CN111967194B - 一种基于云端历史数据的电池分类方法 - Google Patents

Abstract

本发明提供一种基于云端历史数据的电池分类方法，包括如下步骤：步骤1，采集电池的历史大数据；步骤2，对历史大数据进行数据清洗，得电压数据和电流数据；步骤3，对电池单体容量以及电池内阻进行计算，得m个样本的电池单体容量和电池内阻，记为待分类样本集a；步骤4，标准化待分类样本集a内的数据，得标准化后的样本数据集A；步骤5，在样本数据集A中选k个类簇，而后初始化k个类簇的聚类中心，得初始聚类中心B；步骤6，采用欧式距离公式计算每个样本的类别，并在计算时引入权重因子，得分类集合C，计算新的质心μ_j来更新聚类中心；步骤7，重复步骤6，直至μ_j不再改变、满足阈值σ要求或达到最大迭代次数N时终止迭代，到聚类结果。

Description

一种基于云端历史数据的电池分类方法

技术领域

本发明属于电池管理技术领域，具体涉及一种基于云端历史数据的电池分类方法。

背景技术

随着我国新能源汽车销量的不断提高，新能源汽车发展战略已然上升为国家战略。2018年我国新能源汽车产销量在100万台左右，预计到2020年，纯电动汽车和插电式混合动力汽车生产能力达200万辆、累计产销量超过500万辆。由于在使用过程中造成的电池间的不一致性，退役锂离子电池在储能应用等梯次利用前要进行一致性分选。然而，现有的退役锂电池分选方法主要基于现场容量测试，所以存在着效率低下，分选成本高等问题。快速度与高经济性并存的一致性分选问题亟待解决。

发明内容

本发明是为了解决上述问题而进行的，目的在于提供一种基于云端历史数据的电池分类方法。

本发明提供了一种基于云端历史数据的电池分类方法，具有这样的特征，包括如下：步骤1，采用电池管理***BMS采集电池的历史大数据；步骤2，对历史大数据进行数据清洗，得到电压数据和电流数据；步骤3，通过电压数据和电流数据分别对电池单体容量以及电池内阻进行计算，得到m个样本的电池单体容量和电池内阻，记为待分类样本集a＝{x₁，x₂，……，x_m}，并且x_i为由内阻与容量构成的二维数组即x_i＝[x_C,i x_r，i]且i＝1，2，……，m；步骤4，对电池单体容量和电池内阻进行数据标准化，得到标准化后的样本数据集，该样本数据集为A＝{X₁，X₂，……，X_m}，且标准化的公式为：

步骤5，在样本数据集A中选择聚类的k个类簇，而后初始化k个类簇的聚类中心，即从样本数据集A中选择k个样本作为初始聚类中心，且该初始聚类中心为B＝{μ₁，μ₂，……，μ_k}；步骤6，采用欧式距离公式计算每个样本的类别，并在计算数据集A的每一个元素X_i与质心B_j之间的欧式距离d_ij时引入权重因子，从而计算得到分类结果，并将该分类结果记为分类集合C，C＝{C₁，C₂，……，C_k}，而后计算新的质心μ_j来更新聚类中心；步骤7，重复步骤6，直至μ_j不再改变、满足阈值σ要求或达到最大迭代次数N时终止迭代，得到聚类结果，其中，x_C,i与x_r，i分别为第i个待分类样本的电池容量和电池内阻，/>

