一种退役动力电池梯次利用评级方法

本发明涉及退役新能源汽车电池检测领域，尤其是涉及一种退役动力电池梯次利用评级方法。

背景技术：

1、国内新能源汽车市场快速发展，配套设施逐步完善，新能源汽车的消费偏好也开始增加。在这样的背景下，新能源汽车动力电池市场迅猛发展，到2025年其规模预计超过3000亿人民币。

2、由于动力电池使用生命周期的限制，一般8年左右就会有显著的储能能力衰减。当动力电池容量低于额定的80％时，该动力电池就无法满足新能源汽车使用需求，需要进行退役处理。退役后的动力电池，性能仍然满足作为储能设备的要求，且当动力电池容量低于80％以后，其衰减速度会越来越慢，所以其剩余价值仍有很大的利用空间。因而对动力电池的梯次利用的评级的研究尤为重要。

3、做好动力电池回收利用，对于保护生态环境、提高资源利用效率、保障新能源汽车产业持续健康发展具有重要意义，应加大退役电池柔性拆解、高效再生利用等关键技术攻关和推广应用力度。而动力电池高效再生利用技术，需要多方面考虑包括电池本身的理化情况，电池拆解回收的成本，电池在销售的成本以及再销售后电池破损环境污染的风险等综合考虑。因而本专利使用改进的数据并行分布式神经网络，提出了退役动力电池梯次利用评级的一种可行方法。

技术实现思路

1、本发明针对现有技术的不足，提供了一种退役动力电池梯次利用评级方法，使用改进的数据并行分布式神经网络以退役动力电池的理化性质，回收处理工艺，再销售成本与利润和破损后环境污染风险等方面综合评价进行梯次评级，对动力电池的再销售具有一定的指导意义。其中，在回收退役动力电池供应链上的各环节依实际情况设置本地机器提取不同类别指标来分布采集数据，云端集中处理，不仅降低了回收物流成本，也提高了检测效率。同时，在为提高动力电池回收利用而进行评级的同时兼顾环境影响风险，为新能源汽车动力电池回收行业持续健康发展提供手段。

2、本发明解决技术问题所采用的技术方案如下：一种退役动力电池梯次利用评级方法。该方法包括以下步骤：

3、步骤1：分析并建立动力电池回收梯次利用指标体系；

4、步骤2：根据指标体系结果建立数据并行的分布式神经网络；

5、步骤3：按指标收集分布式神经网络训练样本和测试样本；

6、步骤4：使用训练样本训练数据并行的分布式神经网络并使用测试样本测试其精度；

7、步骤5：采用训练后精度达标的数据并行分布式神经网络，对其最终评级的网络节点加入权重约束形成改进的数据并行分布式神经网络；

8、步骤6：将改进的数据并行分布式神经网络部署到云服务器和本地机器上；

9、步骤7：待评级退役动力电池数据输入逆向物流网络后，在各节点分别检测并将结果上传到云端；

10、步骤8：通过所有检测节点后，云端通过改进的数据并行分布式神经网络计算并输出最终的评级结果。

11、在步骤1中，对退役动力电池梯次利用指标进行分析，指标包括电池理化特性指标类、梯次利用成本类和潜在环境污染类这三大类指标。其中电池理化性质类指标包括退役电池结构、退役电池容量、放电深度和能量密度；梯次利用成本类指标包括逆向运输成本、拆解成本、余能检测成本和筛选重组成本；潜在环境污染类指标包括泄露污染损失、爆燃污染损失、土地修复成本和水净化成本。

12、在步骤2中，依类别建立数据并行的分布式神经网络硬件部分由云参数服务器和部署在各逆向物流节点的本地工作机器组成。其主要思想是由于步骤1中各个类别的数据的收集与分析存在时间、位置和结构上的区别，汇总所有类别数据至云平台进行集中计算会不可避免地出现高延迟、低响应性以及失真。为了避免此类情况，首先在云参数服务器部署整个神经网络模型，然后在本地工作机器端部署相同的模型副本，本地数据收集后会在本地工作机器上处理该子样本，最后通过参数平均方法同步模型参数至云参数服务器和其它本地工作机器。

13、在步骤2中，依类别建立数据并行的分布式神经网络模型是根据步骤1中的指标体系建立的。该神经网络其输入层节点数与指标体系中各类别指标的总量一致，假设为i；隐含层节点数假设为h；输出层节点数假设为o；输入层与隐含层间连接权值为w＝(w1，w2，...，wi)，其中输入层第i个节点与隐含层之间的连接权值为wi＝(w1，w2，...，wh)；隐含层与输出层间连接权值为x＝(x1，x2，...，xh)，其中隐含层第i个节点与输出层间的连接权值为xi＝(x1，x2，...，xo)；隐含层阈值为y＝(y1，y2，...，yo)，输出层阈值为z1＝(z1，z2，…，zo)，训练精度goal，最大训练次数epoch。

14、步骤3中，按指标测量收集分布式神经网络训练样本和测试样本，其收集过程中主要依据步骤1中的指标分类分层结果，结合各个梯次利用点的数据测量能力，将所有可量化的数据结构化收集存储，无法量化或该利用点无法测量的部分可以空缺。

15、步骤4中，对神经网络的训练主要使用步骤3中收集的训练样本和测试样本，在云参数服务器和本地工作机器通过参数平均方法进行训练，当训练完成后测试精度满足goal的约束，那么视作神经网络完成训练。

16、步骤5中，权重约束主要是用来表达实际环境下，电池理化性质类、梯次利用成本类和潜在环境污染类这三个类别的指标对最终评级的影响比重。电池理化性质类权重为p，p∈(0，1)，梯次利用成本类权重为q，q∈(0，1)，潜在环境污染类权重为r，r∈(0，1)，约束条件为p+q+r＝1。

17、步骤6中，部署对象是步骤5中改进的训练完成的数据并行分布式神经网络部署。部署顺序是先将该神经网络完全部署在云服务器上，然后再将相同的副本部署到逆向物流节点的各本地机器上。

18、步骤7中，待检测退役动力电池都会在逆向物流各节点的本地机器进行检测，检测后本地机器对数据进行处理并上传至云端。

19、步骤8中，待检测退役动力电池通过所有本地机器检测后，所有数据上传至云端，云端进行集中计算处理并输出评价结果。

技术特征：

1.一种退役动力电池梯次利用评级方法，其特征在于：使用了改进的数据并行分布式神经网络，能在大数据背景下对退役动力电池梯次利用评级进行计算和评价，并降低对云参数服务器和本地工作机器储存和计算能力的要求；该方法包括以下步骤：

2.如权利要求1所述的一种退役动力电池梯次利用评级方法，其特征在于：所述步骤1中的对退役动力电池梯次利用指标进行分析，指标包括电池理化特性指标类、梯次利用成本类和潜在环境污染类这三大类指标；其中电池理化性质类指标包括退役电池结构、退役电池容量、放电深度和能量密度；梯次利用成本类指标包括逆向运输成本、拆解成本、余能检测成本和筛选重组成本；潜在环境污染类指标包括泄露污染损失、爆燃污染损失、土地修复成本和水净化成本。

3.如权利要求1或2所述的一种退役动力电池梯次利用评级方法，其特征在于：所述步骤2构建的改进的数据并行分布式神经网络，通过数据并行的分布式神经网络对退役动力电池梯次利用指标多层次多元化分布式的学习并结合权重约束进行综合评价。

4.如权利要求1或2所述的一种退役动力电池梯次利用评级方法，其特征在于：所述步骤2中，依类别建立数据并行的分布式神经网络其结构主要依据指标分类分析的结果，神经网络的输入端数量会与最终分析得出的指标数量一致，神经网络的输出为评级结果。

5.如权利要求1或2所述的一种退役动力电池梯次利用评级方法，其特征在于：所述步骤3中，训练样本和测试样本在各个类别和层次上会有不同的度量单位和范围，最终都会通过归一化来进行综合评价。

6.如权利要求1或2所述的一种退役动力电池梯次利用评级方法，其特征在于：所述步骤4中，训练神经网络的过程主要采取平均参数法，在数据并行的神经网络中，本地工作机器会在本地进行训练并上传输参数至云参数服务器，云参数服务器对进行参数平均处理后再更新到各本地服务器，依此流程经行循环直到训练结束；其中本地机器会根据退役动力电池逆向物流结构以及各节点实际情况设置，云参数服务器主要以云服务器或中央服务器的形式进行设置。

7.如权利要求6所述的一种退役动力电池梯次利用评级方法，其特征在于：所述步骤5中，对神经网络的改进主要是基于权重平衡，对于不同类别给出的评级结果会通过主观权重因子，结合实际市场情况，地区特征以及运营成本来进行最终平衡。

8.如权利要求7所述的一种退役动力电池梯次利用评级方法，其特征在于：所述步骤6中，对神经网络的部署顺序是现在云端进行部署，然后将完全一致的副本布置到逆向物流回收网络回收节点的工作机器上。

9.如权利要求8所述的一种退役动力电池梯次利用评级方法，其特征在于：所述步骤8中，改进的复合分布式神经网络输入是以指标分析体系为基础的多元化输入，其运行阶段与数据并行的训练模式类似在退役动力电池回收各环节分别在本地工作机器进行计算并上传更新至云参数服务器，最终输出为退役动力电池梯次利用评级结果。

技术总结
本发明公开了一种退役动力电池梯次利用评级方法，包括：步骤1：分析并建立动力电池回收梯次利用指标体系；步骤2：根据指标体系结果建立数据并行的分布式神经网络；步骤3：训练样本和测试样本；步骤4：训练数据并行的分布式神经网络并测试其精度；步骤5：采用数据并行分布式神经网络，对其最终评级的网络节点加入权重约束形成改进的数据并行分布式神经网络；步骤6：部署云服务器和本地机器；步骤7：待评级退役动力电池数据输入逆向物流网络后，在各节点分别检测并将结果上传到云端；步骤8：云端通过改进的数据并行分布式神经网络计算并输出最终的评级结果。本发明能在大数据背景下高效多维度对退役动力电池梯次利用评级进行计算和评价。

技术研发人员：张梦雅,王紫彬,陈凌寒,陈昆,戴金山,朱涌泉
受保护的技术使用者：武汉理工大学
技术研发日：
技术公布日：2024/3/21