CN117949831B - 一种可调式物理相似模拟实验平台 - Google Patents
一种可调式物理相似模拟实验平台 Download PDFInfo
- Publication number
- CN117949831B CN117949831B CN202410353602.9A CN202410353602A CN117949831B CN 117949831 B CN117949831 B CN 117949831B CN 202410353602 A CN202410353602 A CN 202410353602A CN 117949831 B CN117949831 B CN 117949831B
- Authority
- CN
- China
- Prior art keywords
- sub
- battery
- performance
- batteries
- battery pack
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 88
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 106
- 238000011156 evaluation Methods 0.000 claims abstract description 80
- 238000009826 distribution Methods 0.000 claims abstract description 75
- 230000002068 genetic effect Effects 0.000 claims abstract description 26
- 238000012216 screening Methods 0.000 claims abstract description 25
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000001514 detection method Methods 0.000 claims description 48
- 230000001172 regenerating effect Effects 0.000 claims description 41
- 238000003860 storage Methods 0.000 claims description 32
- 238000004146 energy storage Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 6
- 238000007873 sieving Methods 0.000 claims description 5
- 238000011084 recovery Methods 0.000 abstract description 13
- 230000008901 benefit Effects 0.000 abstract description 7
- 239000002699 waste material Substances 0.000 abstract description 5
- 238000000034 method Methods 0.000 description 98
- 230000008569 process Effects 0.000 description 60
- 238000012545 processing Methods 0.000 description 42
- 238000004064 recycling Methods 0.000 description 38
- 230000007246 mechanism Effects 0.000 description 33
- 239000000243 solution Substances 0.000 description 29
- 238000012360 testing method Methods 0.000 description 29
- 238000011161 development Methods 0.000 description 22
- 230000018109 developmental process Effects 0.000 description 22
- 238000005457 optimization Methods 0.000 description 20
- 238000005516 engineering process Methods 0.000 description 14
- 238000004364 calculation method Methods 0.000 description 13
- 210000004027 cell Anatomy 0.000 description 12
- 230000007613 environmental effect Effects 0.000 description 12
- 230000005540 biological transmission Effects 0.000 description 11
- 230000033001 locomotion Effects 0.000 description 11
- 230000035772 mutation Effects 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 10
- 230000009286 beneficial effect Effects 0.000 description 9
- 238000013461 design Methods 0.000 description 8
- 238000007405 data analysis Methods 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 239000011664 nicotinic acid Substances 0.000 description 6
- 238000007689 inspection Methods 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000003912 environmental pollution Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000036541 health Effects 0.000 description 4
- 238000009396 hybridization Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000011056 performance test Methods 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 4
- 239000002994 raw material Substances 0.000 description 4
- 230000007423 decrease Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000000463 material Substances 0.000 description 3
- 230000008521 reorganization Effects 0.000 description 3
- 238000012958 reprocessing Methods 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 230000008303 genetic mechanism Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000003032 molecular docking Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000013468 resource allocation Methods 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000008713 feedback mechanism Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007773 negative electrode material Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013386 optimize process Methods 0.000 description 1
- 239000007774 positive electrode material Substances 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000008929 regeneration Effects 0.000 description 1
- 238000011069 regeneration method Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 239000012089 stop solution Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 230000002277 temperature effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000012384 transportation and delivery Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 239000010926 waste battery Substances 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明属于电池评估技术领域,具体公开了一种可调式物理相似模拟实验平台,包括:参数获取单元,用于获取子电池的性能参数;性能评价单元,设定用于评价再生电池包的性能阈值并进行调整,评价子电池的性能值,判断子电池的性能值与性能阈值的相似度;预组装模拟单元,包括有分配算法,分配算法用于根据子电池的性能参数生成分配方案,将子电池模拟组装成再生电池包;分拣组装单元,筛选每个分配方案中合格的再生电池包,将子电池组装成再生电池包;具有如下优点:实现了退役电池全自动化处理,提高速度、减少错误,优化资源回收,减少废弃物,降低成本,生产高质量再生电池,满足高性能、可持续需求,利用适应遗传算法提高效率和准确性。
Description
技术领域
本发明涉及电池评估技术领域,具体而言,涉及一种可调式物理相似模拟实验平台。
背景技术
随着电动汽车和可再生能源的迅速发展,电池技术在能源存储和电动交通领域的重要性日益凸显。然而,随着时间的推移,电池性能会逐渐下降,导致其不再适用于汽车或高强度应用。这些退役的电池,尽管容量下降,但仍然具有一定的能量存储能力,因此有必要对其进行再处理,以使其能够再次用于储能系统,减少对新原材料的需求,并降低废旧电池对环境的影响。
