电动车辆电池云端管理系统、方法、介质及云端服务器与流程

1.本发明涉及电池管理领域，尤其涉及一种电动车辆电池云端管理系统、方法、介质及云端服务器。


背景技术：

2.bms电池管理是电动汽车发展的核心技术之一，而动力电池的荷电状态(soc)估算又对电池管理极为重要，准确的soc估计能极大提高电池使用寿命和整车性能。目前，使用较为广泛的soc估算方法是模糊控制法、卡尔曼滤波法、灰色理论算法法、神经网络法等，这些方法中，对于神经网络模型和模糊控制法，不依赖对象的数学模型，适合于多输入、多输出的非线性系统非常适合soc估计。但是其要依赖大量的样本数据才能得到较好精度，而且cpu数据处理能力有限，因此soc神经网络模型不能很好地应用实际。


技术实现要素：

3.本发明的主要目的在于克服上述现有技术的缺陷，提供一种电动车辆电池云端管理系统、方法、存储介质及云端服务器，以解决现有技术中cpu数据处理能力有限，soc神经网络模型不能很好地应用实际的问题。
4.本发明一方面提供了一种电动车辆电池云端管理系统，包括：云端数据预处理模块，用于在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数，由电动车辆进行下载，并进行卡尔曼滤波法soc估算建模，以用于电池的soc估算；和/或，神经网络模型估算模块，用于在云平台建立soc估算神经网络模型，以及基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算。
5.可选地，所述神经网络模型估算模块，在云平台对卡尔曼滤波法估算soc建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数，包括：获取不同电池的充放电实验测试数据以及不同的充放电实验测试数据对应的预设数据处理方式；根据所述预设数据处理方式对相应实验测试数据进行预处理，得到卡尔曼滤波法估算soc建模所需的建模参数；和/或，所述神经网络模型估算模块，在云平台建立soc估算神经网络模型，包括：接收电动汽车发送的电池充放电实验测试数据和/或电池在预设时间内的运行参数；运用深度学习框架对接收的电池充放电实验测试数据和/或电池在预设时间内的运行参数进行深度学习训练得到soc估算神经网络模型；和/或，所述神经网络模型估算模块，基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算，包括：接收电动汽车在运行过程中发送的电池运行参数；将所述电池运行参数输入所述soc估算神经网络模型中，输出所述电动汽车的实时soc估算值。
6.可选地，还包括：电动车辆故障预警模块，用于在云平台建立电动车辆故障预警模型，基于所述电动车辆故障预警模型，确定电动车辆的安全状态。
7.可选地，所述电动车辆故障预警模块，在云平台建立电动车辆故障预警模型，包括：获取电动车辆发生故障前后的预设时间内的故障运行参数；对获取的故障运行参数进
行模型训练，建立电动车辆故障预警模型。
8.本发明另一方面提供了一种电动车辆电池云端管理方法，包括：在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数，由电动车辆进行下载，并进行卡尔曼滤波法soc估算建模，以用于电池的soc估算；和/或，在云平台建立soc估算神经网络模型，以及基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算。
9.可选地，在云平台对卡尔曼滤波法估算soc建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数，包括：获取不同电池的充放电实验测试数据以及不同的充放电实验测试数据对应的预设数据处理方式；根据所述预设数据处理方式对相应实验测试数据进行预处理，得到卡尔曼滤波法估算soc建模所需的建模参数；和/或，在云平台建立soc估算神经网络模型，包括：接收电动汽车发送的电池充放电实验测试数据和/或电池在预设时间内的运行参数；运用深度学习框架对接收的电池充放电实验测试数据和/或电池在预设时间内的运行参数进行深度学习训练得到soc估算神经网络模型；和/或，基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算，包括：接收电动汽车在运行过程中发送的电池运行参数；将所述电池运行参数输入所述soc估算神经网络模型中，输出所述电动汽车的实时soc估算值。
