CN110752410B - 一种快速分选和重组退役锂电池的方法 - Google Patents

一种快速分选和重组退役锂电池的方法 Download PDF

Info

Publication number
CN110752410B
CN110752410B CN201911045694.XA CN201911045694A CN110752410B CN 110752410 B CN110752410 B CN 110752410B CN 201911045694 A CN201911045694 A CN 201911045694A CN 110752410 B CN110752410 B CN 110752410B
Authority
CN
China
Prior art keywords
retired lithium
battery
capacity
voltage
data
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.)
Active
Application number
CN201911045694.XA
Other languages
English (en)
Other versions
CN110752410A (zh
Inventor
郑岳久
邓聪
来鑫
朱志伟
何忠霖
程阳阳
周勇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201911045694.XA priority Critical patent/CN110752410B/zh
Publication of CN110752410A publication Critical patent/CN110752410A/zh
Application granted granted Critical
Publication of CN110752410B publication Critical patent/CN110752410B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H01—ELECTRIC ELEMENTS
    • H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
    • H01M10/00—Secondary cells; Manufacture thereof
    • H01M10/42—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells
    • H01M10/4207—Methods or arrangements for servicing or maintenance of secondary cells or secondary half-cells for several batteries or cells simultaneously or sequentially
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
    • B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
    • B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
    • B07C5/34—Sorting according to other particular properties
    • B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/385—Arrangements for measuring battery or accumulator variables
    • G01R31/387—Determining ampere-hour charge capacity or SoC
    • G01R31/388—Determining ampere-hour charge capacity or SoC involving voltage measurements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Manufacturing & Machinery (AREA)
  • Computational Linguistics (AREA)
  • Chemical & Material Sciences (AREA)
  • Chemical Kinetics & Catalysis (AREA)
  • Electrochemistry (AREA)
  • General Chemical & Material Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Secondary Cells (AREA)
  • Charge And Discharge Circuits For Batteries Or The Like (AREA)
  • Battery Electrode And Active Subsutance (AREA)

Abstract

本发明提出了一种快速分选和重组退役锂电池的方法，该方法如下步骤：步骤S1.对N个待测退役锂电池测得M个排除内阻影响后的电池电压Ud、容量的数据以及全部待测退役锂电池的内阻，其中，M≤N；步骤S2.随机选取部分电池电压Ud和容量的数据作为训练数据，得到训练好的电池容量分选模型，并利用PSO算法对其中的参数优化，利用PSO‑SVR模型对剩余锂电池容量进行预测；步骤S3.运用带有梯次利用场景系数δ的K‑means算法对N个退役锂电池进行聚类，调节梯次利用场景系数δ大小以适应不同场景重组要求。本发明能够提高退役锂电池梯次利用的安全性与经济性。

