一种退役电池的状态检测方法技术

本发明专利技术公开了一种退役电池的状态检测方法，包括：采用主程序分析法对常规充电工况下电池终止状态一致性的测试数据分析得到充电曲线的特征值，将特征值运用Canopy算法融合PSO

【技术实现步骤摘要】
一种退役电池的状态检测方法


[0001]本专利技术涉及电池状态快速检测
，更具体的涉及一种退役电池的状态检测方法。

技术介绍

[0002]我国的新能源汽车动力电池将逐步进入规模化退役阶段，动力电池的退役并非意味着其寿命的终止，而是指其电性能和新电池相比有所下降，不再适合继续在工况恶劣的汽车上使用。实际上，当动力电池从汽车上退役时，其可用容量还剩75％～85％，其余性能参数如额定电压、内阻、充放电效率、自放电率、循环寿命等还保持良好，仍可以梯次应用于一些工况比较温和的储能场景中。退役动力电池用于储能，可以实现电池的二次利用，增加其价值，提高资源利用率，降低动力电池的购买成本，对新能源产业的发展起到推动作用。
[0003]聚类筛选技术是退役动力电池梯次利用的有效途径。但是，退役动力电池具有体量大、种类多、特异性强，测试手段单一、耗时的特点。针对退役动力电池的筛选，选择可靠的分类算法是目前研究的主要方向。在电池筛选过程中，测试时间长度作为退役电池筛选的成本，减少测试时间，进一步提高估计效率和准确率，降低退役电池梯次利用成本是当前快速分类优化的目标。

技术实现思路

[0004]本专利技术实施例提供一种退役电池的状态检测方法，包括：
[0005]采用主程序分析算法PCA分析常规充电工况下退役电池终止状态一致性的测试数据，得到测试多个特征值；
[0006]采用Canopy算法根据多个特征值对退役电池簇进行预分类，得到当前退役电池的预分类簇的个数K；
[0007]将K值带入基于粒子群算法PSO改进的k
‑
means分类算法、并根据多个特征值对测试数据聚类，最终得到退役电池的分类结果；
[0008]将神经网络各层的连接权值编码成PSO粒子，确定神经网络输出均方误差为适应度值，采用粒子群算法PSO，在预设的迭代次数内搜索最优的网络权值，构建基于自适应PSO
‑
神经网络容量预测模型；
[0009]根据电池的循环老化测试数据，采用主程序分析算法PCA提取工况曲线的特征值表示电池状态，运用大量的特征值数据和电池状态之间的关系，构建基于自适应PSO
‑
神经网络容量预测模型和电池阻抗参数估计模型的电池老化模型；
[0010]提取分类后的退役电池簇核心部分电池表征参数、并输入建立好的电池老化模型，计算出退役电池实际容量与阻抗参数，获得退役电池健康状态检测结果；
[0011]根据退役电池的分类结果和退役电池健康状态检测结果对退役电池的梯次利用进行规划。
[0012]进一步，主程序分析算法PCA，包括：
[0013]对所有的样本进行中心化:
[0014]计算样本的协方差矩阵XX
T
；
[0015]对矩阵XX
T
进行特征值分解；
[0016]取出最大的n
’
个特征值对应的特征向量(w1，w2，...，w
n
’
)将所有的特征向量标准化后，组成特征向量矩阵W；
[0017]对样本集中的每一个样本x
(i)
,转化为新的样本z
(i)
＝W
T
x
(i)
[0018]得到输出样本集D
′
＝(x
(1)
，x
(2)
，...x
(m)
)。
[0019]进一步，Canopy算法，包括：
[0020]将退役电池测试数据中恒流阶段的数据集向量化得到一个list；
[0021]选择两个距离阈值：T1和T2，其中T1>T2，确定实线圈为T1，确定虚线圈为T2，T1和T2的值使用交叉校验来确定；
[0022]从list中任取一点P，采用低计算成本方法计算点P与所有Canopy之间的距离，如果点P与某个Canopy距离在T1以内，则将点P加入到这个Canopy；
[0023]如果点P曾经与某个Canopy的距离在T2以内，则把点P从list中删除，
[0024]重复上面步骤，直到list为空结束。
[0025]进一步，采用Canopy算法根据多个特征值对退役电池簇进行预分类，包括：
[0026]通过主程序分析算法PCA分析得到多个特征值来表征一个退役电池的状态；
[0027]用每个退役电池的多个特征值来作为一个数据点，根据两个距离阈值T1和T2来划分数据点；
[0028]以随机的一个数据点作为Canopy中心，计算其他数据点到其的距离，划入T1和T2中；
[0029]划入T2的数据点从数据集中删除，划入T1的其他数据点继续计算，直至数据集中无数据。
[0030]进一步，基于粒子群算法PSO改进的k
‑
means分类算法，包括：
[0031]初始化粒子群算法PSO的粒子速度和输入的每个设定值；
[0032]将退役电池测试数据中恒流阶段的数据集随机分为K个类，每个类的类别中心由公式(1)计算，其中，类别中心代表粒子的位置，如果数据集有n维，则第i个粒子的位置为X＝(x
0i
,x
1i
......x
ki
),xki＝(Y
k1i
,Y
k2i
.......Y
kmi
)Y
kmi
是n
‑
第i个粒子的第K个聚类中心的维度数据；
[0033][0034]根据公式(2)计算粒子的适应度函数值，作为粒子最优适应度的初始值；
[0035][0036]重复上面步骤，生成N个粒子的位置，作为单个粒子的最佳位置，取N个粒子个体最优适应度的最小值作为群体最优适应度，将适应度下的粒子位置作为群体最优位置Gbest；
[0037]根据公式(3)更新子速度，并使其控制在[v
max
，v
min
]内，v
max
，v
min
分别表示粒子最大速度和最小速度，根据公式(3)更新粒子位置，并使其控制在[x
max
,x
min
]内，x
max
,x
min
分别表
示粒子最大位移和最小位移，更新粒子的个体最优和群体最优位置；
[0038]V
jt+1
＝ωV
jt
+c1r1(Pbest
j
‑
X
jt
)+c2r2(Gbest
‑
X
jt
)
ꢀꢀꢀꢀꢀ
(3)
[0039]X
jt+1
＝X
jt
+V
jt+1
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0040]生成新的集群中心本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种退役电池的状态检测方法，其特征在于，包括：采用主程序分析算法PCA分析常规充电工况下退役电池终止状态一致性的测试数据，得到测试多个特征值；采用Canopy算法根据多个特征值对退役电池簇进行预分类，得到当前退役电池的预分类簇的个数K；将K值带入基于粒子群算法PSO改进的k
‑
means分类算法、并根据多个特征值对测试数据聚类，最终得到退役电池的分类结果；将神经网络各层的连接权值编码成PSO粒子，确定神经网络输出均方误差为适应度值，采用粒子群算法PSO，在预设的迭代次数内搜索最优的网络权值，构建基于自适应PSO
‑
神经网络容量预测模型；根据电池的循环老化测试数据，采用主程序分析算法PCA提取工况曲线的特征值表示电池状态，运用大量的特征值数据和电池状态之间的关系，构建基于自适应PSO
‑
神经网络容量预测模型和电池阻抗参数估计模型的电池老化模型；提取分类后的退役电池簇核心部分电池表征参数、并输入建立好的电池老化模型，计算出退役电池实际容量与阻抗参数，获得退役电池健康状态检测结果。2.如权利要求1所述的一种退役电池的状态检测方法，其特征在于，所述主程序分析算法PCA，包括：对所有的样本进行中心化计算样本的协方差矩阵XX
T
；对矩阵XX
T
进行特征值分解；取出最大的n
’
个特征值对应的特征向量(w1，w2，...，w
n
′
)将所有的特征向量标准化后，组成特征向量矩阵W；对样本集中的每一个样本x
(i)
,转化为新的样本z
(i)
＝W
T
x
(i)
得到输出样本集D
′
＝(x
(1)
，x
(2)
，...x
(m)
)。3.如权利要求1所述的一种退役电池的状态检测方法，其特征在于，所述Canopy算法，包括：将数据集向量化得到一个list；选择两个距离阈值：T1和T2，其中T1>T2，确定实线圈为T1，确定虚线圈为T2，T1和T2的值使用交叉校验来确定；从list中任取一点P，采用低计算成本方法计算点P与所有Canopy之间的距离，如果点P与某个Canopy距离在T1以内，则将点P加入到这个Canopy；如果点P曾经与某个Canopy的距离在T2以内，则把点P从list中删除，重复上面步骤，直到list为空结束。4.如权利要求3所述的一种退役电池的状态检测方法，其特征在于，所述采用Canopy算法根据多个特征值对退役电池簇进行预分类，包括：通过主程序分析算法PCA分析得到多个特征值来表征一个退役电池的状态；用每个退役电池的多个特征值来作为一个数据点，根据两个距离阈值T1和T2来划分数据点；
以随机的一个数据点作为Canopy中心，计算其他数据点到其的距离，划入T1和T2中；划入T2的数据点从数据集中删除，划入T1的其他数据点继续计算，直至数据集中无数据。5.如权利要求1所述的一种退役电池的状态检测方法，其特征在于，所述基于粒子群算法PSO改进的k
‑
means分类算法，包括：初始化粒子群算法PSO的粒子速度和输入的每个设定值；将退役电池测试数据中恒流阶段的数据集随机分为K个类，每个类的类别中心由公式(1)计算，其中，类别中心代表粒子的位置，如果数据集有n维，则第i个粒子的位置为...

【专利技术属性】
技术研发人员：雷旭，陈潇阳，李鹏辉，燕欣，张春玲，秦海龙，谢方建，
申请(专利权)人：长安大学，
类型：发明
国别省市：