一种粒子群优化BIRCH算法的退役动力电池等级划分方法技术

一种粒子群优化BIRCH算法的退役动力电池等级划分方法,首先对退役动力电池的外观进行检测，初步筛选出可二次利用的退役动力电池。选取退役动力电池的容量、内阻和开路电压作为等级划分依据，建立聚类特征树CF Tree，利用CF Tree的CF节点的质心，作为初始聚类中心点。计算电池数据与聚类中心点的欧氏距离。根据“距离就近原则”，对退役动力电池进行初次分类。并通过粒子群不断优化聚类中心点的位置，最终将退役电池划分为若干等级。针对不同等级的退役动力电池，制定不同的后续应用方案。本发明专利技术将粒子群的优化思想融入聚类过程中，提高了退役动力电池等级划分的准确性，并且划分到同级别退役动力电池拥有较高的一致性。退役动力电池拥有较高的一致性。退役动力电池拥有较高的一致性。

【技术实现步骤摘要】
的最大半径阈值T这四个CF Tree参数进行给定；
[0011]每一个CF是一个三元组，用(Q，LS，SS)表示，其中Q代表了这个CF中拥有的样本数， LS代表了这个CF中拥有的样本点各特征维度的和向量，SS代表了这个CF中拥有的样本点各特征维度的平方和；N、SS、LS满足如下线性关系；
[0012][0013]步骤(4)针对所述步骤(2)所得的数据集D，读入第1组数据d1，将其纳入第一个叶子节点的第一个CF三元组LN1；
[0014]步骤(5)读入第2组数据d2，如果它处在前一个CF节点所对应的半径为T的超球体中，则将其置为同一个CF三元组LN1，插入结束；转入步骤(8)；否则转入步骤(6)；
[0015]步骤(6)如果当前叶子节点的CF节点个数小于阈值L，则创建一个新的CF节点，放入第2组数据d2，生成新的三元组LN2，插入结束，转入步骤(8)；否则转入步骤(7)；
[0016]步骤(7)将当前叶子节点划分为两个新叶子节点，选择旧叶子节点中欧式距离相距最远的两个CF节点，分别作为两个新叶子节点的第一个CF节点；将其他元组和新加入元组按照“距离相近”原则放入两个新的叶子节点；依次向上检查分支节点和根节点是否也需要分裂，若需要，则其分裂方式和叶子节点相同；若不需要，则转入步骤(8)；
[0017]步骤(8)继续读入剩余组的数据d
t
(2＜t≤n)，重复步骤(5)到步骤(7)；完成对所有数据建立聚类特征树CF Tree；
[0018]步骤(9)利用CF Tree的根节点的质心，作为初始电池等级分布的聚类中心；确定聚类中心点个数为k，用r
i
(t)表示；0＜i≤k；以k个聚类中心点作为粒子群算法的优化对象，即共有k个粒子，0＜k≤n；
[0019]聚类中心点的坐标由退役动力电池的容量、内阻和开路电压参数构成，r
i
(t)＝(x
i
,y
i
,z
i
)； x，y，z分别代表第i个聚类中心点的容量、内阻和开路电压；
[0020]步骤(10)在退役动力电池数据集D中，随机初始化步骤(8)所得k个聚类中心点的速度向量和位置向量；设置算法最大迭代次数l；0＜l≤500；
[0021]步骤(11)分别计算n组退役动力电池数据{d1,d2,
…
,d
n
}到聚类中心点r
i
(t)的欧氏距离ρ；通过欧氏距离ρ判断退役动力电池的等级；
[0022]根据“距离相近原则”，将n组退役动力电池分别归入与其距离最近的聚类中心点，完成退役动力电池初次等级划分；
[0023]步骤(12)根据步骤(11)中的等级划分结果，分别计算出k个聚类中心点的适应度函数f(r
i
)，并对其排序，以得到k个聚类中心点的个体最优值p
i
(t)和全局最优值g(t)；
[0024]适应度函数f(r
i
)可以评价每个聚类中心点的优劣程度；个体最优p
i
(t)是一个聚类中心点从初始到当前迭代次数产生的最优解；全局最优值g(t)是三个聚类中心点目前的最优解；
[0025]步骤(13)通过步骤(12)得到的个体最优值p
i
(t)和全局最优值g(t)来更新聚类中心点的速度v
i
(t)和位置z
i
(t)，确定聚类中心点的最优位置，最终将n组退役动力电池划分为k个等级；
[0026]所述步骤(11)的欧氏距离的计算公式如下：
[0027][0028]所述步骤(12)中自适应度函数f(r
i
)计算公式如下：
[0029][0030]其中，b1和b2是依照电池参数给定的正常数；d
min
(z
i
)代表退役动力电池等级划分的最小的类间距离；代表退役动力电池等级划分的最大的类内平均距离；通过计算f(r
i
)的最小值，可以使等级划分方案满足类内距离小和类间距离大的特点；
[0031]所述步骤(12)中个体最优值p
i
(t)和全局最优值g(t)的计算公式如下：
[0032][0033]g(t+1)＝min{p
i
(t+1)}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(公式五)
[0034]其中，h
i
(t+1)为新的个体最优值；
[0035]所述步骤(13)中聚类中心点的位置z
i
(t)和速度v
i
(t)更新公式如下：
[0036]v
i
(t+1)＝ωv
i
(t)+c1m1(t)(p
i
(t)
‑
z
i
(t))+c2m2(t)(g(t)
‑
z
i
(t))
ꢀꢀꢀꢀꢀꢀꢀ
(公式六)
[0037]z
i
(t+1)＝z
i
(t)+v
i
(t+1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(公式七)
[0038]其中，惯性因子ω≥0，较大的ω有利于跳出局部极大点，而较小的ω有利于算法收敛；学习因子c1和c2为非负常数，一般取c1＝c2＝2；m1(t)和m2(t)是均匀分布在(0，1)区间的随机数；为防止粒子飞行速度过大导致算法过早收敛得到局部最优解，设定常数v
max
＝1，通过阈值截取强制v
i
(t)的每个分量绝对值不超过v
max
。
[0039]本专利技术的有益之处是：
[0040](1)本专利技术粒子群优化BIRCH算法，粒子群中的粒子作为BIRCH算法生成的聚类中心点，使其不再因为初始数据分布问题而出现分类错误。解决BIRCH算法对退役动力电池等级划分不准确的问题。以退役动力电池的容量、内阻和开路电压为划分依据，将电池划分等级。针对不同等级，制定不同的后续应用方案。
[0041](2)与现有技术相比，本专利技术提供的退役动力电池等级划分方法耗时短、成本低。考虑到后续应用中可能会对退役动力电池其他参数也提出一定要求，在等级划分时可以选用其他电池参数作为划分依据，并非固定的采用容量、内阻和开路电压。
附图说明
[0042]图1是本专利技术的退役动力电池等级划分方法的过程示意图。
具体实施方式
[0043]本专利技术是一种粒子群优化BIRCH算法的退役动力电池等级划分方法，其步骤为：
[0044]步骤(1)选取m组电动大巴车退役动力电池进行外观检测，对于存在鼓包、破损情况的退役动力电池，进行回收处理；将剩余n组退役动力电池进行下一步操作；其中，n≤m；
[0045]步骤(2)以退役动力电池的容量、内阻和开路电压作为等级划分本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种粒子群优化BIRCH算法的退役动力电池等级划分方法，其特征在于，其步骤为：步骤(1)选取m组电动大巴车退役动力电池进行外观检测，对于存在鼓包、破损情况的退役动力电池，进行回收处理；将剩余n组退役动力电池进行下一步操作；其中，n≤m；步骤(2)以退役动力电池的容量、内阻和开路电压作为等级划分依据，测量n组退役动力电池的容量、内阻和开路电压的数据参数，得到退役动力电池等级划分的数据集D＝{d1,d2,L,d
n
}；其中，d
u
=(a
u
,b
u
,c
u
)0＜u≤n，a
u
代表第u组退役动力电池的容量，b
u
代表第u组退役动力电池的内阻，c
u
代表第u组退役动力电池的开路电压；步骤(3)建立聚类特征树CF Tree，该树的每一个节点由若干聚类特征组成；对根节点最大个数K，分支节点最大个数B，每个叶子节点容纳的最大CF数L以及叶子节点每个CF的最大半径阈值T这四个CF Tree参数进行给定；每一个CF是一个三元组，用(Q，LS，SS)表示，其中Q代表了这个CF中拥有的样本数，LS代表了这个CF中拥有的样本点各特征维度的和向量，SS代表了这个CF中拥有的样本点各特征维度的平方和；N、SS、LS满足如下线性关系；步骤(4)针对所述步骤(2)所得的数据集D，读入第1组数据d1，将其纳入第一个叶子节点的第一个CF三元组LN1；步骤(5)读入第2组数据d2，如果它处在前一个CF节点所对应的半径为T的超球体中，则将其置为同一个CF三元组LN1，插入结束；转入步骤(8)；否则转入步骤(6)；步骤(6)如果当前叶子节点的CF节点个数小于阈值L，则创建一个新的CF节点，放入第2组数据d2，生成新的三元组LN2，插入结束，转入步骤(8)；否则转入步骤(7)；步骤(7)将当前叶子节点划分为两个新叶子节点，选择旧叶子节点中欧式距离相距最远的两个CF节点，分别作为两个新叶子节点的第一个CF节点；将其他元组和新加入元组按照“距离相近”原则放入两个新的叶子节点；依次向上检查分支节点和根节点是否也需要分裂，若需要，则其分裂方式和叶子节点相同；若不需要，则转入步骤(8)；步骤(8)继续读入剩余组的数据d
t
(2＜t≤n)，重复步骤(5)到步骤(7)；完成对所有数据建立聚类特征树CF Tree；步骤(9)利用CF Tree的根节点的质心，作为初始电池等级分布的聚类中心；确定聚类中心点个数为k，用r
i
(t)表示；0＜i≤k；以k个聚类中心点作为粒子群算法的优化对象，即共有k个粒子，0＜k≤n；聚类中心点的坐标由退役动力电池的容量、内阻和开路电压参数构成，r
i
(t)＝(x
i
,y
i
,z
i
)；x，y，z分别代表第i个聚类中心点的容量、内阻和开路电压；步骤(10)在退役动力电池数据集D中，随机初始化步骤(8)所得k个聚类中心点的速度向量和位置向量；设置算法最大迭代次数l；0＜l≤500；步骤(11)分别计算n组退役动力电池数据{d1...

【专利技术属性】
技术研发人员：宋汶秦，徐逸杨，杨茜，李昱，杨婷婷，王海亮，王著秀，王兴贵，杨国山，
申请(专利权)人：兰州理工大学，
类型：发明
国别省市：