[发明专利]一种梯次利用电池快速筛选方法

说明书

本发明提供了一种梯次利用电池快速筛选方法，方法包括：基于BP神经网络构建电池健康状态预测模型；基于电池健康状态预测模型构建全局信息矩阵；将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；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；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；基于各子单元对应的聚类中心输出电池筛选结果。本发明通过构建电池健康状态预测模型，通过粒子群优化算法寻优，进而对K‑means聚类算法进行改进，既能够对退役动力电池梯次利用进行快速筛选，还避免陷入局部最优解的弊端，提高聚类算法的准确性。

技术领域

本发明涉及锂离子退役动力电池筛选技术领域，特别是涉及一种梯次利用电池快速筛选方法。

背景技术

退役动力电池是指锂离子动力电池的容量衰减至出厂额定容量的80％以下，达不到使用标准的动力电池。选择具备较好容量保持率、充放电效率等性能的退役动力电池，应用于后备电源、或参与辅助服务市场交易，可按照实际贡献获经济效益，避免资源浪费，同时也延长了电池使用寿命。

由于动力电池组不同单体电池在使用过程中自放电程度、环境温度等因素的不同，导致退役的动力电池的容量、内阻、电压存在差异性，各单体电池老化程度存在差异。目前退役电池筛选有采用深度充放电的方式计算电池实际容量，并在既定温度下静置电池获取自放电压值的方式，但是筛选周期过长；采用开路电压法提取电池健康因子对退役电池的筛选具有快速性，但是精度要求不高。

发明内容

基于此，本发明的目的是提供一种梯次利用电池快速筛选方法，以提高电池筛选精度和快速性。

为实现上述目的，本发明提供了一种梯次利用电池快速筛选方法，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。

可选的，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；

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”。

可选的，所述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；