一种退役电池梯次利用单体筛选方法

1.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：

2.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。


技术实现要素：

3.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。
4.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：
5.s1、电池数据的采集；
6.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；
7.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。
8.s2、构造单核svm模型；
9.s21、构造服从约束的目标函数：
[0010][0011][0012]
0≤αi≤c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0013]
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；
[0014]
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；
[0015]
利用公式：计算出w
*
，其中，w
*
为超平面参数；
[0016]
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：
[0017][0018]
计算出每个支持向量(xs,ys)对应的其中，所有的对应的平均值为：其中，b
*
为超平面参数；
[0019]
分类超平面公式为：w
*
·
k(xi,xj)+b
*
＝0
ꢀꢀꢀꢀꢀ
(5)
[0020]
其中，k为满足所有x，y的条件的核函数；
[0021]
决策函数为:f(x)＝sign(x
*
·
k(xi,xj)+b
*
)
ꢀꢀꢀꢀꢀꢀ
(6)
[0022]
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；
[0023]
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；
[0024]
核函数分别为rbf核函数、linear核函数和polynomial核函数：
[0025]
rbf核函数：
[0026]
linear核函数：k
i,j
＝《xi,xj》
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0027]
polynomial核函数：k
i,j
＝(《xi,xj》+b)dꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
[0028]
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。
[0029]
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。
[0030]
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。
[0031]
基于模糊隶属度的决策融合规则如下：
[0032]
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；
[0033]
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；
[0034]
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；
[0035][0036]
其中，pi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；
[0037]
本发明的有益效果是：
[0038]
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
[0039]
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
[0040]
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。
[0041]
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：
[0042]
s1、电池数据的采集；
[0043]
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。
[0044]
s2、构造单核svm模型；
[0045]
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；
[0046]
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。
[0047]
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：
[0048]
表2样本数据分布
[0049][0050]
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。
[0051]
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；
[0052]
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；
[0053]
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；
[0054]
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；
[0055]
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；
[0056]
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；
[0057]
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。
[0058]
建立电池评价指标：soh标准差、稳定放电时间、内阻标准差；
[0059]
soh标准差：该类别电池单体soh的标准差；
[0060]
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；
[0061]
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；
[0062]
对比单核与多核决策融合结果如表3所示：
[0063]
表3单核与多核决策融合的数据
[0064][0065]
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；
[0066]
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。
[0067]
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。