和/>

分别为第i个待分类样本中的电池容量的最小值和最大值，/>

和/>

分别为第i个待分类样本中的电池内阻的最小值和最大值，μ_k＝[μ_C，kμ_r，k]，μ_C，k表示第k个样本的容量数据，μ_r，k表示第k个样本的内阻数据。

在本发明提供的基于云端历史数据的电池分类方法中，还可以具有这样的特征：其中，步骤3中的所示电池单体容量的计算步骤如下：步骤3-1，从电压数据和电流数据中筛选出完整的充电工程数据曲线图；步骤3-2，采用时安积分法基于充电过程对电池组容量进行初步估计，得到初步估计结果Q_P；步骤3-3，采用模糊卡尔曼滤波对初步估计结果Q_P进行最优化修正，得到电池组容量的最优估计结果Q_sys；步骤3-4，基于云端单体的电压数据，计算各个单体的剩余充电容量RCC_i和剩余放电容量RDC_i，而后根据下式计算得到各个电池单体容量Q_i，Q_i＝Q_sys+RCC_i+RDC_i式中，Q_i为第i个单体的电池容量，RCC_i为第i个单体的剩余充电容量，RDC_i为第i个单体的剩余放电容量。。

在本发明提供的基于云端历史数据的电池分类方法中，还可以具有这样的特征：其中，步骤3-2中的时安积分的公式为：

式中，t₁表示该充电段的充电起始时间，t₂表示该充电段的充电结束时间，I(t)表示该充电段中t时刻的电流值，步骤3-4中的剩余充电容量RCC_i和剩余放电容量RDC_i均通过插值法计算得到。

在本发明提供的基于云端历史数据的电池分类方法中，还可以具有这样的特征：其中，步骤3中的所示电池内阻的计算步骤如下：步骤3-a，将电流数据和电压数据导入MATLAB中进行筛选，得到电池处于多阶段恒流充电状态的时段；步骤3-b，在时段中筛选出符合充电电流条件的电压电流跳变的微段；步骤3-c，在微段中提取出充电跳变前后两个阶段的电压和电流，分别记为U_A、U_B、I_A、I_B；步骤3-d，采用两个阶段的电压差和电流差的比值计算得到电池电阻r。

在本发明提供的基于云端历史数据的电池分类方法中，还可以具有这样的特征：其中，步骤3-b中，充电电流条件如下：

对于同一个充电段中电流跳变的前后两个电流值，第k个充电电流值I_k小于-75A，第k+1个充电电流值I_k+1大于-60A且小于-30A，并且存在电流切换处为中SOC时段，此处的内阻代表电池内阻的平均水平，

步骤3-c中，具体取值如下：

对于同一个充电段中的第k个和第k+1个电流值，k值对应的每个单体电压值记为U_A，电流值记为I_A，k+1值对应的每个单体电压值记为U_B，电流值记为I_B。

在本发明提供的基于云端历史数据的电池分类方法中，还可以具有这样的特征：其中，步骤3-c中的电池内阻为

在本发明提供的基于云端历史数据的电池分类方法中，还可以具有这样的特征：其中，步骤6中的权重因子为梯次利用场景系数δ，且0＜δ＜1，引入权重因子后的欧氏距离公式为

在本发明提供的基于云端历史数据的电池分类方法中，还可以具有这样的特征：其中，步骤6中的新的质心的计算公式为：

且j＝1，2，……，k。

发明的作用与效果

根据本发明所涉及的基于云端历史数据的电池分类方法，首先通过汽车上的电池管理***BMS、云端大数据或实验等方式获得电池在多次充放电过程中的外部特性数据，如时间、电压、电流和温度等的数据；其次，根据历史数据选出有效数据段；再次，根据电动汽车云端大数据，融合模糊卡尔曼滤波算法、剩余充电电量RCC算法以及剩余放电电量RDC算法离线估计单体容量；再次，根据有效充电段数据中的充放电状态切换所引起的电压电流跳变来估计欧姆内阻；最后根据云端计算所得的电池单体内阻与容量，使用K-means算法进行云端大量单体的分类。通过这种基于云端历史数据的电池分类方法，可以实现不同电动汽车的车载单体的综合分类，扩大分选规模，减少厂房使用时间与成本，有效地保证重组单体的一致性，为梯次利用场景的安全性提供保障。

因此，本发明的一种基于云端历史数据的电池分类方法利用了大量历史数据，在线对车载电池进行容量与内阻的估计与噪声处理。在不同数据源的条件下，对动力电池进行单体级的容量内阻监测，给予动力电池梯次利用时快速分选数据支持，进而通过K-means算法，对动力电池单体进行云端分类。

附图说明

图1是本发明的实施例中基于基于云端历史数据的电池分类方法的流程图；

图2为本发明的实施例中所选取的模糊控制规则图；

图3为本发明的实施例中单体剩余充电电量估计和单体剩余放电电量估计的原理示意图；

图4是本发明的实施例中基于安时积分估计直接获得的单体容量结果示意图；

图5为本发明的实施例中加入模糊卡尔曼滤波的单体容量结果示意图。

图6是本发明的实施例中清洗数据后导入MATLAB中生成的充电段示意图；

图7是本发明的实施例中多阶段恒流充电时间段内的电压电流跳变示意；

图8是本发明的实施例中步骤4至步骤7所示的K-means分类结果图。

具体实施方式

为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。

实施例：

图1所示，本实施提供一种基于云端历史数据的电池分类方法，包括如下步骤：

步骤1，采用电池管理***BMS采集电池的历史大数据。

本实施例中，历史大数据均采用车载电池的电池管理***BMS在历史时间段内采集的各参数的大量数据，而后通过车联网平台获取数据，进而进行后续处理。

步骤2，对历史大数据进行数据清洗，得到电压数据和电流数据。

本实施例中，利用Python算法剔除大量无用数据，得到电池寿命评估所需的电压、电流、温度等第一代数据。

步骤3，通过电压数据和电流数据分别对电池单体容量以及电池内阻进行计算，得到m个样本的电池单体容量和电池内阻，记为待分类样本集a＝{x₁，x₂，……，x_m}，并且x_i为由内阻与容量构成的二维数组即x_i＝[x_C,i x_r，i]且i＝1，2，……，m。

其中，x_C,i与x_r，i分别为第i个待分类样本的电池容量和电池内阻，

和/>

分别为第i个待分类样本中的电池容量的最小值和最大值，/>

和/>

分别为第i个待分类样本中的电池内阻的最小值和最大值。

本实施例中，电池单体容量的计算步骤如下：

步骤3-1，从电压数据和电流数据中筛选出完整的充电工程数据曲线图，如图7所示。

步骤3-2，采用时安积分法基于充电过程对电池组容量进行初步估计，得到初步估计结果Q_P，且时安积分的公式为：

式中，t₁表示该充电段的充电起始时间，t₂表示该充电段的充电结束时间，I(t)表示该充电段中t时刻的电流值。

步骤3-3，采用模糊卡尔曼滤波对初步估计结果Q_P进行最优化修正，得到电池组容量的最优估计结果Q_sys，具体如下：

模糊卡尔曼滤波离散形式的状态方程和***输出方程如下式所示：

x_i+1＝x_i+ω_i

y_i＝x_i+υ_i

式中，x_i为要估计的容量Q_sys，作为***状态向量，不能通过测量直接获取；y_i为计算得到的容量值Q_P，作为可测量的***输出；、w_i、v_i分别为不可通过测量获得的输入噪声、输出噪声，由于单次充电间隔之间的电池组容量变化较小，故w_i取一个较小值即可满足滤波要求。对于v_i的值利用模糊逻辑思想确定。

卡尔曼滤波迭代公式如下：

状态估计时间更新：

误差协方差时间更新：

卡尔曼增益更新：

状态估计测量更新：

误差协方差测量更新：

其中，i≥2，

是上一状态修正后最优的结果，/>

是利用上一状态预测的结果，/>

是现在状态修正后最优的结果。/>

是/>

对应的协方差，/>

是/>

对应的协方差，/>

是当前状态更新后的协方差。L_i是当前状态卡尔曼增益。Q、R分别是输入噪声w_i的协方差、输入噪声v_i的协方差。通过模糊卡尔曼滤波过程获得符合电动汽车电池组真实衰减趋势的容量估计结果。

