CN112505551B - 一种面向退役动力电池的筛选方法 - Google Patents
一种面向退役动力电池的筛选方法 Download PDFInfo
- Publication number
- CN112505551B CN112505551B CN202011484044.8A CN202011484044A CN112505551B CN 112505551 B CN112505551 B CN 112505551B CN 202011484044 A CN202011484044 A CN 202011484044A CN 112505551 B CN112505551 B CN 112505551B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- power battery
- test
- vector
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种面向退役动力电池的筛选方法。包括如下过程:提取若干同型号退役后动力电池充放电过程电压信号n个特征变量,并利用聚类方法形成K个类别簇,选出代表各簇的典型样本X(core,k);根据待测动力电池的特征变量X(test),计算特征变量间比重,并构成判断矩阵A,进而获得特征向量并归一化得到ωa;计算以每个特征下不同类别簇间比重组成判断矩阵Bn的特征向量,并归一化处理后组成矩阵C;计算C×ωa获得待测动力电池的决策向量,并选择决策向量元素中最大值对应的类别为待测动力电池类型。与现有方法相比,本发明全程无参数的计算过程,降低了人为因素影响。
Description
技术领域:
本发明涉及一种动力电池检测技术,进一步涉及一种面向退役动力电池的筛选方法。
背景技术:
近年来电动汽车行业迅猛发展,动力电池的需求量也随之大幅增长。动力电池的使用寿命一般约为3-5年,在容量下降至80%左右便需要更换,预计2020年我国动力电池累计退役量高达25GWh,动力电池的第一个退役高峰期已经来临。退役动力电池仍可在能量、功率要求不高的场景继续使用,称为梯次利用,对于充分利用电池的经济价值,缓解环保压力具有重要的意义。
退役电动汽车动力电池能量特性及功率特性衰减,且电池单体间性能参数差异大,实现不同性能表现电池应用价值的最大化,保证电池再次应用时的可靠性和安全性,必须对电池进行筛选,实现电池的分级梯次应用。退役动力电池梯次利用中的筛选环节需要综合应用软件技术、测控技术、制造工艺等,涉及计算机、机、电等多种学科,技术门槛较高,其基本原则应遵守以下两个方面:
技术性方面:电池的筛选为实现电池的分级梯次利用于不同应用工况,不同应用工况对电池的技术要求不尽相同,针对不同应用工况来筛选电池时,筛选方法也不相同。筛选所用的参数应尽量少,参数测试方法宜简单可靠。
经济性方面:检测成本低、速度快,筛选应提高退役汽车电池的二次利用率,电池应尽可能分选到利用价值高的应用场合,从而提高退役汽车动力电池梯次利用的经济性。
目前,用于动力电池筛选的主要方法有三大类:(1)实验分析法;(2)模型估计法;(3)数据驱动法。其中数据驱动法主要是依赖历史数据挖掘不同运行状态的动力电池特点,对动力电池进行分组运行状态或者回归健康估计值,这类方法自动化程度高、简单易实现,同时无需过多的先验知识和准确的数学模型。
发明内容:
本发明采用基于数据驱动方式形成动力电池的筛选决策,自动、智能、准确地完成退役动力电池的筛选。具体技术方案如下:
一种面向退役动力电池的筛选方法,包括如下过程:
步骤1:提取若干同型号退役后动力电池充放电过程电压信号n个特征变量,并利用聚类方法形成K个类别簇,选出代表各簇的典型样本X(core,k);
步骤2:根据待测动力电池的特征变量X(test),计算特征变量间比重,并构成判断矩阵A,进而获得特征向量并归一化得到ωa;
步骤3:计算以每个特征下不同类别簇间比重组成判断矩阵Bn的特征向量,并归一化处理后组成矩阵C;
步骤4:计算C×ωa获得待测动力电池的决策向量,并选择决策向量元素中最大值对应的类别为待测动力电池类型。
优选方案如下:
步骤1:获取若干同型号退役动力电池的电压数据,提取特征变量并利用聚类方法形成多个簇,以各簇中心代表该类,组成退役动力电池典型样本;具体如下:
步骤1.1:获取N个退役动力电池在充放电实验过程中电压数据序列样本U(i),(i=1,2,…,N);
步骤1.2:提取各个电压数据序列样本的n个关键特征变量,构成特征向量X(i)=[x1 (i),x2 (i),…,xn (i)],形成退役动力电池样本集合H={X(i)|i=1,2,…,N};
步骤1.3:基于样本集合H,采用聚类方法,将退役动力电池样本聚成K个类别,记作LK,并以类别中心代表此类,形成退役动力电池典型样本,第k个类别中典型样本为X(core,k)=[x1 (core,k),x2 (core,k),…,xn (core,k)];
