一种新型电池成组筛选方法与流程

本发明属于电池处理技术领域，具体涉及一种新型电池成组筛选方法。

背景技术：

步入21世纪以来，电池行业得到了迅速发展，随着国家对电池产业的大力扶持，未来的10年内将会有大量的电池产品投入市场，但问题也会随之而来。其中如何处理单体电池一致性问题就是一个重要问题。尤其是针对相同一致性的退役电池的筛选，一台电动汽车的动力电池包含有数百乃至上千的单体电池，经过长时间的使用后，各单体电池的性能衰减，单体电池的不一致性明显。但是这些单体电池并非完全报废，存在剩余价值。因此如何筛选这些退役动力电池显得尤为关键。

目前企业对电池分类的方法比较简单，仅仅是按照电池的类型，出产厂家和表面破损程度等进行机械分类。针对那些难以利用的退役电池直接拆解，这样不仅消耗了不必要的能量，而且对环境污染较大。而当前电池分类方法的研究主要是多参数分选法和动态参数分选法，而多参数分选法目前研究较多的是基于密度的分类方法，该种方法如果样本密度不均匀，聚类中心间距相差很大时，分类质量差；其计算方法比较复杂，需要对距离阈值，邻域样本数阈值联合调参，不同的参数组合对最后的聚类效果有较大影响。而动态参数分类法中需要对电池的充放进行检测，同时取大量的数据点，这样导致运算量极大，甚至会出现难以收敛的情况。

技术实现要素：

本发明的目的是提供一种新型电池成组筛选方法，能够准确得把一致性接近的单体电池划分到同一类，解决了单体电池的性能不一致使后期电池成组困难的问题。

本发明所采用的技术方案是，一种新型电池成组筛选方法，对电池筛选系统加装对应的测量模块，通过测量模块测量相应的数据，并对得到的数据进行处理，根据基于遗传算法的k-means算法重新计算类别，同时将同一批电池的不同运算回合的结果保留下来，并进行比对，选出最佳的结果，即为适应度最大的个体，并将该信号传递给分类控制系统，分类控制系统执行分类操作，同时将分类结果输出到人机交互界面。

本发明的特征还在于：

一种新型电池成组筛选方法，具体按照以下步骤实施：

步骤1、采集电池内部参数数据，并将该参数数据预处理为矩阵n；

步骤2、对矩阵n进行正交化处理得到标准化矩阵a；

步骤3、通过主成分分析法得到矩阵a的特征值λi，i＝1,2....m和特征向量ηj，j＝1,2...m,取累计贡献率大于85％前p个特征值；

步骤4、根据特征值λi、特征向量ηi,i＝1,2...m、p个特征值求出载荷矩阵λ1，对载荷矩阵λ1进行正交化处理得矩阵λ2；

步骤5、利用回归分析法求得因子得分系数矩阵将所有的因子得分系数矩阵采用因子分析法合成为一个电池总因子式f；

步骤6、采用遗传算法中的k-means算法对电池总因子进行筛选。

电池内部参数包括电池内阻、开路电压信号、电池自放电率、充放电容量。

预处理具体过程为：将原来离散未进行排列的数据，按照行代表同一节电池，列属于相同属性为原则进行简单的排列。

步骤6具体过程为：

步骤6.1、设置种群大小、交叉概率、变异概率、最大迭代数；

步骤6.2、将电池随机分出k个不同的类g1、g2…gk，计算出每个类中电池总因子的算术平均值，将该值作为此类的聚类中心；

步骤6.3、将k个聚类中心依次排序组成染色体，计算各个染色体的适用度，对染色体进行选择、交叉、变异、k-means聚类操作，产生新一代的群体，不断重复上述操作，直到达到最大迭代数；

步骤6.4、计算最新一代群体的适应度，并对适应度最大的个体进行k-means聚类，分出k组电池。

本发明的有益效果是，

本发明为一种新型电池成组筛选方法，结合了因子分析、遗传算法以及k-means算法的优点，准确得把一致性接近的单体电池划分到同一类，解决了单体电池的性能不一致使后期电池成组困难的问题；可供用户自行选择电池的参数指标进行分类，没有参数数量上的限制，用户也可根据自己的实际需要，自行设定合理的分类数，以贴合电池成组的需要；本发明还具准确度更高、运算速度快、收敛速度快的优点。

附图说明

图1为本发明一种新型电池成组筛选方法流程图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明采用一种新型电池成组筛选方法，对电池筛选系统加装对应的测量模块，通过测量模块测量相应的数据，并对得到的数据进行处理，根据基于遗传算法的k-means算法重新计算类别，同时将同一批电池的不同运算回合的结果保留下来，并进行比对，选出最佳的结果，即为适应度最大的个体，并将该信号传递给分类控制系统，分类控制系统执行分类操作，同时将分类结果输出到人机交互界面。

本发明一种新型电池成组筛选方法，如图1所示，具体按照以下步骤实施：

步骤1、采集电池内部参数数据，并将该参数数据预处理为矩阵n。

电池内部参数包括电池内阻、开路电压信号、电池自放电率、充放电容量。

预处理具体过程为：将原来离散未进行排列的数据，按照行代表同一节电池，列属于相同属性为原则进行简单的排列。

步骤2、对矩阵n进行正交化处理得到标准化矩阵a。

步骤3、通过主成分分析法得到矩阵a的特征值λi，i＝1,2....m和特征向量ηj，j＝1,2...m,取累计贡献率大于85％前p个特征值。

步骤4、根据特征值λi、特征向量ηi，i＝1,2...m、p个特征值求出载荷矩阵λ1，对载荷矩阵λ1进行正交化处理得矩阵λ2。

步骤5、利用回归分析法求得因子得分系数矩阵将所有的因子得分系数矩阵采用因子分析法合成为一个电池总因子式f。

步骤6、采用遗传算法中的k-means算法对电池总因子进行筛选。

具体过程为：设置种群大小、交叉概率、变异概率、最大迭代数；将电池随机分出k个不同的类g1、g2…gk，计算出每个类中电池总因子的算术平均值，将该值作为此类的聚类中心；将k个聚类中心依次排序组成染色体，计算各个染色体的适用度，对染色体进行选择、交叉、变异、k-means聚类操作，产生新一代的群体，不断重复上述操作，直到达到最大迭代数；计算最新一代群体的适应度，并对适应度最大的个体进行k-means聚类，分出k组电池。

下面将结合具体公式对本发明进行进一步描述：

根据从电池回收中心以及电池行业相关企业取得的大量电池，然后测取电池各项参数，形成电池数据矩阵

对电池数据矩阵n进行标准化处理得到标准化处理后的矩阵a。

其中μ和s分别为每个参数样本均值和样本方差。

对标准化矩阵a进行因子分析。

先求得载荷矩阵λ1以及相关系数矩阵r，并同时对λ1进行正交化处理得到λ2。利用λ2和r计算出相应的因子得分系数矩阵最终求得电池总因子f。

其过程如下：

采用主成分分析法得到数据矩阵n的特征值λi(i＝1,2....m)和特征向量ηi(i＝1,2...m),取累计贡献率大于85％前k个特征值，同时求出载荷矩阵λ1。

并将其正交化得λ2：

λ2＝λ1t(5)

其中t为正交矩阵。

利用回归法求出因子得分系数矩阵

表示第a节电池的第b个参数标准化数值。

其中相关系数βij(i＝1,2,...,n,j＝1,2,..,k)的计算如下：

r＝a^ta(8)

其中r^-1为相关系数矩阵的逆矩阵，a^t为电池标准数据矩阵的转置矩阵。

其利用因子分析法求出电池的总因子公式：

其中为利用回归法求得的因子得分系数矩阵；

利用电池筛选系统自带的基于遗传算法的k-means算法对电池总因子进行筛选，一个电池总因子对应着一节电池。把筛选后的筛选结果反馈给电池分类控制器，让控制器自行分类。

当用户对筛选的参数有特定需求时，可以直接在系统上导入自己所需要的电池参数数据，系统根据自带的算法可以重新计算分类结果。

其中，系统可以为筛选控制器系统，也可以是安装有此系统的企业筛选云平台、平板电脑，或者是后台服务器。

采集电池的电池参数，这些参数有电池开路电压、电池内阻、电池自放电率、充放倍率。如果用户还有其他参数需求，可以自行寻找大量的数据源，将它导入系统即可分类。

现假设需要针对100节电池进行分类，电池参量为开路电压和内阻，分类的数目为10类，那么首先要获得有关开路电压和内阻的电池数据。将数据导入系统后，系统会针对这两个电池参数的数据，形成一个电池数据矩阵。

系统通过对该电池数据矩阵进行因子分析后，我们会得到一个电池的总因子公式，该公式包含了所有对电池总体较为重要的电池参数，会舍弃影响较小的电池参数。该电池总因子公式表达的是所对应电池的综合性能。

有100节电池，那么对应着100个电池总因子，假设这100个电池总因子的数值区间为[30,90],那么通过基于遗传算法的k-means算法可以得到对应的10类，需要注意的是此种分类数并不是将电池总因子数值区间划分来的，而是根据电池的综合性能，找出数据聚集中心，将数据点划分给距离自己最近的聚类中心的那一类。通过遗传算法的不断迭代，得出聚类结果。最后系统将分类信息反馈给电池分类控制器，控制器就会根据分类结果，自动给电池分类。

通过上述原理的描述，本发明为一种新型电池成组筛选方法，对电池筛选系统加装对应的测量模块，通过测量模块测量相应的数据，并对得到的数据进行处理，根据基于遗传算法的k-means算法重新计算类别，同时将同一批电池的不同运算回合的结果保留下来，并进行比对，选出最佳的结果，即为适应度最大的个体，并将该信号传递给分类控制系统，分类控制系统执行分类操作，同时将分类结果输出到人机交互界面。结合了因子分析、遗传算法以及k-means算法的优点，准确得把一致性接近的单体电池划分到同一类，解决了单体电池的性能不一致使后期电池成组困难的问题；可供用户自行选择电池的参数指标进行分类，没有参数数量上的限制，用户也可根据自己的实际需要，自行设定合理的分类数，以贴合电池成组的需要；本发明还具准确度更高、运算速度快、收敛速度快的优点。