一种基于聚类分选的退役动力电池重组方法与流程

1.本发明涉及一种退役电池梯次利用的筛选方法，属于动力电池检测技术领域。


背景技术：

2.随着电动汽车的持续快速发展，动力电池的梯次利用与电网已经形成了深度互动。根据相关预测，动力电池退役量将从当前的36万吨激增至百万吨级。增长态势迅猛，退役电池的梯次利用关键技术成为亟待解决的热点问题。在能源与交通全面低碳化的发展背景下，面对高比例的可再生能源以及波动性较强的电力负荷带来的挑战，退役动力电池梯次利用关键技术的研究和发展契合绿色能源可持续发展的要求。
3.退役动力电池具有体量大、种类多、特异性强，测试方法单一、耗时长等特点，而基于常规电池发展而来的电池表征、能量管理、场景匹配技术等不能直接应用于退役电池储能的实际工况中。鉴于木桶效应，单体电池的性能基本决定了整包电池的性能，因此在电池梯次利用之前，需对电池包进行拆解，筛选出性能较好且具有一致性的单体电池进行重组。因此，构建面向退役动力电池的筛选可靠且高效的评价体系，精准快速的工程化筛选及评价方法为退役动力电池的实际应用提供技术支撑，减小安全风险是当下该领域亟待解决的问题。
4.聚类分选技术是退役动力电池梯次利用的有效途径。传统分选方法在实际应用中存在精度低、效率低等问题，造成此现象的主要原因在于在分选过程中针对退役动力电池梯次利用选取的综合评价指标代表性不够，过程复杂、周期长，导致其分选得出的结果与实际情况存在一定误差。
5.申请号为202011490339.6的中国发明专利申请公开了一种退役电池梯次利用筛选的方法。该发明专利申请涉及退役电池梯次利用筛选的防范，选取了电池荷电状态、剩余寿命和剩余容量、电芯温度、充电倍率、放电倍率、工作电压和工作电流八个电池工作特征参量，计算每个参量与推理动力电池健康程度的互信息值，基于不同互信息值选取参量进行电池的聚类操作。该发明专利申请中涉及到的电池参量较多，计算及数据量较大，从较多的已有研究成果表明，影响退役电池再利用的，较为重要的特征参量较为集中，该方法的测量和计算工作量较大，导致流程时间的加长。
6.申请号为202011479510.3的中国发明专利申请公开了一种退役动力电池的聚类分选方法。该发明专利申请涉及一种借鉴遗传演化过程中的编码、选择、交叉以及变异思想，将全局最优化过程与聚类问题结合。通过n进制编码实现多类聚合的外在描述，通过选择、交叉和变异的迭代过程实现聚类目的。该方法中没有明确说明特征量的选取和标准，另外，该发明专利申请中所提及的流程及算法复杂、计算量大、实用性和应用效率欠缺。
7.申请号为202010943517.x的中国发明专利申请公开了一种梯次利用分选方法及储能系统。该发明专利申请公开的梯次利用分选方法及储能系统，选择对退役电池中状况良好的电池单体进行hppc测试，通过电池管理系统采集到的电压、电流和温度计算各个soc区间内的内阻，基于此参数对退役电池进行分选。并且方法中以模组为单位，进行直接再利
用。该发明专利申请中针对电池模组，基于内阻进行分组分选的方式，考虑因素及算法过于单一，难保数据的准确性和代表性，从而难以保证重组再利用电池包的一致性。


技术实现要素：

8.本发明的目的是提供一种退役电池梯次利用的筛选方法。
9.为了达到上述目的，本发明的技术方案是提供了一种基于聚类分选的退役动力电池重组方法，其特征在于，包括以下步骤：
10.步骤1：将退役电池根据其结构特征进行拆解，拆解为电池单体。
11.步骤2：判断电池单体的外观是否符合预先制定的外观要求，若符合，则进入步骤3，对电池单体的性能进行进一步检测；若不符合，则将当前电池单体直接视为报废电池，待后续处理；