步骤2:测量待检测动力电池在充放电实验过程中电压信号,提取待检测动力电池特征变量,计算特征变量间的比重并组成判断矩阵A,获得最大特征值对应的特征向量,进行归一化处理;
步骤2.1:测量待检测动力电池在充放电实验过程中电压信号U(test),提取待检测动力电池特征变量向量X(test)=[x1 (test),x2 (test),…,xn (test)];
步骤2.2:计算待检测动力电池特征变量向量X(test)与步骤1.3所形成各类别典型样本在各特征变量下的差值绝对值,并根据各特征变量下差值绝对值的最小值倒数定义各特征变量的比重,在第s个特征变量中,待测动力电池特征xs (test)与第k类典型样本的特征xs (core,k)差值绝对值为δs (k)=|xs (test)-xs (core,k)|,s=1,2,…,n,k=1,2,…,K,第s个特征变量比重:
步骤2.3:根据步骤2.2中各特征变量的比重关系,构成判断矩阵A,并计算特征值和特征向量,选择最大特征值对应的特征向量,进行归一化,其中判断矩阵A中第(i,j)个位置的元素a(i,j)=ρi/ρj,
最大特征值λa对应的特征向量为[υa(1) υa(2) … υa(n)]T,
步骤3:计算n个特征变量下各类别的比重,组成n个判断矩阵Bn,计算判断矩阵Bn最大特征值对应的特征向量,进行归一化处理,构成K×n的矩阵C;
步骤3.1:令s=1;
步骤3.2:计算第s个特征变量中,待测动力电池变量特征变量Xs (test)与步骤1.3所形成第k类典型样本的特征xs (core,k)的差值绝对值,即δs (k)=|xs (test)-xs (core,k)|,s=1,2,…,n,k=1,2,…,K,由此定义在s个特征变量中,第k类的比重
[μs(1) μs(2) … μs(K)]T,
步骤3.4:判断变量s是否大于特征变量数量n,若s<n,则s=s+1并返回步骤3.2,否则进入步骤3.5;
步骤3.5:将计算获得的列向量ωs,其中s=1,2,…,n,构成矩阵:
C=[ω1 ω2 … ωn];
步骤4:将步骤3所得矩阵C与步骤2所得特征向量ωa进行矩阵乘积,并求取乘积所得向量的最大值,最大值所代表的类别,即为待测电池的类别;具体如下:
步骤4.1:将矩阵C乘以特征向量ωa获得决策向量W,即:
W=C×ωa=[W1 W2 … WK]T,其中Wk表示第k个类别发生的权重;
步骤4.2:取W=[W1 W2 … WK]T中最大值所代表的类别,认定其为待测动力电池的最终判断类别,即L=arg(max(W))∈{L1,L2,...,LK},其中arg(max(·))表示返回最大值所对应类别的函数。
与现有技术相比,本发明的有益效果是:本发明基于历史退役动力电池聚类后的典型代表样本特征变量与待测动力电池特征变量,自动生成不同特征变量的权重表征重要性,同时从各个特征变量下分析待测动力电池与典型代表样本的比重情况,综合分析获得待测动力电池的归属,完成动力电池筛选。与现有方法相比,本发明方法具有简单、快速的特点,同时全程无参数的计算过程,降低了人为因素影响,评估过程回归数据自身特点,有利于认识待测动力电池的真实状态,有助于提升动力电池筛选过程的自动化、智能化水平。
附图说明:
图1是本发明实施例中一种面向退役动力电池的筛选方法流程图。
具体实施方式:
实施例:
下面将结合附图,对本申请实施例中的技术方案进行清楚、完整地描述。
本发明提供了一种面向退役动力电池状态评价的决策方法,图1展示出了本实施例中的所述方法的实施过程;包括下述步骤:
步骤1:获取大量退役动力电池的电压数据,电压数据比如:最大电压值、最大电压变化率、放电截止电压、充电截止电压、充电时间、放电时间等等,提取特征变量并利用聚类方法形成多个簇,以各簇中心代表该类,组成退役动力电池典型样本;
步骤1.1:获取N个退役动力电池在充放电实验过程中电压数据序列样本U(i),(i=1,2,…,N);
步骤1.2:提取各个电压数据序列样本的n个关键特征变量,如电压峰值、最大变化值等,其中构成第i个样本的特征向量为X(i)=[x1 (i),x2 (i),…,xn (i)],形成退役动力电池样本集合H={X(i)|i=1,2,…,N};
步骤1.3基于样本集合H,采用聚类方法,如kmean及其改进方法,将退役动力电池样本聚成K个类别,记作LK,每个类别中含有多个样本,定义以类别中心(如几何中心)代表此类,形成退役动力电池典型样本,如第k个类别中典型样本为X(core,k)=[x1 (core,k),x2 (core ,k),…,xn (core,k)],第n个特征为Nk表示第k个类别中样本的数量,且
