CN109772753A - 动力电池分选系统和方法 - Google Patents
动力电池分选系统和方法 Download PDFInfo
- Publication number
- CN109772753A CN109772753A CN201910163950.9A CN201910163950A CN109772753A CN 109772753 A CN109772753 A CN 109772753A CN 201910163950 A CN201910163950 A CN 201910163950A CN 109772753 A CN109772753 A CN 109772753A
- Authority
- CN
- China
- Prior art keywords
- charge
- discharge
- battery
- defective products
- gathering
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000000926 separation method Methods 0.000 title claims abstract description 13
- 230000002950 deficient Effects 0.000 claims abstract description 79
- 238000004364 calculation method Methods 0.000 claims abstract description 50
- 238000007599 discharging Methods 0.000 claims abstract description 34
- 230000004927 fusion Effects 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 14
- 239000000047 product Substances 0.000 claims description 80
- 230000015572 biosynthetic process Effects 0.000 claims description 32
- 239000003990 capacitor Substances 0.000 claims description 17
- 238000003860 storage Methods 0.000 claims description 16
- 230000005856 abnormality Effects 0.000 claims description 8
- 238000004519 manufacturing process Methods 0.000 claims description 8
- 239000012466 permeate Substances 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 241001269238 Data Species 0.000 claims description 5
- 238000005516 engineering process Methods 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000002864 sequence alignment Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 241000169594 Paropsia Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种动力电池分选系统和方法,所述动力电池分选系统包括充放电设备组、边缘计算机和云平台;在此基础上,应用时间序列分布式聚类方法,创新的采用“云‑边”协同方式,革新了传统的电池分选系统和方法;首先充分利用边缘计算机的计算能力,进行局部的不良品检测和初级聚类;然后将所有局部处理结果上传到云端,进行全局的不良品融合、划分以及基于边缘的聚类融合;最后再将全局处理结果下传到边缘计算机,进行多要素协同分组决策,实现动力电池优化分选。本发明能够提高电池分选的准确性,降低分选所需时间,延长电池包的寿命,对于企业具有重要的现实意义。
