CN113255746A - 基于决策树的新能源电动汽车退役动力电池等级筛选方法 - Google Patents

Abstract

基于决策树的新能源电动汽车退役动力电池等级筛选方法，首先确定退役动力电池的等级类型，将各等级类型作为叶子结点，并计算退役动力电池数据样本D的信息熵；然后，选择退役动力电池的特征属性A_i，分别计算各A_i的信息熵

信息增益量IG(D,A_i)、固有值IV(D,A_i)、信息增益率GR(D,A_i)；最后，选择信息增益率GR(D,A_i)较大的A_i作为根节点；用同样的方法选择决策树内部分叶节点。因此，就可以得到新能源电动汽车退役动力电池的智能分类决策树。该方法有助于提高退役动力电池的筛选效率。将退役的动力电池进行等级分类后用在电网储能电站、新能源发电等领域，可以延长动力电池的使用寿命，提高动力电池的经济效益，降低退役动力电池对环境的影响。

Description

基于决策树的新能源电动汽车退役动力电池等级筛选方法

技术领域

本发明涉及动力电池等级筛选的技术领域，尤其是涉及新能源电动汽车退役动力电池的等级筛选技术。

背景技术

近年来，节能减排和环境保护问题受到国际社会高度关注。新能源电动汽车有助于减少燃油消耗和尾气排放，是汽车产业重要的发展方向。得益于国家前期对新能源汽车产业的大力支持，新能源汽车的产、销量也大幅增加，新能源汽车市场竞争力明显增强。但是，在新能源汽车快速发展的背后仍然存在一些突出问题，动力电池容量衰减至初始额定容量的80％时需要进行退役处理，并更换新的动力电池以保证电动汽车的续航能力与运行安全性。根据中国汽车技术研究中心数据显示，2020年国内累计退役的动力电池超20万吨，如果处理不当，将会对环境造成长达50年的污染。

根据国家新能源汽车产业发展规划(2021-2035年)专栏3《建设动力电池高效循环利用体系》：支持电动汽车动力电池梯次产品在储能、备能、充换电等领域创新应用，加强余能检测、残值评估、重组利用等技术的研发，促进产业资源化、高值化、绿色化发展。为发挥新能源汽车退役动力电池的剩余价值，实现退役动力电池的梯次利用，可将退役的动力电池应用于电网储能电站、新能源发电、低速电动汽车、光伏路灯等不同领域。但是，新能源电动汽车用动力电池退役后，在外观、容量、内阻、生命周期等方面会表现出较大的不一致性，如果在重组及梯次使用之前不进行等级筛选，势必会造成能源的浪费，同时也会造成电池的过充和过放甚至爆炸等危险。因此，在退役动力电池梯次利用前对其进行筛选和等级分类具有重要的意义。

目前，现有等级筛选技术主要是传统充满-放空(Full Charge-Discharge,CFD)筛选方法，但这种筛选方法存在筛选效率低，能量消耗量大等缺点。退役动力电池的筛选方法根据筛选指标的不同可以分为单参数筛选、多参数筛选、特征曲线筛选，这些方法存在电池整体性能表征不全面、筛选效率低、特征曲线获取困难等缺陷。

发明内容

本发明的目的是提供一种基于决策树的新能源电动汽车退役动力电池等级筛选方法。

本发明是基于决策树的新能源电动汽车退役动力电池等级筛选方法，其步骤为：

步骤(1)将退役动力电池的等级划分为n个类型，并将n个类型分别定义为C₁、C₂、…、C_k、…、C_n；计算第k个类型C_k在数据样本D中出现的概率p_k

式中：|D|表示退役动力电池数据样本D的数量；|D(C_k)|表示退役动力电池数据样本D中属于类型C_k的数量；等级类型C₁、C₂、…、C_k、…、C_n作为决策树的叶子结点；

