CN113933718B - 一种退役电池容量分选方法、装置、设备及存储介质 - Google Patents
一种退役电池容量分选方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN113933718B CN113933718B CN202111297850.9A CN202111297850A CN113933718B CN 113933718 B CN113933718 B CN 113933718B CN 202111297850 A CN202111297850 A CN 202111297850A CN 113933718 B CN113933718 B CN 113933718B
- Authority
- CN
- China
- Prior art keywords
- retired battery
- retired
- neural network
- battery capacity
- network model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000003062 neural network model Methods 0.000 claims abstract description 105
- 238000012360 testing method Methods 0.000 claims abstract description 36
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012795 verification Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 12
- 230000007704 transition Effects 0.000 claims description 10
- 238000013524 data verification Methods 0.000 claims description 9
- 238000007599 discharging Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 239000002131 composite material Substances 0.000 claims description 7
- 239000003990 capacitor Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000001453 impedance spectrum Methods 0.000 description 6
- 230000004913 activation Effects 0.000 description 4
- 239000000306 component Substances 0.000 description 4
- 230000008569 process Effects 0.000 description 3
- 230000000875 corresponding effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000010287 polarization Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000008358 core component Substances 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- GELKBWJHTRAYNV-UHFFFAOYSA-K lithium iron phosphate Chemical compound [Li+].[Fe+2].[O-]P([O-])([O-])=O GELKBWJHTRAYNV-UHFFFAOYSA-K 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 239000000376 reactant Substances 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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]
- G01R31/382—Arrangements for monitoring battery or accumulator variables, e.g. SoC
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种退役电池容量分选方法、装置、设备及存储介质，包括：建立初始退役电池容量分选神经网络模型；获取退役电池的特征参数数据；根据所述退役电池的特征参数数据对所述初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；将待预测电池的特征参数数据输入至所述目标电池容量分选神经网络模型，对所述待预测电池的放电容量进行预测，并根据所述放电容量预测的结果对待预测电池进行分选。本发明提供的一种退役电池容量分选方法、装置、设备及存储介质，通过选择退役电池的特征参数，并根据特征参数训练神经网络，通过神经网络预测退役电池的容量，实现了对退役电池的筛选。
