基于电化学阻抗谱的退役锂离子电池快速分选重组方法

1.本发明属于电池分选重组技术领域，涉及一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法。


背景技术：

2.锂离子电池由于具有能量密度高、寿命长、环境友好等优点，目前作为动力源在新能源汽车中得到广泛应用。然而，在电动汽车上使用几年后，锂离子电池必须更换，以避免安全问题和因容量下降而减少里程。在接下来的几年，我国的退役锂离子电池将会大幅度上升，电池制造商和地方政府将面临巨大的回收和处置压力。由于退役锂离子电池一致性差，不能直接进行梯次利用。因此，在对退役锂离子电池进行梯次利用之前需要先将电池进行分选重组。
3.相关研究表明，退役锂离子电池的容量和内阻是两个最基本的分选重组指标。获得这些参数指标的传统方法主要采用标准容量测试，通过对电池进行充放电来实现高精度、高可靠性的数据采集。然而，这是一个耗时且浪费电能的过程，会使大规模电池分选变得困难。在现有的一些研究方法中，对退役锂离子电池进行容量估计和筛选需要一些特殊的测试设备，涉及复杂的测试过程和较长的测试时间，经济性差，效率低，从而很难对大规模的退役锂离子电池进行分选重组。


技术实现要素：

4.为解决上述问题，提供一种高效率、低成本的退役锂离子电池分选重组方法，本发明采用了如下技术方案：
5.本发明提供了一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，用于对退役锂离子电池进行快速分选重组，其特征在于，包括以下步骤：步骤s1，对退役锂离子电池进行电化学阻抗谱测试与弛豫时间分布分析，得出对应的电化学阻抗谱奈奎斯特图阻抗曲线以及对应的弛豫时间分布数据，然后从电化学阻抗谱奈奎斯特图阻抗曲线与横轴的交点计算出退役锂离子电池的欧姆内阻r
o
；步骤s2，基于预先训练好的黑箱模型以及弛豫时间分布数据，对退役锂离子电池进行快速容量估计从而得出退役锂离子电池的预估电池容量；步骤s3，基于弛豫时间分布数据提取退役锂离子电池的接触阻抗r
c
、sei膜阻抗r
sei
、电荷交换阻抗r
ct
以及锂离子扩散阻抗r
d
的特征信息，并且将该特征信息与预估电池容量以及欧姆内阻r
o
作为一个六维度的重组判据输入至高斯混合模型；步骤s4，高斯混合模型对退役锂离子电池进行软聚类重组得到最终软聚类结果，并完成分选重组。
6.本发明提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，还可以具有这样的技术特征，其中，电化学阻抗谱测试的物理条件为温度25℃，施加扰动电压为0.01v，测试频率范围为0.01hz至1000hz。
7.本发明提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，还可以具有这样的技术特征，其中，在进行弛豫时间分布分析时，调整各老化电池的soc至20％
soc进行10分钟的电化学阻抗谱测试，并对测得的电化学阻抗谱进行弛豫时间分布分析。
8.本发明提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，还可以具有这样的技术特征，其中，黑箱模型基于训练好的bpnn网络构建，该bpnn网络包括输入层、隐藏层、输出层，预先训练的步骤如下：步骤s2
‑
1，随机选择少量电池进行测试和弛豫时间分布分析得到对应的电池标准容量以及弛豫时间分布数据作为bpnn网络的输入变量和样本数据，并对输入变量和样本数据进行归一化处理，公式为：
[0009][0010]
式中，x
max
和x
min
分别为bpnn网络输入向量x中的最大值和最小值；步骤s2
‑
2，建立初始bpnn模型，并基于随机函数对该初始bpnn模型每一层间的连接权值矩阵和偏执向量进行随机初始化；步骤s2
‑
3，设置隐藏层的神经元及学习率，将归一化处理后的输入变量和样本数据输入至初始bpnn模型，并使用lm算法对bpnn网络进行训练得到黑箱模型。
[0011]
本发明提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，还可以具有这样的技术特征，其中，软聚类重组包括以下步骤：步骤s3
‑
1，采集数据和输入样本，并对数据和样本进行z
‑