10.可选地，还包括：在云平台建立电动车辆故障预警模型，基于所述电动车辆故障预警模型，确定电动车辆的安全状态。
11.可选地，在云平台建立电动车辆故障预警模型，包括：获取电动车辆发生故障前后的预设时间内的故障运行参数；对获取的故障运行参数进行模型训练，建立电动车辆故障预警模型。
12.本发明又一方面提供了一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述任一所述方法的步骤。
13.本发明再一方面提供了一种云端服务器，包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一所述方法的步骤。
14.本发明再一方面提供了一种云端服务器，包括前述任一所述的电动车辆电池云端管理系统。
15.根据本发明的技术方案，既能处理卡尔曼滤波法建模所需数据，又能同时用神经网络法在线估算soc；将数据预处理、模型训练任务分配到了云端数据平台，以此达到获取更大数据量，以解决电池管理cpu运算能力有限，不能满足神经网络算法训练的时间要求以及实时运算的问题；将卡尔曼滤波法的建模参数的数据预处理置于云端来缩短开发周期；能够参考以往的大量故障信息(发生故障和/或引起事故时的参数以及相关性)来进行故障预警；将bms中soc估算采用神经网络法时所需的大量数据在云端完成训练与验证，参考电动汽车以往大量故障信息数据，对发生故障时电动汽车的关键参数进行记录，建立故障预警模型进行故障预测。对电池建模时所需数据进行云端处理，得到建模所需参数，缩短开发周期。
附图说明
16.此处所说明的附图用来提供对本发明的进一步理解，构成本发明的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
17.图1示出了本发明提供的电动车辆电池云端管理系统一实施例的结构框图；
18.图2示出了本发明提供的电动车辆电池云端管理系统的系统方案图；
19.图3示出了在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数一具体实施方式的流程示意图；
20.图4示出了在云平台建立soc估算神经网络模型一具体实施方式的流程示意图；
21.图5示出了基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算的一具体实施方式的流程示意图；
22.图6示出了电动汽车故障预警模块建立电动车辆故障预警模型的一具体实施方式的流程示意图；
23.图7是本发明提供的电动车辆电池云端管理方法的一实施例的方法示意图。
具体实施方式
24.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明具体实施例及相应的附图对本发明技术方案进行清楚、完整地描述。显然，所描述的实施例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，本领域普通技术人员在没有做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。
25.需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
26.神经网络模型的多输入、多输出的非线性系统非常适合soc估计，但是却受制于以下方面：1、样本的数据量偏小无法满足训练要求；2、cpu的数据运算能力有限。3、卡尔曼滤波法建模时的数据量大，增加了开发周期。
27.本发明提供一种电动车辆电池云端管理系统。所述云端管理系统与电动车辆通过5g通信方式进行通信，提高数据传输速度和实时性。
28.图1示出了本发明提供的电动车辆电池云端管理系统一实施例的结构框图。图2示出了本发明提供的电动车辆电池云端管理系统的系统方案图。如图1、图2所示，电动车辆电池云端管理系统包括云端数据预处理模块和神经网络模型估算模块。
29.云端数据预处理模块，用于在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数，该建模参数可以由电动车辆进行下载，并进行卡尔曼滤波法soc估算建模，以用于电池的soc估算。
30.图3示出了在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数一具体实施方式的流程示意图。
31.如图3所示，云端数据预处理模块在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数具体可以包括步骤s11和步骤s12。