Description
技术领域
本发明涉及电池分选技术领域，尤其涉及一种退役电池容量分选方法、装置、设备及存储介质。
背景技术
动力电池作为电动汽车的核心部件，在其容量下降到一定程度后为保证电动汽车的续航里程和行驶安全性，对于容量下降不能满足电动汽车行驶要求的动力电池必须进行更换，这些被换下来的动力电池归属于退役电池的范畴。
这些被换下来的动力电池成为退役电池后虽不能满足电动汽车行驶需求，但是其还具有80％左右的剩余能量。要实现退役电池的再利用，首先就需要对退役电池进行分选。
现有技术对退役电池的分选存在分选不准确、分选效率低的问题。
发明内容
有鉴于此，有必要提供一种退役电池容量分选方法、装置、设备及存储介质，用以解决现有技术中退役电池分选不准确、分选效率低的问题。
为达到上述技术目的，本发明采取了以下技术方案：
第一方面，本发明提供了一种退役电池容量分选方法，包括：
建立初始退役电池容量分选神经网络模型；
获取退役电池的特征参数数据；
根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；
将待预测电池的特征参数数据输入至目标电池容量分选神经网络模型，对待预测电池的放电容量进行预测，并根据放电容量预测的结果对待预测电池进行分选。
优选的，获取退役电池的特征参数数据，包括：
对退役电池按照预设放电倍率进行充放电循环至不同的SOC状态；
对不同SOC状态的退役电池进行处理，得到退役电池的特征曲线；
根据退役电池的特征曲线，获取能够表征退役电池内部状态的特征参数数据。
优选的，退役电池的特征曲线为Nyquist曲线，对不同SOC状态的退役电池进行处理，得到退役电池的特征曲线，包括：
根据预设方法，绘制不同SOC状态的退役电池的Nyquist曲线。
优选的，根据退役电池的特征曲线，获取能够表征退役电池内部状态的特征参数数据，包括：
根据退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型；
将退役电池的Nyquist曲线与等效电路模型拟合处理，得到不同SOC状态的退役电池的拟合结果，并选择满足预设拟合要求的退役电池的拟合结果；
根据满足预设拟合要求的退役电池的拟合结果，获取能够表征退役电池内部状态的特征参数数据。
优选的，根据退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型，包括：
将Nyquist曲线高频部分的感抗用电感L与电阻R串联的复合元件LRs表示；
将Nyquist曲线中低频部分用电容C与电阻R并联的Rp1Cp1和Rp2Cp2的二阶复合元件、电容C与电阻R并联的复合元件Rp1Cp1与Warburg阻抗元件W相结合、Rp1Cp1和Rp2Cp2的二阶复合元件与Warburg阻抗元件W相结合的复合元件表示。
优选的，建立初始退役电池容量分选神经网络模型，包括：
选择多层前馈神经网络模型或者径向基函数神经网络模型建立初始退役电池容量分选神经网络模型。
优选的，根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型，包括：
将退役电池的特征参数数据分为数据训练集、数据验证集和数据测试集；
利用退役电池的特征参数数据训练集对初始退役电池容量分选神经网络模型进行训练，得到过渡退役电池容量分选神经网络模型；
利用退役电池的特征参数数据验证集对过渡退役电池容量分选神经网络模型的预测性能进行验证，若验证不通过，则再次对过渡退役电池容量分选神经网络模型进行训练；若验证通过，则过渡退役电池容量分选神经网络模型为目标退役电池容量分选神经网络模型；
利用退役电池的特征参数数据测试集对目标退役电池容量分选神经网络模型的预测性能进行测试，获得训练完备的目标退役电池容量分选神经网络模型。
第二方面，本发明还提供了一种退役电池容量分选装置，包括：
建模模块，用于建立初始退役电池容量分选神经网络模型；
获取模块，用于获取退役电池的特征参数数据；
优化模块，用于根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；
预测模块，用于将待预测电池的特征参数数据输入至目标电池容量分选神经网络模型，对待预测电池的放电容量进行预测，并根据放电容量预测的结果对待预测电池进行分选。
第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，
存储器，用于存储程序；
处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的退役电池容量分选方法中的步骤。
第四方面，本发明还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的退役电池容量分选方法中的步骤。
采用上述实施例的有益效果是：本发明提供的一种退役电池容量分选方法、装置、设备及存储介质，通过建立神经网络模型，并提取退役电池的特征参数，通过退役电池的特征参数，优化神经网络模型，利用优化后的神经网络模型计算退役电池的放电容量，并根据退役电池的放电容量对电池进行分选，提高了对退役电池容量分选的准确性以及分选的效率。
附图说明
图1为本发明提供的退役电池容量分选方法的一实施例的流程示意图；
图2为本发明提供的获取退役电池的特征参数数据的一实施例的流程示意图；
图3为图2中步骤S203的一实施例的流程示意图；
图4为本发明提供的等效电路模型的结构示意图；
图5为本发明提供的训练神经网络模型的一实施例的流程示意图；
图6为本发明提供的退役电池容量分选装置的一实施例的结构示意图；
图7为本发明实施例提供的退役电池容量分选电子设备的结构示意图。
具体实施方式
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
在本申请的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明提供了一种退役电池容量分选方法、装置、设备及存储介质，以下分别进行说明。
请参阅图1，图1为本发明提供的退役电池容量分选方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种退役电池容量分选方法，包括：
S101、建立初始退役电池容量分选神经网络模型；
S102、获取退役电池的特征参数数据；
S103、根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；
S104、将待预测电池的特征参数数据输入至目标电池容量分选神经网络模型，对待预测电池的放电容量进行预测，并根据放电容量预测的结果对待预测电池进行分选。
在步骤S101中，本发明建立的初始退役电池容量分选神经网络模型，选择多层前馈(BP)神经网络模型或者径向基函数(RBF)神经网络模型建立初始退役电池容量分选神经网络模型，可以根据不同的情形，选择不同的神经网络模型建立初始退役电池容量分选神经网络模型。
在步骤S102中，退役电池和正常电池相比会存在不同程度的损耗，无法直接得出退役电池的放电容量，通过获取退役电池的特征参数，能够准确测得退役电池的放电容量。
在步骤S103中，初始退役电池容量分选神经网络模型无法直接用来测量退役电池的放电容量，根据步骤S102中获取到的特征参数的数据，对初始的退役电池容量分选神经网络模型进行训练、验证和测试，得到能够满足分选要求的目标退役电池容量分选神经网络模型。
在步骤S104中，获取待预测退役电池的特征参数，根据步骤S103中得到的能够满足分选要求的目标退役电池容量分选神经网络模型，得到待预测退役电池的放电容量，从而实现对待预测退役电池进行分选。
与现有技术相比，本实施例提供的一种退役电池容量分选方法、装置、设备及存储介质，通过建立神经网络模型，并提取退役电池的特征参数，通过退役电池的特征参数，优化神经网络模型，利用优化后的神经网络模型计算退役电池的放电容量，并根据退役电池的放电容量对电池进行分选，提高了对退役电池容量分选的准确性以及分选的效率。
请参阅图2，图2为本发明提供的获取退役电池的特征参数数据的一实施例的流程示意图，在本发明的一些实施例中，获取退役电池的特征参数数据，包括：
S201、对退役电池按照预设放电倍率进行充放电循环至不同的SOC状态；
S202、对不同SOC状态的退役电池进行处理，得到退役电池的特征曲线；
S203、根据退役电池的特征曲线，获取能够表征退役电池内部状态的特征参数数据。
在步骤S201中，预设放电倍率为0.3～1C，通过在0.3～1C的放电倍率下，对退役电池进行充放电循环，获得退役电池的放电容量，将退役电池调整至不同的SOC状态。
需要说明的是，对于三元电池，调整至30～70％SOC状态下；对于磷酸铁锂电池，调整至10～30％或者70～90％SOC状态。
在步骤S202中，在退役电池达到不同的SOC状态后，将退役电池与电池阻抗测试仪置于同一环境静置足够长的时间，使退役电池、仪器、房间温度保持一致，通过电池阻抗测试仪测得退役电池的交流阻抗，并绘制出退役电池的特征曲线。
在步骤S203中，退役电池的特征曲线，能够反映退役电池的性能，因此可以通过退役电池的特征曲线，得到能够表征退役电池内部状态的特征参数数据。
在上述实施例中，先以0.3～1C的放电倍率对退役电池进行充放电循环，使退役电池达到不同的SOC状态，然后将退役电池和电池阻抗测试仪在同一环境中静置，让它们的温度达到一致，减少了退役电池和电池阻抗测试仪使用时产生的误差，提高了测试的精度，然后用电池阻抗测试仪测得退役电池的交流阻抗，并绘制出退役电池的特征曲线，从而获取表征退役电池内部状态的特征参数数据，测得的数据准确可靠。
在本发明的一些实施例中，退役电池的特征曲线为Nyquist曲线，对不同SOC状态的退役电池进行处理，得到退役电池的特征曲线，包括：
根据预设方法，绘制不同SOC状态的退役电池的Nyquist曲线。
在上述实施例中，预设方法为利用电化学工作站对不同SOC状态下的退役电池进行交流阻抗测试，将电池阻抗测试仪的工作电极和传感电极连接电池正极，辅助电极和参比电极连接电池负极，在测试过程中测试探头线束应固定保持测试的一致，且线束不能与其他金属部件接触，阻抗谱测试仪连接电脑，打开Battery Impedance Meter Application软件，设置测试参数，如频率范围、内阻范围等后，进行阻抗谱测试，绘制得到不同SOC状态下电池的Nyquist曲线。
需要说明的是，测试电池交流阻抗的条件：温度为(25±2)℃，频率为0.05～100KHz。
请参阅图3，图3为图2中步骤S203的一实施例的流程示意图，在本发明的一些实施例中，根据退役电池的特征曲线，获取能够表征退役电池内部状态的特征参数数据，包括：
S301、根据退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型；
S302、将退役电池的Nyquist曲线与等效电路模型拟合处理，得到不同SOC状态的退役电池的拟合结果，并选择满足预设拟合要求的退役电池的拟合结果；
S303、根据满足预设拟合要求的退役电池的拟合结果，获取能够表征退役电池内部状态的特征参数数据。
在步骤S301中，Nyquist曲线是将一个连续时间的线性定常系统频率响应的增益及相位以极坐标的方式绘出的曲线，图上每一点都对应一特定频率下的频率响应，该点相对于原点的角度表示相位，和原点之间的距离表示增益。根据Nyquist曲线的不同，选择合适的等效电路模型，等效电路模型对于电池内部发生的物理效应可以与等效电路模型相互关联，这有助于量化电池充放电及老化过程中电池内部发生的现象。
在步骤S302中，在电化学阻抗谱分析软件中通过选取等效电路模型对Nyquist曲线进行拟合，选取拟合优度最佳的等效电路模型，预设拟合要求为，对比不同SOC状态下等效电路拟合结果，选用拟合优度最佳的电池SOC状态下等效电路的拟合结果。
需要说明的是，电化学阻抗谱分析软件可以是ZSimp Win、Zview、Nova等。
在步骤S303中，选用拟合优度最佳的电池SOC状态下等效电路的拟合结果作为获取特征参数的有效途径，得到表征电池内部状态的等效电路模型各特征参数值。
在上述实施例中，根据退役电池的Nyquist曲线，选择合适的等效电路模型，用电化学阻抗谱分析软件将选取的等效电路模型与Nyquist曲线进行拟合，选取拟合优度最佳的等效电路模型，并根据拟合优度最佳的等效电路模型，得到表征电池内部状态的等效电路模型各特征参数值。
请参阅图4，图4为本发明提供的等效电路模型的结构示意图，在本发明的一些实施例中，根据退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型，包括：
将Nyquist曲线高频部分的感抗用电感L与电阻R串联的复合元件LRs表示；
将Nyquist曲线中低频部分用电容C与电阻R并联的Rp1Cp1和Rp2Cp2的二阶复合元件、电容C与电阻R并联的复合元件Rp1Cp1与Warburg阻抗元件W相结合、Rp1Cp1和Rp2Cp2的二阶复合元件与Warburg阻抗元件W相结合的复合元件表示。
在上述实施例中，根据交流阻抗谱Nyquist曲线高频、中频和低频以及电池本身的特性选择等效电路模型，一般Nyquist曲线高频部位为电池的感抗段，主要是由于设备与系统之间的连接造成的，其实轴截距为测得的电池的欧姆阻抗，主要由电极材料、电解液、隔膜电阻及各部分零件的接触电阻组成，与电池的尺寸、结构、装配等有关，中频部分的半圆为容抗段，电化学极化对电极起主要的作用，在低频部分出现的斜率为1的直线可以用Warburg阻抗表示，产生的浓差极化内阻与电池中反应物和产物的扩散系数和浓度有关。
可以理解的是，所形成的等效电路模型可以是：LR(CR)(CR)、LR(C(WR))、LR(CR)(C(WR))等，得到对应的特征参数可以是：L、Rs、Cp1、Rp1、Cp2、Rp2，L、Rs、Cp1、W、Rp1，L、Rs、Cp1、Rp1、Cp2、W、Rp2等。选用不同的等效电路模型得到不同的特征参数。
在本发明的一些实施例中，建立初始退役电池容量分选神经网络模型，包括：
选择多层前馈神经网络模型或者径向基函数神经网络模型建立初始退役电池容量分选神经网络模型。
在上述实施例中，BP神经网络的隐节点采用输入模式与权向量的内积作为激活函数的自变量，而激活函数采用Sigmoid函数。各隐节点对BP网络的输出具有同等地位的影响，因此BP神经网络是对非线性映射的全局逼近；RBF神经网络的隐节点采用输入模式与中心向量的距离(如欧式距离)作为函数的自变量，并使用径向基函数(如Gaussian函数)作为激活函数。神经元的输入离径向基函数中心越远，神经元的激活程度就越低。RBF网络的输出与数据中心离输入模式较劲的局部隐节点关系较大，RBF神经网络因此具有局部映射特性。
请参阅图5，图5为本发明提供的训练神经网络模型的一实施例的流程示意图，在本发明的一些实施例中，根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型，包括：
S501、将退役电池的特征参数数据分为数据训练集、数据验证集和数据测试集；
S502、利用退役电池的特征参数数据训练集对初始退役电池容量分选神经网络模型进行训练，得到过渡退役电池容量分选神经网络模型；
S503、利用退役电池的特征参数数据验证集对过渡退役电池容量分选神经网络模型的预测性能进行验证，若验证不通过，则再次对过渡退役电池容量分选神经网络模型进行训练；若验证通过，则过渡退役电池容量分选神经网络模型为目标退役电池容量分选神经网络模型；
S504、利用退役电池的特征参数数据测试集对目标退役电池容量分选神经网络模型的预测性能进行测试，获得训练完备的目标退役电池容量分选神经网络模型。
在步骤S501中，初始退役电池容量分选神经网络模型还不能对退役电池的放电容量进行预测，还需要大量的退役电池的特征参数数据对模型进行训练，将退役电池的特征参数数据分为数据训练集、数据验证集和数据测试集。
作为优选的实施例，将训练集的电池个数至少设有20个，验证集至少设有10个，测试集至少设有10个。
在步骤S502中，将数据训练集中的退役电池的特征参数数据输入至初始退役电池容量分选神经网络模型，输出训练集中的退役电池的放电容量，通过比较，选择预测结果好的退役电池容量分选神经网络模型作为过渡退役电池容量分选神经网络模型。
在步骤S503中，通过数据验证集获得总验证损失值，当在验证集上的损失过大，或者优化迭代次数未达到上限时，验证不通过，继续循环训练，验证，优化，直到在验证集上的损失达到预期值或者优化迭代次数达到上限，则该过渡退役电池容量分选神经网络模型为目标退役电池容量分选神经网络模型。
在步骤S504中，得到目标退役电池容量分选神经网络模型后，通过数据测试集对模型进行测试，根据模型的测试结果和实际情况对比，测试目标退役电池容量分选神经网络模型的预测性能，经过一系列的测试后，得到训练完备的目标退役电池容量分选神经网络模型。
在上述实施例中，将数据训练集输入初始退役电池容量分选神经网络模型进行训练，获得过渡退役电池容量分选神经网络模型，再利用数据验证集对过渡退役电池容量分选神经网络模型的预测性能进行验证，直至验证通过得到目标退役电池容量分选神经网络模型，最后利用数据测试集对目标退役电池容量分选神经网络模型的预测性能进行测试，获得目标退役电池容量分选神经网络模型的预测性能。利用提取的退役电池的特征参数对退役电池容量分选神经网络模型进行训练、验证和测试，提升退役电池容量分选神经网络模型的预测准确率，以达到在实际使用过程中对退役电池放电容量进行预测的要求。
为了更好实施本发明实施例中的退役电池容量分选方法，在退役电池容量分选方法基础之上，对应的，请参阅图6，图6为本发明提供的退役电池容量分选装置的一实施例的结构示意图，本发明实施例提供了一种退役电池容量分选装置600，包括：
建模模块601，用于建立初始退役电池容量分选神经网络模型；
获取模块602，用于获取退役电池的特征参数数据；
优化模块603，用于根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；
预测模块604，用于将待预测电池的特征参数数据输入至目标电池容量分选神经网络模型，对待预测电池的放电容量进行预测，并根据放电容量预测的结果对待预测电池进行分选。
这里需要说明的是：上述实施例提供的装置600可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。
请参阅图7，图7为本发明实施例提供的退役电池容量分选电子设备的结构示意图。基于上述退役电池容量分选方法，本发明还相应提供了一种退役电池容量分选设备，退役电池容量分选设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该退役电池容量分选设备包括处理器710、存储器720及显示器730。图7仅示出了电子设备的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器720在一些实施例中可以是退役电池容量分选设备的内部存储单元，例如退役电池容量分选设备的硬盘或内存。存储器720在另一些实施例中也可以是退役电池容量分选设备的外部存储设备，例如退役电池容量分选设备上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，存储器720还可以既包括退役电池容量分选设备的内部存储单元也包括外部存储设备。存储器720用于存储安装于退役电池容量分选设备的应用软件及各类数据，例如安装退役电池容量分选设备的程序代码等。存储器720还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器720上存储有退役电池容量分选程序740，该退役电池容量分选程序740可被处理器710所执行，从而实现本申请各实施例的退役电池容量分选方法。
处理器710在一些实施例中可以是一中央处理器(Central Processing Unit,CPU)，微处理器或其他数据处理芯片，用于运行存储器720中存储的程序代码或处理数据，例如执行退役电池容量分选方法等。
显示器730在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode，有机发光二极管)触摸器等。显示器730用于显示在退役电池容量分选设备的信息以及用于显示可视化的用户界面。退役电池容量分选设备的部件710-730通过系统总线相互通信。
在一实施例中，当处理器710执行存储器720中退役电池容量分选程序740时实现如上的退役电池容量分选方法中的步骤。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。
Claims (7)
1.退役电池容量分选方法，其特征在于，包括：
建立初始退役电池容量分选神经网络模型；
获取退役电池的特征参数数据；
根据所述退役电池的特征参数数据对所述初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；
将待预测电池的特征参数数据输入至所述目标电池容量分选神经网络模型，对所述待预测电池的放电容量进行预测，并根据放电容量预测的结果对待预测电池进行分选；
其中，所述获取退役电池的特征参数数据，包括：
对所述退役电池按照预设放电倍率进行充放电循环至不同的SOC状态；
对所述不同SOC状态的退役电池进行处理，得到所述退役电池的特征曲线；
根据所述退役电池的特征曲线，获取能够表征所述退役电池内部状态的特征参数数据；
其中，所述退役电池的特征曲线为Nyquist曲线，所述对所述不同SOC状态的退役电池进行处理，得到所述退役电池的特征曲线，包括：
根据预设方法，绘制所述不同SOC状态的退役电池的Nyquist曲线；
其中，所述根据所述退役电池的特征曲线，获取能够表征所述退役电池内部状态的特征参数数据，包括：
根据所述退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型；
将所述退役电池的Nyquist曲线与所述等效电路模型拟合处理，得到不同SOC状态的退役电池的拟合结果，并选择满足预设拟合要求的退役电池的拟合结果；
根据所述满足预设拟合要求的退役电池的拟合结果，获取能够表征所述退役电池内部状态的特征参数数据。
2.根据权利要求1所述的退役电池容量分选方法，其特征在于，所述根据所述退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型，包括：
将Nyquist曲线高频部分的感抗用电感L与电阻R串联的复合元件LRs表示；
将Nyquist曲线中低频部分用电容C与电阻R并联的Rp1Cp1和Rp2Cp2的二阶复合元件、电容C与电阻R并联的复合元件Rp1Cp1与Warburg阻抗元件W相结合、Rp1Cp1和Rp2Cp2的二阶复合元件与Warburg阻抗元件W相结合的复合元件表示。
3.根据权利要求1所述的退役电池容量分选方法，其特征在于，所述建立初始退役电池容量分选神经网络模型，包括：
选择多层前馈神经网络模型或者径向基函数神经网络模型建立所述初始退役电池容量分选神经网络模型。
4.根据权利要求1所述的退役电池容量分选方法，其特征在于，所述根据所述退役电池的特征参数数据对所述初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型，包括：
将所述退役电池的特征参数数据分为数据训练集、数据验证集和数据测试集；
利用所述退役电池的特征参数数据训练集对所述初始退役电池容量分选神经网络模型进行训练，得到过渡退役电池容量分选神经网络模型；
利用所述退役电池的特征参数数据验证集对所述过渡退役电池容量分选神经网络模型的预测性能进行验证，若验证不通过，则再次对所述过渡退役电池容量分选神经网络模型进行训练；若验证通过，则所述过渡退役电池容量分选神经网络模型为所述目标退役电池容量分选神经网络模型；
利用所述退役电池的特征参数数据测试集对所述目标退役电池容量分选神经网络模型的预测性能进行测试，获得训练完备的目标退役电池容量分选神经网络模型。
5.一种退役电池容量分选装置，其特征在于，包括：
建模模块，用于建立初始退役电池容量分选神经网络模型；
获取模块，用于获取退役电池的特征参数数据；
优化模块，用于根据所述退役电池的特征参数数据对所述初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；
预测模块，用于将待预测电池的特征参数数据输入至所述目标电池容量分选神经网络模型，对所述待预测电池的放电容量进行预测，并根据放电容量预测的结果对待预测电池进行分选；
其中，所述获取退役电池的特征参数数据，包括：
对所述退役电池按照预设放电倍率进行充放电循环至不同的SOC状态；
对所述不同SOC状态的退役电池进行处理，得到所述退役电池的特征曲线；
根据所述退役电池的特征曲线，获取能够表征所述退役电池内部状态的特征参数数据；
其中，所述退役电池的特征曲线为Nyquist曲线，所述对所述不同SOC状态的退役电池进行处理，得到所述退役电池的特征曲线，包括：
根据预设方法，绘制所述不同SOC状态的退役电池的Nyquist曲线；
其中，所述根据所述退役电池的特征曲线，获取能够表征所述退役电池内部状态的特征参数数据，包括：
根据所述退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型；
将所述退役电池的Nyquist曲线与所述等效电路模型拟合处理，得到不同SOC状态的退役电池的拟合结果，并选择满足预设拟合要求的退役电池的拟合结果；
根据所述满足预设拟合要求的退役电池的拟合结果，获取能够表征所述退役电池内部状态的特征参数数据。
6.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述权利要求1至4中任一项所述退役电池容量分选方法中的步骤。
7.一种计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时，能够实现上述权利要求1至4中任一项所述退役电池容量分选方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111297850.9A CN113933718B (zh) | 2021-11-04 | 2021-11-04 | 一种退役电池容量分选方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111297850.9A CN113933718B (zh) | 2021-11-04 | 2021-11-04 | 一种退役电池容量分选方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113933718A CN113933718A (zh) | 2022-01-14 |
| CN113933718B true CN113933718B (zh) | 2024-02-09 |
Family
ID=79285664
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111297850.9A Active CN113933718B (zh) | 2021-11-04 | 2021-11-04 | 一种退役电池容量分选方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113933718B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116298991B (zh) * | 2023-05-25 | 2023-09-12 | 湖南锂汇通新能源科技有限责任公司 | 一种退役电池容量快速检测评估方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106033113A (zh) * | 2015-03-19 | 2016-10-19 | 国家电网公司 | 一种储能电池组健康状态评估方法 |
| CN109657809A (zh) * | 2018-11-30 | 2019-04-19 | 蔚来汽车有限公司 | 退役电池分组分级方法、系统以及退役电池梯次利用方法 |
| CN110187287A (zh) * | 2019-06-24 | 2019-08-30 | 安徽师范大学 | 一种退役锂电池余能快速检测方法 |
| CN110824375A (zh) * | 2019-10-18 | 2020-02-21 | 广东电网有限责任公司 | 一种退役蓄电池实际容量计算方法 |
| CN111352033A (zh) * | 2018-12-20 | 2020-06-30 | 丰田自动车株式会社 | 电池容量的推定方法以及电池容量的推定装置 |
| CN113484787A (zh) * | 2021-07-27 | 2021-10-08 | 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 |
-
2021
- 2021-11-04 CN CN202111297850.9A patent/CN113933718B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106033113A (zh) * | 2015-03-19 | 2016-10-19 | 国家电网公司 | 一种储能电池组健康状态评估方法 |
| CN109657809A (zh) * | 2018-11-30 | 2019-04-19 | 蔚来汽车有限公司 | 退役电池分组分级方法、系统以及退役电池梯次利用方法 |
| CN111352033A (zh) * | 2018-12-20 | 2020-06-30 | 丰田自动车株式会社 | 电池容量的推定方法以及电池容量的推定装置 |
| CN110187287A (zh) * | 2019-06-24 | 2019-08-30 | 安徽师范大学 | 一种退役锂电池余能快速检测方法 |
| CN110824375A (zh) * | 2019-10-18 | 2020-02-21 | 广东电网有限责任公司 | 一种退役蓄电池实际容量计算方法 |
| CN113484787A (zh) * | 2021-07-27 | 2021-10-08 | 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113933718A (zh) | 2022-01-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
| Liu et al. | State-of-health estimation of lithium-ion batteries based on electrochemical impedance spectroscopy: a review | |