score归一化处理，公式为：
[0012][0013]
式中，为原始数据均值，σ为原始数据标准差；步骤s3
‑
2，采用k
‑
means算法对k个多元高斯分布的参数进行初始化处理；步骤s3
‑
3，运用em优化算法求解高斯混合模型的参数，直至该高斯混合模型基于em优化算法迭代100次；步骤s3
‑
4，输出高斯混合模型的数据作为基于软聚类重组得到的最终聚类结果。
[0014]
本发明还提供了一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，用于对不同老化场景下的退役锂离子电池进行快速分选重组，其特征在于，包括以下步骤：步骤s1，对退役锂离子电池进行电化学阻抗谱测试与弛豫时间分布分析，得出对应的电化学阻抗谱奈奎斯特图阻抗曲线以及对应的弛豫时间分布数据，然后从电化学阻抗谱奈奎斯特图阻抗曲线与横轴的交点计算出退役锂离子电池的欧姆内阻r
o
；步骤s2，基于预先训练好的黑箱模型以及弛豫时间分布数据，对退役锂离子电池进行快速容量估计从而得出退役锂离子电池的预估电池容量；步骤s3’，基于弛豫时间分布数据提取退役锂离子电池的接触阻抗r
c
、sei膜阻抗r
sei
、电荷交换阻抗r
ct
以及锂离子扩散阻抗r
d
的特征信息并进行权重处理；步骤s4’，将经过权重处理的特征信息与预估电池容量以及欧姆内阻r
o
作为一个六维度的重组判据输入至高斯混合模型；步骤s5’，高斯混合模型对不同老化场景下的退役锂离子电池进行软聚类重组得到最终软聚类结果，并完成分选重组。
[0015]
发明作用与效果
[0016]
根据本发明提供的基于电化学阻抗谱的退役锂离子电池快速分选重组方法，在对退役锂离子电池进行分选重组之前，通过预先训练好的黑箱模型，结合弛豫时间分布数据，首先对退役锂离子电池的电池容量进行了快速估计，再将预估的电池容量和基于电化学阻抗谱测试得到的欧姆内阻以及阻抗特征信息输入至高斯混合模型进行软聚类得到软聚类结果，从而实现对退役锂离子电池的快速分选重组。该方法无需采用特殊容量测试装置就
能够将大规模电池容量估计的时间从3小时缩短到10分钟左右，相较于现有容量测试装置有着高效率、低耗时的优点。而高效的电池容量估计也使得退役锂离子电池的分选重组效率得到了较大的提升，同时退役锂离子电池分选重组的实现也有利于根据退役锂离子电池的不同类别进行下一步的梯次利用。
附图说明
[0017]
图1是本发明实施例中的基于电化学阻抗谱的退役锂离子电池快速分选重组方法的流程图；
[0018]
图2是本发明实施例中的bpnn模型测试误差结果图；
[0019]
图3是本发明实施例中的数据最大似然函数值随迭代次数变化曲线图；
[0020]
图4是本发明实施例中高斯混合模型的软聚类结果热图；
[0021]
图5是本发明实施例二中的基于电化学阻抗谱的退役锂离子电池快速分选重组方法的流程图；
[0022]
图6是本发明实施例二中的实验电池三种老化模式分组对应的参数组合情况的轮廓系数图；
[0023]
图7是本发明的2组重组电池组与2组测试电池组的hppc工况测试结果比较图。
具体实施方式
[0024]
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，以下结合实施例及附图对本发明的电化学阻抗谱的退役锂离子电池快速分选重组方法作具体阐述。
[0025]
<实施例一>
[0026]
图1是本发明实施例中的基于电化学阻抗谱的退役锂离子电池快速分选重组方法的流程图。
[0027]
如图1所示，基于电化学阻抗谱的退役锂离子电池快速分选重组方法包括以下步骤：
[0028]
步骤s1，对退役锂离子电池进行电化学阻抗谱测试(即eis)与弛豫时间分布分析(即drt)，得出对应的电化学阻抗谱奈奎斯特图阻抗曲线以及对应的弛豫时间分布数据，然后从电化学阻抗谱奈奎斯特图阻抗曲线与横轴的交点计算出退役锂离子电池的欧姆内阻r
o
。
[0029]
本实施例中，在进行弛豫时间分布分析时，首先调整各老化电池的soc至20％soc，然后进行10分钟的电化学阻抗谱测试，最后对测得的电化学阻抗谱进行弛豫时间分布分析。具体地：
[0030]
电化学阻抗谱测试的物理条件为温度25℃，施加扰动电压为0.01v，测试频率范围为0.01hz至1000hz。
[0031]
