CN113283166B - 一种退役动力电池剩余价值优化方法 - Google Patents

Abstract

本发明公开了一种退役动力电池剩余价值优化方法，包括，根据灰色模型与最小二乘支持向量机的组合，预测动力电池梯次利用期间的衰退规律；将电池的容量衰退换算成折损成本，以退役电池单日充放电收益最高为目标函数，以功率平衡约束、储能安全和退役电池调度为约束条件；导入微网数据，利用粒子群算法求解所述灰色模型，制定收益最高的退役电池运行方案，同时采集所述退役电池运行方案下退役电池的使用数据；将所述电池梯次利用后的使用真实数据反馈给所述最小二乘支持向量机，作为所述最小二乘支持向量机的训练集，完成衰退速度的滚动预测。本发明为后续制定运行方案提供数据支撑，有效解决电池衰退规律的不一致性问题。

Description

一种退役动力电池剩余价值优化方法

技术领域

本发明涉及退役动力电池梯次利用的技术领域，尤其涉及一种退役动力电池剩余价值优化方法。

背景技术

随着近年来，新能源汽车热度居高不下，伴随而来的是动力电池的退役潮，预计到2025年，中国动力锂电池退役量超过73万吨，其中70％可梯次利用，市场规模超过200亿元。2020年10月，工信部对《新能源汽车动力蓄电池梯次利用管理办法》征求意见，鼓励梯次利用企业与新能源汽车生产、动力蓄电池生产及报废机动车回收拆解等企业协议合作，加强信息共享。

但是，现有的退役电池梯次利用作为储能存在以下问题：电池的衰退是极不规则且非线性的，不同厂商或不同批次的电池衰退规律具有不一致性，对后续制定运行方案造成难题；目前企业普遍采用深充深放的充放电模式，将放电深度控制在70％～80％，并未考虑电池衰退带来的折损成本。综上，充分挖掘电池历史信息，预测电池衰退规律，能够提高衰退模型的准确性，从而提升退役电池的剩余价值。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种退役动力电池剩余价值优化方法，能够解决电池衰退规律不一致性的问题。

为解决上述技术问题，本发明提供如下技术方案：包括，根据灰色模型与最小二乘支持向量机的组合，预测动力电池梯次利用期间的衰退规律；将电池的容量衰退换算成折损成本，以退役电池单日充放电收益最高为目标函数，以功率平衡约束、储能安全和退役电池调度为约束条件；导入微网数据，利用粒子群算法求解所述灰色模型，制定收益最高的退役电池运行方案，同时采集所述退役电池运行方案下退役电池的使用数据；将所述电池梯次利用后的使用真实数据反馈给所述最小二乘支持向量机，作为所述最小二乘支持向量机的训练集，完成衰退速度的滚动预测。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：进行所述预测之前包括，选取电池放电深度作为影响电池衰退的主要因素，并以m组不同的放电深度建立m组灰色模型；收集电动汽车动力电池历史使用数据，将所述历史使用数据导入所述灰色模型中；将所述灰色模型的预测结果作为输入，实际数据作为输出，训练所述最小二乘支持向量机。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：所述最小二乘支持向量机包括，利用回归模型进行训练，如下，

其中，w^T为权向量，b为偏置。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：利用风险最小化原则建立所述约束条件，包括，

其中，e_i为误差，γ为正则化参数。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：所述回归模型的核函数选择径向基函数，如下，

其中，s为核函数宽度，LSSVM模型的学习和泛化能力在很大程度上受g和s的影响。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：所述目标函数包括，

其中，F为退役电池组日净收益；P_t为退役电池组充放电功率，充电为负放电为正；λ_t为t时刻电价，吸纳光伏时代表光伏上网电价；η表示退役电池的充放电效率；C是折合成每日的储能成本。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：维护和检修成本C_E、功率损耗成本C_l、折损成本C_f包括，

C_f＝L(t)C_PV

其中，k_m为退役电池的维护系数；r_i为退役电池已循环次数；R_i为退役电池总循环次数；k_i为退役电池的损耗系数；μ_t为状态变量，1对应充-1对应放电。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：储能状态约束包括，

其中，I(t)为充放电电流；V为电池的额定电压；SOC(t)，SOC(t+1)分别表示充放电前后的荷电状态；E_b表示电池额定容量；SOC_max与SOC_min分别表示储能系统荷电状态的上下限。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：能量平衡约束包括，

P_load＝P_Gird+P_ESB+P_DG

其中，P_load表示微网总负荷；P_Gird表示微网购电功率；P_ESB表示蓄电池充放电功率；P_DG表示分布式能源功率。

作为本发明所述的退役动力电池剩余价值优化方法的一种优选方案，其中：调度周期约束包括，

SOC₀＝SOC_H

其中，SOC₀表示调度开始时的退役电池组SOC；SOC_H表示调度结束后的退役电池组SOC。

本发明的有益效果：本发明利用灰色模型和最小二乘支持向量机的组合预测算法，挖掘电池历史使用数据，预测电池的即时衰退速度，为后续制定运行方案提供数据支撑，有效解决电池衰退规律的不一致性问题；本发明采用粒子群算法对优化调度模型进行寻优，以退役电池收益最高为目标，考虑电池的折损成本，在退役电池不同健康状态下制定不同的运行方案，最大程度挖掘退役电池的剩余价值；本发明将梯次利用后的电池数据实时反馈，滚动预测电池的衰退速度，实现电池衰退规律的精细化预测，进而提高动力电池梯次利用的效益。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例所述的退役动力电池剩余价值优化方法的流程示意图；

图2为本发明一个实施例所述的退役动力电池剩余价值优化方法的退役电池容量衰退速度的预测流程示意图；

图3为本发明一个实施例所述的退役动力电池剩余价值优化方法的光储微电网的主接线形式示意图；

图4为本发明一个实施例所述的退役动力电池剩余价值优化方法的光储微电网的光伏-负荷特性分析示意图；

图5为本发明一个实施例所述的退役动力电池剩余价值优化方法的光储微电网的退役电池即时容量衰退速度示意图；

图6为本发明一个实施例所述的退役动力电池剩余价值优化方法的光储微电网的退役电池即时衰退速度预测结果示意图；

图7为本发明一个实施例所述的退役动力电池剩余价值优化方法的光储微电网的退役电池优化结果示意图；

图8为本发明一个实施例所述的退役动力电池剩余价值优化方法的光储微电网的优化前后的结果对比示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～图5，为本发明的第一个实施例，提供了一种退役电池剩余价值优化方法，具体包括：

S1：收集电动汽车动力电池历史使用数据，并将其导入灰色模型中。其中需要说明的是：

本实施例针对18650型动力锂电池进行循环充放电试验，以实际测得的数据作为基础数据来预测下一步的即时衰退速度，电池充放电实验由蓝电电池测试系统CT2001A完成，单体新电池的各项参数如表1所示，循环实验测试步骤如表2所示。

表1：18650型锂动力电池参数表。

项目	规格
		标称电压	3.2V
标称容量	1.15Ah
		内阻	10mΩ
充电截止电压	3.65±0.05V
		充电截止电压	2.5±0.05V

表2：循环实验步骤。

S2：选取电池放电深度作为影响电池衰退的主要因素，并以m组不同的放电深度建立m组灰色模型。本步骤需要说明的是：

电池在不同剩余容量下，不同的放电深度都会影响电池的衰退速度，电池的衰退实质上是各次放电损耗L(t)的累计，即：

L(t)＝f(R_c,Dod)

电池的容量衰退率Q_loss可以表示为：

灰色模型通过近似的、非唯一的离散且随机的数据推导生成一些较有规律的数据，从而建立相关的微分方程模型，来描述数据的变化规律，建模过程如下：

(1)累加生成；通过已知离散历史数据行成序列：X⁽⁰⁾＝{X⁽⁰⁾(1)，X⁽⁰⁾(2)，···X⁽⁰⁾(n)}，X⁽⁰⁾进行一次累加生成，得到生成序列X⁽¹⁾＝{X⁽¹⁾(1)，X⁽¹⁾(2)，···X⁽¹⁾(n)}，其中：

(2)建模；由X⁽¹⁾构造背景值序列：Z⁽¹⁾＝{Z⁽¹⁾(2),Z⁽¹⁾(3),···Z⁽¹⁾(n)},其中：Z⁽¹⁾(k)＝aX⁽¹⁾(k-1)+(1-a)X⁽¹⁾(k)，k＝2,3,···,n,一般取a＝0.5假定X⁽¹⁾具有近似指数变化规律，则白化方程为：

将上式进行离散化，微分变差分，得到GM(1,1)灰微分方程如下：

X⁽⁰⁾(k)+aZ⁽¹⁾(k)＝μ

(3)求解参数a,m；用最小二乘法求解式中参数a,m，其中a为反映序列X⁽⁰⁾的增长速度的发展系数；m称为灰作用量(内生变量)，其大小反应总量。

(4)建立预测模型；X⁽¹⁾预测公式为：

其中，k＝0,1,2,···；X⁽⁰⁾的预测公式为：

其中，k＝1，2···；

S3：将灰色模型预测结果作为输入，实际数据作为输出训练最小二乘支持向量机模型。其中还需要说明的是：

对于给定训练样本S＝{(x₁,y₁),(x₂,y₂),···,(x_n,y_n)}以及非线性映射j(·)，定义其LSSVM回归模型为：

其中，w^T为权向量；b为偏置。

通过风险最小化原则建立约束问题：

其中，e_i为误差；g为正则化参数。

引入拉格朗日乘子a，将其转换为：

根据KKT条件，分别对w,b,e_i,a_i求偏微分，最终可得：

矩阵形式为：

得到LSSVM回归函数：

其中，K(x_i,x)为核函数，K(x_i,x)＝j(x)^T·j(x)。

本实施例选择径向基函数作为LSSVM回归模型的核函数，其表达式为：

其中，s为核函数宽度；LSSVM模型的学习和泛化能力在很大程度上受g和s的影响。

S4：根据灰色模型与最小二乘支持向量机的组合，预测动力电池梯次利用期间的衰退规律。参照图2，其中还需要说明的是：

为分析四种不同放电深度的工况对电池衰退速度的影响，各自建立灰色预测模型，预测结果如图3所示。

参照图3，在电池使用的初期，各放电深度下的电池衰退速率都有下降的趋势，这一阶段表示电池趋向于自稳定的状态，随后电池呈现加速衰退的迹象，其中满充满放的情况电池衰退速度增长最快，而放电深度在60％时，相较于放电深度80％时的衰退速度的差距在缩小，相较于放电深度40％时的衰退速度的差距在扩大。

通过以上数据及基于GM-LSSVM的组合预测电池在健康状态65％～80％之间的衰退规律，截取其中三个断面进行分析，结果如图4所示。

参照图4，随着电池健康状态的下降，电池的衰退速度相应加快，电池在满充满放和浅充浅放时的衰退速度差距进一步扩大，而在深充深放(Dod＝60％～80％)时，电池衰退速度基本持平即放电深度对电池的衰退的影响可忽略不计。

S5：将电池的容量衰退换算成折损成本，以退役电池单日充放电收益最高为目标函数，兼顾电池的维护成本和功率损耗成本，约束条件包括功率平衡约束、储能安全约束、退役电池调度约束。本步骤还需要说明的是：

将退役电池梯次利用于储能，主要作用为配合分时电价低储高发进行套利，必要时吸收部分冗余光伏，确立以储能净收益最高的目标函数如下式所示：

其中，F为退役电池组日净收益；P_t为退役电池组充放电功率，充电为负放电为正；l_t为t时刻电价，吸纳光伏时代表光伏上网电价；h表示退役电池的充放电效率；C是折合成每日的储能成本，包括维护和检修成本C_E、功率损耗成本C_l、折损成本C_f。

C_f＝L(t)C_PV

其中，k_m为退役电池的维护系数；r_i为退役电池已循环次数；R_i为退役电池总循环次数；k_i为退役电池的损耗系数；m_t为状态变量，1对应充-1对应放电。C_PV表示电池的初始投资成本。

约束条件如下：

(1)储能状态约束

其中，I(t)为充放电电流；V为电池的额定电压；SOC(t)，SOC(t+1)分别表示充放电前后的荷电状态；E_b表示电池额定容量；SOC_max与SOC_min分别表示储能系统荷电状态的上下限。

(2)能量平衡约束

P_load＝P_Gird+P_ESB+P_DG

其中，P_load表示微网总负荷；P_Gird表示微网购电功率；P_ESB表示蓄电池充放电功率；P_DG表示分布式能源功率。

(3)电池功率约束

其中，P_c,max和P_c,min表示退役电池充电功率的上下限；P_d,max和P_d,min表示退役电池放电功率的上下限。

(4)调度周期约束

SOC₀＝SOC_H

其中，SOC₀表示调度开始时的退役电池组SOC；SOC_H表示调度结束后的退役电池组SOC。

S6：导入微网数据，采用粒子群算法，对模型进行求解，制定收益最高的退役电池运行方案，同时采集该方案下退役电池的使用数据。

S7：将梯次利用后的使用真实数据反馈给最小二乘支持向量机，作为最小二乘支持向量机的训练集，实现衰退速度的滚动预测。

实施例2

参照图5～图8，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种退役动力电池剩余价值优化方法的验证对比测试，具体包括：

本实施例以浙江某光充储一体的大体量公交示范站为例，示范站配备800kW光伏系统，500kW/2MWh储能系统，电池为退役的磷酸铁锂电池，其结构如图5所示。

参照图6，为一日内公交站用电负荷与光伏系统出力情况，由于公交站的充电体量庞大，光伏系统所发电量基本上可以被公交站消纳；公交车充电负荷受公交车的出行规律影响，公交车采用白天补电，夜间集中充电的充电模式，故公交站的充电负荷集中于夜间至凌晨。

浙江省实行峰谷分时电价机制，公交站搭建的分布式光伏系统为自发自用余量上网型分布式光伏发电项目执行，其补贴为国家级、省级光伏发电项目度电补贴，其分时电价和上网电价和补贴如表3所示，退役电池参数如表4所示。

