CN109307845B - 一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统 - Google Patents

Abstract

本发明公开了一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统，其中方法包括：对所选用的梯次利用电池进行充放电实验，获取电池状态参数数据；分析所述电池状态参数数据与电池健康状态的相关关系，确定所述电池状态参数数据与电池健康状态的相关的相关系数；根据所述相关系数，确定影响电池健康状态的健康因子；利用所述健康因子，对所述梯次利用电池进行健康状态评估。

Description

一种用于对梯次利用电池储能系统进行健康状态评估的方法 及系统

技术领域

本发明涉及电池储能技术领域，更具体地，涉及一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统。

背景技术

近年来，随着电能存储技术的研究和发展，储能技术已经在诸如交通，电力，电信等许多领域得到应用。同时随着电化学储能技术的研究，储能系统所需的成本也有所下降，但其规模化应用仍受限于其高昂的成本，仍无法形成商业推广。

随着纯电动的新能源汽车的快速发展，按国际通用标准，为保证续驶里程和安全运行，汽车的电池在剩余80％容量时必须更换。因此，随着各国电动汽车保有量的指数级增长退役电动汽车的电池也将呈现爆发式增长，但电池容量下降到80％以下时，直接淘汰将会造成资源的浪费。

为解决淘汰电池的资源浪费问题，各国目前都在积极开展动力电池梯次利用方法，针对梯次利用电池的外特性、筛选、配组、管理等方面进行相关研究。一方面可以用过增加电池全寿命周期价值以降低电动汽车和电力储能成本，另一方面可减少电池原材料矿产开发的废物总量，减少生态破坏和环境污染。但由于淘汰电池型号不同，剩余电量，电池内阻等参数均有差异，将淘汰电池重新组装，并保证重新组装后的储能系统安全运行仍是需要解决的问题。

因此，需要一种技术，以实现对梯次利用电池储能系统的健康状态进行评价。

发明内容

本发明技术方案提供一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统，以解决如何对梯次利用电池储能系统进行健康状态进行评估的问题。

为了解决上述问题，本发明提供了一种用于对梯次利用电池储能系统进行健康状态评估的方法，所述方法包括：

对所选用的梯次利用电池进行充放电实验，获取电池状态参数数据；

分析所述电池状态参数数据与电池健康状态的相关关系，确定所述电池状态参数数据与电池健康状态的相关的相关系数；

根据所述相关系数，确定影响电池健康状态的健康因子；

利用所述健康因子，对所述梯次利用电池进行健康状态评估。

优选地，所述对所选用的梯次利用电池进行充放电实现，获取电池状态参数数据，包括：

抽样选取梯次利用电池，对抽取的梯次利用电池进行多次汇满充电满放电循环实验，所述梯次利用电池的充放电速率根据电池规格确定，测量所述梯次利用电池的剩余电量；

根据所述剩余电量确定电池健康状态的评价标准，根据所述梯次利用电池的剩余电量以及所述梯次利用电池的额定电量的参数数据，确定光储系统工作要求的最低健康状态系数，通过所述梯次利用电池、所述额定电量和所述最低健康状态系数确定所述梯次利用电池的健康状态。

优选地，所述分析所述电池状态参数数据与电池健康状态的相关关系，确定所述电池状态参数数据与电池健康状态的相关的相关系数；根据所述相关系数，确定影响电池健康状态的健康因子，包括：

采集实验数据，包括恒流充电时间、放电过程瞬时压降，完全放电后电压恢复值，充电电压峰值，充放电速率，电池温度；

利用智能算法中的重要性分析函数评估所述采集实验数据与所述梯次利用电池健康状态的相关系数；

根据评价所得的所述相关系数，选取所述相关系数的相关率大于预定值的所述相关系数，确定影响电池健康状态的健康因子。

优选地，所述利用所述健康因子，对所述梯次利用电池进行健康状态评估，包括：

根据线性回归算法绘制每个所述健康因子与健康状态评估的线性回归曲线，并求取所述线性回归曲线的斜率k；

根据斜率k，由公式x＝f(k)确定每个健康因子的突变峰值x；当健康因子的突变峰值超过X时，则利用突变峰值超过X的健康因子的状态评估此时所述梯次利用电池的健康状态；