步骤s2，基于预先训练好的黑箱模型以及弛豫时间分布数据，对退役锂离子电池进行快速容量估计从而得出退役锂离子电池的预估电池容量。
[0032]
本实施例中，黑箱模型基于训练好的bpnn网络构建，该bpnn网络包括输入层、隐藏层以及输出层三层，具体为：用于表征输入变量的输入层、由若干个隐藏层组成的隐藏层以
及用于表征输出变量的输出层。
[0033]
bpnn网络的训练步骤如下：
[0034]
步骤s2
‑
1，随机选择少量电池进行测试和弛豫时间分布分析得到对应的电池标准容量(i＜＜m)以及弛豫时间分布数据作为bpnn网络的输入变量和样本数据，并对输入变量和样本数据进行归一化处理，公式为：
[0035][0036]
式中，x
max
和x
min
分别为bpnn网络输入向量x中的最大值和最小值。
[0037]
步骤s2
‑
2，建立初始bpnn模型，并基于随机函数对该初始bpnn模型每一层间的连接权值矩阵和偏置向量进行随机初始化。
[0038]
本实施例中，采用sigmoid(s)函数作为bp神经网络模型的激励函数。
[0039]
步骤s2
‑
3，设置隐藏层的神经元及学习率，将归一化处理后的输入变量和样本数据输入至初始bpnn模型，并使用lm算法对bpnn网络进行训练得到黑箱模型。
[0040]
本实施例中，对初始bpnn模型进行训练。具体地：
[0041]
首先对bpnn模型进行初始化，对于隐藏层使用log
‑
sigmoid函数作为传递函数，公式为：
[0042][0043]
输入方式如下：
[0044]
输入层第i个节点为x
p,i
，输入到初始bpnn模型的隐藏层第j个节点：
[0045][0046]
式中,w
j,i
为输入层到隐藏层的权值,θ
j,i
为输入层到隐藏层的偏置。
[0047]
隐藏层中第j个节点输出为：
[0048][0049]
输出层第j个节点的输入为：
[0050][0051]
式中，w
k,i
、θ
k,i
分别为隐藏层到输出层权值和偏置。
[0052]
输出层第k个节点输出为：
[0053]
o
p,k
＝sk(∑
j
w
k,j
x
p,k
+θ
k,j
)。
[0054]
然后对bpnn模型进行误差估计，并将误差估计的误差结果由输出层传递至隐藏层。具体地：
[0055]
输出层误差计算公式为：
[0056][0057]
式中，t
k
为真实输出。
[0058]
隐藏层中的误差计算为：
[0059]
[0060]
再对误差和偏差进行更新。具体地：
[0061]
权值的更新方程为：
[0062][0063]
w
k,j
＝w
k,j
+δw
k,j
[0064][0065]
w
j,i
＝w
j,i
+δw
j,i
[0066]
式中，α为学习率。
[0067]
偏差更新方程为：
[0068][0069]
θ
k,j
＝θ
k,j
+δθ
k,j
[0070][0071]
θ
j,i
＝θ
j,i
+δθ
j,i
。
[0072]
图2是本发明实施例中的bpnn模型测试误差结果图。
[0073]
本实施例中，通过黑箱模型计算对同一批次的电池容量进行测试，测试结果的误差如图2所示，均低于4％，因此将训练后的bpnn模型作为黑箱模型。
[0074]
步骤s3，基于弛豫时间分布数据提取退役锂离子电池阻抗特征信息，并且将该阻抗特征信息与预估电池容量以及欧姆内阻r
o
作为一个六维度的重组判据输入至高斯混合模型。
[0075]
本实施例中，阻抗特征信息包括退役锂离子电池的接触阻抗r
c
、sei膜阻抗r
sei
、电荷交换阻抗r
ct
以及锂离子扩散阻抗r
d
。
[0076]
步骤s4，高斯混合模型对退役锂离子电池进行软聚类重组得到最终软聚类结果，并完成分选重组。
[0077]
本实施例中，软聚类重组包括以下步骤：
[0078]
步骤s4
‑
1，采集数据和输入样本，并对数据和样本进行z
‑
score归一化处理，公式为：
[0079][0080]
式中，为原始数据均值，σ为原始数据标准差。
[0081]
经过归一化处理后的高斯混合模型的观测数据如下所示：
[0082]
x＝(x1,x2,...,x
m
)。
[0083]
步骤s4
‑
2，采用k
‑
means算法对k个多元高斯分布的参数进行初始化处理。
[0084]
本实施例中，对k个多元高斯分布的参数μ
k
和∑
k
进行初始化处理。
[0085]
步骤s4
‑
