一种应用于云电池管理系统的数据清洗系统及其方法技术方案

本发明专利技术提供一种应用于云电池管理系统的数据清洗系统及其方法，车端BMS在每个采样周期中利用板载的采样模块采集车载动力电池系统的单体端电压、总电流、单体表面温度数据，发送到车端通讯模块，云端BMS利用云端通讯模块接收车端BMS所发送的数据并解码得到原始数据，输入数据清洗模块，对原始数据进行异常检测和故障补偿；清洗数据作为先进电池管理算法的输入，输出对电池状态估计的结果，车端BMS得到电池状态估计结果，并根据估计值对车载电池系统进行相应控制。本发明专利技术应用于“端云”电池管理系统数据清洗系统能够在云BMS中检测数据异常，并对异常数据进行补偿，填补了相关领域的空白，为“端云”BMS的数据清洗提供了一套切实可行的方案。可行的方案。可行的方案。

【技术实现步骤摘要】
一种应用于云电池管理系统的数据清洗系统及其方法


[0001]本专利技术提供一种应用于云电池管理系统的数据清洗系统及其方法，属于车载动力电池系统


技术介绍

[0002]在能源危机和环境污染的双重压力下，以纯电动汽车为代表的节能与新能源汽车成为全世界的研究热点。车载动力电池系统是电动汽车的动力核心，其能量和功率特性极大程度地影响着电动汽车整车的性能。车载动力电池系统在电池管理系统(Battery management system,BMS)的控制下工作，保障电动汽车安全且高性能地运行。因此，除动力电池系统本身的性能之外，BMS的性能也在很大程度上影响着电动汽车整车的续驶里程，动力性和安全性等。
[0003]BMS通过采集车载动力电池系统的工作电压，工作电流，表面温度数据并将其输入先进的电池管理算法，进而估计动力电池系统的运行状态并发出控制电池系统充放电的指令，管理电池系统安全稳定工作。目前基于电池等效模型的管理算法研究已较为全面，但在实际应用中，受车端BMS嵌入式系统算力资源有限和运算速度较低等限制，实际应用模型的精度与复杂度往往不能很好权衡，进而导致车端BMS面临估计精度低、累计误差大等问题。
[0004]随着电池大数据和“端云”技术的发展，基于“云计算”的BMS技术被广泛关注。车端BMS通过远场无线通讯技术，将车端采集的电池工作数据实时传输到云端BMS进行储存与处理；云端BMS基于云端数据库的海量数据，充分利用其大规模分布式的算力资源，运行高性能的电池管理算法对电池系统进行状态估计和故障诊断。状态估计结果通过远场无线通讯技术从云端反馈到车端，保证电池系统安全可靠运行，实现对电池系统的高效管理。
[0005]云端BMS对采集的电池原始数据质量提出了更高要求，但车端BMS在数据采样过程中存在较大测量噪声，有时甚至会受环境强噪声干扰，导致实际采样数据精度低。除此之外，在车端BMS与云端BMS的数据传输过程中，以现有的5G、Wi
‑
Fi等无线通讯技术，在远场无线通讯的过程中存在信道易受干扰、传输出现误码及丢包率较高等问题。这些问题都会降低云端BMS中所应用和存储的数据质量。如果不采取有效的数据清洗方法对云端BMS所接收的数据进行清洗，而直接使用受干扰数据进行电池管理，那么云端BMS估计结果的精度也势必会出现较大估计误差甚至发生估计错误。因此，设计一种能够应用于云端BMS的数据清洗方法十分必要。
[0006]现有技术之一，采用异常数据检测和部分场景下数据清洗的方案，通过预先设置一个滑动窗口长度，对窗口内所采集到的电池数据进行处理。首先计算窗口内电压值的中位数(中值)和极差，用窗口内数据的极差与设定的阈值相比较，判定所采集数据是否满足一致性，其次利用单体电压和中位电压的Hausdorff距离，判定数据是否有异常，实现异常数据检测。对于采样数据缺失的情况，如果连续3个采样点发生数据丢失，则直接清除缺失时间中的所有数据，如果非连续缺失或仅连续缺失2个数据时，则采用平均插值的方法进行缺失值插补，进而实现丢失数据的异常检测和数据清洗。
[0007]该数据清洗方案能够实现在线故障数据检测和部分场景下的丢失数据插补，但对于强噪声场景下的采集数据无法进行数据误差补偿清洗，同时在连续3个采样点数据丢失的场景下只能进行异常检测而无法进行数据补偿清洗，该方案在此场景下失效。除此之外，仅采用平均值插值的方法对丢失数据进行补偿较为粗糙，往往不能较好地跟随电池系统的高度非线性和动态时变特性，因此该方案的鲁棒性不强。
[0008]现有技术之二，在车端BMS的嵌入式系统中使用一种具有噪声免疫特性的算法实现强噪声场景下的电池管理。该方案首先建立了电池的等效电路模型和用于模型辨识的离散域回归方程，其次再利用实时采集的电池系统数据估计采样数据中的噪声方差和等效模型参数。最后根据实时更新的噪声方差和模型参数建立状态空间方程，构建状态观测器，实时估计电池SOC，实现电池管理。
[0009]该方案提出的算法能够在强噪声场景下实时估计采样数据中的噪声水平和等效模型的参数，进而对电池系统进行有效管理。但该方案的噪声补偿是普遍的，并未对于每一帧数据先进行异常检测再决策是否补偿，而是直接进行数据补偿，这样有可能会导致真实的数据在算法过度补偿下变得失真。同时，该方案也只考虑了采样数据受到强噪声干扰而没有考虑传输过程中的数据丢失场景，对于存在数据丢失风险的电池管理任务，该方案既无法实现数据采集和传输过程中对丢失数据的检测，同时，也无法对丢失数据进行清洗和补偿。