12.步骤3：对电池单体的性能进行进一步检测，判断电池单体的基本性能是否满足梯次利用的使用要求，将满足梯次利用的使用要求的电池单体作为待分选电池，将不满足梯次利用的使用要求的电池单体视为报废电池；
13.检测时，基于电池单体的剩余容量、端电压、内阻判断当前电池单体是否满足梯次利用的使用要求；
14.步骤4、获得待分选电池的充放电曲线，针对待分选电池的充放电曲线与标准电池单体的充放电曲线之间的动态时间弯曲距离进行计算和数据的归一化处理，获得待分选电池的动态特征参数；
15.设获得的充放电曲线的动态时间弯曲距离的不同时间长度的时间序列分别为x＝{x1，x2，...，x
k
，...，x
n
}和y＝{y1，y2，...，y
l
，...，y
m
}，其中，x
k
为时间序列x所对应的待分选电池充放电过程中第k个时刻的电压值，y
l
为时间序列y所对应的标准电池单体充放电过程中第l个时刻的电压值；则时间序列x和时间序列y之间的动态时间弯曲距离表示为时间弯曲距离矩阵d(x，y)，时间弯曲距离矩阵d(x，y)中各行各列的元素由下式(1)表示：
[0016][0017]
式中，f(0，0)表示时间弯曲距离矩阵d(x，y)中第0行第0列的元素；f(i，0)表示时间弯曲距离矩阵d(x，y)中第i行第0列的元素；f(0，j)表示时间弯曲距离矩阵d(x，y)中第0行第j列的元素；f(1,1)表示时间弯曲距离矩阵d(x，y)中第1行第1列的元素，a
11
表示x1与y1之间的距离，由动态距离的单调性可知，有效弯曲路径的起点a
11
与终点a
nm
分别为位于矩阵d(x，y)的左上角和右下角；f(i，j)表示时间弯曲距离矩阵d(x，y)中第i行第j列的元素，i＝2，...，n，j＝2，...，m，a
ij
表示x
i
与y
j
两点之间的距离，从x
i
到y
j
在满足距离矩阵边界性、单调性及连续性的前提下，可能具有多条有效路径，但此处为唯一最优路径是使得区间累计距离达到最小值；
[0018]
通过动态规划，在所获得的时间弯曲距离矩阵d(x，y)中基于预先给定的约束条件寻找累计距离最小的路径，该路径所对应的累计距离即为时间序列x与时间序列y之间的相似程度；所获得的累计距离越小，则表明时间序列x与时间序列y之间越相似；所获得的累计
距离则为待分选电池的动态特征参数；
[0019]
获得所有待分选电池的动态特征参数，若动态特征参数小于预先设定的距离阈值，则当前待分选电池作为待重组电池单体被保留下来，若动态特征参数不小于预先设定的距离阈值，则将当前待分选电池视为报废电池，待后续处理；
[0020]
步骤五：采用k
‑
means聚类方法对所有待重组电池单体进行分类，同时考虑应用到各类梯次利用场景的影响因子的权重，被分为一类的所有待重组电池单体适合重组在一个电池包内重新利用，包括以下步骤：
[0021]
步骤501：获得所有m个待重组电池单体的样本数据，第h个待重组电池单体的样本数据定义为p
h
，则p
h
为由步骤第h个待重组电池单体的内阻p
c，h
、剩余容量p
r，h
及动态特征参数p
d，h
组成的三维向量，则有p
h
＝[p
c，h p
r，h p
d，h
]；所有m个待重组电池单体的样本数据组成样本数据集a＝{p1，p2，...，p
h
，...，p
m
}；
[0022]
步骤502：对样本数据集a中的每个样本数据进行数据标准化处理，得到标准化样本数据集a
′
＝{p1′
，p2′
，...，p
h
′
，...，p
m
′
}，其中，p
h
′
为对样本数据p
h
进行数据标准化处理后得到的标准化样本数据；
