[发明专利]一种基于双编码遗传聚类的动力电池定制化配组方法

说明书

本发明公开了一种基于双编码遗传聚类的动力电池定制化配组方法，属于动力电池制造技术领域。所述方法针对动力电池配组制定目标函数之前，创新性引入德尔菲专家打分法的提出一种基于定制需求的目标函数建立方式，而且同时编码类中心与类属性的改进型遗传聚类算法避免了因现有动力电池配组算法陷入局部最优的缺陷导致无法得出一致性最优配组结果的问题，且用理论证明了改进基因编码方式的遗传聚类算法的全局收敛性，即本方法最终可以求出动力电池配组的最优结果，与普通遗传算法在配组速度与配组结果都所改进。

技术领域

本发明涉及一种基于双编码遗传聚类的动力电池定制化配组方法，属于动力电池制造技术领域。

背景技术

随着低碳共识的全球性普及，新能源产业近年迎来飞速的发展，尤其在锂电行业，电动汽车和电力储能的大力发展，动力电池以其高能量密度的优良特性，受到了广泛注视与使用。但单体动力电池受到其容量、电压、功率等性能和参数的限制影响，往往无法在生活与生产中单独使用，而需要以一定的串并联方式进行成组操作，在生产过程中称之为电池的配组工艺。

在动力电池的配组工艺中，为防止成组电池出现“短板效应”，配组最终要的是保证电池之间性能一致性，常见的配组方式主要为多参数配组法，即在纳入容量、电压、内阻单参数配组指标基础上，额外引入压差、自放电率、电压平台等多个外部参数对动力电池配组综合性能评定。目前工业上配组常采用电池指标评级配组方式，针对电池指标如容量、电压、内阻等评级，依据不同等级组合配组。然而这种的配组方式过于宽泛，导致电池组的一致性较差。因此在配组工艺引入优化算法，依据各单体电池的指标数据差结合组别属性构建目标函数，并采用不同优化算法针对目标函数优化得出配组结果。然而普通目标函数的构建对于各个指标的比重缺乏科学性，在此基础上引入电池配组定制化思想，根据不同电池组的实际运用情况，采用德尔菲专家打分法评定各个参数指标，从而完成定制化配组。

现有文献针对动力电池配组工艺提出的优化算法，通常是采用Kmeans聚类算法或其改进型进行配组，单纯的均值聚类虽然简便但是容易嵌入局部最优解，导致最终配组成功的电池组性能不够良好，特别是在所需配组的电池量较大的情况下成型电池组较最优性能会更差。

针对单纯聚类算法的缺陷，有学者引入遗传算法改进聚类思想的智能算法，在聚类思想基础上，引入遗传算法编码电池个体类别，采用交叉、变异、淘汰等遗传方式依据目标函数更新电池配组结果，然而在聚类分析问题中，初期的类中心好坏对于算法的收敛速度有着举足轻重的地位，单独编码的遗传聚类算法随机初始化类中心，且对于类中心的迭代改进完全依托Kmeans聚类思维，算法优化速度高度依赖最初类中心的优劣程度，但在电池配组的工作中，难以在最初就界定一批高度优异的初始中心点，因此单独的编码电池类别的遗传改进聚类无法获得最佳配比结果；另外在算法的迭代后期，单独编码电池类别算法完全依赖聚类思想判定聚类中心，聚类中心后期难变动，容易因为聚类中心的缺乏多样性无法跳出局部最优解，导致其优化速度慢。同时，传统遗传聚类算法依托经典遗传算法的轮盘赌淘汰方式，致使遗传优质染色体得不到保留，导致初期收敛性缓慢。

发明内容

为了提高电池组最终配组性能，本发明提供了一种基于双编码遗传聚类的动力电池定制化配组方法，所述方法结合遗传算法染色体同时编码类中心与类别，进行优化；引入精英保留替代传统遗传思路的轮盘赌更新种群；且引入局部Kmeans聚类思想，在算法的前期弱化遗传算法的自然随机性，在局部聚类不改变最终迭代的收敛性前提下，提高了全局收敛性；从而提高了电池组最终配组性能，而且相对于单独编码电池类别的遗传改进聚类优化速度慢的情况，本申请方法在配组速度也有显著提升。

一种基于双编码遗传聚类的动力电池定制化配组方法，所述方法包括：

步骤1，根据需求确定各配组指标的权重；配组指标包括电压指标、容量指标和电阻指标；

步骤2，根据步骤1确定的配组指标的权重，制定配组目标函数；