3，运用em优化算法求解高斯混合模型的参数，直至该高斯混合模型基于em优化算法迭代100次。
[0086]
本实施例中，em算法表达式为：
[0087]
[0088]
式中，参数θ＝(p,μ,∑),经过一系列的迭代，可得θ
(0)
,θ
(1)
,...,θ
(t)
，迭代到一定次数后的θ
(n)
即为迭代的最终结果。
[0089]
联合概率和后验概率公式为：
[0090]
p(x,z)＝p(z)p(x|z)＝p
z
·
n(μ
z
,∑
z
)
[0091][0092]
式中，z是一个离散的随机变量，它包含簇c1,c2,...,c
n
的概率分布，z是对应的样本x属于对应类的高斯分布的概率。
[0093]
依据当前高斯混合模型的参数，计算观测数据x
m
属于簇c
k
的概率，即q(θ,θ
(t)
)，
[0094][0095]
基于当前参数最大化对数似然，重新求解新一轮迭代参数θ
(t+1)
,具体如下：
[0096][0097][0098][0099][0100]
迭代步骤4
‑
2和步骤4
‑
3直至结果收敛。
[0101]
图3是本发明实施例中的数据最大似然函数值随迭代次数变化曲线图。
[0102]
实验数据模型运算的最大似然函数值在em算法迭代了60次左右后趋于稳定收敛，本实施例中，基于实验数据的模型选取em算法迭代次数为100次。
[0103]
步骤s4
‑
4，输出高斯混合模型的数据作为基于软聚类重组得到的最终聚类结果。
[0104]
本实施例中，使用轮廓值与轮廓系数(以下简称sc)作为衡量聚类结果组内聚合性及组间分离性的指标，轮廓值s(x
i
)和sc值的定义分别如下式所示：
[0105][0106][0107]
式中，a(x
i
)为x
i
向量到同一簇内其他点不相似程度的平均值，b(x
i
)为x
i
向量到其他簇的平均不相似程度的最小值。
[0108]
本实施例中，轮廓值s(x
i
)的取值范围为[
‑
1,1]。具体地：
[0109]
当s(x
i
)∈[
‑
1,0)时，b(x
i
)＜a(x
i
),分组不合理，且s(x
i
)＝
‑
1时，分组结果最差；
[0110]
当s(x
i
)∈[0,1]时,b(x
i
)＞a(x
i
),分组合理，且s(x
i
)＝1时，分组结果最好。
[0111]
判断高斯混合模型的聚类效果时，以高sc值作为优选模型为优。
[0112]
本实施例中，计算得到的最终聚类结果的轮廓值sc为0.278，聚类效果合理。
[0113]
图4是本发明实施例一中高斯混合模型的软聚类结果热图。
[0114]
如图4所示，该软聚类结果热图中有17块电池属于各簇的概率均不超过0.7，具有软聚类的特征，表示其分组概率的色阶总有两个是相似的，因此可以按照实际情况灵活重组。
[0115]
实施例一作用与效果
[0116]
根据本实施例提供的基于电化学阻抗谱的退役锂离子电池快速分选重组方法，在对退役锂离子电池进行分选重组之前，通过预先训练好的黑箱模型，结合弛豫时间分布数据，首先对退役锂离子电池的电池容量进行了快速估计，再将预估的电池容量以及基于电化学阻抗谱测试得到的欧姆内阻输入至高斯混合模型进行软聚类得到软聚类结果，从而实现对退役锂离子电池的快速分选重组。因此该方法无需采用特殊容量测试装置就能够将电池容量估计的时间从3小时缩短到10分钟左右，且适用于对大规模的退役锂离子电池进行分选重组，相较于现有容量测试装置有着高效率、低耗时的优点。而高效的电池容量估计也使得退役锂离子电池的分选重组效率得到了较大的提升。
[0117]
<实施例二>
[0118]
为了便于表达，本实施例二中对于和实施例一相同的步骤，给予相同的符号，并省略相同的说明。
[0119]
实施例一中，步骤s3基于弛豫时间分布数据提取了退役锂离子电池的阻抗特征信息，本实施例二的区别在于：步骤s3’至步骤s4’中，在基于弛豫时间分布数据提取到退役锂离子电池的阻抗特征信息后，对这些阻抗特征进行了权重处理。
[0120]
图5是本发明实施例二中的基于电化学阻抗谱的退役锂离子电池快速分选重组方法的流程图。
[0121]
如图5所示，本实施例提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，具体包括以下步骤：
[0122]
步骤s1，对退役锂离子电池进行电化学阻抗谱测试与弛豫时间分布分析，得出对应的电化学阻抗谱奈奎斯特图阻抗曲线以及对应的弛豫时间分布数据，然后从电化学阻抗谱奈奎斯特图阻抗曲线与横轴的交点计算出退役锂离子电池的欧姆内阻r
o
。
[0123]
步骤s2，基于预先训练好的黑箱模型以及弛豫时间分布数据，对退役锂离子电池进行快速容量估计从而得出退役锂离子电池的预估电池容量。
[0124]
步骤s3’，基于弛豫时间分布数据提取退役锂离子电池的接触阻抗r
c
、sei膜阻抗r
sei
、电荷交换阻抗r
ct
以及锂离子扩散阻抗r
d
的阻抗特征信息并进行权重处理。
[0125]
本实施例中，权重处理为对上述提取到的接触阻抗r
c
、sei膜阻抗r
sei
、电荷交换阻抗r
ct
以及锂离子扩散阻抗r
d
进行权重系数的赋值，赋值公式为：
[0126][0127]
式中，x
α
是经权重处理后的高斯混合模型的输入数据，α
i
为权重，当α
i
作平方运算后可以放大权重因子的影响，使得带权重的聚类效果更好。
[0128]
步骤s4’，将经过权重处理的特征信息与预估电池容量以及欧姆内阻r
o
作为一个六维度的重组判据输入至高斯混合模型。
[0129]
步骤s5’，高斯混合模型对不同老化场景下的退役锂离子电池进行软聚类重组得到最终软聚类结果，并完成分选重组。
[0130]
本实施例中，老化场景下的退役锂离子电池包括三种老化模式：
[0131]
1)cl，即电导率损失，与欧姆内阻r
o
、接触阻抗r
c
相关；
[0132]
2)lli，即锂离子损失，与sei膜阻抗r
sei
、电荷转移阻抗r
ct
相关；
[0133]
3)lam，即活性材料损失，与扩散阻抗r
d
相关。
[0134]
图6是本发明实施例二中的实验电池三种老化模式分组对应的参数组合情况的轮廓系数图。
[0135]
本实施例中，在得到软聚类结果后，对该结果进行轮廓值与轮廓系数的计算，如图6所示，计算得到轮廓系数值在0.2至0.9之间，因此聚类合理。
[0136]
对分选重组后的电池进行hppc工况测试，以检验实际情况中三种老化模式的退役锂离子电池进行分选重组后的一致性，实验过程如下：
[0137]
步骤a1，将退役锂离子电池充满电(soc＝1)作为初始状态；
[0138]
步骤a2，以1c倍率对该退役锂离子电池进行10s恒流脉冲充电；
[0139]
步骤a3，静置30s；
[0140]
步骤a4，以1c倍率对该退役锂离子电池进行10s恒流脉冲放电；
[0141]
步骤a5，静置30s；
[0142]
步骤a6，以1/3c倍率对该退役锂离子电池进行恒流放电。
[0143]
本实施例中，该测试分别在该退役锂离子电池的soc为90％、50％、10％(即高中低三个soc区间)时各进行一次，并检测经过软聚类的两组电池(分别为图7中的重组电池组c1和重组电池组c2)的聚类结果，以及对这两组电池进行两组验证实验并对聚类效果做出评价。具体地：
[0144]
随机选择相同数量退役锂离子电池进行同等条件下的hppc测试，并与经过软聚类重组的电池的电压曲线进行比较。
[0145]
图7是本发明的2组重组电池组与2组测试电池组的hppc工况测试结果比较图。
[0146]
本实施例中，电池群的电压响应的一致性采用响应向量之间的间距进行计算，即
计算电池群电压响应的平均距离a，其值越小，电池一致性越高，公式如下：
[0147][0148]
式中，k表示组内电池的总数目；γ
i
为对应电池的电压向量。
[0149]
通过上述计算得到c1重组电池组的平均距离为0.0343，c1测试电池组第二组的平均距离为0.1402，c2重组电池组的平均距离为0.0634，c2测试电池组的平均距离为0.0923，则说明聚类后同组电池hppc测试结果间的平均距离小于随机抽选的电池组，即通过本发明聚类方法得到的重组电池组具有较好的一致性，聚类效果比较好。
[0150]
实施例二作用与效果
[0151]
与实施例一相比，本实施例二中，基于退役锂离子电池内部的电化学阻抗谱特征，提出一种带权重的不同电池老化模式聚类方法以应用于不同老化场景下的退役锂离子电池的快速分选重组，相较于实施例一，本实施例提供了更为精细化的退役锂离子电池快速分选重组方法，提高了退役锂离子电池分选与重组的效率和精准性。
[0152]
上述实施例仅用于举例说明本发明的具体实施方式，而本发明不限于上述实施例的描述范围。