技术实现思路

[0010]为填补云端BMS数据清洗方法部分的技术空白，解决在车端BMS的数据采集和“端云”无线通讯过程中出现的噪声，丢包和误码等数据异常问题，提升云电池管理系统的算法估计精度与鲁棒性，提高云数据库中所存储数据的质量。本专利技术提供一种能够检测异常数据并补偿异常数据的云端BMS数据清洗的系统和方法。
[0011]本专利技术的目的是通过以下技术方案来实现的：
[0012]应用于云电池管理系统的数据清洗系统，包括车端BMS和云端BMS；
[0013]车端BMS包括采样模块，采样模块与车载动力电池系统连接，采样模块通过车端通讯模块与云端BMS的云端通讯模块通讯连接；
[0014]云端BMS内包括数据清洗模块、数据应用与存储模块，数据清洗模块、数据应用于存储模块均与云端通讯模块连接；
[0015]车端BMS在每个采样周期中利用板载的采样模块采集车载动力电池系统的单体端电压、总电流、单体表面温度数据，再将采样数据按照预设通讯协议编码打包后发送到车端通讯模块，将原始采样数据通过远场无线通讯技术发送到云端BMS的云端通讯模块；
[0016]云端BMS利用云端通讯模块接收车端BMS所发送的数据并解码得到原始数据，将得到的原始数据输入数据清洗模块，对原始数据进行异常检测和故障补偿，数据清洗完毕后输出清洗数据；
[0017]云端BMS将数据清洗模块的输出的清洗数据作为先进电池管理算法的输入，输出对电池状态估计的结果，估计结果被发送到数据清洗模块和云端通讯模块；在云端通讯模块中，状态估计结果将按照预设通讯协议编码打包后发送到车端BMS；清洗数据存储到数据应用与存储模块的云端数据库中，作为电池大数据集；
[0018]车端BMS利用车端通讯模块接收云端BMS发送的数据并解码得到电池状态估计结果，并根据估计值对车载电池系统进行相应控制。
[0019]本专利技术还提供一种应用于云电池管理系统的数据清洗方法，采用所述的应用于云电池管理系统的数据清洗系统，包括以下步骤：
[0020]S1、电池建模与参数辨识
[0021]S1.1、OCV
‑
SOC曲线拟合
[0022]在云端数据库中选择该型号电池在额定工况下充满电，充分静置后再进行间歇性放电
‑
静置的实验数据；用式(1)所示的多项式拟合OCV
‑
SOC曲线：
[0023][0024]其中，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.应用于云电池管理系统的数据清洗系统，其特征在于，包括车端BMS和云端BMS；车端BMS包括采样模块，采样模块与车载动力电池系统连接，采样模块通过车端通讯模块与云端BMS的云端通讯模块通讯连接；云端BMS内包括数据清洗模块、数据应用与存储模块，数据清洗模块、数据应用于存储模块均与云端通讯模块连接；车端BMS在每个采样周期中利用板载的采样模块采集车载动力电池系统的单体端电压、总电流、单体表面温度数据，再将采样数据按照预设通讯协议编码打包后发送到车端通讯模块，将原始采样数据通过远场无线通讯技术发送到云端BMS的云端通讯模块；云端BMS利用云端通讯模块接收车端BMS所发送的数据并解码得到原始数据，将得到的原始数据输入数据清洗模块，对原始数据进行异常检测和故障补偿，数据清洗完毕后输出清洗数据；云端BMS将数据清洗模块的输出的清洗数据作为先进电池管理算法的输入，输出对电池状态估计的结果，估计结果被发送到数据清洗模块和云端通讯模块；在云端通讯模块中，状态估计结果将按照预设通讯协议编码打包后发送到车端BMS；清洗数据存储到数据应用与存储模块的云端数据库中，作为电池大数据集；车端BMS利用车端通讯模块接收云端BMS发送的数据并解码得到电池状态估计结果，并根据估计值对车载电池系统进行相应控制。2.应用于云电池管理系统的数据清洗方法，其特征在于，采用权利要求1所述的应用于云电池管理系统的数据清洗系统，包括以下步骤：S1、电池建模与参数辨识S1.1、OCV
‑
SOC曲线拟合在云端数据库中选择该型号电池在额定工况下充满电，充分静置后再进行间歇性放电
‑
静置的实验数据；用式(1)所示的多项式拟合OCV
‑
SOC曲线：其中，V
OC
为电池的开路电压OCV；Z为电池的SOC；n为拟合多项式阶数，c
i