Description

一种快速分选和重组退役锂电池的方法
技术领域
本发明涉及资源利用领域，尤其涉及一种快速分选和重组退役锂电池的方法。
背景技术
随着多年的电动汽车商业化推进，电动汽车动力锂离子电池即将面临大规模退役潮，退役电池进行梯次利用对提高电池全寿命周期的经济性有非常重要的意义。然而单个电池的参数进行逐一测试的传统分选方法无法实现批量快速分选，且传统的电芯重组多参考分选的参数进行分级重组。
为了提高对锂离子动力电池的分选效率，并适应不同工况下的成组。目前分选重组退役锂电池有以下几种方式：从热行为出发，搭建隶属于人工神经网络的自组织映射(SOM)模型对镍氢电池进行分选，利用SOM模型将电池分为高热量电池、中热量电池和低热量电池；基于两步时间序列聚类(TTSC)的卷积神经网络对单体进行分选；选择最大容量和等效阻抗谱作为电池的分选指标；但是上述方法将会耗费大量的时间和成本，不适用于对大批量退役锂电池的快速分选。
本发明提出了一种动力电池的快速分选方法和重组方法。首先对锂离子电池进行并联均衡，将均衡完后的锂离子电池进行串联恒流充电，并将恒流充电末期电压去除内阻干扰，结合和容量作为基于粒子群优化算法(PSO)的支持向量回归模型(SVR)的输入进行模型训练，建立快速容量分选模型，进而进行大规模电池容量估计。在获得电池容量和内阻参数的基础上，提出了一种带有权值δ的K均值法(K-means)对锂离子电池进行聚类重组，对不同权值δ的K-means聚类重组后的电池组电压一致性进行评价，从而实现能量型或者功率型等不同应用场景下分选重组。
发明内容
本发明的目的在于提供一种快速分选和重组退役锂电池的方法，其能够提高退役锂电池梯次利用的安全性与经济性。
为实现上述目的，本发明所采用的技术方案为：一种快速分选和重组退役锂电池的方法，该方法的步骤为：
步骤S1.对N个待测退役锂电池测得M个排除内阻影响后的电池电压Ud、容量的数据以及全部待测退役锂电池的内阻，其中，M≤N；
对于N个待测退役锂电池的数据测试方法步骤为：
步骤S1.1，对N个待测退役锂电池进行并联均衡；
步骤S1.2，将均衡后的M个退役锂电池进行串联充电，并联均衡后的初始电压为U0,0+t1为搁置阶段，此过程中退役锂电池初始电压保持不变；t1-t2为恒流充电阶段，充电电流为I，此过程中退役锂电池电压不断上升；t2-t3为搁置阶段，此过程为中退役锂电池电压下降直至稳定，采集各退役锂电池的电压数据，重复步骤S1.2，直至获得N个电池的电压数据；
步骤S1.3，通过Δt时间内电压的变化量ΔU来计算内阻，电池的容量通过建立排除内阻影响后的电压Ud与容量之间的关系进行计算，排除内阻后的电压Ud＝Ut2-(Ut1+Δt-Ut1)，
其中，Ud为t2时刻排除内阻影响后的各退役锂电池的电压；
Ut1为充电开始时刻退役锂电池的电压；
Ut1+Δt为t1+Δt时刻对应的各退役锂电池电压；
Ut2为充电截止时刻各退役锂电池的电压；
电池内阻公式为：
Figure GDA0004083105220000031
步骤S1.4，抽取M个退役锂电池进行标准容量测试，获得M个Ud和容量C的数据；
步骤S2.随机选取部分电池电压Ud和容量的数据作为训练数据，得到训练好的电池容量分选模型，并利用粒子群优化算法(PSO)对其中的参数优化，利用粒子群优化算法-支持向量回归模型(PSO-SVR)对剩余锂电池容量进行预测；
步骤S3.运用带有梯次利用场景系数δ的K均值法(K-means)对N个退役锂电池进行聚类，调节梯次利用场景系数δ大小以适应不同场景重组要求。
本发明提供的一种快速分选和重组退役锂电池的方法，步骤S2中，数据训练及预测的方法包括：
步骤S2.1，输入训练数据xi∈Rn，yi是相应的输出数据，SVR的预测函数为：
Figure GDA0004083105220000032
其中，
Figure GDA0004083105220000033
是将输入训练数据映射到高维内核空间的非线性函数，w和b是通过最小正则化风险函数来估计的系数；
步骤S2.2，将问题等价求解一个凸二次规划问题，其中，αi，
Figure GDA0004083105220000034
为拉格朗日乘子：
Figure GDA0004083105220000035
Figure GDA0004083105220000041
Figure GDA0004083105220000042
得SVR函数模型为：
Figure GDA0004083105220000043
函数K(xi，x)为核函数
Figure GDA0004083105220000044
核函数：
Figure GDA0004083105220000045
其中，参数g为上式中
Figure GDA0004083105220000046