进一步地，当模糊卡尔曼滤波的初始值设置为：

P₀＝1，Q＝0.03²时，R由如图2所示的模糊规则控制，其中，e_Q表示初步估计结果Q_P的相对误差。

步骤3-4，基于云端单体的电压数据，计算各个单体的剩余充电容量RCC_i和剩余放电容量RDC_i，而后根据下式计算得到各个电池单体容量Q_i，Q_i＝Q_sys+RCC_i+RDC_i，式中，Q_i为第i个单体的电池容量，RCC_i为第i个单体的剩余充电容量，RDC_i为第i个单体的剩余放电容量。

本实施例中，模糊卡尔曼修正的电池组容量Q_sys获得的电池单体的容量估计结果如图5所示，横轴为容量，纵轴为电量，相同颜色的点代表在同一次充电过程中不同单体的容量估计结果。可见相较于图4中基于安时积分估计的电池组容量直接获得的单体容量结果，本实施例提出的方法获得的电池单体容量估计结果更加符合真实的容量衰减趋势，估计结果更加准确。

进一步地，基于CCVC一致性假设，以充电终止电压最高的单体电压曲线为基准，把其他各单体电压曲线进行平移，通过插值法计算得到各单体的RCC_i，具体为：

基于云端充电电压数据，计算各个单体的RCC。假设在有n个单体的电池组中，单体j(1≤j≤n)是第一个充电到充电截止电压的单体，充电截止时间为t_CE，并且在之后电池管理***BMS停止充电以防过充。基于CCVC一致性假设，单体j的CCVC平移可以得到其它单体i(i≠j)的CCVC，在时间t_CE之后，如果单体i能单独被充电，则从充电截至时间t_CE到单体i被充电至充电截止电压时的时间为单体i的剩余充电时间(Δt_i,C)，那么单体i的CCVC曲线的结束点P_i在单体j的CCVC上插值的点的时间为t_CE-Δt_i,C，充电电流为I，则单体i的RCC可由下式计算：

本实施例中，图3(a)为充放电电压-时间图，图3(b)为充电电压曲线局部放大图，图3(c)为放电电压曲线局部放大图。

当在有4个单体的电池组的一次充电单体电压曲线如图3所示，单体1是第一个充电到充电截止电压的单体，充电截止时间为t_CE，并且在之后电池管理***BMS停止充电以防过充。将单体1的CCVC作为基准，根据CCVC一致性假设，把单体1的CCVC向右平移可以得到单体4的CCVC。在时间t_CE之后，如果单体4能单独被充电，那么它随后的CCVC如时间t_CE至t_CE+Δt_4,C的单体4的虚线部分所示。Δt_4,C单体4的剩余充电时间，也是t_CE时刻与通过把t_CE时刻单体4的电压插值到单体1的CCVC上如图3(b)中的圆圈所示的所对应时刻的差值。若充电电流为I，则单体4的RCC可由下式计算：

类似地，以放电终止电压最低的单体电压曲线为基准，把其他各单体电压曲线进行平移，通过插值法计算得到各单体的RDC_i，具体为：

基于云端单体充电电压数据，计算各个单体RDC。假设在有n个单体的电池组中，单体j(1≤j≤n)是第一个放电到放电截止电压的单体，放电截止时间为t_DE，并且在之后BMS停止放电以防过放。基于CCVC一致性假设，单体j的CCVC平移可以得到其它单体i(i≠j)的CCVC，在时间t_DE之后，如果单体i能单独被放电，则从放电截至时间t_DE到单体i被放电至放电截止电压时的时间为单体i的剩余放电时间(Δt_i,D)，那么单体i的CCVC曲线的起始点S_i在单体j的CCVC上插值的点的时间为t_DE+Δt_i,D，充电电流为I，则单体i的RDC可由下式计算：

当在有4个单体的电池组的一次充电单体电压曲线如图3所示，单体4是第一个放电到放电截止电压的单体，放电截止时间为t_DE，并且在之后BMS停止放电以防过放。将单体4的CCVC作为基准。根据CCVC一致性理论，把单体4的CCVC向左平移可以得到单体1的CCVC。在时间t_DE之后，如果单体1能单独被放电，那么它随后的CCVC如时间t_DE-Δt_1,D至t_DE的单体1的虚线部分所示。Δt_1,D是单体1的剩余放电时间，也是t_DE时刻与通过把t_DE时刻单体1的电压插值到单体4的CCVC上，如图3(c)中的圆圈所示的所对应时刻的差值。若充电电流为I，则单体1的RDC可由下式计算：

本实施例中，步骤3中的电池内阻的计算步骤如下：

步骤3-a，将电流数据和电压数据导入MATLAB中进行筛选，得到电池处于多阶段恒流充电状态的时段，如图6所示。

步骤3-b，在时段中筛选出符合充电电流条件的电压电流跳变的微段，其中，充电电流条件如下：

对于同一个充电段中电流跳变的前后两个电流值，第k个充电电流值I_k小于-75A，第k+1个充电电流值I_k+1大于-60A且小于-30A，并且存在电流切换处为中SOC时段，此处的内阻代表电池内阻的平均水平。

步骤3-c，在微段中提取出充电跳变前后两个阶段的电压和电流，分别记为U_A、U_B、I_A、I_B，具体取值如下：

对于同一个充电段中的第k个和第k+1个电流值，k值对应的每个单体电压值记为U_A，电流值记为I_A，k+1值对应的每个单体电压值记为U_B，电流值记为I_B，如图7所示。

步骤3-d，采用两个阶段的电压差和电流差的比值计算得到电池电阻r，且公式为

该电池电阻为电池在该电流跳变时刻对应的内阻预测值，同时，由于在此处的阻值可基本代表电池内阻的平均水平，故可以根据该阻值预测出电池在此时此刻的寿命情况。

步骤4，对电池单体容量和电池内阻进行数据标准化，得到标准化后的样本数据集，该样本数据集为A＝{X₁，X₂，……，X_m}，且标准化的公式为：

步骤5，在样本数据集A中选择聚类的k个类簇，而后初始化k个类簇的聚类中心，即从样本数据集A中选择k个样本作为初始聚类中心，且该初始聚类中心为B＝{μ₁，μ₂，……，μ_k}。

其中，μ_k＝[μ_C，kμ_r，k]，μ_C，k表示第k个样本的容量数据，μ_r，k表示第k个样本的内阻数据。

步骤6，采用欧式距离公式计算每个样本的类别，并在计算数据集A的每一个元素X_i与质心B_j之间的欧式距离d_ij时引入权重因子，从而计算得到分类结果，并将该分类结果记为分类集合C，C＝{C₁，C₂，……，C_k}，而后计算新的质心μ_j来更新聚类中心。

本实施例中，权重因子为梯次利用场景系数δ，且0＜δ＜1，引入权重因子后的欧氏距离公式为

本实施例中，新的质心的计算公式为：

且j＝1，2，……，k。

步骤7，重复步骤6，直至μ_j不再改变、满足阈值σ要求或达到最大迭代次数N时终止迭代，得到如图8所示的聚类结果，其中，阈值σ和迭代次数N与实际的电池性能差异情况有关。

本实施例中，图8(a)为场景系数δ为0.1时的聚类结果，图8(b)为场景系数δ为0.5时的聚类结果，图8(c)为场景系数δ为0.9时的聚类结果。

由图8(a)可知，当δ取值为0.1时，图中同一类的退役锂电池为横向排列，此时同一类电池的内阻值一致性高，容量一致性较差，因此分类后的电池功率密度一致性高，且分类后的电池适用于对功率要求高的功率型应用场景。

由图8(b)可知，当δ取值为0.5时，此时分类标准转向容量和内阻均相同的电池，将容量和内阻一致性相对较高的电池分为一类，因此分类后的电池适用于对容量和内阻均有要求的应用场景。

