一种退役电池模组分选方法、装置、电子设备及存储介质与流程

本发明涉及电池分选，具体涉及一种退役电池模组分选方法、装置、电子设备及存储介质。

背景技术：

1、随着电动汽车行业的兴起，电动汽车的销量越来越多，同时也带动锂离子电池的销量急剧上升。对于电动汽车来说，为保证汽车的续航能力，当电池的容量下降到一定程度(例如80％)后，需要将其从汽车上淘汰下来，如果直接淘汰会造成电池剩余价值的浪费，因此，需要对退役的电池模组进行梯次利用，进而避免能源的浪费。

2、但是由于退役电池模组在经历不同的充放电过程后，其性能差异较大，如果不对其进行分选而直接使用，会影响电池二次使用的容量性能、功率性能以及电池组的剩余寿命，同时退役电池模组更有产生故障的可能性。

3、目前的分选方法一般都是预估电池模组容量后，根据电池模组容量进行分选，但是目前的电池模组容量预测需要经过完整充放电过程，而且对电池模组容量的预估不够准确，进而无法有效的实现对退役电池模组的分选。

技术实现思路

1、本发明的目的在于克服上述技术不足，提供一种退役电池模组分选方法、装置、电子设备及存储介质，解决现有技术中由于无法准确预估电池模组容量而导致的无法有效实现对退役电池模组的分选的技术问题。

2、为达到上述技术目的，本发明采取了以下技术方案：

3、第一方面，本发明提供一种退役电池模组分选方法，包括如下步骤：

4、获取若干退役动力电池模组在第一次充放电测试下的剩余容量；

5、获取若干退役动力电池模组在连续三次脉冲充放电后，最后一次脉冲充放电时的脉冲充放电数据，基于所述最后一次脉冲充放电时的脉冲充放电数据计算出若干退役动力电池模组的第一特征参数；

6、获取若干退役动力电池模组的各单体电池在最后一次脉冲充放电时的第一特征参数之和与所述若干退役动力电池模组的第一特征参数之间的差值，并将所述差值作为第二特征参数；

7、获取若干退役动力电池模组的端电压和内阻；

8、对若干动力电池模组的第一特征参数、第二特征参数、端电压和内阻进行降维处理，得到降维后呈m维的特征矩阵；

9、构建神经网络模型，以所述m维的特征矩阵为输入，以退役动力电池模组的放电容量为输出，对所述神经网络模型进行训练，以得到容量预测模型，基于所述容量预测模型对退役动力电池模组进行容量预测后，根据预测的容量以及退役动力电池模组的端电压和内阻，对退役动力电池模组进行分选。

10、在一些实施例中，所述获取若干退役动力电池模组在第一次充放电测试下的剩余容量，包括：

11、获取若干退役动力电池模组在第一温度下静置后在第一充放电倍率下进行充放电测试后的剩余容量。

12、在一些实施例中，所述第一特征参数至少包括欧姆内阻、极化内阻以及充放电功率。

13、在一些实施例中，所述获取若干退役动力电池模组在连续三次脉冲充放电后，最后一次脉冲充放电时的脉冲充放电数据，包括：

14、获取若干退役动力电池模组在第二温度下静置后在第二充放电倍率下进行三次连续的脉冲充放电测试后，最后一次的脉冲充放电数据。

15、在一些实施例中，所述第一温度为15℃～35℃，所述第二温度为15℃～35℃，所述第一充放电倍率为0.3c～1c，所述第二充放电倍率为1c～3c。

16、在一些实施例中，采用主成分分析方法对若干动力电池模组的第一特征参数、第二特征参数、端电压和内阻进行降维处理。

17、在一些实施例中，所述神经网络模型为支持向量机。

18、第二方面，本发明还提供一种退役电池模组分选装置，包括：

19、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下的剩余容量；

20、第一特征参数获取模块，用于获取若干退役动力电池模组在连续三次脉冲充放电后，最后一次脉冲充放电时的脉冲充放电数据，基于所述最后一次脉冲充放电时的脉冲充放电数据计算出若干退役动力电池模组的第一特征参数；