步骤(2)计算退役动力电池数据样本D的信息熵，用IE(D)表示：

式中：n表示数据样本D中退役动力电池类型等级的总数目；

步骤(3)选择并确定退役动力电池的特征属性A_i；并对特征属性A_i进行状态划分A_{i_j}；然后计算退役动力电池特征属性A_i(i＝1,2,...,M)的信息熵，用

表示：

其中，特征属性A_i(i＝1,2,...,M)表示决策树的根结点和分叶结点；M表示退役动力电池特征属性的总个数；D_j(A_i)(j＝1,2,...,N)表示退役动力电池数据样本D中特征属性为A_i、状态划分为A_{i_j}时的数据样本数量；

表示退役动力电池数据样本D中特征属性为A_i、状态划分为A_{i_j}且属于类型C_k的数量；

步骤(4)根据步骤(2)中退役动力电池数据样本D的信息熵IE(D)减去步骤(3)中特征属性A_i的信息熵

得到退役动力电池特征属性A_i的信息增益量，用IG(D,A_i)表示：

步骤(5)计算退役动力电池特征属性A_i的固有值，特征属性A_i的可能取值数目越多，则固有值通常会越大，特征属性A_i的固有值为

步骤(6)根据退役动力电池特征属性A_i的重要程度选择根结点，特征属性A_i的重要程度用“信息增益率”表示；特征属性A_i的重要程度与“信息增益率”成正比；退役动力电池特征属性A_i的“信息增益率”为：

步骤(7)对所述步骤(6)中得到的退役动力电池特征属性A_i的信息增益率GR(D,A_i)进行排序，选择信息增益率GR(D,A_i)大的退役动力电池特征属性A_i作为退役动力电池决策树的根结点；

步骤(8)选择除根结点特征属性A_i外剩余的M-i个特征属性，重复步骤(2)～步骤(7)，确定分叶结点的特征属性，依次类推，就可以得到退役动力电池等级分类的决策树，对新能源电动汽车退役动力电池进行等级筛选。

本发明的有益之处在于：

(1)采用基于决策树的智能分类算法，用信息增益率选择决策树根结点和分叶结点，分类规则易于理解、准确率较高。该方法有助于提高退役动力电池的筛选效率，降低退役动力电池对环境的污染；同时解决退役动力电池筛选特性属性表征不全面的问题；

(2)从电动汽车退役的动力电池进行等级分类后用在电网储能电站、新能源发电等领域。使其在新的利用周期里创造价值，可以有效促进新能源清洁发电的增长，成为最终替代传统火力发电的推动力，为真正的环保电能普及做出更大的贡献；

(3)将退役动力电池分类后用在不同的场合，实现退役动力电池的梯次利用，这不但可以延长动力电池的使用寿命，而且降低了对环境的影响；

(4)退役动力电池利用决策树方法分类后所组成的储能系统建设成本相对较低，而且运营建成后的储能系统还能创造巨大的经济效益；

(5)退役动力电池的决策树分类方法及其梯次利用不影响其正常报废回收；而且有效提高了退役动力电池的寿命周期，减少了诸如储能、低速电动汽车等系统对新动力电池的消耗，节约了该部分动力电池生产过程中所消耗的资源。同时也减少了因报废处理该部分电池所造成的环境污染问题。

附图说明

图1是基于决策树的新能源电动汽车退役动力电池等级筛选流程图，图2是基于决策树的新能源电动汽车退役动力电池等级筛选树形结构图。

具体实施方式

本发明是基于决策树的新能源电动汽车退役动力电池等级筛选方法，其步骤为：

步骤(1)将退役动力电池的等级划分为n个类型，并将n个类型分别定义为C₁、C₂、…、C_k、…、C_n；计算第k个类型C_k在数据样本D中出现的概率p_k

式中：|D|表示退役动力电池数据样本D的数量；|D(C_k)|表示退役动力电池数据样本D中属于类型C_k的数量；等级类型C₁、C₂、…、C_k、…、C_n作为决策树的叶子结点；