[0023]
步骤503：根据k
‑
means聚类算法对标准化样本数据集a
′
进行聚类处理，具体包括以下步骤：
[0024]
步骤5031：设定聚类簇的个数k、最大迭代次数n、迭代终止阈值σ；
[0025]
步骤5032：初始化k个聚类中心，从标准化样本数据集a
′
中随机选择k个标准化样本数据作为初始聚类中心，将这k个标准化样本数据定义为γ1，γ2，...，γ
k
，则有聚类中心集b＝{γ1，γ2，...，γ
k
}，其中，y
k
＝[γ
c，k γ
r，k γ
d，k
]，γ
c，k
表示第k个聚类中心的内阻、γ
r，k
表示第k个聚类中心的剩余容量、γ
d，k
表示第k个聚类中心的动态特征参数；
[0026]
步骤5033：根据欧氏距离计算每个样本所属类别，输出的分类集合为c＝{c1，c2，...，c
k
}，并引入梯次利用场景权重因子，计算标准化样本数据集a
′
中每一个标准化样本数据与聚类中心集b中各个聚类中心之间的欧氏距离，其中，标准化样本数据集a
′
中第h个标准化样本数据p
h
′
与聚类中心集b中第l个聚类中心γ
l
之间的欧氏距离定义为d
hl
，则有：
[0027][0028]
式中，δ
c
、δ
r
、δ
d
分别为内阻、剩余容量及动态特征参数对应的梯次利用场景权重因子，且δ
c
δ
r
δ
d
＝1，调整梯次利用场景权重因子δ
c
、δ
r
、δ
d
的大小，针对不用要求的梯次利用电池应用场景获得对应的分类结果，其中：
[0029]
当δ
c
值较大时，此时聚类的电池内阻一致性较高，剩余容量一致性较小，从而重新聚类后的待重组电池单体适用于功率要求较高的功率型应用场景；当δ
r
值较大时，属于同一分类的所有待重组电池单体的剩余容量一致性较高，从而重新聚类后的待重组电池单体更加适用于能量型的应用场景；当δ
d
值较大时，表示退役电池的充放电动态特性的一致性较高，从而说明聚类电池退化程度的一致性，有利于对充放电频率及剩余寿命较高的梯次应用场景。δ
d
与δ
c
、δ
r
之间存在一定的关联性，针对现在的动力电池主要应用场景，一般不会设置为最重要的参考因素，可适用于支撑更加具体的梯次利用应用场景选择。
[0030]
步骤5034：按照就近原则，根据欧式距离结果得到每个标准化样本数据所属的类，更新分类结果；
[0031]
步骤5035：更新聚类中心集b中的各个聚类中心，则聚类中心集b中的第l个聚类中心γ
l
采用下式更新：
[0032][0033]
式中，c
l
表示分类集合c中的第l项，p表示样本参量。
[0034]
步骤5036：重复以上步骤5033至步骤5035，直至满足终止条件时，终止迭代，其中，当满足以下三个条件中的任意一个条件，则终止迭代：
[0035]
条件一)当前一次迭代的聚类中心与上一次迭代的聚类中心相比没有任何变化；
[0036]
条件二)达到迭代终止阈值σ，迭代终止阈值σ为适用于各个实际应用中设置的误差最小值；
[0037]
条件三)迭代次数达到最大迭代次数n；
[0038]
步骤六：针对不同应用场景，将完成分类筛选的所有待重组电池单体进行重组并投入使用，其中，重组得到的同一个电池包内的所有待重组电池单体属于同一个分类。
[0039]
优选地，步骤2中，通过对电池单体的外观检测判断电池单体外观是否存在鼓包、漏液、变形，若存在，则当前电池单体不符合外观要求，将其作为报废电池剔除。
[0040]
优选地，步骤3中，预先设定剩余容量阈值、端电压阈值以及内阻阈值；若当前电池单体的剩余容量及端电压分别大于剩余容量阈值及端电压阈值，且当前电池单体的内阻小于内阻阈值，则判断当前电池单体符合梯次利用条件，将当前电池单体作为待分选电池，进入步骤4；否则，判断当前电池单体不符合梯次利用条件，将当前电池单体直接视为报废电池，待后续处理。
