Battery-Emulator v8.14.0版本发布:电池管理与逆变器通信的重大改进
项目简介
Battery-Emulator是一个创新的开源电池模拟器项目,它能够将电动汽车电池或其他类型的电池系统通过模拟接口连接到各种逆变器和能源管理系统。该项目通过软件模拟不同电池类型的通信协议和行为特性,为能源存储系统的开发、测试和集成提供了极大便利。
电池管理功能增强
电池平衡状态可视化
本次更新最引人注目的功能是为日产LEAF和雷诺Zoe PH2电池增加了电池单体平衡状态的可视化功能。在Cellmonitor网页界面中,用户可以直观地看到哪些电池单体正在进行主动平衡。这项功能不仅提升了用户体验,也为电池健康状态监测提供了重要参考。
该功能的实现基于对电池管理系统(BMS)通信协议的深入解析,通过实时解析平衡状态数据包,将复杂的电池内部状态以图形化方式呈现。这种可视化方法未来可以扩展到其他电池类型,为更多用户提供电池健康监测的便利。
各类型电池的专项优化
针对不同品牌的电池系统,v8.14.0版本进行了多项针对性改进:
-
特斯拉电池:提高了电压测量精度,解决了"更多电池信息"页面无法访问的回归问题。电压精度从原来的0.1V提升到0.01V级别,使得电池状态监控更加精确。
-
CHAdeMO协议电池:修正了SOC(State of Charge,充电状态)和容量缩放比例的问题,确保显示的电池状态与实际更加吻合。
-
日产LEAF电池:使充满电时的kWh容量根据SOH%(State of Health,健康状态)百分比进行动态调整,更准确地反映电池老化情况。
-
比亚迪Atto 3电池:新增了SOC计算方法切换功能(估算值/测量值),用户可以根据实际需求选择更适合的SOC计算方式。
-
现代/起亚40/64电池:改进了90S电池检测方法,提高了检测可靠性,减少了误判情况。
-
雷诺Zoe Gen1电池:新增了"更多电池信息"页面,为用户提供更详细的电池状态数据。
逆变器通信协议改进
通用性改进
修复了所有逆变器在SOC低于1%时无法放电的问题,这一改进使得电池能量可以更充分地利用,特别是在紧急供电场景下特别有价值。
各品牌逆变器专项优化
-
SMA BYD系列逆变器:
- 将HVS型号的功能同步到H型号
- 改进了配对过程,将配对数据分批次发送,显著提高了配对成功率
- 新增了配对事件日志,便于故障排查
-
Pylon协议逆变器:
- 支持容量大于255Ah的大容量电池
- 改进了充放电允许标志的处理逻辑,使充放电控制更加可靠
-
Ferroamp逆变器:
- 同样增加了对大容量电池(>255Ah)的支持
-
Sofar CAN逆变器:
- 完善了CAN消息格式化处理,提高了通信稳定性
硬件与底层优化
-
堆栈空间调整:为ACAN2515附加组件增加了堆栈大小,提高了系统稳定性,特别是在处理大量CAN总线数据时。
-
通用镜像开发进展:团队持续推进通用镜像的开发工作,包括:
- 将剩余电池类型迁移到基类实现
- 解决Ferroamp和Pylon CAN发送冲突
- 实现电池状态和命令的HTML渲染器
- 改进RS485通信实现
- 引入分流器的通用类实现
- 采用运行时注册接口的数据接收机制
技术实现亮点
-
通信协议优化:通过对各种电池和逆变器通信协议的深入理解,项目团队实现了更精确的数据解析和命令发送。特别是CAN总线消息的格式化处理,确保了与各类设备的稳定通信。
-
电池健康算法改进:引入SOH动态调整容量、SOC计算方式选择等功能,体现了项目在电池健康状态评估算法上的进步。
-
模块化架构演进:通用镜像的开发工作展示了项目向更模块化、可扩展架构的演进,这将大大简化未来新设备类型的支持工作。
适用场景与建议
本次更新特别适合以下用户场景:
- 使用日产LEAF或雷诺Zoe电池进行储能系统集成的用户
- 需要精确监控大容量电池(>255Ah)的用户
- 使用SMA、Pylon或Ferroamp逆变器的系统集成商
- 对电池健康状态监控有高要求的用户
对于使用上述电池或逆变器类型的用户,建议尽快升级到v8.14.0版本以获得更稳定的性能和更丰富的功能。特别是那些遇到电池平衡状态不明确、大容量电池支持不足或逆变器通信问题的用户,本次更新将带来显著改善。
Battery-Emulator项目通过持续的技术创新,正在成为连接各类电池系统与能源管理设备的重要桥梁,为可再生能源存储和智能电网发展提供了有力的技术支持。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00