步骤(2)计算退役动力电池数据样本D的信息熵，用IE(D)表示：

式中：n表示数据样本D中退役动力电池类型等级的总数目；

步骤(3)选择并确定退役动力电池的特征属性A_i；并对特征属性A_i进行状态划分A_{i_j}；然后计算退役动力电池特征属性A_i(i＝1,2,...,M)的信息熵，用

表示：

其中，特征属性A_i(i＝1,2,...,M)表示决策树的根结点和分叶结点；M表示退役动力电池特征属性的总个数；D_j(A_i)(j＝1,2,...,N)表示退役动力电池数据样本D中特征属性为A_i、状态划分为A_{i_j}时的数据样本数量；

表示退役动力电池数据样本D中特征属性为A_i、状态划分为A_{i_j}且属于类型C_k的数量；

步骤(4)根据步骤(2)中退役动力电池数据样本D的信息熵IE(D)减去步骤(3)中特征属性A_i的信息熵

得到退役动力电池特征属性A_i的信息增益量，用IG(D,A_i)表示：

步骤(5)计算退役动力电池特征属性A_i的固有值，特征属性A_i的可能取值数目越多，则固有值通常会越大，特征属性A_i的固有值为

步骤(6)根据退役动力电池特征属性A_i的重要程度选择根结点，特征属性A_i的重要程度用“信息增益率”表示；特征属性A_i的重要程度与“信息增益率”成正比；退役动力电池特征属性A_i的“信息增益率”为：

步骤(7)对所述步骤(6)中得到的退役动力电池特征属性A_i的信息增益率GR(D,A_i)进行排序，选择信息增益率GR(D,A_i)大的退役动力电池特征属性A_i作为退役动力电池决策树的根结点；

步骤(8)选择除根结点特征属性A_i外剩余的M-i个特征属性，重复步骤(2)～步骤(7)，确定分叶结点的特征属性，依次类推，就可以得到退役动力电池等级分类的决策树，对新能源电动汽车退役动力电池进行等级筛选。

下面结合附图和具体实施例对本发明所涉及新能源电动汽车退役动力电池等级筛选方法进行详细说明。

为提高新能源电动汽车退役动力电池的等级筛选效率和准确性，同时解决退役动力电池筛选特征表征不全面的问题，本发明提供一种基于决策树的新能源汽车退役动力电池的筛选方法，如图1所示，其具体步骤为：

步骤(1)将退役动力电池的等级划分为n个类型，并将n个类型分别定义为C₁、C₂、…、C_k、…、C_n；计算第k个类型C_k在数据样本D中出现的概率p_k

式中：|D|表示退役动力电池数据样本D的数量；|D(C_k)|表示退役动力电池数据样本D中属于类型C_k的数量；等级类型C₁、C₂、…、C_k、…、C_n作为决策树的叶子结点；

步骤(2)计算退役动力电池数据样本D的信息熵，用IE(D)表示：

式中：n表示数据样本D中退役动力电池类型等级的总数目；

步骤(3)选择并确定退役动力电池的特征属性A_i；并对特征属性A_i进行状态划分A_{i_j}；然后计算退役动力电池特征属性A_i(i＝1,2,...,M)的信息熵，用

表示：

其中，特征属性A_i(i＝1,2,...,M)表示决策树的根结点和分叶结点；M表示退役动力电池特征属性的总个数；D_j(A_i)(j＝1,2,...,N)表示退役动力电池数据样本D中特征属性为A_i、状态划分为A_{i_j}时的数据样本数量；

表示退役动力电池数据样本D中特征属性为A_i、状态划分为A_{i_j}且属于类型C_k的数量；

步骤(4)根据步骤(2)中退役动力电池数据样本D的信息熵IE(D)减去步骤(3)中特征属性A_i的信息熵

得到退役动力电池特征属性A_i的信息增益量，用IG(D,A_i)表示

步骤(5)计算退役动力电池特征属性A_i的固有值，特征属性A_i的可能取值数目越多，则固有值通常会越大，特征属性A_i的固有值为

步骤(6)根据退役动力电池特征属性A_i的重要程度选择根结点，特征属性A_i的重要程度用“信息增益率”表示；特征属性A_i的重要程度与“信息增益率”成正比；退役动力电池特征属性A_i的“信息增益率”为：