由图8(c)可知，当δ取值为0.9时，图中同一类的退役电池竖向排列，此时分类标准同样为容量的一致性高此时更加侧重于将容量一致性较高的电池分为一类，因此分类后的电池适用于对容量要求更加严苛的能量型场景。

实施例的作用与效果

根据本实施例所涉及的基于云端历史数据的电池分类方法，首先通过汽车上的电池管理***BMS、云端大数据或实验等方式获得电池在多次充放电过程中的外部特性数据，如时间、电压、电流和温度等的数据；其次，根据历史数据选出有效数据段；再次，根据电动汽车云端大数据，融合模糊卡尔曼滤波算法、剩余充电电量RCC算法以及剩余放电电量RDC算法离线估计单体容量；再次，根据有效充电段数据中的充放电状态切换所引起的电压电流跳变来估计欧姆内阻；最后根据云端计算所得的电池单体内阻与容量，使用K-means算法进行云端大量单体的分类。通过这种基于云端历史数据的电池分类方法，可以实现不同电动汽车的车载单体的综合分类，扩大分选规模，减少厂房使用时间与成本，有效地保证重组单体的一致性，为梯次利用场景的安全性提供保障。

进一步地，本实施例的方法主要由基于电动汽车云端大数据离线估计电池组单体容量的方法和车用动力电池内阻在线估计与健康状态检测的方法计算得到电池组单体的容量与内阻，最后由K-means算法进行单体的分类，其中，关于基于电动汽车云端大数据离线估计电池组单体容量的方法，单体的容量估计精度取决于电池组容量Q_sys估计精度和单体的剩余充电容量RCC_i和剩余放电容量RDC_i的计算精度，RCC_i和RDC_i计算精度主要取决于云端数据的采样精度，Q_sys估计精度取决于所选取充电段始末SOC以及安时积分法计算所得的容量值的精度；此外，通过模糊综合评估所选取充电数据段的起始SOC(SOC_min)、终止SOC(SOC_max)以及安时积分计算的容量结果Q_P的精度，为卡尔曼滤波选择合适的输出噪声，获得符合电动汽车电池组容量衰减趋势的估计结果，然后结合云端各个单体电压数据，基于充电单体电压曲线CCVC一致性假设，计算每个单体的RCC_i和RDC_i，最后求和获得每个单体的容量Q_i，有效减小容量估计的误差，实现基于电动汽车云端数据的电池组单体容量估计。

因此，本实施例的一种基于云端历史数据的电池分类方法利用了大量历史数据，在线对车载电池进行容量与内阻的估计与噪声处理，并在不同数据源的条件下，对动力电池进行单体级的容量内阻监测，给予动力电池梯次利用时快速分选数据支持，进而通过K-means算法，对动力电池单体进行云端分类。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (7)

1.一种基于云端历史数据的电池分类方法，其特征在于，包括如下步骤：

步骤1，采用电池管理***BMS采集电池的历史大数据；

步骤2，对所述历史大数据进行数据清洗，得到电压数据和电流数据；

步骤3，通过所述电压数据和所述电流数据分别对电池单体容量以及电池内阻进行计算，得到m个样本的所述电池单体容量和所述电池内阻，记为待分类样本集a＝{x₁，x₂，……，x_m}，并且x_i为由内阻与容量构成的二维数组即x_i＝[x_C,i x_r，i]且i＝1，2，……，m；

步骤4，对所述电池单体容量和所述电池内阻进行数据标准化，得到标准化后的样本数据集，该样本数据集为A＝{X₁，X₂，……，X_m}，且标准化的公式为：

步骤5，在所述样本数据集A中选择聚类的k个类簇，而后初始化k个所述类簇的聚类中心，即从所述样本数据集A中选择k个样本作为初始聚类中心，且该初始聚类中心为B＝{μ₁，μ₂，……，μ_k}；

