车用动力电池信息物理融合云系统架构及其智能管理

Batteries are the bottleneck technology of electric vehicles. Battery pack's intelligent monitoring and management are the frontier scientific problems especially with the consideration of the whole battery lifetime and variable environment. Aiming at achieving a flexible, self-configuring, reliable battery management system(BMS), this project focuses on the following research points: Firstly, the intelligent architecture of BMS is established, and the integration method for hardware and software within cloud-based CPS is proposed, so as the communication and information scheduling mechanisms. Secondly, the mapping relationship between battery's states are established, and the intelligent management consisting of data mining, fusion and decision is proposed. Thirdly, the dependency of battery degradation on aging effect is established by which a battery common-aging model covering multi-parameter and multi-dimension is constructed. A novel method for parameter-estimation is proposed by integrating the multiple models based on the common characteristics established in the Cloud. Finally, by taking advantage of the Cloud based CPS, a new fault diagnosis method based on the deep learning algorithm is proposed . This project is a cross-disciplinary field of computer science, electrical engineering, and vehicle engineering. It is very meaningful for promoting the theoretical research which is significant to the new-energy vehicles.

动力电池是电动汽车的技术瓶颈，电池在多变环境及全生命周期中的智能监测与管理是前沿科学问题，本项目以实现灵活、自重构、可靠安全的智能电池管理系统为目标，结合信息物理融合（CPS）云系统：①建立电池智能管理架构，提出CPS云系统软硬件集成方法、通讯与信息调度机制；②建立多源信息与电池状态间的映射关系，提出集数据清洗、挖掘、填充、融合及决策于一体的智能管理方法；③建立电池老化依赖性路径图，构建多参数多维度的电池性能衰退共性模型，提出基于云端共性特征的的参数辨识方法，研究各模型特征，建立集电气-机理-感知的电池综合模型；④利用深度学习算法建立云端故障信息表征量，提出云车联合故障诊断与耐久性管理策略。本项目涉及计算机、电气、车辆工程等多学科交叉领域，对促进相关学科的基础理论研究和应用及我国新能源汽车与大数据产业联动发展具有重大指导意义。

新能源汽车推广和应用面临技术难点，车载动力电池的安全管理、高效使用和科学维护等关键问题亟待解决。信息物理融合系统（CPS）为电池管理问题的解决提出了新途径。立足建立信息物理融合云系统架构模型，实施“云端+车端”协同的动力电池全气候、全工况、全寿命周期综合管理，本项目分析了CPS云系统各功能的集成需求，建立了基于CPS的BMS智能管理云系统架构模型；使用机器学习等算法进行数据挖掘，建立了无监督数据分类与特征提取的数据挖掘方法；基于云端数据库获取并重构动力电池系统运行数据，结合等效电路模型和电化学机理模型提出了具有噪声免疫特性的电池模型参数辨识方法和等效电路模型抗扰动参数化方法，应用ICA、DVA等原位分析方法构建了多参数多维度的动力电池性能衰退共性模型；建立了融合电气-机理-感知的新一代电池综合模型，实现了基于模型的多状态SOX联合估计，提高动力电池状态集成估计的精度和自适应标定、推演能力；深入探究了动力电池故障机理及其衍生机制，融合CPS云系统信息建立了动力电池状态监测和故障分离算法、故障预警和诊断方法，并基于电动汽车企业运行监管平台，实现了基于CPS云系统的动力电池智能管理应用验证，结果表明：在400次循环以内的老化状态下，25℃下SOC最大估计误差在1％以内，误差均方根值为0.35％。SOHC估计的平均误差为1.028%，最大误差为2.466%。基于动力电池寿命预测算法对实车的剩余寿命预测的最大误差为8.12%，对实车不同里程的SOHC预测的最大误差不超过3.4%，平均误差不超过1%，提升了动力电池整车应用的安全性和耐久性。项目成果发表学术论文43篇，其中SCI检索36篇；获授权发明专利25件；相关成果获省部级和学会一等奖3项、二等奖1项。项目成果涉及多学科交叉领域，对促进相关学科的基础理论研究和应用及我国新能源汽车与大数据产业联动发展有重要意义。

内容获取失败，请点击重试