CN116078697A - 一种考虑长期一致性的电动汽车退役电池的筛选重组方法 - Google Patents

Abstract

本发明涉及一种考虑长期一致性的电动汽车退役电池的筛选重组方法。其包括：S1、对退役电池进行外观检查，并剔除外观不合格的退役电池；S2、将剔除后剩余的退役电池放电至放电截止电压；S3、将每个放电后的退役电池充电至充电截止电压，并计算出每个退役电池的IC曲线；S4、根据IC曲线提取出每个退役电池的特征参数；S5、根据每个退役电池的特征参数，利用聚类算法对退役电池进行分组；S6、剔除每组中异常的退役电池。本发明考虑长期一致性的电动汽车退役电池的筛选重组方法无需溯源，降低了成本，且提高了该方法的适用范围。同时，该方法筛选效果良好，筛选出的电池兼具短期一致性和长期一致性。

Description

一种考虑长期一致性的电动汽车退役电池的筛选重组方法

技术领域

本发明涉及退役电池筛选技术领域，尤其是指一种考虑长期一致性的电动汽车退役电池的筛选重组方法。

背景技术

近年来电动汽车快速发展，这也带来了电动汽车电池的退役问题。当电池的容量衰减至初始值的80％时即面临退役(国标规定)。退役下的电池仍然具备很大使用潜力，可用于储能电站、低速电动车、家用储能等场景。对退役电池再利用一般称为“梯次利用”。由于电动汽车上的电池在使用过程中，不一致性逐渐累积。为了在“梯次利用”中的良好性能表现，需要挑选出一致性良好的电池。

目前的筛选方法根据筛选依据可分为两种：“溯源方法”和“不溯源方法”。“溯源方法”通过追踪退役电池的历史使用数据或者同类未退役电池的数据，从而形成对电池当前状态的判断，据此进行筛选；“非溯源方法”不需要追踪溯源，是通过实验测试来识别退役电池状态，并最终完成筛选。

现有的溯源类方法有：

公开号为CN 115236525 A《一种梯次电池筛选方法、装置及介质》的专利文献，该方法对梯次电池进行溯源，获取梯次电池之前应用的车型，对梯次电池执行一次充电和一次放电，根据同车型充电过程数据进行大数据异常检测分析，获得电池的充电安全评价信息，根据同车型的放电过程数据进行大数据异常检测分析，获得电池的放电安全评价信息，综合充电安全评价信息和放电安全评价信息进行综合评估，确定是否符合梯次储能的应用。

公开号为CN 115301559 A《用于退役电池回收利用的高效筛选分拣方法及***》的专利文献，同样属于溯源类。在筛选前需要设定不同的退役电池分拣类型的特征检测参考信息数据库，通过与参考数据库对比进行筛选。

现有的非溯源类方法有：

公开号为CN114669508A《一种退役电池梯次利用单体筛选方法》的专利文献，其通过对电池的电压、SOH(State of Health电池健康状态，常用的计算公式为当前容量除以初始容量)、内阻进行单核SVM(单核SVM是一种机器学习算法)分类，再进行决策融合得出最后的电池重组方案。

公开号为CN114833097A《一种退役动力电池梯次利用的分选方法及装置》的专利文献，其首先筛除外观不良、漏液的电池，然后利用电压表将在使用过程中过度放电的电池筛除；将退役电池恒流充电至截止电压，然后分析退役电池在恒压充电阶段的电流变化；对退役电池开始放电测试，将放电过程分为九个阶段，每完成一个阶段，对退役电池的内阻以及动态过程进行筛选分析。

综上所述，在现有的溯源类的方法中，溯源需要考虑到时间成本以及可执行性，这会增加梯次利用筛选的成本。该方法只适用于可以实现电池全生命周期运营的厂家。对于那些难以溯源的电池，则无法应用。

在现有的非溯源类的方法中，选取的特征无法体现电池老化状态。公开号为CN114669508A的专利文献选取的电压、SOH、内阻，公开号为CN114833097A的专利文献选取的电压、电流、内阻。电压、电流、内阻、容量这些参数无法充分体现电池的老化状态和老化模式，因此筛选出的电池只具有短期一致性，而不具有长期一致性。

