本项目面向动力电池全生命周期管理，自主研发锂电池数据管理与状态监测系统，覆盖荷电状态（SOC）估计、健康状态（SOH）监测、异常告警与风险评分等功能。后端采用 Java Spring Boot 框架开发，MySQL 存储充放电时序数据，集成 AI-Agent 实现自然语言数据库查询，用户无需编写 SQL，直接用中文提问即可获取电池状态分析结果。算法基于 NASA 公开数据集（B0005-B0007）与牛津大学退化数据集完成实测：SOC 融合估计误差 RMSE 2.48%，SOH 线性模型拟合误差低至 1.52%，具备工业级可用性。本人完成数据采集、算法仿真、接口开发与 Web 可视化全流程。
本项目包含七大功能模块：1）数据采集与管理：对接电池充放电设备，采集电压、电流、温度等时序数据并存入 MySQL，支持历史数据查询与导出；2）SOC 荷电状态估计：采用安时积分与开路电压标定融合的多策略算法，经牛津退化数据集实测，SOC 估计误差 RMSE 2.48%、MAE 1.85%；3）SOH 健康状态监测：基于容量衰减建立线性老化模型，NASA 数据集拟合误差低至 1.52%，可评估电池剩余寿命趋势；4）异常告警：覆盖过压、欠压、过温、过流、容量跳变、一致性偏差六类异常，实时推送告警记录；5）风险评分：综合电压、温度、内阻等维度输出电池健康风险评分；6）AI-Agent 智能查询：集成大语言模型实现自然语言数据库查询，用户用中文提问即可获取电池状态分析结果；7）Web 可视化：仪表盘展示 SOC/SOH 曲线、告警列表与风险排行。
我负责算法仿真与后端开发全流程：1）使用 Python 完成 SOC 多策略融合与 SOH 线性老化模型的仿真验证，基于 NASA B0005-B0007 与牛津退化数据集进行实测标定与误差分析；2）使用 Java Spring Boot 搭建后端服务，设计 MySQL 表结构存储充放电时序数据，开发数据查询、告警、风险评分 RESTful 接口；3）集成 AI-Agent，将中文问题转换为 SQL 查询并返回结果，实现自然语言数据库访问；4）开发 Web 可视化前端，展示状态曲线与告警面板。技术亮点：SOC 融合估计结合 OCV 标定与安时积分，公开数据集实测误差显著低于单一算法；难点是模型参数标定与实测数据对齐，通过多轮迭代调参解决。
评论