为拟合系数；S1.2、等效电路模型建立建立电池的等效电路模型，根据基尔霍夫定律建立式(2)所示的时域方程：V
t
(t)＝V
ocv
(t)+V
p
(t)+I(t)R
s
ꢀꢀꢀꢀꢀ
(2)其中，t为时间，I为负载电流，相应的I(t)为t时刻的负载电流，V
p
为极化电压，V
t
为端电压，η为电池的库伦效率，Q为电池的额定容量，R
s
、R
p
、C
p
是待求取的模型参数，R
s
为欧姆内阻，R
p
为极化电阻，C
p
为极化电容；选取输入为I
L
，输出y
k
＝V
t,k
，状态向量x
k
＝[V
p,k z
k
]
T
，将方程转化为状态空间方程并进
行离散化，如式(3)所示；其中，Δt为采样步长：x
k
＝Ax
k
‑1+BI
k
‑1y
k
＝f(z
k
)+V
p,k
+R
s
I
k
ꢀꢀꢀꢀꢀꢀ
(3)其中：S1.3、模型参数辨识利用云端数据库中该型号电池在不同温度、不同老化程度下的HPPC测试工况数据，利用最小二乘LS算法辨识等效电路模型的模型参数，得到模型参数与电池SOC、温度以及老化程度的映射关系，并将该映射关系作为待查询的表格存储在云数据库中：[R
s R
p C
p
]＝mapping(T,SOC,age)
ꢀꢀꢀꢀꢀ
(4)根据该映射关系，根据一组SOC、温度值和老化程度得到相应的等效电路模型参数值，作为后续使用模型估计电池状态的已知参数值；S2、模型训练S2.1、数据集生成单体的电压数据和电流数据由两个不同的传感器分别采集，电压数据异常和电流数据异常认为是独立事件；对于传输的每一帧数据，存在的情况为：Case1，电压正常，电流正常；Case2，电压异常，电流正常；Case3，电压正常，电流异常；Case4，电压异常，电流异常；选用有监督的机器学习方法训练分类器，对每一帧数据的状态分类；首先生成与标签相对应的数据集；电压数据和电流数据的异常分为偏置干扰和增益干扰，偏置干扰表示真值与云端BMS接收值之间存在常值漂移，如下式所示：其中，x
k
表示云端BMS接收的电压或电流值，表示电压或电流的真值，f
bias
表示常值漂移，在无故障场景下满足f
bias
＝0，在有故障场景下是非零常数；除偏置干扰外，增益干扰表示真值与云端BMS接收值之间存在比例关系的值故障，如下式所示：其中，x
k
和的定义与上式相同，f
gain
表示增益干扰；利用云端数据库中各温度下正常的DST与FUDS工况测试数据作为Case1标签所对应的数据集；Case2标签对应的场景为电压故障而电流正常，对Case1数据集中的电压数据主动加入
故障干扰，生成Case2对应的数据集；Case3标签对应的场景为电压正常而电流故障，对Case1数据集中的电流数据主动加入故障干扰，生成Case3对应的数据集；Case4标签对应的场景为电压电流数据均故障，对Case1数据集中的电压电流数据均加入故障干扰，生成Case4对应的数据集；S2.2、分类器训练选取的输入特征为：测量端电压V
t,k
，工作电流I
k
，模型估计端电压表面温度T
k
；训练得到能够实现异常数据检测的分类器，输入当前时刻的测量端电压V
t,k
，工作电流I
k
，模型估计端电压表面温度T
k
数据，输出数据的类型，实现异常数据检测；S3、数据分析(1)Case1正常数据如果接收数据输入异常数据检测模块后输出的分类情况为Case1，表明当下时刻接收的数据中未见明显异常，对于此类数据可以直接从数据清洗模块输出[V
t,k I
k T
k
]；(2)Case2电压数据异常如果接收数据输入异常数据检测模块后输出的分类情况为Case2，表明当下时刻接收的数据中电流数据正常但电压数据异常，对于此类数据需要对异常的电压数据进行补偿后再从数据清洗模块输出；基于步骤S1建立的电池等效电路模型，输入工作电流和相应的模型参数能够根据式(3)计算得到电池端电压的估计值，将该估计值作为异常电压数据的替换值，实现异常电压数据的补偿；(3)Case3电流数据异常如果接收数据输入异常数据检测模块后输出的分类情况为Case3，表明当下时刻接收的数据中电压数据正常但电流数据异常，对于此...

【专利技术属性】
技术研发人员：魏中宝，谭佳欣，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：