步骤S2.3，利用PSO算法进行参数优化，PSO优化SVR参数C、g。
本发明提供的一种快速分选和重组退役锂电池的方法，步骤S2.3中，参数优化的方法包括：
步骤S2.3.1，对训练样本进行预处理；
步骤S2.3.2，初始化粒子群，设置初始粒子数目为20，参数C和g的搜索范围分别为[0.1,10]和[0.1,100]，惯性权重系数w设置为1，c1和c2分别为1.5和1.7；
步骤S2.3.3，计算每个粒子的适应度值F(i)，对每个粒子，用它的适应度值F(i)和个体极值Pibest(i)比较，如果F(i)>Pibest(i),则用F(i)替换掉Pibest(i)；
步骤S2.3.4，对每个粒子，用它的适应度值F(i)和全局极值Pgbest(i)比较，如果F(i)>Pgbest(i),则用F(i)替换掉Pgbest(i)；
步骤S2.3.5，根据以下公式更新粒子的速度和位置：
Vid＝wVid+c1r1(Pid-Xid)+c2r2(Pgd-Xid)
Xid＝Xid+Vid
步骤S2.3.6，判断是否满足条件，若达到最大迭代次数或所得解不在变化则终止迭代，否则返回到步骤S2.3.2；
步骤S2.3.7，得到参数bestC,bestg。
本发明提供的一种快速分选和重组退役锂电池的方法，步骤S3中，对N个退役锂电池进行聚类的方法包括：
步骤S3.1，数据标准化：设定具有m个样本的样本集a＝{x1，x2，xm}，其中xi是由内阻与容量构成的二维数组i＝(1，2，…，m)，即：
xi＝[xC，i xr，i]
其中，xC,i与xr，i分别为第i个退役锂离子电池的容量和内阻数据，数据标准化的计算公式为：
Figure GDA0004083105220000051
其中，
Figure GDA0004083105220000052
和
Figure GDA0004083105220000053
分别为第i个退役电池参数向量中的最小值和最大值，这样经过标准化后的样本数据集为A＝{X1，X2，..,Xm}；
步骤S3.2，聚类：聚类方法包括如下步骤：
步骤S3.2.1，选择聚类个数，设置聚类的类簇个数k，最大迭代次数N，迭代终止阈值σ；
步骤S3.2.2，初始化k个聚类中心，从数据集A中随机选择k个样本作为初始的k个质心向量：
B＝{μ1，μ2，...，μk}
其中，μk为：
μk＝[μC，k μr，k]
步骤S3.3.3，确定类别：调节梯次利用场景系数δ大小以适应不同场景重组要求，系数越大越偏重能量型场景，系数越小偏重功率型，应用场景根据欧氏距离公式计算每个样本i的所属类别，并定义输出的分类集合为C＝{C1，C2，…，Ck}，对于每一个数据集A中的元素Xi，计算其与质心Bj之间的欧式距离(j＝1，2…，k)：
Figure GDA0004083105220000061
Figure GDA0004083105220000062
式中，δ为梯次利用场景系数，δ的取值范围为0＜δ＜1；
根据欧氏距离结果得到每个样本Xi的所属类别，具体方法为：标记每个样本的类别为和该样本距离最小的质心的类别，得到最新的分类结果；
步骤S3.3.4，更新聚类中心，对于j＝1，2，…，k，根据下列公式计算新的质心：
Figure GDA0004083105220000063
步骤S3.3.5，重复步骤S3.3.1～步骤S3.3.4，直到满足终止条件时终止迭代，终止条件为μj不再改变或满足一定的阈值要求或达到最大迭代次数N；
步骤S3.3.6，输出聚类结果。
本发明提供的一种快速分选和重组退役锂电池的方法，步骤S1中，退役锂电池的预定利用类型为能量型、偏重于能量型的能量-功率型以及偏重于功率型的能量-功率型中任意一种。
与现有技术相比，本发明的优点为：对单个电池的参数进行逐一测试的传统分选方法无法实现批量快速分选，且传统的电芯重组多参考分选的参数进行分级重组。为了提高对锂离子动力电池的分选效率，并适应不同工况下的成组。上述方法将会耗费大量的时间和成本，不适用于对大批量退役锂电池的快速分选。
附图说明
图1是串联恒流充电示意图；
图2是PSO-SVR示意图；
图3是本发明中实施例中的仿真内阻真实值示意图；
图4是本发明的实施例中排除内阻影响后的电压值Ud示意图；
图5是本发明的实施例中PSO-SVR模型预测容量数据与真实容量数据及其误差；
图6是本发明的实施例中利用带有权重的K-means聚类方法对电池单体进行聚类，图6(a)为δ＝0.1的分类结果，(b)为δ＝0.3的分类结果，(c)为δ＝0.5的分类结果，(d)为δ＝0.7的分类结果，(e)为δ＝0.9的分类结果，其中C1-C6分别代表聚类后不同类别退役电池的容量和内阻。
具体实施方式
下面将结合示意图对本发明所采用的技术方案作进一步的说明。
