CN114669508A - 一种退役电池梯次利用单体筛选方法 - Google Patents
一种退役电池梯次利用单体筛选方法 Download PDFInfo
- Publication number
- CN114669508A CN114669508A CN202210196405.1A CN202210196405A CN114669508A CN 114669508 A CN114669508 A CN 114669508A CN 202210196405 A CN202210196405 A CN 202210196405A CN 114669508 A CN114669508 A CN 114669508A
- Authority
- CN
- China
- Prior art keywords
- battery
- data
- retired
- kernel function
- svm
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 238000012216 screening Methods 0.000 title claims abstract description 15
- 239000000178 monomer Substances 0.000 title claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 21
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000006798 recombination Effects 0.000 abstract description 6
- 238000005215 recombination Methods 0.000 abstract description 6
- 238000011160 research Methods 0.000 abstract description 2
- 238000007599 discharging Methods 0.000 description 6
- 239000013598 vector Substances 0.000 description 4
- 238000012360 testing method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/342—Sorting according to other particular properties according to optical properties, e.g. colour
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
Abstract
本发明涉及退役电池梯次技术领域,尤其涉及一种退役电池梯次利用单体筛选方法,包括采集电池数据;选取SVM模型的不同核函数对电池数据进行分析,并通过不同核函数选出超平面对电池进行分类;基于模糊隶属度模型对不同核函数的SVM模型的电池分类结果进行融合,得到最终电池分类结果。本发明通过数据驱动决策融合更加准确的对电池进行筛选分类,为将来退役电池梯次利用的研究提供了更多的可能性,多核SVM的计算更加全面的提高了电池分类的可靠性,有效提高了退役电池筛选的精确度,保障了退役电池重组后的安全性。
Description
技术领域
本发明涉及退役电池梯次利用技术领域,尤其涉及一种退役电池梯次利用单体筛选方法。
背景技术
近年来,我国电动汽车的保有量在不断增加,依据据中国汽车工业协会最新统计显示,截至2021年5月底,我国新能源汽车保有量约580万辆,约占全球新能源汽车总量的50%。在2021年1~5月,我国新能源汽车产销分别完成96.7万辆和95万辆,同比均增长2.2倍,增长势头强劲。电动汽车的快速发展,带来的问题是退役电池的数量剧增。根据行业经验,当电动汽车的动力电池容量衰减至80%时,动力电池将无法满足电动汽车的行驶要求,面临退役。按照当前我国的电动汽车发展速度,预计2023年前后将迎来退役电池数量的高峰。针对这些退役电池,直接报废拆解,则会造成资源的严重浪费并且对环境造成污染。为此,国家大力提倡退役电池进行梯次再利用。然而退役电池单体之间的参数(电压、容量和内阻等)不尽相同,直接对退役电池梯次利用可能会加速退役电池的衰老程度,极大减少电池的使用寿命,更严重的是,不合理的重组退役电池组在充放电时,存在电池温度失控的问题,甚至引发电池自燃。目前国内退役电池筛选重组的方法比较粗糙,重组后的电池组没有完全发挥其剩余价值,针对此问题,本发明提出了退役电池梯次利用决策融合的方法对退役电池进行筛选。
发明内容
本发明要解决的技术问题是:通过对电池的电压、SOH、内阻进行单核SVM分类,再进行决策融合得出最后的电池重组方案,可以有效的提高退役电池的剩余使用寿命,极大的保证了退役电池重组后的使用安全。
本发明所采用的技术方案是:一种退役电池梯次利用单体筛选方法包括以下步骤:
S1、电池数据的采集;
电池数据包括:电池完整充放电曲线、重组电池组稳定放电时间、放电前后电池单体内阻;
其中,电池完整充放电曲线中获取通电状态下最大电压U1、SOV特征曲线零点电压U2、电池SOH。
S2、构造单核SVM模型;
S21、构造服从约束的目标函数:
0≤αi≤C (3)
其中,其中(xi,yi)为训练样本,xi的样本的特征向量,yi为类别标签,c为常系数,αi、αj为对偶函数的输出;
S22、用序列最小优化算法求出式(1)最小时对应的α向量的α*向量;
S23、找出所有满足条件的向量,即0≤αi≤C对应的样本(xs,ys),通过公式:
分类超平面公式为:w*·K(xi,xj)+b*=0 (5)
其中,K为满足所有x,y的条件的核函数;
决策函数为:f(x)=sign(x*·K(xi,xj)+b*) (6)
S3、选取三种不同核函数对电池数据进行分析,并通过不同核函数选出超平面对电池进行分类;
采用径向基核函数(Radial Basis Function,RBF)、线性核函数(Linear)、多项式核函数(Polynomial)三种核函数;RBF核函数以欧氏距离来度量样本间的相似性,具有平移不变性与计算简单等优势,可以将数据映射到无限维度;Linear核函数参数少,计算速度快,更适用于线性可分的数据;Polynomial核函数能使线性不可分的数据经过升维变得可分,但会相应提高计算复杂度;
核函数分别为RBF核函数、Linear核函数和Polynomial核函数:
Linear核函数:Ki,j=<xi,xj> (8)
Polynomial核函数:Ki,j=(<xi,xj>+b)d (9)
RBF核函数和Polynomial核函数是把低维的样本数据升维到高维的,寻找函数的超平面,实现电池分类的目的;Linear核函数则是直接对样本数据进行划分,分类电池。
根据电池单体循环次数、外观直观条件,将退役单体电池划分为优秀I、良好II、一般III三个类别,选取电池的四个特征值进行分类,为通电状态下最大电压U1、SOV特征曲线零点电压U2、电池SOH、电池直流内阻r。
S4、基于模糊隶属度函数对RBF核函数、Linear核函数和Polynomial核函数的SVM模型的电池分类结果进行融合,得到最终电池分类结果。
基于模糊隶属度的决策融合规则如下:
对于同一电池的数据,若该数据所属类在各单核SVM分类结果中相同,则将这一类别赋予决策融合后的相应电池类别;
若各单核SVM分类结果不同,比较三种单核函数分出的该电池类别,如果某一单核类别与其他一类单核类别相同,则将这一类赋予决策融合后的电池类别;
若不符合上述情况,则计算该电池数据在各单核分类结果图中属于各类别的隶属度,通过公式(10)计算得到该电池数据对于各类别的隶属度,将隶属度高的类别作为最终决策融合的结果;
本发明的有益效果是:
1、提出的退役电池梯次利用决策融合的方法,提出并通过数据驱动决策融合更加准确的电池进行筛选分类,为将来退役电池梯次利用的研究提供了更多的可能性,多核SVM的计算更加全面的提高了电池分类的可靠性,有效提高了退役电池筛选的精确度,保障了退役电池重组后的安全性。
附图说明
图1是本发明的退役电池梯次利用单体筛选方法流程图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,此图为简化的示意图,仅以示意方式说明本发明的基本结构,因此其仅显示与本发明有关的构成。
如图1所示,一种退役电池梯次利用单体筛选方法包括以下步骤:
S1、电池数据的采集;
选取的电池为200节退役的型号为NCR18650B的锂电池,电池最大电压为4~4.2V,最大可用容量为3000~3250mAh,由仪器JK5530B记录电池数据、完整曲线;获取电池数据方法:电池的充电电流为1.68A、充电电压为4.20V、限制电流为0.10A;电池的放电电流为1.68A、放电电压为4.20V、限制电压为2.75V。
S2、构造单核SVM模型;
S3、选取三种不同核函数对电池数据进行分析,并通过不同核函数选出超平面对电池进行分类;
根据电池单体循环次数、外观等至直观条件,将退役单体电池划分为优秀I、良好II、一般III三个类别,本发明中选取电池的四个特征值进行分类,为通电状态下最大电压U1、SOV特征曲线零点电压U2、电池SOH、电池直流内阻r。将电池数据分为测试集与验证集,测试集与验证集的比例按照4:1划分。
本文训练数据共选取160个数据,测试数据选取40个数据,比例4:1,包含I类电池,II类电池,III三类电池3个类别,样本数据的分布如表2所示:
表2样本数据分布
S4、基于模糊隶属度函数对RBF核函数、Linear核函数和Polynomial核函数的SVM模型的电池分类结果进行融合,得到最终电池分类结果。
对于同一电池的数据,若该数据所属类在各单核SVM分类结果中相同,则将这一类别赋予决策融合后的相应电池类别;
例如:三种核函数均将序号1电池分类为II类电池,则序号1电池融合结果为II类电池;
若各单核SVM分类结果不同,比较三种单核函数分出的该电池类别,如果某一单核类别与其他一类单核类别相同,则将这一类赋予决策融合后的电池类别;
例如:RBF核函数、Linear核函数将序号2电池分类为I类电池、Polynomial核函数将序号2电池分类为II类电池,则将电池分为I类;
若不符合上述情况,则计算该电池数据在各单核分类结果图中属于各类别的隶属度,通过公式(10)计算得到该电池数据对于各类别的隶属度,将隶属度高的类别作为最终决策融合的结果;
例如:RBF核函数将序号3电池分类为I类电池、Linear核函数将序号3电池分类为III类电池、Polynomial核函数将序号3电池分类为II类电池,则根据模糊隶属度函数计算,分别得出三种核函数的隶属度Pi,RBF核函数Pi=0.5+0.7*(0.9-0.5)=0.78;Linear核函数Pi=0.5+0.8*(0.8-0.5)=0.74;
Polynomial核函数Pi=0.5+0.7*(0.8-0.5)=0.71;根据判别选择RBF核函数选择电池类别,即为I类电池。
建立电池评价指标:SOH标准差、稳定放电时间、内阻标准差;
SOH标准差:该类别电池单体SOH的标准差;
稳定放电时间:同一类别的电池进行串联重组,4个为一组串联起来,进行等流放电,在电流开始变化时,终止计时,取该类别所有重组电池组的放电时间平均值;
内阻标准差:该类别重组电池组中所有放电前各电池单体中最小的内阻和放电后各电池单体中最大的内阻的标准差;
对比单核与多核决策融合结果如表3所示:
表3单核与多核决策融合的数据
从表3看出在单核SVM电池分类中,RBF、Linear和Polynomial均有很好的分类表现,其中,RBF的SOH标准差最理想,为23.65;Linear稳定放电时间最长,为6873秒;RBF内阻变化的标准差最小;
而多核决策融合的电池总分类精度、稳定放电时间和内阻变化均方差均优于单核模型,比单核标准差降低了5.31~18.1,稳定放电时间提237~708s,内阻标准差下降了了0.49~1.58;多核决策融合算法将各单核的优势互补,进一步提高了电池分类后稳定放电时间及重组电池组的使用安全程度。
以上述依据本发明的理想实施例为启示,通过上述的说明内容,相关工作人员完全可以在不偏离本项发明技术思想的范围内,进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容,必须要根据权利要求范围来确定其技术性范围。
Claims (4)
1.一种退役电池梯次利用单体筛选方法,其特征在于,包括以下步骤:
采集电池数据;
选取SVM模型的不同核函数对电池数据进行分析,并通过不同核函数选出超平面对电池进行分类;
基于模糊隶属度模型对不同核函数的SVM模型的电池分类结果进行融合,得到最终电池分类结果。
2.根据权利要求1所述的退役电池梯次利用单体筛选方法,其特征在于,所述电池数据包括:通电状态下最大电压U1、SOV特征曲线零点电压U2、电池SOH、重组电池组稳定放电时间和放电前后电池单体内阻。
3.根据权利要求1所述的退役电池梯次利用单体筛选方法,其特征在于,所述不同核函数包括:径向基核函数、线性核函数和多项式核函数。
4.根据权利要求1所述的退役电池梯次利用单体筛选方法,其特征在于,
所述模糊隶属度模型是对不同核函数的SVM模型的电池分类结果进行融合,规则如下:
对于同一电池的数据,若电池数据所属类在不同核函数的SVM分类结果中相同,则将这一类别赋予决策融合后的相应电池类别;
若核函数的SVM分类结果不同,比较三种单核函数分出的电池类别,如果某一核函数的类别与其他核函数的类别相同,则将这一类赋予决策融合后的电池类别;
否则,通过公式(10)计算电池数据在不同核函数分类结果图中属于不同类别的隶属度,并将隶属度高的类别作为最终决策融合的结果,公式(10)如下所示:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210196405.1A CN114669508A (zh) | 2022-03-01 | 2022-03-01 | 一种退役电池梯次利用单体筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210196405.1A CN114669508A (zh) | 2022-03-01 | 2022-03-01 | 一种退役电池梯次利用单体筛选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114669508A true CN114669508A (zh) | 2022-06-28 |
Family
ID=82073431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210196405.1A Pending CN114669508A (zh) | 2022-03-01 | 2022-03-01 | 一种退役电池梯次利用单体筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114669508A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4633418A (en) * | 1984-07-11 | 1986-12-30 | The United States Of America As Represented By The Secretary Of The Air Force | Battery control and fault detection method |
CN106203487A (zh) * | 2016-06-30 | 2016-12-07 | 北京航空航天大学 | 一种基于多核学习分类器融合的图像分类方法及装置 |
CN107330474A (zh) * | 2017-07-12 | 2017-11-07 | 北京科技大学 | 一种锂电池梯次利用筛选方法 |
CN108155426A (zh) * | 2017-12-25 | 2018-06-12 | 合肥工业大学智能制造技术研究院 | 基于衰减特性参数的电池梯次利用方法 |
CN111178383A (zh) * | 2019-11-29 | 2020-05-19 | 合肥国轩高科动力能源有限公司 | 一种基于多核支持向量机的电池单体品质分类方法 |
CN113920445A (zh) * | 2021-10-08 | 2022-01-11 | 自然资源部第一海洋研究所 | 基于多核分类模型决策融合的海面溢油检测方法 |
-
2022
- 2022-03-01 CN CN202210196405.1A patent/CN114669508A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US4633418A (en) * | 1984-07-11 | 1986-12-30 | The United States Of America As Represented By The Secretary Of The Air Force | Battery control and fault detection method |
CN106203487A (zh) * | 2016-06-30 | 2016-12-07 | 北京航空航天大学 | 一种基于多核学习分类器融合的图像分类方法及装置 |
CN107330474A (zh) * | 2017-07-12 | 2017-11-07 | 北京科技大学 | 一种锂电池梯次利用筛选方法 |
CN108155426A (zh) * | 2017-12-25 | 2018-06-12 | 合肥工业大学智能制造技术研究院 | 基于衰减特性参数的电池梯次利用方法 |
CN111178383A (zh) * | 2019-11-29 | 2020-05-19 | 合肥国轩高科动力能源有限公司 | 一种基于多核支持向量机的电池单体品质分类方法 |
CN113920445A (zh) * | 2021-10-08 | 2022-01-11 | 自然资源部第一海洋研究所 | 基于多核分类模型决策融合的海面溢油检测方法 |
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 | |
CN109031145B (zh) | 一种考虑不一致性的串并联电池组模型及实现方法 | |
CN109165687B (zh) | 基于多分类支持向量机算法的车用锂电池故障诊断方法 | |
Lin et al. | Estimation of battery state of health using probabilistic neural network | |
CN110614236B (zh) | 一种退役电池梯次利用的筛选方法 | |
CN112103580B (zh) | 一种基于等效内阻的锂电池充电方法 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN113158947B (zh) | 一种动力电池健康评分方法、系统及存储介质 | |
CN113887601A (zh) | 一种基于聚类分选的退役动力电池重组方法 | |
CN112791997B (zh) | 一种退役电池梯次利用筛选的方法 | |
CN111974709B (zh) | 基于温度变化聚类分析的退役动力锂电池筛选方法及系统 | |
CN111420898B (zh) | 一种退役电池分选方法及其应用的系统 | |
CN110490263A (zh) | 基于充放电曲线与模糊聚类的电池分选方法 | |
CN115121507B (zh) | 一种低测试成本的退役动力电池分选方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
Ben-Marzouk et al. | Generation of a real-life battery usage pattern for electrical vehicle application and aging comparison with the WLTC profile | |
CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
CN111797568A (zh) | 一种基于最小能耗的锂电池充电方法 | |
CN114669508A (zh) | 一种退役电池梯次利用单体筛选方法 | |
Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
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 | |
CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
CN116068402A (zh) | 新能源汽车锂电池状态预测方法、装置、设备及存储介质 | |
CN116008815A (zh) | 一种电芯内短路检测方法、装置、设备、存储介质及车辆 | |
CN116804715A (zh) | 一种判断导致电池系统出现不一致原因的方法 |
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 |