21、第二特征参数获取模块，用于获取若干退役动力电池模组的各单体电池在最后一次脉冲充放电时的第一特征参数之和与所述若干退役动力电池模组的第一特征参数之间的差值，并将所述差值作为第二特征参数；

22、第三特征参数获取模块，用于获取若干退役动力电池模组的端电压和内阻；

23、降维处理模块，用于对若干动力电池模组的第一特征参数、第二特征参数、端电压和内阻进行降维处理，得到降维后呈m维的特征矩阵；

24、预测模块，用于构建神经网络模型，以所述m维的特征矩阵为输入，以退役动力电池模组的放电容量为输出，对所述神经网络模型进行训练，以得到容量预测模型，基于所述容量预测模型对退役动力电池模组进行容量预测后，根据预测的容量以及退役动力电池模组的端电压和内阻，对退役动力电池模组进行分选。

25、第三方面，本发明还提供了一种电子设备，包括：处理器和存储器；

26、所述存储器上存储有可被所述处理器执行的计算机可读程序；

27、所述处理器执行所述计算机可读程序时实现如上所述的退役电池模组分选方法中的步骤。

28、第四方面，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如上所述的退役电池模组分选方法中的步骤。

29、与现有技术相比，本发明提供的退役动力电池模组分选方法、装置、电子设备及存储介质，对退役电池模组的初始状态进行一致化处理，能够更好的利用测试过程中的参数差别对退役动力电池模组进行容量预测，利用脉冲测试获得的多个反应模组与单体之间的特征参数值，能更好的的反应模组充放电时的内部结构特性，对模组的容量能够更加准确的预测，通过对特征参数进行降维处理，能够减少信息量，消除原始数据之间的相互影响，减少模型计算量，此外，训练集样本数量越多，建立的预测模型越精确，通过本发明的技术阀杆，可以在无需完整充放电的前提下实现对退役动力电池模组的快速准确预测。

技术特征：

1.一种退役电池模组分选方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的退役电池模组分选方法，其特征在于，所述获取若干退役动力电池模组在第一次充放电测试下的剩余容量，包括：

3.根据权利要求2所述的退役电池模组分选方法，其特征在于，所述第一特征参数至少包括欧姆内阻、极化内阻以及充放电功率。

4.根据权利要求3所述的退役电池模组分选方法，其特征在于，所述获取若干退役动力电池模组在连续三次脉冲充放电后，最后一次脉冲充放电时的脉冲充放电数据，包括：

5.根据权利要求4所述的退役电池模组分选方法，其特征在于，所述第一温度为15℃～35℃，所述第二温度为15℃～35℃，所述第一充放电倍率为0.3c～1c，所述第二充放电倍率为1c～3c。

6.根据权利要求5所述的退役电池模组分选方法，其特征在于，采用主成分分析方法对若干动力电池模组的第一特征参数、第二特征参数、端电压和内阻进行降维处理。

7.根据权利要求6所述的退役电池模组分选方法，其特征在于，所述神经网络模型为支持向量机。

8.一种退役电池模组分选装置，其特征在于，包括：

9.一种电子设备，其特征在于，包括：处理器和存储器；

10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有一个或者多个程序，所述一个或者多个程序可被一个或者多个处理器执行，以实现如权利要求1-7任意一项所述的退役电池模组分选方法中的步骤。

技术总结
本发明公开一种退役动力电池模组分选方法、装置、电子设备及存储介质，方法包括：获取若干退役动力电池模组在第一次充放电测试下的剩余容量；获取电池模组在连续三次脉冲充放电后，最后一次脉冲充放电时的脉冲充放电数据，基于所述最后一次脉冲充放电时的脉冲充放电数据计算出若干退役动力电池模组的第一特征参数、第二特征参数、端电压和内阻，并进行降维处理，得到呈m维的特征矩阵；最后构建神经网络模型，对所述神经网络模型进行训练，以得到容量预测模型，基于所述容量预测模型对退役动力电池模组进行容量预测后，对电池模组进行分选。本发明解决了目前由于无法准确预估电池模组容量而导致的无法有效实现对退役电池模组的分选的技术问题。

技术研发人员：张宇平,刘虹灵,别传玉,宋华伟
受保护的技术使用者：武汉动力电池再生技术有限公司
技术研发日：
技术公布日：2024/1/13