一种退役动力锂离子电池剩余寿命预测及重组方法技术

本发明专利技术公开了一种退役动力锂离子电池剩余寿命预测及重组方法，首先通过径向基神经网络模型建立了电池容量、电池内阻、电池放电时间、电池温度变化速率与电池可用能量的估计模型；然后采用可用能量为样本数据，通过遗传编程对退役动力锂电池剩余寿命进行预测；最后初选具有梯次利用价值的退役单体锂电池，在支持向量聚类的基础上，提出等数支持向量聚类策略使重组后锂电池组单体电池数量相等，用于各梯次利用场景。

【技术实现步骤摘要】
一种退役动力锂离子电池剩余寿命预测及重组方法
本专利技术涉及动力锂电池领域，具体涉及一种退役动力锂离子电池剩余寿命预测及重组方法。
技术介绍
大量退役动力电池梯次利用有利于节约能源，延长了电池使用寿命，减少了电池重金属的排放，保护了环境。因此，实现大量退役动力锂电池的梯次利用是一个重要现实意义的问题。考虑电池健康因子和可用能量，对锂电池剩余使用寿命预测，深入研究基于等数支持向量聚类的退役动力锂电池重组方法，具有重要现实意义。
技术实现思路
本专利技术提供一种退役动力锂离子电池剩余寿命预测及重组方法。为实现本专利技术目的而采用的技术方案是这样的，即一种退役动力锂离子电池剩余寿命预测及重组方法，包括以下步骤：步骤1：构建一种退役动力锂离子电池剩余寿命预测及重组方法框架；步骤2：采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型；步骤3：基于步骤2的电池可用能量，采用遗传编程的方法对退役动力锂离子电池剩余寿命进行预测；步骤4：初步筛选单体电池，提出等数分配策略的支持向量聚类方法对电池组进行重组。优选地，步骤2采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型遵循以下步骤：(1)健康状态因子和电池可用能量计算①放电容量式中：cn第n次锂电池充放电循环周期下的放电容量，分别为第n个充放电循环电池完全放电时、起始放电时的容量，n为动力锂电池充放电周期；②退役动力锂电池内阻式中：Rn为第n次动力锂电池放电周期内电池的欧姆内阻，△Un为第n次电池充放电周期中欧姆内阻引起的电压降，In为第n次电池充放电周期的电流，n为动力锂电池充放电周期；③退役动力锂电池温度变化速率式中：TRn为第n次电池放电周期的温度变化速率，为第n次电池放电循环周期的截止温度，TPsn为第n次电池放电周期的初始温度，tn为第n次电池放电周期的持续时间，n为动力锂电池放电周期；④退役动力锂电池放电时间式中：tn为第n次充放电循环的放电时间，分别为第n次充放电循环电池电压为起始端电压、放电截止电压的时刻，n为动力锂电池放电周期；⑤电池可用能量式中：Ef为电池在一次充放电循环下的放电能量，U(t)为放电端电压与放电时间之间的函数关系，I(t)为放电电流与时间的函数关系，t为时间；(2)建立估计模型本专利技术通过电池健康因子和可用能量的数据训练集，选取径向基神经网络模型建立电池健康因子与电池可用能量之间的估计模型。径向基神经网络模型如图1所示。径向基神经网络模型的激活函数为：式中：xp为径向基神经网络模型的输入特征；ci为隐藏层的中心节点；σi为径向基神经网络模型方差参数。径向基神经网络模型的输出为：式中：wi为权重。选用中位数绝对偏差(MAD)、最大绝对误差(MAE)和均方根误差(RMSE)评价指标来进行验证该模型的误差，在计算过程中，MAD、MAE、RMSE值越小，表明电池可用能量估计模型越准确，计算方法如下：MAD＝median(|fp(xi)-yi|)式中：xi为预测样本的输入值；fp(xi)为输入样本的预测值；yi为输出样本的真实值；m为预测样本的数量。优选地，基于步骤2的电池可用能量，采用遗传编程的方法对退役动力锂离子电池剩余寿命进行预测，遵循以下步骤：(1)初始化设置遗传编程的运行参数。这些运行参数包括：训练集合、测试集合、初始种群的数目、遗传复制算子、遗传交叉算子、遗传变异算子、迭代次数、最大基因数、设置外部常数的变化范围、确定函数集；(2)随机生成初始种群函数个体并计算各自的适应度指标。本专利技术主要以均方根误差(RMSE)、相对百分误差绝对值的平均值(MAPE)作为遗传编程的适应度指标；(3)根据步骤(2)中计算出的适应度进行复制、选择、交叉、变异的遗传操作；(4)通过步骤(3)生成新的种群，重复步骤(2)、(3)直至满足终止条件；(5)满足终止条件时，种群产生的最佳个体被指定为最优预测模型，输出最优模型的显性表达式。优选地，步骤4初步筛选单体电池，提出等数分配策略的支持向量聚类方法对电池组进行重组，遵循以下步骤：(1)初选筛选单体锂电池具有梯次利用价值的单体锂电池必须满足以下要求：式中：cmin、Rmax和nmin分别为梯次利用电池容量阈值、内阻阈值和剩余寿命阈值，ci、Ri和ni分别为第i块动力单体锂电池对应的容量、内阻和剩余寿命，N为单体电池数量。(2)单体锂电池支持向量聚类重组支持向量聚类主要分为两个步骤：选取支持向量和标记支持向量。基本思想：利用高斯核将数据空间中的数据点映射到一个高维的特征空间中。再在特征空间中寻找一个能包围所有数据点的半径最小的球，将这个球映回到数据空间，则得到了包含所有数据点的等值线集。这些等值线就是簇的边界。每一条闭合等值线包围的点属于同一个簇。1)选取支持向量给定数据集X＝{x1,x2,...,xn}，支持向量数据描述(SVDD)的目的是确定一个最佳超球面，其中包括具有容差的集合X中的所有正常数据点。优化问题如下：式中：R是超球面半径；v是正常数；c是球的中心；ξi是第i个变量的松弛因子；φ(xi)是与对称有关的非线性函数；正定核函数K(x1x2)＝φ(x1)Tφ(x2)；n为数据集的维数；2)标记支持向量支持向量聚类采用带有高斯核函数的支持向量数据描述，如下式：式中，xi和xj为样本点，γ为控制输入空间中封闭轮廓的数量的参数。(3)锂电池等数分配本专利技术基于支持向量聚类提出一种等数分配策略，使退役动力单体锂电池聚类后组内的电池数量相等。具体步骤为：①计算各个退役动力锂电池组的聚类中心位置，中心点的计算公式如下：式中：为第j组退役动力锂电池组的特征中心点；x为动力锂电池的某一特征数据，例如电池容量、电池内阻、电池剩余寿命；z为某锂电池组内的电池数量，i为电池组内电池编号；j组序号，共g组。②确定电池组中电池数量最少的组，计算该组与其他组中心的欧氏距离，见下式；选取欧氏距离最小的组作为锂电池移出组。式中：d为min组与其余各组的欧氏距离；min为单体锂电池数量最少的组序号；为min组的特征中心点；为第j组的特征中心点。③计算min组的特征中心点与单体锂电池移出组中各个特征点的欧氏距离，见下式；然后对此欧氏距离进行排序，将欧氏距离小的动力单体锂电池依次移入到min组，直至达到锂电池组额定的单体锂电池数目。式中：dmin为单体锂电池移出组序号，为min组的特征中心点；为单体锂电池移出组的第i块单体电池的特征数据，为单体锂电池移出组中第i块单体电池的特征与min组的特征中心点的欧氏距本文档来自技高网...

【技术保护点】
1.一种退役动力锂离子电池剩余寿命预测及重组方法，其特征在于，包括以下步骤：/n步骤1：构建一种退役动力锂离子电池剩余寿命预测及重组方法框架；/n步骤2：采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型；/n步骤3：基于步骤2的电池可用能量，采用遗传编程的方法对退役动力锂离子电池剩余寿命进行预测；/n步骤4：初步筛选单体电池，提出等数分配策略的支持向量聚类方法对电池组进行重组。/n

【技术特征摘要】
1.一种退役动力锂离子电池剩余寿命预测及重组方法，其特征在于，包括以下步骤：
步骤1：构建一种退役动力锂离子电池剩余寿命预测及重组方法框架；
步骤2：采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型；
步骤3：基于步骤2的电池可用能量，采用遗传编程的方法对退役动力锂离子电池剩余寿命进行预测；
步骤4：初步筛选单体电池，提出等数分配策略的支持向量聚类方法对电池组进行重组。


2.根据权利要求1所述的一种退役动力锂离子电池剩余寿命预测及重组方法，其特征在于：步骤1构建一种退役动力锂离子电池剩余寿命预测及重组方法框架，建立单体锂离子电池的电池容量、电池内阻、电池温度变化速率、电池放电时间4个健康因子和可用能量估计模型，然后采用遗传编程建立退役动力锂离子单体电池剩余寿命预测模型，根据电池容量、内阻和剩余寿命初步筛选各个单体电池，采用等数支持向量机聚类方法对单体电池进行聚类重组。


3.根据权利要求1所述的一种退役动力锂离子电池剩余寿命预测及重组方法，其特征在于：步骤2采用径向基神经网络模型建立电池健康因子和电池可用能量的估计模型；其过程为：
(1)选取健康因子
①放电容量



式中：cn为第n次锂电池充放电循环周期下的放电容量，分别为第n个充放电循环电池完全放电时、起始放电时的容量，n为动力锂电池充放电周期；
②退役动力锂电池内阻



式中：Rn为第n次动力锂电池放电周期内电池的欧姆内阻，ΔUn为第n次电池充放电周期中欧姆内阻引起的电压降，In为第n次电池充放电周期的电流，n为动力锂电池充放电周期；

【专利技术属性】
技术研发人员：李聪波，黄明利，赵德，王宁波，张金文，熊茂坤，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50