技术特征：
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：其中，p
i
为第i电池类别的隶属度，l为不同核函数，w
l
为电池类别的svm核函数学习精度，为单核分类图中m电池数据属于n类别的隶属度。
技术总结
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。退役电池重组后的安全性。退役电池重组后的安全性。
技术研发人员：强浩 刘远琳 叶波 孔鹏程
受保护的技术使用者：常州大学
技术研发日：2022.03.01
技术公布日：2022/6/28