CN114798502B - 梯次利用电池的分类成组方法、***及生产线 - Google Patents
梯次利用电池的分类成组方法、***及生产线 Download PDFInfo
- Publication number
- CN114798502B CN114798502B CN202210384651.XA CN202210384651A CN114798502B CN 114798502 B CN114798502 B CN 114798502B CN 202210384651 A CN202210384651 A CN 202210384651A CN 114798502 B CN114798502 B CN 114798502B
- Authority
- CN
- China
- Prior art keywords
- echelon
- battery
- charge
- sample data
- cells
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 13
- 230000003068 static effect Effects 0.000 claims description 23
- 230000032683 aging Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 10
- 238000007599 discharging Methods 0.000 claims description 9
- 230000010287 polarization Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 claims description 9
- 230000000630 rising effect Effects 0.000 claims description 8
- 238000010998 test method Methods 0.000 claims 1
- 101100424159 Mus musculus Vars1 gene Proteins 0.000 description 13
- 101000760646 Homo sapiens Phosphatidylserine lipase ABHD16A Proteins 0.000 description 7
- 101000908580 Homo sapiens Spliceosome RNA helicase DDX39B Proteins 0.000 description 7
- 102100024634 Phosphatidylserine lipase ABHD16A Human genes 0.000 description 7
- 102100024690 Spliceosome RNA helicase DDX39B Human genes 0.000 description 7
- 102100024016 G patch domain and ankyrin repeat-containing protein 1 Human genes 0.000 description 4
- 101000904261 Homo sapiens G patch domain and ankyrin repeat-containing protein 1 Proteins 0.000 description 4
- 101000697493 Homo sapiens Large proline-rich protein BAG6 Proteins 0.000 description 4
- 101001068634 Homo sapiens Protein PRRC2A Proteins 0.000 description 4
- 102100028047 Large proline-rich protein BAG6 Human genes 0.000 description 4
- 102100033954 Protein PRRC2A Human genes 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 101100229738 Mus musculus Gpank1 gene Proteins 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/361—Processing or control devices therefor, e.g. escort memory
- B07C5/362—Separating or distributor mechanisms
