电动车辆电池云端管理系统、方法、介质及云端服务器技术方案

本发明专利技术提供一种电动车辆电池云端管理系统、方法、介质及云端服务器，所述方法包括：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。本发明专利技术提供的方案能够解决电池管理CPU运算能力有限的问题。够解决电池管理CPU运算能力有限的问题。够解决电池管理CPU运算能力有限的问题。

【技术实现步骤摘要】
电动车辆电池云端管理系统、方法、介质及云端服务器


[0001]本专利技术涉及电池管理领域，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。

技术介绍

[0002]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。

技术实现思路

[0003]本专利技术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。
[0004]本专利技术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。
[0005]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。
[0006]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。
[0007]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。
[0008]本专利技术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。
[0009]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。
[0010]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。
[0011]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。
[0012]本专利技术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。
[0013]本专利技术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。
[0014]本专利技术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。
[0015]根据本专利技术的技术方案，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
[0016]此处所说明的附图用来提供对本专利技术的进一步理解，构成本专利技术的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0017]图1示出了本专利技术提供的电动车辆电池云端管理系统一实施例的结构框图；
[0018]图2示出了本专利技术提供的电动车辆电池云端管理系统的系统方案图；
[0019]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；
[0020]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；
[0021]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；
[0022]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；
[0023]图7是本专利技术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。...

【技术保护点】

【技术特征摘要】
1.一种电动车辆电池云端管理系统，其特征在于，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。2.根据权利要求1所述的系统，其特征在于，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。3.根据权利要求1或2所述的系统，其特征在于，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。4.根据权利要求3所述的系统，其特征在于，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。5.一种电动车辆电池云端管理方法，其特征在于，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...

【专利技术属性】
技术研发人员：夏雨雨，宋爱，崔桐，张俊雄，冉小龙，何博，
申请(专利权)人：珠海格力电器股份有限公司，
类型：发明
国别省市：