一种梯次利用电池快速筛选方法技术

本发明专利技术提供了一种梯次利用电池快速筛选方法，方法包括：基于BP神经网络构建电池健康状态预测模型；基于电池健康状态预测模型构建全局信息矩阵；将全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；采用粒子群优化算法进行寻优，确定各子区对应的最优位置；将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K‑means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；基于各子单元对应的聚类中心输出电池筛选结果。本发明专利技术通过构建电池健康状态预测模型，通过粒子群优化算法寻优，进而对K‑means聚类算法进行改进，既能够对退役动力电池梯次利用进行快速筛选，还避免陷入局部最优解的弊端，提高聚类算法的准确性。

【技术实现步骤摘要】
一种梯次利用电池快速筛选方法
本专利技术涉及锂离子退役动力电池筛选
，特别是涉及一种梯次利用电池快速筛选方法。
技术介绍
退役动力电池是指锂离子动力电池的容量衰减至出厂额定容量的80％以下，达不到使用标准的动力电池。选择具备较好容量保持率、充放电效率等性能的退役动力电池，应用于后备电源、或参与辅助服务市场交易，可按照实际贡献获经济效益，避免资源浪费，同时也延长了电池使用寿命。由于动力电池组不同单体电池在使用过程中自放电程度、环境温度等因素的不同，导致退役的动力电池的容量、内阻、电压存在差异性，各单体电池老化程度存在差异。目前退役电池筛选有采用深度充放电的方式计算电池实际容量，并在既定温度下静置电池获取自放电压值的方式，但是筛选周期过长；采用开路电压法提取电池健康因子对退役电池的筛选具有快速性，但是精度要求不高。
技术实现思路
基于此，本专利技术的目的是提供一种梯次利用电池快速筛选方法，以提高电池筛选精度和快速性。为实现上述目的，本专利技术提供了一种梯次利用电池快速筛选方法，所述方法包括：步骤S1：基于BP神经网络构建电池健康状态预测模型；步骤S2：基于所述电池健康状态预测模型构建全局信息矩阵；步骤S3：将所述全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；步骤S4：采用粒子群优化算法进行寻优，确定各子区对应的最优位置；步骤S5：将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；步骤S6：基于各子单元对应的聚类中心输出电池筛选结果。可选的，所述基于BP神经网络构建电池健康状态预测模型，具体包括：步骤S11：建立原始样本特征集和原始电池健康状态数据集；步骤S12：对所述原始样本特征集和所述原始电池健康状态数据集进行归一化处理，获得第一样本特征集、第一电池健康状态数据集、第二样本特征集和第二电池健康状态数据集；步骤S13：基于所述第一样本特征集和所述第一电池健康状态数据集对BP神经网络进行训练，获得电池健康状态预测模型；步骤S14：将所述第二样本特征集加入所述电池健康状态预测模型，获得第三电池健康状态数据集；步骤S15：基于所述第二电池健康状态数据集和所述第三电池健康状态数据集确定偏差估计函数值；步骤S16：判断所述偏差估计函数值是否大于设定阈值；如果所述偏差估计函数值大于设定阈值，则输出所述电池健康状态预测模型；如果所述偏差估计函数值小于或等于设定阈值，则返回“步骤S13”。可选的，所述基于所述电池健康状态预测模型构建全局信息矩阵，具体包括：步骤S21：基于所述电池健康状态预测模型确定第四电池健康状态数据集；步骤S22：构建电池倍率数据集；步骤S23：对所述电池倍率数据集进行归一化处理，获得归一电池倍率数据集；步骤S24：基于所述第四电池健康状态数据集和所述归一电池倍率数据集构建全局信息矩阵。可选的，所述采用粒子群优化算法进行寻优，确定各子区对应的最优位置，具体包括：步骤S41：从各所述各子区对应的分区信息矩阵中选取多行，形成初始矩阵；步骤S42：确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值；步骤S43：将最大的所述第一适应度函数值对应的电池位置作为个体最优位置；将最大的第一适应度函数值作为个体最佳适应度；步骤S44：建立所述初始矩阵对应的种群初始速度矩阵；步骤S45：通过粒子群算法速度更新公式对所述初始矩阵进行更新，获得新的初始矩阵；步骤S46：确定所述新的初始矩阵中各电池对应的适应度函数值，获得第二适应度函数值；步骤S47：判断最大的第二适应度函数值是否大于个体最佳适应度；如果所述最大的第二适应度函数值大于所述个体最佳适应度，则令所述个体最佳适应度等于所述最大的第二适应度函数值，个体最优位置等于所述最大的第二适应度函数值对应的位置，并执行步骤S48；如果所述最大的第二适应度函数值小于或等于所述个体最佳适应度，并执行步骤S48；步骤S48：判断当前迭代次数是否大于最大迭代次数；如果当前迭代次数大于最大迭代次数，则输出各子区对应的最优位置；如果当前迭代次数小于或等于最大迭代次数，则令当前迭代次数加一，所述第一适应度函数值等于所述第二适应度函数值，并返回步骤S44。可选的，所述将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心，具体包括：步骤S51：将各子区对应的最优位置作为各子区对应的初始聚类中心；步骤S52：根据距离计算公式计算所述全局信息矩阵中每个行向量到各子区对应的初始聚类中心的距离；步骤S53：按照距离最近原则对所述全局信息矩阵中各行向量进行聚类，获得多个子单元对应的信息矩阵；步骤S54：计算各子单元对应的信息矩阵中列向量的平均数，将各平均数作为各子单元对应的聚类中心；步骤S55：采用K-means算法，基于各子单元对应的参数和聚类中心确定目标函数值；步骤S56：判断所述目标函数值是否小于或等于设定值；如果所述目标函数值小于或等于设定值，则输出各子单元的聚类中心，并执行步骤S57；如果所述目标函数值大于设定值，则将各子单元的聚类中心作为各子区对应的初始聚类中心，返回步骤S52；步骤S57：基于各子单元的聚类中心采用欧式距离公式确定聚类评价结果；步骤S58：判断所述聚类评价结果是否小于聚类阈值；如果所述聚类评价结果小于聚类阈值，则输出各子单元对应的聚类中心；如果所述聚类评价结果大于或等于聚类阈值，则执行步骤S59；步骤S59：判断聚类迭代次数是否大于最大聚类迭代次数；如果聚类迭代次数大于最大聚类迭代次数，则输出各子单元对应的聚类中心；如果聚类迭代次数小于或等于最大聚类迭代次数，则令聚类迭代次数加一，将各子单元的聚类中心作为各子区对应的初始聚类中心，返回步骤S52。可选的，所述确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值，具体包括：步骤S421：基于所述初始矩阵内各电池的健康状态确定健康状态评估结果；步骤S422：基于所述初始矩阵内各电池的倍率确定电池倍率评估结果；步骤S423：基于所述健康状态评估结果和所述电池倍率评估结果确定各电池对应的适应度函数值，获得第一适应度函数值。可选的，所述基于所述健康状态评估结果和所述电池倍率评估结果确定各电池对应的适应度函数值，获得第一适应度函数值，具体公式为：其中，Gi表示第i个电池对应的适应度函数值，gSOH,i表示第i个电池的健康状态评估结果，表示第i个电池的电池倍率评估结果，ω表示SOH与CT指标对于电池再利用的重要程度的一个比重。可选的，所述距离计算公式为：D＝||Mes(i,:)*(X'(j,:)T)本文档来自技高网...

【技术保护点】
1.一种梯次利用电池快速筛选方法，其特征在于，所述方法包括：/n步骤S1：基于BP神经网络构建电池健康状态预测模型；/n步骤S2：基于所述电池健康状态预测模型构建全局信息矩阵；/n步骤S3：将所述全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；/n步骤S4：采用粒子群优化算法进行寻优，确定各子区对应的最优位置；/n步骤S5：将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；/n步骤S6：基于各子单元对应的聚类中心输出电池筛选结果。/n

【技术特征摘要】
1.一种梯次利用电池快速筛选方法，其特征在于，所述方法包括：
步骤S1：基于BP神经网络构建电池健康状态预测模型；
步骤S2：基于所述电池健康状态预测模型构建全局信息矩阵；
步骤S3：将所述全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；
步骤S4：采用粒子群优化算法进行寻优，确定各子区对应的最优位置；
步骤S5：将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；
步骤S6：基于各子单元对应的聚类中心输出电池筛选结果。


2.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，所述基于BP神经网络构建电池健康状态预测模型，具体包括：
步骤S11：建立原始样本特征集和原始电池健康状态数据集；
步骤S12：对所述原始样本特征集和所述原始电池健康状态数据集进行归一化处理，获得第一样本特征集、第一电池健康状态数据集、第二样本特征集和第二电池健康状态数据集；
步骤S13：基于所述第一样本特征集和所述第一电池健康状态数据集对BP神经网络进行训练，获得电池健康状态预测模型；
步骤S14：将所述第二样本特征集加入所述电池健康状态预测模型，获得第三电池健康状态数据集；
步骤S15：基于所述第二电池健康状态数据集和所述第三电池健康状态数据集确定偏差估计函数值；
步骤S16：判断所述偏差估计函数值是否大于设定阈值；如果所述偏差估计函数值大于设定阈值，则输出所述电池健康状态预测模型；如果所述偏差估计函数值小于或等于设定阈值，则返回“步骤S13”。


3.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，事实基于所述电池健康状态预测模型构建全局信息矩阵，具体包括：
步骤S21：基于所述电池健康状态预测模型确定第四电池健康状态数据集；
步骤S22：构建电池倍率数据集；
步骤S23：对所述电池倍率数据集进行归一化处理，获得归一电池倍率数据集；
步骤S24：基于所述第四电池健康状态数据集和所述归一电池倍率数据集构建全局信息矩阵。


4.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，所述采用粒子群优化算法进行寻优，确定各子区对应的最优位置，具体包括：
步骤S41：从各所述各子区对应的分区信息矩阵中选取多行，形成初始矩阵；
步骤S42：确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值；
步骤S43：将最大的所述第一适应度函数值对应的电池位置作为个体最优位置；将最大的第一适应度函数值作为个体最佳适应度；
步骤S44：建立所述初始矩阵对应的种群初始速度矩阵；
步骤S45：通过粒子群算法速度更新公式对所述初始矩阵进行更新，获得新的初始矩阵；
步骤S46：确定所述新的初始矩阵中各电池对应的适应度函数值，获得第二适应度函数值；
步骤S47：判断最大的第二适应度函数值是否大于个体最佳适应度；如果所述最大的第二适应度函数值大于所述个体最佳适应度，则令所述个体最佳适应度等于所述最大的第二适应度函数值，个体最优位置等于所述最大的第二适应度函数值对应的位置，并执行步骤S48；如果所述最大的第二适应度函数值小于或等于所述个体最佳适应度，并执行步骤S48；
步骤S48：判断当前迭代次数是否大于最大迭代次数；如果当前迭代次数大于最大迭代次数，则输出各子区对应的最优位置；如果当前迭代次数小于或等于最大迭代次数，则令当前迭代次数加一，所述第一适...

【专利技术属性】
技术研发人员：李建林，马福元，陈新琪，王剑波，
申请(专利权)人：北方工业大学，
类型：发明
国别省市：北京;11