公式x＝f(k)中x为该健康因子下所允许接受的最大变化量，k为该健康因子相对于健康状态的变化率，针对不同健康因子相对于健康状态的变化率不同，不同变化率所产生的瞬时变化值大小不同，定义函数x＝f(k)，根据实际需求求得该健康因子所允许接受的最大变化量，即其突变峰值。

优选地，所述利用所述健康因子，对所述梯次利用电池进行健康状态评估，包括：

利用所述健康因子建立用于健康状态评估的多层全连接的神经网络模型；

将所述健康因子做为输入，以均方误差作为精度标准；

对所述神经网络模型的步长和权重系数进行调整，优化所述神经网络模型。

基于本发明的另一方面，提供一种用于对梯次利用电池储能系统进行健康状态评估的系统，所述系统包括：

初始单元，用于对所选用的梯次利用电池进行充放电实验，获取电池状态参数数据；

分析单元，用于分析所述电池状态参数数据与电池健康状态的相关关系，确定所述电池状态参数数据与电池健康状态的相关的相关系数；

确定单元，用于根据所述相关系数，确定影响电池健康状态的健康因子；

评估单元，用于利用所述健康因子，对所述梯次利用电池进行健康状态评估。

优选地，所述初始单元用于对所选用的梯次利用电池进行充放电实现，获取电池状态参数数据，还用于：

抽样选取梯次利用电池，对抽取的梯次利用电池进行多次汇满充电满放电循环实验，所述梯次利用电池的充放电速率根据电池规格确定，测量所述梯次利用电池的剩余电量；

根据所述剩余电量确定电池健康状态的评价标准，根据所述梯次利用电池的剩余电量以及所述梯次利用电池的额定电量的参数数据，确定光储系统工作要求的最低健康状态系数，通过所述梯次利用电池、所述额定电量和所述最低健康状态系数确定所述梯次利用电池的健康状态。

优选地，所述分析单元还用于：采集实验数据，包括恒流充电时间、放电过程瞬时压降，完全放电后电压恢复值，充电电压峰值，充放电速率，电池温度；利用智能算法中的重要性分析函数评估所述采集实验数据与所述梯次利用电池健康状态的相关系数；

所述确定单元还用于根据评价所得的所述相关系数，选取所述相关系数的相关率大于预定值的所述相关系数，确定影响电池健康状态的健康因子。

优选地，所述评估单元用于利用所述健康因子，对所述梯次利用电池进行健康状态评估，还用于：

根据线性回归算法绘制每个所述健康因子与健康状态评估的线性回归曲线，并求取所述线性回归曲线的斜率k；

根据斜率k，由公式x＝f(k)确定每个健康因子的突变峰值x；当健康因子的突变峰值超过X时，则利用突变峰值超过X的健康因子的状态评估此时所述梯次利用电池的健康状态；

公式x＝f(k)中x为该健康因子下所允许接受的最大变化量，k为该健康因子相对于健康状态的变化率，针对不同健康因子相对于健康状态的变化率不同，不同变化率所产生的瞬时变化值大小不同，定义函数x＝f(k)，根据实际需求求得该健康因子所允许接受的最大变化量，即其突变峰值。

