本发明专利技术涉及一种退役电池容量分选方法、装置、设备及存储介质，包括：建立初始退役电池容量分选神经网络模型；获取退役电池的特征参数数据；根据所述退役电池的特征参数数据对所述初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；将待预测电池的特征参数数据输入至所述目标电池容量分选神经网络模型，对所述待预测电池的放电容量进行预测，并根据所述放电容量预测的结果对待预测电池进行分选。本发明专利技术提供的一种退役电池容量分选方法、装置、设备及存储介质，通过选择退役电池的特征参数，并根据特征参数训练神经网络，通过神经网络预测退役电池的容量，实现了对退役电池的筛选。实现了对退役电池的筛选。实现了对退役电池的筛选。
【技术实现步骤摘要】
一种退役电池容量分选方法、装置、设备及存储介质
[0001]本专利技术涉及电池分选
，尤其涉及一种退役电池容量分选方法、装置、设备及存储介质。
技术介绍
[0002]动力电池作为电动汽车的核心部件，在其容量下降到一定程度后为保证电动汽车的续航里程和行驶安全性，对于容量下降不能满足电动汽车行驶要求的动力电池必须进行更换，这些被换下来的动力电池归属于退役电池的范畴。
[0003]这些被换下来的动力电池成为退役电池后虽不能满足电动汽车行驶需求，但是其还具有80％左右的剩余能量。要实现退役电池的再利用，首先就需要对退役电池进行分选。
[0004]现有技术对退役电池的分选存在分选不准确、分选效率低的问题。
技术实现思路
[0005]有鉴于此，有必要提供一种退役电池容量分选方法、装置、设备及存储介质，用以解决现有技术中退役电池分选不准确、分选效率低的问题。
[0006]为达到上述技术目的，本专利技术采取了以下技术方案：
[0007]第一方面，本专利技术提供了一种退役电池容量分选方法，包括：
[0008]建立初始退役电池容量分选神经网络模型；
[0009]获取退役电池的特征参数数据；
[0010]根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；
[0011]将待预测电池的特征参数数据输入至目标电池容量分选神经网络模型，对待预测电池的放电容量进行预测，并根据放电容量预测的结果对待预测电池进行分选。
[0012]优选的，获取退役电池的特征参数数据，包括：
[0013]对退役电池按照预设放电倍率进行充放电循环至不同的SOC状态；
[0014]对不同SOC状态的退役电池进行处理，得到退役电池的特征曲线；
[0015]根据退役电池的特征曲线，获取能够表征退役电池内部状态的特征参数数据。
[0016]优选的，退役电池的特征曲线为Nyquist曲线，对不同SOC状态的退役电池进行处理，得到退役电池的特征曲线，包括：
[0017]根据预设方法，绘制不同SOC状态的退役电池的Nyquist曲线。
[0018]优选的，根据退役电池的特征曲线，获取能够表征退役电池内部状态的特征参数数据，包括：
[0019]根据退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型；
[0020]将退役电池的Nyquist曲线与等效电路模型拟合处理，得到不同SOC状态的退役电池的拟合结果，并选择满足预设拟合要求的退役电池的拟合结果；
[0021]根据满足预设拟合要求的退役电池的拟合结果，获取能够表征退役电池内部状态
的特征参数数据。
[0022]优选的，根据退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型，包括：
[0023]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LR
s
表示；
[0024]将Nyquist曲线中低频部分用电容C与电阻R并联的R
p1
C
p1
和R
p2
C
p2
的二阶复合元件、电容C与电阻R并联的复合元件R
p1
C
p1
与Warburg阻抗元件W相结合、R
p1
C
p1
和R
p2
C
p2
的二阶复合元件与Warburg阻抗元件W相结合的复合元件表示。
[0025]优选的，建立初始退役电池容量分选神经网络模型，包括：
[0026]选择多层前馈神经网络模型或者径向基函数神经网络模型建立初始退役电池容量分选神经网络模型。
[0027]优选的，根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型，包括：
[0028]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；
[0029]利用退役电池的特征参数数据训练集对初始退役电池容量分选神经网络模型进行训练，得到过渡退役电池容量分选神经网络模型；
[0030]利用退役电池的特征参数数据验证集对过渡退役电池容量分选神经网络模型的预测性能进行验证，若验证不通过，则再次对过渡退役电池容量分选神经网络模型进行训练；若验证通过，则过渡退役电池容量分选神经网络模型为目标退役电池容量分选神经网络模型；
[0031]利用退役电池的特征参数数据测试集对目标退役电池容量分选神经网络模型的预测性能进行测试，获得训练完备的目标退役电池容量分选神经网络模型。
[0032]第二方面，本专利技术还提供了一种退役电池容量分选装置，包括：
[0033]建模模块，用于建立初始退役电池容量分选神经网络模型；
[0034]获取模块，用于获取退役电池的特征参数数据；
[0035]优化模块，用于根据退役电池的特征参数数据对初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；
[0036]预测模块，用于将待预测电池的特征参数数据输入至目标电池容量分选神经网络模型，对待预测电池的放电容量进行预测，并根据放电容量预测的结果对待预测电池进行分选。
[0037]第三方面，本专利技术还提供了一种电子设备，包括存储器和处理器，其中，
[0038]存储器，用于存储程序；
[0039]处理器，与存储器耦合，用于执行存储器中存储的程序，以实现上述任一种实现方式中的退役电池容量分选方法中的步骤。
[0040]第四方面，本专利技术还提供了一种计算机可读存储介质，用于存储计算机可读取的程序或指令，程序或指令被处理器执行时，能够实现上述任一种实现方式中的退役电池容量分选方法中的步骤。
[0041]采用上述实施例的有益效果是：本专利技术提供的一种退役电池容量分选方法、装置、设备及存储介质，通过建立神经网络模型，并提取退役电池的特征参数，通过退役电池的特征参数，优化神经网络模型，利用优化后的神经网络模型计算退役电池的放电容量，并根据
退役电池的放电容量对电池进行分选，提高了对退役电池容量分选的准确性以及分选的效率。
附图说明
[0042]图1为本专利技术提供的退役电池容量分选方法的一实施例的流程示意图；
[0043]图2为本专利技术提供的获取退役电池的特征参数数据的一实施例的流程示意图；
[0044]图3为图2中步骤S203的一实施例的流程示意图；
[0045]图4为本专利技术提供的等效电路模型的结构示意图；
[0046]图5为本专利技术提供的训练神经网络模型的一实施例的流程示意图；
[0047]图6为本专利技术提供的退役电池容量分选装置的一实施例的结构示意图；
[0048]图7为本专利技术实施例提供的退役电池容量分选电子设备的结构示意图。...
【技术保护点】
【技术特征摘要】
1.一种退役电池容量分选方法，其特征在于，包括：建立初始退役电池容量分选神经网络模型；获取退役电池的特征参数数据；根据所述退役电池的特征参数数据对所述初始退役电池容量分选神经网络模型进行训练、验证和测试，得到目标退役电池容量分选神经网络模型；将待预测电池的特征参数数据输入至所述目标电池容量分选神经网络模型，对所述待预测电池的放电容量进行预测，并根据所述放电容量预测的结果对待预测电池进行分选。2.根据权利要求1所述的退役电池容量分选方法，其特征在于，所述获取退役电池的特征参数数据，包括：对所述退役电池按照预设放电倍率进行充放电循环至不同的SOC状态；对所述不同SOC状态的退役电池进行处理，得到所述退役电池的特征曲线；根据所述退役电池的特征曲线，获取能够表征所述退役电池内部状态的特征参数数据。3.根据权利要求2所述的退役电池容量分选方法，其特征在于，所述退役电池的特征曲线为Nyquist曲线，所述对所述不同SOC状态的退役电池进行处理，得到所述退役电池的特征曲线，包括：根据预设方法，绘制所述不同SOC状态的退役电池的Nyquist曲线。4.根据权利要求3所述的退役电池容量分选方法，其特征在于，所述根据所述退役电池的特征曲线，获取能够表征所述退役电池内部状态的特征参数数据，包括：根据所述退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型；将所述退役电池的Nyquist曲线与所述等效电路模型拟合处理，得到不同SOC状态的退役电池的拟合结果，并选择满足预设拟合要求的退役电池的拟合结果；根据所述满足预设拟合要求的退役电池的拟合结果，获取能够表征所述退役电池内部状态的特征参数数据。5.根据权利要求4所述的退役电池容量分选方法，其特征在于，所述根据所述退役电池的Nyquist曲线，选择满足预设匹配要求的等效电路模型，包括：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LR
s
表示；将Nyquist曲线中低频部分用电容C与电阻R并联的R
p1
C
p1
和R
p2
C
p2
的二阶复合元件、电容C与电阻R并联的复合元件R
p1
C
p1
与Warburg阻抗元件W相结合、R
p1
【专利技术属性】
技术研发人员：许开华，张宇平，刘虹灵，别传玉，宋华伟，张阳琳，阳婕，李晨威，
申请(专利权)人：格林美股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。