本发明提供了一种快速分选和重组退役锂电池的方法，该方法的步骤如下：
步骤S1(数据测试)：对于N个待测退役锂电池，测得M(M<＝N)个排除内阻影响后的电池电压Ud，容量的数据以及全部锂电池的内阻。
步骤S2(数据训练及预测)：随机选择部分电池Ud和容量的数据作为训练数据，得到训练好的电池容量分选模型，即SVR模型，并利用PSO算法对其中的参数优化。利用PSO-SVR模型对剩余锂电池容量进行预测。
步骤S3(聚类及场景适应)：运用带有梯次利用场景系数δ的K-means算法对N个退役锂电池进行聚类，调节梯次利用场景系数δ大小以适应不同场景重组要求，系数越大越偏重能量型场景，系数越小偏重功率型应用场景。
本发明实施例中，对于N个待测退役锂电池的数据测试方法具体步骤如下：
步骤S1.1，对N个待测退役锂电池进行并联均衡；
步骤S1.2，将均衡后的M个退役锂电池进行串联充电，并联均衡后的初始电压为U0,0+t1为搁置阶段，此过程中退役锂电池初始电压保持不变；t1-t2为恒流充电阶段，充电电流为I，此过程中退役锂电池电压不断上升；t2-t3为搁置阶段，此过程为中退役锂电池电压下降直至稳定，采集各退役锂电池的电压数据，重复上述操作，直至获得N个电池的电压数据；
步骤S1.3，通过Δt时间内电压的变化量ΔU来计算内阻，电池的容量通过建立排除内阻影响后的电压Ud与容量之间的关系进行计算，排除内阻后的电压Ud＝Ut2-(Ut1+Δt-Ut1)，
其中，Ud为t2时刻排除内阻影响后的各退役锂电池的电压；
Ut1为充电开始时刻退役锂电池的电压；
Ut1+Δt为t1+Δt时刻对应的各退役锂电池电压；
Ut2为充电截止时刻各退役锂电池的电压；
电池内阻公式为：
Figure GDA0004083105220000081
步骤S1.4，抽取M个退役锂电池进行标准容量测试，获得M个Ud和容量C的数据。
在图1中，U0为并联均衡后的初始电压，0～t1为搁置阶段，此过程中电池初始电压保持不变；t1～t2为恒流充电阶段，充电电流为I，此过程中电池电压不断上升；t2～t3为搁置阶段，此过程中电池逐渐下降直至稳定。采集各电池的电压数据，重复上述操作，直至获得N个电池的电压数据。各电池的内阻可以通过Δt时间内电压的变化量ΔU"来计算，电池的容量可以通过建立排除内阻影响后的电压Ud与容量之间的关系进行计算。
图2是本发明的实施例中PSO-SVR流程示意图，数据训练及预测的详细方法包括：
步骤S2.1：输入训练数据xi∈Rn，yi是相应的输出数据。
步骤S2.2：将问题等价求解一个凸二次规划问题,其中αi，
Figure GDA0004083105220000091
为拉格朗日乘子，并得SVR函数模型为：
Figure GDA0004083105220000092
Figure GDA0004083105220000093
参数g是指上式中
Figure GDA0004083105220000094
步骤S2.3：利用PSO算法进行参数优化.PSO优化SVR参数C、g的主要步骤如下：
1)对训练样本进行预处理；
2)初始化粒子群，设置初始粒子数目为20，参数C和g的搜索范围分别为[0.1,10]和[0.1,100]，惯性权重系数w设置为1，c1和c2分别为1.5和1.7；
3)计算每个粒子的适应度值F(i)，对每个粒子，用它的适应度值F(i)和个体极值Pibest(i)比较，如果F(i)＞Pibest(i)，则用F(i)替换掉Pibest(i)；
4)对每个粒子，用它的适应度值F(i)和全局极值Pgbest(i)比较，如果F(i)＞Pgbest(i)，则用F(i)替换掉Pgbest(i)；
5)根据以下公式更新粒子的速度和位置：
Vid＝wVid+c1r1(Pid-Xid)+c2r2(Pgd-Xid)
Xid＝Xid+Vid
6)判断是否满足条件，若达到最大迭代次数或所得解不在变化则终止迭代，否则返回到2)；
7)得到参数bestC,bestg。
图3是本发明中实施例仿真内阻真实值示意图，具体由本发明实施例中被步骤S1.3电池内阻公式得到：
Figure GDA0004083105220000101
图4是本发明的实施例中排除内阻影响后的电压值Ud示意图。具体由此发明实施例中的步骤S1.3得到：通过Δt时间内电压的变化量ΔU来计算内阻，电池的容量可以通过建立排除内阻影响后的电压Ud与容量之间的关系进行计算。排除内阻影响后的电压Ud。
Ud＝Ut2-(Ut1+Δt-Ut1)
图5是本发明的实施例中PSO-SVR模型预测容量数据与真实容量数据及其误差，可以看出，经过PSO进行参数优化后SVR模型预测误差不超过0.3％。
