[發(fā)明專(zhuān)利]電動(dòng)車(chē)輛電池云端管理系統(tǒng)、方法、介質(zhì)及云端服務(wù)器

在審

• 申請(qǐng)?zhí)枺?/td>: 202011560426.4
• 申請(qǐng)日: 2020-12-25
• 公開(kāi)（公告）號(hào): CN112816875A
• 公開(kāi)（公告）日: 2021-05-18
• 發(fā)明（設(shè)計(jì)）人: 夏雨雨;宋愛(ài);崔桐;張俊雄;冉小龍;何博
• 申請(qǐng)（專(zhuān)利權(quán)）人: 珠海格力電器股份有限公司
• 主分類(lèi)號(hào): G01R31/367
• 分類(lèi)號(hào): G01R31/367;G01R31/3842;B60L3/00;B60L58/12;H04L29/08
• 代理公司: 北京煦潤(rùn)律師事務(wù)所 11522
• 代理人: 高瑩;梁永芳

本發(fā)明提供一種電動(dòng)車(chē)輛電池云端管理系統(tǒng)、方法、介質(zhì)及云端服務(wù)器，所述方法包括：云端數(shù)據(jù)預(yù)處理模塊，用于在云平臺(tái)對(duì)卡爾曼濾波法SOC估算建模所需的充放電實(shí)驗(yàn)測(cè)試數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理得到相應(yīng)的建模參數(shù)，由電動(dòng)車(chē)輛進(jìn)行下載，并進(jìn)行卡爾曼濾波法SOC估算建模，以用于電池的SOC估算；和/或，神經(jīng)網(wǎng)絡(luò)模型估算模塊，用于在云平臺(tái)建立SOC估算神經(jīng)網(wǎng)絡(luò)模型，以及基于所建立的SOC估算神經(jīng)網(wǎng)絡(luò)模型對(duì)電動(dòng)車(chē)輛電池進(jìn)行實(shí)時(shí)SOC估算。本發(fā)明提供的方案能夠解決電池管理CPU運(yùn)算能力有限的問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及電池管理領(lǐng)域，尤其涉及一種電動(dòng)車(chē)輛電池云端管理系統(tǒng)、方法、介質(zhì)及云端服務(wù)器。

背景技術(shù)

BMS電池管理是電動(dòng)汽車(chē)發(fā)展的核心技術(shù)之一，而動(dòng)力電池的荷電狀態(tài)(SOC)估算又對(duì)電池管理極為重要，準(zhǔn)確的SOC估計(jì)能極大提高電池使用壽命和整車(chē)性能。目前，使用較為廣泛的SOC估算方法是模糊控制法、卡爾曼濾波法、灰色理論算法法、神經(jīng)網(wǎng)絡(luò)法等，這些方法中，對(duì)于神經(jīng)網(wǎng)絡(luò)模型和模糊控制法，不依賴對(duì)象的數(shù)學(xué)模型，適合于多輸入、多輸出的非線性系統(tǒng)非常適合SOC估計(jì)。但是其要依賴大量的樣本數(shù)據(jù)才能得到較好精度，而且CPU數(shù)據(jù)處理能力有限，因此SOC神經(jīng)網(wǎng)絡(luò)模型不能很好地應(yīng)用實(shí)際。

發(fā)明內(nèi)容

本發(fā)明的主要目的在于克服上述現(xiàn)有技術(shù)的缺陷，提供一種電動(dòng)車(chē)輛電池云端管理系統(tǒng)、方法、存儲(chǔ)介質(zhì)及云端服務(wù)器，以解決現(xiàn)有技術(shù)中CPU數(shù)據(jù)處理能力有限，SOC神經(jīng)網(wǎng)絡(luò)模型不能很好地應(yīng)用實(shí)際的問(wèn)題。

本發(fā)明一方面提供了一種電動(dòng)車(chē)輛電池云端管理系統(tǒng)，包括：云端數(shù)據(jù)預(yù)處理模塊，用于在云平臺(tái)對(duì)卡爾曼濾波法SOC估算建模所需的充放電實(shí)驗(yàn)測(cè)試數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理得到相應(yīng)的建模參數(shù)，由電動(dòng)車(chē)輛進(jìn)行下載，并進(jìn)行卡爾曼濾波法SOC估算建模，以用于電池的SOC估算；和/或，神經(jīng)網(wǎng)絡(luò)模型估算模塊，用于在云平臺(tái)建立SOC估算神經(jīng)網(wǎng)絡(luò)模型，以及基于所建立的SOC估算神經(jīng)網(wǎng)絡(luò)模型對(duì)電動(dòng)車(chē)輛電池進(jìn)行實(shí)時(shí)SOC估算。

