CN114487835A - 一种粒子群优化birch算法的退役动力电池等级划分方法 - Google Patents
一种粒子群优化birch算法的退役动力电池等级划分方法 Download PDFInfo
- Publication number
- CN114487835A CN114487835A CN202210050378.7A CN202210050378A CN114487835A CN 114487835 A CN114487835 A CN 114487835A CN 202210050378 A CN202210050378 A CN 202210050378A CN 114487835 A CN114487835 A CN 114487835A
- Authority
- CN
- China
- Prior art keywords
- retired power
- power battery
- clustering
- retired
- nodes
- 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.)
- Granted
Links
Images
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]
Abstract
一种粒子群优化BIRCH算法的退役动力电池等级划分方法,首先对退役动力电池的外观进行检测,初步筛选出可二次利用的退役动力电池。选取退役动力电池的容量、内阻和开路电压作为等级划分依据,建立聚类特征树CF Tree,利用CF Tree的CF节点的质心,作为初始聚类中心点。计算电池数据与聚类中心点的欧氏距离。根据“距离就近原则”,对退役动力电池进行初次分类。并通过粒子群不断优化聚类中心点的位置,最终将退役电池划分为若干等级。针对不同等级的退役动力电池,制定不同的后续应用方案。本发明将粒子群的优化思想融入聚类过程中,提高了退役动力电池等级划分的准确性,并且划分到同级别退役动力电池拥有较高的一致性。
Description
技术领域
本发明涉及电动汽车退役动力电池二次应用技术领域,具体涉及退役动力电池的等级划分技术。
背景技术
由于传统燃油汽车对环境的污染日益严重,化石资源的日渐枯竭,新能源汽车的发展已经成为汽车行业的新趋势。我国政府也采取了一系列措施来鼓励新能源汽车行业的发展。新能源汽车主要包括:电动、混动、太阳能、氢能汽车等。随着电动汽车销量的不断增加,退役动力电池的数量也会显著上升,如何处理数量庞大的退役动力电池成为一个重要的问题。
电动汽车对动力电池的性能要求较高,随着充放电次数的增加,电池性能也在逐步衰减。当动力电池不满足汽车使用标准时,必须对其进行更换。若直接对退役动力电池进行报废处理,不仅会造成资源的浪费,而且危害环境。另外,退役的动力电池具有80%左右的剩余容量,可以进行二次应用。但退役动力电池之间的性能参数差异较大,如果不经筛选直接应用,容易造成安全事故。为保证退役动力在二次应用过程中的安全性和可靠性,必须对退役动力电池进行筛选。
目前,针对退役动力电池的筛选方法较多。循环圈数法对电池进行循环充放电实验,得到其开路电压和循环圈数拟合方程,根据循环圈数对电池进行等级划分。该方法耗时较长、效率较低。人工筛选往往只会检测退役动力电池的外观、电阻和容量,不能够反映退役动力电池参数之间的关系,筛选后的一致性较差。应用BIRCH算法的电池分类方法也有缺陷,其生成的CF Tree对数据集的分布十分敏感,容易造成退役动力电池的错误分类。粒子群算法具有搜索全局最优能力强、收敛速度快的特点。因此,本发明采用粒子群优化BIRCH算法,以解决退役动力电池的分类不准确问题。
发明内容
本发明的目的是提供一种粒子群优化BIRCH算法的退役动力电池等级划分方法。
本发明是一种粒子群优化BIRCH算法的退役动力电池等级划分方法,其步骤为:
步骤(1)选取m组电动大巴车退役动力电池进行外观检测,对于存在鼓包、破损情况的退役动力电池,进行回收处理;将剩余n组退役动力电池进行下一步操作;其中,n≤m;
步骤(2)以退役动力电池的容量、内阻和开路电压作为等级划分依据,测量n组退役动力电池的容量、内阻和开路电压的数据参数,得到退役动力电池等级划分的数据集 D={d1,d2,…,dn};