Description
技术领域
本发明涉及计算机领域,具体涉及一种动力电池分选系统和方法。
背景技术
作为电动汽车的核心部件,动力电池具有高能量密度、低自放电率、无记忆效应以及污染小等特点,是极具发展前景的能源载体之一。由于单体电池电压和容量的无法满足需求,在实际应用过程,往往将多个单体电池经串并联形成电池组。然而,同一个电池组内的单体电池之间存在不一致性,体现在其电压、内阻、容量参数等存在差异。随着电池老化,所述不一致性逐步加重,将会严重影响电池组的性能和寿命。因此,尽量减小或将单体电池之间的不一致性控制在可接受范围之内对电池组的长效安全运行具有十分重要的意义。
动力电池的不一致性主要来源于制造过程,如电池浆料成分和粘度存在差异,涂布厚薄不一致,集电体厚度不均匀等。提高电池不一致性的根本方法是优化制造工艺和细化质量检验,但考虑到成本和时间周期,目前较为实用的方法是对单体电池进行分选,使得同一个电池组内的电池的物理化学特性相似度尽可能高。常用的分选方法包括单参数分选法、多参数分选法和动态特性分选法。其中,动态特性分选法利用电池的充放电曲线进行分选,能够充分反映电池的性能,是较为理想的分选方法,可采用时间序列聚类的方法实现,但其有一定技术难度,存在计算量大,难以保证时效性的问题。
目前,国内电池生产企业主要采用单参数或多参数分选方法。在化成工序中,将电池安置于化成柜上,按照上位机上既定的控制程序对电池进行循环充放电,计算相应的参数指标实现分选。大量的充放电数据没有得到充分利用,采集端上位机也只用作发送控制命令、数据采集和存储,导致了大量计算资源的浪费;同时,采用传统聚类方法处理充放电动态特性曲线的聚类方法面临计算量大,响应不及时的问题。
基于此,本领域需要新的电池分选系统和方法来解决上述
发明内容
为了解决现有技术中的上述问题,即为了实现动力电池分选的问题,本发明提供了一种动力电池分选系统。
为解决上述技术问题,本发明提供了如下方案:
一种动力电池分选系统,其特征在于,所述系统包括:充放电设备组、边缘计算机和云平台;
所述充放电设备组,配置为:接收所述边缘计算机下达的电池充放电指令,对安装在上方的电池进行充放电测试,并将充放电时序数据实时传输到所述边缘计算机进行存储;接收所述边缘计算机下达的电池分选下架指令,根据指令中的不良品编号和分选后的不同组别的编号,依次通过指示器指明不良电池和不同组的电池,以辅助工人下架操作;
所述边缘计算机,配置为:根据电池型号下达人工预先设定电池充放电指令,实时采集和存储充放电时序数据,针对充电时序数据和放电时序数据,分别进行不良品检测、局部聚类并记录分选电容值,形成充放电不良品集合、局部簇集合以及分选电容集合;将采集的充放电时序数据、充放电不良品和局部簇集合信息上传到所述云平台;接收所述云平台传递的充放电全局簇集合和全局不良品集合信息,根据所述充放电全局簇集合和所述全局不良品集合信息和所述分选电容集合,实现电池分组决策,并根据分组结果编制电池分选下架指令下达给对应的充放电设备组;
所述云平台,配置为:接收所述边缘计算机上传的充放电时序数据、充放电不良品和局部簇集合信息,存储充放电时序数据,进行全局融合、不良品聚类、不良品融合,形成充放电全局簇集合和充放电全局不良品集合,将两个集合信息传递给所述边缘计算机。
可选的,所述充放电时序数据包括充放电设备组上所有电池在一个完整充放电过程中的编号、电压值、电流值、电容值和采集时间的全部时序数据。
可选的,所述充放电设备组为电池制造过程化成工序中的化成柜组,所述化成柜组的每个化成柜包括多个电池充电接口,每个所述电池充电接口对应一个指示灯。
可选的,所述边缘计算机为控制化成柜上电池充电接口进行充放电操作以及控制指示灯亮灭;所述边缘计算机与多个化成柜之间通过双绞线连接,通过化成柜操作软件实时接收化成柜组上传的充放电时序数据,存储到本地数据库中。
可选的,所述云平台包括服务器、交换机和磁盘阵列。
为解决上述技术问题,本发明提供了如下方案:
一种动力电池分选方法,其特征在于,包括:
步骤10:边缘计算机根据采集和存储充放电时序数据,采用异常检测方法分别检测电池充电过程和放电过程中的异常数据,形成充放电不良品集合并记录;
步骤20:所述边缘计算机根据采集和存储充放电时序数据,在分别去除充放电不良品数据之后,采用时间序列聚类方法分别进行电池充电过程和放电过程局部聚类分选,形成充放电局部簇集合并记录;