表3：浙江省购电电价、上网电价与补贴电价表。

表4：退役电池参数表。

名称	参数
		退役电池组额定容量/MWh	2
退役电池充放电效率	0.85
		退役电池单位容量价格/(元·kWh-1)	0.6
退役电池的损耗系数ki	0.3
		退役电池的维护系数km	0.15
退役电池的老化系数q	1

退役电池的净收益一方面受自身损耗影响，另一方面受低储高发的电价差影响，根据电价差可以分为两个场景：

场景一：电池组在电价低谷充电，电价尖峰进行放电的尖-谷套利。

场景二：电池组在电价低谷充电，电价高峰进行放电的峰-谷套利。

基于Matlab平台对本实施例提出的优化方法和基于传统模型的优化方法分别进行求解。

粒子群参数为：粒子数300，最大迭代次数500，最大惯性权重0.8，优化结果如图7所示。

参照图7，在电池梯次利用初期，电池可以承担较多的充放电任务，随着退役电池的使用，为了效益的最大化，退役电池需要减小充放电的深度；传统模型由于仅考虑了在全寿命周期内放电深度与循环次数的关系，无法做到精细化预测，使得优化结果为放电深度线性下调；在退役电池使用初期，最主要的成本是将建设成本分摊在每一次充放电的折损成本，而随着电池使用，递增的维护成本对运行方案的影响越来越大。

参照图8，为两种优化结果按照一天两充两放进行收益对比，根据图8的示意，本实施例提出的退役电池优化方法能够提高退役电池剩余价值，相较于常规模型法提高近10％的收益。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (6)

1.一种退役动力电池剩余价值优化方法，其特征在于：包括，

选取电池放电深度作为影响电池衰退的主要因素，并以m组不同的放电深度建立m组灰色模型；收集电动汽车动力电池历史使用数据，将所述历史使用数据导入所灰色模型中；将所述灰色模型的预测结果作为输入，实际数据作为输出，训练最小二乘支持向量机；根据灰色模型与最小二乘支持向量机的组合，预测动力电池梯次利用期间的衰退规律；

将电池的容量衰退换算成折损成本，以退役电池单日充放电收益最高为目标函数，构建储能状态约束为：

能量平衡约束为：

P_load＝P_Gird+P_ESB+P_DG

电池功率约束为：

其中，μ_t为状态变量；

调度周期约束为：

SOC₀＝SOC_H

式中，I(t)为充放电电流；V为电池的额定电压；SOC(t)，SOC(t+1)分别表示充放电前后的荷电状态；E_b表示电池额定容量；SOC_max与SOC_min分别表示储能系统荷电状态的上下限；P_load表示微网总负荷；P_Gird表示微网购电功率；P_ESB表示蓄电池充放电功率；P_DG表示分布式能源功率；P_c,max和P_c,min表示退役电池充电功率的上下限；P_d,max和P_d,min表示退役电池放电功率的上下限；SOC₀表示调度开始时的退役电池组SOC；SOC_H表示调度结束后的退役电池组SOC；

导入微网数据，利用粒子群算法求解所述灰色模型，制定收益最高的退役电池运行方案，同时采集所述退役电池运行方案下退役电池的使用数据；

将所述电池梯次利用后的使用真实数据反馈给所述最小二乘支持向量机，作为所述最小二乘支持向量机的训练集，完成衰退速度的滚动预测。

2.根据权利要求1所述的退役动力电池剩余价值优化方法，其特征在于：所述最小二乘支持向量机包括，

利用回归模型进行训练，如下，

其中，w^T为权向量，b为偏置。

3.根据权利要求2所述的退役动力电池剩余价值优化方法，其特征在于：利用风险最小化原则建立约束条件，包括，

其中，e_i为误差，γ为正则化参数。

4.根据权利要求3所述的退役动力电池剩余价值优化方法，其特征在于：所述回归模型的核函数选择径向基函数，如下，

5.根据权利要求4所述的退役动力电池剩余价值优化方法，其特征在于：所述目标函数包括，

其中，F为退役电池组日净收益；P_t为退役电池组充放电功率，充电为负放电为正；λ_t为t时刻电价，吸纳光伏时代表光伏上网电价；η表示退役电池的充放电效率；C是折合成每日的储能成本。

6.根据权利要求5所述的退役动力电池剩余价值优化方法，其特征在于：维护和检修成本C_E、功率损耗成本C_l、折损成本C_f包括，

C_f＝L(t)C_PV

其中，k_m为退役电池的维护系数；r_i为退役电池已循环次数；R_i为退役电池总循环次数；k_i为退役电池的损耗系数；μ_t为状态变量，1对应充电，-1对应放电；L(t)表示各次放电损耗，CPV表示电池的初始投资成本。

Images