[0041]
优选地，步骤4中，将待分选电池进行预处理后，再获得待分选电池的动态特征参数，以确保待分选电池静置后的初始电压一致。
[0042]
优选地，步骤502中，基于下式对样本数据p
h
进行数据标准化处理，得到标准化样本数据p
h
′
：
[0043][0044]
式中，p
max
为样本数据集a中模最大的三维向量，p
min
为样本数据集a中模最小的三维向量。
[0045]
本发明提供了一种针对退役动力电池筛选的k
‑
means聚类方法，能够在若干数据中，通过原型距离的方式，得到数据之间的相似度，进而保证聚类精度。通过本方法选取的数据评价指标更具有代表性，能够基于该方法的误差平方和准则函数实现具有相同属性数据之间的聚类。通过本发明提供的聚类分选方法，能够提高退役动力电池梯次利用分选中的聚类精度在保证筛选精度的前提下，提升整体分选效率、改善重组后电池包的一致性，以期为实现退役动力电池快速精准筛选技术开展提供借鉴参考，为退役动力电池聚类算法及评价方法提供思路。
附图说明
[0046]
图1是本发明提供的退役动力电池梯次利用筛选重组流程图；
[0047]
图2是本发明中针对退役动力考虑权重因子的k
‑
means聚类分选流程图。
具体实施方式
[0048]
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本技术所附权利要求书所限定的范围。
[0049]
本发明提供的一种基于聚类分选的退役动力电池重组方法包括以下步骤：
[0050]
步骤一：将退役电池根据其结构特征进行拆解，拆解为电池单体。
[0051]
步骤二：判断电池单体的外观是否符合预先制定的外观要求，若符合，则进入步骤三，对电池单体的性能进行进一步检测；若不符合，则将当前电池单体直接视为报废电池，待后续处理。
[0052]
本步骤中，通过对电池单体的外观检测判断电池单体外观是否存在鼓包、漏液、变形等现象。若存在前述现象，则当前电池单体不符合外观要求，将其作为不合格电池剔除。
[0053]
步骤三：对电池单体的性能进行进一步检测，判断电池单体的基本性能是否满足梯次利用的使用要求。检测时，获得电池单体的剩余容量、端电压、内阻等特征参数，根据前述特征参数的参数结果判断当前电池单体是否符合梯次利用条件。本实施例中，预先设定剩余容量阈值、端电压阈值以及内阻阈值。若当前电池单体的剩余容量及端电压分别大于剩余容量阈值及端电压阈值，且当前电池单体的内阻小于内阻阈值，则判断当前电池单体符合梯次利用条件，将当前电池单体作为待分选电池，进入步骤四；否则，判断当前电池单体不符合梯次利用条件，将当前电池单体直接视为报废电池，待后续处理。
[0054]
步骤四：获得待分选电池的充放电曲线，针对待分选电池的充放电曲线与标准电池单体的充放电曲线之间的动态时间弯曲距离进行计算和数据的归一化处理，获得待分选电池的动态特征参数。
[0055]
动态时间弯曲距离用来衡量时间长度不同的时间序列间的相似程度。所获得的充放电曲线的动态时间弯曲距离的不同时间长度的时间序列分别为x＝{x1，x2，...，x
k
，...，x
n
}和y＝{y1，y2，...，y
l
，...，y
m
}，其中，x
k
为时间序列x所对应的待分选电池充放电过程中第k个时刻的电压值，y
l
为时间序列y所对应的标准电池单体充放电过程中第l个时刻的电压值。则时间序列x和时间序列y之间的动态时间弯曲距离表示为时间弯曲距离矩阵d(x，y)，时间弯曲距离矩阵d(x，y)中各行各列的元素由下式(1)表示：
[0056][0057]
式(1)中，f(0，0)表示时间弯曲距离矩阵d(x，y)中第0行第0列的元素；f(i，0)表示时间弯曲距离矩阵d(x，y)中第i行第0列的元素；f(0，j)表示时间弯曲距离矩阵d(x，y)中第0行第j列的元素；f(1,1)表示时间弯曲距离矩阵d(x，y)中第1行第1列的元素，a
11
表示x1与y1之间的距离，由动态距离的单调性可知，有效弯曲路径的起点a
11
与终点a
nm
分别为位于矩阵d(x，y)的左上角和右下角；f(i，j)表示时间弯曲距离矩阵d(x，y)中第i行第j列的元素，i＝2，...，n，j＝2，...，m，a
ij
表示x
i
与y
j
两点之间的距离，从x
i
到y
j
在满足距离矩阵边界性、单调性及连续性的前提下，可能具有多条有效路径，但此处为唯一最优路径是得两条区间
累计距离达到最小值。
[0058]
通过动态规划，在所获得的时间弯曲距离矩阵d(x，y)中基于预先给定的约束条件寻找累计距离最小的路径，该路径所对应的累计距离即为时间序列x与时间序列y之间的相似程度。所获得的累计距离越小，则表明时间序列x与时间序列y之间越相似。所获得的累计距离则为待分选电池的动态特征参数。
[0059]
采用上述方法获得所有待分选电池的动态特征参数，若动态特征参数小于预先设定的距离阈值，则当前待分选电池作为待重组电池单体被保留下来，若动态特征参数不小于预先设定的距离阈值，则将当前待分选电池视为报废电池，待后续处理。
[0060]
本步骤中，通过充放电动态时间弯曲距离的计算，可得到每块退役电池单体的充放电曲线与标准电池单体的充放电曲线之间的距离，该距离可以作为表征退役电池单体的动态参数，与步骤三中电池容量、内阻等静态参数联合，作为判断退役动力电池状态以及梯次利用筛选重要依据。
[0061]
考虑到退役电池单体在测量时的初始状态不同，在采用本方法时，需要将待分选电池进行预处理，以确保待分选电池静置后的初始电压一致。
[0062]
步骤五：采用k
‑
means聚类方法对所有待重组电池单体进行分类，同时考虑应用到各类梯次利用场景的影响因子的权重，被分为一类的所有待重组电池单体适合重组在一个电池包内重新利用。
[0063]
步骤五考虑退役电池梯次利用实际应用领域对电池特征参数影响的权重的差异，通过k
‑
means聚类算法，将电池进行分选，保证电池重组的一致性。该步骤中，可以根据实际应用场景需求调整各分选影响因子的权重。
[0064]
步骤五可以细分为第一阶段以及第二阶段：
[0065]
第一阶段：数据标准化。
[0066]
获得所有m个待重组电池单体的样本数据，第h个待重组电池单体的样本数据定义为p
h
，则p
h
为由步骤第h个待重组电池单体的内阻p
c，h
、剩余容量p
r，h
及动态特征参数p
d，h
组成的三维向量，则有p
h
＝[p
c，h p
r，h p
d，h
]。所有m个待重组电池单体的样本数据组成样本数据集a＝{p1，p2，...，p
h
，...，p
m
}。
[0067]
对样本数据集a中的每个样本数据进行数据标准化处理，其中，基于下式(2)对样本数据p
h
进行数据标准化处理，得到标准化样本数据p
h
′
：
[0068][0069]
式(2)中，p
max
为样本数据集a中模最大的三维向量，p
min
为样本数据集a中模最小的三维向量。
[0070]
完成样本数据集a中所有样本数据的数据标准化处理后得到标准化样本数据集a
′
＝{p1′
，p2′
，
…
，p
h
′
，
…
，p
m
′
}
[0071]
第二阶段：根据k
‑
means聚类算法对标准化样本数据集a
′
进行聚类处理，具体包括以下步骤：
[0072]
步骤5.1：设定聚类簇的个数k、最大迭代次数n、迭代终止阈值σ；
[0073]
步骤5.2：初始化k个聚类中心，从标准化样本数据集a
′
中随机选择k个标准化样本数据作为初始聚类中心，将这k个标准化样本数据定义为γ1，γ2，...，γ
k
，则有聚类中心集
b＝{γ1，γ2，...，γ
k
}，其中，γ
k
＝[γ
c，k γ
r，k γ
d，k
]，γ
c，k
表示第k个聚类中心的内阻、γ
r，k
表示第k个聚类中心的剩余容量、γ
d，k
表示第k个聚类中心的动态特征参数；
[0074]
步骤5.3：根据欧氏距离计算每个样本所属类别，并定义输出的分类集合为c＝{c1，c2，...，c
k
}。
[0075]
引入梯次利用场景权重因子δ，计算标准化样本数据集a
′
中每一个标准化样本数据与聚类中心集b中各个聚类中心之间的欧氏距离。
[0076]
其中，标准化样本数据集a
′
中第h个标准化样本数据p
h
′
与聚类中心集b中第l个聚类中心γ
l
之间的欧氏距离定义为d
hl
，则有下式(3)
[0077][0078]
式(3)中，δ
c
、δ
r
、δ
d
分别为内阻、剩余容量及动态特征参数对应的梯次利用场景权重因子，且δ
c
δ
r
δ
d
＝1。
[0079]
按照就近原则，根据欧式距离结果得到每个标准化样本数据所属的类，更新分类结果。
[0080]
调整梯次利用场景权重因子δ
c
、δ
r
、δ
d
的大小，可针对不用要求的梯次利用电池应用场景获得对应的分类结果。当δ
c
值较大时，此时聚类的电池内阻一致性较高，剩余容量一致性较小，因此属于同一分类的所有待重组电池单体的电池功率密度一致性高，从而重新聚类后的待重组电池单体适用于功率要求较高的功率型应用场景；当δ
r
值较大时，属于同一分类的所有待重组电池单体的剩余容量一致性较高，从而重新聚类后的待重组电池单体更加适用于能量型的应用场景。例如，当梯次利用电池应用到低速电动车领域时，电池内阻对一致性影响较小，因此针对此应用场景的聚类分选过程中，内阻对应的梯次利用场景权重因子δ
c
设置较小值；当δ
d
值较大时，表示退役电池的充放电动态特性的一致性较高，从而说明聚类电池退化程度的一致性，有利于对充放电频率及剩余寿命较高的梯次应用场景。δ
d
与δ
c
、δ
r
之间存在一定的关联性，针对现在的动力电池主要应用场景，一般不会设置为最重要的参考因素，可适用于支撑更加具体的梯次利用应用场景选择。
[0081]
步骤5.4：更新聚类中心集b中的各个聚类中心，则聚类中心集b中的第l个聚类中心γ
l
采用下式(4)更新：
[0082][0083]
式(4)中，c
l
表示样本输出分类集合中的第l项，p表示样本参量。
[0084]
步骤5.5：重复以上步骤5.3，直至满足终止条件时，终止迭代。
[0085]
本步骤中，当满足以下三个条件中的任意一个条件，则终止迭代：
[0086]
条件一)当前一次迭代的聚类中心与上一次迭代的聚类中心相比没有任何变化；
[0087]
条件二)达到迭代终止阈值σ，即适用于各个实际应用中设置的误差最小值；
[0088]
条件三)迭代次数达到最大迭代次数n；
[0089]
步骤六：针对不同应用场景，将完成分类筛选的所有待重组电池单体进行重组并投入使用，其中，重组得到的同一个电池包内的所有待重组电池单体属于同一个分类。
[0090]
基于以上步骤一至步骤六所述的过程，最终完成退役动力电池的筛选和重组。