步骤30:所述边缘计算机根据采集和存储放电时序数据,查询放电过程结束后的电容值,形成分选电容集合并记录;
步骤40:所述云平台根据所有边缘计算机传输的充放电局部簇集合信息,采用边界融合的方式融合局部簇,形成充放电全局簇集合并记录;
步骤50:所述云平台根据将所有边缘计算机传输的充放电不良品集合分别融合,进行重新聚类,形成充放电不良品簇集合;
步骤60:所述云平台划分充放电不良品簇集合,将异常程度较小的不良品融入全局簇集合并更新,将较大的保留在不良品簇集合,形成充放电全局不良品集合;
步骤70:所述边缘计算机根据全局不良品集合信息,将隶属该集合的电池划分为不良品组;根据充放电全局簇集合信息,进行协同分组决策,实现一次分组;进一步进行电容分组决策,实现二次分组,得到最终的分组结果。
可选的,所述步骤10具体包括:
步骤101:根据电池质检工艺标准检验电池充放电数据指标,将不满足标准的电池归为不良品;
步骤102:采用时间序列异常检测技术,找出序列幅值、趋势、变动异常的电池序列,归为不良品。
可选的,所述步骤20具体包括:
步骤201:针对不同电池充放电时间序列数据采用时间偏差,采用动态时间规整方法,保证序列数据长度的一致性以及采样时间的最佳匹配;
步骤202:采用时间序列聚类方法,寻找类内距离小、类间距离大、趋势性一致性好的局部簇划分。
可选的,所述步骤40具体包括:
步骤401:针对同一个局部簇集合的每一个局部簇,找到一个容纳的数据的簇边界,包括一个上边界和一个下边界;
步骤402:对不同局部簇集合提取局部簇边缘,根据不同局部簇边界之间的包含和相似关系确定两个局部簇是否能够融合为一个;进一步将两个局部簇集合融合为一个局部簇集合;再以融合后局部簇集合为基准,继续融合第三个局部簇集合;以此类推,最终所有的局部簇集合融合为一个全局簇集合。
可选的,所述步骤70具体包括:
步骤701:根据充放电时序数据全局簇集合信息,将充电全局簇集合和放电全局簇集合中的簇进行逐个组合,得到m×n个组别,每个组别对应隶属于充电和放电全局簇集合中某两个簇的组合;所述充电全局簇集合包含m个全局簇,所述放电全局簇集合包含个n全局簇;
步骤702:将协同分组决策得到的一次分组结果,根据步骤30得到的分选电容,按照预先设定的电容段阈值,进行二次分选,将每一个组别分为k个电容段,得到最后的分选结果,共m×n×k个分选组。
根据本发明的实施例,本发明公开了以下技术效果:
本发明基于时间序列分布式聚类,创新的采用“云-边”协同方式,发展了现有基于动态特性曲线的电池分选方法;首先充分利用边缘计算机的计算能力,进行局部的不良品检测和初级聚类;然后将所有局部处理结果上传到云端,进行全局的不良品融合、划分以及基于边缘的聚类融合;最后再将全局处理结果下传到边缘计算机,进行多要素协同分组决策,实现动力电池优化分选。本发明能够提高电池分选的准确性,降低分选所需时间,对于电池制造企业具有重要的现实意义。
附图说明
图1是本发明的动力电池分选系统的结构示意图;
图2是本发明的动力电池分选方法的流程图。
具体实施方式
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非旨在限制本发明的保护范围。
本发明提供一种动力电池分选系统,通过云平台和边缘计算机的协同配合,完成从时序数据采集输入到分选决策输出的整个过程。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,本发明的动力电池分选系统主要包括充放电设备组、边缘计算机和云平台。
充放电设备组配置为包含多个充放电设备,能接收边缘计算机下达的电池充放电指令,对安装在上方的电池进行充放电测试,并将充放电时序数据实时传输到边缘处理器进行存储;接收边缘计算机下达的电池分选下架指令,根据指令中的不良品编号和分选后的不同组别的编号,依次通过指示器指明不良电池和不同组的电池,以辅助工人下架操作。
所述充放电时序数据包括充放电设备组上所有电池在一个完整充放电过程中的编号、电压值、电流值、电容值和采集时间的全部时序数据。
在本发明的一个实施例中,充放电设备组具体化为电池制造过程化成工序中的化成柜组,每个化成柜上有多个固定类型的电池充电接口,每个充电接口对应一个指示灯,多个化成柜组成一个化成柜组,由一个上位机进行控制和管理;化成工序开始时,工人将电池装入化成柜,通过上位机控制化成柜进行连续充放电以激活电池;化成柜按照规定的采样间隔实时采集充放电时序数据,并传输到上位机;连续充放电结束后,可通过上位机控制化成柜上电池充电接口的指示灯亮灭,从而指导工人进行电池下架操作。