步骤(7)对所述步骤(6)中得到的退役动力电池特征属性A_i的信息增益率GR(D,A_i)进行排序，选择信息增益率GR(D,A_i)大的退役动力电池特征属性A_i作为退役动力电池决策树的根结点；

步骤(8)选择除根结点特征属性A_i外剩余的M-i个特征属性，重复步骤(2)～步骤(7)，确定分叶结点的特征属性，依次类推，就可以得到退役动力电池等级分类的决策树，对新能源电动汽车退役动力电池进行等级筛选。

在具体实施例中，选择等级类型n＝4，具体新能源电动汽车退役动力电池等级划分及梯次使用范围如表1所示。

表1新能源电动汽车退役动力电池等级划分C_k及梯次使用范围

等级类型	等级1	等级2	等级3	等级4
					代号-C<sub>k</sub>	C<sub>1</sub>	C<sub>2</sub>	C<sub>3</sub>	C<sub>4</sub>
使用范围	新能源发电、电网储能电站	家庭能源、路灯	修复使用	回收处理

。

具体步骤为：

步骤(1)将退役动力电池的等级划分为4个类型，并分别定义为C₁、C₂、C₃、C₄；计算这4个类型在数据样本D中出现的概率p_k

式中：|D(C₁)|、|D(C₂)|、|D(C₃)|、|D(C₄)|分别表示退役动力电池数据样本D中属于类型C₁、C₂、C₃、C₄的数量；|D|表示退役动力电池数据样本的总数；

步骤(2)计算退役动力电池数据样本D的信息熵，用IE(D)表示

IE(D)＝-p₁(C₁)log₂ p₁(C₁)-p₂(C₂)log₂p₂(C₂)-p₃(C₃)log₂ p₃(C₃)-p₄(C₄)log₂p₄(C₄)

步骤(3)根据退役动力电池的性能指标，选择特征属性的个数M＝4，包括外观特性A₁、电池容量A₂、电池内阻A₃、剩余寿命A₄。退役动力电池的外观特性属性A₁的状态划分A_{1_j}为：完整(A_{1_1})、一般损坏(A_{1_2})、严重损坏(A_{1_3})；电池容量A₂的状态划分A_{2_j}为：高(80％-60％)A_{2_1}、中(60％-40％)A_{2_2}、低(40％-20％)A_{2_3}、极低(40％-20％)A_{2_4}；电池内阻A₃的状态划分A_{3_j}为：高A_{3_1}、中A_{3_2}、低A_{3_3}；剩余寿命A₄的状态划分A_{4_j}为：多A_{4_1}、中A_{4_2}、少A_{4_3}；具体如表2所示：

表2新能源电动汽车退役动力电池的特征属性A_i及状态划分A_ij

选择相应的历史数据集，计算退役动力电池特征属性为A_i(i＝1,2,3,4)的信息熵，用

表示：

其中，A_i(i＝1,2,3,4)表示退役动力电池的特征属性；若i＝1，则N＝3；若i＝2，则N＝4；若i＝3，则N＝3；若i＝4，则N＝3；D_j(A_i)(j＝1,2,...,N)表示退役动力电池数据样本中特征属性为A_i、状态划分为A_{i_j}时的数据样本数量；

