基于电化学阻抗谱的退役锂离子电池快速分选重组方法技术

本发明专利技术提供一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，用于对退役锂离子电池进行快速分选重组，其特征在于，包括以下步骤：步骤S1，对退役锂离子电池进行电化学阻抗谱测试与弛豫时间分布分析，从得到的电化学阻抗谱奈奎斯特图阻抗曲线与横轴的交点计算出退役锂离子电池的欧姆内阻R

【技术实现步骤摘要】
基于电化学阻抗谱的退役锂离子电池快速分选重组方法


[0001]本专利技术属于电池分选重组
，涉及一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法。

技术介绍

[0002]锂离子电池由于具有能量密度高、寿命长、环境友好等优点，目前作为动力源在新能源汽车中得到广泛应用。然而，在电动汽车上使用几年后，锂离子电池必须更换，以避免安全问题和因容量下降而减少里程。在接下来的几年，我国的退役锂离子电池将会大幅度上升，电池制造商和地方政府将面临巨大的回收和处置压力。由于退役锂离子电池一致性差，不能直接进行梯次利用。因此，在对退役锂离子电池进行梯次利用之前需要先将电池进行分选重组。
[0003]相关研究表明，退役锂离子电池的容量和内阻是两个最基本的分选重组指标。获得这些参数指标的传统方法主要采用标准容量测试，通过对电池进行充放电来实现高精度、高可靠性的数据采集。然而，这是一个耗时且浪费电能的过程，会使大规模电池分选变得困难。在现有的一些研究方法中，对退役锂离子电池进行容量估计和筛选需要一些特殊的测试设备，涉及复杂的测试过程和较长的测试时间，经济性差，效率低，从而很难对大规模的退役锂离子电池进行分选重组。

技术实现思路

[0004]为解决上述问题，提供一种高效率、低成本的退役锂离子电池分选重组方法，本专利技术采用了如下技术方案：
[0005]本专利技术提供了一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，用于对退役锂离子电池进行快速分选重组，其特征在于，包括以下步骤：步骤S1，对退役锂离子电池进行电化学阻抗谱测试与弛豫时间分布分析，得出对应的电化学阻抗谱奈奎斯特图阻抗曲线以及对应的弛豫时间分布数据，然后从电化学阻抗谱奈奎斯特图阻抗曲线与横轴的交点计算出退役锂离子电池的欧姆内阻R
O
；步骤S2，基于预先训练好的黑箱模型以及弛豫时间分布数据，对退役锂离子电池进行快速容量估计从而得出退役锂离子电池的预估电池容量；步骤S3，基于弛豫时间分布数据提取退役锂离子电池的接触阻抗R
c
、SEI膜阻抗R
SEI
、电荷交换阻抗R
ct
以及锂离子扩散阻抗R
d
的特征信息，并且将该特征信息与预估电池容量以及欧姆内阻R
O
作为一个六维度的重组判据输入至高斯混合模型；步骤S4，高斯混合模型对退役锂离子电池进行软聚类重组得到最终软聚类结果，并完成分选重组。
[0006]本专利技术提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，还可以具有这样的技术特征，其中，电化学阻抗谱测试的物理条件为温度25℃，施加扰动电压为0.01V，测试频率范围为0.01Hz至1000Hz。
[0007]本专利技术提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，还可以具有这样的技术特征，其中，在进行弛豫时间分布分析时，调整各老化电池的SOC至20％
SOC进行10分钟的电化学阻抗谱测试，并对测得的电化学阻抗谱进行弛豫时间分布分析。
[0008]本专利技术提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，还可以具有这样的技术特征，其中，黑箱模型基于训练好的BPNN网络构建，该BPNN网络包括输入层、隐藏层、输出层，预先训练的步骤如下：步骤S2
‑
1，随机选择少量电池进行测试和弛豫时间分布分析得到对应的电池标准容量以及弛豫时间分布数据作为BPNN网络的输入变量和样本数据，并对输入变量和样本数据进行归一化处理，公式为：
[0009][0010]式中，x
max
和x
min
分别为BPNN网络输入向量x中的最大值和最小值；步骤S2
‑
2，建立初始BPNN模型，并基于随机函数对该初始BPNN模型每一层间的连接权值矩阵和偏执向量进行随机初始化；步骤S2
‑
3，设置隐藏层的神经元及学习率，将归一化处理后的输入变量和样本数据输入至初始BPNN模型，并使用LM算法对BPNN网络进行训练得到黑箱模型。
[0011]本专利技术提供的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，还可以具有这样的技术特征，其中，软聚类重组包括以下步骤：步骤S3
‑
1，采集数据和输入样本，并对数据和样本进行z
‑
score归一化处理，公式为：
[0012][0013]式中，为原始数据均值，σ为原始数据标准差；步骤S3
‑
2，采用K
‑
means算法对K个多元高斯分布的参数进行初始化处理；步骤S3
‑
3，运用EM优化算法求解高斯混合模型的参数，直至该高斯混合模型基于EM优化算法迭代100次；步骤S3
‑
4，输出高斯混合模型的数据作为基于软聚类重组得到的最终聚类结果。
[0014]本专利技术还提供了一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，用于对不同老化场景下的退役锂离子电池进行快速分选重组，其特征在于，包括以下步骤：步骤S1，对退役锂离子电池进行电化学阻抗谱测试与弛豫时间分布分析，得出对应的电化学阻抗谱奈奎斯特图阻抗曲线以及对应的弛豫时间分布数据，然后从电化学阻抗谱奈奎斯特图阻抗曲线与横轴的交点计算出退役锂离子电池的欧姆内阻R
O
；步骤S2，基于预先训练好的黑箱模型以及弛豫时间分布数据，对退役锂离子电池进行快速容量估计从而得出退役锂离子电池的预估电池容量；步骤S3
’
，基于弛豫时间分布数据提取退役锂离子电池的接触阻抗R
c
、SEI膜阻抗R
SEI
、电荷交换阻抗R
ct
以及锂离子扩散阻抗R
d
的特征信息并进行权重处理；步骤S4
’
，将经过权重处理的特征信息与预估电池容量以及欧姆内阻R
O
作为一个六维度的重组判据输入至高斯混合模型；步骤S5
’
，高斯混合模型对不同老化场景下的退役锂离子电池进行软聚类重组得到最终软聚类结果，并完成分选重组。
[0015]专利技术作用与效果
[0016]根据本专利技术提供的基于电化学阻抗谱的退役锂离子电池快速分选重组方法，在对退役锂离子电池进行分选重组之前，通过预先训练好的黑箱模型，结合弛豫时间分布数据，首先对退役锂离子电池的电池容量进行了快速估计，再将预估的电池容量和基于电化学阻抗谱测试得到的欧姆内阻以及阻抗特征信息输入至高斯混合模型进行软聚类得到软聚类结果，从而实现对退役锂离子电池的快速分选重组。该方法无需采用特殊容量测试装置就
能够将大规模电池容量估计的时间从3小时缩短到10分钟左右，相较于现有容量测试装置有着高效率、低耗时的优点。而高效的电池容量估计也使得退役锂离子电池的分选重组效率得到了较大的提升，同时退役锂离子电池分选重组的实现也有利于根据退役锂离子电池的不同类别进行下一步的梯次利用。
附图说明
[0017]图1本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，用于对退役锂离子电池进行快速分选重组，其特征在于，包括以下步骤：步骤S1，对所述退役锂离子电池进行电化学阻抗谱测试与弛豫时间分布分析，得出对应的电化学阻抗谱奈奎斯特图阻抗曲线以及对应的弛豫时间分布数据，然后从所述电化学阻抗谱奈奎斯特图阻抗曲线与横轴的交点计算出所述退役锂离子电池的欧姆内阻R
O
；步骤S2，基于预先训练好的黑箱模型以及所述弛豫时间分布数据，对所述退役锂离子电池进行快速容量估计从而得出所述退役锂离子电池的预估电池容量；步骤S3，基于所述弛豫时间分布数据提取所述退役锂离子电池的阻抗特征信息，并且将该阻抗特征信息与所述预估电池容量以及欧姆内阻R
O
作为一个六维度的重组判据输入至高斯混合模型；步骤S4，所述高斯混合模型对所述退役锂离子电池进行软聚类重组得到最终软聚类结果，并完成所述分选重组。2.根据权利要求1所述的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，其特征在于：其中，所述电化学阻抗谱测试的物理条件为温度25℃，施加扰动电压为0.01V，测试频率范围为0.01Hz至1000Hz。3.根据权利要求1所述的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，其特征在于：其中，在进行所述弛豫时间分布分析时，调整各老化电池的SOC至20％SOC进行10分钟的所述电化学阻抗谱测试，并对测得的电化学阻抗谱进行所述弛豫时间分布分析。4.根据权利要求1所述的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，其特征在于：其中，所述黑箱模型基于训练好的BPNN网络构建，该BPNN网络包括输入层、隐藏层、输出层，所述预先训练的步骤如下：步骤S2
‑
1，随机选择少量电池进行测试和所述弛豫时间分布分析得到对应的电池标准容量C
i*
(i＜＜M)以及弛豫时间分布数据作为BPNN网络的输入变量和样本数据，并对所述输入变量和所述样本数据进行归一化处理，公式为：式中，x
max
和x
min
分别为BPNN网络输入向量x中的最大值和最小值；步骤S2
‑
2，建立初始BPNN模型，并基于随机函数对该初始BPNN模型每一层间的连接权值矩阵和偏置向量进行随机初始化；步骤S2
‑
3，设置所述隐藏层的神经元及学习率，将归一化处理后的所述输入变量和所述样本数据输入至所述初始BPNN模型，并使用LM算法对所述BPNN网络进行训练得到所述黑箱模型。5.根据权利要求1所述的一种基于电化学阻抗谱的退役锂离子电池快速分选重组方法，其特征在于：其中，所述阻抗特征信息包括所述退役锂离子电池的接触阻抗R
c
、SEI膜阻抗R
SEI
、电荷<...

【专利技术属性】
技术研发人员：来鑫，陈权威，邓聪，郑岳久，周龙，
申请(专利权)人：上海理工大学，
类型：发明
国别省市：