边缘计算机配置为管理一个充放电设备组,根据电池型号下达人工预先设定电池充放电指令,实时采集和存储充放电时序数据,针对充电时序数据和放电时序数据,分别进行不良品检测、局部聚类并记录分选电容值,形成充放电不良品集合、局部簇集合以及分选电容集合;将采集的充放电时序数据、充放电不良品和局部簇集合信息上传到云平台;接收云平台传递的充放电全局簇集合和全局不良品集合信息,根据上述信息和分选电容集合,实现电池分组决策,并根据分组结果编制电池分选下架指令下达给对应的充放电设备组。
在本说明书实施例中,边缘计算机具体化为管理化成柜组的上位机,能够控制化成柜上电池充电接口进行充放电操作以及控制指示灯亮灭以协助工人下架操作;上位机与多个化成柜之间通过双绞线连接,通过化成柜操作软件实时接收化成柜组上传的充放电时序数据,存储到本地数据库中;同时,在一次化成过程完成后,读取存储的时序数据,进行不良品检测、局部聚类并记录分选电容值,将采集的充放电时序数据、得到的充放电不良品和局部簇集合信息上传到云平台;车间内的上位机群通过双绞线连接到区域交换机,区域交换机通过光纤连接云平台交换机,再连接到云平台的数据存储设备,通过以太网进行通信;云平台将处理后的充放电全局簇集合和全局不良品集合信息传递给上位机,由上位机实现电池分选操作,并根据分组结果编制电池分选下架指令下达给对应的化成设备,控制化成设备指示灯按照不良品组、合格品1组、合格品2组......等的次序依次亮起,辅助工人进行电池分组下架。
云平台配置为由多台服务器组成的计算和存储中心,管理全部边缘计算机,能够接收边缘计算机上传的充放电时序数据、充放电不良品和局部簇集合信息,存储充放电时序数据以备后用,进行全局融合、不良品聚类、不良品融合,形成充放电全局簇集合和充放电全局不良品集合,将两个集合信息传递给全部边缘计算机。
在本说明书实施例中,云平台具体化为由多台服务器、交换机、磁盘阵列组成的计算和存储中心,基于HADOOP架构组织搭建的大数据平台,负责存储和处理生产过程数据;云平台能够接收上位机通过以太网上传的充放电时序数据、充放电不良品和局部簇集合信息,充分发挥多服务器分布式计算的优势,汇总所有上位机传输的信息,进行全局融合、不良品聚类、不良品融合,形成充放电全局簇集合和充放电全局不良品集合并通过以太网传输到所有对应的上位机。
另一方面,本发明还提供了一种动力电池分选方法。该方法包括以下步骤:
步骤10,不良品检测:边缘计算机根据采集和存储充放电时序数据,采用异常检测方法分别检测电池充电过程和放电过程中的异常数据,形成充放电不良品集合并记录,具体包括:
步骤101,标准异常检测:根据电池质检工艺标准检验电池充放电数据指标,将不满足标准的电池直接归为不良品;
步骤102,序列异常检测:采用时间序列异常检测技术,找出序列幅值、趋势、变动异常的电池序列,归为不良品。
在本发明的一个实施例中,标准异常检测采用电池工艺合格标准,测量电池的充电截止电压值(上下限)和放电结束后电容值(下限)作为判别指标,不满足指标的直接判定为不良品;序列异常检测采用具有噪声的基于密度的聚类算法(DBSCAN),将邻域内对象数量较少的数据点视为异常点,首先由人工根据经验和对充放电曲线的视觉异常检测来选择算法的邻域和核心对象数等超参数值,随着数据的积累,通过统计方法进行参数优化;
步骤20,局部聚类:所述边缘计算机根据采集和存储充放电时序数据,在分别去除充放电不良品数据之后,采用时间序列聚类方法分别进行电池充电过程和放电过程局部聚类分选,形成充放电局部簇集合并记录,具体包括:
步骤201,序列对齐:针对不同电池充放电时间序列数据采用时间偏差,采用动态时间规整方法,保证序列数据长度的一致性以及采样时间的最佳匹配;
步骤202,序列聚类:采用时间序列聚类方法,寻找类内距离小、类间距离大、趋势性一致性好的局部簇划分。
在本说明书实施例中,序列对齐以采样时间为规整原序列,采用动态时间规整的方法找到两个长度不同采样时间序列差别最小化的时间点匹配规则,进一步,将该匹配规则直接用于匹配对应的电压数据;根据匹配好的数据,分别计算不同电池在充电和放电过程中的数据欧式聚类相似度,得到相似度矩阵;根据计算的相似度矩阵,采用密度峰值聚类算法(DPC),由人工预先规定,根据轮廓系数评价指标最大化的原则进行优化局部簇的数量,实现快速聚类分组。
步骤30,记录分选电容:所述边缘计算机根据采集和存储放电时序数据,查询放电过程结束后的电容值,形成分选电容集合并记录。
步骤40,全局融合:所述云平台根据所有边缘计算机传输的充放电局部簇集合信息,采用边界融合的方式融合局部簇,形成充放电全局簇集合并记录,具体包括:
步骤401,序列边界提取:针对同一个局部簇集合的每一个局部簇,找到一个容纳的数据的簇边界,包括一个上边界和一个下边界;
步骤402,序列边界融合:对不同局部簇集合提取局部簇边缘,根据不同局部簇边界之间的包含和相似关系确定两个局部簇是否能够融合为一个;进一步将两个局部簇集合融合为一个局部簇集合;再以融合后局部簇集合为基准,继续融合第三个局部簇集合;以此类推,最终所有的局部簇集合融合为一个全局簇集合。
在本说明书实施例中,选取,即保证序列边界能够包括95%的序列数据;通过逐点寻找的95%最大值点和95%最小值点得到上边界和下边界;序列边界融合通过下列融合原则来判定两个局部簇是否能融合:计算两个簇簇内电压截止(电压下降或上升到规定的阈值)的时间范围,即边界截止时间之差,若两个簇的时间范围重叠度高于设定阈值,则作为候选融合簇;然后,分别计算两个候选簇上边界和下边界对应的有向欧式距离相似度,若两个边界距离均较小,或上边界正/反向距离较大同时下边界反/正向距离较大时,两个候选簇可进行融合,否则不进行融合;
步骤50,不良品聚类:所述云平台根据将所有边缘计算机传输的充放电不良品集合分别融合,进行重新聚类,形成充放电不良品簇集合。
在本说明书实施例中,不良品聚类采用DBSCAN算法。
步骤60,不良品融合:所述云平台划分充放电不良品簇集合,将异常程度较小的不良品融入全局簇集合并更新,将较大的保留在不良品簇集合,形成充放电全局不良品集合;
在本说明书实施例中,采用与全局融合同样的方式进行不良品融合,将异常程度较小的不良品融入并更新全局簇集合,具体包括:
步骤70,分组决策:所述边缘计算机根据全局不良品集合信息,将隶属该集合的电池划分为不良品组;根据充放电全局簇集合信息,进行协同分组决策,实现一次分组;进一步进行电容分组决策,实现二次分组,得到最终的分组结果。
步骤701,协同分组决策:根据充放电时序数据全局簇集合信息,将充电全局簇集合(包含m个全局簇)和放电全局簇(包含n个全局簇)集合中的簇进行逐个组合,得到m×n个组别,每个组别对应隶属于充电和放电全局簇集合中某两个簇的组合;
步骤702,电容分组决策:将协同分组决策得到的一次分组结果,根据步骤30得到的分选电容,按照预先设定的电容段阈值,进行二次分选,将每一个组别分为k个电容段,得到最后的分选结果,共m×n×k个分选组。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征作出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种动力电池分选系统,其特征在于,所述系统包括:充放电设备组、边缘计算机和云平台;
所述充放电设备组,配置为:接收所述边缘计算机下达的电池充放电指令,对安装在上方的电池进行充放电测试,并将充放电时序数据实时传输到所述边缘计算机进行存储;接收所述边缘计算机下达的电池分选下架指令,根据指令中的不良品编号和分选后的不同组别的编号,依次通过指示器指明不良电池和不同组的电池,以辅助工人下架操作;
所述边缘计算机,配置为:根据电池型号下达人工预先设定电池充放电指令,实时采集和存储充放电时序数据,针对充电时序数据和放电时序数据,分别进行不良品检测、局部聚类并记录分选电容值,形成充放电不良品集合、局部簇集合以及分选电容集合;将采集的充放电时序数据、充放电不良品和局部簇集合信息上传到所述云平台;接收所述云平台传递的充放电全局簇集合和全局不良品集合信息,根据所述充放电全局簇集合和所述全局不良品集合信息和所述分选电容集合,实现电池分组决策,并根据分组结果编制电池分选下架指令下达给对应的充放电设备组;
所述云平台,配置为接收所述边缘计算机上传的充放电时序数据、充放电不良品和局部簇集合信息,存储充放电时序数据,进行全局融合、不良品聚类、不良品融合,形成充放电全局簇集合和充放电全局不良品集合,将两个集合信息传递给所述边缘计算机。
2.根据权利要求1所述的系统,其特征在于,所述充放电时序数据包括充放电设备组上所有电池在一个完整充放电过程中的编号、电压值、电流值、电容值和采集时间的全部时序数据。
3.根据权利要求1所述的系统,其特征在于,所述充放电设备组为电池制造过程化成工序中的化成柜组;所述化成柜组的每个化成柜包括多个电池充电接口,每个所述电池充电接口对应一个指示灯。
4.根据权利要求3所述的系统,其特征在于,所述边缘计算机为控制化成柜上电池充电接口进行充放电操作以及控制指示灯亮灭;所述边缘计算机与多个化成柜之间通过双绞线连接,通过化成柜操作软件实时接收化成柜组上传的充放电时序数据,存储到本地数据库中。
5.根据权利要求3所述的系统,其特征在于,所述云平台包括服务器、交换机和磁盘阵列。
6.一种动力电池分选方法,其特征在于,包括:
步骤10:边缘计算机根据采集和存储充放电时序数据,采用异常检测方法分别检测电池充电过程和放电过程中的异常数据,形成充放电不良品集合并记录;
步骤20:所述边缘计算机根据采集和存储充放电时序数据,在分别去除充放电不良品数据之后,采用时间序列聚类方法分别进行电池充电过程和放电过程局部聚类分选,形成充放电局部簇集合并记录;
步骤30:所述边缘计算机根据采集和存储放电时序数据,查询放电过程结束后的电容值,形成分选电容集合并记录;
步骤40:所述云平台根据所有边缘计算机传输的充放电局部簇集合信息,采用边界融合的方式融合局部簇,形成充放电全局簇集合并记录;
步骤50:所述云平台根据将所有边缘计算机传输的充放电不良品集合分别融合,进行重新聚类,形成充放电不良品簇集合;
步骤60:所述云平台划分充放电不良品簇集合,将异常程度较小的不良品融入全局簇集合并更新,将较大的保留在不良品簇集合,形成充放电全局不良品集合;
步骤70:所述边缘计算机根据全局不良品集合信息,将隶属该集合的电池划分为不良品组;根据充放电全局簇集合信息,进行协同分组决策,实现一次分组;进一步进行电容分组决策,实现二次分组,得到最终的分组结果。
7.根据权利要求6所述的方法,其特征在于,所述步骤10具体包括:
步骤101:根据电池质检工艺标准检验电池充放电数据指标,将不满足标准的电池归为不良品;
步骤102:采用时间序列异常检测技术,找出序列幅值、趋势、变动异常的电池序列,归为不良品。
8.根据权利要求7所述的方法,其特征在于,所述步骤20具体包括:
步骤201:针对不同电池充放电时间序列数据采用时间偏差,采用动态时间规整方法,保证序列数据长度的一致性以及采样时间的最佳匹配;
步骤202:采用时间序列聚类方法,寻找类内距离小、类间距离大、趋势性一致性好的局部簇划分。
9.根据权利要求6所述的方法,其特征在于,所述步骤40具体包括:
步骤401:针对同一个局部簇集合的每一个局部簇,找到一个容纳的数据的簇边界,包括一个上边界和一个下边界;
步骤402:对不同局部簇集合提取局部簇边缘,根据不同局部簇边界之间的包含和相似关系确定两个局部簇是否能够融合为一个;进一步将两个局部簇集合融合为一个局部簇集合;再以融合后局部簇集合为基准,继续融合第三个局部簇集合;以此类推,最终所有的局部簇集合融合为一个全局簇集合。
10.根据权利要求6所述的方法,其特征在于,所述步骤70具体包括:
步骤701:根据充放电时序数据全局簇集合信息,将充电全局簇集合和放电全局簇集合中的簇进行逐个组合,得到m×n个组别,每个组别对应隶属于充电和放电全局簇集合中某两个簇的组合;所述充电全局簇集合包含m个全局簇,所述放电全局簇集合包含个n全局簇;
步骤702:将协同分组决策得到的一次分组结果,根据步骤30得到的分选电容,按照预先设定的电容段阈值,进行二次分选,将每一个组别分为k个电容段,得到最后的分选结果,共m×n×k个分选组。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910163950.9A CN109772753B (zh) | 2019-03-05 | 2019-03-05 | 动力电池分选系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910163950.9A CN109772753B (zh) | 2019-03-05 | 2019-03-05 | 动力电池分选系统和方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109772753A true CN109772753A (zh) | 2019-05-21 |
