一种基于人工智能的BMS智能管理系统的制作方法

摘要: 本发明涉及电池健康状态智能监测,更具体地说,本发明涉及一种基于人工智能的bms智能管理系统。背景技术:1、在具备自动回充与任务调度功能的扫地机器人中,电池组作为...
一种基于人工智能的BMS智能管理系统的制作方法

本发明涉及电池健康状态智能监测,更具体地说,本发明涉及一种基于人工智能的bms智能管理系统。

背景技术:

1、在具备自动回充与任务调度功能的扫地机器人中,电池组作为其核心供能单元,长期运行于充放电频繁切换与间歇性静置的复杂使用环境中。例如,扫地机器人在完成清扫任务后,电池组可能经历数小时乃至数日的静止存储状态,再次启动时又进入大倍率放电工作阶段,尤其在家庭低频使用、商业区域定时启动或大面积地面分区清扫等场景中,这种“多周期、非连续、高频起停”的运行模式使电池健康状态的演化特征更加隐蔽且非线性,常规bms系统难以对其进行精准追踪。

2、现有技术存在的不足:目前扫地机器人中广泛使用的bms系统大多依赖周期性采样与固定阈值判断来评估电池的健康状态(soh),其核心逻辑为当前状态到静态指标的单向映射,忽略了运行过程中的历史演化趋势与多周期微弱特征,尤其在上述间歇性使用与静置交替的扫地机器人运行环境下,soh的早期退化多表现为容量轻微波动、内阻缓慢上升或能效轻度下降,这些变化常被传统soh估算策略所掩盖,系统往往误判为健康状态,从而错失早期干预窗口。此外,该类系统难以识别电池状态中存在的阶段性恢复假象与短时稳定平台,使得实际进入退化拐点后,soh下降速率加快,系统才被动报警,导致维护成本升高,甚至引发突发故障,严重影响扫地机器人在智能家居或商业应用中的稳定运行与电池利用效率。

技术实现思路

1、为了克服现有技术的上述缺陷,有如下方案,以解决上述背景技术中soh退化趋势识别滞后的问题。

2、为实现上述目的,本发明提供如下技术方案:

3、一种基于人工智能的bms智能管理系统,包括电池组数据采集模块、演化分析模块、趋势预测模块、偏差等级确定模块、风险感知图谱生成模块以及调节控制模块,各模块之间通过信号连接;

4、电池组数据采集模块,用于实时采集扫地机电池组运行过程中的电压、电流、温度、内阻及充放电容量参数,并基于时间同步机制构建周期性运行参数序列;

5、演化分析模块,用于从运行参数序列中提取容量变化速率、内阻斜率变化率、单位电流能量效率与温度响应延迟特征,构建soh演化特征向量序列;

6、趋势预测模块,基于周期的soh演化特征向量序列,使用时间序列建模网络生成未来周期的soh趋势预测序列;

7、偏差等级确定模块,用于计算当前周期soh预测值与历史基准演化路径的偏离幅度,判断soh退化趋势是否存在趋势偏离,并据此标记趋势偏差等级;

8、风险感知图谱生成模块,用于基于趋势偏差等级,结合电芯温升速率与内阻突变点分布,识别当前电池系统中存在退化风险的目标电芯编号,并提取温升响应特征和电压恢复滞后值,构建风险感知图谱;

9、调节控制模块,用于根据退化风险等级与风险感知图谱,调节目标电芯的充电倍率分布权重、均衡电流分配参数与放电功率上限,使调节响应满足soh恢复趋势与风险缓释的双重控制约束。

10、在一个优选的实施方式中,电池组数据采集模块包括:

11、通过布设于扫地机电池管理单元的多通道传感器阵列对电池单体进行周期性电参数采集;

12、将电压、电流、温度、内阻与充放电容量采集结果按照统一时间戳进行标记;

13、采用滑动时间窗口机制对同步标记后的数据进行分段,构建周期性运行参数序列。

14、在一个优选的实施方式中,演化分析模块包括:

15、计算相邻周期间的容量变化差值除以周期跨度生成容量变化速率;

16、对内阻数据进行局部加权回归计算提取斜率变化率;

17、基于单位电流输出对应的能量计算单位电流能量效率;

18、根据负载变化节点与温度响应延迟时间差提取温度响应延迟特征,将四项特征拼接构建为soh演化特征向量。

19、在一个优选的实施方式中,基于周期的soh演化特征向量序列,使用时间序列建模网络生成未来周期的soh趋势预测序列,包括:

20、采用门控循环神经网络结构作为时间序列建模网络;

21、以soh演化特征向量序列作为网络输入,通过滑动窗口提取历史样本进行周期训练;

22、输出未来指定时间段的soh趋势预测序列,并计算soh斜率变化量作为退化速率指标。

23、在一个优选的实施方式中,用于计算当前周期soh预测值与历史基准演化路径的偏离幅度,判断soh退化趋势是否存在趋势偏离,并据此标记趋势偏差等级,包括:

24、对当前周期的soh预测值与历史基准演化路径的对应位置值计算绝对偏差,对应位置值是指历史基准演化路径中与当前周期对应位置的soh基准值;

25、对连续周期的偏差结果进行累积平均计算形成趋势偏离幅度;

26、将趋势偏离幅度与设定门限进行比较,根据超出区间等级进行趋势偏差等级标记。

27、在一个优选的实施方式中,用于基于趋势偏差等级,结合电芯温升速率与内阻突变点分布,识别当前电池系统中存在退化风险的目标电芯编号,并提取温升响应特征和电压恢复滞后值,构建风险感知图谱,包括:

28、提取目标周期内各电芯的温升速率并排序,筛选排序后选取温升速率值大于第二阈值的电芯;

29、结合其对应的内阻突变点数量和分布密度,定位退化风险显著的电芯编号;

30、对该电芯进行温度响应延迟时间与充电后电压恢复时间的联合提取,生成热-电响应特征;

31、将目标电芯编号、热-电响应特征及偏差等级信息整合构建风险感知图谱。

32、在一个优选的实施方式中,将目标电芯编号、热-电响应特征及偏差等级信息整合构建风险感知图谱,包括:

33、将电芯编号映射至电池组物理布局结构,标注退化电芯的空间位置;

34、提取目标电芯的温升响应时间与电压恢复滞后时间,构建热-电响应特征对;

35、在同一电池组中选取与目标电芯相邻的电芯,分别提取对应电芯的热-电响应特征对,分别计算目标电芯的热-电响应特征对与每个相邻电芯热-电响应特征对之间的特征差值,将所有特征差值进行归一化处理后求平均,生成目标电芯的相对退化指数;

36、基于相对退化指数的聚集程度与空间分布密度,生成风险感知图谱。

37、在一个优选的实施方式中,基于相对退化指数的聚集程度与空间分布密度,生成风险感知图谱,包括:

38、将电芯的相对退化指数按照预设的空间坐标映射规则绑定至对应电芯在电池组中的物理排列位置;

39、将每一位置区域内单位面积内的电芯数量,作为排布密度参数;

40、在每一个电芯邻域范围内,统计邻接电芯中相对退化指数大于第一阈值的电芯数量,作为聚集电芯计数值;

41、计算聚集电芯计数值与邻域电芯总数之间的比值作为聚集程度;

42、将聚集程度与每一电芯所在区域的电芯排布密度相乘,生成对应位置的退化风险等级值;

43、根据退化风险等级值与位置坐标的对应关系,构建风险感知图谱。

44、在一个优选的实施方式中,用于根据退化风险等级与风险感知图谱,调节目标电芯的充电倍率分布权重、均衡电流分配参数与放电功率上限,包括:

45、根据风险感知图谱中的电芯退化风险等级调整对应的充电倍率分布权重;

46、对同排电芯中处于非风险状态的电芯下调充电倍率上限;

47、调节均衡电流分配参数时根据目标电芯soh差值与全组soh方差构建动态分配权重;

48、结合目标电芯的放电过程中电压突降幅度与温升陡增值,设定放电功率调节阈值;

49、根据放电功率调节阈值约束放电功率上限,计算放电上限调整比例;

50、调节策略输出后通过下一周期内的soh变化趋势反馈调整调节指令的幅度。

51、在一个优选的实施方式中,:使调节响应满足soh恢复趋势与风险缓释的双重控制约束,包括:

52、记录调节后目标电芯soh预测值的变化斜率作为恢复斜率值,并根据恢复斜率值与初始退化等级的匹配程度,更新功率调节的步长;

53、根据连续恢复趋势对下一轮功率限制级别进行动态修正,完成负荷能力匹配。

54、本发明一种基于人工智能的bms智能管理系统的技术效果和优点:

55、本发明通过电池组数据采集模块获取包括电压、电流、温度、内阻与充放电容量在内的多维运行参数,并由演化分析模块提取soh关键特征,构建反映电池状态随时间变化的演化特征向量序列;接着,通过趋势预测模块对未来健康演化轨迹进行推演,并由偏差等级确定模块识别soh状态的偏离程度,实现对电池早期退化趋势的及时感知与量化标注。

56、在此基础上,系统进一步结合目标电芯的温升速率、内阻突变分布与电压恢复滞后等多维热-电响应特征,构建基于空间分布与特征聚集的风险感知图谱,精准识别存在潜在失效风险的退化电芯;最终由调节控制模块根据风险等级与电芯分布结构,动态调节其充电倍率、均衡电流与放电功率上限,形成基于风险感知的主动调节策略,并根据调节结果反馈形成调控闭环。该系统不仅适应扫地机典型的间歇工作与突发高负载任务场景,还能在长期使用下有效缓解因电芯差异、老化速率不同等因素引发的性能不均与退化扩散问题,为扫地机器人中的电池管理系统提供更加智能化、自适应的控制机制,显著提升其运行安全性、任务稳定性与电池使用寿命。