步骤2:测量待检测动力电池在充放电实验过程中电压信号,提取待检测动力电池特征变量,计算特征变量间的比重并组成判断矩阵A,获得最大特征值对应的特征向量,进行归一化处理;
步骤2.1:测量待检测动力电池在充放电实验过程中电压信号U(test),提取待检测动力电池特征变量向量X(test)=[x1 (test),x2 (test),…,xn (test)];
步骤2.2:计算待检测动力电池特征变量向量X(test)与步骤1.3所形成各类别典型样本在各特征变量下的差值绝对值,并根据各特征变量下差值绝对值的最小值倒数定义各特征变量的比重,如在第s个特征变量中,待测动力电池特征xs (test)与第k类典型样本的特征xs (core,k)差值绝对值为δs (k)=|xs (test)-xs (core,k)|,s=1,2,…,n,k=1,2,…,K,则第s个特征变量比重
步骤2.3:根据步骤2.2中各特征变量的比重关系,构成判断矩阵A,并计算特征值和特征向量,选择最大特征值对应的特征向量,进行归一化,其中判断矩阵A中第(i,j)个位置的元素a(i,j)=ρi/ρj,则判断矩阵计算判断矩阵A的特征值为{λ1,λ2,...,λn},其中最大特征值所λa=max{λ1,λ2,...,λn}对应的特征向量为[υa(1)υa(2)…υa(n)]T,归一化后为
步骤3:计算n个特征变量下各类别的比重,组成n个判断矩阵Bn,计算判断矩阵Bn最大特征值对应的特征向量,进行归一化处理,构成K×n的矩阵C;
步骤3.1:令s=1;
步骤3.2:计算第s个特征变量中,待测动力电池变量特征变量Xs (test)与步骤1.3所形成第k类典型样本的特征xs (core,k)的差值绝对值,即δs (k)=|xs (test)-xs (core,k)|,(s=1,2,…,n),(k=1,2,…,K),由此定义在第s个特征变量中,第k类的比重
步骤3.3:根据步骤3.2中在第s个特征变量下不同类别的比重,生成判断矩阵Bs,其中Bs第(i,j)个位置的元素与步骤2.3计算过程一致,计算判断矩阵Bs的特征值和特征向量,其中最大特征值为λs,其所对应的特征向量为[μs(1) μs(2) … μs(K)]T,对特征向量归一化处理可得:
步骤3.4:判断变量s是否大于特征变量数量n,若s<n,则s=s+1并返回步骤3.2,否则进入步骤3.5;
步骤3.5:将计算获得的列向量ωs,其中s=1,2,…,n,构成矩阵:
C=[ω1 ω2 … ωn];
步骤4:将步骤3所得矩阵C与步骤2所得特征向量ωa进行矩阵乘积,并求取乘积所得向量的最大值,最大值所代表的类别,即为待测电池的类别;
步骤4.1:将矩阵C乘以特征向量ωa获得决策向量W,即:
W=C×ωa=[W1 W2 … WK]T,其中Wk表示第k个类别发生的权重;
步骤4.2:取W=[W1 W2 … WK]T中最大值所代表的类别,认定其为待测动力电池的最终判断类别,即L=arg(max(W))∈{L1,L2,...,LK},其中arg(max(·))表示返回最大值所对应类别的函数。
最后应当说明的是:所描述的实施例仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
Claims (2)
1.一种面向退役动力电池的筛选方法,其特征在于,包括如下过程:
步骤1:获取若干同型号退役动力电池的电压数据,提取特征变量并利用聚类方法形成多个簇,以各簇中心代表该类,组成退役动力电池典型样本;具体如下:
步骤1.1:获取N个退役动力电池在充放电实验过程中电压数据序列样本U(i),(i=1,2,…,N);
步骤1.2:提取各个电压数据序列样本的n个关键特征变量,构成特征向量X(i)=[x1 (i),x2 (i),…,xn (i)],形成退役动力电池样本集合H={X(i)|i=1,2,…,N};
步骤1.3:基于样本集合H,采用聚类方法,将退役动力电池样本聚成K个类别,记作LK,并以类别中心代表此类,形成退役动力电池典型样本,第k个类别中典型样本为X(core,k)=[x1 (core,k),x2 (core,k),…,xn (core,k)];
步骤2:测量待检测动力电池在充放电实验过程中电压信号,提取待检测动力电池特征变量,计算特征变量间的比重并组成判断矩阵A,获得最大特征值对应的特征向量,进行归一化处理;
步骤2.1:测量待检测动力电池在充放电实验过程中电压信号U(test),提取待检测动力电池特征变量向量X(test)=[x1 (test),x2 (test),…,xn (test)];
步骤2.2:计算待检测动力电池特征变量向量X(test)与步骤1.3所形成各类别典型样本在各特征变量下的差值绝对值,并根据各特征变量下差值绝对值的最小值倒数定义各特征变量的比重,在第s个特征变量中,待测动力电池特征xs (test)与第k类典型样本的特征xs (core ,k)差值绝对值为δs (k)=|xs (test)-xs (core,k)|,s=1,2,…,n,k=1,2,…,K,第s个特征变量比重:
步骤2.3:根据步骤2.2中各特征变量的比重关系,构成判断矩阵A,并计算特征值和特征向量,选择最大特征值对应的特征向量,进行归一化,其中判断矩阵A中第(i,j)个位置的元素a(i,j)=ρi/ρj,
最大特征值λa对应的特征向量为[υa(1) υa(2) … υa(n)]T,
步骤3:计算n个特征变量下各类别的比重,组成n个判断矩阵Bn,计算判断矩阵Bn最大特征值对应的特征向量,进行归一化处理,构成K×n的矩阵C;
步骤3.1:令s=1;
步骤3.2:计算第s个特征变量中,待测动力电池变量特征变量Xs (test)与步骤1.3所形成第k类典型样本的特征xs (core,k)的差值绝对值,即δs (k)=|xs (test)-xs (core,k)|,s=1,2,…,n,k=1,2,…,K,由此定义在s个特征变量中,第k类的比重
步骤3.3:根据步骤3.2中在第s个特征变量下不同类别的比重,生成判断矩阵Bs,其中Bs第(i,j)个位置的元素计算判断矩阵Bs的特征值和特征向量,其中最大特征值为λs,其所对应的特征向量为[μs(1) μs(2) … μs(K)]T,
步骤3.4:判断变量s是否大于特征变量数量n,若s<n,则s=s+1并返回步骤3.2,否则进入步骤3.5;
步骤3.5:将计算获得的列向量ωs,其中s=1,2,…,n,构成矩阵:
C=[ω1 ω2 … ωn];
步骤4:将步骤3所得矩阵C与步骤2所得特征向量ωa进行矩阵乘积,并求取乘积所得向量的最大值,最大值所代表的类别,即为待测电池的类别;具体如下:
步骤4.1:将矩阵C乘以特征向量ωa获得决策向量W,即:
W=C×ωa=[W1 W2 … WK]T,其中Wk表示第k个类别发生的权重;
步骤4.2:取W=[W1 W2 … WK]T中最大值所代表的类别,认定其为待测动力电池的最终判断类别,即L=arg(max(W))∈{L1,L2,...,LK},其中arg(max(·))表示返回最大值所对应类别的函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484044.8A CN112505551B (zh) | 2020-12-16 | 2020-12-16 | 一种面向退役动力电池的筛选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011484044.8A CN112505551B (zh) | 2020-12-16 | 2020-12-16 | 一种面向退役动力电池的筛选方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112505551A CN112505551A (zh) | 2021-03-16 |
CN112505551B true CN112505551B (zh) | 2023-01-10 |
Family
ID=74972444
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011484044.8A Active CN112505551B (zh) | 2020-12-16 | 2020-12-16 | 一种面向退役动力电池的筛选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112505551B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636943B (zh) * | 2022-05-12 | 2022-08-30 | 中创新航科技股份有限公司 | 电池装置、其检测方法、电池单元的筛选方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175046A (zh) * | 2020-03-18 | 2020-05-19 | 北京工业大学 | 一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法 |
CN111474490A (zh) * | 2020-04-09 | 2020-07-31 | 北方工业大学 | 一种梯次利用电池快速筛选方法 |
CN111582571A (zh) * | 2020-04-30 | 2020-08-25 | 中国电力科学研究院有限公司 | 模型驱动和数据驱动融合的电网运行态势感知方法及*** |
