[发明专利]一种梯次利用电池快速筛选方法

权利要求书

1.一种梯次利用电池快速筛选方法，其特征在于，所述方法包括：

步骤S1：基于BP神经网络构建电池健康状态预测模型；

步骤S2：基于所述电池健康状态预测模型构建全局信息矩阵；

步骤S3：将所述全局信息矩阵进行区域划分，获得多个子区和各子区对应的分区信息矩阵；

步骤S4：采用粒子群优化算法进行寻优，确定各子区对应的最优位置；

步骤S5：将各子区对应的最优位置作为各子区对应的初始聚类中心，采用K-means聚类方法对全局信息矩阵进行聚类，获得各子单元对应的聚类中心；

步骤S6：基于各子单元对应的聚类中心输出电池筛选结果。

2.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，所述基于BP神经网络构建电池健康状态预测模型，具体包括：

步骤S11：建立原始样本特征集和原始电池健康状态数据集；

步骤S12：对所述原始样本特征集和所述原始电池健康状态数据集进行归一化处理，获得第一样本特征集、第一电池健康状态数据集、第二样本特征集和第二电池健康状态数据集；

步骤S13：基于所述第一样本特征集和所述第一电池健康状态数据集对BP神经网络进行训练，获得电池健康状态预测模型；

步骤S14：将所述第二样本特征集加入所述电池健康状态预测模型，获得第三电池健康状态数据集；

步骤S15：基于所述第二电池健康状态数据集和所述第三电池健康状态数据集确定偏差估计函数值，具体公式为：

其中，R²为偏差估计函数值，n表示数据库中电池总数，s表示第一样本特征集的总数，t_c,s+i表示第二电池健康状态数据集对应的第i个元素，表示第二样本特征集测试所得第三电池健康状态数据集的第i个元素；

步骤S16：判断所述偏差估计函数值是否大于设定阈值；如果所述偏差估计函数值大于设定阈值，则输出所述电池健康状态预测模型；如果所述偏差估计函数值小于或等于设定阈值，则返回“步骤S13”。

3.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，事实基于所述电池健康状态预测模型构建全局信息矩阵，具体包括：

步骤S21：基于所述电池健康状态预测模型确定第四电池健康状态数据集；

步骤S22：构建电池倍率数据集；

步骤S23：对所述电池倍率数据集进行归一化处理，获得归一电池倍率数据集；

步骤S24：基于所述第四电池健康状态数据集和所述归一电池倍率数据集构建全局信息矩阵。

4.根据权利要求1所述的梯次利用电池快速筛选方法，其特征在于，所述采用粒子群优化算法进行寻优，确定各子区对应的最优位置，具体包括：

步骤S41：从各所述各子区对应的分区信息矩阵中选取多行，形成初始矩阵；

步骤S42：确定所述初始矩阵中各电池对应的适应度函数值，获得第一适应度函数值；

步骤S43：将最大的所述第一适应度函数值对应的电池位置作为个体最优位置；将最大的第一适应度函数值作为个体最佳适应度；

步骤S44：建立所述初始矩阵对应的种群初始速度矩阵；

步骤S45：通过粒子群算法速度更新公式对所述初始矩阵进行更新，获得新的初始矩阵；

步骤S46：确定所述新的初始矩阵中各电池对应的适应度函数值，获得第二适应度函数值；

步骤S47：判断最大的第二适应度函数值是否大于个体最佳适应度；如果所述最大的第二适应度函数值大于所述个体最佳适应度，则令所述个体最佳适应度等于所述最大的第二适应度函数值，个体最优位置等于所述最大的第二适应度函数值对应的位置，并执行步骤S48；如果所述最大的第二适应度函数值小于或等于所述个体最佳适应度，并执行步骤S48；

步骤S48：判断当前迭代次数是否大于最大迭代次数；如果当前迭代次数大于最大迭代次数，则输出各子区对应的最优位置；如果当前迭代次数小于或等于最大迭代次数，则令当前迭代次数加一，所述第一适应度函数值等于所述第二适应度函数值，并返回步骤S44。