32.步骤s11，获取不同电池的充放电实验测试数据以及不同的充放电实验测试数据对应的预设数据处理方式。
33.步骤s12，根据所述预设数据处理方式对相应实验测试数据进行预处理，得到卡尔曼滤波法soc估算建模所需的建模参数。
34.具体地，从充放电实验测试数据库中获取不同电池的充放电实验测试数据。例如，建立充放电测试实验数据库，同一厂家可将本厂所有电池的充放电实验测试数据上传至数据库。例如针对不同厂家不同开发方案对于各种充放电实验测试数据可以预先设置相应的数据处理方式，读取充放电实验测试数据库中的充放电实验测试数据按照相应的数据处理方式进行数据预处理，得到卡尔曼滤波法估算soc建模所需的建模参数。
35.结合图2所示的本发明的系统方案图，所述建模参数例如包括：内阻和/或二阶rc模型参数等，二阶rc模型的模型参数具体可以包括：cc电荷转移引起的电容，rc表示电荷转移引起的电阻，cd表示电荷扩散引起的电容，rd表示电荷扩散引起的电阻，还包括对rc参数进行函数拟合的函数参数和/或soc、ocv(开路电压)、电芯工作温度t进行函数(多项式)拟合的函数参数。
36.厂家可以从云端数据预处理模块下载经过预处理的卡尔曼滤波法soc估算建模所需的建模参数后，进行卡尔曼滤波法soc估算建模，经过极化参数拟合、soc
‑
ocv
‑
t函数关系拟合等步骤建立卡尔曼滤波法soc估算模型。
37.卡尔曼滤波法soc估算模型中输入socx0(上一时刻的soc)、开路电压ocv、电芯工作温度t，即可输出电池当前的soc值。
38.神经网络模型估算模块，用于建立soc估算神经网络模型，以及基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算。
39.图4示出了在云平台建立soc估算神经网络模型一具体实施方式的流程示意图。结合图4所示的本发明的系统方案图，如图4所示，神经网络模型估算模块在云平台建立soc估算神经网络模型具体可以包括步骤s21和步骤s22。
40.步骤s21，接收电池充放电实验测试数据和/或电池在预设时间内的运行参数。
41.步骤s22，运用深度学习框架对接收的电池充放电实验测试数据和/或电池在预设时间内的运行参数进行深度学习训练得到soc估算神经网络模型。
42.例如，结合图2所示的本发明的系统方案图，电动车辆端将充放电测试实验数据以及一段时间内的电动汽车电池的实时运行参数(例如电池电压v、电流i、电芯工作温度t、充放电内阻)通过5g高速通信发送到云端，运用深度学习框架对接收到的数据进行深度学习训练，例如，可使用目前主流的免费开源深度学习框架，如caffee、tensorflow等。
43.图5示出了基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算的一具体实施方式的流程示意图。
44.如图5所示，神经网络模型估算模块基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算具体可以包括步骤s31和步骤s32。
45.步骤s31，接收电动汽车在运行过程中发送的电池运行参数。
46.步骤s32，将所述电池运行参数输入所述soc估算神经网络模型中，输出所述电动
汽车的实时soc估算值。
47.接收电动汽车在运行过程中发送的电池运行参数和/或向电动汽车返回输出的实时soc估算值，可以采用5g通信进行传输，传输速度快，实时性好。
48.所述运行参数，包括：电池电压v、电流i、电芯工作温度t和/或充放电内阻。结合图2所示的本发明的系统方案图，电动汽车运行过程中将电池运行参数例如电池电压v、电流i、温度t、充放电内阻等通过5g高速通信发送至云端(云平台)的神经网络模型估算模块，输入训练好的soc估算神经网络模型进行处理，最终输出电池soc估算值，发送给电动汽车端。
49.可选地，如图1、图2所示，所述电动车辆电池云端管理系统还包括电动车辆故障预警模块，用于在云平台建立电动车辆故障预警模型，基于所述电动车辆故障预警模型，确定电动车辆的安全状态。
50.图6示出了电动汽车故障预警模块建立电动车辆故障预警模型的一具体实施方式的流程示意图。
51.如图6所示，电动汽车故障预警模块在云平台建立电动车辆故障预警模型具体可以包括步骤s41和步骤s42。
52.步骤s41，获取电动车辆发生故障前后的预设时间内的故障运行参数。
53.步骤s41，对获取的故障运行参数进行模型训练，建立电动车辆故障预警模型。
