CN111915600A - 一种退役动力锂电池热特征一致性筛选方法 - Google Patents

Abstract

本发明公开了一种退役动力锂电池热特征一致性筛选方法，包括：步骤1：获取记录退役锂电池温度变化过程的红外视频序列；步骤2：从步骤1获取的红外视频序列中提取关键帧图像；步骤3：使用K‑Means聚类方法对步骤2提取的所有关键帧图像中的锂电池表面热点进行聚类；步骤4：根据步骤3聚类结果，计算锂电池表面热点归一化统计直方图向量；步骤5：使用均值漂移对步骤4计算得到的锂电池表面热点归一化统计直方图向量进行聚类，实现对所有退役动力锂电池热特征的筛选。本发明直接处理记录退役锂电池温度变化过程的红外视频序列，充分利用视频序列中包含的全部热特征信息，通过二次聚类算法，实现对退役动力锂电池热特征一致性的筛选。

Description

一种退役动力锂电池热特征一致性筛选方法

技术领域

本发明属于退役动力锂电池梯次利用技术领域，具体涉及一种退役动力锂电池热特征一致性筛选方法。

背景技术

对新能源汽车上退役动力锂电池的筛选是对退役动力锂电池进行梯次利用所需要的关键技术，快速精准的获得一致性较好的电池单体对便捷高效的电池再利用具有重要意义，也有助于实现电池全寿命周期的管理，形成绿色的锂电池应用模式。

目前，对于退役动力锂电池的快速筛选多集中于对电气特性的分析，如：电压、容量、内阻等。而仅针对电池的电气特性进行一致性考察，无法保证电池成组后热特征的统一。如今红外成像技术已经相对成熟，利用该技术能够捕获电池表面的温度变化。但目前筛选技术对于所捕获信息的应用仍然有一定的局限性，多数研究仍仅从红外成像所获视频序列提取温度数值，并未深入挖掘红外图像中所包含的全部信息。

发明内容

本发明所要解决的技术问题是针对上述现有技术的不足，提供一种退役动力锂电池热特征一致性筛选方法，选取记录退役电池温度变化过程的红外视频序列作为输入信息，经过两个阶段红外视频序列的聚类分析，完成了退役动力锂电池的热特征筛选，能够有效提高梯次利用重组后电池组中单体热特征的一致性，降低电池组热管理的难度与成本。

为实现上述技术目的，本发明采取的技术方案为：

一种退役动力锂电池热特征一致性筛选方法，其特征在于，包括：

步骤1：获取记录退役锂电池温度变化过程的红外视频序列；

步骤2：从步骤1获取的红外视频序列中提取关键帧图像；

步骤3：使用K-Means聚类方法对步骤2提取的所有关键帧图像中的锂电池表面热点进行聚类；

步骤4：根据步骤3聚类结果，计算锂电池表面热点归一化统计直方图向量；

步骤5：使用均值漂移对步骤4计算得到的锂电池表面热点归一化统计直方图向量进行聚类，实现对所有退役动力锂电池热特征的筛选。

为优化上述技术方案，采取的具体措施还包括：

上述的步骤1所述记录退役锂电池温度变化过程的红外视频序列的获取方法为：

给退役动力锂电池注入幅值为I_D＝1C，频率为f_D＝30Hz的双极性脉冲电流，直至锂电池表面最高温度由T₁＝25℃升高至T₂＝30℃，使用红外摄像机记录此过程中锂电池表面温度的动态变化过程。

上述的步骤2具体为：

提取红外视频序列中温度每增加ΔT_step＝0.5℃，所对应的单帧图像作为关键帧图像，则对每个红外视频序列共计获得N_num＝ΔT_c/ΔT_step幅关键帧图像，其中，ΔT_c＝T₂-T₁。

上述的步骤3具体为：

步骤3.1：通过阈值法对所有已经获得的关键帧图像进行图像分割，实现所有关键帧图像中的锂电池表面热点的提取；

步骤3.2：计算得到所有红外视频序列关键帧图像的锂电池表面热点直方图向量；

步骤3.3：使用K-Means聚类方法，对锂电池表面热点直方图向量进行聚类，将其分为K_c类。

上述的步骤3.1中，锂电池表面热点提取公式为：

式中，T_h为分割目标与背景所设定的阈值，g(x,y)为原图像中像素的灰度值，h(x,y)经阈值法处理后的二值化图像，即锂电池表面热点。

上述的步骤3.2具体为：

统计锂电池表面热点h(x,y)中灰度值为g_i的像素个数N_i；

若分割出的电池表面热点h(x,y)为M_h×N_h维，则：

锂电池表面热点直方图为：

p_i＝N_i/(M_h×N_h) (2)