图6是本发明的实施例中利用带有权重的K-means聚类方法对电池单体进行聚类，图6(a)为δ＝0.1的分类结果，(b)为δ＝0.3的分类结果，(c)为δ＝0.5的分类结果，(d)为δ＝0.7的分类结果，(e)为δ＝0.9的分类结果，其中C1-C6分别代表聚类后不同类别退役电池的容量和内阻。
具体包括此发明实施例中步骤S3的运行结果。即，运用带有梯次利用场景系数δ的K-means算法对N个退役锂电池进行聚类，调节梯次利用场景系数δ大小以适应不同场景重组要求，系数越大越偏重能量型场景，系数越小偏重功率型应用场景。
聚类及场景适应的具体步骤如下：步骤S3.1，数据标准化：设定具有m个样本的样本集a＝{x1，x2，xm}，其中xi是由内阻与容量构成的二维数组i＝(1,2,…,m)，即：
xi＝[xC，ixr，i]
其中，xC,i与xr,i分别为第i个退役锂离子电池的容量和内阻数据，数据标准化的计算公式为：
Figure GDA0004083105220000111
其中，
Figure GDA0004083105220000112
和
Figure GDA0004083105220000113
分别为第i个退役电池参数向量中的最小值和最大值,这样经过标准化后的样本数据集为A＝{X1,X2,..,Xm}；
步骤S3.2，聚类：聚类方法包括如下步骤：
步骤S3.2.1，选择聚类个数，设置聚类的类簇个数k，最大迭代次数N，迭代终止阈值σ；
步骤S3.2.2，初始化k个聚类中心，从数据集A中随机选择k个样本作为初始的k个质心向量：
B＝{μ1，μ2，...，μk}
其中，μk为：
μk＝[μC，k μr，k]
步骤S3.3.3，确定类别：调节梯次利用场景系数δ大小以适应不同场景重组要求，系数越大越偏重能量型场景，系数越小偏重功率型，应用场景根据欧氏距离公式计算每个样本i的所属类别，并定义输出的分类集合为C＝{C1，C2，…，Ck}，对于每一个数据集A中的元素Xi，计算其与质心Bj之间的欧式距离(j＝1，2…，k)：
Figure GDA0004083105220000121
Figure GDA0004083105220000122
式中，δ为梯次利用场景系数，δ的取值范围为0＜δ＜1；
根据欧氏距离结果得到每个样本Xi的所属类别，具体方法为：标记每个样本的类别为和该样本距离最小的质心的类别，得到最新的分类结果；
步骤S3.3.4，更新聚类中心，对于j＝1，2，…，k，根据下列公式计算新的质心：
Figure GDA0004083105220000123
步骤S3.3.5，重复步骤S3.3.1～步骤S3.3.4，直到满足终止条件时终止迭代，终止条件为μj不再改变或满足一定的阈值要求或达到最大迭代次数N；
步骤S3.3.6，输出聚类结果。
观察图6(a)～(e)可以发现，如图6(a)所示，当δ＝0.1时，图中同一类的退役锂电池为横向排列，此时同一类电池的内阻值一致性高，容量一致性较差，因此分类后的电池功率密度一致性高，因此分类后的电池适用于对功率要求高的功率型场景的应用；如图6(b)所示，当δ＝0.3时，侧重于将内阻一致性相对较高的电池分为一类，适用于对功率要求相对较高的功率型场景中的应用；如图6(c)所示，当δ＝0.5时，此时分类标准转向容量和内阻均相同的电池，将容量和内阻一致性相对较高的电池分为一类，因此分类后的电池适用于对容量要求较高的功率-能量型场景；如图6(d)所示，当δ＝0.7时，此时分类标准转向容量相同的电池，将容量一致性相对较高的电池分为一类，因此分类后的电池适用于对容量要求较高的能量型场景；如图6(e)所示，当δ＝0.9时，图中同一类的退役电池竖向排列，此时分类标准同样为容量的一致性高，此时更加侧重于将容量一致性较高的电池分为一类，因此分类后的电池适用于对容量要求更加严苛的能量型场景。
综上，本发明提出了一种动力电池的快速分选方法和重组方法。首先对锂离子电池进行并联均衡，将均衡完后的锂离子电池进行串联恒流充电，并将恒流充电末期电压去除内阻干扰，结合和容量作为基于PSO算法优化的SVR模型的输入进行模型训练，建立快速容量分选模型，进而进行大规模电池容量估计。在获得电池容量和内阻参数的基础上，提出了一种带有权值δ的K-means聚类算法对锂离子电池进行聚类重组，对不同权值δ的K-means聚类重组后的电池组电压一致性进行评价，从而实现能量型或者功率型等不同应用场景下分选重组。
此外，在本实施例中，因为预定利用类型为能量型、功率型、偏重于能量型的能量-功率型以及偏重于功率型的能量-功率型中任意一种，因此，本实施例可以适用于不同场景中以满足不同的实际需求。
上述仅为本发明的优选实施例而已，并不对本发明起到任何限制作用。任何所属技术领域的技术人员，在不脱离本发明的技术方案的范围内，对本发明揭露的技术方案和技术内容做任何形式的等同替换或修改等变动，均属未脱离本发明的技术方案的内容，仍属于本发明的保护范围之内。