54.例如，若一辆电动汽车发生故障，获取其故障发生前后一段时间的故障运行参数(发生故障或事故时的参数以及相关性)，建立一个故障参数信息数据库。采用逻辑回归(logistic)或者开源深度学习框架中神经网络模型支持向量机(svm算法)，对故障参数信息数据库中的故障运行参数进行训练，建立故障预警模型。
55.结合图2所示的本发明的系统方案图，电动汽车在运行过程中将运行参数实时通过5g高速通信发送至云端管理系统，输入故障预警模型进行处理，得到电动车辆的安全状态，即是否有发生故障的可能。
56.本发明还提供一种电动车辆电池云端管理方法。
57.图7是本发明提供的电动车辆电池云端管理方法的一实施例的方法示意图。
58.如图7所示，根据本发明的一个实施例，所述管理方法至少包括步骤s110和/或步骤s120。
59.步骤s110，在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数。该建模参数可以由电动车辆进行下载，并进行卡尔曼滤波法soc估算建模，以用于电池的soc估算。
60.图3示出了在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数一具体实施方式的流程示意图。
61.如图3所示，在云平台对卡尔曼滤波法soc估算建模所需的充放电实验测试数据进行数据预处理得到相应的建模参数具体可以包括步骤s11和步骤s12。
62.步骤s11，获取不同电池的充放电实验测试数据以及不同的充放电实验测试数据对应的预设数据处理方式。
63.步骤s12，根据所述预设数据处理方式对相应实验测试数据进行预处理，得到卡尔曼滤波法soc估算建模所需的建模参数。
64.具体地，从充放电实验测试数据库中获取不同电池的充放电实验测试数据。例如，
建立充放电测试实验数据库，同一厂家可将本厂所有电池的充放电实验测试数据上传至数据库。例如针对不同厂家不同开发方案对于各种充放电实验测试数据可以预先设置相应的数据处理方式，读取充放电实验测试数据库中的充放电实验测试数据按照相应的数据处理方式进行数据预处理，得到卡尔曼滤波法估算soc建模所需的建模参数。
65.结合图2所示的本发明的系统方案图，所述建模参数例如包括：内阻和/或二阶rc模型参数等，二阶rc模型的模型参数具体可以包括：cc电荷转移引起的电容，rc表示电荷转移引起的电阻，cd表示，rd表示电荷扩散引起的电阻，还包括对rc参数进行函数拟合的函数参数和/或soc、ocv(开路电压)、电芯工作温度t进行函数(多项式)拟合的函数参数。
66.厂家可以从云端数据预处理模块下载经过预处理的卡尔曼滤波法soc估算建模所需的建模参数后，进行卡尔曼滤波法soc估算建模，经过极化参数拟合、soc
‑
ocv
‑
t函数关系拟合等步骤建立卡尔曼滤波法soc估算模型。
67.卡尔曼滤波法soc估算模型中输入socx0(上一时刻的soc)、开路电压ocv、电芯工作温度t，即可输出电池当前的soc值。
68.步骤s120，在云平台建立soc估算神经网络模型，以及基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算。
69.图4示出了在云平台建立soc估算神经网络模型一具体实施方式的流程示意图。结合图2所示的本发明的系统方案图，如图4所示，建立soc估算神经网络模型具体可以包括步骤s21和步骤s22。
70.步骤s21，接收电池充放电实验测试数据和/或电池在预设时间内的运行参数。
71.步骤s22，运用深度学习框架对接收的电池充放电实验测试数据和/或电池在预设时间内的运行参数进行深度学习训练得到soc估算神经网络模型。
72.例如，结合图2所示的本发明的系统方案图，电动车辆端将充放电测试实验数据以及一段时间内的电动汽车电池的实时运行参数(例如电池电压v、电流i、电芯工作温度t、充放电内阻)通过5g高速通信发送到云端，运用深度学习框架对接收到的数据进行深度学习训练，例如，可使用目前主流的免费开源深度学习框架，如caffee、tensorflow等。
73.图5示出了基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算的一具体实施方式的流程示意图。
74.如图5所示，基于所建立的soc估算神经网络模型对电动车辆电池进行实时soc估算具体可以包括步骤s31和步骤s32。
75.步骤s31，接收电动汽车在运行过程中发送的电池运行参数。