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/36—Sorting apparatus characterised by the means used for distribution
- B07C5/38—Collecting or arranging articles in groups
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/54—Reclaiming serviceable parts of waste accumulators
Landscapes
- Engineering & Computer Science (AREA)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Secondary Cells (AREA)
Abstract
本发明提供一种梯次利用电池的分类成组方法、***及生产线,其步骤在于:S1:对经过筛选合格的梯次电芯进行充放电测试;S2:从所述充放电测试曲线上提取特征量;S3:将特征量组成样本数据集,并设置多个聚类中心,利用聚类算法计算每个所述样本数据集与各所述聚类中心之间的距离,根据所述距离将所有样本数据集分类成多个聚类组;S4:将每个所述聚类组中包含的样本数据集所对应的梯次电芯,成组为一个梯次利用电池。本发明通过充放电测试曲线来提取表征梯次电芯动态特征的特征量,并利用聚类算法来进行特征量的一致性计算分类,使梯次电芯根据分类结果,成组为梯次利用电池,从而提高梯次利用电池的一致性。
Description
技术领域
本发明涉及梯次利用电池技术领域,尤其涉及梯次利用电池的分类成组方法、***及生产线。
背景技术
根据国家电动汽车电池使用标准,当动力电池容量衰退为原容量80%时,不再适合继续在电动汽车上使用,而随着电动汽车行业的发展及大规模的使用,可以预见未来几年内,将有大批量的动力电池从电动车上退役下来。在这些退役动力电池中,很多还具有较高的剩余容量,它们经过拆解筛选,还可能应用于低速电动车、电网储能、通讯基站备电等场景中,实现退役动力电池的梯次利用。然而,退役动力电池来自不同的厂家,生产类型和工艺不同,曾经的使用位置、使用工况等因素也不尽相同,造成电池容量、内阻等特性参数衰退具有不一致性,这种不一致性会影响到梯次利用电池的使用寿命和安全性能。
为了提高梯次利用电池各特性参数的一致性,需要对退役电池进行评估筛选,现有的筛选分类技术是对退役电池进行容量标定,然后给开路电压、交流内阻和容量这三个参数一个较宽的阈值进行优胜劣汰的选择,对没有淘汰的退役电池进行分类,将三个参数值相对接近的退役电池归为一类,最终进行梯次利用电池的组装。
现有技术主要依据的是退役电池的三个静态特征的参数信息,而忽略更能表征电池特性的动态特征,一致性精确度低,导致梯次利用电池在使用中容易会出现组内压差大、电芯衰减程度不一等问题。
发明内容
有鉴于此,本发明的目的是提供一种梯次利用电池的分类成组方法、***及生产线,以便提高梯次利用电池的一致性。
为实现上述目的,本发明提供一种梯次利用电池的分类成组方法,其步骤在于:
S1:对经过筛选合格的梯次电芯进行充放电测试,获得每个所述梯次电芯的充放电测试曲线;
S2:从所述充放电测试曲线上提取特征量,所述特征量用来表征所述梯次电芯的动态特征,所述动态特征包括以下部分或全部:放电欧姆内阻、充电欧姆内阻、极化特性、老化状态及放电容量;
S3:将每条所述充放电曲线上提取到的特征量,组成所对应的梯次电芯的样本数据集,并设置多个聚类中心,利用聚类算法计算每个所述样本数据集与各所述聚类中心之间的距离,根据所述距离将所有样本数据集分类成多个聚类组;
S4:将每个所述聚类组中包含的样本数据集所对应的梯次电芯,成组为一个梯次利用电池。
优选的,所述充放电测试的步骤包括:
S11:采用恒定电流值放空所述梯次电芯的剩余电量;
S12:采用相同的恒定电流值对放空后的所述梯次电芯充电至充电截止电压;
S13:采用恒定电压值对到达所述充电截止电压的梯次电芯进行充电,直至充电电流降至规定的截止电流时停止,并在预设的时间内静置所述梯次电芯;
S14:采用相同的恒定电流值对静置后的所述梯次电芯放电至放电截止电压。
优选的,在步骤S14之后,还包括:
S15:采用相同的恒定电流值对所述梯次电芯充电至规定的回充电压,再以规定的回充电压值充电至电流降为所述截止电流时停止。
优选的,所述特征量包括:在步骤S12充电开始时电压曲线在1s内的上升量,用来表征所述充电欧姆内阻;在步骤S14放电结束后电压曲线在1s内的上升量,用来表征所述放电欧姆内阻;在步骤S14整个放电阶段的放电容量;在步骤S14放电结束后电压曲线在1~100s内上升量,用来表征所述极化特性;在步骤S12中的充入电量与在步骤S13中的充入电量的比值,用来表征所述老化状态。
优选的,所述步骤S3包括:
S31:选取K个样本数据集作为K个聚类中心;
S32:分别计算剩余样本数据集与所述K个聚类中心的距离,所述距离包括表征同一个动态特征的两个所述特征量之间的差距;
S33:分别计算所述剩余样本数据集与所述K个聚类中心的平均差距,或者设置所述K个聚类中心的特征量级别;
S34:将所述剩余样本数据集分类至所述平均差距最小的聚类中心,或者根据所述距离和所述特征量级别来分类所述剩余样本数据集,形成K个聚类组。
优选的,所述步骤S3还包括:
S35:对所述聚类组重复执行步骤S31~S34,直至最后形成的聚类组满足设定的条件。
优选的,所述合格的梯次电芯的筛选步骤包括:拆解退役电池包,获取单体电芯,检测所述单体电芯是否符合预设的外观标准和预设的静态参数标准,若符合,则视为合格的梯次电芯,若不符合,则视为报废电芯。
优选的,所述静态参数标准包括所述单体电芯的开路电压不小于2.5V,所述单体电芯的交流内阻不大于标准内阻值的2倍。
本发明还提供一种梯次利用电池的分类成组***,包括:外观检测模块,用于检测单体电芯是否符合预设的外观标准;静态参数检测模块,用于检测所述单体电芯的开路电压及交流内阻是否符合预设的静态参数标准;充放电测试模块,用于对符合所述外观标准和所述静态参数标准的单体电芯进行充放电测试,提供充放电测试曲线,并从所述充放电测试曲线中提取特征量,所述特征量用来表征所述单体电芯的动态特征;聚类模块,包括聚类算法,用于将所述特征量组成样本数据集,并设置聚类中心,对所述样本数据集进行一致性计算分类。
本发明还提供一种梯次利用电池的生产线,包括退役电池拆解线、如上述的梯次利用电池的分类成组***以及梯次利用电池装配线,所述退役电池拆解线用于拆解退役电池包,获取单体电芯;所述梯次利用电池的分类成组***用于对所述单体电芯进行筛选分类成组;所述梯次利用电池装配线用于对分类成组的单体电芯进行装配,组成所述梯次利用电池。
与现有技术相比,本发明之技术方案具有以下优点:通过充放电测试曲线来提取表征梯次电芯动态特征的特征量,并利用聚类算法来进行特征量的一致性计算分类,使梯次电芯根据分类结果,成组为梯次利用电池,从而提高梯次利用电池的一致性;使用5个动态特征的特征量来进行计算分类,计算数据更多,一致性计算精确度更高;采用外观参数标准和静态参数标准筛选出合格的梯次电芯,将静态特征和动态特征相结合进行综合分类,可以更全面的分配梯次电芯;另外通过一条测试曲线即可以提取到多个动态特征的特征量,提取过程简单,提高梯次利用电池分类成组的效率。
附图说明
图1是本发明梯次利用电池的分类成组方法的流程图;
图2是本发明聚类计算方法的流程图;
图3是利用现有技术成组的梯次利用电池的充放电循环示意图;
图4是利用本发明的提供的方法成组的梯次利用电池的充放电循环示意图;
图5是本发明提供的梯次利用电池的分类成组***的示意图;
图6是本发明提供的梯次利用电池的生产线的示意图。
具体实施方式
以下结合附图对本发明的优选实施例进行详细描述,但本发明并不仅仅限于这些实施例。本发明涵盖任何在本发明的精神和范围上做的替代、修改、等效方法以及方案。
为了使公众对本发明有彻底的了解,在以下本发明优选实施例中详细说明了具体的细节,而对本领域技术人员来说没有这些细节的描述也可以完全理解本发明。
在下列段落中参照附图以举例方式更具体地描述本发明。需说明的是,附图均采用较为简化的形式且均使用非精准的比例,仅用以方便、明晰地辅助说明本发明实施例的目的。
请参考图1,是本发明梯次利用电池成组的方法的流程图,其步骤包括:
S1:对经过筛选合格的梯次电芯进行充放电测试,获得每个所述梯次电芯的充放电测试曲线;
S2:从所述充放电测试曲线上提取特征量,所述特征量用来表征所述梯次电芯的动态特征,所述动态特征包括以下部分或全部:放电欧姆内阻、充电欧姆内阻、极化特性、老化状态及放电容量;
S3:将每条所述充放电曲线上提取到的特征量,组成所对应的梯次电芯的样本数据集,并设置多个聚类中心,利用聚类算法计算每个所述样本数据集与各所述聚类中心之间的距离,根据所述距离将所有样本数据集分类成多个聚类组;
S4:将每个所述聚类组中包含的样本数据集所对应的梯次电芯,成组为一个梯次利用电池。
通过充放电测试曲线来提取表征梯次电芯各动态特征的特征量,相比常用的HPPC测试曲线或DST测试曲线更直观,提取到的特征量更多;并利用聚类算法来进行梯次电芯特征量的一致性计算分类,使梯次电芯根据分类结果成组为一个梯次利用电池,从而提高梯次利用电池的一致性;使用5个动态特征的参数来进行计算分类,计算数据更多,一致性计算精确度更高。
具体的,充放电循环测试的步骤包括:
S11:采用恒定电流值放空所述梯次电芯的剩余电量;
恒定电流值可以是0.5C,用0.5C恒定电流值先将梯次电芯原来的剩余电量全部放空,使所有梯次电芯都是在放空状态下进行后续的充电工作。
S12:采用相同的恒定电流值对放空后的每个所述梯次电芯充电至充电截止电压;
充电截止电压可以设置为2V,继续用0.5C恒定电流值对放空后的梯次电芯充电,直到电池的电压达到2V,然后停止充电,可以防止电池过充,保护电池。
S13:采用恒定电压值对达到所述充电截止电压后的梯次电芯进行充电,直至充电电流降至规定的截止电流时停止,并在预设的时间内静置所述梯次电芯;
恒定电压值可以为3.75V,规定的截止电流可以设置为0.05C;用3.75V电压对梯次电芯二次充电,保证梯次电芯能够充满,到达0.05C的截止电流时停止充电,可以防止电池过充,保护电池;预设的时间可以为30分钟,对梯次电芯静置30分钟,可以给予梯次电芯充足的时间进行调整,以达到稳定状态。
S14:采用相同的恒定电流值对静置后的所述梯次电芯放电至放电截止电压。
在电池充满后,采用0.5C恒定电流值对电池进行放电,放电截止电压可以设置为2V,到达该放电截止电压时则停止放电,以免电池过放。通过上述步骤进行充放电测试,获取充放电曲线,以便梯次电芯分类时提取特征量。
具体的,还包括步骤:
S15:采用相同的恒定电流值对每个所述梯次电芯充电至规定的回充电压,再以规定的回充电压值充电至电流降为规定的截止电流时停止。
在步骤S14放电停止后,采用0.5C恒定电流值再次对电池进行充电,规定的回充电压可以设置为3.2V,到达该回充电压后,再用3.2V电压值继续充电,直至电流降为0.05C时停止,至此,完成一次完整的充放电循环,以使梯次电芯成组时处于充满电的稳定状态。
具体的,所述特征量包括:
在步骤S12充电开始时电压曲线在1s内的上升量,用来表征所述充电欧姆内阻;
在步骤S14放电结束后电压曲线在1s内的上升量,用来表征所述放电欧姆内阻;
在步骤S14整个放电阶段的放电容量;
在步骤S14放电结束后电压曲线在1~100s内上升量,用来表征所述极化特性;
在步骤S12中的充入电量与在步骤S13中的充入电量的比值,用来表征所述老化状态。
在充放电曲线上,一次放电截止后,端电压出现回升,其中快速回升部分主要是由放电欧姆内阻导致的,因此,提取步骤S14放电至放电截止电压停止后,电压曲线在1s内的上升量(以下用F2代替),作为放电欧姆内阻的表征。相应的,提取步骤S12恒定电流值充电段开始时电压曲线在1s内的上升量(以下用F1代替),作为充电欧姆内阻的表征。随后电压缓慢回升部分主要反映的是电池的极化效应,因此提取步骤S14恒定电流值放电段结束后1~100s内电压的上升量(以下用F4代替),作为所述极化特性的表征。而根据特定电压区间下的充电曲线,可以建立充电容量与老化状态的之间的映射关系,电池老化越严重,在恒定电流值段的末端就越容易达到截止电压,故在恒定电流值段充入的电量就会减少,相应的,电池恒定电流值段充入电量与恒定电压值段充入电量的比例就会发生变化,因此提取步骤S22中恒定电流值充电阶段充入电量与步骤S23中恒定电压值充电阶段充入电量的比值(以下用F5代替),作为量化电池老化状态的特征值。最后,取步骤S24整个恒定电流值阶段的放电容量(以下用F3代替),作为放电容量的表征。上述F1-F5这5个特征量可对梯次电芯的充电欧姆内阻、放电欧姆内阻、放电容量、极化特性、老化状态进行全面表征,同时这5个特征量可以直接从同一条曲线上提取,操作过程简单,效率高。
具体的,如图2所示,步骤S3包括:
S31:选取K个样本数据集作为K个聚类中心;
S32:分别计算剩余样本数据集与所述K个聚类中心的距离,所述距离包括表征同一个动态特征的两个所述特征量之间的差距;
S33:分别计算所述剩余样本数据集与所述K个聚类中心的平均差距,或者设置所述K个聚类中心的特征量级别;
S34:将所述剩余样本数据集分类至所述平均差距最小的聚类中心,或者根据所述距离和所述特征量级别来分类所述剩余样本数据集,形成K个聚类组。
S35:对所述聚类组重复执行步骤S31~S34,直至最后形成的聚类组满足设定的条件。
聚类算法可以为K-means聚类算法,其步骤是随机选取K个样本数据集作为初始的聚类中心,然后计算剩余的样本数据集与各个聚类中心之间的距离,把每个样本数据集分配给距离它最近的聚类中心。以下举例说明分配方式:
从退役电池包拆解下来100个单体电芯,其中90个经过初选合格成为梯次电芯(BAT1、BAT2、BAT3……BAT89、BAT90),对这90个梯次电芯执行步骤S2和S3,提取到每个梯次电芯的特征量F1-F5,并组成每个梯次电芯各自的样本数据集,每个样本数据集包括F1-F5这五个特征量的数据。将这90个梯次电芯的样本数据集组成样本集数据库(如表<1>所示),然后选取BAT1、BAT2、BAT3、BAT4和BAT5这5个梯次电芯的样本数据集作为聚类中心,其余85个梯次电芯的样本数据集通过聚类算法进行一致性计算分类。
表<1>
F1 | F2 | F3 | F4 | F5 | |
BAT1 | 0.1845 | 0.5123 | 2.0182 | 0.0223 | 5.7852 |
BAT2 | 0.1965 | 0.6482 | 2.0564 | 0.0225 | 5.8624 |
BAT3 | 0.1842 | 0.5226 | 2.0148 | 0.0195 | 5.1289 |
BAT4 | 0.1888 | 0.6028 | 2.0469 | 0.0185 | 5.3467 |
BAT5 | 0.1906 | 0.6084 | 2.0156 | 0.0192 | 5.4956 |
BAT6 | 0.1914 | 0.5247 | 2.0954 | 0.0215 | 5.3267 |
… | … | … | … | … | … |
BAT89 | 0.1955 | 0.5843 | 2.0741 | 0.0196 | 5.2587 |
BAT90 | 0.1986 | 0.5764 | 2.0126 | 0.0219 | 5.9836 |
分配梯次电芯BAT6时,将BAT6和每个聚类中心表征同一个动态特征的两个所述特征量进行计算差距,即用BAT6的样本数据集中的F1-F5分别与每个聚类中心的F1-F5依次进行计算,计算出的距离如表<2>所示:
表<2>
一种分配方式是:从表<2>中的可以看出,BAT6的样本数据集与BAT4的样本数据集的平均差距最小,则将BAT6分配与BAT4成为一组。
另一种分配方式是:设置聚类中心的特征量级别,即设置BAT1的首要特征量为F1,BAT2的首要特征量为F2,BAT3的首要特征量为F3,BAT4的首要特征量为F4,BAT5的首要特征量为F5。从表<2>中,可以看出,BAT6与BAT5的F1数据差距,以及BAT6与BAT1的F4数据差距,都是0.0008,可以初步将BAT6分配至BAT5或BAT1成组,此时,再验证BAT6分别与BAT5和BAT1的首要特征量之间的差距,从表<2>中可见,BAT5的首要特征量F5与BAT6的F5与之间的差距为0.1698,而BAT1的首要特征量F1与BAT6的F1之间的差距为0.0069,距离更小,因此,最后将BAT6分配与BAT1成为一组。同时,还可以设置二级特征量,三级特征量等,当BAT6与另外两个电池的首要特征量差距也相同时,再参考二级特征量或三级特征量的距离来进行分配。
以此类推,直至85个电池的样本数据集全部计算并分配完后,就会形成5个聚类组,每个聚类中心以及分配给它们的对象就代表一个聚类组,每个聚类组可能平均包含18个梯次电芯的样本数据集,也可能是包含不同数量的梯次电芯的样本数据集,每个聚类组对应的梯次电芯就可以组成一个梯次利用电池。为满足应用场景的需求,还可以对聚类组设定需要满足的条件,比如某个应用场景需要12个梯次电芯组成的梯次利用电池,会在聚类算法中设定梯次利用电池的成组数目,则每个聚类组会根据设定的条件,对类中现有的样本数据集重新选取新的聚类中心,并进行重新计算分配,这个过程被不断重复,直到最后形成的新聚类组达到设定的数目条件。也可以将需要满足的条件设定为聚类组的迭代次数,同样对类中现有的样本数据集重新选取新的聚类中心,并进行重新计算分配,并被不断重复,以保证误差平方和局部最小,直到迭代次数达到设定的条件。
以上举例仅是聚类算法对样本数据集的计算分配其中两种方式,仅用于帮助阐述本发明的技术方案,并不限制本发明仅可以使用这两种分配方式,可见还可以使用聚类算法中的其他的计算规则和分配方式。
本申请实施例中,将K个合格梯次电芯动态特征的特征量F1~F5作为初始的聚类中心进行分配成组,该方案挑选出的电池组组内压差小,循环寿命更长,一致性准确性更高。
具体的,合格的梯次电芯的筛选步骤包括:拆解退役电池包,获取单体电芯,检测所述单体电芯是否符合预设的外观标准和预设的静态参数标准,若符合,视为合格的梯次电芯,若不符合,则视为报废电芯。
退役电池包里包含多个单体电芯,需要对退役电池包进行拆解以获取里面的单体电芯,可以是人工拆解,也可以是生产线自动拆解。本申请实施例中,预设的外观标准包括:
(1)梯次电芯不得有明显变形、破损、腐蚀、滑丝、裂纹及漏液;
(2)梯次电芯表面应平整、干燥、无污物;
(3)梯次电芯表面应有必需的产品标识,且标识清楚,标识的内容包含但不限于电池编码、生产厂家、使用厂商、出厂日期、标称容量、标称电压等表征动力蓄电池的信息;
(4)梯次电芯的厚度应不超过出厂厚度的105%;
(5)梯次电芯的质量应在出厂质量的±105%范围内。
具体的,所述静态参数标准包括:所述单体电芯的开路电压不小于2.5V,所述单体电芯的交流内阻不大于标准内阻值的2倍。
拆解出来的单体电芯,需同时符合外观标准和静态参数标准中所有内容,才视为初选合格的梯次电芯,有任意一项不符合的则直接报废。采用外观参数标准和静态参数标准筛选出合格的梯次电芯,将静态特征和动态特征相结合进行综合分类,可以更全面的分配梯次电芯。
请参考图3,是以国内标称容量80Ah的退役电池为对象,按照现有技术进行筛选分配后组成的梯次利用电池的充放电测试曲线图。即通过外观和厚度剔除不合格电芯后,根据开路电压、交流内阻和容量这三个参数进行归类,参数值比较接近的24个梯次电芯串联成一个新的梯次利用电池模组,然后对这个新组成的梯次利用电池模组进行充放电测试的曲线图。
请参考图4,是以国内标称容量80Ah的退役电池为对象,按照本发明所述的梯次利用电池分类成组的方法,进行筛选分类成组的梯次利用电池的充放电测试曲线图。即通过预设的外观标准和静态参数标准剔除不合格电芯后,根据F1-F5这5个特征量进行聚类分析,从而分选出24个梯次电芯串联成组一个新的梯次利用电池模组,然后对这个新组成的梯次利用电池模组进行充放电测试的曲线图。
从图3和图4表明,图4中各单体电芯的电压时间曲线表现出较好的一致性,而图3中各单体电芯的电压时间曲线一致性效果较差。可见,通过本发明所述的方法成组的梯次利用电池,组内压差更小,一致性更高,最终使得梯次利用电池使用寿命更长,稳定性更高。
本申请实施例还提供一种梯次利用电池的分类成组***,如图5所示,所述梯次利用电池的分类成组***1,包括外观检测模块11、静态参数检测模块12、充放电测试模块13和聚类模块14。外观检测模块11用于检测单体电芯是否符合预设的外观标准,静态参数检测模块12用于检测所述单体电芯的开路电压及交流内阻是否符合预设的静态参数标准,在退役电池包拆解后,获取到的单体电芯,使用该梯次利用电池的分类成组***1的外观检测模块11和静态参数检测模块12,根据预设的标准,对单体电芯的外观特性、开路电压、交流内阻进行检测,初选出合格的单体电芯作为梯次电芯备用,不合格的直接进行报废处理。
充放电测试模块13用于对合格的单体电芯进行充放电测试,提供充放电测试曲线,并从所述充放电测试曲线中提取用来表征单体电芯的动态特征的F1-F5这5个特征量,并将这5个特征量的数据实时上传到聚类模块14。
聚类模块14在接收到特征量数据后,将在每个合格的单体电芯充放电测试曲线上提取的特征量数据组成样本数据集,即每个梯次电芯对应有各自的样本数据集,聚类模块14还用于设置聚类中心,采用聚类算法对所有样本数据集进行一致性计算分析,最后按照设定的条件形成梯次电芯最优一致性分组结果输出,使梯次电芯根据输出的结果成组为梯次利用电池。
本申请实施例还提供一种梯次利用电池的生产线,如图6所示,梯次利用电池生产线包括退役电池拆解线2、上述的梯次利用电池分类成组***1以及梯次利用电池装配线3;
退役电池拆解线2用于拆解从电动车上退役下来的动力电池包,获取里面的多个单体电芯。梯次利用电池的分类成组***用于对拆解下来的单体电芯进行筛选分类成组;经过分类成组后的单体电芯,进入所述梯次利用电池装配线3组装成梯次利用电池,从而投入到其他的应用场景中。
虽然以上将实施例分开说明和阐述,但涉及部分共通之技术,在本领域普通技术人员看来,可以在实施例之间进行替换和整合,涉及其中一个实施例未明确记载的内容,则可参考有记载的另一个实施例。
以上所述的实施方式,并不构成对该技术方案保护范围的限定。任何在上述实施方式的精神和原则之内所作的修改、等同替换和改进等,均应包含在该技术方案的保护范围之内。
Claims (8)
1.一种梯次利用电池的分类成组方法,其步骤在于:
S1:对经过筛选合格的梯次电芯进行充放电测试,获得每个所述梯次电芯的充放电测试曲线;
S2:从所述充放电测试曲线上提取特征量,所述特征量用来表征所述梯次电芯的动态特征,所述动态特征包括以下全部:放电欧姆内阻、充电欧姆内阻、极化特性、老化状态及放电容量;5个动态特征的特征量通过同一条测试曲线进行提取;
S3:将每条所述充放电测试曲线上提取到的特征量,组成所对应的梯次电芯的样本数据集,并选取多个所述样本数据集设置为多个聚类中心,利用聚类算法计算每个所述样本数据集与各所述聚类中心之间的距离,根据所述距离将所有样本数据集分类成多个聚类组;
S4:将每个所述聚类组中包含的样本数据集所对应的梯次电芯,成组为一个梯次利用电池;
所述充放电测试的步骤包括:
S11:采用恒定电流值放空所述梯次电芯的剩余电量;
S12:采用相同的恒定电流值对放空后的所述梯次电芯充电至充电截止电压;
S13:采用恒定电压值对到达所述充电截止电压的梯次电芯进行充电,直至充电电流降至规定的截止电流时停止,并在预设的时间内静置所述梯次电芯;
S14:采用相同的恒定电流值对静置后的所述梯次电芯放电至放电截止电压;
所述特征量包括:
在步骤S12充电开始时电压曲线在1s内的上升量,用来表征所述充电欧姆内阻;
在步骤S14放电结束后电压曲线在1s内的上升量,用来表征所述放电欧姆内阻;
在步骤S14整个放电阶段的放电容量;
在步骤S14放电结束后电压曲线在1~100s内上升量,用来表征所述极化特性;
在步骤S12中的充入电量与在步骤S13中的充入电量的比值,用来表征所述老化状态。
2.根据权利要求1所述的梯次利用电池的分类成组方法,其特征在于,在步骤S14之后,还包括:
S15:采用相同的恒定电流值对所述梯次电芯充电至规定的回充电压,再以规定的回充电压值充电至电流降为所述截止电流时停止。
3.根据权利要求1所述的梯次利用电池的分类成组方法,其特征在于,所述步骤S3包括:
S31:选取K个样本数据集作为K个聚类中心;
S32:分别计算剩余样本数据集与所述K个聚类中心的距离,所述距离包括表征同一个动态特征的两个所述特征量之间的差距;
S33:分别计算所述剩余样本数据集与所述K个聚类中心的平均差距,或者设置所述K个聚类中心的特征量级别;