| Xu et al. | A novel adaptive dual extended Kalman filtering algorithm for the Li‐ion battery state of charge and state of health co‐estimation | |
| Zhang et al. | Aging performance characterization and state-of-health assessment of retired lithium-ion battery modules | |
| US11965935B2 (en) | Method and apparatus for operating a system for providing predicted states of health of electrical energy stores for a device using machine learning methods | |
| CN113805064B (zh) | 基于深度学习的锂离子电池组健康状态预测方法 | |
| KR102646875B1 (ko) | 모의전지 구축 방법 및 모의전지 구축 장치 | |
| CN113671381B (zh) | 一种基于时间卷积网络的锂离子动力电池估算方法 | |
| Chang et al. | Micro-fault diagnosis of electric vehicle batteries based on the evolution of battery consistency relative position | |
| CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
| Fang et al. | Estimation of lithium-ion battery soc model based on aga-foukf algorithm | |
| CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
| CN114779089A (zh) | 一种基于储能锂电池等效电路模型计算电池荷电状态方法 | |
| CN110794319A (zh) | 预测锂电池阻抗模型的参数的方法、装置及可读存储介质 | |
| CN112748348B (zh) | 电池低温性能分布水平检测方法、系统及存储介质 | |
| CN113609456A (zh) | 电动汽车光伏充电站可靠性分析方法、系统、介质、终端 | |
| Jia et al. | An adaptive spherical square‐root double unscented Kalman filtering algorithm for estimating state‐of‐charge of lithium‐ion batteries | |
| Yang et al. | Health degradation assessment of proton exchange membrane fuel cell based on multi‐model probability fusion | |
| Xia et al. | A novel prior noise correction-adaptive extended Kalman filtering method for the full parameter and state-of-energy co-estimation of the lithium-ion batteries | |
| CN115267586A (zh) | 锂电池soh评估方法 | |
| Zhang et al. | State-of-charge estimation for lithium primary batteries: Methods and verification | |
| CN110619147A (zh) | 一种应用于恒压工况的二阶及多阶电池等效电路模型构建方法 | |
| Wang et al. | A comparative study of parameter identification fusion methods with a high-precision supercapacitor model for electric vehicles | |
| Lin et al. | Battery Health Prognosis Based on Sliding Window Sampling of Charging Curves and Independently Recurrent Neural Network | |
| CN113030750B (zh) | 锂电池剩余使用参数的检测方法和装置 |
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 |