传统上,退役电池的再处理涉及将其解构为其组成部分,例如正极材料、负极材料和电解质,并对这些材料进行回收和再利用。然而,针对这些退役电池的再处理过程需要考虑到不同使用情况下电池的差异,以及电池的状态和健康状况的不确定性。导致退役电池回收再利用后使用寿命和性能的整体均匀度得不到保障。
为此提出一种可调式物理相似模拟实验平台,以解决上述提出的问题。
发明内容
本发明旨在提供一种可调式物理相似模拟实验平台,以解决或改善上述技术问题中的至少之一。
有鉴于此,本发明的第一方面在于提供一种可调式物理相似模拟实验平台。
本发明的第一方面提供了一种可调式物理相似模拟实验平台,包括:参数获取单元,用于获取同一批次内至少一组退役电池包中所有子电池在当前的多个性能参数;性能评价单元,设定用于评价组装后再生电池包的性能阈值并根据预设的使用场景进行调整,根据所述性能参数评价每个所述子电池的性能值,判断每个所述子电池的性能值与所述性能阈值在所述使用场景的相似度;预组装模拟单元,包括有分配算法,所述分配算法用于根据所述子电池的性能参数生成多个分配方案,通过所述分配方案将所述子电池模拟组装成至少一个所述再生电池包;分拣组装单元,根据所述相似度筛选每个所述分配方案中合格的所述再生电池包,根据合格数量最大的所述分配方案将所述子电池组装成所述再生电池包。
上述任一技术方案中,所述性能阈值通过下述公式获取:;其中,所述/>为所述再生电池包的性能阈值;所述/>为所述再生电池包的能量密度;所述/>为所述再生电池包的充电速度;所述/>和所述/>分别为根据所述使用场景确定的权重系数,且所述使用场景包括固定式储能和移动式储能。
上述任一技术方案中,所述相似度采用下述公式计算:;其中,所述为所述相似度;所/>为所述再生电池包中所述子电池的数量;所述/>为所述子电池的性能值。
上述任一技术方案中,在同一批次中所有所述退役电池包所包含子电池的性能参数的初始值相同;以及所述分配方案用于将同一组退役电池包中部分的所述子电池组成所述再生电池包,且所述退役电池包中未组成所述再生电池包的所述子电池标记为报废或待组装。
上述任一技术方案中,所述分配算法包括并行分组算法和适应遗传算法;所述并行分组算法用于判断所述子电池是否报废,并根据非报废的所述子电池的数量生成个分配方案,计算每个所述分配方案在所述使用场景内的寿命时间/>;所述适应遗传算法用于将所述寿命时间/>作为适应度筛分所述分配方案,根据筛分后所述分配方案的子电池和至少一个所述待组装子电池生成/>个分配方案,再次筛分/>个分配方案,直至遍历当前所有所述待组装电池。
上述任一技术方案中,所述预组装模拟单元还用于标记每次筛分后的所述分配方案,在遍历当前所有待组装的所述子电池后,将所有标记的所述分配方案发送至所述预组装模拟单元。
上述任一技术方案中,所述并行分组算法包括有分布的多个电池使用模型,所有所述电池使用模型用于同时模拟个分配方案,以获取/>个所述寿命时间/>;其中,根据所述分配方案对应的所述使用场景训练所述电池使用模型。
上述任一技术方案中,还包括有分别与所述参数获取单元、所述性能评价单元、所述预组装模拟单元和所述分拣组装单元相连的评价分组执行单元;所述评价分组执行单元用于执行所述子电池的性能参数检测、所述退役电池包的拆卸以及所述再生电池包的组装。
上述任一技术方案中,所述评价分组执行单元包括:输送部,用于接收并输送所述退役电池包,并将标记为报废的所述子电池输送至破碎机;多个暂存仓,用于放置标记为待组装的所述子电池和所述再生电池包;机械手,用于抓取或放置所述子电池;所述机械手与所述参数获取单元的检测头相连;其中,所述输送部、所述机械手和所有所述暂存仓均装配在底座上。
上述任一技术方案中,当标记为待组装的所述子电池被所述机械手放置于所述暂存仓时,所述预组装模拟单元内存储有该待组装的所述子电池的性能参数;当标记为待组装的所述子电池被所述分拣组装单元组装进所述再生电池包时,所述预组装模拟单元内删除该待组装的所述子电池的性能参数。
本发明与现有技术相比所具有的有益效果:
通过集成自动化技术,如机械手臂和带式输送机,实现了从退役电池的分拣、检测到再生电池包组装的全自动化流程,显著提高了处理速度和减少了人为错误。采用参数获取单元和智能算法,对子电池进行全面的性能评估,确保了只有符合标准的子电池被用于再生电池包,提高了再生电池包的质量和可靠性。
通过预组装模拟单元的智能算法和仿真模型,能够优化子电池的分配方案,最大化退役电池的价值回收,减少了对新电池资源的需求。自动化和精确的分拣、评估过程减少了电池废弃物的产生,通过优化再利用过程,减轻了退役电池对环境的负面影响。
自动化和优化的处理流程减少了人力成本和时间成本,提高了操作的经济效率。能够生产出高质量的再生电池包,提高了产品的使用中的寿命,满足了对高性能、可持续电池解决方案的需求。
采用适应遗传算法,并在遗传算法的迭代循环中自适应更新交叉-变异参数,能够在生成新的备选方案的同时,有效避免陷入局部最优解。这种方法使得平台在处理退役电池的评估、分选和再利用过程中,能够更加高效和准确地找到最优的分配方案,从而最大化再生电池包的性能和使用寿命。此外,自适应的更新机制确保了算法在探索和利用之间保持平衡,提高了找到全局最优解的可能性,加强了平台在复杂问题解决中的适应性和鲁棒性。
根据本发明的实施例的附加方面和优点将在下面的描述部分中变得明显,或通过根据本发明的实施例的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明的结构逻辑框图;
图2为本发明的预组装模拟单元结构逻辑框图;
图3为本发明的并行分组算法和适应遗传算法之间的交互逻辑图;
图4为本发明的评价分组执行单元结构逻辑框图;
图5为本发明的并行分组算法计算流程图;
图6为本发明的评价分组执行单元结构示意图;
图7为本发明的传动座及其连接结构示意图;
图8为本发明的方法步骤流程图。
其中,图1-图8中附图标记与部件名称之间的对应关系为:
1参数获取单元、11检测头、2性能评价单元、3预组装模拟单元、4分拣组装单元、5评价分组执行单元、51输送部、52暂存仓、53机械手、531传动座、532第二丝杠机构、533电动夹具、54底座、6电子设备、7第一丝杠机构、8连接座。
具体实施方式
为了可以更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
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他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
请参阅图1-图8,下面描述本发明一些实施例的一种可调式物理相似模拟实验平台。
本发明第一方面的实施例提出了一种可调式物理相似模拟实验平台。在本发明的一些实施例中,如图1-图7所示,该一种可调式物理相似模拟实验平台包括:
参数获取单元1,用于获取同一批次内至少一组退役电池包中所有子电池在当前的多个性能参数。由于每个子电池在长时间使用后会出现不同的性能衰减,因此即便是同一组退役电池包的子电池也进行逐个的单个检测在当下的性能参数。
性能评价单元2,设定用于评价组装后再生电池包的性能阈值并根据预设的使用场景进行调整,根据性能参数评价每个子电池的性能值,判断每个子电池的性能值与性能阈值在使用场景的相似度。由于二次利用时会有不同的使用环境需求,因此在设置性能阈值是考虑之后的使用环境进行针对性的设置。然后对每个子电池进行当前的性能值评估,以得出每个子电池是否能够在选定的使用场景内二次利用。
预组装模拟单元3,包括有分配算法,分配算法用于根据子电池的性能参数生成多个分配方案,通过分配方案将子电池模拟组装成至少一个再生电池包。通过分配算法考虑当前测得的性能参数进行针对性的分配方案设置,并基于不同的分配方案预设定再生电池包的组合。
分拣组装单元4,根据相似度筛选每个分配方案中合格的再生电池包,根据合格数量最大的分配方案将子电池组装成再生电池包。通过相似度进行再生电池包是否能够胜任选定的使用场景应用,保证了在实际的应用中的寿命时间。将合格数量最大的分配方案进行实际的再生电池包组合,能够保证在选定的使用场景下和子电池的性能,分配组合处最多的再生电池包。
本发明提供的一种可调式物理相似模拟实验平台,参数获取单元1采用高精度的测量设备和技术,对每个子电池进行单独检测,准确测量其容量、内阻、开路电压等关键性能参数。这些参数直接反映了电池的性能和健康状况。测量得到的数据被记录并传输到数据处理中心。在这里,数据将被分析处理,以评估每个电池的当前状态和未来的可用性。通过分析电池的性能参数,参数获取单元1能够评估每个电池的健康状态(SoH),这对于确定电池是否适合进入再利用流程至关重要。当退役电池被送入参数获取单元1时,系统首先对电池进行初始化,包括识别电池类型、设置测量参数等。通过自动化控制系统,每个子电池将被逐一连接到测试装置上。测试装置根据预设程序自动执行一系列测试,如放电测试以确定电池容量,内阻测试等。测试过程中生成的数据通过数据采集系统实时收集,并传输至中央处理单元。在这里,数据将被分析,计算出每个电池的具体性能指标。基于测得的性能参数,系统会对电池进行评估,识别出哪些电池适合继续用于特定应用,哪些电池需要回收或报废。通过这种方式,可以最大化退役电池的价值,同时确保重组后的电池包在性能上的一致性和可靠性。
通过对退役电池的精确参数测量和评估,参数获取单元1使得退役电池的再处理成为可能,优化了电池的再利用过程。这种方法不仅提高了资源的循环利用率,降低了对新原材料的需求,还有助于减少环境污染,实现了电池生命周期管理的可持续发展目标。此外,通过确保重组后的电池包在性能上的均匀性,这一技术还提升了再生电池产品的质量和安全性,为退役电池的高值化利用提供了强有力的技术支持。
根据预设的使用场景(如固定式储能、移动能源、轻型电动工具等),性能评价单元2设定一系列性能阈值,这些阈值可能包括最小容量、最大内阻、最低充电速度等,确保电池组装后能满足实际应用需求。在设定性能阈值时,考虑到二次利用的具体使用环境,如温度条件、负载需求、循环寿命等,以针对性地设置合适的评价标准。对每个子电池进行当前性能值的评估,包括但不限于容量测试、内阻测量、充放电特性分析等,以全面了解每个电池的状态。比较每个子电池的性能值与预设的性能阈值,评价它们在选定使用场景下的相似度或适用性,确定哪些电池适合在该场景下二次利用。性能评价单元2接收来自参数获取单元1的电池性能数据,包括各个子电池的详细性能参数。根据输入的使用场景信息,通过预先编程的算法调整性能阈值,确保这些阈值反映了特定应用环境的实际需求。系统自动将每个子电池的性能数据与调整后的阈值进行比对,计算出每个电池的适用性评分或相似度。基于性能比对的结果,系统将子电池分为不同的类别,如完全满足要求、部分满足要求和不满足要求,为后续的电池组装和应用提供依据。最终,性能评价单元2输出每个子电池的评价结果和建议的使用方案,供再生电池包的组装和应用决策使用。
性能评价单元2的引入显著提升了退役电池再利用过程的科学性和针对性,通过精细化的性能评估和智能化的阈值调整,确保了再生电池包在不同使用环境下的性能和可靠性。这种方法不仅延长了电池的使用寿命,减少了对新电池资源的需求,还有助于实现电池回收利用的环境友好和经济效益最大化,对促进电池产业的可持续发展具有重要意义。
