云数据库助力电池云（二）

电池生命周期中的数据

在电池生命周期的不同阶段，数据会从各种各样的软硬组件中产生并被收集（如图1所示）：从电池制造、模块/组件组装到车辆驾驶/充电和组件回收。仅电池制造环节就有许多过程，比如电极混合、涂层、激光切割、堆叠等，在这些过程中会生成大量数据。

图1：关键硬件和软件组件和电池云数据流

表1总结了基于不同设备和场景的电池相关数据。电动汽车电池组配有BMS（Battery Management System），这是一种无线物联网组件，可通过4G/5G网络将收集的数据传输到云端。这些数据将通过互联网、在线或充电站专用网关收集。由于ESS（Energy Storage System）发电厂影响电网稳定性，所以，它们会遵守更严格的网络安全法规。ESS通常通过单向本地网关连接，以确保最大的安全性。同样，来自电池/电池组测试设备的电池数据通过安全的单向网关上传。然后，可以通过公司内部网安全地控制设备。

表1：电池数据源

云时序数据库是理想选择

此前，对于生产大数据平台，很多厂商会把Hadoop作为主流选择。其基于HDFS和MapReduce，拥有不错的可扩展性、健壮性和高可用性，所有这些都是电池数据库的基本要求。此外，Hadoop的完整的生态系统也吸引了客户，包括Spark、HBase、Kafka、Hive等。但最近情况有所转变，因为专用的时序数据库发展势头迅猛。TSDB不仅在海量时序数据写入和查询方面拥有优势，也内置了丰富的功能，比如时域查询、保留策略等等。相比于Hadoop更加轻量，这使得TSDB成为了电池生命周期中所涉及厂商的更为理想的选择。相信随着TSDB的积极开发和改进，其将在未来更多地替代传统的解决方案。不仅仅是专有TSDB的发展，数据库部署方式，也在发生着深刻的变革。数据库可以托管在本地或云上。虽然传统上认为，本地部署可以提供更好的控制和安全性，但维护和扩展成本往往更高。而随着云原生的发展，这些问题已经可以有方法解决。例如，CnosDB这种直接拥抱云原生的数据库，也将提供给客户更便宜的服务，更为弹性的选择以及更加良好的生态。

助力数据可视化 & 算法分析

电池数据的最终用户大多是数据分析师或运营商，他们在实时监控EV/ESS电池组。通过，基于Web的数据可视化工具，比如Grafana、Datadog等。用户可以创建仪表板并添加自定义处理/查询，以了解统计信息。不仅如此，用户还可以添加信号阈值，以便快速触发向ESS现场操作员发出警报。除去数据可视化，我们还通过大数据和机器学习的高级算法提高了电池性能、安全性和经济性。电池云平台可以根据开发人员的偏好，开放Python和Matlab等流行编程语言的API。它还可以提供更具交互性的计算平台，例如Jupyter Notebook / Lab。在进行了算法分析之后，我们可以对其进行优化并整合到数据处理引擎中，例如Spark、Kafka和Airflow。所有电池单元的寿命数据用于分析制造、组装过程和设施，以改进质量管理。同样，这些数据可用作电池二次寿命应用、回收和翻新期间的参考，无需额外的测试/校准。

今天就到这里吧，我们下期再见。