Claims (5)

1.一种快速分选和重组退役锂电池的方法，其特征在于，该方法的步骤为：
步骤S1.对N个待测退役锂电池测得M个排除内阻影响后的电池电压Ud、容量的数据以及全部待测退役锂电池的内阻，其中，M≤N；
对于N个待测退役锂电池的数据测试方法步骤为：
步骤S1.1，对N个待测退役锂电池进行并联均衡；
步骤S1.2，将均衡后的M个退役锂电池进行串联充电，并联均衡后的初始电压为U0,0+t1为搁置阶段，此过程中退役锂电池初始电压保持不变；t1-t2为恒流充电阶段，充电电流为I，此过程中退役锂电池电压不断上升；t2-t3为搁置阶段，此过程为中退役锂电池电压下降直至稳定，采集各退役锂电池的电压数据，重复步骤S1.2，直至获得N个电池的电压数据；
步骤S1.3，通过Δt时间内电压的变化量ΔU来计算内阻，电池的容量通过建立排除内阻影响后的电压Ud与容量之间的关系进行计算，排除内阻后的电压Ud＝Ut2-(Ut1+Δt-Ut1)，
其中，Ud为t2时刻排除内阻影响后的各退役锂电池的电压；
Ut1为充电开始时刻退役锂电池的电压；
Ut1+Δt为t1+Δt时刻对应的各退役锂电池电压；
Ut2为充电截止时刻各退役锂电池的电压；
电池内阻公式为：
Figure FDA0004083105210000011
步骤S1.4，抽取M个退役锂电池进行标准容量测试，获得M个Ud和容量C的数据；
步骤S2.随机选取部分电池电压Ud和容量的数据作为训练数据，得到训练好的电池容量分选模型，并利用粒子群优化算法对其中的参数优化，利用粒子群优化算法-支持向量回归模型对剩余锂电池容量进行预测；
步骤S3.运用带有梯次利用场景系数δ的K均值法对N个退役锂电池进行聚类，调节梯次利用场景系数δ大小以适应不同场景重组要求。
2.根据权利要求1所述的一种快速分选和重组退役锂电池的方法，其特征在于，步骤S2中，数据训练及预测的方法包括：
步骤S2.1，输入训练数据xi∈Rn，yi是相应的输出数据，SVR的预测函数为：
Figure FDA0004083105210000021
其中，
Figure FDA0004083105210000022
是将输入训练数据映射到高维内核空间的非线性函数，w和b是通过最小正则化风险函数来估计的系数；
步骤S2.2，将问题等价求解一个凸二次规划问题，其中，
Figure FDA0004083105210000023
为拉格朗日乘子：
Figure FDA0004083105210000024
Figure FDA0004083105210000025
0≤αi，
Figure FDA0004083105210000026
得SVR函数模型为：
Figure FDA0004083105210000027
函数K(xi，x)为核函数
Figure FDA0004083105210000028
核函数：
Figure FDA0004083105210000031
其中，参数g为上式中
Figure FDA0004083105210000032
步骤S2.3，利用PSO算法进行参数优化，PSO优化SVR参数C、g。
3.根据权利要求2所述的一种快速分选和重组退役锂电池的方法，其特征在于，步骤S2.3中，参数优化的方法包括：
步骤S2.3.1，对训练样本进行预处理；
步骤S2.3.2，初始化粒子群，设置初始粒子数目为20，参数C和g的搜索范围分别为[0.1,10]和[0.1,100]，惯性权重系数w设置为1，c1和c2分别为1.5和1.7；
步骤S2.3.3，计算每个粒子的适应度值F(i)，对每个粒子，用它的适应度值F(i)和个体极值Pibest(i)比较，如果F(i)>Pibest(i),则用F(i)替换掉Pibest(i)；
步骤S2.3.4，对每个粒子，用它的适应度值F(i)和全局极值Pgbest(i)比较，如果F(i)>Pgbest(i),则用F(i)替换掉Pgbest(i)；
步骤S2.3.5，根据以下公式更新粒子的速度和位置：
Vid＝wVid+c1r1(Pid-Xid)+c2r2(Pgd-Xid)
Xid＝Xid+Vid
步骤S2.3.6，判断是否满足条件，若达到最大迭代次数或所得解不在变化则终止迭代，否则返回到步骤S2.3.2；
步骤S2.3.7，得到参数bestC,bestg。
4.根据权利要求1所述的一种快速分选和重组退役锂电池的方法，其特征在于，步骤S3中，对N个退役锂电池进行聚类的方法包括：
步骤S3.1，数据标准化：设定具有m个样本的样本集a＝{x1，x2，xm}，其中xi是由内阻与容量构成的二维数组i＝(1,2,…,m)，即：
xi＝[xC，i xr，i]
其中，xC,i与xr,i分别为第i个退役锂离子电池的容量和内阻数据，数据标准化的计算公式为：
Figure FDA0004083105210000041
其中，
Figure FDA0004083105210000042
和
Figure FDA0004083105210000043
分别为第i个退役电池参数向量中的最小值和最大值,这样经过标准化后的样本数据集为A＝{X1,X2,..,Xm}；
步骤S3.2，聚类：聚类方法包括如下步骤：
步骤S3.2.1，选择聚类个数，设置聚类的类簇个数k，最大迭代次数N，迭代终止阈值σ；
步骤S3.2.2，初始化k个聚类中心，从数据集A中随机选择k个样本作为初始的k个质心向量：
B＝{μ1，μ2，...，μk}
其中，μk为：
μk＝[μC，k μr，k]
步骤S3.3.3，确定类别：调节梯次利用场景系数δ大小以适应不同场景重组要求，系数越大越偏重能量型场景，系数越小偏重功率型，应用场景根据欧氏距离公式计算每个样本i的所属类别，并定义输出的分类集合为C＝{C1,C2,…,Ck}，对于每一个数据集A中的元素Xi，计算其与质心Bj之间的欧式距离(j＝1,2…,k)：
Figure FDA0004083105210000051
Figure FDA0004083105210000052
式中，δ为梯次利用场景系数，δ的取值范围为0<δ<1；
根据欧氏距离结果得到每个样本Xi的所属类别，具体方法为：标记每个样本的类别为和该样本距离最小的质心的类别，得到最新的分类结果；
步骤S3.3.4，更新聚类中心，对于j＝1,2,…,k，根据下列公式计算新的质心：
Figure FDA0004083105210000053
步骤S3.3.5，重复步骤S3.3.1～步骤S3.3.4，直到满足终止条件时终止迭代,终止条件为μj不再改变或满足一定的阈值要求或达到最大迭代次数N；
步骤S3.3.6，输出聚类结果。
5.根据权利要求1所述的一种快速分选和重组退役锂电池的方法，其特征在于，步骤S1中，退役锂电池的预定利用类型为能量型、偏重于能量型的能量-功率型以及偏重于功率型的能量-功率型中任意一种。
CN201911045694.XA 2019-10-30 2019-10-30 一种快速分选和重组退役锂电池的方法 Active CN110752410B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911045694.XA CN110752410B (zh) 2019-10-30 2019-10-30 一种快速分选和重组退役锂电池的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911045694.XA CN110752410B (zh) 2019-10-30 2019-10-30 一种快速分选和重组退役锂电池的方法

Publications (2)

Publication Number Publication Date
CN110752410A CN110752410A (zh) 2020-02-04
CN110752410B true CN110752410B (zh) 2023-05-12

Family

ID=69281208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911045694.XA Active CN110752410B (zh) 2019-10-30 2019-10-30 一种快速分选和重组退役锂电池的方法

Country Status (1)

Country Link
CN (1) CN110752410B (zh)

Families Citing this family (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109975709A (zh) * 2019-03-14 2019-07-05 浙江万马新能源有限公司 动力锂离子电池模组快速充电失效性评价方法
CN111495800B (zh) * 2020-04-20 2021-10-01 江苏省新能源开发股份有限公司 一种动力电池组梯次再利用的筛选分组方法
CN111537889B (zh) * 2020-05-09 2022-11-11 国网福建省电力有限公司莆田供电公司 一种数据驱动的梯次电池rul预测与分类方法
CN111564882B (zh) * 2020-05-27 2023-06-16 国网江西省电力有限公司电力科学研究院 一种梯次利用动力电池均衡方法
CN111814826B (zh) * 2020-06-08 2022-06-03 武汉理工大学 退役动力电池余能快速检测评级方法
CN111816936B (zh) * 2020-06-28 2021-11-26 珠海中力新能源科技有限公司 电池梯次利用配组方法、系统、终端设备及存储介质
CN111915600B (zh) * 2020-08-12 2023-09-26 南京工程学院 一种退役动力锂电池热特征一致性筛选方法
CN111967194B (zh) * 2020-08-26 2023-06-20 上海理工大学 一种基于云端历史数据的电池分类方法
CN112092675B (zh) * 2020-08-31 2022-03-25 长城汽车股份有限公司 一种电池热失控预警方法、系统及服务器
CN112039171B (zh) * 2020-09-29 2022-07-15 珠海格力电器股份有限公司 电池组均衡方法、装置、设备和存储介质
CN112651431B (zh) * 2020-12-16 2023-07-07 北方工业大学 一种退役动力电池的聚类分选方法
CN113296009B (zh) * 2021-04-23 2023-03-14 重庆大学 一种退役动力锂离子电池剩余寿命预测及重组方法
CN113281657A (zh) * 2021-05-21 2021-08-20 张家港清研检测技术有限公司 一种智能评估退役电池余能分类和梯次利用方法
CN113289931A (zh) * 2021-06-03 2021-08-24 河北工业大学 一种锂离子电池梯次利用分选方法
CN113406504A (zh) * 2021-06-17 2021-09-17 上海空间电源研究所 一种高功率锂离子蓄电池一致性筛选方法
CN113447840B (zh) * 2021-06-22 2022-12-06 北京海博思创科技股份有限公司 锂离子电池分选方法和装置
CN113484787B (zh) * 2021-07-27 2022-07-29 上海理工大学 基于电化学阻抗谱的退役锂离子电池快速分选重组方法
CN114130713B (zh) * 2021-10-29 2023-07-07 广东邦普循环科技有限公司 一种电池梯次利用的筛选方法及装置
CN114200320A (zh) * 2021-12-09 2022-03-18 西安理工大学 一种基于soc一致性匹配的退役动力电池重组方法
CN114210604B (zh) * 2021-12-10 2023-12-22 格林美股份有限公司 一种多特征梯次利用动力电池分选方法、装置及存储介质
CN114264967B (zh) * 2021-12-14 2024-05-24 哈尔滨工业大学 基于容量损失机理的退役电池余能快速估计方法及系统
CN114487835B (zh) * 2022-01-17 2023-01-03 国网甘肃省电力公司经济技术研究院 一种粒子群优化birch算法的退役动力电池等级划分方法
CN114618799A (zh) * 2022-03-18 2022-06-14 合肥学院 提高锂离子电池一致性的方法
CN114720878B (zh) * 2022-03-24 2022-10-11 长安大学 一种退役电池的状态检测方法
CN114833097B (zh) * 2022-05-05 2024-01-19 合肥工业大学 一种退役动力电池梯次利用的分选方法及装置
CN116738932B (zh) * 2023-08-16 2024-01-05 杭州程单能源科技有限公司 锂电池梯次利用的电芯压差优化方法及装置
CN117250522B (zh) * 2023-11-17 2024-02-23 深圳蓝锂科技有限公司 应用于退役电池管理下的数据建模方法及系统
CN117577977B (zh) * 2024-01-17 2024-04-19 深圳市杰成镍钴新能源科技有限公司 退役电池包整包再利用控制方法