优选地，所述评估单元用于利用所述健康因子，对所述梯次利用电池进行健康状态评估，还用于：

利用所述健康因子建立用于健康状态评估的多层全连接的神经网络模型；

将所述健康因子做为输入，以均方误差作为精度标准；

对所述神经网络模型的步长和权重系数进行调整，优化所述神经网络模型。

本发明技术方案提供一种用于对梯次利用电池储能系统进行健康状态评估的方法及系统，其中方法包括：对所选用的梯次利用电池进行充放电实现，获取电池状态参数数据；分析电池状态参数数据与电池健康状态的相关关系，确定电池状态参数数据与电池健康状态的相关的相关系数；根据相关系数，确定影响电池健康状态的健康因子；利用健康因子，对梯次利用电池进行健康状态评估。本发明技术方案提出一种梯次利用电池储能系统健康状态评价方法，是基于实时可测的电池状态参数，采用智能算法提取与电池状态强相关的参数，保证健康状态的评价状态数据时时可测。同时，由于梯次利用电池本身的特性，采用的评价电池健康状态的数据充分考虑了梯次电池不易拆卸，单体电池分散性大等特性，重新定义梯次电池健康状态评价标准，从而更准确，简单的评价梯次电池的健康状态特性。本发明技术方案通过重新定义的电池状态评价标准，保证梯次电池储能系统的接入光伏系统后的稳定运行，延长电池使用寿命，降低电池使用成本，充分发挥电池能效，提升储能系统经济性。

附图说明

通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：

图1为根据本发明优选实施方式的用于对梯次利用电池储能系统进行健康状态评估的方法流程图；

图2为根据本发明优选实施方式的用于对梯次利用电池储能系统进行健康状态评估的方法流程图；

图3为根据本发明优选实施方式多层全连接神经网络模型结构示意图；以及

图4为根据本发明优选实施方式的用于对梯次利用电池储能系统进行健康状态评估的系统结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

图1为根据本发明优选实施方式的用于对梯次利用电池储能系统进行健康状态评估的方法流程图。本申请针对梯次利用电池，例如磷酸铁锂电池为例，针对电池的健康状态判定提出了一种新的评价函数，与传统电池健康状态评价方法相比，梯度电池由于存在初始电量不均匀，电池组内单体电池不易拆卸，电池特性分散性大等特点，使得其健康状态估算方法与传统电池有着一定差异。本申请选用的以电池容量计算健康状态的方法，优先考虑梯次电池电量不足的问题，综合考虑光伏系统中对电池电量的要求和已淘汰电池剩余电量的实际情况，同时根据梯次利用电池分散特性，采用电池容量作为分析其健康状态的主要参数。如图1所示，一种用于对梯次利用电池储能系统进行健康状态评估的方法，方法包括：

优选地，在步骤101：对所选用的梯次利用电池进行充放电实现，获取电池状态参数数据。

优选地，对所选用的梯次利用电池进行充放电实现，获取电池状态参数数据，包括：

抽样选取梯次利用电池，对抽取的梯次利用电池进行多次汇满充电满放电循环实验，梯次利用电池的充放电速率根据电池规格确定，测量梯次利用电池的剩余电量；

根据剩余电量确定电池健康状态的评价标准，根据梯次利用电池的剩余电量以及梯次利用电池的额定电量的参数数据，确定光储系统工作要求的最低健康状态系数，通过梯次利用电池、额定电量和最低健康状态系数确定梯次利用电池的健康状态。

本申请对所选用的梯次利用电池进行充放电实验获得相关数据

如步骤101中所述的对所选用的废弃电池进行充放电实验获得相关数据具体过程为：

步骤1011：抽样电池模组，模拟光储系统工况进行充放电实验；

步骤1012：满充满放循环n次，其中n由实际工况及具体实验环境确定，充放电速率以电池规格确定，测得电池组剩余容量；

步骤1013：根据所测得的剩余电量确定SOH评价标准，以所选电池此时电池中的剩余电量(Q_now)，及电池额定电量(Q_new)为参数，同时确定光储系统工作要求最低健康状态系数a，SOH＝f(Q_new,Qnow,a),通过以上三个参数确定所选用电池的健康状态。

