一种基于云边协同的电池健康预测方法和系统与流程

本发明涉及电池健康预测，尤其涉及一种基于云边协同的电池健康预测方法和系统。

背景技术：

1、电池智能制造的未来趋势是利用物联网、云计算、大数据等技术对电池生命周期数据进行整合分析，形成电池生产、制造、服务、运维的全域一体化的决策信息服务系统，为电池的智能管理提供技术保障。其中，一个重要的环节是对电池系统的健康状态进行准确预测。复杂工作条件下电池系统准确的健康预测，对电池的健康管理有指导作用，对于电池系统后期的服务和运维有着重要的参考价值。

2、传统的电池系统健康预测方法主要有两种：基于模型的方法和数据驱动的方法。基于模型的方法从电池的等效电路模型、电化学模型、容量衰减经验模型等角度出发，结合非线性观测器、自适应滤波器等先进的算法，对电池在复杂条件下的健康衰减趋势进行预测。这种方法的预测精度依赖于模型的准确性，然而复杂条件下电池老化行为的准确建模仍然是一个难题。这种方法需要建立一个准确的电池健康衰减模型，并且在复杂运行条件的都能适用。但是，电池的健康衰减与多种因素有关，包括运行温度、充放电电流倍率、充放电电压、soc运行区间等等，这些因素会影响电池健康衰减模型的参数，因此建立准确的健康衰减模型是十分困难的事情。此外，容量衰减过程中会出现容量再生、容量跳水等不确定现象，这些不确定性对准确的建模带来了额外的挑战。基于数据驱动的方法从海量的电池运行数据中提取与电池健康衰减相关的健康特征，利用先进的人工智能方法，如神经网络、数据回归等，建立数据特征与健康衰减之间的非线性映射关系。这种方法需要大量的计算资源，无法部署在车载终端，并且预测精度依赖于数据的质量和数量。这种方法本质上是一个开环的预测方法，如果数据质量不高，数据集不能涵盖复杂的工作条件，那么这种方法的运行工况适应性就无法保证。

技术实现思路

1、为解决背景技术中存在的技术问题，本发明提出一种基于云边协同的电池健康预测方法和系统。

2、本发明提出的一种基于云边协同的电池健康预测方法，包括：

3、实时获取并存储边端上传的电池运行数据和健康状态标定数据；所述健康状态标定数据包括电池充放电等效循环数、容量标定数据；

4、对所述电池运行数据进行预处理，得到第一类型健康特征数据；

5、将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值；

6、将所述第一预测值和所述容量标定数据输入已训练好的所述本地健康预测修正模型，得到电池健康的第二预测值，并将所述第二预测值作为当前时刻对应的电池健康预测结果。

7、优选地，所述电池健康预测云模型设置在云端，所述本地健康预测修正模型设置在边端。

8、优选地，所述边端包括多个t-box网联终端和多个bms控制器终端；“实时获取并存储边端上传的电池运行数据和健康状态标定数据”具体包括：

9、bms控制器终端实时采集电池运行数据，并通过对应的t-box网联终端将电池运行数据传输至云端；

10、bms控制器终端将电池充放电等效循环数和容量标定数据作为健康状态标定数据，并通过t-box网联终端传输并存储至云端；

11、其中，所述电池运行数据包括电压、电流、温度；所述容量标定数据为电池在满充或者满放阶段对应的容量；所述电池充放电等效循环数为电池运行过程中的累计安时吞吐量与电池额定容量比值的一半。

12、优选地，“对所述电池运行数据进行预处理，得到第一类型健康特征数据”包括：

13、从所述电池运行数据中提取出健康特征数据，所述健康特征数据包括工况统计特征和时间序列特征；

14、对所述健康特征数据进行数据清洗，去除不完整的、错误的、重复的健康特征数据，筛选出与电池容量衰减相关性强的健康特征数据作为有效的健康特征数据，得到第一类型健康特征数据；

15、其中，所述工况统计特征包括电压、电流、温度对应的数据获取时刻的最大值、最小值、平均值、峰值和偏度；所述时间序列特征包括通过增量容量分析和差分电压分析得到的曲线峰值、次峰值、谷值。

16、优选地，所述电池健康预测云模型训练方法包括：

17、获取所述第一类型健康特征数据的在不同运行工况的特征数据集；

18、以所述特征数据集和所述电池充放电等效循环数作为输入，输入到双向gru循环神经网络中，得到电池健康的第一预测值；

19、将所述第一预测值与预设的健康状态的参考值的均方根误差作为目标损失函数；

20、进行迭代训练，得到训练好的电池健康预测云模型。

21、优选地，所述本地健康预测修正模型训练方法包括：

22、获取所述第一预测值和所述容量标定数据；

23、以所述第一预测值和所述容量标定数据作为样本，输入到本地健康预测修正模型，并利用自适应贝叶斯滤波器，估计修正参数，得到与历史时刻对应的电池健康的第二预测值。

24、优选地，还包括：当所述电池运行数据超出预设的健康状态阈值范围时，输出健康状态告警信息。

25、本发明提出的一种基于云边协同的电池健康预测系统，包括：云数据管理模块，用于实时获取并存储边端上传的电池运行数据和健康状态标定数据；

26、云服务管理模块，用于对所述电池运行数据进行预处理，得到第一类型健康特征数据；

27、健康预测模块，用于将所述第一类型健康特征数据和所述电池充放电等效循环数输入已训练好的所述电池健康预测云模型，得到当前时刻对应的电池健康的第一预测值；将所述第一预测值和所述容量标定数据输入已训练好的所述本地健康预测修正模型，得到电池健康的第二预测值，并将所述第二预测值作为当前时刻对应的电池健康预测结果。

28、优选地，所述电池健康预测云模型设置在云端，所述本地健康预测修正模型设置在边端。

29、优选地，所述边端包括多个t-box网联终端和多个bms控制器终端；“实时获取并存储边端上传的电池运行数据和健康状态标定数据”具体包括：

30、bms控制器终端实时采集电池运行数据，并通过对应的t-box网联终端将电池运行数据传输至云端；

31、bms控制器终端将电池充放电等效循环数和容量标定数据作为健康状态标定数据，并通过t-box网联终端传输并存储至云端；

32、其中，所述电池运行数据包括电压、电流、温度；所述容量标定数据为电池在满充或者满放阶段对应的容量；所述电池充放电等效循环数为电池运行过程中的累计安时吞吐量与电池额定容量比值的一半。

33、本发明中，所提出的基于云边协同的电池健康预测方法和系统，通过电池健康预测云模型和本地健康预测修正模型的同时部署，一方面通过将双向gru循环神经网络应用到电池的健康预测任务中，提高了数据处理效率，另一方面云端与边端协同预测，降低了边端的计算处理量以及存储占用量，并且通过充分利用边端本地的历史信息对健康预测进行闭环的修正，提高了电池健康预测的精度。实现了数据驱动方法和基于模型的健康预测方法的优势互补。