一种退役动力电池的聚类分选方法技术

本发明专利技术涉及一种退役动力电池的聚类分选方法。测量n个被拆解退役动力电池单体样本的电压数据，提取m个特征变量并标幺，计算各样本特性向量间距离d，形成相似度矩阵A；以样本数量n、聚类簇数量K定义用于分选的编码长度以及编码位取值，以聚类簇族能量选择优质分选编码，并利用交叉、变异、重插等遗传演化操作，形成对大量退役电池单体的K个聚类簇族；计算各聚类簇族中心及该簇族中样本的最大偏差，形成置信域；基于待检测退役动力电池单体特征向量与各聚类簇族中心距离及置信域关系，完成分选及分选可靠性判断。本发明专利技术将遗传的优化思想融入聚类过程中，保证了聚合过程的优化方向，提升了退役动力电池分选聚类过程的优化水平。升了退役动力电池分选聚类过程的优化水平。升了退役动力电池分选聚类过程的优化水平。

【技术实现步骤摘要】
一种退役动力电池的聚类分选方法

：
[0001]本专利技术涉及一种动力电池检测技术，进一步涉及一种退役动力电池的聚类分选方法。

技术介绍
：
[0002]电动汽车对于缓解能源与环境压力具有十分重要的意义。电动汽车对动力电池的性能要求较高，当动力电池的容量下降到不满足续航里程要求时，须对电池进行更换。从电动汽车上退役的动力电池通常具有70％初始容量以上的剩余容量，并且具有一定的使用寿命，其经过重新检测分析、筛选及电池单体配对成组，可用于其他运行工况相对良好、对电池性能要求较低的应用领域，如微电网中，承担平滑分布式电源功率波动、用户侧需求响应等任务。通过动力电池的梯次利用，可以缓解大批量电池进入回收阶段的压力。
[0003]退役电动汽车动力电池能量特性及功率特性衰减，且电池单体间性能参数差异大，实现不同性能表现电池应用价值的最大化，保证电池再次应用时的可靠性和安全性，必须对电池进行筛选，实现电池的分级梯次应用。

技术实现思路
：
[0004]针对大批量退役动力电池梯次利用分选所面临的测试时间长、评估标准不清晰、分选成本高等问题，在满足分选精度和速度要求的前提下，建立分选初筛标准，利用参数敏感性分析、状态空间估计、多目标优化与历史数据特征分析等方法，提出可用于快速分选的分选检测方法、参数集和评价方法。融合高兼容性精准检测技术和专家库在线学习，研发梯次利用电池模块快速分选装置并建立应用产线，解决退役动力电池的规模化快速分选问题。本专利技术借鉴遗传优化算法的思想，将其融入退役动力电池聚类分析过程，实现了对退役动力电池单体有方向性的聚类优化，为自动、准确、可靠地完成退役动力电池的筛选以及深层次、高水准的梯次利用夯实基础。具体技术方案如下：
[0005]一种退役动力电池的聚类分选方法包括下述步骤：
[0006]步骤1：测量n个被拆解退役动力电池单体样本的电压数据，提取m个特征变量并标幺，计算各样本特性向量间距离d，形成相似度矩阵A；
[0007]步骤2：以样本数量n、聚类簇数量K定义用于分选的编码长度以及编码位取值，以聚类簇族能量选择优质分选编码，并利用交叉、变异、重插等遗传演化操作，形成对大量退役电池单体的K个聚类簇族；
[0008]步骤3：计算各聚类簇族中心及该簇族中样本的最大偏差，形成置信域；
[0009]步骤4：基于待检测退役动力电池单体特征向量与各聚类簇族中心距离及置信域关系，完成分选及分选可靠性判断。
[0010]优选方案：一种退役动力电池的聚类分选方法包括下述步骤：
[0011]步骤1：测量若干退役动力电池单体电压数据，提取其关键特征变量并标幺，计算各样本间的欧式距离，形成相似矩阵；具体包括：
[0012]步骤1.1：测量大量拆解后退役动力电池单体样本的在充放电过程中的电压数据；
[0013]步骤1.2：定义步骤1.1所得电压数据的关键特征变量，标幺各个特征值获得特征向量；
[0014]步骤1.3：基于步骤1.2标幺后的特征向量，计算各样本间的欧式距离，形成相似矩阵；
[0015]步骤2：形成遗传演化下的退役动力电池单体的聚类过程；具体包括：
[0016]步骤2.1：初始化选择率、交叉率、变异率以及最大迭代次数参数，同时设置退役动力电池单体拟聚类簇族数量，定义编码串形式和数量，其中各编码位取值为零到聚类簇族数K
‑
1的任意整数；
[0017]步骤2.2：根据步骤2.1的编码位数值，选择对应样本聚类，并计算各编码串下的聚类结果的能量值；
[0018]步骤2.3：对所得各编码串下的能量值序列排序，选择最大的若干个值以及对应的编码串；
[0019]步骤2.4：随机两两组合步骤2.3中选择的编码串，进行交叉操作，形成等量的新编码串；
[0020]步骤2.5：对步骤2.4所得交叉后的新编码串进行变异操作，更新编码串；
[0021]步骤2.6：将经步骤2.4交叉和2.5变异所得的新编码串与步骤2.3保留的剩余未交叉、变异处理的若干个最小能量值的编码串，组成子代编码串；
[0022]步骤2.7：根据步骤2.6所得子代编码串上编码位数值，选择对应样本聚类，并计算各编码串下的聚类结果的能量值；
[0023]步骤2.8：计算步骤2.7所得子代编码串下的能量值序列的最小值，记录最小值能量值所对应的编码串，并判断是否继续演化寻优，若是，则返回步骤2.3；若否，则进入步骤3；
[0024]步骤3：根据最优编码串分选成簇退役动力电池单体，计算聚类簇族中心及置信域；具体包括：
[0025]步骤3.1：根据第二步所记录最小能量值所对应的编码串，遍历查询在最大迭代次数的编码串中各编码位数值，统计相同数值对应的退役动力电池单体，记为同一簇族，完成对已有退役动力电池单体的分选聚类，被分选为一类可用于后续配组成包；
[0026]步骤3.2：计算全部簇族的特征中心，其中每个簇族内退役动力电池单体标幺后特征向中心点为同族内退役动力电池单体在相同特征值下的平均值；
[0027]步骤3.3：计算全部簇族特征中心判断可靠性的置信域，其中在每个簇族内各特征值的最大偏差量为在该特征下簇族所有退役动力电池单体样本特征值与中心的差值绝对值的最大值；
[0028]步骤4：辨识新的待测退役动力电池单体所属类别并计算辨识的置信性；具体包括：
[0029]步骤4.1：测量新增待测退役动力电池单体充放电过程的电压数据，基于步骤1.2提取相应特征向量；
[0030]步骤4.2：计算新增待测退役动力电池单体特征向量与全部簇族特征中心的欧式距离，判断新增待测退役动力电池单体属于欧式距离最小的簇族；
[0031]步骤4.3：计算新增待测退役动力电池单体各个特征向量与步骤4.2判断所属簇族特征中心的偏差，并与步骤3.3所得该簇族置信域的比值，定义在各个特征中的比重均小于1，则认为本次新的待测退役动力电池单体所属类别判断有效且可靠，否则认为判断不可靠。
[0032]与现有技术相比，本专利技术的有益效果是：本专利技术技术方案中，借鉴遗传演化过程中的编码、选择、交叉以及变异思想，将全局最优化过程与聚类问题相结合。通过n进制编码(在本专利中n等效与拟聚类簇族数量)可实现多类聚合的外在描述，通过选择、交叉和变异的迭代过程实现了优化聚类形态的目的。最后通过定义聚类簇族中心以及置信域，可实现对新增待测退役动力电池类型的有效、可靠判断。相比于已有的聚类方法，本专利技术将遗传的优化思想融入聚类过程中，保证了聚合过程的优化方向，最小化类内距离以及最大化类间距离，提升了退役动力电池分选聚类过程的优化水平，这将有利于保证后续退役动力电池的配组、成包后的一致性。
附图说明：
[0033]图1是本专利技术的聚类分选方法流程示意图。
[0034]图2是本专利技术遗传聚类分选方法流程图。
[0035]图3是本专利技术编码过程示意图。
[0036]图4是本专利技术遗传演化单点交叉过程示意图。
...

【技术保护点】

【技术特征摘要】
1.一种退役动力电池的聚类分选方法，其特征在于，包括下述步骤：步骤1：测量n个被拆解退役动力电池单体样本的电压数据，提取m个特征变量并标幺，计算各样本特性向量间距离d，形成相似度矩阵A；步骤2：以样本数量n、聚类簇数量K定义用于分选的编码长度以及编码位取值，以聚类簇族能量选择优质分选编码，并利用交叉、变异、重插等遗传演化操作，形成对大量退役电池单体的K个聚类簇族；步骤3：计算各聚类簇族中心及该簇族中样本的最大偏差，形成置信域；步骤4：基于待检测退役动力电池单体特征向量与各聚类簇族中心距离及置信域关系，完成分选及分选可靠性判断。2.根据权利要求1所述一种退役动力电池的聚类分选方法，其特征在于，包括下述步骤：步骤1：测量若干退役动力电池单体电压数据，提取其关键特征变量并标幺，计算各样本间的欧式距离，形成相似矩阵；具体包括：步骤1.1：测量大量拆解后退役动力电池单体样本的在充放电过程中的电压数据；步骤1.2：定义步骤1.1所得电压数据的关键特征变量，标幺各个特征值获得特征向量；步骤1.3：基于步骤1.2标幺后的特征向量，计算各样本间的欧式距离，形成相似矩阵；步骤2：形成遗传演化下的退役动力电池单体的聚类过程；具体包括：步骤2.1：初始化选择率、交叉率、变异率以及最大迭代次数参数，同时设置退役动力电池单体拟聚类簇族数量，定义编码串形式和数量，其中各编码位取值为零到聚类簇族数K
‑
1的任意整数；步骤2.2：根据步骤2.1的编码位数值，选择对应样本聚类，并计算各编码串下的聚类结果的能量值；步骤2.3：对所得各编码串下的能量值序列排序，选择最大的若干个值以及对应的编码串；步骤2.4：随机两两组合步骤2.3中选择的编码串，进行交叉操作，形成等量的新编码串；步骤2.5：对步骤2.4所得交叉后的新编码串进行变异操作，更新编码串；步骤2.6：将经步骤2.4交叉和2.5变异所得的新编码串与步骤2.3保留的剩余未交叉、变异处理的若干个最小能量值的编码串，组成子代编码串；步骤2.7：根据步骤2.6所得子代编码串上编码位数值，选择对应样本聚类，并计算各编码串下的聚类结果的能量值；步骤2.8：计算步骤2.7所得子代编码串下的能量值序列的最小值，记录最小值能量值所对应的编码串，并判断是否继续演化寻优，若是，则返回步骤2.3；若否，则进入步骤3；步骤3：根据最优编码串分选成簇退役动力电池单体，计算聚类簇族中心及置信域；具体包括：步骤3.1：根据第二步所记录最小能量值所对应的编码串，遍历查询在最大迭代次数的编码串中各编码位数值，统计相同数值对应的退役动力电池单体，记为同一簇族，完成对已有退役动力电池单体的分选聚类，被分选为一类可用于后续配组成包；步骤3.2：计算全部簇族的特征中心，其中每个簇族内退役动力电池单体标幺后特征向
中心点为同族内退役动力电池单体在相同特征值下的平均值；步骤3.3：计算全部簇族特征中心判断可靠性的置信域，其中在每个簇族内各特征值的最大偏差量为在该特征下簇族所有退役动力电池单体样本特征值与中心的差值绝对值的最大值；步骤4：辨识新的待测退役动力电池单体所属类别并计算辨识的置信性；具体包括：步骤4.1：测量新增待测退役动力电池单体充放电过程的电压数据，基于步骤1.2提取相应特征向量；步骤4.2：计算新增待测退役动力电池单体特征向量与全部簇族特征中心的欧式距离，判断新增待测退役动力电池单体属于欧式距离最小的簇族；步骤4.3：计算新增待测退役动力电池单体各个特征向量与步骤4.2判断所属簇族特征中心的偏差，并与步骤3.3所得该簇族置信域的比值，定义在各个特征中的比重均小于1，则认为本次新的待测退役动力电池单体所属类别判断有效且可靠，否则认为判断不可靠。3.根据权利要求2所述一种退役动力电池的聚类分选方法，其特征在于，包括如下过程：步骤1：测量n个退役动力电池单体电压数据，提取m个关键特征变量并标幺，计算各样本间的欧式距离，形成相似矩阵A；步骤1.1：测量大量拆解后n个退役动力电池单体样本的在充放电过程中的电压数据，其中U
i
(t)表示第i个样本在第t时刻的电压值，i＝1,2,
…
,n；步骤1.2：定义步骤1.1所得电压数据的m个关键特征变量，组成特征向量X＝[x
1 x2…
x
m
]，计算第i个样本的特征值X(i)＝[x1(i) x2(i)
…
x
m
(i)]，标幺各个特征值获得特征向量Y＝[y
1 y2…
y
m
]，其中第i个样本的第s个特征值标幺为：步骤1.3：基于步骤1.2标幺后的特征向量Y，计算各样本间的欧式距离，其中第i个样本和第j个样本的欧式距离形成相似矩阵：步骤2：定义用于聚类分选退役动力电池单体的编码形式、聚类簇族能量、编码变异环节，形成遗传演化下的退役动力电池单体的聚类过程；步骤2.1：定义选择率P
s
、交叉率P
c
、变异率P
m
以及最大迭代次数为G，令迭代次数g＝0，设置步骤1所得全部退役动力电池单体拟聚类簇族数量K，定义与样本数量等长的编码串，在第g次迭代中编码串为各编码位取值为零到聚类簇族数K
‑
1的任意整数，并随机生成N个编码串步骤2.2：根据步骤2.1的编码位数值，选择对应样本聚类，并计算各编码串下的聚类结
果的能量值；步骤2.2.1：令i＝1，k＝0，能量值E(i)＝0；步骤2.2.2：遍历查询第i个编码串中各编码位等于k的元素，记录编码位的序号组成集合INDEX
k
(i)＝{Index
1,k
(i),Index
2,k
(i),
…
,Index
r,k
(i)}；若INDEX
k
(i)为空集或者为单一元素集合，则E＝E，否则令：步骤2.2....

【专利技术属性】
技术研发人员：马速良，李建林，李金林，王力，李穷，李雅欣，
申请(专利权)人：北京联智汇能科技有限公司安徽绿沃循环能源科技有限公司，
类型：发明
国别省市：