步骤6，采用欧式距离公式计算每个所述样本的类别，并在计算所述数据集A的每一个元素X_i与质心B_j之间的欧式距离d_ij时引入权重因子，从而计算得到分类结果，并将该分类结果记为分类集合C，C＝{C₁，C₂，……，C_k}，而后计算新的质心μ_j来更新聚类中心；

步骤7，重复步骤6，直至μ_j不再改变、满足阈值σ要求或达到最大迭代次数N时终止迭代，得到聚类结果，

其中，x_C,i与x_r，i分别为第i个待分类样本的电池容量和电池内阻，

和/>

分别为第i个待分类样本中的电池容量的最小值和最大值，/>

和/>

分别为第i个待分类样本中的电池内阻的最小值和最大值，μ_k＝[μ_C，kμ_r，k]，μ_C，k表示第k个样本的容量数据，μ_r，k表示第k个样本的内阻数据。

2.根据权利要求1所述的基于云端历史数据的电池分类方法，其特征在于：

其中，所述步骤3中的所述电池单体容量的计算步骤如下：

步骤3-1，从所述电压数据和所述电流数据中筛选出完整的充电工程数据曲线图；

步骤3-2，采用时安积分法基于充电过程对电池组容量进行初步估计，得到初步估计结果Q_P；

步骤3-3，采用模糊卡尔曼滤波对所述初步估计结果Q_P进行最优化修正，得到所述电池组容量的最优估计结果Q_sys；

步骤3-4，基于云端单体的电压数据，计算各个单体的剩余充电容量RCC_i和剩余放电容量RDC_i，而后根据下式计算得到各个所述电池单体容量Q_i，

Q_i＝Q_sys+RCC_i+RDC_i

式中，Q_i为第i个单体的电池容量，RCC_i为第i个单体的剩余充电容量，RDC_i为第i个单体的剩余放电容量。

3.根据权利要求2所述的基于云端历史数据的电池分类方法，其特征在于：

其中，所述步骤3-2中的时安积分的公式为：

式中，t₁表示该充电段的充电起始时间，t₂表示该充电段的充电结束时间，I(t)表示该充电段中t时刻的电流值，

所述步骤3-4中的所述剩余充电容量RCC_i和所述剩余放电容量RDC_i均通过插值法计算得到。

4.根据权利要求1所述的基于云端历史数据的电池分类方法，其特征在于：

其中，所述步骤3中的所述电池内阻的计算步骤如下：

步骤3-a，将所述电流数据和所述电压数据导入MATLAB中进行筛选，得到电池处于多阶段恒流充电状态的时段；

步骤3-b，在所述时段中筛选出符合充电电流条件的电压电流跳变的微段；

步骤3-c，在所述微段中提取出充电跳变前后两个阶段的电压和电流，分别记为U_A、U_B、I_A、I_B；

步骤3-d，采用两个阶段的电压差和电流差的比值计算得到所述电池电阻r。

5.根据权利要求4所述的基于云端历史数据的电池分类方法，其特征在于：

其中，所述步骤3-b中，充电电流条件如下：

对于同一个充电段中电流跳变的前后两个电流值，第k个充电电流值I_k小于-75A，第k+1个充电电流值I_k+1大于-60A且小于-30A，并且存在电流切换处为中SOC时段，此处的内阻代表电池内阻的平均水平，

所述步骤3-c中，具体取值如下：

对于同一个充电段中的第k个和第k+1个电流值，k值对应的每个单体电压值记为U_A，电流值记为I_A，k+1值对应的每个单体电压值记为U_B，电流值记为I_B。

6.根据权利要求4所述的基于云端历史数据的电池分类方法，其特征在于：

其中，所述步骤3-c中的所述电池内阻为

7.根据权利要求1所述的基于云端历史数据的电池分类方法，其特征在于：

其中，所述步骤6中的所述权重因子为梯次利用场景系数δ，且0＜δ＜1，

引入所述权重因子后的欧氏距离公式为

Images