优选地，在步骤102：分析电池状态参数数据与电池健康状态的相关关系，确定电池状态参数数据与电池健康状态的相关的相关系数。

优选地，在步骤103：根据相关系数，确定影响电池健康状态的健康因子。

优选地，分析电池状态参数数据与电池健康状态的相关关系，确定电池状态参数数据与电池健康状态的相关的相关系数；根据相关系数，确定影响电池健康状态的健康因子，包括：

采集实验数据，包括恒流充电时间、放电过程瞬时压降，完全放电后电压恢复值，充电电压峰值，充放电速率，电池温度；

利用智能算法中的重要性分析函数评估采集实验数据与梯次利用电池健康状态的相关系数；

根据评价所得的相关系数，选取相关系数的相关率大于预定值的相关系数，确定影响电池健康状态的健康因子。

优选地，利用健康因子，对梯次利用电池进行健康状态评估，包括：

根据线性回归算法绘制每个健康因子与健康状态评估的线性回归曲线，并求取线性回归曲线的斜率k；

根据斜率k，由公式x＝f(k)确定每个健康因子的突变峰值x；当健康因子的突变峰值超过X时，则利用突变峰值超过X的健康因子的状态评估此时梯次利用电池的健康状态；

公式x＝f(k)中x为该健康因子下所允许接受的最大变化量，k为该健康因子相对于健康状态的变化率，针对不同健康因子相对于健康状态的变化率不同，不同变化率所产生的瞬时变化值大小不同，定义函数x＝f(k)，根据实际需求求得该健康因子所允许接受的最大变化量，即其突变峰值。

本申请根据被测数据分析各项数据与健康状态(SOH)的相关关系，确定影响健康状态的健康因子。

如步骤102根据被测数据分析各项数据与健康状态(SOH)的相关关系的过程为：

步骤1021：采集实验数据，恒流充电时间(t)，放电过程瞬时压降(ΔU)，完全放电后电压恢复值(U_r)，充电电压峰值(U_t)，充放电速率(C)，电池温度(T_e)；

步骤1022：根据智能算法中的重要性分析函数函数(feature_importance)评估步骤2所采集的数据与健康状态SOH的相关关系；

步骤1023：根据评价所得的各参数与电池健康状态的相关系数，选取相关率大于b的n个系数，作为评价电池健康状态的健康因子，根据线性回归算法绘制每个健康因子与SOH的线性回归曲线，并求得曲线斜率k。

步骤1024：根据斜率k，由公式x＝f(k)确定每个健康因子的突变峰值x：若某健康因子的变化值超过x则由该因子的状态评估此时梯次利用电池的健康状态；图1未示出，如图2所示，若所有健康因子的变化值均不超过其所对应的x，则由步骤1023定义此时的健康状态；若变化值超过其对应的x的变量超过一个，则仍旧维持步骤1023的判别方法。

优选地，在步骤104：利用健康因子，对梯次利用电池进行健康状态评估。

优选地，利用健康因子，对梯次利用电池进行健康状态评估，包括：

利用健康因子建立用于健康状态评估的多层全连接的神经网络模型。图1未示出，如图3所示。将健康因子做为输入，以均方误差作为精度标准；对神经网络模型的步长和权重系数进行调整，优化神经网络模型。

本申请步骤104：选取已确定的健康因子作为参数因变量，分析SOH。

如步骤104中选取已确定的健康因子作为参数因变量，分析SOH的过程如下：

步骤1041：依据所选健康因子针对SOH搭建线多层全连接神经网络模型；

步骤1042：选取均方差MSE作为所选算法预测精度的评价标准；

步骤1043：对神经网络模型的步长，权重系数进行参数调整以期达到精度最优。

本申请提出一种梯次利用电池储能系统健康状态评价方法，本申请基于实时可测的电池状态参数，采用智能算法提取与电池状态强相关的参数，保证健康状态的评价状态数据时时可测。同时，由于梯次利用电池本身的特性，采用的评价电池健康状态的数据充分考虑了梯次电池不易拆卸，单体电池分散性大等特性，重新定义梯次电池健康状态评价标准，从而更准确，简单的评价梯次电池的健康状态特性。通过重新定义的电池状态评价标准，保证梯次电池储能系统的接入光伏系统后的稳定运行，延长电池使用寿命，降低电池使用成本，充分发挥电池能效，提升储能系统经济性。本申请基于智能算法中决策树算法的重要性函数直接确定各测得数据与健康状态之间的关系，形成可以直观观测的柱状图，从而筛选所需数据。本申请采用的方式为先分析各健康因子的本身变化值是否会对健康状态造成巨大影响，再进一步由全部健康因子作为参数，对健康状态进行预测分析。

图4为根据本发明优选实施方式的用于对梯次利用电池储能系统进行健康状态评估的系统结构图。如图4所示，一种用于对梯次利用电池储能系统进行健康状态评估的系统，系统包括：