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007240521A (ja) * 2006-02-09 2007-09-20 Denso Corp 二次電池の状態量演算方式
CN103785629A (zh) * 2014-01-13 2014-05-14 国家电网公司 一种梯次利用锂电池筛选成组方法
KR20160059204A (ko) * 2014-11-18 2016-05-26 현대모비스 주식회사 차량용 배터리 센서 및 상기 센서 내에 구비된 션트 저항의 오차를 보정하는 방법
CN107755295A (zh) * 2017-10-19 2018-03-06 杭州电子科技大学 一种基于充放电曲线的铅酸蓄电池分类方法
CN108470932A (zh) * 2018-03-21 2018-08-31 上海理工大学 一种电池内阻及容量的快速筛选方法
CN109738825A (zh) * 2018-12-27 2019-05-10 上海毅信环保科技有限公司 基于历史数据的退役电池可用容量与内阻检测方法及装置
CN109816119A (zh) * 2019-02-02 2019-05-28 南京邮电大学 一种基于无监督学习的无线传感器异常数据检测方法
CN110247451A (zh) * 2019-06-17 2019-09-17 重庆大学 一种锂离子动力电池组全寿命周期均衡控制方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106338695A (zh) * 2016-10-09 2017-01-18 深圳市沃特玛电池有限公司 一种基于粒子群算法的电池模型参数辨识方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007240521A (ja) * 2006-02-09 2007-09-20 Denso Corp 二次電池の状態量演算方式
CN103785629A (zh) * 2014-01-13 2014-05-14 国家电网公司 一种梯次利用锂电池筛选成组方法
KR20160059204A (ko) * 2014-11-18 2016-05-26 현대모비스 주식회사 차량용 배터리 센서 및 상기 센서 내에 구비된 션트 저항의 오차를 보정하는 방법
CN107755295A (zh) * 2017-10-19 2018-03-06 杭州电子科技大学 一种基于充放电曲线的铅酸蓄电池分类方法
CN108470932A (zh) * 2018-03-21 2018-08-31 上海理工大学 一种电池内阻及容量的快速筛选方法
CN109738825A (zh) * 2018-12-27 2019-05-10 上海毅信环保科技有限公司 基于历史数据的退役电池可用容量与内阻检测方法及装置
CN109816119A (zh) * 2019-02-02 2019-05-28 南京邮电大学 一种基于无监督学习的无线传感器异常数据检测方法
CN110247451A (zh) * 2019-06-17 2019-09-17 重庆大学 一种锂离子动力电池组全寿命周期均衡控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于神经网络建模和K-均值算法的电池健康状态评估;苏晓波等;《价值工程》;20160118(第02期);全文 *

Also Published As

Publication number Publication date
CN110752410A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN110752410B (zh) 一种快速分选和重组退役锂电池的方法
CN110224192B (zh) 一种梯次利用动力电池寿命预测方法
CN113484787B (zh) 基于电化学阻抗谱的退役锂离子电池快速分选重组方法
CN108896914B (zh) 一种锂电池健康状况的梯度提升树建模与预测方法
CN107741568B (zh) 一种基于状态转移优化rbf神经网络的锂电池soc估算方法
CN111366848A (zh) 一种基于pso-elm算法的电池健康状态预测方法
CN108655028A (zh) 一种基于模糊均值聚类算法对电池进行分类的方法及系统
CN113189490B (zh) 基于特征筛选和高斯过程回归的锂电池健康状态估计方法
CN111458646A (zh) 一种基于pso-rbf神经网络的锂电池soc估算方法
CN112287980B (zh) 基于典型特征向量的动力电池筛选方法
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN110490263A (zh) 基于充放电曲线与模糊聚类的电池分选方法
CN111420898B (zh) 一种退役电池分选方法及其应用的系统
CN109783902B (zh) 一种面向均衡控制的电池动态分组方法
CN111974709A (zh) 基于温度变化聚类分析的退役动力锂电池筛选方法及系统
CN109127472A (zh) 一种基于放电电压平台的fcm银锌电池分选方法
CN116449218B (zh) 一种锂电池健康状态的估计方法
CN112305441B (zh) 一种集成式聚类下的动力电池健康状态评估方法
CN111930839A (zh) 退役动力电池储能装置的配组方法
CN113311337A (zh) 基于相关向量回归的锂离子电池剩余寿命检测方法
CN114487835B (zh) 一种粒子群优化birch算法的退役动力电池等级划分方法
Zhu et al. A novel fast estimation and regroup method of retired lithium‐ion battery cells
CN116060325A (zh) 一种动力电池一致性快速分选方法
CN115889245A (zh) 一种锂电池一致性分选方法
CN113721149A (zh) 一种基于半监督迁移学习的锂电池容量预测方法

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