退役电池模组容量预测方法、装置、电子设备及存储介质与流程

本发明涉及退役电池容量预测，具体涉及一种退役电池模组容量预测方法、装置、电子设备及存储介质。

背景技术：

1、动力电池模组是指为工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池，其主要区别于用于汽车发动机启动的启动电池，多采用阀口密封式铅酸蓄电池、敞口式管式铅酸蓄电池以及磷酸铁锂蓄电池。

2、当动力电池模组性能不佳或者年限较长，一般会被抛弃，成为退役电池模组，然而，即便是退役电池模组，其还有一定的剩余电量，在实现电池模组的循环再利用上能够起到一定作用。

3、基于此，在启用退役动力电池模组的循环利用时，还需要对不同的退役动力电池模组的剩余容量进行测量和检测，然而，目前的容量预测方法一般是采用单一的完整充放电测试，且次数较多，不能准确预测容量且充放电次数较多也影响到退役动力电池模组的性能。

技术实现思路

1、有鉴于此，有必要提供一种退役电池模组容量预测方法、装置、电子设备及存储介质，用以解决现有技术中需要完整充放电且次数较多的问题，能够在无需完整充放电的前提下实现对退役电池模组的快速准确预测且不影响退役电池模组性能。

2、第一方面，本发明提供了一种退役电池模组容量预测方法，包括：

3、获取若干退役动力电池模组在第一次充放电测试后的剩余容量；

4、获取所述若干退役动力电池模组第二次充放电测试的ic曲线，并选取符合预设条件的电压区间作为限制电压区间段；

5、在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；

6、获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；

7、获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；

8、构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。

9、在可能的一些实施例中，获取若干退役动力电池模组在第一次充放电测试后的剩余容量，包括：

10、对若干退役动力电池模组在第一充放电能力倍率下进行第一次充放电测试，得到所述若干退役动力电池模组的剩余容量。

11、在可能的一些实施例中，获取所述若干退役动力电池模组第二次充放电测试的ic曲线，并选取符合预设条件的电压区间作为限制电压区间段，包括：

12、在第二充放电能力倍率下对所述若干退役动力电池模组进行充放电曲线测试，获取所述若干退役动力电池模组的ic曲线；

13、在电池模组的ic曲线中按照波谷-波峰-波谷对电压区间进行划分，对比各电压区间所占时间段，选取时间段最短的电压区间作为所述限制电压区间段。

14、在可能的一些实施例中，在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值，包括：

15、在所述限制电压区间段内，在所述第一充放电能力倍率与第一温度下进行短时间充放电曲线测试，得到短时间充放电曲线、短时间充放电时间和短时间充放电容量值。

16、在可能的一些实施例中，所述第一充放电能力倍率为0.3c~1c，所述第一温度为15℃~35℃。

17、在可能的一些实施例中，获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离，包括：

18、通过弗雷歇距离算法计算得到所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线之间的弗雷歇距离；

19、其中，弗雷歇距离算法的计算公式如下所示：

20、

21、p、l分别为p曲线和l曲线，i为轨迹点数量，m为选取的单个曲线轨迹点数量和，分别为p曲线和l曲线中顺序集合的轨迹点，d（）为距离计算公式。

22、在可能的一些实施例中，所述初始神经网络模型为elman神经网络模型；所述elman神经网络模型结构属于前馈连接，其包括输入层、隐含层、输出层，所述隐含层的传递函数为非线性函数，输出层为线性函数。

23、第二方面，本发明还提供了一种退役电池模组容量预测装置，包括：

24、剩余容量获取模块，用于获取若干退役动力电池模组在第一次充放电测试后的剩余容量；

25、电压区段获取模块，用于获取所述若干退役动力电池模组第二次充放电测试的ic曲线，并选取符合预设条件的电压区间作为限制电压区间段；

26、短时间值获取模块，用于在所述限制电压区间段内，获取所述若干退役动力电池模组在短时间充放电测试下的短时间充放电曲线、短时间充放电时间和短时间充放电容量值；

27、曲线距离获取模块，用于获取所述若干退役动力电池模组中两两电池模组之间的短时间充放电曲线的弗雷歇距离；

28、电压内阻获取模块，用于获取所述若干退役动力电池模组的端电压和内阻，以及所述若干退役动力电池模组中所有单体电池的端电压和内阻，并计算各单体电池端电压和与模组电压差值以及各单体电压内阻和与模组内阻差值；

29、容量预测模块，用于构建初始神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。

30、第三方面，本发明还提供了一种电子设备，包括存储器和处理器，其中，

31、所述存储器，用于存储程序；

32、所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现上述任意一种可能的实现方式中所述的退役电池模组容量预测方法中的步骤。

33、第四方面，本发明还提供了计算机可读存储介质，其特征在于，用于存储计算机可读取的程序或指令，所述程序或指令被处理器执行时能够实现上述任意一种可能的实现方式中所述的退役电池模组容量预测方法中的步骤。

34、采用上述实施例的有益效果是：本发明首先通过不同的充放电测试获取短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值，并通过构建神经网络模型，以所述短时间充放电时间、短时间充放电容量、弗雷歇距离、模组电压和内阻、以及模组与单体电压差值和内阻差值作为所述初始神经网络模型的输入值，模组剩余容量作为输出值，经过迭代训练，得到训练完备的神经网络模型，并基于所述训练完备的神经网络模型对退役动力电池模组容量进行预测。本发明利用ic曲线获取短时间充放电的电压区间段，能更好的反映模组的内部结构特性，对模组的容量能有更准确的分选；通过神经网络较强的学习能力能够更好地适应多个特征参数与放电容量的数据关系，通过构建最佳模型能够达到对电池模组容量快速预测的目的；训练集样本数量越多，建立的网络模型越精确，通过本方案，可以在无需完整充放电的前提下实现对退役电池模组的快速准确预测。