表示退役动力电池数据样本中特征属性为A_i、状态划分为A_{i_j}且属于类型C_k的数量；

步骤(4)根据步骤(2)中退役动力电池数据样本D的信息熵IE(D)减去步骤(3)中特征属性A_i(i＝1,2,3,4)的信息熵

得到退役动力电池特征属性A_i的信息增益量，用IG(D,A_i)表示：

其中，若i＝1，则N＝3；若i＝2，则N＝4；若i＝3，则N＝3；若i＝4，则N＝3；

步骤(5)计算退役动力电池特征属性A_i(i＝1,2,3,4)的固有值，特征属性A_i的可能取值数目越多，则固有值通常会越大，特征属性A_i的固有值IV(D,A_i)为：

其中，若i＝1，则N＝3；若i＝2，则N＝4；若i＝3，则N＝3；若i＝4，则N＝3；

步骤(6)按照退役动力电池特征属性A_i的重要程度选择根节点，而特征属性A_i的重要程度用“信息增益率”表示；退役动力电池特征属性A_i的信息增益率GR(D,A_i)为：

步骤(7)对所述步骤(6)中得到的退役动力电池特征属性A_i(i＝1,2,3,4)的信息增益率GR(D,A_i)(i＝1,2,3,4)进行排序，选择信息增益率GR(D,A_i)大的退役动力电池特征属性A_i作为退役动力电池分类决策树的根节点；

步骤(8)选择除根节点特征属性A_i外剩余M-i个特征属性，重复步骤(2)～步骤(7)，确定分叶结点的特征属性，依次类推，就可以得到退役动力电池智能分类的决策树；如图2所示。

以上是本发明的实施方法之一，对于本领域内的一般技术员而言，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当明确的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (1)

1.基于决策树的新能源电动汽车退役动力电池等级筛选方法，其特征在于，其步骤为：

步骤(1)将退役动力电池的等级划分为n个类型，并将n个类型分别定义为C₁、C₂、…、C_k、…、C_n；计算第k个类型C_k在数据样本D中出现的概率p_k

式中：|D|表示退役动力电池数据样本D的数量；|D(C_k)|表示退役动力电池数据样本D中属于类型C_k的数量；等级类型C₁、C₂、…、C_k、…、C_n作为决策树的叶子结点；

步骤(2)计算退役动力电池数据样本D的信息熵，用IE(D)表示：

式中：n表示数据样本D中退役动力电池类型等级的总数目；

步骤(3)选择并确定退役动力电池的特征属性A_i；并对特征属性A_i进行状态划分A_{i_j}；然后计算退役动力电池特征属性A_i(i＝1,2,...,M)的信息熵，用

表示：

其中，特征属性A_i(i＝1,2,...,M)表示决策树的根结点和分叶结点；M表示退役动力电池特征属性的总个数；D_j(A_i)(j＝1,2,...,N)表示退役动力电池数据样本D中特征属性为A_i、状态划分为A_{i_j}时的数据样本数量；

表示退役动力电池数据样本D中特征属性为A_i、状态划分为A_{i_j}且属于类型C_k的数量；

步骤(4)根据步骤(2)中退役动力电池数据样本D的信息熵IE(D)减去步骤(3)中特征属性A_i的信息熵

得到退役动力电池特征属性A_i的信息增益量，用IG(D,A_i)表示

步骤(5)计算退役动力电池特征属性A_i的固有值，特征属性A_i的可能取值数目越多，则固有值通常会越大，特征属性A_i的固有值为

步骤(6)根据退役动力电池特征属性A_i的重要程度选择根结点，特征属性A_i的重要程度用“信息增益率”表示；特征属性A_i的重要程度与“信息增益率”成正比；退役动力电池特征属性A_i的“信息增益率”为：

步骤(7)对所述步骤(6)中得到的退役动力电池特征属性A_i的信息增益率GR(D,A_i)进行排序，选择信息增益率GR(D,A_i)大的退役动力电池特征属性A_i作为退役动力电池决策树的根结点；

步骤(8)选择除根结点特征属性A_i外剩余的M-i个特征属性，重复步骤(2)～步骤(7)，确定分叶结点的特征属性，依次类推，就可以得到退役动力电池等级分类的决策树，对新能源电动汽车退役动力电池进行等级筛选。

Images