一种低测试成本的退役动力电池分选方法

1.本发明属于退役电池梯次利用领域，具体的说是一种低测试成本的退役动力电池分选方法。


背景技术：

2.动力电池是新能源汽车重要的储能部件。其通常是由大量单体电芯经串并联连接成模组后，再次串联组成电池组而后为车辆提供电能。在经过长时间车载使用进而退役时，电池组中的单体电池将在最大可用容量、欧姆内阻、极化内阻等方面存在较大的不一致性。这会直接影响电池组的输出性能，也为退役电池的二次利用带来较大的不便。为此，需要在退役电池进行二次利用前，对单体电池或模组进行一致性分析，并以此对电池进行分类和筛选。
3.目前，退役电池分选工作步骤大致为：1)人工检查外观是否破损变形，初步筛选出明显无法二次利用的电芯；2)使用专业设备测量性能参数，按不同电池类型建立数据库，同时将性能下降异常严重(如soh低于40％，内阻超过初始值1.5倍)的电芯纳入拆解回收的类别；3)按照特定的方法对数据库中电池分类，使性能参数接近的电芯为一类以方便后续的配组工作。
4.同时，现有的退役电池分选方案往往将回收得来的不同余能状态的电池电量放空，再统一进行全充放电测试。根据测试所得性能参数进行分类，分好类后送入库房储存，再按需配组出库。但退役电池梯次利用场景丰富，除了有储能电站等需求大批量退役电池的项目，亦有应急电源等需求量较小的项目，项目订单不一定能消纳完库存电池，部分电池会闲置较长时间，以至于下一次出库时，需重新归类。此类方案电能浪费较高，测试时间冗长。


技术实现要素：

5.本发明是为了解决上述现有技术存在的不足之处，提出一种低测试成本的退役动力电池分选方法，以期能避免大批量退役电池的全充放电测试和减少冗余测试工作，从而能降低退役电池分选工作的时间成本和能耗成本。
6.本发明为达到上述发明目的，采用如下技术方案：
7.本发明一种低测试成本的退役动力电池分选方法的特点在于，包括如下步骤：
8.步骤一、对外观完整的若干退役电池静置一段时间后，用电压测量仪测量其当前电压值作为各自的标记电压值后存储到数据库中；
9.步骤二、电池初步分组；
10.步骤2.1、对所述数据库中的标记电压值进行排序，得到排序后的标记电压值；
11.步骤2.2、确定一个电压区间长度δ，并将排序后的标记电压值按照所述电压区间长度δ划分为等长度的多段电压区间，再统计各电压区间内退役电池数量及对应退役电池后，按各电压区间将退役电池分组入库储存；
12.步骤三、根据现有订单需求，取出待测试的退役电池；
13.步骤3.1、汇总订单对退役电池的需求，包括：性能要求和相应的数量；
14.步骤3.2、在满足订单需求的退役电池数量的条件下，将退役电池数量最多的电压区间及其相邻电压区间的退役电池取出，直到所取出的退役电池总数量高于需求的退役电池数量为止；从而得到待测试的各个退役电池；
15.步骤四、相同电压起点的片段充放电测试；
16.步骤4.1、在待测试的各个退役电池的标记电压值中取中位数所在的电压区间的上限为测试电压的起点；
17.步骤4.2、利用充放电仪将待测试的各个退役电池以小倍率电流充电或放电到所述测试电压的起点；
18.步骤4.3、测试过程：
19.利用充放电仪对待测试的各个退役电池进行恒流充电，使得退役电池的端电压上升一个电压区间长度δ后，再利用充放电仪以n个倍率的电流大小对退役电池进行脉冲充放电测试；
20.步骤4.4、采集测试过程中退役电池的充放电数据和电池外部物理参量数据，从而得到各个退役电池的测试数据并存储到数据库中；
21.步骤五、提取测试数据的特征，并得出分选结果；
22.提取所述测试数据中分别与电池性能和老化程度相关的特征，并所提取的特征进行归一化处理后，再进行降维处理，得到降维后的特征；
23.以降维后的特征的各维度成分值为分选指标，利用分选算法根据分选指标对退役电池进行聚类处理，得到分类结果；
24.步骤六、测试聚类中心电池，并判断分类结果是否满足订单需求；
25.步骤6.1、将分类结果中离各个类别的聚类中心最近的退役电池的性能参数分别作为每个类别的电池平均参数；
26.步骤6.2、判断每个类别的电池平均参数是否满足订单的性能要求，若满足，则将相应的类别的所有电池作为预备退役电池，否则，舍弃相应的类别的所有电池；
27.步骤6.2、判断所述预备退役电池的数量是否满足订单需求的退役电池数量，若满足，则表示完成当前订单，并更新各电压区间内退役电池数量；否则，根据订单剩余需求的退役电池数量，返回步骤3.2顺序执行；
28.步骤6.3、将后续回收的退役电池按照步骤一和步骤二的过程进行处理。
29.本法发明所述的一种低测试成本的退役动力电池分选方法的特点也在于：所述步骤五所提取的与电池性能和老化程度相关的特征包括：脉冲电流测试时的电压变化值、温度变化值、相同电压变化下充入的电量、最大电压差、dq/dv的起点值、终点值和方差。
30.与现有技术相比，本发明的有益效果在于：
31.1、本发明方法通过灵活的测试策略和片段充放电实验提取特征结合聚类算法进行退役电池分选，减少了冗余的测试工作，避免了放空电池余能和全充放电测试，大幅降低了能量消耗和分选时长；
32.2、本发明方法设计了根据订单需求量灵活进行测试工作的策略，避免了部分电池会闲置较长时间，以至于下一次出库时，需重新归类的情况，从而减少了冗余的测试工作，
降低了分选时长；
33.3、本发明方法先以电压测量仪测量其当前电压值作为各自的标记电压值，再根据电压值划分电压区间对电池初步分组，使残余电能接近的电池为一组，并就近选择测试的电压起点，避免了放空电池余能，减少了电能浪费；
34.4、本发明方法采用了相同电压变化区间的片段充放电测试，从局部的充放电曲线和外部物理参量变化中提取可作为分选指标的相关特征，避免了满充满放和多循环的充放电测试，从而大幅降低了测试过程的电能消耗和时间成本；
35.5、本发明方法利用聚类算法，帮助退役电池分选，降低了需要专业人才的人工分类筛选工作的依赖性，提高了方法的普适性。
附图说明
36.图1为本发明涉及设备的分选系统图；
37.图2为本发明整个分选方法的流程图；
38.图3为本发明使用的分选算法流程图。
具体实施方式
39.本实施例中，一种低测试成本的退役动力电池分选方法，涉及设备包括：电压测量仪、充放电仪、数据采集仪、和存储及运算设备，这些设备构成的分选系统如图1所示，整个分选方法流程如图2所示，具体是按如下步骤进行：
40.步骤一、对外观完整的若干退役电池静置一段时间后，用电压测量仪测量其当前电压值作为各自的标记电压值后存储到数据库中；电压测量仪的内电阻通常很大，测得的电压值可基本视为开路电压(ocv)；
41.步骤二、电池初步分组；
42.步骤2.1、对数据库中的标记电压值进行排序，得到排序后的标记电压值；
43.步骤2.2、确定一个电压区间长度δ，并将排序后的标记电压值按照电压区间长度δ划分为等长度的多段电压区间，再统计各电压区间内退役电池数量及对应退役电池后，按各电压区间将退役电池分组入库储存；同一个电压区间里电池ocv接近，也代表了电池剩余电量接近，后续测试需要先将电池充放电到同一电压起点，此步骤配合后续的测试方案，避免放空电池余能造成的电能浪费，降低了测试前置工作的时长和能耗；
44.步骤三、根据现有订单需求，取出待测试的退役电池；
45.步骤3.1、汇总订单对退役电池的需求，包括：性能要求和相应的数量；
46.步骤3.2、在满足订单需求的退役电池数量的条件下，将退役电池数量最多的电压区间及其相邻电压区间的退役电池取出，直到所取出的退役电池总数量高于需求的退役电池数量为止；从而得到待测试的各个退役电池；退役电池性能离散度高，仅取出数量等同订单需求量的电池往往不能满足订单需求，所以数量可先取得多些，完成多次订单后，可按统计规律进行调整；
47.步骤四、相同电压起点的片段充放电测试；
48.步骤4.1、在待测试的各个退役电池的标记电压值中取中位数所在的电压区间的上限为测试电压的起点；
49.步骤4.2、利用充放电仪将待测试的各个退役电池以小倍率电流充电或放电到测试电压的起点；小倍率电流避免电池产生较大的温度变化和减弱电池的极化效应，使可以立即进入测试环节；
50.步骤4.3、测试过程：
51.利用充放电仪对待测试的各个退役电池进行恒流充电，使得退役电池的端电压上升一个电压区间长度δ后，再利用充放电仪以n个倍率的电流大小对退役电池进行脉冲充放电测试；
52.步骤4.4、采集测试过程中退役电池的充放电数据和电池外部物理参量数据，从而得到各个退役电池的测试数据并存储到数据库中；
53.步骤五、提取测试数据的特征，并得出分选结果；
54.提取测试数据中分别与电池性能和老化程度相关的特征，并所提取的特征进行归一化处理后，再进行降维处理，得到降维后的特征；
55.本实施例中，与电池性能和老化程度相关的特征包括：脉冲电流测试时的电压变化值、温度变化值、相同电压变化下充入的电量、最大电压差、dq/dv的起点值、终点值和方差。
56.特征量具体可获取为：
57.脉冲电流测试时的电压变化值：
58.用不同倍率的脉冲电流充放电时，电压也会随之产生激变，取脉冲电流对应时刻附近采样到的电压值，计算其最大变化值即可得。
59.此测试实验过程中的温度变化值δt如式(1)所示：
60.δt＝t
max-t
min
ꢀꢀꢀꢀꢀ
(1)
61.测试过程中充入的电量δq(各电池的上升电压相同)：
62.δq＝i
·
δt
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
63.式(2)中：i为恒流充电电流值，δt为充电时间。
64.恒流充电阶段相同采样间隔最大电压差δv
max
如式(3)所示：
[0065][0066]
式(3)中：t为采样时刻，t为此充放电阶段的最大时刻。
[0067]
还可绘出ic曲线，取dq/dv的起点值、终点值和方差等：
[0068]
电池的递增容量ic定义为容量变化与端电压变化的比值，即dq/dv，ic曲线即增量容量曲线，以dq/dv值为纵坐标对应的v值为横坐标画出的变化曲线，dq/dv其值可如式(4)计算得到：
[0069][0070]
恒流阶段可变换如式(5)所示：
[0071][0072]
式(5)中：q(t)和v(t)分别表示t时刻的电池电量和端电压，q(k)和v(k)为他们的离散形式，i为恒流阶段的电流，n表示采样间隔，t为采样周期时间。
[0073]
以降维后的特征的各维度成分值为分选指标，利用分选算法对分选指标进行聚类处理，得到分类结果，分选算法的流程框图如图3所示；
[0074]
具体实施中，为综合考量电池的各方面性能，采用了多个特征值作为分选指标，由此带来了较高维度的计算问题，使用机器学习算法可有效解决。机器学习算法中无监督聚类算法不需要用一定量的分好类的电池训练分类模型，所以适用于不同数量规模的电池分类，满足根据订单需求量灵活进行测试的需求。k均值聚类算法是一个经典的无监督聚类算法，可采用其作为分选算法；
[0075]
k均值聚类算法需要人为设置的一个主要参数为k值。k值指将样本集划分为k个簇，一个常用选取方法为手肘法；
[0076]
手肘法的核心思想是：随着聚类数k的增大，样本划分会更加精细，每个簇的聚合程度会逐渐提高，那么误差平方和sse自然会逐渐变小。并且，当k小于真实聚类数时，由于k的增大会大幅增加每个簇的聚合程度，故sse的下降幅度会很大，而当k到达真实聚类数时，再增加k所得到的聚合程度回报会迅速变小，所以sse的下降幅度会骤减，然后随着k值的继续增大而趋于平缓，也就是说sse和k的关系图是一个手肘的形状，而这个肘部对应的k值就是数据的真实聚类数；
[0077]
具体做法是让k从1开始取值直到设置的上限(一般来说这个上限不会太大，可以设置为需要的电池模块数)，对每一个k值进行聚类并且记录下对应的sse，然后画出k和sse的关系图，最后选取肘部对应的k作为最佳聚类数；
[0078]
步骤六、测试聚类中心电池，并判断分类结果是否满足订单需求；
[0079]
步骤6.1、将分类结果中离各个类别的聚类中心最近的退役电池的性能参数分别作为每个类别的电池平均参数；以特征量作为分选指标只能保证同一类的电池性能参数接近，具体性能参数还需进一步测量，但只需测量少部分电池；
[0080]
步骤6.2、判断每个类别的电池平均参数是否满足订单的性能要求，若满足，则将相应的类别的所有电池作为预备退役电池，否则，舍弃相应的类别的所有电池；
[0081]
步骤6.2、判断预备退役电池的数量是否满足订单需求的退役电池数量，若满足，则表示完成当前订单，并更新各电压区间内退役电池数量；否则，根据订单剩余需求的退役电池数量，返回步骤3.2顺序执行；
[0082]
步骤6.3、将后续回收的退役电池按照步骤一和步骤二的过程进行处理。