CN109772753B CN109772753B (zh) | 2020-03-06 |
Family
ID=66486727
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910163950.9A Active CN109772753B (zh) | 2019-03-05 | 2019-03-05 | 动力电池分选系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109772753B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112007863A (zh) * | 2020-07-31 | 2020-12-01 | 上海中通吉网络技术有限公司 | 快递校验分拣的方法、装置和系统 |
CN112198472A (zh) * | 2020-09-29 | 2021-01-08 | 国网上海市电力公司 | 一种局部放电智能传感器在线远程校验方法及系统 |
CN112264309A (zh) * | 2020-09-30 | 2021-01-26 | 北京京东振世信息技术有限公司 | 包裹分拣方法、服务器及存储介质 |
CN113013508A (zh) * | 2021-01-29 | 2021-06-22 | 中南大学 | 动力电池化成工艺智能调度追溯系统及方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040155626A1 (en) * | 2003-02-11 | 2004-08-12 | Hedegor Erik W. | Battery tester and sorting apparatus |
CN103128061A (zh) * | 2011-12-05 | 2013-06-05 | 哈尔滨智木科技有限公司 | 一种动力电池动态一致性分选的方法及设备 |
CN104541293A (zh) * | 2012-05-14 | 2015-04-22 | 高通股份有限公司 | 用于客户端-云行为分析器的架构 |
CN105261795A (zh) * | 2015-10-23 | 2016-01-20 | 北京交通大学 | 一种基于聚类算法的锂离子电池串联成组方法 |
CN108254694A (zh) * | 2017-12-27 | 2018-07-06 | 深圳市科陆电子科技股份有限公司 | 一种电池工作数据采集方法、系统及存储介质 |
CN108686980A (zh) * | 2018-05-17 | 2018-10-23 | 张金仙 | 锂电池检测和分选设备 |
CN109361007A (zh) * | 2018-09-14 | 2019-02-19 | 中国科学院自动化研究所 | 电池配组方法 |
-
2019
- 2019-03-05 CN CN201910163950.9A patent/CN109772753B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040155626A1 (en) * | 2003-02-11 | 2004-08-12 | Hedegor Erik W. | Battery tester and sorting apparatus |
CN103128061A (zh) * | 2011-12-05 | 2013-06-05 | 哈尔滨智木科技有限公司 | 一种动力电池动态一致性分选的方法及设备 |
CN104541293A (zh) * | 2012-05-14 | 2015-04-22 | 高通股份有限公司 | 用于客户端-云行为分析器的架构 |
CN105261795A (zh) * | 2015-10-23 | 2016-01-20 | 北京交通大学 | 一种基于聚类算法的锂离子电池串联成组方法 |
CN108254694A (zh) * | 2017-12-27 | 2018-07-06 | 深圳市科陆电子科技股份有限公司 | 一种电池工作数据采集方法、系统及存储介质 |
CN108686980A (zh) * | 2018-05-17 | 2018-10-23 | 张金仙 | 锂电池检测和分选设备 |