76.步骤s32，将所述运行参数输入所述soc估算神经网络模型中，输出所述电动汽车的实时soc估算值。
77.接收电动汽车在运行过程中发送的运行参数和/或向电动汽车返回输出的实时soc估算值，可以采用5g通信进行传输，传输速度快，实时性好。
78.所述运行参数，包括：电池电压v、电流i、电芯工作温度t和/或充放电内阻。结合图2所示的本发明的系统方案图，电动汽车运行过程中将电池运行参数例如电池电压v、电流i、温度t、充放电内阻等参数通过5g高速通信发送至云端(云平台)的神经网络模型估算模块，输入训练好的soc估算神经网络模型进行处理，最终输出电池soc估算值，发送给电动汽车端。
79.可选地，如图7所示，所述方法还包括步骤s130。
80.步骤s130，在云平台建立电动车辆故障预警模型，基于所述电动车辆故障预警模型，确定电动车辆的安全状态。
81.图6示出了在云平台建立电动车辆故障预警模型的一具体实施方式的流程示意图。
82.如图6所示，在云平台建立电动车辆故障预警模型具体可以包括步骤s41和步骤s42。
83.步骤s41，获取电动车辆发生故障前后的预设时间内的故障运行参数。
84.步骤s41，对获取的故障运行参数进行模型训练，建立电动车辆故障预警模型。
85.例如，若一辆电动汽车发生故障，获取其故障发生前后一段时间的故障运行参数(发生故障或事故时的参数以及相关性)，建立一个故障参数信息数据库。采用逻辑回归(logistic)或者开源深度学习框架中神经网络模型支持向量机(svm算法)，对故障参数信息数据库中的故障运行参数进行训练，建立故障预警模型。
86.结合图2所示的本发明的系统方案图，电动汽车在运行过程中将运行参数实时通过5g高速通信发送至云端管理系统，输入故障预警模型进行处理，得到电动车辆的安全状态，即是否有发生故障的可能。
87.本发明还提供对应于所述电动车辆电池云端管理方法的一种存储介质，其上存储有计算机程序，所述程序被处理器执行时实现前述任一所述方法的步骤。
88.本发明还提供对应于所述电动车辆电池云端管理方法的一种云端服务器，包括处理器、存储器以及存储在存储器上可在处理器上运行的计算机程序，所述处理器执行所述程序时实现前述任一所述方法的步骤。
89.本发明还提供对应于所述电动车辆电池云端管理系统的一种云端服务器，包括前述任一所述的电动车辆电池云端管理系统。
90.据此，本发明提供的方案，将数据预处理、模型训练任务分配到了云端数据平台，以此达到获取更大数据量，以解决电池管理cpu运算能力有限，不能满足神经网络算法训练的时间要求以及实时运算的问题将卡尔曼滤波法的建模参数的数据预处理置于云端来缩短开发周期；能够参考以往的大量事故信息(发生事故时的参数以及相关性)来进行故障预警；将bms中soc估算采用神经网络法时所需的大量数据在云端完成训练与验证，参考电动汽车以往大量故障信息数据，对发生故障时电动汽车的关键参数进行记录，建立故障预警模型进行故障预测。对电池建模时所需数据进行云端处理，得到建模所需参数，缩短开发周期。
91.本文中所描述的功能可在硬件、由处理器执行的软件、固件或其任何组合中实施。如果在由处理器执行的软件中实施，那么可将功能作为一或多个指令或代码存储于计算机可读媒体上或经由计算机可读媒体予以传输。其它实例及实施方案在本发明及所附权利要求书的范围及精神内。举例来说，归因于软件的性质，上文所描述的功能可使用由处理器、硬件、固件、硬连线或这些中的任何者的组合执行的软件实施。此外，各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
92.在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的
方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
93.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为控制装置的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
94.所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
95.以上所述仅为本发明的实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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权利要求范围之内。