可選地，所述神經(jīng)網(wǎng)絡(luò)模型估算模塊，在云平臺(tái)對(duì)卡爾曼濾波法估算SOC建模所需的充放電實(shí)驗(yàn)測(cè)試數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理得到相應(yīng)的建模參數(shù)，包括：獲取不同電池的充放電實(shí)驗(yàn)測(cè)試數(shù)據(jù)以及不同的充放電實(shí)驗(yàn)測(cè)試數(shù)據(jù)對(duì)應(yīng)的預(yù)設(shè)數(shù)據(jù)處理方式；根據(jù)所述預(yù)設(shè)數(shù)據(jù)處理方式對(duì)相應(yīng)實(shí)驗(yàn)測(cè)試數(shù)據(jù)進(jìn)行預(yù)處理，得到卡爾曼濾波法估算SOC建模所需的建模參數(shù)；和/或，所述神經(jīng)網(wǎng)絡(luò)模型估算模塊，在云平臺(tái)建立SOC估算神經(jīng)網(wǎng)絡(luò)模型，包括：接收電動(dòng)汽車(chē)發(fā)送的電池充放電實(shí)驗(yàn)測(cè)試數(shù)據(jù)和/或電池在預(yù)設(shè)時(shí)間內(nèi)的運(yùn)行參數(shù)；運(yùn)用深度學(xué)習(xí)框架對(duì)接收的電池充放電實(shí)驗(yàn)測(cè)試數(shù)據(jù)和/或電池在預(yù)設(shè)時(shí)間內(nèi)的運(yùn)行參數(shù)進(jìn)行深度學(xué)習(xí)訓(xùn)練得到SOC估算神經(jīng)網(wǎng)絡(luò)模型；和/或，所述神經(jīng)網(wǎng)絡(luò)模型估算模塊，基于所建立的SOC估算神經(jīng)網(wǎng)絡(luò)模型對(duì)電動(dòng)車(chē)輛電池進(jìn)行實(shí)時(shí)SOC估算，包括：接收電動(dòng)汽車(chē)在運(yùn)行過(guò)程中發(fā)送的電池運(yùn)行參數(shù)；將所述電池運(yùn)行參數(shù)輸入所述SOC估算神經(jīng)網(wǎng)絡(luò)模型中，輸出所述電動(dòng)汽車(chē)的實(shí)時(shí)SOC估算值。

可選地，還包括：電動(dòng)車(chē)輛故障預(yù)警模塊，用于在云平臺(tái)建立電動(dòng)車(chē)輛故障預(yù)警模型，基于所述電動(dòng)車(chē)輛故障預(yù)警模型，確定電動(dòng)車(chē)輛的安全狀態(tài)。

可選地，所述電動(dòng)車(chē)輛故障預(yù)警模塊，在云平臺(tái)建立電動(dòng)車(chē)輛故障預(yù)警模型，包括：獲取電動(dòng)車(chē)輛發(fā)生故障前后的預(yù)設(shè)時(shí)間內(nèi)的故障運(yùn)行參數(shù)；對(duì)獲取的故障運(yùn)行參數(shù)進(jìn)行模型訓(xùn)練，建立電動(dòng)車(chē)輛故障預(yù)警模型。

本發(fā)明另一方面提供了一種電動(dòng)車(chē)輛電池云端管理方法，包括：在云平臺(tái)對(duì)卡爾曼濾波法SOC估算建模所需的充放電實(shí)驗(yàn)測(cè)試數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理得到相應(yīng)的建模參數(shù)，由電動(dòng)車(chē)輛進(jìn)行下載，并進(jìn)行卡爾曼濾波法SOC估算建模，以用于電池的SOC估算；和/或，在云平臺(tái)建立SOC估算神經(jīng)網(wǎng)絡(luò)模型，以及基于所建立的SOC估算神經(jīng)網(wǎng)絡(luò)模型對(duì)電動(dòng)車(chē)輛電池進(jìn)行實(shí)時(shí)SOC估算。