S34:将所述剩余样本数据集分类至所述平均差距最小的聚类中心,或者根据所述距离和所述特征量级别来分类所述剩余样本数据集,形成K个聚类组。
4.根据权利要求3所述的梯次利用电池的分类成组方法,其特征在于,所述步骤S3还包括:
S35:对所述聚类组重复执行步骤S31~S34,直至最后形成的聚类组满足设定的条件。
5.根据权利要求1所述的梯次利用电池的分类成组方法,其特征在于,所述合格的梯次电芯的筛选步骤包括:
拆解退役电池包,获取单体电芯,检测所述单体电芯是否符合预设的外观标准和预设的静态参数标准,若符合,则视为合格的梯次电芯,若不符合,则视为报废电芯。
6.根据权利要求5所述的梯次利用电池的分类成组方法,其特征在于,所述静态参数标准包括所述单体电芯的开路电压不小于2.5V,所述单体电芯的交流内阻不大于标准内阻值的2倍。
7.一种梯次利用电池的分类成组***,应用如权利要求1-6任一项所述的梯次利用电池的分类成组方法,其特征在于,包括:
外观检测模块,用于检测单体电芯是否符合预设的外观标准;
静态参数检测模块,用于检测所述单体电芯的开路电压及交流内阻是否符合预设的静态参数标准;
充放电测试模块,用于对符合所述外观标准和所述静态参数标准的单体电芯进行充放电测试,提供充放电测试曲线,并从所述充放电测试曲线中提取特征量,所述特征量用来表征所述单体电芯的动态特征;
聚类模块,包括聚类算法,用于将所述特征量组成样本数据集,并设置聚类中心,对所述样本数据集进行一致性计算分类。
8.一种梯次利用电池的生产线,其特征在于:
包括退役电池拆解线、如权利要求7所述的梯次利用电池的分类成组***以及梯次利用电池装配线;
所述退役电池拆解线用于拆解退役电池包,获取单体电芯;
所述梯次利用电池的分类成组***用于对所述单体电芯进行筛选及分类成组;
所述梯次利用电池装配线用于对分类成组的单体电芯进行装配,组装成所述梯次利用电池。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210384651.XA CN114798502B (zh) | 2022-04-13 | 2022-04-13 | 梯次利用电池的分类成组方法、***及生产线 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210384651.XA CN114798502B (zh) | 2022-04-13 | 2022-04-13 | 梯次利用电池的分类成组方法、***及生产线 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114798502A CN114798502A (zh) | 2022-07-29 |
CN114798502B true CN114798502B (zh) | 2024-02-09 |
Family
ID=82535067
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210384651.XA Active CN114798502B (zh) | 2022-04-13 | 2022-04-13 | 梯次利用电池的分类成组方法、***及生产线 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114798502B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117410609B (zh) * | 2023-12-15 | 2024-02-27 | 山西迪诺思新能源科技有限公司 | 一种新能源汽车废旧动力电池的梯次利用方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103785629A (zh) * | 2014-01-13 | 2014-05-14 | 国家电网公司 | 一种梯次利用锂电池筛选成组方法 |
CN105903692A (zh) * | 2016-05-19 | 2016-08-31 | 四川长虹电器股份有限公司 | 锂离子电池一致性筛选方法 |
CN109991557A (zh) * | 2018-11-30 | 2019-07-09 | 常州车之翼动力科技有限公司 | 动力锂电池循环寿命检测方法 |
CN110707382A (zh) * | 2019-10-18 | 2020-01-17 | 瑞浦能源有限公司 | 一种锂离子电池配组方法 |
CN113369176A (zh) * | 2021-06-13 | 2021-09-10 | 广州菲利斯太阳能科技有限公司 | 一种退役电池再利用的分选方法及*** |
CN113369287A (zh) * | 2021-06-13 | 2021-09-10 | 广州菲利斯太阳能科技有限公司 | 一种退役电池模组再利用的分选方法及*** |