其中,du=(au,bu,cu)0<u≤n,au代表第u组退役动力电池的容量,bu代表第u组退役动力电池的内阻,cu代表第u组退役动力电池的开路电压;
步骤(3)建立聚类特征树CF Tree,该树的每一个节点由若干聚类特征组成;对根节点最大个数K,分支节点最大个数B,每个叶子节点容纳的最大CF数L以及叶子节点每个CF的最大半径阈值T这四个CF Tree参数进行给定;
每一个CF是一个三元组,用(Q,LS,SS)表示,其中Q代表了这个CF中拥有的样本数,LS代表了这个CF中拥有的样本点各特征维度的和向量,SS代表了这个CF中拥有的样本点各特征维度的平方和;N、SS、LS满足如下线性关系;
步骤(4)针对所述步骤(2)所得的数据集D,读入第1组数据d1,将其纳入第一个叶子节点的第一个CF三元组LN1;
步骤(5)读入第2组数据d2,如果它处在前一个CF节点所对应的半径为T的超球体中,则将其置为同一个CF三元组LN1,插入结束;转入步骤(8);否则转入步骤(6);
步骤(6)如果当前叶子节点的CF节点个数小于阈值L,则创建一个新的CF节点,放入第2组数据d2,生成新的三元组LN2,插入结束,转入步骤(8);否则转入步骤(7);
步骤(7)将当前叶子节点划分为两个新叶子节点,选择旧叶子节点中欧式距离相距最远的两个CF节点,分别作为两个新叶子节点的第一个CF节点;将其他元组和新加入元组按照“距离相近”原则放入两个新的叶子节点;依次向上检查分支节点和根节点是否也需要分裂,若需要,则其分裂方式和叶子节点相同;若不需要,则转入步骤(8);
步骤(8)继续读入剩余组的数据dt(2<t≤n),重复步骤(5)到步骤(7);完成对所有数据建立聚类特征树CF Tree;
步骤(9)利用CF Tree的根节点的质心,作为初始电池等级分布的聚类中心;确定聚类中心点个数为k,用ri(t)表示;0<i≤k;以k个聚类中心点作为粒子群算法的优化对象,即共有k个粒子,0<k≤n;
聚类中心点的坐标由退役动力电池的容量、内阻和开路电压参数构成,ri(t)=(xi,yi,zi); x,y,z分别代表第i个聚类中心点的容量、内阻和开路电压;
步骤(10)在退役动力电池数据集D中,随机初始化步骤(8)所得k个聚类中心点的速度向量和位置向量;设置算法最大迭代次数l;0<l≤500;
步骤(11)分别计算n组退役动力电池数据{d1,d2,…,dn}到聚类中心点ri(t)的欧氏距离ρ;通过欧氏距离ρ判断退役动力电池的等级;
根据“距离相近原则”,将n组退役动力电池分别归入与其距离最近的聚类中心点,完成退役动力电池初次等级划分;
步骤(12)根据步骤(11)中的等级划分结果,分别计算出k个聚类中心点的适应度函数f(ri),并对其排序,以得到k个聚类中心点的个体最优值pi(t)和全局最优值g(t);
适应度函数f(ri)可以评价每个聚类中心点的优劣程度;个体最优pi(t)是一个聚类中心点从初始到当前迭代次数产生的最优解;全局最优值g(t)是三个聚类中心点目前的最优解;
步骤(13)通过步骤(12)得到的个体最优值pi(t)和全局最优值g(t)来更新聚类中心点的速度vi(t)和位置zi(t),确定聚类中心点的最优位置,最终将n组退役动力电池划分为k个等级;
所述步骤(11)的欧氏距离的计算公式如下:
所述步骤(12)中自适应度函数f(ri)计算公式如下:
其中,b1和b2是依照电池参数给定的正常数;dmin(zi)代表退役动力电池等级划分的最小的类间距离;代表退役动力电池等级划分的最大的类内平均距离;通过计算f(ri)的最小值,可以使等级划分方案满足类内距离小和类间距离大的特点;
所述步骤(12)中个体最优值pi(t)和全局最优值g(t)的计算公式如下:
g(t+1)=min{pi(t+1)} (公式五)
其中,hi(t+1)为新的个体最优值;
所述步骤(13)中聚类中心点的位置zi(t)和速度vi(t)更新公式如下:
vi(t+1)=ωvi(t)+c1m1(t)(pi(t)-zi(t))+c2m2(t)(g(t)-zi(t)) (公式六)
zi(t+1)=zi(t)+vi(t+1) (公式七)
其中,惯性因子ω≥0,较大的ω有利于跳出局部极大点,而较小的ω有利于算法收敛;学习因子c1和c2为非负常数,一般取c1=c2=2;m1(t)和m2(t)是均匀分布在(0,1)区间的随机数;为防止粒子飞行速度过大导致算法过早收敛得到局部最优解,设定常数vmax=1,通过阈值截取强制vi(t)的每个分量绝对值不超过vmax。
本发明的有益之处是:
(1)本发明粒子群优化BIRCH算法,粒子群中的粒子作为BIRCH算法生成的聚类中心点,使其不再因为初始数据分布问题而出现分类错误。解决BIRCH算法对退役动力电池等级划分不准确的问题。以退役动力电池的容量、内阻和开路电压为划分依据,将电池划分等级。针对不同等级,制定不同的后续应用方案。
(2)与现有技术相比,本发明提供的退役动力电池等级划分方法耗时短、成本低。考虑到后续应用中可能会对退役动力电池其他参数也提出一定要求,在等级划分时可以选用其他电池参数作为划分依据,并非固定的采用容量、内阻和开路电压。
附图说明
图1是本发明的退役动力电池等级划分方法的过程示意图。
具体实施方式
本发明是一种粒子群优化BIRCH算法的退役动力电池等级划分方法,其步骤为:
步骤(1)选取m组电动大巴车退役动力电池进行外观检测,对于存在鼓包、破损情况的退役动力电池,进行回收处理;将剩余n组退役动力电池进行下一步操作;其中,n≤m;
步骤(2)以退役动力电池的容量、内阻和开路电压作为等级划分依据,测量n组退役动力电池的容量、内阻和开路电压的数据参数,得到退役动力电池等级划分的数据集 D={d1,d2,…,dn};
其中,du=(au,bu,cu)0<u≤n,au代表第u组退役动力电池的容量,bu代表第u组退役动力电池的内阻,cu代表第u组退役动力电池的开路电压;
步骤(3)建立聚类特征树CF Tree,该树的每一个节点由若干聚类特征(Clustering Feature,简称CF)组成;对根节点最大个数K,分支节点最大个数B,每个叶子节点容纳的最大CF数 L以及叶子节点每个CF的最大半径阈值T这四个CF Tree参数进行给定;
每一个CF是一个三元组,可以用(Q,LS,SS)表示,其中Q代表了这个CF中拥有的样本数,LS代表了这个CF中拥有的样本点各特征维度的和向量,SS代表了这个CF中拥有的样本点各特征维度的平方和;N、SS、LS满足如下线性关系;
步骤(4)针对所述步骤(2)所得的数据集D,读入第1组数据d1,将其纳入第一个叶子节点的第一个CF三元组LN1;
步骤(5)读入第2组数据d2,如果它处在前一个CF节点所对应的半径为T的超球体中,则将其置为同一个CF三元组LN1,插入结束;转入步骤(8);否则转入步骤(6);
步骤(6)如果当前叶子节点的CF节点个数小于阈值L,则创建一个新的CF节点,放入第2组数据d2,生成新的三元组LN2,插入结束,转入步骤(8);否则转入步骤(7);
步骤(7)将当前叶子节点划分为两个新叶子节点,选择旧叶子节点中欧式距离相距最远的两个CF节点,分别作为两个新叶子节点的第一个CF节点;将其他元组和新加入元组按照“距离相近”原则放入两个新的叶子节点;依次向上检查分支节点和根节点是否也需要分裂,若需要,则其分裂方式和叶子节点相同;若不需要,则转入步骤(8);
步骤(8)继续读入剩余组的数据dt(2<t≤n),重复步骤(5)到步骤(7);完成对所有数据建立聚类特征树CF Tree;
步骤(9)利用CF Tree的根节点的质心,作为初始电池等级分布的聚类中心;确定聚类中心点个数为k,用ri(t)表示;0<i≤k;以k个聚类中心点作为粒子群算法的优化对象,即共有k个粒子,0<k≤n;
聚类中心点的坐标由退役动力电池的容量、内阻和开路电压参数构成,ri(t)=(xi,yi,zi); x,y,z分别代表第i个聚类中心点的容量、内阻和开路电压;
步骤(10)在退役动力电池数据集D中,随机初始化步骤(8)所得k个聚类中心点的速度向量和位置向量;设置算法最大迭代次数l;0<l≤500;
步骤(11)分别计算n组退役动力电池数据{d1,d2,…,dn}到聚类中心点ri(t)的欧氏距离ρ;通过欧氏距离ρ判断退役动力电池的等级;
根据“距离相近原则”,将n组退役动力电池分别归入与其距离最近的聚类中心点,完成退役动力电池初次等级划分;
步骤(12)根据步骤(11)中的等级划分结果,分别计算出k个聚类中心点的适应度函数f(ri),并对其排序,以得到k个聚类中心点的个体最优值pi(t)和全局最优值g(t0;
适应度函数f(ri)可以评价每个聚类中心点的优劣程度;个体最优pi(t)是一个聚类中心点从初始到当前迭代次数产生的最优解;全局最优值g(t)是三个聚类中心点目前的最优解;
步骤(13)通过步骤(12)得到的个体最优值pi(t)和全局最优值g(t)来更新聚类中心点的速度vi(t)和位置zi(t),确定聚类中心点的最优位置,最终将n组退役动力电池划分为k个等级;
所述步骤(11)的欧氏距离的计算公式如下:
所述步骤(12)中自适应度函数f(ri)计算公式如下:
其中,b1和b2是依照电池参数给定的正常数;dmin(zi)代表退役动力电池等级划分的最小的类间距离;代表退役动力电池等级划分的最大的类内平均距离;通过计算f(ri)的最小值,可以使等级划分方案满足类内距离小和类间距离大的特点;
所述步骤(12)中个体最优值pi(t)和全局最优值g(t)的计算公式如下:
g(t+1)=min{pi(t+1)} (公式五)
其中,hi(t+1)为新的个体最优值;
所述步骤(13)中聚类中心点的位置zi(t)和速度vi(t)更新公式如下:
vi(t+1)=ωvi(t)+c1m1(t)(pi(t)-zi(t))+c2m2(t)(g(t)-zi(t)) (公式六)
zi(t+1)=zi(t)+vi(t+1) (公式七)
其中,惯性因子ω≥0,较大的ω有利于跳出局部极大点,而较小的ω有利于算法收敛;学习因子c1和c2为非负常数,一般取c1=c2=2;m1(t)和m2(t)是均匀分布在(0,1)区间的随机数;为防止粒子飞行速度过大导致算法过早收敛得到局部最优解,设定常数vmax=1,通过阈值截取强制vi(t)的每个分量绝对值不超过vmax。
为了更清楚地说明本发明实施的技术方案,下面将结合附图和实施例对本发明做进一步详细、完整地描述。
图1为本实施例中所述方法的实施过程;主要包括以下步骤:
步骤(1)选取330组电动大巴车的退役动力电池进行外观检测,其中有10组电池存在鼓包、破损情况,对这10组电池进行回收处理;将剩余320组退役动力电池进行下一步操作;
步骤(2)测量剩余320组电池的容量、内阻和开路电压的数据参数,得到一个电池参数的数据集{d1,d2,…,d320};
为了对比选取不同参数作为划分依据得到的不同结果,首先选取容量和内阻作为等级划分依据;每组电池都表示为一个二维向量du=(au,bu);a1代表第1组的退役动力电池的容量、 b1代表第1组退役动力电池的内阻;
步骤(3)针对步骤(2)所得数据集D;给定参数A=3,B=50,L=50,T=0.5,建立聚类特征树CF Tree。针对所述步骤(2)所得的数据集D,读入第一组数据d1,将其纳入三元组LN1。
步骤(4)读入第二组数据d2,这个CF节点对应的超球体半径仍然满足小于阈值T,则更新路径上所有的CF三元组,置为同一个三元组,插入结束,转入步骤(7)。否则转入步骤(5)。
步骤(5)如果当前叶子节点的CF节点个数小于阈值L,则创建一个新的CF节点,放入第二组数据d2,将新的CF节点放入这个叶子节点,更新路径上所有的CF三元组,生成新的三元组LN2,插入结束,转入步骤(7)。否则转入步骤(6)。
步骤(6)将当前叶子节点划分为两个新叶子节点,选择旧叶子节点中所有CF元组里超球体距离最远的两个CF元组,分布作为两个新叶子节点的第一个CF节点。将其他元组和新样本元组按照距离远近原则放入对应的叶子节点,依次向上检查父节点是否也需要分裂,若需要,则其分裂方式和叶子节点相同。若不需要,则转入步骤(7)。
步骤(7)继续读入剩余组的数据dt(2<v≤320),重复步骤(4)到步骤(6)。完成对所有数据建立聚类特征树CF Tree。
步骤(8)利用CF Tree的CF节点的质心,作为聚类中心点。由CF节点可知聚类中心点为3个;分别为r1(t)、r2(t)、r3(t);以3个聚类中心点作为粒子群算法的优化对象,即共有3个粒子;
此时,聚类中心点的坐标由退役动力电池的容量和内阻参数构成,ri(t)=(xi,yi);x,y 分别代表第i个聚类中心点的容量和内阻;
步骤(9)在退役动力电池数据集D中,随机初始化步骤(8)所得3个聚类中心点的速度向量和位置向量;设置算法最大迭代次数为500;
步骤(10)分别计算320组退役动力电池数据到3个聚类中心点的欧氏距离ρ;通过欧氏距离来判断退役动力电池的等级;
根据“距离相近原则”,将n组退役动力电池分别归入与其距离最近的聚类中心,完成退役动力电池的初次等级划分;欧氏距离ρ计算公式如下:
步骤(11)根据步骤(10)中的等级划分结果,分别计算3个聚类中心点的自适应度函数f(ri)来优化聚类中心点的位置;自适应度函数f(ri)计算公式如下:
其中,b1和b2是依照电池参数给定的正常数;dmin(zi)代表退役动力电池等级划分的最小的类间距离;代表退役动力电池等级划分的最大的类内平均距离;通过计算f(ri)的最小值,可以使等级划分方案满足类内距离小和类间距离大的特点;
步骤(12)由步骤(11)得到的适应度函数f(ri),计算个体最优值pi(t)和全局最优值g(t);
个体最优值pi(t)和全局最优值g(t)的计算公式如下:
g(t+1)=min{pi(t+1)} (公式十一)
其中,hi(t+1)为新的个体最优值;
步骤(13)通过步骤(12)得到的个体最优值pi(t)和全局最优值g(t)来更新聚类中心点的速度vi(t)和位置zi(t),更新退役动力电池的等级分布;
聚类中心点的位置zi(t)和速度vi(t)更新公式如下:
vi(t+1)=ωvi(t)+c1m1(t)(pi(t)-zi(t))+c2m2(t)(g(t)-zi(t)) (公式十二)
zi(t+1)=zi(t)+vi(t+1) (公式十三)
其中,惯性因子ω≥0,较大的ω有利于跳出局部极大点,而较小的ω有利于算法收敛;学习因子c1和c2为非负常数,一般取c1=c2=2;m1(t)和m2(t)是均匀分布在(0,1)区间的随机数;为防止粒子飞行速度过大导致算法过早收敛得到局部最优解,设定常数vmax=1,通过阈值截取强制vi(t)的每个分量绝对值不超过vmax;
步骤(14)通过算法的不断迭代,最终将320组退役动力电池划分为3个等级;
聚类结果有3个聚类中心点,坐标分别为(20.21,2.437)、(16.70,7.631)、(12.89,10.4);退役动力电池等级划分结果如表1所示:
表1二维电池参数的电池等级分布
步骤(15)为了使等级划分的更加准确,将容量、内阻和开路电压三个指标作为等级划分依据;重复步骤(10)到步骤(14);
此时,每组电池都表示为3维向量du=(au,bu,cu);a1代表第1组的退役动力电池的容量, b1代表第1组退役动力电池的内阻,c1代表第1组退役动力电池的开路电压;聚类中心点ri(t) 也为3维向量,ri(t)=(xi,yi,zi);x1,y1,z1分别代表第1个聚类中心点的容量、内阻和开路电压;
得到的聚类结果有3个聚类中心点,坐标分别为(20.21,2.437,3.098)、(16.70,7.631,2.805)、 (12.89,10.4,2.621);电池等级划分结果如表2所示:
表2三维电池参数的电池等级分布
由表1可知,使用容量和内阻作为等级划分依据时,不同等级电池的内阻参数存在重叠现象。由表2可知,在加入电池开路电压作为等级划分依据后,解决了由于退役动力电池参数处于重叠区域而出现的归类错误问题,进一步增加等级划分精确性与可靠性。
将不同等级的退役动力电池应用在不同的领域,如新能源汽车、变电站、发电站的储能电池、电动自行车储能电池、家用储能电池或废弃电池回收领域。由表1和表2可知,Ⅰ等电池综合性能最优,可以应用在对电池性能要求较高的环境,如变电站、发电站的储能领域。Ⅱ等电池综合性能良好,可以应用在对电池性能要求一般的环境,如电动自行车的储能领域。Ⅲ等电池综合性能一般,可以应用在家庭储能领域。
以上是本发明的实施方法,对于本领域内的一般技术员而言,在不花费创造性劳动的情况下,可对上述实施例进行多种变化,同样能够实现本发明的目的。但是很明显,这种变化应该包含在本发明权利要求书的保护范围内。
Claims (1)
1.一种粒子群优化BIRCH算法的退役动力电池等级划分方法,其特征在于,其步骤为:
步骤(1)选取m组电动大巴车退役动力电池进行外观检测,对于存在鼓包、破损情况的退役动力电池,进行回收处理;将剩余n组退役动力电池进行下一步操作;其中,n≤m;
步骤(2)以退役动力电池的容量、内阻和开路电压作为等级划分依据,测量n组退役动力电池的容量、内阻和开路电压的数据参数,得到退役动力电池等级划分的数据集D={d1,d2,L,dn};
其中,du=(au,bu,cu)0<u≤n,au代表第u组退役动力电池的容量,bu代表第u组退役动力电池的内阻,cu代表第u组退役动力电池的开路电压;
步骤(3)建立聚类特征树CF Tree,该树的每一个节点由若干聚类特征组成;对根节点最大个数K,分支节点最大个数B,每个叶子节点容纳的最大CF数L以及叶子节点每个CF的最大半径阈值T这四个CF Tree参数进行给定;
每一个CF是一个三元组,用(Q,LS,SS)表示,其中Q代表了这个CF中拥有的样本数,LS代表了这个CF中拥有的样本点各特征维度的和向量,SS代表了这个CF中拥有的样本点各特征维度的平方和;N、SS、LS满足如下线性关系;
步骤(4)针对所述步骤(2)所得的数据集D,读入第1组数据d1,将其纳入第一个叶子节点的第一个CF三元组LN1;
步骤(5)读入第2组数据d2,如果它处在前一个CF节点所对应的半径为T的超球体中,则将其置为同一个CF三元组LN1,插入结束;转入步骤(8);否则转入步骤(6);
步骤(6)如果当前叶子节点的CF节点个数小于阈值L,则创建一个新的CF节点,放入第2组数据d2,生成新的三元组LN2,插入结束,转入步骤(8);否则转入步骤(7);
步骤(7)将当前叶子节点划分为两个新叶子节点,选择旧叶子节点中欧式距离相距最远的两个CF节点,分别作为两个新叶子节点的第一个CF节点;将其他元组和新加入元组按照“距离相近”原则放入两个新的叶子节点;依次向上检查分支节点和根节点是否也需要分裂,若需要,则其分裂方式和叶子节点相同;若不需要,则转入步骤(8);
步骤(8)继续读入剩余组的数据dt(2<t≤n),重复步骤(5)到步骤(7);完成对所有数据建立聚类特征树CF Tree;
步骤(9)利用CF Tree的根节点的质心,作为初始电池等级分布的聚类中心;确定聚类中心点个数为k,用ri(t)表示;0<i≤k;以k个聚类中心点作为粒子群算法的优化对象,即共有k个粒子,0<k≤n;
聚类中心点的坐标由退役动力电池的容量、内阻和开路电压参数构成,ri(t)=(xi,yi,zi);x,y,z分别代表第i个聚类中心点的容量、内阻和开路电压;
步骤(10)在退役动力电池数据集D中,随机初始化步骤(8)所得k个聚类中心点的速度向量和位置向量;设置算法最大迭代次数l;0<l≤500;
步骤(11)分别计算n组退役动力电池数据{d1,d2,L,dn}到聚类中心点ri(t)的欧氏距离ρ;通过欧氏距离ρ判断退役动力电池的等级;
根据“距离相近原则”,将n组退役动力电池分别归入与其距离最近的聚类中心点,完成退役动力电池初次等级划分;
步骤(12)根据步骤(11)中的等级划分结果,分别计算出k个聚类中心点的适应度函数f(ri),并对其排序,以得到k个聚类中心点的个体最优值pi(t)和全局最优值g(t);
适应度函数f(ri)可以评价每个聚类中心点的优劣程度;个体最优pi(t)是一个聚类中心点从初始到当前迭代次数产生的最优解;全局最优值g(t)是三个聚类中心点目前的最优解;
步骤(13)通过步骤(12)得到的个体最优值pi(t)和全局最优值g(t)来更新聚类中心点的速度vi(t)和位置zi(t),确定聚类中心点的最优位置,最终将n组退役动力电池划分为k个等级;
所述步骤(11)的欧氏距离的计算公式如下:
所述步骤(12)中自适应度函数f(ri)计算公式如下:
其中,b1和b2是依照电池参数给定的正常数;dmin(zi)代表退役动力电池等级划分的最小的类间距离;代表退役动力电池等级划分的最大的类内平均距离;通过计算f(ri)的最小值,可以使等级划分方案满足类内距离小和类间距离大的特点;
所述步骤(12)中个体最优值pi(t)和全局最优值g(t)的计算公式如下:
g(t+1)=min{pi(t+1)} (公式五)
其中,hi(t+1)为新的个体最优值;
所述步骤(13)中聚类中心点的位置zi(t)和速度vi(t)更新公式如下:
vi(t+1)=ωvi(t)+c1m1(t)(pi(t)-zi(t))+c2m2(t)(g(t)-zi(t)) (公式六)
zi(t+1)=zi(t)+vi(t+1) (公式七)
其中,惯性因子ω≥0,较大的ω有利于跳出局部极大点,而较小的ω有利于算法收敛;学习因子c1和c2为非负常数,一般取c1=c2=2;m1(t)和m2(t)是均匀分布在(0,1)区间的随机数;为防止粒子飞行速度过大导致算法过早收敛得到局部最优解,设定常数vmax=1,通过阈值截取强制vi(t)的每个分量绝对值不超过vmax。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050378.7A CN114487835B (zh) | 2022-01-17 | 2022-01-17 | 一种粒子群优化birch算法的退役动力电池等级划分方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050378.7A CN114487835B (zh) | 2022-01-17 | 2022-01-17 | 一种粒子群优化birch算法的退役动力电池等级划分方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114487835A true CN114487835A (zh) | 2022-05-13 |
CN114487835B CN114487835B (zh) | 2023-01-03 |
Family
ID=81512217
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210050378.7A Active CN114487835B (zh) | 2022-01-17 | 2022-01-17 | 一种粒子群优化birch算法的退役动力电池等级划分方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114487835B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115308631A (zh) * | 2022-10-09 | 2022-11-08 | 湖北工业大学 | 一种新能源汽车动力电池组故障诊断方法及系统 |
CN117034051A (zh) * | 2023-07-27 | 2023-11-10 | 广东省水利水电科学研究院 | 基于birch算法的水利信息聚合方法、装置及介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008268161A (ja) * | 2007-03-29 | 2008-11-06 | Furukawa Electric Co Ltd:The | バッテリ残存容量推定方法、バッテリ残存容量推定装置及びバッテリ電源システム |
CN103793605A (zh) * | 2014-01-26 | 2014-05-14 | 浙江省计量科学研究院 | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 |
JP6490882B1 (ja) * | 2018-04-17 | 2019-03-27 | 三菱電機株式会社 | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム |
CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
CN110752410A (zh) * | 2019-10-30 | 2020-02-04 | 上海理工大学 | 一种快速分选和重组退役锂电池的方法 |
CN111474490A (zh) * | 2020-04-09 | 2020-07-31 | 北方工业大学 | 一种梯次利用电池快速筛选方法 |
-
2022
- 2022-01-17 CN CN202210050378.7A patent/CN114487835B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008268161A (ja) * | 2007-03-29 | 2008-11-06 | Furukawa Electric Co Ltd:The | バッテリ残存容量推定方法、バッテリ残存容量推定装置及びバッテリ電源システム |
CN103793605A (zh) * | 2014-01-26 | 2014-05-14 | 浙江省计量科学研究院 | 基于粒子群算法的磷酸铁锂动力电池等效电路模型参数估计的方法 |
JP6490882B1 (ja) * | 2018-04-17 | 2019-03-27 | 三菱電機株式会社 | 蓄電池診断装置および蓄電池診断方法、並びに蓄電池制御システム |
CN110688808A (zh) * | 2019-09-24 | 2020-01-14 | 南通大学 | 一种动力电池模型的粒子群及lm优化混合迭代辨识方法 |
CN110752410A (zh) * | 2019-10-30 | 2020-02-04 | 上海理工大学 | 一种快速分选和重组退役锂电池的方法 |
CN111474490A (zh) * | 2020-04-09 | 2020-07-31 | 北方工业大学 | 一种梯次利用电池快速筛选方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115308631A (zh) * | 2022-10-09 | 2022-11-08 | 湖北工业大学 | 一种新能源汽车动力电池组故障诊断方法及系统 |
CN117034051A (zh) * | 2023-07-27 | 2023-11-10 | 广东省水利水电科学研究院 | 基于birch算法的水利信息聚合方法、装置及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN114487835B (zh) | 2023-01-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN114487835B (zh) | 一种粒子群优化birch算法的退役动力电池等级划分方法 | |
CN106383316B (zh) | 一种梯次利用锂电池性能评价方法 | |
CN103269096B (zh) | 一种基于聚类分析的电池组均衡方法 | |
CN107785624A (zh) | 一种评估锂电池性能的方法 | |
CN112510707B (zh) | 一种配电台区电力阻抗拓扑图生成方法及系统 | |
CN107024663A (zh) | 基于充电曲线特征kpca聚类的锂电池筛选方法 | |
CN110806541B (zh) | 一种基于ad-bas的锂电池模型参数辨识方法 | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN113887601A (zh) | 一种基于聚类分选的退役动力电池重组方法 | |
CN107362989B (zh) | 一种锂离子动力电池的分选方法 | |
CN113255746B (zh) | 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 | |
CN112186278B (zh) | 一种锂离子电池配组方法 | |
Jiang et al. | Optimization of variable-current charging strategy based on SOC segmentation for Li-ion battery | |
CN109143093A (zh) | 基于纵横交叉优化神经网络的电池soc估算方法 | |
CN114429050A (zh) | 一种退役动力电池梯次利用的分选方法 | |
CN115121507B (zh) | 一种低测试成本的退役动力电池分选方法 | |
CN108767340A (zh) | 锂离子电池梯次利用的分组方法 | |
Yang et al. | A new self-learning TLBO algorithm for RBF neural modelling of batteries in electric vehicles | |
CN113281657A (zh) | 一种智能评估退役电池余能分类和梯次利用方法 | |
CN116736159A (zh) | 一种退役动力电池梯次利用快速一致性筛分方法 | |
CN110826645A (zh) | 基于Adaboost算法的锂电池退役检测方法及系统 | |
CN114798502B (zh) | 梯次利用电池的分类成组方法、系统及生产线 | |
CN111652392B (zh) | 一种面向废旧移动终端的低碳高效拆卸线平衡优化方法 | |
CN111814099B (zh) | 一种指导招标采购用的电化学储能系统评价方法 |
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 |