初始单元401，用于对所选用的梯次利用电池进行充放电实验，获取电池状态参数数据。

优选地，初始单元401用于对所选用的梯次利用电池进行充放电实现，获取电池状态参数数据，还用于：

抽样选取梯次利用电池，对抽取的梯次利用电池进行多次汇满充电满放电循环实验，梯次利用电池的充放电速率根据电池规格确定，测量梯次利用电池的剩余电量；

根据剩余电量确定电池健康状态的评价标准，根据梯次利用电池的剩余电量以及梯次利用电池的额定电量的参数数据，确定光储系统工作要求的最低健康状态系数，通过梯次利用电池、额定电量和最低健康状态系数确定梯次利用电池的健康状态。

分析单元402，用于分析电池状态参数数据与电池健康状态的相关关系，确定电池状态参数数据与电池健康状态的相关的相关系数。优选地，分析单元还用于：采集实验数据，包括恒流充电时间、放电过程瞬时压降，完全放电后电压恢复值，充电电压峰值，充放电速率，电池温度；利用智能算法中的重要性分析函数评估采集实验数据与梯次利用电池健康状态的相关系数。

确定单元403，用于根据相关系数，确定影响电池健康状态的健康因子。确定单元还用于根据评价所得的相关系数，选取相关系数的相关率大于预定值的相关系数，确定影响电池健康状态的健康因子。

评估单元404，用于利用健康因子，对梯次利用电池进行健康状态评估。

优选地，评估单元404用于利用健康因子，对梯次利用电池进行健康状态评估，还用于：

根据线性回归算法绘制每个健康因子与健康状态评估的线性回归曲线，并求取线性回归曲线的斜率k；

根据斜率k，由公式x＝f(k)确定每个健康因子的突变峰值x；当健康因子的突变峰值超过X时，则利用突变峰值超过X的健康因子的状态评估此时梯次利用电池的健康状态；

公式x＝f(k)中x为该健康因子下所允许接受的最大变化量，k为该健康因子相对于健康状态的变化率，针对不同健康因子相对于健康状态的变化率不同，不同变化率所产生的瞬时变化值大小不同，定义函数x＝f(k)，根据实际需求求得该健康因子所允许接受的最大变化量，即其突变峰值。

优选地，评估单元404用于利用健康因子，对梯次利用电池进行健康状态评估，还用于：

利用健康因子建立用于健康状态评估的多层全连接的神经网络模型；

将健康因子做为输入，以均方误差作为精度标准；

对神经网络模型的步长和权重系数进行调整，优化神经网络模型。

本发明优选实施方式的用于对梯次利用电池储能系统进行健康状态评估的系统400与本发明优选实施方式的用于对梯次利用电池储能系统进行健康状态评估的方法100相对应，在此不再进行赘述。

已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。

通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (6)

1.一种用于对梯次利用电池储能系统进行健康状态评估的方法，所述方法包括：

对所选用的梯次利用电池进行充放电实验，获取电池状态参数数据；

分析所述电池状态参数数据与电池健康状态的相关关系，确定所述电池状态参数数据与电池健康状态的相关的相关系数；根据所述相关系数，确定影响电池健康状态的健康因子，包括：

采集实验数据，包括恒流充电时间、放电过程瞬时压降，完全放电后电压恢复值，充电电压峰值，充放电速率，电池温度；

利用智能算法中的重要性分析函数评估所述采集实验数据与所述梯次利用电池健康状态的相关系数；

根据评价所得的所述相关系数，选取所述相关系数的相关率大于预定值的所述相关系数，确定影响电池健康状态的健康因子；

利用所述健康因子，对所述梯次利用电池进行健康状态评估，包括：根据线性回归算法绘制每个所述健康因子与健康状态评估的线性回归曲线，并求取所述线性回归曲线的斜率k；

根据斜率k，由公式x＝f(k)确定每个健康因子的突变峰值x；当健康因子的突变峰值超过x时，则利用突变峰值超过x的健康因子的状态评估此时所述梯次利用电池的健康状态；