CN109361007A (zh) * | 2018-09-14 | 2019-02-19 | 中国科学院自动化研究所 | 电池配组方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112007863A (zh) * | 2020-07-31 | 2020-12-01 | 上海中通吉网络技术有限公司 | 快递校验分拣的方法、装置和系统 |
CN112198472A (zh) * | 2020-09-29 | 2021-01-08 | 国网上海市电力公司 | 一种局部放电智能传感器在线远程校验方法及系统 |
CN112198472B (zh) * | 2020-09-29 | 2023-11-07 | 国网上海市电力公司 | 一种局部放电智能传感器在线远程校验方法及系统 |
CN112264309A (zh) * | 2020-09-30 | 2021-01-26 | 北京京东振世信息技术有限公司 | 包裹分拣方法、服务器及存储介质 |
CN113013508A (zh) * | 2021-01-29 | 2021-06-22 | 中南大学 | 动力电池化成工艺智能调度追溯系统及方法 |
CN113013508B (zh) * | 2021-01-29 | 2021-10-26 | 中南大学 | 动力电池化成工艺智能调度追溯系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109772753B (zh) | 2020-03-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109772753A (zh) | 动力电池分选系统和方法 | |
CN111584952B (zh) | 用于储能电站电化学电池在线评估的方法和系统 | |
CN110022226B (zh) | 一种基于面向对象的数据采集系统及采集方法 | |
CN109655754B (zh) | 一种基于充电过程多维分阶的电池性能评估方法 | |
CN112791997B (zh) | 一种退役电池梯次利用筛选的方法 | |
CN110058175A (zh) | 一种动力电池开路电压-荷电状态函数关系的重构方法 | |
CN109617099B (zh) | 一种虚拟储能协调控制系统及其方法 | |
CN101350429B (zh) | 一种锂离子电池分级配对方法 | |
CN106610616B (zh) | 一种基于大数据分析的性能自动调优方法及装置 | |
CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及系统 | |
CN109657959A (zh) | 一种含多元数据的配电网规划计算分析方法 | |
CN101894185A (zh) | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 | |
CN115598559A (zh) | 一种智能ups电池健康状态监测系统 | |
CN108957331A (zh) | 电池性能检测方法及电池性能检测系统 | |
CN113158345A (zh) | 一种新能源车辆动力电池容量预测方法及系统 | |
CN108924057A (zh) | 一种云上系统的端口流量智能控制系统 | |
CN106998086A (zh) | 兆瓦级储能电站电池管理方法及其系统 | |
CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和系统 | |
CN111091261A (zh) | 锂电池全生命周期管理的方法 | |
CN109127473A (zh) | 基于等时静置开路电压快速分选梯级利用锂电池的方法 | |
CN110555619A (zh) | 一种基于智能配电网的供电能力评估方法 | |
CN108110867A (zh) | 一种电池利旧系统 | |
CN117059862B (zh) | 一种电池模组的装配控制方法及系统 | |
CN206925025U (zh) | 一种采用三阶段法的锌银电池分选设备 | |
CN115001148B (zh) | 一种储能电站数据全量高频实时采集方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |