一种液态金属电池的分选方法及系统技术方案

本发明专利技术公开了一种液态金属电池的分选方法及系统，属于二次电池应用技术领域

【技术实现步骤摘要】
一种液态金属电池的分选方法及系统


[0001]本专利技术属于二次电池应用
，更具体地，涉及一种液态金属电池的分选方法及系统
。

技术介绍

[0002]液态金属电池作为一种新型电化学储能技术，三层液态结构的设计使其具有容量大
、
效率高
、
寿命长及成本低等优点，可有效解决目前电化学储能技术面临的服役寿命短和可靠性低的难题
。
在实际应用中，大量单体电池需要串并联成组使用以达到大规模储能系统的电压和容量等级要求
。
然而由于生产制造工艺的差异，单体电池间不可避免的会存在不一致性，具体是指电池内阻
、
容量等参数的不一致
。
另外在电池组使用过程中，每个单体电池由于应用环境的差异会导致其不一致性进一步放大，从而引发电池老化，性能衰退较快的单体电池会制约整个电池组的容量利用率及寿命，甚至更有可能会出现单体电池失效，导致整个电池组无法正常工作，极端情况下还可能引发安全事故
。
液态金属电池由于特殊结构设计以及材料选择，理论上虽然不会出现锂离子电池故障导致的恶性安全事故，但是单体电池失效势必影响整个电池组系统的利用率
。
因此，需要发展面向系统应用的电池分选方法，实现电池在成组前的科学
、
高效集成，有利于长期保障电池系统经济性
。
[0003]在中国专利技术专利说明书
CN202110581420.3
中公开了一种监测电芯放电末端容量一致性的分选方法，电池分选依据一个特征要素对电池进行测试及分选，分选速度快，但其准确性低
。
在中国专利技术专利说明书
CN201811475223.8
中公开了一种退役电池分选方法
。
该方法通过多个测试工况以分别获得退役电池的开路电压
、
定频内阻
、
放电能量
、
直流内阻
、
充放电能量效率参数，再分别与对应的阈值作比较，将不在阈值范围内的电池剔除从而实现电池分选
。
该方法综合考虑了5个电池参数，分选结果可信度高，但电池测试工况较多，耗时长
。
在中国专利技术专利说明书
CN202210768913.2
中公开了一种锂离子电池分选参数的提取方法及电池分选方法，该方法通过锂离子电池电化学阻抗谱测试
、
弛豫时间分析和灰色关联重构提取出了三个电池分选参数，这些参数能够反应电池动态变化，进一步提高了电池分选准确性，但分选参数提取的过程较为复杂，反而会影响电池分选效率
。
因此，在进一步构建能反应电池状态的动态参量来提高分类的准确性的同时，需要一种能对动态参量进行简单易操作
、
快速测量或估计的方法来提高分类效率
。
另外，上述方法均为完全聚类，当电池分选参数存在明显的离群值时，分选算法对离群点的抗干扰能力较弱
。
[0004]由于存在上述缺陷与不足，本领域亟需做出进一步的改进和完善，依据液态金属电池特性，研发针对性地的电池参数一致性的筛选方法，设计一种基于液态金属电池电压曲线的快速筛选方法，有效解决电池分选效率低下的问题的同时提高电池分选可信度，从而保障液态金属电池组的可靠安全运行
。

技术实现思路

[0005]针对现有技术的缺陷，本专利技术的目的在于提供一种液态金属电池的分选方法及系
统，旨在解决现有基于多参数的电池分选技术效率低下的问题
。
[0006]为实现上述目的，本专利技术提供了一种基于液态金属电池放电曲线的快速电池分选方法，该方法通过从电池放电曲线提取出表征曲线变化的特征参数形成电池分选指标，再利用改进的基于密度的噪声应用空间聚类
(Density
‑
Based Spatial Clustering ofApplications with Noise
，
DBSCAN)+
均值漂移
(Mean Shift)
组合聚类优化算法同时实现电池离群值检测及分选指标的自适应空间聚类划分，进而提高电池分选效率及准确性
。
[0007]为实现上述目的，本专利技术一方面提供了一种液态金属电池的分选方法，包括以下步骤：
[0008]对采样的液态金属电池放电电压数据进行重构，得到平滑的电压曲线；
[0009]辨识电压曲线拐点，生成曲线表征指标；
[0010]对所述曲线表征指标进行重复映射筛选，形成分选指标；
[0011]利用改进的
DBSCAN
聚类算法滤除所述分选指标中的样本离群点，再采用
Mean Shift
算法对剩下的样本空间进行最佳划分，得到电池分选结果
。
[0012]本专利技术先提供了电池放电曲线特征提取框架，通过在放电曲线上提取能够有效反映曲线形状差异性的特征参数，免除了获取电池参数的测试过程，节省了测试时间
。
特征参数可为后续电池分选提供参考依据
。
[0013]优选地，该特征提取框架包括四个阶段：数据采集
、
数据预处理
、
曲线表征指标生成
、
电池分选指标生成
。
[0014]具体方法按以下步骤实现：
[0015](1)
分别采集待选液态金属电池在
0.2C
倍率下的放电数据，采样时间间隔为
30s
，构成原始数据集；
[0016](2)
对原始数据集中的每组数据进行平滑处理；
[0017]优选地，在恒流放电模式下，液态金属电池的端电压理论上应满足以下条件：
[0018][0019]其中即为电池在
t
k
时刻的端电压，其中
k
表示第
k
个采样点
。
[0020]受测量设备采集噪声的影响，实际测得的端电压可能不符合式
(1)
的条件，需要通过重构放电电压数据对曲线进行平滑处理，优选地，本专利技术采用采用线性插值方法重建电压曲线，步骤如下：
[0021]a.
标记样本点：从第一个采样点开始依次进行检测
。
如果一个样本点符合式
(1)
的条件，则该样本点将被标记为正常值
(
记为
)
，否则，将被标记为异常值
(
记为
)
，且异常值必符合式
(2)
；
[0022][0023]b.
重构异常值：如果该异常点满足式
(3)
，则按式
(4)
重构该点
(
记为
)
；如果该异常点满足式
(5)
，则按式
(6)
重构本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种液态金属电池的分选方法，其特征在于，包括以下步骤：对采样的液态金属电池放电电压数据进行重构，得到平滑的电压曲线；辨识电压曲线拐点，生成曲线表征指标；对所述曲线表征指标进行重复映射筛选，形成分选指标；利用改进的
DBSCAN
聚类算法滤除所述分选指标中的样本离群点，再采用
Mean Shift
算法对剩下的样本空间进行最佳划分，得到电池分选结果
。2.
根据权利要求1所述的方法，其特征在于，在恒流放电模式下，液态金属电池的端电压满足以下条件：其中即为电池在
t
k
时刻的端电压，其中
k
表示第
k
个采样点
。3.
根据权利要求2所述的方法，其特征在于，采用线性插值方法重构电压曲线，步骤包括：从第一个采样点开始依次进行检测，如果一个样本点符合则该样本点将被标记为正常值，记为否则，将被标记为异常值，记为且异常值必符合如果异常点满足则按重构该点，记为如果该异常点满足则按重构从该点开始之后的
j
‑1个点，其中第
j
个点满足条件条件即为电池端电压为对应的时刻；异常点经过重构后及时更新为正常值，遍历所有采样点，重构完成
。4.
根据权利要求1所述的方法，其特征在于，采用滑动窗口算法分别辨识两个曲线拐点，步骤包括：使用自回归模型对电压进行建模，相关的损失函数基于最小二乘残差：其中为
t
时刻的电压预测值；设窗口宽度为2ω
，则第一个窗口的损失函数表示为第二个窗口的损失函数表示为窗口总损失函数为得到窗口差值
Z(V
tk
‑
ω
...tk+
ω
)
＝
c(V
tk
‑
ω
...tk+
ω
)
‑
c(V
tk
‑
ω
...tk
)
‑
c(V
tk...tk+
ω
)
；两个拐点对应的时刻为：其中
Z
high
为辨识第一个曲线拐点得到的差值曲线，
Z
low
为辨识第二个曲线拐点得到的差值曲线；得到两个拐点电压值：其中
t
high
表示第一个拐点对应的时刻，
t
low
表示第
二个拐点对应的时刻
。5.
根据权利要求4所述的方法，其特征在于，曲线表征指标包括：所述的方法，其特征在于，曲线表征指标包括：其中
F*
表示第
*
个特征指标，其中
F1
‑
F4
表征两个电压拐点位置，
F5
‑
F7
可用于表征曲线局部形状
。6.
根据权利要求5所述的方法，其特征在于，所述形成分选指标具体包括：构造多维特征量矩阵
A
，
A
＝
[F1,F2,
…
F7]
，其中
F
n
为
m
行1列的特征向量矩阵，
m
为电池样本数，
n
为特征个数；对矩阵
A
中的数据按列进行排序，矩阵
P
记录排序之后的数据位置，表示为：计算相关系数得到特征向量间的相关性：式中
ρ
ij
为第
i
个特征向量和第
j
个特征向量之间的相关系数；比较特征向量间的相关性，取相关性较低的特征向量作为分选指标，分选指标维度
≤3。7.
根据权利要求1所述的方法，其特征在于，所述利用改进的
DBSCAN
聚类算法滤除所述分选指标中的样本离群点，再采用
Mean Shift
算法对剩下的样本空间进行最佳划分，得到电池分选结果，具体包括：
(1)
采用零均值标准化处理分选指标：式中
x
代表分选指标，
μ
和
σ
为每个分选指标的均值和方差；
(2)
利用肘检测方法确定最优
DBSCAN
算法邻域参数
Eps
和
MinPts
，其中
Eps
是邻域距离阈值，
MinPts
是邻域样本数阈值，初始值取为分选指标维度加1；
(3)DBSCAN
算法聚类
(31)
初始化参数：核心对象集合聚类簇数
a<...

【专利技术属性】
技术研发人员：王康丽，张娥，蒋凯，李浩秒，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：