CN113887601A (zh) * | 2021-09-26 | 2022-01-04 | 上海电器科学研究所(集团)有限公司 | 一种基于聚类分选的退役动力电池重组方法 |
CN114156552A (zh) * | 2021-11-28 | 2022-03-08 | 南京理工大学 | 一种考虑老化的串联电池组的均衡控制策略 |
-
2022
- 2022-04-13 CN CN202210384651.XA patent/CN114798502B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103785629A (zh) * | 2014-01-13 | 2014-05-14 | 国家电网公司 | 一种梯次利用锂电池筛选成组方法 |
CN105903692A (zh) * | 2016-05-19 | 2016-08-31 | 四川长虹电器股份有限公司 | 锂离子电池一致性筛选方法 |
CN109991557A (zh) * | 2018-11-30 | 2019-07-09 | 常州车之翼动力科技有限公司 | 动力锂电池循环寿命检测方法 |
CN110707382A (zh) * | 2019-10-18 | 2020-01-17 | 瑞浦能源有限公司 | 一种锂离子电池配组方法 |
CN113369176A (zh) * | 2021-06-13 | 2021-09-10 | 广州菲利斯太阳能科技有限公司 | 一种退役电池再利用的分选方法及*** |
CN113369287A (zh) * | 2021-06-13 | 2021-09-10 | 广州菲利斯太阳能科技有限公司 | 一种退役电池模组再利用的分选方法及*** |
CN113887601A (zh) * | 2021-09-26 | 2022-01-04 | 上海电器科学研究所(集团)有限公司 | 一种基于聚类分选的退役动力电池重组方法 |
CN114156552A (zh) * | 2021-11-28 | 2022-03-08 | 南京理工大学 | 一种考虑老化的串联电池组的均衡控制策略 |
Also Published As
Publication number | Publication date |
---|---|
CN114798502A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113369176B (zh) | 一种退役电池再利用的分选方法及*** | |
CN108490366B (zh) | 电动汽车退役电池模块健康状态的快速评估方法 | |
CN109425837B (zh) | 退役电池模组的快速筛选方法 | |
CN113887601B (zh) | 一种基于聚类分选的退役动力电池重组方法 | |
WO2024060600A1 (zh) | 废旧电池梯次使用的筛选方法 | |
CN112051512B (zh) | 一种梯次利用分选方法及储能*** | |
CN103579700A (zh) | 一种锂离子电池分选配组方法 | |
CN111420898B (zh) | 一种退役电池分选方法及其应用的*** | |
CN113369287B (zh) | 一种退役电池模组再利用的分选方法及*** | |
CN109860739B (zh) | 一种非等容电池组的组配方法、***、存储介质及装置 | |
CN108072848B (zh) | 预估蓄电池放电时长的分析方法 | |
CN109669143B (zh) | 一种电池组容量评测方法 | |
CN107377422A (zh) | 一种单体电池的分选方法 | |
CN112379285B (zh) | 一种电池包自放电筛选方法 | |
CN114798502B (zh) | 梯次利用电池的分类成组方法、***及生产线 | |
CN115248393A (zh) | 电池一致性分选方法、装置、设备及存储介质 | |
CN114720899A (zh) | 退役电池梯次利用分选方法及***、电子设备、存储介质 | |
CN115121507B (zh) | 一种低测试成本的退役动力电池分选方法 | |
CN114558800A (zh) | 一种动力电池梯次利用的筛选重组方法及*** | |
CN112397788A (zh) | 一种新型的电池分容配组方法 | |
CN116736159A (zh) | 一种退役动力电池梯次利用快速一致性筛分方法 | |
CN115889245A (zh) | 一种锂电池一致性分选方法 | |
CN113759254B (zh) | 电池重组方法、装置、设备及存储介质 | |
CN115248394A (zh) | 电池动态分选方法、装置、设备及存储介质 | |
CN115902635A (zh) | 基于电池ocv数据库的电池不均衡度评估方法 |
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 |