首先,系统会对每个子电池的当前性能参数进行详尽分析,这些参数包括但不限于容量、内阻、开路电压、充放电曲线等。采用分配算法对子电池进行智能排序和分配。该算法基于子电池的性能参数和预设的使用场景需求,生成多个可能的分配方案。根据分配算法生成的方案,系统模拟将子电池组装成至少一个再生电池包,预设定各再生电池包的组合配置。对每个模拟组装后的再生电池包进行性能评估,包括预测其整体容量、输出功率、使用寿命等关键性能指标。根据性能预测结果,系统可进一步优化分配方案,以确保最终的再生电池包能满足特定使用场景的需求。
系统通过与参数获取单元1的交互,收集所有相关子电池的性能参数数据。分配算法采用一系列数学模型和优化逻辑,如遗传算法、线性规划或机器学习模型,来处理输入数据。算法会考虑不同使用场景下的性能需求,如储能系统对容量的需求与电动车对功率和快充能力的需求。算法综合考虑子电池的性能差异和组装后电池包的预期使用场景,智能地生成多个分配方案,每个方案指定了特定子电池的组合方式。通过模拟验证分配方案,系统预测每个方案构建的再生电池包的整体性能,包括预期寿命、能量密度和功率密度等。最终,系统根据预测结果评估每个方案的性能表现,选出最佳方案进行实际组装,或反馈给分配算法进行迭代优化。
预组装模拟单元3的设计和实施,提供了一种智能化、高效的解决方案,以优化退役电池的再利用过程。通过精确的分配算法和模拟组装,这个单元不仅能提高再生电池包的性能和经济价值,还能降低环境风险,支持可持续发展的能源解决方案。此外,该系统的应用促进了电池循环经济的发展,提高了资源的利用率。
分拣组装单元4采用先进的算法,对每个预组装模拟单元3生成的分配方案进行评估,计算再生电池包内子电池间的性能相似度。相似度评估考虑了容量、内阻、充电速度等关键性能参数,以确保组装后的电池包在性能上的一致性。基于相似度评估结果,单元将筛选出那些性能相似度高、能够满足特定使用场景要求的分配方案。筛选过程优先考虑合格数量最大的方案,即包含最多合适子电池的方案,以提高资源利用率。根据筛选结果,单元将实际组装出性能最优、合格数量最多的再生电池包。这一过程旨在确保所组装的电池包能够在选定的应用场景中表现出最佳性能和最长寿命。通过分析预组装模拟单元3提供的各个分配方案,分拣组装单元4先对每个子电池的性能参数进行匹配和比较,以评估方案内部子电池之间的性能一致性。结合特定使用场景(如家庭储能、电动汽车、便携式电源等)的需求,单元进一步分析每个方案的适应性,包括预期寿命、可靠性和性能稳定性等。根据相似度评估和适应性分析的结果,动态筛选出满足条件的最佳方案。这一过程涉及复杂的决策逻辑,旨在平衡资源利用效率和再生电池包的应用性能。确定最终方案后,单元指导实际的组装流程,确保每个选中的子电池都被正确地分配到指定的再生电池包中。
分拣组装单元4通过精确的性能相似度评估和高效的筛选机制,确保了再生电池包在实际应用中的性能一致性和长期可靠性。这不仅提高了退役电池的再利用率,减少了环境污染,也为用户提供了性能优越、寿命更长的电池解决方案。此外,该单元的引入使得电池再利用流程更加科学化和系统化,为电池循环经济的发展贡献了重要力量。
上述任一实施例中,性能阈值通过下述公式获取:;
其中,为再生电池包的性能阈值;/>为再生电池包的能量密度;/>为再生电池包的充电速度;/>和/>分别为根据使用场景确定的权重系数,且使用场景包括固定式储能和移动式储能。通过设定/>和/>的权重系数,可能根据使用场景的不同进行设定数值,以使得性能阈值能够跟随不同的使用场景变化,并最终使选出的再生电池包胜任该私用场景。
在该实施例中,根据给定的能量密度和充电速度/>参数,以及针对特定应用场景设定的权重系数/>,计算出再生电池包的性能阈值/>。这个阈值是对电池包整体性能的量化评估。权重系数设定/>和/>的值根据电池包在不同应用场景(如固定式储能或移动式储能)中的需求而变化。例如,对于需要高能量输出的移动式储能应用,可能会给予能量密度更高的权重;而对于对充电速度要求较高的应用,则可能更注重充电速度的权重。通过调整权重系数,该公式能够灵活地适应不同的使用场景,为不同应用条件下的再生电池包选型提供科学依据。首先,从参数获取单元1获得每个子电池的能量密度和充电速度等性能参数。分析特定使用场景对能量密度和充电速度的需求,确定合适的权重系数/>。根据选定的权重系数和子电池性能参数,使用公式计算出再生电池包的性能阈值。将计算得到的性能阈值与预设的标准进行比较,评估每个再生电池包是否满足特定应用场景的性能要求。根据评估结果,选择满足条件的电池包用于相应的应用场景。
提高了退役电池再利用过程中再生电池包性能评估的灵活性和准确性。通过科学设定性能阈值,不仅可以确保再生电池包能够满足特定使用场景的需求,还可以优化资源的利用效率,减少对新电池资源的需求,从而支持可持续发展目标。此外,这种方法还有助于提升再生电池包的市场竞争力,通过为不同应用场景提供性能优化的电池解决方案,满足市场的多元化需求。
具体地,使用场景可以为下述几种:
固定式储能系统,住宅储能:为家庭提供电力备份或储存太阳能发电系统产生的过剩能量。商业储能:帮助商业建筑管理能源需求,减少高峰时段的电力成本。电网支持:提供电网调频、负荷平衡和紧急备用能力,增强电网的稳定性和可靠性。
移动式储能系统,便携式电源:为露营、户外活动或紧急情况提供电源解决方案。电动自行车和小型电动车:提供低功率需求的移动工具和交通工具的动力。
微电网和离网电力系统,远程地区电力供应:为偏远地区或发展中地区的居民提供稳定的电力供应。灾难恢复:在自然灾害后快速恢复基本电力服务。
特殊工业应用,能量回收系统:在制造业和其他工业过程中,利用电池储存能量回收系统中的能量。测试和实验设备:为实验室设备或测试平台提供电源。
公共设施和基础设施,街道照明:为太阳能街灯提供电能储存,实现夜间照明。通信基站备用电源:确保通信基站在主电源中断时继续运行。
进一步地,根据上述的使用场景,可通过调节和/>提高和降低在既有数值的和/>对于/>贡献程度,具体的/>和/>设置策略为下述几种:
固定式储能系统,高等和中等/>:这类系统,如家庭太阳能储能系统或商业储能,通常需要高能量密度来确保能够存储足够的电能供长时间使用,而充电速度则可以适中,因为充电通常在一天中进行,有足够的时间。
移动式储能系统,中等和中等/>:便携式电源和电动自行车等应用需要适中的能量密度以保持设备的轻便性,同时需要较高的充电速度以便快速重新充电,以适应频繁使用或紧急需要。
微电网和离网电力系统,高和中等/>:为偏远地区或远程地点提供电力的系统需要高能量密度来确保持久供电,充电速度需求适中,因为这些系统通常与太阳能面板配合使用,充电过程分布在全天。
特殊工业应用,不同和/>的组合:工业应用中的能量回收系统可能需要根据具体应用来定制电池的/>和/>。例如,需要短时间内释放大量能量的应用会倾向于选择高/>的电池配置。
上述任一实施例中,相似度采用下述公式计算:;其中,/>为相似度;为再生电池包中子电池的数量;/>为子电池的性能值。对于计算相似度的公式中考虑了在使用场景内每个再生电池包内子电池的数量影响。
在该实施例中,通过计算得到的相似度,可以量化子电池性能值/>与预设性能阈值/>之间的差异程度。相似度越高,表示子电池的性能越接近预设的性能阈值,从而更适合用于特定的使用场景。公式中的/>(再生电池包中子电池的数量)用于调整相似度计算,考虑到电池包性能的整体均衡性。这个设计意味着在评估电池包适用性时,会根据电池包内子电池的总数来调整相似度评分,以反映单个子电池对整个电池包性能的影响。
首先确定再生电池包的预设性能阈值,然后测量每个子电池的实际性能值。根据公式/>计算每个子电池与性能阈值之间的相似度。通过包含子电池数量/>作为分母的一部分,相似度得分反映了在整个电池包内,单个子电池性能偏离性能阈值的相对影响。随着子电池数量的增加,单个子电池对整体性能的影响降低,相似度得分提供了关于子电池是否适合再次使用的综合视角。
相似度计算方法允许更精细地评估和筛选子电池,确保所选子电池能够满足特定使用场景下的性能需求。通过考虑电池包内子电池数量的影响,可以更准确地评价单个子电池对整个电池包性能的贡献,从而在重组电池包时实现更优的性能匹配和均衡。这种方法不仅提高了再生电池包的整体性能,还有助于延长其使用寿命,降低成本,支持可持续发展目标,为退役电池的有效再利用提供了重要工具。
进一步地,;/>为放电量;/>为放电过程中电池电压的平均值;当使用场景为固定式储能时,/>为电池体积、当使用场景为移动式储能时,为电池重量;/>为时间;/>为/>小时内放出的电量;/>为电池的标称容量。
上述任一实施例中,在同一批次中所有退役电池包所包含子电池的性能参数的初始值相同。为了保证分配方案的顺利实施,因此对于共同分配组装的所有子电池需要具有在差异范围内合格的相近出场初始性能。
分配方案用于将同一组退役电池包中部分的子电池组成再生电池包,且退役电池包中未组成再生电池包的子电池标记为报废或待组装。在实际使用中可能出现一些电池不再能够二次利用,因此将这些电池进行直接的报废处理,不再参与二次利用。并且对于选择后的分配方案,没有被选中但是能够进行二次利用的子电池进行临时储存,以便在同批次的下一组退役电池包内的子电池共同生成分配方案,最大程度利用了退役电池包。
在该实施例中,在同一批次中,所有退役电池包所含子电池的性能参数(如容量、内阻、电压等)在出场时被认为是相同的。这为子电池的初始性能提供了一个基准。通过对退役电池进行逐一检测,获取每个子电池当前的性能参数,并与其初始性能参数进行比较,评估性能衰减的程度。根据再生电池包在特定使用场景下的性能要求,设定子电池之间允许的最大性能差异范围。这个范围是为了确保所有被选中用于共同组装的子电池具有相近的性能水平。根据性能差异评估的结果,将子电池分为不同的组别,每个组别内的子电池性能差异不超过设定的范围。使用高精度的测试设备对每个退役子电池进行性能参数测试,包括但不限于容量测试、内阻测量和开路电压检测。计算每个子电池当前性能参数与其出场初始性能参数之间的差异,得出性能衰减的具体数值。根据特定使用场景的需求和对再生电池包性能均匀性的要求,确定可接受的性能差异范围。将测试结果与合格差异范围进行比较,筛选出符合要求的子电池,并将它们根据性能相似度进行分组,以便用于后续的组装过程。对筛选后的子电池进行智能分配,确保每个再生电池包内的子电池在性能上尽可能一致,以提高整体性能和可靠性。
确保了再生电池包的高效性和可靠性,通过精确控制组装过程中子电池的性能一致性,最大化了退役电池的价值回收。同时,这种方法有助于减少因性能不匹配导致的能量损失和提前衰退,延长再生电池包的使用寿命,对环境友好,促进了电池循环经济的发展。
首先对退役电池包中的所有子电池进行性能评估,包括容量、内阻、电压等关键性能参数的测量。根据性能评估结果,将子电池分为三类:适合二次利用的、待进一步评估的以及直接报废的。对于适合二次利用的子电池,应用分配算法生成多个再生电池包的组装方案,确保每个方案中子电池的性能匹配度高,以优化再生电池包的整体性能。对于性能不满足任何二次利用条件的子电池,进行环保的报废处理,确保不对环境造成负面影响。对于未被选中但适合二次利用的子电池,进行临时储存,待同批次的下一组退役电池包处理时一并考虑,实现资源的最大化利用。通过专门的测试设备对每个子电池进行详细的性能测试,收集必要的数据信息。利用数据处理和分析软件,根据收集到的性能数据,自动将子电池分类,并生成二次利用与报废的建议列表。采用先进的算法(如遗传算法、线性规划等)根据性能相似度和特定的再生电池包需求,智能生成多个可行的分配方案。分配方案的选择考虑到性能均衡、成本效益和环境影响,以实现退役电池的高效再利用。在后续的退役电池处理过程中,根据新加入的子电池性能数据和存储情况,动态调整分配方案,以进一步提升资源利用效率。
分配方案不仅优化了退役电池的资源回收与再利用流程,提高了资源利用效率,还通过合理的报废处理保护了环境,减少了废弃电池可能带来的污染。通过智能化的分析和动态调整,这一方法还能够适应不同批次和类型的退役电池,提供灵活高效的解决方案,支持电池循环经济的可持终发展。
上述任一实施例中,分配算法包括并行分组算法和适应遗传算法;
并行分组算法用于判断子电池是否报废,并根据非报废的子电池的数量生成个分配方案,计算每个分配方案在使用场景内的寿命时间/>。在生成方案时提前将报废的子电池排除考虑范围。适应遗传算法用于将寿命时间/>作为适应度筛分分配方案,根据筛分后分配方案的子电池和至少一个待组装子电池生成/>个分配方案,再次筛分/>个分配方案,直至遍历当前所有待组装电池。通过在实际的使用场景内的寿命时间作为适应度考虑,保证了再生电池二次利用的生命力。通过将筛分后的分配方案与待组装电池进行杂交以获得更多的分配方案,使得在之前落选的子电池能够有机会被二次利用。
在该实施例中,并行分组算法主要用于快速将子电池进行初步分组,以性能相近的子电池为一组。这种算法能够有效处理大量数据,快速识别出性能匹配的子电池组合,为后续的详细分配提供基础。首先将所有子电池的性能参数(如容量、内阻)进行归一化处理,确保数据在相同的量级上进行比较。计算每两个子电池之间的性能相似度,通常采用欧氏距离或其他距离计算公式。根据相似度结果,将性能最接近的子电池并行分配到同一组,直到所有子电池都被分配到某个组中。检查每个组内子电池性能的均衡性,确保组内子电池性能差异最小。适应遗传算法是一种模拟自然选择和遗传机制的优化算法,用于从并行分组算法得到的初步分组中进一步优化子电池的分配方案,寻找最佳的再生电池包组合。以并行分组算法的结果作为种群初始化,每个分组代表一个个体。定义适应度函数,通常基于再生电池包的期望性能参数(如整体容量、内阻均衡性),评价每个分组方案的适应度。根据适应度进行选择,高适应度的分组有更高的概率被选作为下一代的父本。通过交叉和变异操作生成新的分组方案,交叉操作模拟遗传中的染色体交换,变异操作则引入新的遗传变异,增加种群的多样性。通过选择、交叉和变异操作,产生新一代的分组方案,进行新一轮的适应度评价。重复上述过程,直到满足终止条件,如达到最大迭代次数或适应度收敛。
算法首先对退役电池包中的所有子电池进行性能测试,包括但不限于容量、内阻和电压等参数,以确定哪些子电池的性能已经降低到报废标准以下。基于测试结果,算法将性能不达标的子电池标记为报废,并从后续的分配过程中排除它们,确保只有性能满足一定标准的子电池被用于再生电池包的组装。对于非报废的子电池,算法采用并行处理技术快速生成个可能的再生电池包组装方案。每个方案都根据子电池的性能参数和数量进行优化,以满足特定使用场景的需求。对每个生成的分配方案,算法评估其在预定使用场景下的预期寿命时间/>,这通常基于子电池的剩余容量、预期循环次数和负载特性等因素进行计算。算法利用并行计算技术同时处理多个子电池的数据,显著提高了处理速度和效率。这对于处理大量子电池尤为重要。通过预先定义的性能衰减模型和报废标准,算法自动评估每个子电池是否达到报废条件。这些模型通常基于历史数据和行业标准。在生成分配方案时,算法采用优化技术(如贪婪算法、动态规划等)来选择和组合子电池,旨在最大化再生电池包的整体性能和寿命。使用基于物理和化学特性的模拟模型预测每个方案的寿命时间。这些模型考虑了电池的充放电行为、温度影响和老化机制。
并行分组算法为退役电池的高效再利用提供了强大的技术支持。通过快速准确地筛选和排除性能不合格的子电池,以及为剩余可用的子电池生成优化的组装方案,这一方法显著提高了资源的利用效率,减少了对新原材料的需求,同时也降低了环境污染风险。此外,通过预测再生电池包在特定使用场景下的寿命时间,该算法帮助确保了再生产品的可靠性和实用性,支持了电池循环经济的发展。
算法以寿命时间作为每个分配方案的适应度指标,评估方案的优劣。寿命时间T越长,表示该方案越适合特定的使用场景,适应度越高。根据适应度(寿命时间/>),算法筛选出性能较好的分配方案,淘汰表现较差的方案,保留作为“父代”用于后续的遗传操作。通过将筛选后的父代方案与待组装的子电池进行杂交和变异操作,生成新的“子代”分配方案。这一步骤增加了分配方案的多样性,提供了更多的选择机会。重复适应度评估、筛选、杂交和变异等步骤,直至遍历当前所有待组装电池,或达到预设的迭代次数或适应度阈值,以找到最优的分配方案。从一组初始的分配方案开始,这些方案可能是通过并行分组算法或其他方法生成的。对每个方案计算适应度值(寿命时间/>),这一步骤要求对每个分配方案进行性能模拟,以评估其在实际使用场景下的表现。根据适应度值,选择表现较好的方案作为下一代的父代。这通常通过轮盘赌选择或锦标赛选择等方法实现。选定的父代方案通过杂交操作产生子代,杂交过程中,父代的特征(子电池的组合)按一定规则交换,以产生新的组合。为了增加种群的多样性,以一定的概率对子代方案进行变异操作,即随机改变方案中的某些子电池。通过杂交和变异生成的新方案构成下一代种群,重复执行适应度计算和选择过程,直到找到最优方案或满足终止条件。
适应遗传算法通过模拟自然选择和遗传机制,为退役电池的再利用提供了一种强大的优化工具。它能够有效地筛选和优化电池分配方案,提高再生电池包的性能和寿命,同时为之前未被选中但适合二次利用的子电池提供了更多的利用机会。通过这种方法,不仅可以最大化退役电池的价值,还有助于减少环境污染,推动电池循环经济的发展。
上述任一实施例中,预组装模拟单元3还用于标记每次筛分后的分配方案,在遍历当前所有待组装的子电池后,将所有标记的分配方案发送至预组装模拟单元3。在每次筛分后将合格的分配方案进行标记,以便在所有的子电池都考虑完毕后进行统一的集中选择。
在该实施例中,通过并行分组算法和适应遗传算法,生成多个再生电池包的分配方案,并根据各方案的适应度(如预测的寿命时间)进行筛选。在每次筛选过程后,将表现优异的分配方案进行标记。这些标记的方案被认为是当前迭代步骤下,潜在满足使用场景需求的最佳方案。在遍历当前所有待组装子电池的过程中,不断重复生成、筛选和标记分配方案的步骤,确保每个可用的子电池都被充分考虑。在所有子电池都考虑完毕后,从标记的分配方案中统一选择性能最优化的方案,用于实际的再生电池包组装。收集所有待组装子电池的性能参数,包括容量、内阻、电压等,并确定再生电池包在特定使用场景下的需求。利用并行分组算法和适应遗传算法,在每次迭代中生成新的分配方案,并基于适应度进行评估和筛选。每次筛选后,对满足特定标准或适应度阈值的分配方案进行标记,保留这些方案以供后续步骤进一步考虑。在所有待组装子电池被遍历之后,综合考虑所有标记的分配方案,选择出最适合预定使用场景需求的方案。基于综合评估,选择最优的分配方案进行实际的电池包组装,以实现最佳的性能和寿命。
允许系统化地考虑和优化退役电池的二次利用方案,最大化再生电池包的性能和使用寿命。通过在每一步筛选后对方案进行标记和最终选择,确保了在复杂的优化过程中不丢失任何潜在的优秀方案。此方法提高了资源利用效率,降低了对新原材料的需求,并促进了电池回收和再利用的可持续发展,对于支持电池循环经济和环境保护具有重要意义。
具体地,预组装模拟单元3通过内置的方案标记模块对每次筛分后的分配方案进行标记。
上述任一实施例中,并行分组算法包括有分布的多个电池使用模型,所有电池使用模型用于同时模拟个分配方案,以获取/>个寿命时间/>。电池使用模型可以为仿生实验模型,以在使用场景下获得该分配方案的再生电池包的使用寿命。
其中,根据分配方案对应的使用场景训练电池使用模型,以使得通过分配方案挑选出的子电池在电池使用模型中的虚拟寿命时间更加接近在使用场景内的真实寿命时间。
在该实施例中,基于非报废的子电池的性能参数,算法生成个可能的再生电池包组装方案。每个电池使用模型分别对应一个分配方案,同时运行仿生实验模型,模拟该方案在实际使用场景下的表现。
通过模拟仿真,计算每个再生电池包分配方案的使用寿命时间,作为评估方案性能的关键指标。所有电池使用模型并行运行,显著提高了计算效率,使得同时评估多个方案成为可能。算法首先将非报废子电池的所有可能组合分配生成/>个再生电池包方案。这一步骤利用高性能计算资源,通过并行处理技术实现高效的方案生成。每个分配方案被分配给一个独立的电池使用模型实例,这些模型实例可以分布在不同的计算节点上,实现并行计算。电池使用模型通常采用仿生实验模型,即模拟电池在真实使用环境中的行为和反应,包括充放电循环、温度变化影响、负载条件等,以准确预测再生电池包的使用寿命。
每个模型实例独立计算对应方案的寿命时间,然后将结果汇总。这种并行计算方法大幅度缩短了总体评估时间。所有分配方案的寿命时间/>计算完成后,系统汇总结果,对/>个方案进行性能评估和比较,以识别出性能最优的方案。
并行分组算法和分布式电池使用模型的应用,充分利用了现代计算技术的优势,为退役电池的再利用和优化提供了一种高效、可靠的解决方案。通过并行处理和仿生实验模型的结合,这种方法能够快速评估大量的分配方案,准确预测再生电池包的使用寿命,为最终的方案选择提供科学依据。这不仅提高了退役电池再利用的效率和可行性,还有助于推动电池循环经济的发展,促进资源的可持续利用。
电池使用模型通过历史数据和实验数据训练,学习电池在不同使用场景下的行为和寿命特征。训练数据包括电池的充放电循环、温度变化、负载条件等因素对电池寿命的影响。模型训练过程中考虑特定使用场景的需求,如固定式储能系统、移动式储能装置或电动汽车,以确保模型能够准确反映不同场景下电池的使用寿命。利用训练好的电池使用模型,对每个生成的分配方案进行仿真测试,计算预测的虚拟寿命时间,即每个方案在模拟的使用场景下的预期寿命。根据仿真结果,评估每个分配方案的性能,选择虚拟寿命时间最接近真实使用场景寿命时间的方案,以优化再生电池包的整体性能和寿命。收集大量相关电池的使用数据,包括但不限于电池的类型、规格、使用历史、环境条件和性能衰减曲线等。对收集的数据进行预处理和特征提取,确定对电池寿命影响最显著的因素,为模型训练提供准确的输入变量。采用适合的机器学习算法(如回归分析、随机森林、深度学习等)对电池使用模型进行训练,使模型能够学习到电池在特定使用条件下的行为模式和寿命预测。通过测试集数据对训练好的模型进行验证,评估模型的预测精度和泛化能力。必要时,根据测试结果调整模型参数或结构,以提高预测准确性。对每个分配方案使用训练好的模型进行仿真测试,计算其虚拟寿命时间,并根据测试结果选择性能最优的方案进行实际应用。
通过对电池使用模型的训练和仿真测试,这种方法能够更准确地预测不同分配方案在实际使用场景下的寿命表现,帮助优化退役电池的分配和重组策略。这不仅能提高再生电池包的性能和可靠性,还能延长电池的使用寿命,减少电池废弃对环境的影响,支持电池循环利用和可持续发展战略。此外,这种技术还为电池管理和维护提供了强有力的数据支持。
具体地,电池使用模型可以为LSTM(长短期记忆网络)模型,其包括有:输入层,接收电池的使用数据作为输入,这些数据包括电池的充放电循环数据、温度、电压、电流等时间序列数据。LSTM单元,是RNN的一种特殊类型,设计用来解决传统RNN在处理长序列数据时的梯度消失或爆炸问题。每个LSTM单元包含三个门(遗忘门、输入门和输出门)和一个细胞状态,这些结构使LSTM能够长期保存信息。全连接层,在LSTM层之后通常会有一个或多个全连接层,用于将LSTM层的输出转换为最终的预测结果,如电池的剩余有效寿命(RUL)或特定周期内的容量衰减。输出层,提供最终的预测结果,比如预测的电池寿命或性能衰减程度。
收集电池的实际使用数据,并进行必要的预处理,如归一化、去噪等,以便输入到模型中。LSTM通过其特殊的结构学习输入数据的时间序列特征。遗忘门控制着细胞状态中信息的丢弃,输入门控制着新信息的添加,输出门控制着从细胞状态到输出的信息流。LSTM的细胞状态允许模型在整个学习过程中保存和传递关键信息,使模型能够捕捉长期依赖关系,并更准确地预测电池的使用寿命和性能变化。通过计算模型输出与实际数据之间的误差,利用反向传播算法更新模型权重,以最小化预测误差。优化算法(如Adam、SGD等)被用于调整权重,改善模型性能。
LSTM模型因其在处理时间序列数据方面的优越性能,特别适用于电池使用寿命和性能预测。这种模型能够基于历史使用数据,准确预测电池未来的状态,为电池管理系统提供科学的决策依据,优化电池的使用和维护策略,延长电池寿命,提高能源效率。在退役电池的二次利用中,LSTM模型可以帮助更准确地评估不同分配方案的性能,支持可持续的电池循环利用策略。
上述任一实施例中,可调式物理相似模拟实验平台还包括有分别与参数获取单元1、性能评价单元2、预组装模拟单元3和分拣组装单元4相连的评价分组执行单元5。评价分组执行单元5为实际的执行设备,用于反复调用和检测子电池。
评价分组执行单元5用于执行子电池的性能参数检测、退役电池包的拆卸、以及再生电池包的组装。
在该实施例中,评价分组执行单元5接收参数获取单元1提供的所有子电池的当前性能参数,如容量、内阻、电压等,用于后续的评价和分组过程。基于接收到的性能参数,执行单元对每个子电池进行性能评价,确定其是否适合再利用,以及在再利用中可能的最佳应用场景。根据性能评价结果,执行单元利用预先定义的分组策略,将子电池分配到不同的再生电池包方案中,或标记为报废。将筛选和分组后的分配方案发送至预组装模拟单元3,以进行更进一步的模拟和优化。根据经过模拟单元优化后的分配方案,执行单元负责实际的分拣和组装操作,构建再生电池包。最后,执行单元对组装好的再生电池包进行性能和寿命的最终验证,确保它们符合预定的使用场景需求。评价分组执行单元5通过高级数据处理和分析技术,对接收到的子电池性能参数进行综合评价,数据分析结果直接驱动分组和分拣决策。利用智能算法(如遗传算法、优化算法等),根据子电池的性能评价结果,动态生成最优的分组方案,以实现性能均衡的再生电池包组装。整个分组、分拣和组装过程通过自动化设备执行,保证了操作的精准性和效率,减少了人为错误。组装后的再生电池包经过性能和寿命测试后,测试结果反馈给执行单元,用于调整和优化分组策略和执行参数,形成一个持续改进的闭环。
评价分组执行单元5通过精确的性能评价、智能的分组策略和高效的自动化执行,极大提升了退役电池再利用过程的效率和产品质量。它不仅确保了再生电池包能够满足特定应用场景的需求,还通过优化资源分配,支持了电池循环经济的可持续发展,为环境保护和资源节约做出了贡献。
执行单元首先对退役电池包中的子电池进行性能参数检测,如容量、内阻、电压等,以评估每个子电池的状态和再利用价值。采用自动化机械手53或其他拆卸设备,精确地拆解退役电池包,将子电池安全地分离出来,为后续的评估和分拣做准备。根据性能评估结果和预设的分配方案,自动选择合适的子电池进行组装,构建再生电池包。
组装完成的再生电池包将经过进一步的性能测试和寿命预测,确保其满足特定使用场景的要求。评价分组执行单元5采用高度自动化的技术,包括先进的传感器、机械手53、自动化测试设备等,以实现对子电池的快速精准检测和处理。集成的智能系统将测试得到的数据进行分析处理,运用决策算法评估子电池的再利用潜力和分配方案的优化,确保每个再生电池包的组装方案都是基于最新的性能数据和高效的资源利用。在拆卸和组装过程中,精准的控制系统确保了操作的高效性和安全性,减少人为错误,提高了处理速度和产品质量。执行单元将组装完成的再生电池包的测试结果反馈给系统,用于调整和优化未来的分配方案,形成一个持续改进的过程。
评价分组执行单元5通过集成高度自动化技术和智能算法,为退役电池的有效评估、精确拆卸、和优化重组提供了一站式解决方案。这不仅显著提高了退役电池再利用的效率和再生电池包的性能,还有助于降低环境影响,推动电池循环经济的可持续发展。此外,该执行单元的应用还为精确管理和利用退役电池资源提供了技术支持,为电池回收再利用行业带来了新的发展机遇。
上述任一实施例中,评价分组执行单元5包括:
输送部51,用于接收并输送退役电池包,并将标记为报废的子电池输送至破碎机。
多个暂存仓52,用于放置标记为待组装的子电池和再生电池包。
机械手53,用于抓取或放置子电池;机械手53与参数获取单元1的检测头11相连。
其中,输送部51、机械手53和所有暂存仓52均装配在底座54上。
在该实施例中,输送部51,负责接收从收集点送来的退役电池包,将退役电池包输送至检测和拆卸区域。对于经评估后标记为报废的子电池,输送部51将它们送至破碎机进行安全处理。多个暂存仓52,存放经评估后标记为待组装的子电池,这些子电池将用于后续的再生电池包组装,存放已组装好的再生电池包,等待进一步的测试或输送至最终使用地点。机械手53,用于抓取和放置子电池,执行拆卸退役电池包和组装再生电池包的任务,与参数获取单元1的检测头11相连,可以将子电池准确地放置在检测头11下进行性能测试。整个评价分组执行单元5由中央控制系统管理,通过编程实现各部件的协调工作,确保流程的顺畅和效率。系统通过内置的传感器和识别技术,自动识别退役电池包和子电池的状态,以及标记为报废或待组装的子电池,执行相应的操作。机械手53根据控制系统的指令,执行精准的抓取和放置操作。在拆卸和组装过程中,机械手53能够根据子电池的尺寸和形状,调整抓取力度和位置,避免对电池造成损伤。从退役电池包的接收、拆卸、子电池的检测评估、到再生电池包的组装和存储,整个过程通过输送部51、机械手53和暂存仓52的紧密配合,实现了高效的自动化操作。
评价分组执行单元5的设计充分体现了现代自动化技术和智能制造的优势,能够大幅提升退役电池处理的效率和安全性。通过准确的性能评估和合理的资源分配,该单元支持了电池循环利用的可持续发展,减少了对环境的负面影响。此外,该系统的应用有助于降低电池回收再利用的成本,提高再生电池包的质量和经济价值,为电池回收再利用行业提供了有力的技术支持。
具体地,输送部51为带式输送机。
具体而言,输送部51首先接收来自收集点的退役电池包,通过带式输送机将其平稳输送到分拣、检测或其他预处理站点。在子电池经过性能参数检测并被标记为报废后,带式输送机负责将这些子电池输送至破碎机进行环保处理。输送部51同时负责将通过检测、被标记为待组装的子电池输送至多个暂存仓52中,以便于后续的再生电池包组装过程。
上述可知,带式输送机通常由驱动滚筒、转向滚筒、输送带、承载框架和电动机等主要部件组成。电动机驱动驱动滚筒转动,进而带动输送带运动。在电动机的驱动下,输送带以恒定的速度运动,实现退役电池包及子电池的连续输送。输送速度可以根据操作需求调整。现代带式输送机通常配备有智能控制系统,能够根据实际操作需求自动调整输送速度和方向,甚至在检测到异常情况时自动停机。借助于机械手53和检测系统的协同作用,带式输送机能够根据子电池的状态(报废或待组装)自动调整输送路径,确保每个子电池被准确地送达目的地。
带式输送机的应用大大提高了退役电池处理过程的自动化程度和效率,确保了退役电池包及其子电池在各处理阶段之间的顺畅转移。此外,它还为实现电池回收和再利用流程的精准控制提供了可靠保障,降低了人工操作成本,减少了处理过程中的损失和错误。通过智能控制和精确的物料搬运,带式输送机在退役电池再利用领域发挥着重要作用,支持了电池循环经济的可持续发展。
具体地,暂存仓52为多个单独设置的盒体结构,能够临时放置子电池。
具体而言,暂存仓52根据子电池的状态(如待组装、待进一步检测或待确定处理方案的子电池)进行分类存储,确保不同状态的子电池得到适当的处理。在等待最终分配方案确认或其他处理过程(如性能测试、再次检测)之前,为子电池提供一个安全、有序的临时存放环境。设计暂存仓52以便快速访问和调度子电池,以支持高效的分拣、组装和处理流程。通过将子电池暂存于就近的仓位,减少了在不同处理阶段之间的物理搬运距离和时间,提高了整个系统的操作效率。
上述可知,暂存仓52采用盒体结构设计,每个盒体都可以独立打开或关闭,便于子电池的存取。这种设计同时支持模块化扩展,根据处理需求增减盒体数量。与评价分组执行单元5的其他部分(如输送部51和机械手53)集成,通过自动化控制系统指挥子电池的存储和调度。系统根据处理需求自动选择合适的暂存仓52位。每个盒体可配备智能识别系统(如条形码或RFID标签扫描器),用于识别和跟踪仓内子电池的信息,实现精确管理和追踪。暂存仓52可以设计为具备一定的安全锁定机制和环境控制功能(如温湿度控制),保护子电池免受物理损伤和环境影响。
暂存仓52在评价分组执行单元5中发挥着重要作用,不仅提高了子电池处理流程的效率和灵活性,还通过精确的分类存储和快速调度,确保了处理流程的高效运转。此外,暂存仓52的设计还有利于提高整个退役电池再利用系统的自动化程度,降低操作成本,提高安全性和可靠性,支持退役电池的高效、环保回收与再利用。
进一步地,底座54上表面安装有两个平行安装的第一丝杠机构7,第一丝杠机构7用于带动输送部51沿单轴方向往复运动,以便来回对准被输送部51移动的退役电池包。
具体而言,第一丝杠机构7使得输送部51能够沿着单轴方向进行精确的位置调整,以便准确对准每个退役电池包的接收和分配位置。通过丝杠机构的旋转驱动,输送部51可以在两个或多个固定点之间进行往复运动,实现退役电池包的有序输送。丝杠机构的运动由电动驱动系统控制,可以根据预设程序自动执行,提高了操作的自动化程度和效率。丝杠机构的精确控制使得输送部51能够与参数获取单元1、性能评价单元2等其他设备准确配合,确保每个退役电池包和子电池能够接受适当的处理和检测。
上述可知,第一丝杠机构7由一个螺旋丝杠(螺杆)和与之配合的螺母组成。当电动机驱动丝杠旋转时,固定在螺母上的输送部51就会沿着丝杠的轴线方向移动。电动机的旋转速度和方向由控制系统根据预设程序来调节,从而实现输送部51的精确往复运动。电动机与丝杠之间通常通过齿轮箱或直接连接实现驱动。一个高级控制系统负责管理电动机的操作,包括启动、停止、速度控制和方向控制。这使得输送部51能够根据操作需求自动移动到正确的位置。为了提高定位的精度,系统可能包含位置反馈机制,如编码器或传感器,以监测输送部51的实际位置并与目标位置进行对比,确保高精度控制。
第一丝杠机构7的应用大大提高了退役电池处理平台的自动化水平和操作精度,使得退役电池包能够高效、准确地输送至各个处理和检测站点。这种精确控制系统不仅优化了电池包的处理流程,降低了人力成本,还提高了处理效率和安全性,是实现退役电池高效再利用的关键技术之一。
具体地,机械手53包括有传动座531、第二丝杠机构532和电动夹具533;以及第一丝杠机构7上的移动螺母安装有连接座8,两个连接座8之间分别设置有导向支撑杆和传动螺杆,连接座8侧安装有驱动电机,驱动电机的输出端与传动螺杆固定,以带动传动螺杆转动,传动螺杆上螺接有传动螺母,传动螺母与传动座531转动连接,以使传动螺杆通过传动螺母带动传动座531沿垂直于第一丝杠机构7的方向移动。