CN111816936A (zh) * | 2020-06-28 | 2020-10-23 | 珠海中力新能源科技有限公司 | 电池梯次利用配组方法、***、终端设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103077402B (zh) * | 2012-12-28 | 2016-05-11 | 国家电网公司 | 基于奇异值分解算法的变压器局部放电模式识别方法 |
-
2020
- 2020-12-16 CN CN202011484044.8A patent/CN112505551B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111175046A (zh) * | 2020-03-18 | 2020-05-19 | 北京工业大学 | 一种基于流形学习和s-k-means聚类的滚动轴承故障诊断方法 |
CN111474490A (zh) * | 2020-04-09 | 2020-07-31 | 北方工业大学 | 一种梯次利用电池快速筛选方法 |
CN111582571A (zh) * | 2020-04-30 | 2020-08-25 | 中国电力科学研究院有限公司 | 模型驱动和数据驱动融合的电网运行态势感知方法及*** |
CN111816936A (zh) * | 2020-06-28 | 2020-10-23 | 珠海中力新能源科技有限公司 | 电池梯次利用配组方法、***、终端设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
"基于近邻传播算法的电池配组技术研究";唐丽君;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;20180215(第2期);28 * |
Also Published As
Publication number | Publication date |
---|---|
CN112505551A (zh) | 2021-03-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111707951B (zh) | 一种电池组一致性评估方法及*** | |
CN110224192B (zh) | 一种梯次利用动力电池寿命预测方法 | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN108732510B (zh) | 基于内部特征的锂离子电池一致性筛选分组方法 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN112906744B (zh) | 一种基于孤立森林算法的故障单体电池识别方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN111967535B (zh) | 一种储粮管理场景温度传感器故障诊断方法及其诊断装置 | |
CN111257753B (zh) | 一种电池***故障诊断方法 | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN111999650A (zh) | 一种基于支持向量回归算法的锂电池剩余寿命预测方法 | |
CN110738232A (zh) | 一种基于数据挖掘技术的电网电压越限成因诊断方法 | |
CN111398798A (zh) | 基于振动信号区间特征提取的断路器储能状态辨识方法 | |
CN112505551B (zh) | 一种面向退役动力电池的筛选方法 | |
CN115248393A (zh) | 电池一致性分选方法、装置、设备及存储介质 | |
CN117154263A (zh) | 锂电池梯次利用充放电***及控制方法 | |
CN109406898A (zh) | 一种融合多特征量综合评估油纸绝缘老化程度的方法 | |
CN116796271A (zh) | 一种居民用能异常识别方法 | |
CN115454990A (zh) | 一种基于改进knn的油纸绝缘数据清洗方法 | |
CN114460481A (zh) | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
CN101614799B (zh) | 应用于电流传感器角差在线监测***的信号分离择优方法 | |
CN117491813A (zh) | 新能源汽车动力电池***绝缘异常检测方法 | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和*** | |
CN112305442B (zh) | 一种基于kmeans聚类的动力电池SOH快速估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |