一种退役动力电池信息匹配重组系统

1.本发明涉及属于动力电池回收领域，具体涉及一种退役动力电池信息匹配重组系统。


背景技术：

2.近年来，我国新能源汽车行业快速发展，但是随着时间的推移，越来越多的动力电池需要更新换代。针对退役的动力电池，若采取常规的处理方式，如填埋、焚烧等，废旧电池中的有害金属或其它化合物将对环境造成极大污染。
3.当新能源汽车动力电池达到退役标准后，如果要对这些退役电池合理的梯次利用，退役电池的bms(battery management system)系统只是提供了电池信息的相关监测，不能对该电池是否退役作出准确的判断，同时也不能对该退役电池还能利用的部件进行整理和分类。


技术实现要素：

4.本发明的主要目的是，针对现阶段的bms系统仅能对电池的性能进行监测，并不能对该电池是否退役进行判断以及不能对退役电池能够回收利用的部件进行整理与分类的问题；提供一种退役动力电池信息匹配重组系统。
5.一种退役动力电池信息匹配重组系统，包括：
6.电池监控设备，与所述电池监控设备通信连接的嵌入式设备，以及与嵌入式设备通信连接的云平台；所述云平台包括：分布式存储模块以及dnn计算模块；
7.所述电池监控设备用于监控电池性能，并将电池性能数据发送给所述嵌入式设备；
8.所述嵌入式设备用于存储所述电池性能数据，所述嵌入式设备周期性的将所述电池性能数据上传给所述云平台；
9.所述云平台的分布式存储模块被配置为hdfs(hadoop distributed file system)，用于对所述电池性能数据进行存储；所述云平台通过所述嵌入式设备历史上传的电池性能数据对dnn计算模块进行训练、验证和测试；
10.所述云平台将所述嵌入式设备下一个周期上传的电池性能数据传递到训练好的dnn计算模块；训练好的dnn计算模块判断电池是否达到退役要求以及对达到退役要求的电池进行重组与分类，并输出是否退役以及电池重组与分类的结果。
11.作为本发明的一种优选的实施方式，所述云平台还被配置为使用hive数据仓库将嵌入式设备周期性上传的数据进行存储。
12.作为本发明的一种优选的实施方式所述云平台还用于通过sqoop将数据转入到其他不同架构的数据库。
13.作为本发明的一种优选的实施方式，所述电池性能数据包括：电池总电压数据、电池总电流数据、单体电压数据、温度数据、绝缘检测数据、碰撞检测数据、阻抗检测数据、烟
雾检测数据之中的一种或多种。
14.作为本发明的一种优选的实施方式，所述嵌入式设备周期性的将所述电池性能数据上传给所述云平台，包括：所述嵌入式设备每天或每n小时将所述电池性能数据上传给所述云平台，其中n为正整数。
15.作为本发明的一种优选的实施方式，所述云平台还通过所述电池性能数据对dnn计算模块进行训练、验证和测试，包括：所述云平台将电池性能数据分为数据训练集、数据验证集和数据测试集；
16.利用数据训练集对初始状态的dnn计算模块进行训练，得到过渡状态的dnn计算模块；
17.利用数据验证集对过渡状态的dnn计算模块的退役判断性能与匹配重组性能进行验证，若验证不通过，则再次对过渡状态的dnn计算模块进行训练；若验证通过，则过渡dnn计算模块变更为目标dnn计算模块；
18.利用退役电池的特征参数数据测试集对目标dnn计算模块进行测试，得到测试误差，当测试误差小于预设误差时将目标dnn计算模块变更为训练好的dnn计算模块，当测试误差不小于预设误差时，则重新对过度状态的dnn计算模块进行训练。
19.作为本发明的一种优选的实施方式，所述云平台将电池性能数据分为数据训练集、数据验证集和数据测试集，包括：云平台将电池性能数据数据量的70％划分为数据训练集、数据量的15％划分为数据验证集，数据量的15％划分为数据测试集。
20.作为本发明的一种优选的实施方式，所述dnn计算模块包括，一个输入层、四个卷积层、四个池化层、一个flatten层、一个全连接层以及一个输出层；所述dnn计算模块的目标函数为平均绝对误差，并采用radam自适应优化器优化目标函数。
21.本发明第二方面提供一种退役动力电池信息匹配重组方法，包括如下步骤：
22.s1.获取电池的性能数据，并将所述电池性能数据周期性的上传给云平台；云平台对上传电池性能数据进行分布式存储；
23.s2.云平台使用历史上传的电池性能数据对云平台内置的dnn模型进行训练，得到训练好的dnn模型；
24.s3.将下一个周期上传的电池性能数据输入到训练好的dnn模型，训练好的dnn计算模型判断电池是否达到退役要求以及对达到退役要求的电池进行重组与分类，并输出是否退役以及电池重组分类的结果。
25.本发明第三方面还提供一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现上述的一种退役动力电池信息匹配重组方法。
26.综上，由于采用了上述技术方案，本发明的技术方案至少具有如下优点和有益效果：
27.1.本发明可以在电池信息实时监测的环境下，通过大数据云平台和人工智能技术并结合相应的方式给出该电池是否达到退役的标准策略，同时对达到退役要求的电池组件进行合理的分类，减少了电池拆解的复杂度，提供了梯次电池的智能化管理，同时提高了退役电池的利用率；
28.2.在本发明的实例性实施例中，云平台将嵌入式设备上传的电池性能数据进行分布式存储，可以保证数据的安全性，准确性，同时使用hdfs构成的存储架构可以提供高吞吐
量的数据流服务，使得数据的流通更加的方便快捷。
附图说明
29.为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
30.图1为本发明实例性实施例提出的一种退役动力电池信息匹配重组系统整体框图；
31.图2为本发明实例性实施例提出的一种退役动力电池信息匹配重组方法整体流程图。
具体实施方式
32.为使本发明实施例的目的、技术方案和优点更加清楚，下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
33.在本技术的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
34.在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
35.实施例1
36.如图1所示，一种退役动力电池信息匹配重组系统，包括：
37.电池监控设备，与所述电池监控设备通信连接的嵌入式设备，以及与嵌入式设备通信连接的云平台；所述云平台包括：分布式存储模块以及dnn计算模块；
38.所述电池监控设备用于监控电池性能，并将电池性能数据发送给所述嵌入式设备；
39.所述电池性能数据包括：电池总电压数据、电池总电流数据、单体电压数据、温度数据、绝缘检测数据、碰撞检测数据、阻抗检测数据、烟雾检测数据之中的一种或多种。
40.所述嵌入式设备用于存储所述电池性能数据，所述嵌入式设备周期性的将所述电池性能数据上传给所述云平台；
41.所述云平台的分布式存储模块被配置为hdfs(hadoop distributed file system)，用于对所述电池性能数据进行存储；
42.hdfs与现有的分布式文件系统有很多共同点。但同时，它和其他的分布式文件系统的区别也是很明显的。hdfs是一个高度容错性的系统，适合部署在廉价的机器上。hdfs能提供高吞吐量的数据访问，非常适合大规模数据集上的应用。hdfs放宽了一部分posix约束，来实现流式读取文件系统数据的目的hdfs的设计是用于支持大文件的。运行在hdfs上的程序也是用于处理大数据集的。这些程序仅写一次数据，一次或多次读数据请求，并且这些读操作要求满足流式传输速度。hdfs支持文件的一次写多次读操作。hdfs中典型的块大
小是64mb，一个hdfs文件可以被切分成多个64mb大小的块，如果需要，每一个块可以分布在不同的数据节点上。
43.所述云平台还通过所述嵌入式设备历史上传的电池性能数据对dnn计算模块进行训练、验证和测试；
44.所述云平台将所述嵌入式设备下一个周期上传的电池性能数据传递到训练好的dnn计算模块；训练好的dnn计算模块判断电池是否达到退役要求以及对达到退役要求的电池进行重组与分类，并输出是否退役以及电池重组与分类的结果。
45.可以理解的是，上述电池监控设备可以为电压传感器、电流传感器、温度传感器、绝缘检测传感器、碰撞传感器、阻抗传感器、烟雾传感器中的一种或多种，并可以根据实际情况的需要进行合理配置。
46.同时，所述云平台还被配置为使用hive数据仓库将嵌入式设备周期性上传的数据进行存储，可以将嵌入式设备周期性上传的数据进行清晰合理的划分。
47.同时，作为本发明的一种优选的实施方式所述云平台还用于通过sqoop将数据转入到其他不同架构的数据库。使得云平台上基于hdfs架构的存储模块中的存储数据可以与其他不同数据库中的数据进行交互。
48.sqoop可以高效、可控的利用资源，可以通过调整任务数来控制任务的并发度。同时可以自动的完成数据映射和转换。由于导入数据库是有类型的，它可以自动根据数据库中的类型转换到hadoop中，同时支持多种数据库，如mysql，orcale等数据库。
49.所述云平台将电池性能数据分为数据训练集、数据验证集和数据测试集；
50.利用数据训练集对初始状态的dnn计算模块进行训练，得到过渡状态的dnn计算模块；
51.利用数据验证集对过渡状态的dnn计算模块的退役判断性能与匹配重组性能进行验证，若验证不通过，则再次对过渡状态的dnn计算模块进行训练；若验证通过，则过渡状态的dnn计算模块变更为目标dnn计算模块；
52.利用退役电池的特征参数数据测试集对目标dnn计算模块进行测试，得到测试误差，当测试误差小于预设误差时将目标dnn计算模块变更为训练好的dnn计算模块，当测试误差不小于预设误差时，则重新对过度状态的dnn计算模块进行训练。可以理解的是在实际使用中预设误差可以根据云平台的数据量，进行合理调整，优选为3％。
53.初始状态的dnn计算模块还不能对电池是否退役进行判断与重组匹配，还需要大量的电池性能数据对模型进行训练，将退役电池的特征参数数据分为数据训练集、数据验证集和数据测试集。
54.作为优选的实施方式，将训练集中的电池性能数据来自至少20个不同的电池，验证集中的电池性能数据来自至少20个不同的电池，测试集中的电池性能数据来自至少10个不同的电池。
55.将数据训练集中的退役电池的性能数据输入至初始状态的dnn计算模块，初始状态的dnn计算模块进行训练，当训练到预先设置的最大训练次数或者dnn计算模块的目标函数收敛时，训练结束。
56.通过数据验证集获得总验证损失值，当在验证集上的损失过大时，验证不通过，继续循环训练，验证，优化，直到在验证集上的损失达到预期值或者优化迭代次数达到上限，
则过渡状态的dnn计算模块变更为目标dnn计算模块；。
57.当过渡状态的dnn计算模块变更为目标dnn计算模块后，通过数据测试集对计算模块进行测试，根据模块的测试结果和实际情况对比，测试dnn计算模块的动力电池退役判断性能以及匹配重组性能，经过一系列的测试后，筛选处性能优异、训练完备的dnn计算模块。
58.在上述实施例中，将数据训练集输入初始状态dnn计算模块进行训练，获得过渡dnn计算模块，再利用数据验证集对过渡状态dnn计算模块的退役判断性能与匹配重组性能进行验证，直至验证通过得到目标dnn计算模块；最后利用数据测试集对目标目标dnn计算模块的退役判断性能与匹配重组性能进行测试，从多个不同的目标dnn计算模块中得到各自的测试误差，当测试误差小于预设误差时将目标dnn计算模块变更为训练好的dnn计算模块，当测试误差不小于预设误差时，则重新对过度状态的dnn计算模块进行训练。利用提取的电池的性能数据对dnn计算模块进行训练、验证和测试，可以提升dnn计算模块退役判断性能以及匹配重组的准确率，以达到在实际使用过程中的要求。
59.本发明的dnn计算模块包括，一个输入层、四个卷积层、四个池化层、一个flatten层、一个全连接层以及一个输出层；所述dnn计算模块的目标函数为平均绝对误差，并采用radam自适应优化器优化目标函数。
60.如图2所示，本实施例第二方面提供一种退役动力电池信息匹配重组方法，包括如下步骤：
61.s1.获取电池的性能数据，并将所述电池性能数据周期性的上传给云平台；云平台对上传电池性能数据进行分布式存储；
62.s2.云平台使用历史上传的电池性能数据对云平台内置的dnn模型进行训练，得到训练好的dnn模型；
63.s3.将下一个周期上传的电池性能数据输入到训练好的dnn模型，训练好的dnn计算模型判断电池是否达到退役要求以及对达到退役要求的电池进行重组与分类，并输出是否退役以及电池重组分类的结果。
64.本实施例第三方面还提供一种可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行实现上述的一种退役动力电池信息匹配重组方法。
65.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(pram)、静态随机存取存储器(sram)、动态随机存取存储器(dram)、其他类型的随机存取存储器(ram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器(cd-rom)、数字多功能光盘(dvd)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。本领域技术人员应明白，本技术的实施例可提供为方法、系统或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
66.实施例2
67.在实施例1的基础上，本实施例中，对某新能源汽车的动力电池搭载本发明所提出的退役动力电池信息匹配重组系统。
68.电池监控设备选择为，电压传感器、电流传感器、温度传感器、阻抗传感器、绝缘检测传感器与碰撞传感器；电压传感器用于获取动力电池的总电压数据以及各电池模组、各电芯的电压数据、电流传感器用于获取动力电池的总电流数据以及各电池模组、各电芯的电流数据，温度传感器用于获取各电芯工作时的温度数据；阻抗传感器获取电池模组的交流阻抗数据；绝缘检测传感器用于获取电池模组的绝缘数据；碰撞传感器用于检测电池模组是否发生碰撞，以及发生碰撞的强度。
69.嵌入式设备获取各电池监控设备获取的电池性能数据，并以一天为周期，周期性的上传电池性能数据至云平台。
70.在一种优选的实施方式中，云平台对所述电池性能数据进行预处理，得到电池特征数据，并将电池特征数据分为训练集、验证级和测试集，并对dnn计算模块进行训练。
71.训练好的dnn模型基于所述特征参数对判断电池是否达到退役要求以及对达到退役要求的电池进行重组与分类，并输出是否退役以及电池重组与分类的结果。
72.一种示例性的预处理步骤可以包括：根据电流数据与电压数据以及交流阻抗数据绘制电池的特征曲线，得到能够反映电池的性能特征数据，因此可以通过退役电池的特征曲线，得到能够表征电池内部状态的特征参数数据。同时将上述可以能够表征电池内部状态的特征参数数据与电池模组的绝缘数据以及电池模组的碰撞数据以及碰撞强度合并作为电池特征数据。
73.在本实施例中，电池的特征曲线为nyquist曲线，并根据电池的温度数据对nyquist曲线进行温度校正，将nyquist曲线校正至环境温度为25℃条件下的nyquist曲线，并根据校正后的nyquist曲线，选择满足预设匹配要求的等效电路模型；选择满足预设匹配要求的等效电路模型；以及将电池的nyquist曲线与等效电路模型拟合处理，得到电池的拟合结果，并将拟合结果作为电池的特征参数；
74.其中，根据校正后的nyquist曲线，选择满足预设匹配要求的等效电路模型，可以为，将nyquist曲线高频部分的感抗用电感l与电阻r串联的复合元件lrs表示；将nyquist曲线中低频部分用电容c与电阻r并联的rp1cp1和rp2cp2的二阶复合元件、电容c与电阻r并联的复合元件rp1cp1与warburg阻抗元件w相结合、rp1cp1和rp2cp2的二阶复合元件与warburg阻抗元件w相结合的复合元件表示。
75.根据交流阻抗谱nyquist曲线高频、中频和低频以及电池本身的特性选择等效电路模型，一般nyquist曲线高频部位为电池的感抗段，主要是由于设备与系统之间的连接造成的，其实轴截距为测得的电池的欧姆阻抗，主要由电极材料、电解液、隔膜电阻及各部分零件的接触电阻组成，与电池的尺寸、结构、装配等有关，中频部分的半圆为容抗段，电化学极化对电极起主要的作用，在低频部分出现的斜率为1的直线可以用warburg阻抗表示，产生的浓差极化内阻与电池中反应物和产物的扩散系数和浓度有关。
76.可以理解的是，所形成的等效电路模型可以是：lr(cr)(cr)、lr(c(wr))、lr(cr)(c(wr))等，得到对应的特征参数可以是：l、rs、cp1、rp1、cp2、rp2，l、rs、cp1、w、rp1，l、rs、cp1、rp1、cp2、w、rp2等。选用不同的等效电路模型得到不同的特征参数。
77.nyquist曲线是将一个连续时间的线性定常系统频率响应的增益及相位以极坐标
的方式绘出的曲线，图上每一点都对应一特定频率下的频率响应，该点相对于原点的角度表示相位，和原点之间的距离表示增益。根据nyquist曲线的不同，选择合适的等效电路模型，等效电路模型对于电池内部发生的物理效应可以与等效电路模型相互关联，这有助于量化电池充放电及老化过程中电池内部发生的现象。
78.训练好的dnn网络可以根据电池特征参数对电池是否退役进行判断
79.本实施例中使用的dnn网络包括一个输入层、四个卷积层、四个池化层、一个flatten层、一个全连接层以及一个输出层的dnn神经网络。
80.flatten层，flatten层包括4个基本结构，即1*1卷积、3*3卷积、5*5卷积和3*3最大池化；在3*3卷积与5*5卷积结构前都增加1个1*1卷积、在3*3最大池化之后加入1个1*1卷积来减少参数量，避免因参数量过大导致模型的计算量过大而引起的效率过低问题；将增加了卷积后的4个基本结构的运算结果进行通道上组合；并将平均绝对误差作为目标函数，并采用radam自适应优化器最小化目标函数，进行dnn神经网络的迭代次数设置。
81.需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
82.以上仅为本技术的实施例而已，并不用于限制本技术。对于本领域技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本技术的权利要求范围之内。