CN112505551B - 一种面向退役动力电池的筛选方法 - Google Patents

Abstract

本发明涉及一种面向退役动力电池的筛选方法。包括如下过程：提取若干同型号退役后动力电池充放电过程电压信号n个特征变量，并利用聚类方法形成K个类别簇，选出代表各簇的典型样本X^(core,k)；根据待测动力电池的特征变量X^(test)，计算特征变量间比重，并构成判断矩阵A，进而获得特征向量并归一化得到ω_a；计算以每个特征下不同类别簇间比重组成判断矩阵B_n的特征向量，并归一化处理后组成矩阵C；计算C×ω_a获得待测动力电池的决策向量，并选择决策向量元素中最大值对应的类别为待测动力电池类型。与现有方法相比，本发明全程无参数的计算过程，降低了人为因素影响。

Description

一种面向退役动力电池的筛选方法

技术领域：

本发明涉及一种动力电池检测技术，进一步涉及一种面向退役动力电池的筛选方法。

背景技术：

近年来电动汽车行业迅猛发展，动力电池的需求量也随之大幅增长。动力电池的使用寿命一般约为3-5年，在容量下降至80％左右便需要更换，预计2020年我国动力电池累计退役量高达25GWh，动力电池的第一个退役高峰期已经来临。退役动力电池仍可在能量、功率要求不高的场景继续使用，称为梯次利用，对于充分利用电池的经济价值，缓解环保压力具有重要的意义。

退役电动汽车动力电池能量特性及功率特性衰减，且电池单体间性能参数差异大，实现不同性能表现电池应用价值的最大化，保证电池再次应用时的可靠性和安全性，必须对电池进行筛选，实现电池的分级梯次应用。退役动力电池梯次利用中的筛选环节需要综合应用软件技术、测控技术、制造工艺等，涉及计算机、机、电等多种学科，技术门槛较高，其基本原则应遵守以下两个方面：

技术性方面：电池的筛选为实现电池的分级梯次利用于不同应用工况，不同应用工况对电池的技术要求不尽相同，针对不同应用工况来筛选电池时，筛选方法也不相同。筛选所用的参数应尽量少，参数测试方法宜简单可靠。

经济性方面：检测成本低、速度快，筛选应提高退役汽车电池的二次利用率，电池应尽可能分选到利用价值高的应用场合，从而提高退役汽车动力电池梯次利用的经济性。

目前，用于动力电池筛选的主要方法有三大类：(1)实验分析法；(2)模型估计法；(3)数据驱动法。其中数据驱动法主要是依赖历史数据挖掘不同运行状态的动力电池特点，对动力电池进行分组运行状态或者回归健康估计值，这类方法自动化程度高、简单易实现，同时无需过多的先验知识和准确的数学模型。

发明内容：

本发明采用基于数据驱动方式形成动力电池的筛选决策，自动、智能、准确地完成退役动力电池的筛选。具体技术方案如下：

一种面向退役动力电池的筛选方法，包括如下过程：

步骤1：提取若干同型号退役后动力电池充放电过程电压信号n个特征变量，并利用聚类方法形成K个类别簇，选出代表各簇的典型样本X^(core,k)；

步骤2：根据待测动力电池的特征变量X^(test)，计算特征变量间比重，并构成判断矩阵A，进而获得特征向量并归一化得到ω_a；

步骤3：计算以每个特征下不同类别簇间比重组成判断矩阵B_n的特征向量，并归一化处理后组成矩阵C；

步骤4：计算C×ω_a获得待测动力电池的决策向量，并选择决策向量元素中最大值对应的类别为待测动力电池类型。

优选方案如下：

步骤1：获取若干同型号退役动力电池的电压数据，提取特征变量并利用聚类方法形成多个簇，以各簇中心代表该类，组成退役动力电池典型样本；具体如下：

步骤1.1：获取N个退役动力电池在充放电实验过程中电压数据序列样本U⁽ⁱ⁾，(i＝1,2,…,N)；

步骤1.2：提取各个电压数据序列样本的n个关键特征变量，构成特征向量X⁽ⁱ⁾＝[x₁ ⁽ⁱ⁾,x₂ ⁽ⁱ⁾,…,x_n ⁽ⁱ⁾]，形成退役动力电池样本集合H＝{X⁽ⁱ⁾|i＝1,2,…,N}；

步骤1.3：基于样本集合H，采用聚类方法，将退役动力电池样本聚成K个类别，记作L_K，并以类别中心代表此类，形成退役动力电池典型样本，第k个类别中典型样本为X^(core,k)＝[x₁ ^(core,k),x₂ ^(core,k),…,x_n ^(core,k)]；

步骤2：测量待检测动力电池在充放电实验过程中电压信号，提取待检测动力电池特征变量，计算特征变量间的比重并组成判断矩阵A，获得最大特征值对应的特征向量，进行归一化处理；

步骤2.1：测量待检测动力电池在充放电实验过程中电压信号U^(test)，提取待检测动力电池特征变量向量X^(test)＝[x₁ ^(test),x₂ ^(test),…,x_n ^(test)]；

步骤2.2：计算待检测动力电池特征变量向量X^(test)与步骤1.3所形成各类别典型样本在各特征变量下的差值绝对值，并根据各特征变量下差值绝对值的最小值倒数定义各特征变量的比重，在第s个特征变量中，待测动力电池特征x_s ^(test)与第k类典型样本的特征x_s ^(core,k)差值绝对值为δ_s ^(k)＝|x_s ^(test)-x_s ^(core,k)|，s＝1,2,…,n，k＝1,2,…,K，第s个特征变量比重：

步骤2.3：根据步骤2.2中各特征变量的比重关系，构成判断矩阵A，并计算特征值和特征向量，选择最大特征值对应的特征向量，进行归一化，其中判断矩阵A中第(i,j)个位置的元素a(i,j)＝ρ_i/ρ_j，

最大特征值λ_a对应的特征向量为[υ_a(1) υ_a(2) … υ_a(n)]^T，

归一化后

步骤3：计算n个特征变量下各类别的比重，组成n个判断矩阵B_n，计算判断矩阵B_n最大特征值对应的特征向量，进行归一化处理，构成K×n的矩阵C；

步骤3.1：令s＝1；

步骤3.2：计算第s个特征变量中，待测动力电池变量特征变量X_s ^(test)与步骤1.3所形成第k类典型样本的特征x_s ^(core,k)的差值绝对值，即δ_s ^(k)＝|x_s ^(test)-x_s ^(core,k)|，s＝1,2,…,n，k＝1,2,…,K，由此定义在s个特征变量中，第k类的比重

步骤3.3：根据步骤3.2中在第s个特征变量下不同类别的比重，生成判断矩阵B_s，其中B_s第(i,j)个位置的元素

计算判断矩阵B_s的特征值和特征向量，其中最大特征值为λ_s，其所对应的特征向量为

[μ_s(1) μ_s(2) … μ_s(K)]^T，

对特征向量归一化处理可得

步骤3.4：判断变量s是否大于特征变量数量n，若s<n，则s＝s+1并返回步骤3.2，否则进入步骤3.5；

步骤3.5：将计算获得的列向量ω_s，其中s＝1,2,…,n，构成矩阵：

C＝[ω₁ ω₂ … ω_n]；

步骤4：将步骤3所得矩阵C与步骤2所得特征向量ω_a进行矩阵乘积，并求取乘积所得向量的最大值，最大值所代表的类别，即为待测电池的类别；具体如下：

步骤4.1：将矩阵C乘以特征向量ω_a获得决策向量W，即：

W＝C×ω_a＝[W₁ W₂ … W_K]^T，其中W_k表示第k个类别发生的权重；

步骤4.2：取W＝[W₁ W₂ … W_K]^T中最大值所代表的类别，认定其为待测动力电池的最终判断类别，即L＝arg(max(W))∈{L₁,L₂,...,L_K}，其中arg(max(·))表示返回最大值所对应类别的函数。

进一步优选，所属步骤1.3中，第n个特征

N_k表示第k个类别中样本的数量，且

与现有技术相比，本发明的有益效果是：本发明基于历史退役动力电池聚类后的典型代表样本特征变量与待测动力电池特征变量，自动生成不同特征变量的权重表征重要性，同时从各个特征变量下分析待测动力电池与典型代表样本的比重情况，综合分析获得待测动力电池的归属，完成动力电池筛选。与现有方法相比，本发明方法具有简单、快速的特点，同时全程无参数的计算过程，降低了人为因素影响，评估过程回归数据自身特点，有利于认识待测动力电池的真实状态，有助于提升动力电池筛选过程的自动化、智能化水平。

附图说明：

图1是本发明实施例中一种面向退役动力电池的筛选方法流程图。

具体实施方式：

实施例：

下面将结合附图，对本申请实施例中的技术方案进行清楚、完整地描述。

本发明提供了一种面向退役动力电池状态评价的决策方法，图1展示出了本实施例中的所述方法的实施过程；包括下述步骤：

步骤1：获取大量退役动力电池的电压数据，电压数据比如：最大电压值、最大电压变化率、放电截止电压、充电截止电压、充电时间、放电时间等等，提取特征变量并利用聚类方法形成多个簇，以各簇中心代表该类，组成退役动力电池典型样本；

步骤1.1：获取N个退役动力电池在充放电实验过程中电压数据序列样本U⁽ⁱ⁾，(i＝1,2,…,N)；

步骤1.2：提取各个电压数据序列样本的n个关键特征变量，如电压峰值、最大变化值等，其中构成第i个样本的特征向量为X⁽ⁱ⁾＝[x₁ ⁽ⁱ⁾,x₂ ⁽ⁱ⁾,…,x_n ⁽ⁱ⁾]，形成退役动力电池样本集合H＝{X⁽ⁱ⁾|i＝1,2,…,N}；

步骤1.3基于样本集合H，采用聚类方法，如kmean及其改进方法，将退役动力电池样本聚成K个类别，记作L_K，每个类别中含有多个样本，定义以类别中心(如几何中心)代表此类，形成退役动力电池典型样本，如第k个类别中典型样本为X^(core,k)＝[x₁ ^(core,k),x₂ ^{(core ,k)},…,x_n ^(core,k)]，第n个特征为

N_k表示第k个类别中样本的数量，且

步骤2：测量待检测动力电池在充放电实验过程中电压信号，提取待检测动力电池特征变量，计算特征变量间的比重并组成判断矩阵A，获得最大特征值对应的特征向量，进行归一化处理；

步骤2.1：测量待检测动力电池在充放电实验过程中电压信号U^(test)，提取待检测动力电池特征变量向量X^(test)＝[x₁ ^(test),x₂ ^(test),…,x_n ^(test)]；

步骤2.2：计算待检测动力电池特征变量向量X^(test)与步骤1.3所形成各类别典型样本在各特征变量下的差值绝对值，并根据各特征变量下差值绝对值的最小值倒数定义各特征变量的比重，如在第s个特征变量中，待测动力电池特征x_s ^(test)与第k类典型样本的特征x_s ^(core,k)差值绝对值为δ_s ^(k)＝|x_s ^(test)-x_s ^(core,k)|，s＝1,2,…,n，k＝1,2,…,K，则第s个特征变量比重

步骤2.3：根据步骤2.2中各特征变量的比重关系，构成判断矩阵A，并计算特征值和特征向量，选择最大特征值对应的特征向量，进行归一化，其中判断矩阵A中第(i,j)个位置的元素a(i,j)＝ρ_i/ρ_j，则判断矩阵

计算判断矩阵A的特征值为{λ₁,λ₂,...,λ_n}，其中最大特征值所λ_a＝max{λ₁,λ₂,...,λ_n}对应的特征向量为[υ_a(1)υ_a(2)…υ_a(n)]^T，归一化后为

步骤3：计算n个特征变量下各类别的比重，组成n个判断矩阵B_n，计算判断矩阵B_n最大特征值对应的特征向量，进行归一化处理，构成K×n的矩阵C；

步骤3.1：令s＝1；

步骤3.2：计算第s个特征变量中，待测动力电池变量特征变量X_s ^(test)与步骤1.3所形成第k类典型样本的特征x_s ^(core,k)的差值绝对值，即δ_s ^(k)＝|x_s ^(test)-x_s ^(core,k)|，(s＝1,2,…,n)，(k＝1,2,…,K)，由此定义在第s个特征变量中，第k类的比重

步骤3.3：根据步骤3.2中在第s个特征变量下不同类别的比重，生成判断矩阵B_s，其中B_s第(i,j)个位置的元素

与步骤2.3计算过程一致，计算判断矩阵B_s的特征值和特征向量，其中最大特征值为λ_s，其所对应的特征向量为[μ_s(1) μ_s(2) … μ_s(K)]^T，对特征向量归一化处理可得：

步骤3.4：判断变量s是否大于特征变量数量n，若s<n，则s＝s+1并返回步骤3.2，否则进入步骤3.5；

步骤3.5：将计算获得的列向量ω_s，其中s＝1,2,…,n，构成矩阵：

C＝[ω₁ ω₂ … ω_n]；

步骤4：将步骤3所得矩阵C与步骤2所得特征向量ω_a进行矩阵乘积，并求取乘积所得向量的最大值，最大值所代表的类别，即为待测电池的类别；

步骤4.1：将矩阵C乘以特征向量ω_a获得决策向量W，即：

W＝C×ω_a＝[W₁ W₂ … W_K]^T，其中W_k表示第k个类别发生的权重；

步骤4.2：取W＝[W₁ W₂ … W_K]^T中最大值所代表的类别，认定其为待测动力电池的最终判断类别，即L＝arg(max(W))∈{L₁,L₂,...,L_K}，其中arg(max(·))表示返回最大值所对应类别的函数。

最后应当说明的是：所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

Claims (2)

1.一种面向退役动力电池的筛选方法，其特征在于，包括如下过程：

步骤1：获取若干同型号退役动力电池的电压数据，提取特征变量并利用聚类方法形成多个簇，以各簇中心代表该类，组成退役动力电池典型样本；具体如下：

步骤1.1：获取N个退役动力电池在充放电实验过程中电压数据序列样本U⁽ⁱ⁾，(i＝1,2,…,N)；

步骤1.2：提取各个电压数据序列样本的n个关键特征变量，构成特征向量X⁽ⁱ⁾＝[x₁ ⁽ⁱ⁾,x₂ ⁽ⁱ⁾,…,x_n ⁽ⁱ⁾]，形成退役动力电池样本集合H＝{X⁽ⁱ⁾|i＝1,2,…,N}；

步骤1.3：基于样本集合H，采用聚类方法，将退役动力电池样本聚成K个类别，记作L_K，并以类别中心代表此类，形成退役动力电池典型样本，第k个类别中典型样本为X^(core,k)＝[x₁ ^(core,k),x₂ ^(core,k),…,x_n ^(core,k)]；

步骤2：测量待检测动力电池在充放电实验过程中电压信号，提取待检测动力电池特征变量，计算特征变量间的比重并组成判断矩阵A，获得最大特征值对应的特征向量，进行归一化处理；

步骤2.1：测量待检测动力电池在充放电实验过程中电压信号U^(test)，提取待检测动力电池特征变量向量X^(test)＝[x₁ ^(test),x₂ ^(test),…,x_n ^(test)]；

步骤2.2：计算待检测动力电池特征变量向量X^(test)与步骤1.3所形成各类别典型样本在各特征变量下的差值绝对值，并根据各特征变量下差值绝对值的最小值倒数定义各特征变量的比重，在第s个特征变量中，待测动力电池特征x_s ^(test)与第k类典型样本的特征x_s ^{(core ,k)}差值绝对值为δ_s ^(k)＝|x_s ^(test)-x_s ^(core,k)|，s＝1,2,…,n，k＝1,2,…,K，第s个特征变量比重：

步骤2.3：根据步骤2.2中各特征变量的比重关系，构成判断矩阵A，并计算特征值和特征向量，选择最大特征值对应的特征向量，进行归一化，其中判断矩阵A中第(i,j)个位置的元素a(i,j)＝ρ_i/ρ_j，

最大特征值λ_a对应的特征向量为[υ_a(1) υ_a(2) … υ_a(n)]^T，

归一化后

步骤3：计算n个特征变量下各类别的比重，组成n个判断矩阵B_n，计算判断矩阵B_n最大特征值对应的特征向量，进行归一化处理，构成K×n的矩阵C；

步骤3.1：令s＝1；

步骤3.2：计算第s个特征变量中，待测动力电池变量特征变量X_s ^(test)与步骤1.3所形成第k类典型样本的特征x_s ^(core,k)的差值绝对值，即δ_s ^(k)＝|x_s ^(test)-x_s ^(core,k)|，s＝1,2,…,n，k＝1,2,…,K，由此定义在s个特征变量中，第k类的比重

步骤3.3：根据步骤3.2中在第s个特征变量下不同类别的比重，生成判断矩阵B_s，其中B_s第(i,j)个位置的元素

计算判断矩阵B_s的特征值和特征向量，其中最大特征值为λ_s，其所对应的特征向量为[μ_s(1) μ_s(2) … μ_s(K)]^T，

对特征向量归一化处理可得

步骤3.4：判断变量s是否大于特征变量数量n，若s<n，则s＝s+1并返回步骤3.2，否则进入步骤3.5；

步骤3.5：将计算获得的列向量ω_s，其中s＝1,2,…,n，构成矩阵：

C＝[ω₁ ω₂ … ω_n]；

步骤4：将步骤3所得矩阵C与步骤2所得特征向量ω_a进行矩阵乘积，并求取乘积所得向量的最大值，最大值所代表的类别，即为待测电池的类别；具体如下：

步骤4.1：将矩阵C乘以特征向量ω_a获得决策向量W，即：

W＝C×ω_a＝[W₁ W₂ … W_K]^T，其中W_k表示第k个类别发生的权重；

步骤4.2：取W＝[W₁ W₂ … W_K]^T中最大值所代表的类别，认定其为待测动力电池的最终判断类别，即L＝arg(max(W))∈{L₁,L₂,...,L_K}，其中arg(max(·))表示返回最大值所对应类别的函数。

2.根据权利要求1所述一种面向退役动力电池的筛选方法，其特征在于，所属步骤1.3中，第n个特征

N_k表示第k个类别中样本的数量，且

Images