芝能智芯出品
FEV 出了一些很好的介绍材料，内容介绍得比较细节，继续给大家把一些基本的内容整理出来，这次是《Cloud connected BMS》。
● 云端电池管理系统
"边缘端BMS" 和 "云端电池" 的复合电池管理架构使车辆和云端之间能够有效协同工作。车辆端的BMS主要负责实时收集和短期存储所有数据，而云端电池则专注于长期存储车辆主要参数，从而在短期数据精度和长期数据广度之间取得了平衡，充分发挥了各自的优势。云端更注重长期规划和预测，而车辆端更注重短期分析和执行。
上传到数据后台的电池数据具有丰富的挖掘潜力，云端BMS可以开发各种电池算法，包括但不限于故障诊断、寿命评估、预测、残值评估和充电策略优化等功能，为电池管理和车辆性能提升提供有力支持。
从特斯拉开始，汽车里面就开始导入了边缘计算的一些内容，正式分为了车载计算和云端/离车计算是两种不同的方法，各自拥有一系列优点和局限性。
1）车载计算：计算任务是在车辆内部进行的，优点之一是几乎即时可获得结果，因为处理时间非常短。这些结果可以显示给驾驶员，使其能够更好地了解车辆状况。决策可以立即采取，无论是由驾驶员还是由车辆上的算法来做出。
车载计算也存在一些缺点：处理能力相对较低，不能处理大规模数据。只支持因果处理，只能处理特定事件的结果，而无法进行更深入的分析。
2）离车/云端计算：计算任务被发送到车辆之外的计算资源上进行处理，通常是云计算服务器。
离车计算拥有非常强大的计算能力，可以处理大规模的数据集，并且可以获得专家的输入和支持。
离车计算也有其劣势。不能立即提供结果给驾驶员，因为需要将数据传输到外部服务器进行处理，然后再返回结果。即使使用无线电或移动服务，也可能存在一定的延迟，甚至可能出现服务不可用的问题。其次，为了进行离车计算，需要传输高带宽的数据，这些数据必须存储在车辆内部并在车间读取。
● 云端BMS能做些什么？
SOH Algorithm and Validation（ STATE OF HEALTH ）
SOH算法的确认和验证
可以电池机理出发，结合多年在电池领域的积累，融合大数据和AI能力，基于云端海量数据，提供电池全生命周期的故障预警和动态管理等服务。
机器学习和基于模型的电动汽车锂离子电池状态健康估计
◎ 所呈现的SOH估算模型是一种半经验模型，充分利用了ECM和神经网络（NN）的优势。
◎ 这种方法的准确性取决于表征方法的准确性、训练数据的数量以及ECM模型的精度。
◎ 这项研究方法可以用于更大的数据集，并可以与其他方法进行比较。
软件系统架构
小结：这个架构相对完整，供大家参考。
