曲线；获取所述本地储能电池管理器实时上报的电池数据，根据所述第二时间段内的所述电池数据确定第二运行曲线；根据所述第二运行曲线与所述第一运行曲线，确定电池工况偏差；在所述电池工况偏差满足设定条件时，触发模型修正事件。

具体的，在获取到代表预测数据的第一运行曲线，和代表实际数据的第二运行曲线之后，可将两者在一张基准参考系上叠加显示，从而直观地确定两者的区别。当两者的偏差大于预设阈值时，说明此时本地储能电池管理器中电池模型无法有效工作，需要进行修正，触发模型修正事件。当偏差小于预设阈值时，说明此时预测数据与实际数据的出入在可接受的误差范围之内，在允许的误差范围内，不会触发模型修正事件。

S330、基于所述电池数据的类型对所述电池数据进行分类，确定各类所述电池数据的存储时间，按照所述存储时间存储对应的所述电池数据，作为历史电池数据，其中，所述电池数据包括单体电芯温度数据、单体电芯电压数据、充放电事件数据、充电容量能量数据、放电容量能量数据、OCV-SOC数据、内阻数据、SOP数据、循环寿命数据和自放电率数据。

其中，充电容量能量数据可以包括不同温度下充电容量能量数据和不同倍率下充电容量能量数据。放电容量能量数据包括不同温度下放电容量能量数据和不同倍率下放电容量能量数据。OCV-SOC数据包括放电OCV-SOC数据和充电OCV-SOC数据。内阻数据包括不同温度下的内阻数据、不同脉冲电流下的内阻数据和不同脉冲时长下的内阻数据，SOP数据包括不同温度下的SOP数据和不同脉冲时长下的SOP数据。

具体的，对于电池数据，可以将其区分为周期性数据和非周期性数据，周期性数据是指随着电池的运行，不具备长时间参考意义的数据，例如单体电芯温度数据，自身不稳定且影响因素过多，作为历史数据时，对未来预测数据的参考意义很小，因此作为周期性数据。非周期性数据与电池整个生命周期有关，参考意义高、数据稳定、影响因素小，例如循环寿命数据。对于不同类型的电池数据，预先配置存储时间。服务器在接收到电池数据之后，根据电池数据的类型为电池数据分类，并按照为各类电池数据预先配置的存储时间，分类存储各电池数据。

340、对于每个通用电池模型，采用机器学习算法根据所述预测数据进行训练，得到多个备选电池模型；对于每个备选电池模型，通过所述备选电池模型基于所述第一时间段内的历史电池数据，预测所述储能电池簇在第二时间段内的备选运行数据，根据所述备选运行数据确定第三运行曲线；根据各个所述第三运行曲线与所述第一运行曲线的偏差，确定各个所述备选电池模型的权重，根据所述权重满足预设条件的备选电池模型生成目标电池模型。

具体的，由于已经在服务器中预先部署了多种不同类型的通用电池模型，因此，在判定需要进行模型修正时，采用机器学习算法基于历史电池数据训练上述通用电池模型，得到备选电池模型。对于每个备选电池模型，可以利用预测算法基于上述第一时间段内的历史电池数据，预测第二时间段内的电池运行数据，作为备选运行数据。基于备选运行数据采用线性拟合方法得到每个备选电池模型的备选运行数据对应的第三运行曲线，将第三曲线与孪生模型基于相同时间段内的历史电池数据预测的预测数据对应的第一运行曲线进行对比，从而，根据比对结果确定最优的至少一个备选电池模型，根据最优的备选电池模型生成目标电池模型。

在发明实施中，优选的，还包括确定各个备选电池模型的权重，该权重可以通过运行曲线的偏差大小确定。例如，备选电池模型的权重与第三运行曲线和第一运行曲线的偏差正相关。即两者偏差越大，备选电池模型的权重越大，两者偏差越小，备选电池模型的权重越小。在确定每一个备选电池模型对应的权重后，选择权重大于阈值的备选电池模型组成目标电池模型。

S350、获取电池工况偏差，判断所述电池工况偏差是否大于设定阈值门限，若是，则执行S360，否则，执行S370。

S360、下发所述目标电池模型的模型更新固件给所述本地储能电池管理器。

S370、下发所述目标电池模型的模型更新参数给所述本地储能电池管理器。

具体地，在电池工况偏差大于设定阈值门限时，服务器判定本地储能电池管理器中的电池模型运行出现较大偏差，需要对本地储能电池管理器的电池模型进行固件升级。在电池工况偏差小于或等于设定阈值门限时，服务器判定本地储能电池管理器中的电池模型运行出现较小偏差，可以通过修正参数的方式克服。本发明实施例通过电池工况与设定阈值门限判定是否对本地端的电池模型进行固件升级，可以合理的利用本地储能电池管理器的处理资源，避免在不需要进行固件升级时，占用处理资源进程模型固件升级。

在一个具体的实施例中，对服务器端的模型优化步骤进行详细说明。图4为本发明又一实施例提供的一种储能电池管理***的修正方法的流程图，如图4所示，该方法包括：

S410、本地端BMS将实时运行数据上报服务器，后续执行S420。

S420、服务器进行电池历史数据存储，后续执行S430。

S430、服务器结合电池历史数据及服务器构建的通用电池模型采用机器学习算法进行多特征模型训练，以及，基于训练得到的模型预测本地端模型是否准确，后续执行S440。

S440、服务器判断本地端电池模型的运行偏差是否在正常范围之内，若是，再次返回执行430。若否，后续执行S450。

S450、服务器判断本地端电池模型是否需要更新模型还是调整模型参数，若判断需要更新模型，执行S460。若判断需要调整模型模型参数，执行S470。

S460、服务器通过与本地端的通讯链路下发模型更新固件给本地端BMS，用于电池模型的IAP自升级。

S470、服务器通过与本地端的通讯链路下发模型参数给本地端BMS，用于本地端电池模型参数调整。

需要说明的是，在下发模型更新参数或模型更新固件后，需要服务器确认本地储能电池管理器是否接收到正确的修正数据，以及该数据能否被正确处理从而实现对本地电池管理***的修正，并在本地储能电池管理器模型升级或迭代修正模型参数之后启动新模型或新模型参数运行方式调整运行。

本发明实施例在通过在服务器中预先部署本地储能电池管理中电池模型孪生模型和多个通用电池模型，从而可以根据储能电池簇运行数据出现问题时，利用通用电池模型对本地储能电池管理中电池模型进行修正的基础上，进一步利用历史数据和预测数据生成运行曲线进行对比，提高了触发模型修正时间的准确定和效率；从多个备选电池模型中，基于权重选择最佳备选电池模型组成目标电池模型，丰富了目标电池模型的选择范围，保证了目标电池模型的有效性；根据电池工况偏差来确定下发模型更新固件或模型更新参数，合理利用本地储能电池管理器的处理资源，提高了模型更新的效率。

实施例四

图5为本发明又一实施例提供的储能电池管理***的修正方法的流程图，本实施例可适用于利用电池模型对储能电池的运行状况进行管理的场景，该方法可以由储能电池管理***的修正装置，该装置可以由软件和/或硬件实现，并通常配置于本地储能电池管理器中，所述本地储能电池管理器中的电池模型同步部署于服务器，以在所述服务器中运行所述电池模型的孪生模型，具体包括如下步骤：

S510、获取储能电池簇在运行中产生的电池数据，按照预设时间间隔上报所述电池数据给所述服务器，以指示所述服务器基于所述电池数据触发模型修正事件，通过所述孪生模块基于历史电池数据生成预测数据，采用机器学习算法根据所述预测数据训练通用电池模型得到目标电池模型，下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器。

具体的，本地储能电池管理器可以根据实际运行工况以及原有部署的电池缺省参数运行。本地储能电池管理器在长期运行的过程中可以通过预设通讯交互链路与多个储能电池簇进行信息交互，以获取储能电池簇运行过程中产生的电池数据，并将获得的电池数据通过预设的通讯交互链路上报给服务器。可选地，电池数据以不同的预设上传时间间隔上报给部署有孪生模型和多个通用电池模型的服务器。由于采样精度不同，本地储能电池管理器采集电池数据的时间间隔不同，导致电池数据上报服务器的上传时间间隔也不同。例如，本地储能管理器按照预设精度采集电源池数据，并按照精度间隔上报电池数据给服务器。

在本发明实施例中，优选的，预设通讯链路可以是双冗余通讯链路。例如，双冗余通讯链路的有线网络链路通过有线以太网接口、交换机、路由器、智能通讯网关等设备构建。双冗余通讯链路的无线网络链路通过无线网络接口、无线模块、交换机、路由器、智能通讯网关等设备构建。服务器采用主机和备机方式，构建稳定的双通讯回路双云服务器冗余通讯链路架构。

S520、接收所述服务器下发的所述模型更新固件或模型更新参数，对所述模型更新固件或模型更新参数进行校验。

具体的，由于服务器通过通讯链路下发模型更新固件或模型更新参数给本地储能电池管理器，可能会出现由于网络原因导致的模型更新固件或模型更新参数出现错误数据的情况。例如，在传输过程中，出现丢包或者被恶意篡改等情况。因此，在本发明实施例中，对服务器下发的模型更新固件或模型更新参数进行校验，以确保本地储能电池管理器对电池模型更新的依赖数据是正确无误的。

在本发明实施例中，优选的，若检验出错则本地储能电池管理器反馈给服务器要求重新下发模型更新固件或模型更新参数，以保证本地储能电池管理器可以完成电池模型的更新过程。

S530、基于校验通过的所述模型更新固件或模型更新参数，对所述电池模型进行模型固件升级或模型参数更新，得到新的电池模型，采用所述新的电池模型管理所述储能电池簇的运行状态。

具体的，在本发明实施例中，在通过服务器下发的验证无误的模型更新固件或模型更新参数对模型自身进行更新之后，本地储能电池管理器向服务器反馈更新成功的信息。在接收到服务器下发的启动运行新模型命令之后，本地电池储能管理器启动新的电池模型，并按照更新后的电池模型管理所述储能电池簇的运行状态。

在一个具体的实施例中，对本地端的模型迭代更新步骤进行详细说明。图6为本发明又一实施例提供的一种储能电池管理***的修正方法的流程图，如图6所示，该方法包括：

S610，服务器根据电池历史数据及实时电池数据，评估是更新本地端电池模型还是调整本地端电池模型参数。若调整本地端电池模型参数，则开始执行S621。若更新本地端电池模型，则跳转并开始执行S631。

S621、服务器下发更新本地端电池模型参数命令，后续执行S622。

S622、本地端接收到服务器下发更新电池模型参数命令，后续执行S623。

S623、本地端进行电池模型参数校正。若校正正确，则后续执行S624。若校正不正确，则返回再次执行S621。

S624、本地端将模型参数升级成功结果反馈给服务器，要求服务器下发启动运行新模型命令，后续执行S625。

S625、服务器下发启动运行新模型命令，后续执行S626。

S626、本地端BMS按新模型参数启动运行。

S631、服务器下发更新本地端电池模型命令，后续执行S632。

S632、本地端接收到服务器下发更新电池模型命令，同时服务器下发更新电池模型所需的模型固件，后续执行S633。

S633、本地端进行电池模型升级固件校正。若校正正确，后续执行S634。校正不正确，则返回再次执行S631。

S634、本地端接收模型固件，进行自升级IAP，后续执行S635。

S635、本地端判断电池模型升级固件升级是否成功，若固件升级成功，则后续执行S636。若固件升级失败，则返回再次执行S631。

S636、本地端将升级固件成功结果反馈给服务器，要求服务器下发模型参数配置及启动运行新模型命令，后续执行S637。

S637、服务器下发模型参数配置及启动运行新模型命令，后续执行S638。

S638、本地端BMS按新模型启动运行。

本发明实施例中本地电池储能管理器获取储能电池簇在运行中产生的电池数据，按照预设时间间隔上报所述电池数据给所述服务器；接收所述服务器下发的所述模型更新固件或模型更新参数，对所述模型更新固件或模型更新参数进行校验；基于校验通过的所述模型更新固件或模型更新参数，对所述电池模型进行模型固件升级或模型参数更新，得到新的电池模型，采用所述新的电池模型管理所述储能电池簇的运行状态，即本地储能电池管理器通过简单地数据上传和数据接收处理，就可实现对电池模型的高精度更新和使用，减少了对本地储能电池管理器的计算需求，在提高电芯的均衡一致性、提高储能***荷电状态SOC精准评估、预测储能电池健康度SOH，储能***故障安全预警、故障追踪、故障分析、提高储能电池性能、延长储能***全生命周期电池寿命的基础上，还进一步提高本发明修正方法对不同的场景的适用性和兼容性。

实施例

图7为本发明一实施例提供的一种储能电池管理***的修正装置的结构框图，该装置可以由软件和/或硬件实现，并通常部署于服务器中，所述服务器同步部署有本地储能电池管理器中电池模型的孪生模型和多个通用电池模型，可以包括：

数据预测模块710，用于通过所述孪生模型基于历史电池数据生成预测数据，其中，所述历史电池数据是所述本地储能电池管理器上报的储能电池簇运行过程中产生的电池数据。

模型训练模块720，用于在检测到模型修正事件时，采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型。

模型下发模块730，用于下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，以指示所述本地储能电池管理器基于所述模型更新固件或模型更新参数，进行模型固件升级或模型参数更新。

本发明实施例所提供的储能电池管理***的修正装置可执行本发明任意实施例所提供的储能电池管理***的修正方法，具备执行方法相应的功能模块和有益效果。

可选的，所述数据预测模块710，具体用于通过所述孪生模型基于第一时间段内的历史电池数据，预测所述储能电池簇在第二时间段内的运行数据，作为预测数据。

可选地，该装置还包括：

事件触发模块，用于在所述通过所述孪生模型基于历史电池数据生成预测数据之后，根据所述预测数据确定第一运行曲线；获取所述本地储能电池管理器实时上报的电池数据，根据所述第二时间段内的所述电池数据确定第二运行曲线；根据所述第二运行曲线与所述第一运行曲线，确定电池工况偏差；在所述电池工况偏差满足设定条件时，触发模型修正事件。

可选的，所述储能电池管理***的修正装置，还包括：数据存储模块。

所述数据存储模块，用于基于所述电池数据的类型对所述电池数据进行分类，确定各类所述电池数据的存储时间，按照所述存储时间存储对应的所述电池数据，作为历史电池数据，其中，所述电池数据包括单体电芯温度数据、单体电芯电压数据、充放电事件数据、充电容量能量数据、放电容量能量数据、OCV-SOC数据、内阻数据、SOP数据、循环寿命数据和自放电率数据。

可选的，所述模型训练模块720，具体用于对于每个通用电池模型，采用机器学习算法根据所述预测数据进行训练，得到多个备选电池模型；对于每个备选电池模型，基于所述第一时间段内的历史电池数据，预测所述储能电池簇在第二时间段内的备选运行数据，根据所述备选运行数据确定第三运行曲线；根据各个所述第三运行曲线与所述第一运行曲线的偏差，确定各个所述备选电池模型的权重，根据所述权重满足预设条件的备选电池模型生成目标电池模型

可选的，所述模型下发模块730，具体用于在所述电池工况偏差大于设定阈值门限时，下发所述目标电池模型的模型更新固件给所述本地储能电池管理器；在所述电池工况偏差小于或等于设定阈值门限时，下发所述目标电池模型的模型更新参数给所述本地储能电池管理器。

进一步说明后的本发明实施例所提供的储能电池管理***的修正装置同样可执行本发明任意实施例所提供的储能电池管理***的修正方法，具备执行方法相应的功能模块和有益效果。

实施例六

图8为本发明另一实施例提供的一种储能电池管理***的修正装置的结构框图，该装置可以由软件和/或硬件实现，并通常配置于本地储能电池管理器中，所述本地储能电池管理器中的电池模型同步部署于服务器，以在所述服务器中运行所述电池模型的孪生模型，该装置可以包括：

数据上报模块810，用于获取储能电池簇在运行中产生的电池数据，按照预设时间间隔上报所述电池数据给所述服务器，以指示所述服务器基于所述电池数据触发模型修正事件，通过所述孪生模块基于历史电池数据生成预测数据，采用机器学习算法根据所述预测数据训练通用电池模型得到目标电池模型，下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器；

模型校验模型820，用于接收所述服务器下发的所述模型更新固件或模型更新参数，对所述模型更新固件或模型更新参数进行校验；

模型更新模块830，用于基于校验通过的所述模型更新固件或模型更新参数，对所述电池模型进行模型固件升级或模型参数更新，得到新的电池模型，采用所述新的电池模型管理所述储能电池簇的运行状态。

本发明实施例所提供的储能电池管理***的修正装置可执行本发明任意实施例所提供的储能电池管理***的修正方法，具备执行方法相应的功能模块和有益效果。

实施例七

本发明实施例七还提供一种包含计算机可执行指令的存储介质，所述计算机可执行指令在由计算机处理器执行时用于执行一种储能电池管理***的修正方法。

该方法可以由服务器执行，所述服务器同步部署有本地储能电池管理器中电池模型的孪生模型和多个通用电池模型，具体包括：通过所述孪生模型基于历史电池数据生成预测数据，其中，所述历史电池数据是所述本地储能电池管理器上报的储能电池簇运行过程中产生的电池数据；在检测到模型修正事件时，采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型；下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，以指示所述本地储能电池管理器基于所述模型更新固件或模型更新参数，进行模型固件升级或模型参数更新。

或者，该方法可以由本地储能电池管理器执行，所述本地储能电池管理器中的电池模型同步部署于服务器，以在所述服务器中运行所述电池模型的孪生模型，具体包括：获取储能电池簇在运行中产生的电池数据，按照预设时间间隔上报所述电池数据给所述服务器，以指示所述服务器基于所述电池数据触发模型修正事件，通过所述孪生模块基于历史电池数据生成预测数据，采用机器学习算法根据所述预测数据训练通用电池模型得到目标电池模型，下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器；接收所述服务器下发的所述模型更新固件或模型更新参数，对所述模型更新固件或模型更新参数进行校验；基于校验通过的所述模型更新固件或模型更新参数，对所述电池模型进行模型固件升级或模型参数更新，得到新的电池模型，采用所述新的电池模型管理所述储能电池簇的运行状态。

当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的储能电池管理***的修正方法中的相关操作.

通过以上关于实施方式的描述，所属领域的技术人员可以清楚地了解到，本发明可借助软件及必需的通用硬件来实现，当然也可以通过硬件实现，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。

值得注意的是，上述储能电池管理***的修正装置的实施例中，所包括的各个单元和模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

注意，上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解，本发明不限于这里所述的特定实施例，对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此，虽然通过以上实施例对本发明进行了较为详细的说明，但是本发明不仅仅限于以上实施例，在不脱离本发明构思的情况下，还可以包括更多其他等效实施例，而本发明的范围由所附的权利要求范围决定。

Claims (11)

1.一种储能电池管理***的修正方法，其特征在于，由服务器执行，所述服务器同步部署有本地储能电池管理器中电池模型的孪生模型和多个通用电池模型；所述方法包括：

通过所述孪生模型基于历史电池数据生成预测数据，其中，所述历史电池数据是所述本地储能电池管理器上报的储能电池簇运行过程中产生的电池数据；

在检测到模型修正事件时，采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型；

下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，以指示所述本地储能电池管理器基于所述模型更新固件或模型更新参数，进行模型固件升级或模型参数更新。

2.根据权利要求1所述的方法，其特征在于，所述通过所述孪生模型基于历史电池数据生成预测数据，包括：

通过所述孪生模型基于第一时间段内的历史电池数据，预测所述储能电池簇在第二时间段内的运行数据，作为预测数据。

3.根据权利要求2所述的方法，其特征在于，在所述通过所述孪生模型基于历史电池数据生成预测数据之后，还包括：

根据所述预测数据确定第一运行曲线；

获取所述本地储能电池管理器实时上报的电池数据，根据所述第二时间段内的所述电池数据确定第二运行曲线；

根据所述第二运行曲线与所述第一运行曲线，确定电池工况偏差；

在所述电池工况偏差满足设定条件时，触发模型修正事件。

4.根据权利要求3所述的方法，其特征在于，在获取所述本地储能电池管理器实时上报的电池数据之后，还包括：

基于所述电池数据的类型对所述电池数据进行分类，确定各类所述电池数据的存储时间，按照所述存储时间存储对应的所述电池数据，作为历史电池数据，其中，所述电池数据包括单体电芯温度数据、单体电芯电压数据、充放电事件数据、充电容量能量数据、放电容量能量数据、OCV-SOC数据、内阻数据、SOP数据、循环寿命数据和自放电率数据。

5.根据权利要求3所述的方法，其特征在于，所述采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型，包括：

对于每个通用电池模型，采用机器学习算法根据所述预测数据进行训练，得到多个备选电池模型；

对于每个备选电池模型，基于所述第一时间段内的历史电池数据，预测所述储能电池簇在第二时间段内的备选运行数据，根据所述备选运行数据确定第三运行曲线；

根据各个所述第三运行曲线与所述第一运行曲线的偏差，确定各个所述备选电池模型的权重，根据所述权重满足预设条件的备选电池模型生成目标电池模型。

6.根据权利要求3所述的方法，其特征在于，所述下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，包括：

在所述电池工况偏差大于设定阈值门限时，下发所述目标电池模型的模型更新固件给所述本地储能电池管理器；

在所述电池工况偏差小于或等于设定阈值门限时，下发所述目标电池模型的模型更新参数给所述本地储能电池管理器。

7.一种储能电池管理***的修正方法，其特征在于，由本地储能电池管理器执行，所述本地储能电池管理器中的电池模型同步部署于服务器，以在所述服务器中运行所述电池模型的孪生模型；所述方法包括：

获取储能电池簇在运行中产生的电池数据，按照预设时间间隔上报所述电池数据给所述服务器，以指示所述服务器基于所述电池数据触发模型修正事件，通过所述孪生模块基于历史电池数据生成预测数据，采用机器学习算法根据所述预测数据训练通用电池模型得到目标电池模型，下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器；

接收所述服务器下发的所述模型更新固件或模型更新参数，对所述模型更新固件或模型更新参数进行校验；

基于校验通过的所述模型更新固件或模型更新参数，对所述电池模型进行模型固件升级或模型参数更新，得到新的电池模型，采用所述新的电池模型管理所述储能电池簇的运行状态。

8.一种储能电池管理***的修正装置，其特征在于，部署于服务器中，所述服务器同步部署有本地储能电池管理器中电池模型的孪生模型和多个通用电池模型；所述修正装置包括：

数据预测模块，用于通过所述孪生模型基于历史电池数据生成预测数据，其中，所述历史电池数据是所述本地储能电池管理器上报的储能电池簇运行过程中产生的电池数据；

模型训练模块，用于在检测到模型修正事件时，采用机器学习算法根据所述预测数据训练所述通用电池模型，得到目标电池模型；

模型下发模块，用于下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器，以指示所述本地储能电池管理器基于所述模型更新固件或模型更新参数，进行模型固件升级或模型参数更新。

9.一种储能电池管理***的修正装置，其特征在于，配置于本地储能电池管理器中，所述本地储能电池管理器中的电池模型同步部署于服务器，以在所述服务器中运行所述电池模型的孪生模型；所述修正装置包括：

数据上报模块，用于获取储能电池簇在运行中产生的电池数据，按照预设时间间隔上报所述电池数据给所述服务器，以指示所述服务器基于所述电池数据触发模型修正事件，通过所述孪生模块基于历史电池数据生成预测数据，采用机器学习算法根据所述预测数据训练通用电池模型得到目标电池模型，下发所述目标电池模型的模型更新固件或模型更新参数给所述本地储能电池管理器；

模型校验模型，用于接收所述服务器下发的所述模型更新固件或模型更新参数，对所述模型更新固件或模型更新参数进行校验；

模型更新模块，用于基于校验通过的所述模型更新固件或模型更新参数，对所述电池模型进行模型固件升级或模型参数更新，得到新的电池模型，采用所述新的电池模型管理所述储能电池簇的运行状态。

10.一种储能电池管理***的修正***，其特征在于，包括：至少两台服务器，多个本地储能电池管理器和多个储能电池簇；

所述至少两台服务器包括一台主服务器和剩余数量的备用服务器，所述主服务器和备用服务器同步运行，所述备用服务器用于备份所述主服务器的数据，并在所述主服务器宕机时，代替所述主服务器与所述本地储能电池管理器进行信息交互；

所述主服务器，与所述多个本地储能电池管理器通信连接，用于执行如权利要求1-6中任一项所述的储能电池管理***的修正方法；

所述本地储能电池管理器，分别与所述多个储能电池簇通信连接，用于执行如权利要求7所述的储能电池管理***的修正方法；

所述储能电池簇，用于记录运行过程中产生的电池数据，并发送所述电池数据给对应的所述本地储能电池管理器。

11.一种包含计算机可执行指令的存储介质，其特征在于，所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-7中任一所述的储能电池管理***的修正方法。

Images