一种数据驱动的梯次电池RUL预测与分类方法与流程

本发明涉及电池剩余使用寿命预测领域，特别是指一种数据驱动的梯次电池rul预测与分类方法。

背景技术：

在退役电池梯次利用的应用背景下，梯次电池rul评估不仅要考虑rul评估的准确性，更要同时兼顾评估的快速性，以使得大量的退役电池能够更快速地投入到梯次利用的场景中，节约梯次利用的评估时间、能耗和成本。

现有技术对电池rul的评估，大多采用soh作为剩余寿命衡量的指标，然而现有的soh估计技术都存在一定的误差，或者在工程上难以实现，其缺点如下：

①定义法的缺点：测试时间较长，且是在理想测试条件下，因此不能在线估计。一方面，实际对电池使用的过程中，不可能从满充使用到满放；另一方面，通过该方法计算soh的值，传感器需要很高的精度。

②电阻折算法的缺点：该方法先通过建立被测量与电池内阻之间的关系，再建立电池内阻和soh之间的关系，来估计电池的soh。该方法两次辨识的模型累计误差较大。

③容量衰减法的缺点：获取电池的充放电数据需要很长的时间，影响电池的正常工作。而且，影响电池的实际容量有太多不确定的因素，这些不确定因素会对电池模型的辨识产生较大的偏差。

④其他电化学方法的缺点：电化学模型非常复杂，难以建立，不确定和随机的干扰往往无法用典型的统计规律描述，造成误差。

综上所述，现有技术方案，主要存在两大缺点：(1)均采用电池的soh作为rul的衡量指标，且在测试上，均基于传统的电池容量测试方法，即恒流恒压测试法，耗时较长，由于退役电池的异质性非常高，梯次利用前，又需要对这些电池进行测试，客观上影响了退役电池的投入使用的效率；(2)在基于soh的指标框架下，比较看重soh估计的精度问题，事实上，由于电池的内部特性的复杂，以及电池在运行过程中受到的随机因素的影响(比如外部的温度，用户用电时的过冲过放行为)，对soh进行精确估计的可行性较低；此外，预测soh的精度提高，其设备的成本也将提高。然而，在梯次利用背景下，rul估计的快速性和经济性也很重要，但现有方法没有考虑评估的快速性和经济性问题。

技术实现要素：

本发明的主要目的在于克服现有技术中的上述缺陷，提出一种数据驱动的梯次电池rul预测与分类方法，能够极大地缩短了退役电池的rul评估时间，降低了对个体电池的rul进行精准评估的成本。

本发明采用如下技术方案：

一种数据驱动的梯次电池rul预测与分类方法,其特征在于，具体包括如下步骤：

步骤s1：收集拟参与梯次利用电池的生产商数据及电池型号，对于每一种型号，取30个出厂的新电池，构成一组；

步骤s2：对于不同生产商的不同型号的电池，测试每一组电池的时序数据，建立电池rul的衰减数据库；

步骤s3：根据步骤s2中测试的时序数据，建立数据驱动rul预测模型，预测退役电池的rul；

步骤s4：基于k均值算法，对退役电池进行分类；

步骤s5：将步骤s4中分得同类的电池，通过串并联结合组装成新的电池组，投入到能源互联网中进行梯次利用。

所述步骤s2中测试每一组电池的时序数据，具体为：选取电池充放电过程中的电压、电流、温度作为特征量。

所述步骤s3具体包括：

步骤s31：模型定义与参数估计，利用步骤s2中时序数据，建立状态退化模型，基于极大似然估计方法得到估计参数；

步骤s32：测试退役电池的时序数据，对所述退役电池的时序数据进行预处理，输入到步骤s31得到的状态退化模型中，得到估计退役电池的rul。

所述步骤s31中，状态退化模型为自回归滑动平均模型，模型中的噪声模型为有色噪声。

所述步骤s32中，对所述退役电池的时序数据进行预处理，具体包括：对所述退役电池的时序数据，通过小波分析进行多尺度和多分辨率分析，取低频数据部分，输入到步骤s31中的状态退化模型中，取高频数据部分用于构建模型中的噪声模型。

所述步骤s32中，输入到步骤s31得到的状态退化模型中，得到估计退役电池的rul，具体包括：通过对比退役电池的时序数据的衰减率与s2步骤中的时序数据的数据衰减率，在误差阈值内得到退役电池的rul估计。

所述步骤s4中，基于k均值算法，对退役电池进行分类，具体包括：基于k均值算法，将电压等级相同的，且rul相近的电池分到同一类。

所述步骤s5中，对s4中所分的同类电池，根据用户的用电设备电压等级的需要，进行串并联的组合封装。。

由上述对本发明的描述可知，与现有技术相比，本发明具有如下有益效果：

(1)本发明缩短了退役电池的rul评估时间，一方面，通过少量电池从全新到寿命衰竭的运行数据，建立数据库，并设计arma和数据滤波结合的数据驱动模型，用数据库中的数据估计arma中的参数。本发明提出的技术方案，能够适应退役电池在线测试的不同长度的时间序列数据；为了提高模型的实用性，本发明在建立arma与数据滤波相结合的数据驱动模型，通过数据滤波技术，提取出噪声的分布规律，进而修正模型，形成循环，在线保证模型的精确性。

(2)本发明并未追求对每一个个体电池的寿命做出精确的soh评估，而是采用同型号的电池的一般统计规律，对电池的rul作评估，由于梯次利用电池本身已是二次利用，因而更重要的是保证其运行的总体安全性，而非对个体电池的soh进行精准测量；因此，本发明实际上降低了对个体电池的rul进行精准评估的成本。

(3)本发明对退役电池提出了科学有效的分类方法，通过把电压等级相同、rul相近的电池分到同一类，在对同一类的退役电池进行串并联组合、封装使用，一方面，通过电压等级相同的电池的串并联，保证电池组运行的安全性和可靠性；二方面，使得退役电池能够最大程度地挖掘退役电池的rul，避免因为电池组内部电池的不一致，导致需要多次的拆装。

附图说明

图1为基于时间序列及数据滤波的rul预测流程示意图。

具体实施方式

以下通过具体实施方式对本发明作进一步的描述。

一种数据驱动的梯次电池rul预测与分类方法，主要步骤如下：

步骤s1：收集拟参与梯次利用电池的生产商数据及电池型号，对于每一种型号，取30个出厂的新电池，构成一组；

步骤s2：针对每一组电池，建立电池rul衰减的数据库，其数据包含不同生产商的不同型号的电池，每一组30个电池的时序数据，其中数据由电池测试仪测试得到。将出厂的新电池进行反复充放电，直到电池的soh下降到40％。在整个测试过程中，记录电池的累计使用时间。因此，每个序列具有4个特征，序列长度各不相同。以同型号的一组电池为例，具体表示如下：

每一个电池的时间序列数据，定义为：

其中ut、it、tt分别表示电池在初始t时刻的电压、电流、温度，它们分别为3个特征数据，ni为第i个时间序列数据的长度，rt表示电池的rul。注意到，ni取不同的数值，意味着arma模型的参数取决于数据集中采集到的时间序列长度。但需要保证ni≥nmin＝20。

步骤s3：对步骤2中采集的数据，建立数据驱动rul预测模型，其具体步骤如图1所示：

步骤s3.1：模型定义与参数估计。

建立状态退化模型，状态退化模型为时间序列的数学模型描述，其中模型可选用自回归滑动平均模型(autoregressivemovingaveragemodel,arma)表述为：

yt＝α1yt-1+α2yt-2+…+αt-pyt-p+ξ(t)

其中ξ(t)是噪声序列，α1,α2,αt-p为模型的参数，用极大似然估计的方法获得，通过构造极大似然函数l＝l(α)并求解得到。

注意到，在该模型的输出中，yt为数据集中的一个数据向量，即

[rtutittt]^t

噪声ξ(t)在本技术方案中并不假定为理想高斯白噪声，符合工程实际。

步骤s3.2：退役电池测试环节。

将退役电池投入到测试仪器中，测试电池的时间序列数据。该步骤又细分为如下两步：

步骤s3.2.1：数据滤波，对原始的量测数据，通过小波分析，提取出多尺度下和多分辨率下的时间序列数据，取滤除的低频数据部分，输入到步骤s3.1中通过极大似然法得到的arma模型中，用于构建噪声ξ(t)的数字特征；

步骤s3.2.2：将量测数据，包括[utittt]输入到arma模型中，由于在初始阶段，不可精确得知，因此需要反复迭代修正一直到时间序列的变化率与步骤s2中采集到的数据的平均变化率接近，得到估计的rul，即

步骤s4：基于k均值算法，对退役电池进行分类。将r和电池的充放电额定电压u^*作为分类依据。将电池分为k类，其中k为待投入使用的退役电池的电压等级数。通过k均值聚类算法，可得到k个中心点

μr(r＝1,2,…,k)

满足损失函数：

步骤s5：将步骤s4中分得同类的电池，通过串并联结合组装成新的电池组，投入到能源互联网中进行梯次利用。

上述仅为本发明的具体实施方式，但本发明的设计构思并不局限于此，凡利用此构思对本发明进行非实质性的改动，均应属于侵犯本发明保护范围的行为。