公式x＝f(k)中x为该健康因子下所允许接受的最大变化量，k为该健康因子相对于健康状态的变化率，针对不同健康因子相对于健康状态的变化率不同，不同变化率所产生的瞬时变化值大小不同，定义函数x＝f(k)，根据实际需求求得该健康因子所允许接受的最大变化量，即其突变峰值。

2.根据权利要求1所述的方法，所述对所选用的梯次利用电池进行充放电实现，获取电池状态参数数据，包括：

抽样选取梯次利用电池，对抽取的梯次利用电池进行多次汇满充电满放电循环实验，所述梯次利用电池的充放电速率根据电池规格确定，测量所述梯次利用电池的剩余电量；

根据所述剩余电量确定电池健康状态的评价标准，根据所述梯次利用电池的剩余电量以及所述梯次利用电池的额定电量的参数数据，确定光储系统工作要求的最低健康状态系数，通过所述梯次利用电池、所述额定电量和所述最低健康状态系数确定所述梯次利用电池的健康状态。

3.根据权利要求1所述的方法，所述利用所述健康因子，对所述梯次利用电池进行健康状态评估，包括：

利用所述健康因子建立用于健康状态评估的多层全连接的神经网络模型；

将所述健康因子做为输入，以均方误差作为精度标准；

对所述神经网络模型的步长和权重系数进行调整，优化所述神经网络模型。

4.一种用于对梯次利用电池储能系统进行健康状态评估的系统，所述系统包括：

初始单元，用于对所选用的梯次利用电池进行充放电实验，获取电池状态参数数据；

分析单元，用于分析所述电池状态参数数据与电池健康状态的相关关系，确定所述电池状态参数数据与电池健康状态的相关的相关系数；采集实验数据，包括恒流充电时间、放电过程瞬时压降，完全放电后电压恢复值，充电电压峰值，充放电速率，电池温度；利用智能算法中的重要性分析函数评估所述采集实验数据与所述梯次利用电池健康状态的相关系数；

确定单元，用于根据所述相关系数，确定影响电池健康状态的健康因子；根据评价所得的所述相关系数，选取所述相关系数的相关率大于预定值的所述相关系数，确定影响电池健康状态的健康因子；

评估单元，用于利用所述健康因子，对所述梯次利用电池进行健康状态评估，还用于：

根据线性回归算法绘制每个所述健康因子与健康状态评估的线性回归曲线，并求取所述线性回归曲线的斜率k；

根据斜率k，由公式x＝f(k)确定每个健康因子的突变峰值x；当健康因子的突变峰值超过X时，则利用突变峰值超过X的健康因子的状态评估此时所述梯次利用电池的健康状态；

公式x＝f(k)中x为该健康因子下所允许接受的最大变化量，k为该健康因子相对于健康状态的变化率，针对不同健康因子相对于健康状态的变化率不同，不同变化率所产生的瞬时变化值大小不同，定义函数x＝f(k)，根据实际需求求得该健康因子所允许接受的最大变化量，即其突变峰值。

5.根据权利要求4所述的系统，所述初始单元用于对所选用的梯次利用电池进行充放电实现，获取电池状态参数数据，还用于：

抽样选取梯次利用电池，对抽取的梯次利用电池进行多次汇满充电满放电循环实验，所述梯次利用电池的充放电速率根据电池规格确定，测量所述梯次利用电池的剩余电量；

根据所述剩余电量确定电池健康状态的评价标准，根据所述梯次利用电池的剩余电量以及所述梯次利用电池的额定电量的参数数据，确定光储系统工作要求的最低健康状态系数，通过所述梯次利用电池、所述额定电量和所述最低健康状态系数确定所述梯次利用电池的健康状态。

6.根据权利要求4所述的系统，所述评估单元用于利用所述健康因子，对所述梯次利用电池进行健康状态评估，还用于：

利用所述健康因子建立用于健康状态评估的多层全连接的神经网络模型；

将所述健康因子做为输入，以均方误差作为精度标准；

对所述神经网络模型的步长和权重系数进行调整，优化所述神经网络模型。

Images