发明内容

为此，本发明所要解决的技术问题在于提供一种无需溯源、可筛选出短期一致性和长期一致性良好的电池的考虑长期一致性的电动汽车退役电池的筛选重组方法。

为解决上述技术问题，本发明提供了一种考虑长期一致性的电动汽车退役电池的筛选重组方法，其包括以下步骤：

S1、对退役电池进行外观检查，并剔除外观不合格的退役电池；

S2、将剔除后剩余的退役电池放电至放电截止电压；

S3、将每个放电后的退役电池充电至充电截止电压，并计算出每个退役电池的IC曲线；

S4、根据IC曲线提取出每个退役电池的特征参数；

S5、根据每个退役电池的特征参数，利用聚类算法对退役电池进行分组；

S6、剔除每组中异常的退役电池。

在本发明的一个实施例中，所述特征参数包括：低压侧IC峰的值、高压侧IC峰的值和高压侧IC峰的电压。

在本发明的一个实施例中，在步骤S5中，将特征参数低压侧IC峰的值、高压侧IC峰的值和高压侧IC峰的电压表示在三维坐标系中，利用K-means++聚类算法对退役电池进行分组。

在本发明的一个实施例中，步骤S2具体包括：采用多个退役电池并联的方式将每个退役电池放电至放电截止电压。

在本发明的一个实施例中，在步骤S3中，采用多个退役电池串联的方式将每个放电后的退役电池充电至充电截止电压。

在本发明的一个实施例中，步骤S3包括：

S31、将每个放电后的退役电池充电至充电截止电压，得到每个退役电池充电过程的容量和电压数据；

S32、根据容量和电压数据绘制出每个退役电池Q-V曲线；

S33、根据公式：IC＝ΔQ/ΔV，由Q-V曲线计算出每个退役电池的IC曲线。

在本发明的一个实施例中，步骤S6具体包括：

利用T检验剔除每组中异常的退役电池。

本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述任一项所述方法的步骤。

本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述任一项所述方法的步骤。

本发明还提供了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行上述任一项所述的方法。

本发明还提供了一种考虑长期一致性的电动汽车退役电池的筛选重组***，其包括：

外观检查模块，用于对退役电池进行外观检查，并剔除外观不合格的退役电池；

放电模块，用于将剔除后剩余的退役电池放电至放电截止电压；

充电模块，用于将每个放电后的退役电池充电至充电截止电压，并计算出每个退役电池的IC曲线；

特征参数提取模块，用于根据IC曲线提取出每个退役电池的特征参数；

聚类模块，用于根据每个退役电池的特征参数，利用聚类算法对退役电池进行分组；

剔除模块，用于剔除每组中异常的退役电池。

本发明的上述技术方案相比现有技术具有以下优点：

本发明考虑长期一致性的电动汽车退役电池的筛选重组方法无需溯源，降低了成本，且提高了该方法的适用范围。同时，该方法筛选效果良好，筛选出的电池兼具短期一致性和长期一致性。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其他目的、特征和优点能够更明显易懂，以下特举较佳实施例，并配合附图，详细说明如下。

附图说明

为了使本发明的内容更容易被清楚的理解，下面根据本发明的具体实施例并结合附图，对本发明作进一步详细的说明，其中

图1是本发明一实施例中考虑长期一致性的电动汽车退役电池的筛选重组方法的流程图；

图2是本发明一实施例中不同老化程度的退役电池的IC曲线；

图3是本发明一实施例中退役电池的Q-V曲线和IC曲线；

图4是本发明一实施例中计算得到的所有退役电池特征参数表示在三维坐标系中的示意图；

图5是本发明一实施例中利用K-means++聚类算法对退役电池进行分组的示意图；

图6是本发明一实施例中利用T检验剔除每组中异常的退役电池的示意图；

图7是本发明一实施例中分组后电池的容量衰减。

具体实施方式

下面结合附图和具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。

实施例一

参照图1所示，本实施例公开了一种考虑长期一致性的电动汽车退役电池的筛选重组方法，其包括以下步骤：

S1、对退役电池进行外观检查，并剔除外观不合格的退役电池。通过该步骤对退役电池进行粗筛选，剔除掉发生物理变形、外观损坏的电池。

S2、将剔除后剩余的退役电池放电至放电截止电压。

可选地，步骤S2具体包括：采用多个退役电池并联的方式将每个退役电池放电至放电截止电压。由于退役电池之间的一致性差，因此，优选并联的方式进行放电，均衡性好。该步骤是为了后续对电池进行充电，以得到IC曲线。

S3、将每个放电后的退役电池充电至充电截止电压，并计算出每个退役电池的IC曲线；参照图2。

可选地，采用1C倍率充放电，与传统方法采用的0.2C相比耗时降低了80％，节省了大量时间。

可选地，在步骤S3中，采用多个退役电池串联的方式将每个放电后的退役电池充电至充电截止电压。

具体地，步骤S3包括：

S31、将每个放电后的退役电池充电至充电截止电压，得到每个退役电池充电过程的容量和电压数据；

S32、根据容量和电压数据绘制出每个退役电池Q-V曲线；

S33、根据公式：IC＝ΔQ/ΔV，由Q-V曲线计算出每个退役电池的IC曲线。参照图3。

S4、根据IC曲线提取出每个退役电池的特征参数；其中，典型的IC曲线具有多个“峰”，峰的数量与电池老化程度、电池正极材料有关。选取“峰”的坐标(电压和容量增量值)，作为电池的IC特征参数；

每个退役电池可表示为一个向量x＝(a,b,c,…)，向量长度取决于选取特征的数量。在其中一实施例中，所述特征参数包括：低压侧IC峰的值、高压侧IC峰的值和高压侧IC峰的电压，分别对应向量x中的a,b,c。具体地，退役电池一表示为x1＝(a1,b1,c1)，退役电池二表示为x2＝(a2,b2,c2)，以此类推。

S5、根据每个退役电池的特征参数，利用聚类算法对退役电池进行分组；

具体地，参照图4，在步骤S5中，将特征参数低压侧IC峰的值、高压侧IC峰的值和高压侧IC峰的电压表示在三维坐标系中，利用K-means++聚类算法对退役电池进行分组。

K-means++实质上是依据点与点之间的欧式距离完成分类，是一种聚类算法。

K-means++算法是对点的聚类，本发明将电池的特征数据看作高维空间的点，点与点之间的距离为欧氏距离。

使用K-means++算法前须确定分组个数。分组越多，那么每一组拥有的点越少、点与点之间的距离更近，也就是聚类效果越好；分组越少，每一组拥有的点越多，点与点之间的距离更大，聚类效果越差。因此分组的数量是综合考虑每一组的大小和聚类效果决定的。在其中一实施例中，选择分为5组。分组结果参照图5。

具体地，利用K-means++聚类算法对退役电池进行分组的步骤如下：

S51、随机选取一点作为第一个簇中心，计算其他点到簇中心的最小距离d(xi)；

S52、计算每个点被选为下一个簇中心的概率P(x_i)＝d(x_i)/∑d(x_i)；

S53、根据概率P，用轮盘赌法确定规定数目；

S54、重复步骤S51-S53，直到聚类中心达到规定数目；

S55、将各点分配到距离最近的中心点所在簇中；

S56、计算每个簇内所有点的均值作为新的簇中心；

S57、重复步骤S55-S56，直至各簇中心点不再变化。

S6、剔除每组中异常的退役电池。

步骤S6具体包括：利用T检验(T-test)剔除每组中异常的退役电池。参照图6，为利用T检验剔除每组中异常的退役电池的示意图。

T-test是根据T分布判断点与平均值是否存在显著性差异，是一种将异常值从数据整体中剔除的方法。如前所述，K-means++聚类依据欧式距离，也就是综合了所有的数据维度，而T-test可以针对每一个数据维度。在K-means++聚类完成后使用T-test可有效提高聚类效果。

具体地，上述T检验的步骤如下：

S61、计算各数据点到均值点的距离，离均值最优的点视为可疑点xi；

S62、计算除可疑点外其他数据的均值M和方差D；

S63、根据数据点的个数和双侧百分位，查表得到双侧百分位点值a；

S64、判断可疑点是否为需要剔除的点，若xi-M>a*D，则剔除点xi，否则保留；

S65、重复步骤S61-S64，直到无剔除的可疑点为止。

表1

参照表1，为一实施例中分组后电池的压差矩阵。参照图7，一实施例中分组后电池的容量衰减。

可以看出，本发明分组后的电池短期一致性良好：根据电压定义的体现一致性的参数Ad——与随机重组的相比，另一个研究的结果是提高了3倍，本方法实现了提高5倍；长期一致性良好：根据容量衰减速度来体现长期一致性。已重组的电池容量差在500次循环内，始终在0.8％以内，一致性是随机重组的3倍。这体现了本方法筛选出的电池，兼具短期一致性和长期一致性。

实施例二

本实施例公开了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中所述方法的步骤。

实施例三

本实施例公开了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现实施例一中所述方法的步骤。

实施例四

本实施例公开了一种处理器，所述处理器用于运行程序，其中，所述程序运行时执行实施例一中所述的方法。

实施例五

本实施例公开了一种考虑长期一致性的电动汽车退役电池的筛选重组***，其包括：

外观检查模块，用于对退役电池进行外观检查，并剔除外观不合格的退役电池；

放电模块，用于将剔除后剩余的退役电池放电至放电截止电压；

充电模块，用于将每个放电后的退役电池充电至充电截止电压，并计算出每个退役电池的IC曲线；

特征参数提取模块，用于根据IC曲线提取出每个退役电池的特征参数；

聚类模块，用于根据每个退役电池的特征参数，利用聚类算法对退役电池进行分组；

剔除模块，用于剔除每组中异常的退役电池。

本发明实施例中的考虑长期一致性的电动汽车退役电池的筛选重组***用于实现前述的考虑长期一致性的电动汽车退役电池的筛选重组方法，因此该***的具体实施方式可见前文中的考虑长期一致性的电动汽车退役电池的筛选重组方法的实施例部分，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再展开介绍。

另外，由于本实施例的考虑长期一致性的电动汽车退役电池的筛选重组***用于实现前述的考虑长期一致性的电动汽车退役电池的筛选重组方法，因此其作用与上述方法的作用相对应，这里不再赘述。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

显然，上述实施例仅仅是为清楚地说明所作的举例，并非对实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式变化或变动。这里无需也无法对所有的实施方式予以穷举。而由此所引申出的显而易见的变化或变动仍处于本发明创造的保护范围之中。

Claims (10)

1.一种考虑长期一致性的电动汽车退役电池的筛选重组方法，其特征在于，包括以下步骤：

S1、对退役电池进行外观检查，并剔除外观不合格的退役电池；

S2、将剔除后剩余的退役电池放电至放电截止电压；

S3、将每个放电后的退役电池充电至充电截止电压，并计算出每个退役电池的IC曲线；

S4、根据IC曲线提取出每个退役电池的特征参数；

S5、根据每个退役电池的特征参数，利用聚类算法对退役电池进行分组；

S6、剔除每组中异常的退役电池。

2.根据权利要求1所述的考虑长期一致性的电动汽车退役电池的筛选重组方法，其特征在于，所述特征参数包括：低压侧IC峰的值、高压侧IC峰的值和高压侧IC峰的电压。

3.根据权利要求2所述的考虑长期一致性的电动汽车退役电池的筛选重组方法，其特征在于，在步骤S5中，将特征参数低压侧IC峰的值、高压侧IC峰的值和高压侧IC峰的电压表示在三维坐标系中，利用K-means++聚类算法对退役电池进行分组。

4.根据权利要求1所述的考虑长期一致性的电动汽车退役电池的筛选重组方法，其特征在于，步骤S2具体包括：采用多个退役电池并联的方式将每个退役电池放电至放电截止电压。

5.根据权利要求1所述的考虑长期一致性的电动汽车退役电池的筛选重组方法，其特征在于，在步骤S3中，采用多个退役电池串联的方式将每个放电后的退役电池充电至充电截止电压。

6.根据权利要求1所述的考虑长期一致性的电动汽车退役电池的筛选重组方法，其特征在于，步骤S3包括：

S31、将每个放电后的退役电池充电至充电截止电压，得到每个退役电池充电过程的容量和电压数据；

S32、根据容量和电压数据绘制出每个退役电池Q-V曲线；

S33、根据公式：IC＝ΔQ/ΔV，由Q-V曲线计算出每个退役电池的IC曲线。

7.根据权利要求1所述的考虑长期一致性的电动汽车退役电池的筛选重组方法，其特征在于，步骤S6具体包括：

利用T检验剔除每组中异常的退役电池。

8.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现权利要求1到7任一项所述方法的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1到7任一项所述方法的步骤。

10.一种考虑长期一致性的电动汽车退役电池的筛选重组***，其特征在于，包括：

外观检查模块，用于对退役电池进行外观检查，并剔除外观不合格的退役电池；

放电模块，用于将剔除后剩余的退役电池放电至放电截止电压；

充电模块，用于将每个放电后的退役电池充电至充电截止电压，并计算出每个退役电池的IC曲线；

特征参数提取模块，用于根据IC曲线提取出每个退役电池的特征参数；

聚类模块，用于根据每个退役电池的特征参数，利用聚类算法对退役电池进行分组；

剔除模块，用于剔除每组中异常的退役电池。

Images