具体而言,传动座531作为机械手53的主体结构,提供了安装其他组件(如电动夹具533和丝杠机构)的基础。第二丝杠机构532用于控制机械手53沿垂直方向(通常是Z轴)的移动,实现精确的高度调整。电动夹具533位于机械手53末端,用于抓取和放置子电池或其他物料。通过电动控制,夹具可以打开和闭合,抓取或释放物体。第一丝杠机构7上的移动螺母通过连接座8与机械手53的传动系统相连,允许机械手53沿第一丝杠机构7指示的轴线(通常是X轴)移动。两个连接座8之间通过导向支撑杆保持稳定,而传动螺杆则负责将驱动力从驱动电机传递给传动座531,实现机械手53的Y轴移动。驱动电机的输出端与传动螺杆固定连接,驱动传动螺杆转动,从而控制机械手53的水平移动。
上述可知,机械手53通过第一丝杠机构7实现X轴方向的移动,通过第二丝杠机构532实现Z轴方向的垂直移动,同时,驱动电机通过传动螺杆和传动螺母驱动传动座531在Y轴上移动,实现三维空间内的精确定位。驱动电机的转速和旋转方向由控制系统精确控制,以调节机械手53在各个方向上的位置和速度。这种控制确保了机械手53能够准确抵达指定位置,完成抓取或放置任务。当机械手53移动到目标位置后,电动夹具533根据控制信号打开或闭合,以抓取或释放子电池。夹具的动作同样由控制系统精确控制,以确保操作的安全性和准确性。整个机械手53的操作流程—包括移动、抓取、搬运和放置—均可编程为自动化作业流程,大大提高了处理效率和减少了人工干预。
大大提高了退役电池处理和再生电池包组装的自动化程度和效率。它不仅能够实现复杂的搬运任务,还保证了操作的精确性和可靠性。
进一步地,第二丝杠机构532在传动座531上分别设置两个,第二丝杠机构532上的移动螺母分别与电动夹具533和检测头11固定装配,以分别调动电动夹具533和检测头11沿纵向反复对接子电池,以进行子电池的检测和抓取。
具体而言,两个第二丝杠机构532分别控制电动夹具533和检测头11沿纵向(通常指的是Z轴)的移动,允许这些部件独立地进行上下对接动作。通过精确调节检测头11和电动夹具533的位置,系统能够确保检测头11准确地对准子电池进行性能参数检测,并且电动夹具533能够精确抓取到特定的子电池。由于两个第二丝杠机构532的独立配置,检测头11和电动夹具533可以同时但独立地进行操作,提高了整个评价分组执行单元5的工作效率。
上述可知,每个第二丝杠机构532由一个丝杠(螺杆)和一个与之配合的移动螺母组成。当丝杠由驱动电机驱动旋转时,固定在移动螺母上的电动夹具533或检测头11就会沿着丝杠的轴线方向进行上下移动。每个第二丝杠机构532的运动都由独立的驱动电机控制,这允许电动夹具533和检测头11根据需要进行精确的位置调整。高级控制系统负责指挥每个驱动电机的运动,包括移动的速度、方向和距离。控制系统基于预设程序或实时反馈信号来调节操作参数,以适应不同的作业需求。在子电池的检测和抓取过程中,第二丝杠机构532使得检测头11和电动夹具533能够反复地沿纵向进行对接操作,确保每次操作的准确性和重复性。
第二丝杠机构532的独立配置和精确控制为退役电池的检测、分选和再利用过程提供了高度的灵活性和效率。通过使检测头11和电动夹具533能够进行独立而精确的纵向移动,系统不仅能够快速准确地完成子电池的性能评估和分组,还能显著提高整个再利用流程的自动化程度和操作速度。这种设计对于实现高效率、低成本的电池回收和再利用工作流程至关重要,有助于提高再生电池包的质量和可靠性,同时支持电池循环经济的可持续发展目标。
具体地,参数获取单元1安装在传动座531上,且参数获取单元1包括有多个检测设备用以检测子电池的多中性能参数。检测头11为多个检测设备的检测端。
具体而言,参数获取单元1配备有多种检测设备,每种设备专门用于测量特定的性能参数,例如容量测试仪、内阻测试仪和电压测试仪等。所有检测设备通过自动化系统控制,能够快速、准确地对每个子电池进行全面检测,无需人工干预。检测过程中收集的性能数据被自动记录和分析,用于评估子电池的健康状态和再利用潜力。通过传动座531上的移动,参数获取单元1能够逐一对排队等待检测的子电池进行处理,确保高效的数据收集流程。
上述可知,通过第二丝杠机构532控制,检测头11可以精确地对准和接触到位于传动座531上的特定子电池。一旦检测头11与子电池接触,检测设备就开始测量指定的性能参数。不同的检测设备通过各自的传感器和测量原理,同步收集所需的数据。测量得到的数据通过系统自动传输到中央处理单元,那里的软件将进行数据分析,评估子电池的状态。分析结果将决定子电池的分类——是否适合再利用、需进一步测试、或直接报废。这些信息用于指导后续的分拣和分配过程。
参数获取单元1的应用显著提高了退役电池处理过程中的精度和效率。通过自动化的多参数检测和快速数据处理,该单元不仅能够提供准确的子电池状态评估,还支持高效的电池分选和重组策略决策。这种高度自动化和精确的检测方法对于实现电池回收的最大化价值、延长电池的使用寿命、以及促进资源的可持续利用具有重要作用。此外,参数获取单元1的应用还有助于减少对环境的影响,通过精准的性能评估确保电池的有效再利用,减少了不必要的资源浪费。
进一步地,在底座54上安装有电子设备6,电子设备6用于执行性能评价单元2和预组装模拟单元3的数据运算。
具体而言,电子设备6接收从参数获取单元1采集的子电池性能数据,并对这些数据进行处理和分析,以评估每个子电池的健康状态和再利用潜力。基于子电池的性能参数,电子设备6执行预组装模拟单元3中定义的仿生实验模型和其他仿真模型,计算不同分配方案下的再生电池包预期寿命和性能表现。电子设备6利用仿真结果对分配方案进行评估和优化,筛选出性能最佳且寿命最长的方案,以指导实际的再生电池包组装。仿真和分析的结果被用于更新分配方案,并反馈给相关单元,如评价分组执行单元5,用于指导后续的操作决策。
上述可知,电子设备6利用先进的集成电路(IC)技术,包括中央处理单元(CPU)、随机存取存储器(RAM)、和固态存储器(SSD或HDD)等,以提供高速的数据处理能力。为提高运算效率,电子设备6可能采用多核处理器或并行处理架构,使得多个数据分析和仿真任务能够同时进行。电子设备6上运行的软件系统包含多种数据分析和仿真算法,如机器学习算法、数学优化模型等,用于处理复杂的数据分析任务和仿真计算。通过对数据的智能分析和仿真计算,电子设备6能够提供基于证据的决策支持,指导电池分选和再利用过程。
底座54上安装的电子设备6为退役电池的评估、分拣和重组提供了强大的数据处理和计算支持。通过高效的数据分析和准确的仿真预测,这些设备不仅能够优化再生电池包的组装方案,还能提高再利用过程的自动化程度和决策的精准性。这种技术的应用有助于提高退役电池的回收价值,延长电池的使用寿命,同时支持可持续发展和资源节约的目标。
具体地,电子设备6可以为服务器或工作站。
具体而言,电子设备6包括:
微处理器(CPU),CPU是整个检测和组装系统的指挥中心,负责处理从子电池检测传感器收集到的数据,执行分析程序,以及控制机械手53和其他自动化设备进行精确的操作。在子电池检测过程中,CPU处理测量电池容量、内阻和电压等参数的任务。在再生电池包组装过程中,CPU根据分析结果指导机械手53选取适合的子电池,并按照优化的方案进行组装。
随机存取存储器(RAM),RAM为CPU提供了一个快速的工作区域,用于存储处理中的数据和程序,包括子电池的检测数据和组装方案的计算结果。快速访问存储在RAM中的数据使得CPU能够高效地执行数据处理任务,加速了子电池的评价过程和再生电池包的组装决策。
固态驱动器(SSD)或硬盘驱动器(HDD),SSD或HDD用于长期存储检测数据、系统操作系统、应用程序和分配方案。提供了一个大容量的数据存储解决方案,使系统能够快速访问历史检测数据和方案,支持数据分析和方案优化。
主板(Motherboard),主板连接系统中的所有关键组件,包括CPU、RAM、存储设备和输入/输出设备,以及控制机械手53和检测设备的接口。确保了数据和控制命令在系统中各部分间顺畅流动,支持了整个检测和组装流程的协调运作。
电源供应单元(PSU),为系统提供稳定和可靠的电源,确保所有电子设备6和机械部件正常工作。保障了检测和组装过程中系统的持续运行,无论是对子电池进行精确测量还是驱动机械手53进行组装操作。
输入/输出设备,通过显示器展示检测结果和组装进度,键盘和鼠标用于程序设置和操作控制,打印机输出报告。实现了人机交互,允许操作员监控检测和组装过程,进行必要的调整和控制。
上述可知,上述电子设备6的集成应用,可调式物理相似模拟实验平台能够自动化地完成从子电池的性能检测到再生电池包的精准组装的整个流程。这不仅提高了处理效率和准确性,还大大降低了人力成本,确保了再生电池包的质量和性能。。
上述任一实施例中,当标记为待组装的子电池被机械手53放置于暂存仓52时,预组装模拟单元3内存储有该待组装的子电池的性能参数。
当标记为待组装的子电池被分拣组装单元4组装进再生电池包时,预组装模拟单元3内删除该待组装的子电池的性能参数。
在该实施例中,当机械手53将标记为待组装的子电池放置于暂存仓52时,子电池的性能参数(如容量、内阻、电压等)被传输并存储在预组装模拟单元3的内存或数据库中。预组装模拟单元3使用存储的性能参数,通过内置的仿生实验模型和其他算法,模拟不同的分配方案对再生电池包性能的影响,预测组装后的电池包在特定使用场景下的寿命和性能表现。基于模拟结果,该单元评估各个分配方案的优劣,优化并选择最佳方案,确保所组装的再生电池包能够达到预期的性能和寿命要求。模拟和评估过程可以根据需要进行多次迭代,每次迭代都根据前一次的结果进行调整和优化,直到找到最优的分配方案。当子电池被放置于暂存仓52时,其性能参数通过参数获取单元1收集,并通过网络或其他通信接口传输到预组装模拟单元3。预组装模拟单元3内的处理器(如CPU或GPU)对接收到的数据进行处理,执行模拟计算。这些计算可能涉及复杂的物理和化学模型,以及考虑电池老化、环境因素等多种影响。利用机器学习、优化算法等智能计算方法,单元分析模拟结果,评估不同方案的性能,自动识别出最优方案。最优的分配方案及其相关数据被存储在单元的存储设备中,并反馈给评价分组执行单元5,指导实际的子电池分拣和再生电池包组装工作。
通过预组装模拟单元3的高级数据处理和模拟计算功能,平台能够在物理组装之前虚拟地评估和优化再生电池包的组装方案,显著提高了再生电池包的性能和可靠性。这种方法不仅减少了试错成本,还加速了优化过程,确保了电池回收和再利用的高效性和经济性,支持了电池循环经济和可持续发展战略。
预组装模拟单元3负责维护和更新一个数据库或内存中的子电池性能参数记录,包括每个待组装子电池的容量、内阻、电压等信息。当某个子电池被分拣组装单元4组装进再生电池包时,该子电池的性能参数不再需要保留在预组装模拟单元3中。因此,单元会自动删除这些数据,以避免数据冗余和潜在的混淆。通过及时删除已使用子电池的数据,预组装模拟单元3能够优化其数据存储资源,保持数据集的精简和高效。删除性能参数的同时,系统会更新子电池的状态记录,标记它们为已组装,确保整个系统的状态信息是最新的。分拣组装单元4在将子电池组装进再生电池包后,会通过内部通信系统(可能基于网络或其他数据传输技术)向预组装模拟单元3发送一个更新指令,包含已被组装子电池的识别信息。预组装模拟单元3接收到更新指令后,将在其数据库或内存中检索对应的子电池性能参数记录。确认记录的有效性和准确性后,进行下一步操作。确认待删除的子电池记录后,单元执行数据删除操作,从数据库或内存中移除这些子电池的性能参数记录。完成数据删除后,单元更新子电池的状态为“已组装”,并且同步这一状态更新到整个系统中,确保所有相关单元的数据一致性。
确保了可调式物理相似模拟实验平台在处理大量子电池数据时的高效性和准确性。通过精确管理子电池的性能参数和状态信息,系统能够有效地支持再生电池包的优化组装过程,提高资源利用率,减少错误和重复工作。此外,这种数据管理策略还有助于保护系统性能,确保数据处理的高速和系统运行的稳定。
本发明第一方面的另一个实施例提出了一种基于上述任一实施例提出的可调式物理相似模拟实验平台实施的模拟实验方法。在本发明的一些实施例中,如图8所示,该模拟实验方法包括如下步骤:
S101,根据每组再生电池包所需要的子电池数量和至少一组退役电池包中所有的子电池数量,设置需要分配方案的个数N、最大迭代次数、使用场景所需要的期望寿命时间。
S102,采用并列分组算法计算获得个分配方案。
S103,将每个分配方案分别输入到电池使用模型中,在使用场景的使用环境下分布并同时模拟仿真获得个寿命时间/>S104,将寿命时间T转化为适应度并由高到低排序,筛分并保留前50%对应的分配方案作为父代方案。
S105,判断S104中所有父代方案的寿命时间T是否不小于期望寿命时间,标记寿命时间T不小于期望寿命时间/>的父代方案对应的分配方案。
S106,采用适应遗传算法根据暂存仓52中待组装的子电池和S104中的父代方案,获得N个分配方案;,其中/>为上一次迭代所在次数,/>初始值为0。
S107,判断K是否等于最大迭代次数、或暂存仓52中待组装的子电池是否完全参与父代方案生成分配方案;若是则执行S109,若否则执行S108。
S108,将S106中的N个分配方案输入到电池使用模型中在使用场景的使用环境下模拟仿真,以获得N个寿命时间T;返回步骤S104。
S109,结束迭代,并输出所有标记的分配方案。
本发明提供的一种模拟实验方法,初始化(S101):设定算法的基本参数,包括需要得到的最优方案数量N、最大迭代次数、和每个应用场景所需的电池包期望寿命时间。这一步是准备阶段,为算法提供运行的基础条件。并列分组算法(S102):使用并列分组算法来生成初步的N个电池分配方案。并列分组算法通过将电池以特定方式分组来形成多个可能的电池包配置方案。模拟仿真(S103):将上一步生成的每个分配方案分别模拟在特定使用场景下的工作,通过仿真来预测每个方案的寿命时间T。适应度评估与选择(S104-S105):根据每个方案的寿命时间T来计算其适应度,选出适应度最高(即寿命时间最长)的前50%方案作为父代方案。然后检查这些父代方案是否满足期望寿命时间的要求,并对满足要求的方案进行标记。遗传算法优化(S106-S108):采用遗传算法对标记的父代方案进行交叉、变异等操作,生成新的N个方案。遗传算法是一种搜索启发式算法,用于解决优化和搜索问题。模拟自然选择的过程,通过选择、交叉(配对)和变异来生成新一代解决方案。迭代与收敛(S107-S109):重复执行模拟仿真、适应度评估、遗传算法优化等步骤,直到达到最大迭代次数或所有可用的子电池都参与了方案生成。在迭代过程中不断优化电池分配方案,以期达到或超过期望的寿命时间。输出结果(S109):最终输出所有满足期望寿命时间要求的电池分配方案,这些方案代表了在给定条件下可能的最优解集合。
通过集成并列分组算法和遗传算法,提出了一个系统化的流程,以优化退役电池包中子电池的分配方案,目标是提升再生电池包在特定使用场景下的寿命。整个过程从生成初始分配方案开始,通过模拟仿真评估每个方案的性能,利用遗传算法进行迭代优化,直至找到满足期望寿命要求的最优电池分配方案。初始阶段,算法根据预设条件,如所需分配方案数量、期望寿命等,生成一系列基于电池性能和条件的初始分配方案。通过模拟在给定使用场景下的表现,评估其寿命,以此作为适应度指标进行排序和筛选,仅保留性能较好的方案。随后,方法采用遗传算法对选出的优秀方案进行交叉、变异等操作,生成新的分配方案,再次进行模拟仿真评估,如此迭代,直到分配方案的性能不再有显著提升,或达到预设的迭代次数限制为止。最终目标是选出一组或多组分配方案,这些方案能够确保再生电池包在其应用场景中达到或超过期望的寿命时间,实现对退役电池的高效再利用。不仅提高了电池的使用效率,还有助于延长电池的使用寿命,减少了电池废物,对环境友好。
在本发明的描述中,需要理解的是,术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“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,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。
以上所述的实施例仅是对本发明的优选方式进行描述,并非对本发明的范围进行限定,在不脱离本发明设计精神的前提下,本领域普通技术人员对本发明的技术方案做出的各种变形和改进,均应落入本发明权利要求书确定的保护范围内。
Claims (6)
1.一种可调式物理相似模拟实验平台,其特征在于,包括:
参数获取单元,用于获取同一批次内至少一组退役电池包中所有子电池在当前的多个性能参数;
性能评价单元,设定用于评价组装后再生电池包的性能阈值并根据预设的使用场景进行调整,根据所述性能参数评价每个所述子电池的性能值,判断每个所述子电池的性能值与所述性能阈值在所述使用场景的相似度;
预组装模拟单元,包括有分配算法,所述分配算法用于根据所述子电池的性能参数生成多个分配方案,通过所述分配方案将所述子电池模拟组装成至少一个所述再生电池包;
分拣组装单元,根据所述相似度筛选每个所述分配方案中合格的所述再生电池包,根据合格数量最大的所述分配方案将所述子电池组装成所述再生电池包;
所述性能阈值通过下述公式获取:;
其中,所述为所述再生电池包的性能阈值;所述/>为所述再生电池包的能量密度;所述/>为所述再生电池包的充电速度;所述/>和所述/>分别为根据所述使用场景确定的权重系数,且所述使用场景包括固定式储能和移动式储能;
所述相似度采用下述公式计算:;
其中,所述为所述相似度;所述/>为所述再生电池包中所述子电池的数量;所述/>为所述子电池的性能值;
所述分配算法包括并行分组算法和适应遗传算法;
所述并行分组算法用于判断所述子电池是否报废,并根据非报废的所述子电池的数量生成N个分配方案,计算每个所述分配方案在所述使用场景内的寿命时间T;
所述适应遗传算法用于将所述寿命时间T作为适应度筛分所述分配方案,根据筛分后所述分配方案的子电池和至少一个待组装子电池生成N个分配方案,再次筛分N个分配方案,直至遍历当前所有所述待组装电池;
所述并行分组算法包括有分布的多个电池使用模型,所有所述电池使用模型用于同时模拟N个分配方案,以获取N个所述寿命时间T;
其中,根据所述分配方案对应的所述使用场景训练所述电池使用模型。
2.根据权利要求1所述的可调式物理相似模拟实验平台,其特征在于,在同一批次中所有所述退役电池包所包含子电池的性能参数的初始值相同;以及
所述分配方案用于将同一组退役电池包中部分的所述子电池组成所述再生电池包,且所述退役电池包中未组成所述再生电池包的所述子电池标记为报废或待组装。
3.根据权利要求2所述的可调式物理相似模拟实验平台,其特征在于,所述预组装模拟单元还用于标记每次筛分后的所述分配方案,在遍历当前所有待组装的所述子电池后,将所有标记的所述分配方案发送至所述预组装模拟单元。
4.根据权利要求3所述的可调式物理相似模拟实验平台,其特征在于,还包括有分别与所述参数获取单元、所述性能评价单元、所述预组装模拟单元和所述分拣组装单元相连的评价分组执行单元;
所述评价分组执行单元用于执行所述子电池的性能参数检测、所述退役电池包的拆卸以及所述再生电池包的组装。
5.根据权利要求4所述的可调式物理相似模拟实验平台,其特征在于,所述评价分组执行单元包括:
输送部,用于接收并输送所述退役电池包,并将标记为报废的所述子电池输送至破碎机;
多个暂存仓,用于放置标记为待组装的所述子电池和所述再生电池包;
机械手,用于抓取或放置所述子电池;所述机械手与所述参数获取单元的检测头相连;
其中,所述输送部、所述机械手和所有所述暂存仓均装配在底座上。
6.根据权利要求5所述的可调式物理相似模拟实验平台,其特征在于,当标记为待组装的所述子电池被所述机械手放置于所述暂存仓时,所述预组装模拟单元内存储有该待组装的所述子电池的性能参数;
当标记为待组装的所述子电池被所述分拣组装单元组装进所述再生电池包时,所述预组装模拟单元内删除该待组装的所述子电池的性能参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353602.9A CN117949831B (zh) | 2024-03-27 | 2024-03-27 | 一种可调式物理相似模拟实验平台 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410353602.9A CN117949831B (zh) | 2024-03-27 | 2024-03-27 | 一种可调式物理相似模拟实验平台 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117949831A CN117949831A (zh) | 2024-04-30 |
CN117949831B true CN117949831B (zh) | 2024-05-31 |
Family
ID=90796578
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410353602.9A Active CN117949831B (zh) | 2024-03-27 | 2024-03-27 | 一种可调式物理相似模拟实验平台 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117949831B (zh) |
Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003288579A (ja) * | 2001-07-27 | 2003-10-10 | National Institute Of Advanced Industrial & Technology | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム |
CN108417916A (zh) * | 2018-03-29 | 2018-08-17 | 国网山东省电力公司枣庄供电公司 | 考虑电池不一致与老化共同演化的电池分选参数确定方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111812536A (zh) * | 2020-07-06 | 2020-10-23 | 安徽恒明工程技术有限公司 | 一种退役动力电池残值快速评估方法 |
CN112791997A (zh) * | 2020-12-16 | 2021-05-14 | 北方工业大学 | 一种退役电池梯次利用筛选的方法 |
CN113296009A (zh) * | 2021-04-23 | 2021-08-24 | 重庆大学 | 一种退役动力锂离子电池剩余寿命预测及重组方法 |
CN113887601A (zh) * | 2021-09-26 | 2022-01-04 | 上海电器科学研究所(集团)有限公司 | 一种基于聚类分选的退役动力电池重组方法 |
CN115270992A (zh) * | 2022-08-19 | 2022-11-01 | 牡丹江师范学院 | 新型的材料物理数据分类方法及系统 |
CN115301559A (zh) * | 2022-06-30 | 2022-11-08 | 苏州市职业大学 | 用于退役电池回收利用的高效筛选分拣方法及系统 |
CN115330275A (zh) * | 2022-10-13 | 2022-11-11 | 深圳市杰成镍钴新能源科技有限公司 | 一种退役电池的梯次利用方法及装置 |
CN115343621A (zh) * | 2022-07-27 | 2022-11-15 | 山东科技大学 | 一种基于数据驱动的动力电池健康状态预测方法及设备 |
CN115792680A (zh) * | 2022-12-26 | 2023-03-14 | 中山大学·深圳 | 一种基于贝叶斯深度学习的退役电池健康状态评估方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN116432009A (zh) * | 2023-04-04 | 2023-07-14 | 厦门理工学院 | 一种退役动力电池梯次利用快速筛选方法、装置及设备 |
CN116774077A (zh) * | 2023-06-21 | 2023-09-19 | 广东电网有限责任公司 | 储能电站电池的健康检测方法、装置、设备及存储介质 |
CN117410598A (zh) * | 2023-12-15 | 2024-01-16 | 山西迪诺思新能源科技有限公司 | 一种基于指标相似性的退役电池模块组合方法 |
WO2024036737A1 (zh) * | 2022-08-17 | 2024-02-22 | 山东大学 | 一种动力电池老化状态评估与退役筛选方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6402002B2 (ja) * | 2014-10-30 | 2018-10-10 | 株式会社日立製作所 | 電力貯蔵システムの評価装置、評価方法および評価プログラム |
US10209314B2 (en) * | 2016-11-21 | 2019-02-19 | Battelle Energy Alliance, Llc | Systems and methods for estimation and prediction of battery health and performance |
CN110245436B (zh) * | 2019-06-19 | 2021-03-30 | 山东大学 | 一种基于遗传算法和机器学习的并行模拟电路优化方法 |
CN115702359A (zh) * | 2020-06-25 | 2023-02-14 | 亚德诺半导体国际无限责任公司 | 电池组表征系统和方法 |
US20230258733A1 (en) * | 2022-02-17 | 2023-08-17 | Battelle Energy Alliance, Llc | Predicting aging of batteries |
-
2024
- 2024-03-27 CN CN202410353602.9A patent/CN117949831B/zh active Active
Patent Citations (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003288579A (ja) * | 2001-07-27 | 2003-10-10 | National Institute Of Advanced Industrial & Technology | 最適フィッティングパラメータ決定方法および装置、並びに最適フィッティングパラメータ決定プログラム |
CN108417916A (zh) * | 2018-03-29 | 2018-08-17 | 国网山东省电力公司枣庄供电公司 | 考虑电池不一致与老化共同演化的电池分选参数确定方法 |
WO2020191800A1 (zh) * | 2019-03-27 | 2020-10-01 | 东北大学 | 基于wde优化lstm网络的锂离子电池剩余寿命预测方法 |
CN111812536A (zh) * | 2020-07-06 | 2020-10-23 | 安徽恒明工程技术有限公司 | 一种退役动力电池残值快速评估方法 |
CN112791997A (zh) * | 2020-12-16 | 2021-05-14 | 北方工业大学 | 一种退役电池梯次利用筛选的方法 |
CN113296009A (zh) * | 2021-04-23 | 2021-08-24 | 重庆大学 | 一种退役动力锂离子电池剩余寿命预测及重组方法 |
CN113887601A (zh) * | 2021-09-26 | 2022-01-04 | 上海电器科学研究所(集团)有限公司 | 一种基于聚类分选的退役动力电池重组方法 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及系统 |
CN115301559A (zh) * | 2022-06-30 | 2022-11-08 | 苏州市职业大学 | 用于退役电池回收利用的高效筛选分拣方法及系统 |
CN115343621A (zh) * | 2022-07-27 | 2022-11-15 | 山东科技大学 | 一种基于数据驱动的动力电池健康状态预测方法及设备 |
WO2024036737A1 (zh) * | 2022-08-17 | 2024-02-22 | 山东大学 | 一种动力电池老化状态评估与退役筛选方法及系统 |
CN115270992A (zh) * | 2022-08-19 | 2022-11-01 | 牡丹江师范学院 | 新型的材料物理数据分类方法及系统 |
CN115330275A (zh) * | 2022-10-13 | 2022-11-11 | 深圳市杰成镍钴新能源科技有限公司 | 一种退役电池的梯次利用方法及装置 |
CN115792680A (zh) * | 2022-12-26 | 2023-03-14 | 中山大学·深圳 | 一种基于贝叶斯深度学习的退役电池健康状态评估方法 |
CN116432009A (zh) * | 2023-04-04 | 2023-07-14 | 厦门理工学院 | 一种退役动力电池梯次利用快速筛选方法、装置及设备 |
CN116774077A (zh) * | 2023-06-21 | 2023-09-19 | 广东电网有限责任公司 | 储能电站电池的健康检测方法、装置、设备及存储介质 |
CN117410598A (zh) * | 2023-12-15 | 2024-01-16 | 山西迪诺思新能源科技有限公司 | 一种基于指标相似性的退役电池模块组合方法 |
Non-Patent Citations (2)
Title |
---|
基于K均值法与遗传算法的退役动力电池筛选;杨泓奕;陈家辉;汤志明;;电源技术;20191220(12);全文 * |
退役动力锂电池可用性评价方法研究;赵光金;何睦;唐国鹏;李睿;卢林;;电源技术;20181120(11);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117949831A (zh) | 2024-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109993342B (zh) | 决定及管理电池充电规则的系统与方法 | |
CN109657354B (zh) | 一种基于数字孪生的混流装配车间快速重构方法及系统 | |
CN110649641B (zh) | 基于源网荷储协同服务的电动汽车快充站储能系统及其方法 | |
CN109740846A (zh) | 智能小区需求响应调度方法和系统 | |
TW201931281A (zh) | 管理複數個裝置交換站的方法及伺服器系統 | |
Lin et al. | Network model and effective evolutionary approach for AGV dispatching in manufacturing system | |
CN101894185A (zh) | 一种基于动态双极mpnn的小样本数据对象的寿命预测方法 | |
CN117526432B (zh) | 一种面向源荷互动的配网调控系统及方法 | |
CN113867295A (zh) | 一种基于数字孪生的制造车间agv动态调度方法、系统、设备及存储介质 | |
CN111027760B (zh) | 一种基于最小二乘向量机的电力负荷预测方法 | |
Yükseltürk et al. | Recollection center location for end-of-life electric vehicle batteries using fleet size forecast: Scenario analysis for Germany | |
CN117076077A (zh) | 基于大数据分析的计划调度优化方法 | |
CN117949831B (zh) | 一种可调式物理相似模拟实验平台 | |
Yan et al. | Dynamic repair scheduling for transmission systems based on look-ahead strategy approximation | |
CN109615115B (zh) | 一种面向任务可靠性的集成生产任务调度方法 | |
CN112950001B (zh) | 基于云边端闭环架构的智慧能量管控系统及方法 | |
CN117439101A (zh) | 一种用于电网中新能源与柔性负荷互动的智能网络 | |
CN117353359A (zh) | 电池联合储能供电方法及系统 | |
KR20140038622A (ko) | 전력저장시스템의 충방전 분배장치 및 그 방법 | |
US20230378756A1 (en) | Large scale energy storage with ai-based grading and efficiency assessment | |
CN105446203B (zh) | 一种机器人电源控制方法及系统 | |
KR102556093B1 (ko) | 전력의 피크 부하를 저감하기 위한 보상 생성 방법 및 그 방법을 수행하는 동작 제어 장치 | |
CN111215346A (zh) | 电芯智能预知分选系统及分选方法 | |
Liu et al. | A multi-objective genetic optimization algorithm for charger selection in static charger deployment scheme for WRSN | |
CN118040683B (zh) | 电能智能管理方法及储能充电系统 |
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 |