式中，p_i是灰度值为g_i的像素出现的概率，且∑p_i＝1；

锂电池表面热点直方图向量z_k为：

z_k＝[p₁,p₂,...,p_L]；

L为电池红外表面热点图像的最大灰度级。

上述的步骤3.3包括以下步骤：

步骤3.3.1：定义K-means的分类个数为K_c，随机初始化质心c_i(i＝1,2,…,K_c)，分别计算各向量z_k与质心c_i的距离D_ki，将z_k划分到与其最近的质心对应的分类当中；

令c_i＝[p_i1,p_i2,...,p_iL]，则D_ki的计算公式为：

步骤3.3.2：根据分类到每一类C_i中的直方图特征向量z_k，重新计算各类的质心c_i，具体为：

其中，K_i为每个类中特征向量的数目；

步骤3.3.3：重复步骤3.3.1-步骤3.3.2，直至质心变化小于某个特定的值ε_z时，分类结束，将表面热点的直方图向量z_k分类为{C₁，C₂，…，C_Kc}。

上述的步骤4具体为：将每块锂电池红外视频序列中的所有单帧图像，分配到已经获得的K_c个类中，分别统计每个红外视频序列中各帧图像被分配至不同类的次数，得到视频序列的归一化统计直方图向量w_m，即：

假定步骤1获得M个不同的红外视频序列，根据步骤3的聚类结果{C₁，C₂，…，C_Kc}，从所有红外视频序列的单帧图像中提取表面热点的向量直方图，将其分类到K_c个分类{C₁，C₂，…，C_Kc}中；

对于同一视频序列，统计各帧图像落到K_c个分类中的频次M_i，假定视频序列拥有共计M_f幅单帧图像，那么，获得如下归一化直方图的统计结果：

其中，P_ci可认为是特定红外视频序列中单帧图像落到C_i类的概率；

从而获得视频序列的归一化统计直方图向量：

上述的步骤5具体为：使用均值漂移对归一化统计直方图向量w_m进行聚类，实现退役动力锂电池热特征一致性筛选，包括以下步骤：

步骤5.1：从未分类的w_m中随机选取起始分类中心点w_s；

步骤5.2：将以分类中心w_s距离小于r_s的所有向量w_m划分到X_i类中，统计所有出现在X_i中的数据点，将其出现次数加1；

步骤5.3：更新分类中心点w_s，假定分到特定类中向量的数目为N_Xi，则：

步骤5.4：重复步骤5.2-步骤5.3，直至分类中心点w_s的移动距离L_s小于δ_s；

步骤5.5：若新产生的分类X_i与已有分类X_j中心点的距离小于δ_X，则合并X_i到分类X_j中；否则，将X_i视为新的分类；

步骤5.6：重复步骤5.1-步骤5.5，直至所有的归一化统计直方图向量均被分类；若同一归一化统计直方图向量被划分到不同类中，则统计该向量在各类中出现的频次，选取出现次数最多的类作为最终分类结果。

上述的步骤5.2中，向量w_m与分类中心点w_s＝[p_s1,p_s2,...,p_sMi]的距离D_ms(w_m,w_s)采用(6)式计算，具体如下：

步骤5.4中，L_s计算公式为：

L_s＝D_ss'(w_s,w_s') (8)

式中，w_s'为前一次更新的分类中心点。

本发明具有以下有益效果：

本发明能够直接处理利用红外成像技术记录退役动力锂电池短时温度变化过程所获得的红外视频序列，通过对视频序列中的关键帧进行一次聚类，并对由第一次聚类结果计算得到的视频中所有图像的统计直方图，进行二次聚类，实现对退役动力锂电池热特征的一致性筛选。本发明所提方法能够全方位利用电池升温过程中视频序列的所有信息，经过分析红外成像视频，自动完成对退役动力锂电池的筛选，对于退役电池的梯次利用以及后续热管理均具有重要意义。

附图说明

图1是本发明的流程示意图；

图2是红外视频序列中的关键帧图像提取示意图。

具体实施方式

以下结合附图对本发明的实施例作进一步详细描述。

参见图1，本发明的一种退役动力锂电池热特征一致性筛选方法，首先从红外视频中提取电池表面温度变化超过特定阈值ΔT_step单帧图像作为关键帧，获取所有视频序列中N_num个关键帧图像；对所有已获得的关键帧，进行图像分割，计算直方图后，使用K-均值聚类方法，进行第一次聚类分析，获得K_c个不同的分类；在此基础上，将每块电池的红外视频序列中所有单帧图像，分配到所获得的K_c个类中，分别统计每个红外视频序列各帧图像被分配至各类的次数；以该统计直方图为依据，使用均值漂移进行二次聚类，实现对所有退役动力锂电池热特征一致性的筛选。

具体包括：

步骤1：获取记录退役锂电池温度变化过程的红外视频序列；

步骤2：从步骤1获取的红外视频序列中提取关键帧图像；

步骤3：使用K-Means聚类方法对步骤2提取的所有关键帧图像中的锂电池表面热点进行聚类；

步骤4：根据步骤3聚类结果，计算锂电池表面热点归一化统计直方图向量；

步骤5：使用均值漂移对步骤4计算得到的锂电池表面热点归一化统计直方图向量进行聚类，实现对所有退役动力锂电池热特征的筛选。

实施例中，步骤1所述记录退役锂电池温度变化过程的红外视频序列的获取方法为：

为有效捕获退役动力锂电池的热特征，将使用双极性电流脉冲注入实现锂电池的快速加热。给退役动力锂电池注入幅值为I_D＝1C，频率为f_D＝30Hz的双极性脉冲电流，直至锂电池表面最高温度由T₁＝25℃升高至T₂＝30℃，使用红外摄像机记录此过程中锂电池表面温度的动态变化过程。

实施例中，所述步骤2具体为：

提取红外视频序列中温度每增加ΔT_step＝0.5℃，所对应的单帧图像作为关键帧图像，则对每个红外视频序列共计获得N_num＝ΔT_c/ΔT_step幅关键帧图像，其中，ΔT_c＝T₂-T₁。提取关键帧的过程如图2所示。

实施例中，所述步骤3具体为：

步骤3.1：通过阈值法对所有已经获得的关键帧图像进行图像分割，实现所有关键帧图像中的锂电池表面热点的提取；

步骤3.2：计算得到所有红外视频序列关键帧图像的锂电池表面热点直方图向量；

步骤3.3：使用K-Means聚类方法，对锂电池表面热点直方图向量进行聚类，将其分为K_c类。

实施例中，所述步骤3.1中，锂电池表面热点提取公式为：

式中，T_h为分割目标与背景所设定的阈值，g(x,y)为原图像中像素的灰度值，h(x,y)经阈值法处理后的二值化图像，即分割出的锂电池表面热点。根据h(x,y)，即可提取出所有关键帧图像中的锂电池表面热点。

实施例中，所述步骤3.2具体为：

统计锂电池表面热点h(x,y)中灰度值为g_i的像素个数N_i；

若分割出的电池表面热点h(x,y)为M_h×N_h维，则：

锂电池表面热点直方图为：

p_i＝N_i/(M_h×N_h) (2)

式中，p_i是灰度值为g_i的像素出现的概率，且∑p_i＝1；

锂电池表面热点直方图向量z_k为：

z_k＝[p₁,p₂,...,p_L]；

L为电池红外表面热点图像的最大灰度级。

实施例中，所述步骤3.3包括以下步骤：

步骤3.3.1：定义K-means的分类个数为K_c，则表面热点的直方图向量z_k可被划分到K_c个分类{C₁，C₂，…，C_Kc}中，随机初始化质心c_i(i＝1,2,…,K_c)，分别计算各向量z_k与质心c_i的距离D_ki，将z_k划分到与其最近的质心对应的分类当中；

本发明采用欧式距离衡量计算D_ki，令c_i＝[p_i1,p_i2,...,p_iL]，则D_ki的计算公式为：

步骤3.3.2：根据分类到每一类C_i中的直方图特征向量z_k，重新计算各类的质心c_i，具体为：

其中，K_i为每个类中特征向量的数目；

步骤3.3.3：重复步骤3.3.1-步骤3.3.2，直至质心变化小于某个特定的值ε_z时，分类结束，即可将表面热点的直方图向量z_k分类为{C₁，C₂，…，C_Kc}。

实施例中，所述步骤4具体为：将每块锂电池红外视频序列中的所有单帧图像，分配到已经获得的K_c个类中，分别统计每个红外视频序列中各帧图像被分配至不同类的次数，得到视频序列的归一化统计直方图向量w_m，即：

假定步骤1获得M个不同的红外视频序列，根据步骤3的聚类结果{C₁，C₂，…，C_Kc}，从所有红外视频序列的单帧图像中提取表面热点的向量直方图，将其分类到K_c个分类{C₁，C₂，…，C_Kc}中；

对于同一视频序列，统计各帧图像落到K_c个分类中的频次M_i，假定视频序列拥有共计M_f幅单帧图像，那么，获得如下归一化直方图的统计结果：

其中，P_ci可认为是特定红外视频序列中单帧图像落到C_i类的概率；

从而获得视频序列的归一化统计直方图向量：

实施例中，所述步骤5具体为：使用均值漂移对归一化统计直方图向量w_m进行聚类，实现退役动力锂电池热特征一致性筛选，包括以下步骤：

此处使用均值漂移进行聚类的原因在于，均值漂移算法无需预先确定所需分类的数目。

步骤5.1：从未分类的w_m中随机选取起始分类中心点w_s；

步骤5.2：将以分类中心w_s距离小于r_s的所有向量w_m划分到X_i类中，统计所有出现在X_i中的数据点，将其出现次数加1；

步骤5.3：更新分类中心点w_s，假定分到特定类中向量的数目为N_Xi，则：

步骤5.4：重复步骤5.2-步骤5.3，直至分类中心点w_s的移动距离L_s小于δ_s；

步骤5.5：若新产生的分类X_i与已有分类X_j中心点的距离小于δ_X，则合并X_i到分类X_j中；否则，将X_i视为新的分类；

步骤5.6：重复步骤5.1-步骤5.5，直至所有的归一化统计直方图向量均被分类；若同一归一化统计直方图向量被划分到不同类中，则统计该向量在各类中出现的频次，选取出现次数最多的类作为最终分类结果，即筛选出所需热特征一致性较好的退役锂电池单体。

实施例中，所述步骤5.2中，向量w_m与分类中心点w_s＝[p_s1,p_s2,...,p_sMi]的距离D_ms(w_m,w_s)采用(6)式计算，具体如下：

步骤5.4中，L_s计算公式为：

L_s＝D_ss'(w_s,w_s') (8)

式中，w_s'为前一次更新的分类中心点。

本发明能够直接处理记录电池温度变化过程的红外视频序列，自动地获取视频序列中包含的退役动力锂电池全部热特征信息，通过二次不同层面的聚类分析，实现对退役锂电池热特性一致性的筛选。

以上仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，应视为本发明的保护范围。

Claims (10)

1.一种退役动力锂电池热特征一致性筛选方法，其特征在于，包括：

步骤1：获取记录退役锂电池温度变化过程的红外视频序列；

步骤2：从步骤1获取的红外视频序列中提取关键帧图像；

步骤3：使用K-Means聚类方法对步骤2提取的所有关键帧图像中的锂电池表面热点进行聚类；

步骤4：根据步骤3聚类结果，计算锂电池表面热点归一化统计直方图向量；

步骤5：使用均值漂移对步骤4计算得到的锂电池表面热点归一化统计直方图向量进行聚类，实现对所有退役动力锂电池热特征的筛选。

2.根据权利要求1所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，步骤1所述记录退役锂电池温度变化过程的红外视频序列的获取方法为：

给退役动力锂电池注入幅值为I_D＝1C，频率为f_D＝30Hz的双极性脉冲电流，直至锂电池表面最高温度由T₁＝25℃升高至T₂＝30℃，使用红外摄像机记录此过程中锂电池表面温度的动态变化过程。

3.根据权利要求1所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，所述步骤2具体为：

提取红外视频序列中温度每增加ΔT_step＝0.5℃，所对应的单帧图像作为关键帧图像，则对每个红外视频序列共计获得N_num＝ΔT_c/ΔT_step幅关键帧图像，其中，ΔT_c＝T₂-T₁。

4.根据权利要求1所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，所述步骤3具体为：

步骤3.1：通过阈值法对所有已经获得的关键帧图像进行图像分割，实现所有关键帧图像中的锂电池表面热点的提取；

步骤3.2：计算得到所有红外视频序列关键帧图像的锂电池表面热点直方图向量；

步骤3.3：使用K-Means聚类方法，对锂电池表面热点直方图向量进行聚类，将其分为K_c类。

5.根据权利要求4所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，所述步骤3.1中，锂电池表面热点提取公式为：

式中，T_h为分割目标与背景所设定的阈值，g(x,y)为原图像中像素的灰度值，h(x,y)经阈值法处理后的二值化图像，即锂电池表面热点。

6.根据权利要求5所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，所述步骤3.2具体为：

统计锂电池表面热点h(x,y)中灰度值为g_i的像素个数N_i；

若分割出的电池表面热点h(x,y)为M_h×N_h维，则：

锂电池表面热点直方图为：

p_i＝N_i/(M_h×N_h) (2)

式中，p_i是灰度值为g_i的像素出现的概率，且∑p_i＝1；

锂电池表面热点直方图向量z_k为：

z_k＝[p₁,p₂,...,p_L]；

L为电池红外表面热点图像的最大灰度级。

7.根据权利要求6所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，所述步骤3.3包括以下步骤：

步骤3.3.1：定义K-means的分类个数为K_c，随机初始化质心c_i(i＝1,2,…,K_c)，分别计算各向量z_k与质心c_i的距离D_ki，将z_k划分到与其最近的质心对应的分类当中；

令c_i＝[p_i1,p_i2,...,p_iL]，则D_ki的计算公式为：

步骤3.3.2：根据分类到每一类C_i中的直方图特征向量z_k，重新计算各类的质心c_i，具体为：

其中，K_i为每个类中特征向量的数目；

步骤3.3.3：重复步骤3.3.1-步骤3.3.2，直至质心变化小于某个特定的值ε_z时，分类结束，将表面热点的直方图向量z_k分类为{C₁，C₂，…，C_Kc}。

8.根据权利要求7所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，所述步骤4具体为：将每块锂电池红外视频序列中的所有单帧图像，分配到已经获得的K_c个类中，分别统计每个红外视频序列中各帧图像被分配至不同类的次数，得到视频序列的归一化统计直方图向量w_m，即：

假定步骤1获得M个不同的红外视频序列，根据步骤3的聚类结果{C₁，C₂，…，C_Kc}，从所有红外视频序列的单帧图像中提取表面热点的向量直方图，将其分类到K_c个分类{C₁，C₂，…，C_Kc}中；

对于同一视频序列，统计各帧图像落到K_c个分类中的频次M_i，假定视频序列拥有共计M_f幅单帧图像，那么，获得如下归一化直方图的统计结果：

其中，P_ci可认为是特定红外视频序列中单帧图像落到C_i类的概率；

从而获得视频序列的归一化统计直方图向量：

9.根据权利要求8所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，所述步骤5具体为：使用均值漂移对归一化统计直方图向量w_m进行聚类，实现退役动力锂电池热特征一致性筛选，包括以下步骤：

步骤5.1：从未分类的w_m中随机选取起始分类中心点w_s；

步骤5.2：将以分类中心w_s距离小于r_s的所有向量w_m划分到X_i类中，统计所有出现在X_i中的数据点，将其出现次数加1；

步骤5.3：更新分类中心点w_s，假定分到特定类中向量的数目为N_Xi，则：

步骤5.4：重复步骤5.2-步骤5.3，直至分类中心点w_s的移动距离L_s小于δ_s；

步骤5.5：若新产生的分类X_i与已有分类X_j中心点的距离小于δ_X，则合并X_i到分类X_j中；否则，将X_i视为新的分类；

步骤5.6：重复步骤5.1-步骤5.5，直至所有的归一化统计直方图向量均被分类；若同一归一化统计直方图向量被划分到不同类中，则统计该向量在各类中出现的频次，选取出现次数最多的类作为最终分类结果。

10.根据权利要求9所述的一种退役动力锂电池热特征一致性筛选方法，其特征在于，所述步骤5.2中，向量w_m与分类中心点w_s＝[p_s1,p_s2,...,p_sMi]的距离D_ms(w_m,w_s)采用(6)式计算，具体如下：

步骤5.4中，L_s计算公式为：

L_s＝D_ss'(w_s,w_s') (8)

式中，w_s'为前一次更新的分类中心点。

Images