一种电池容量分选方法、装置、电子设备及存储介质与流程

1.本发明涉及电池分选技术领域，尤其涉及一种电池容量分选方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.锂离子电池具有电压高、比能量大、充放电寿命长等优点，因此被广泛应用于电子产品、便携式小型电器、储能系统等多个领域的产品中，在锂离子电池的生产过程中，需要对锂离子电池的实际容量进行评估，从而分选出实际容量不合格的锂离子电池。
3.在传统的锂离子电池容量分选方法中，应用最广泛的是方法是通过对锂离子电池进行多次充放电得出放电容量，然后根据放电容量来确定锂离子电池的实际容量是否合格，其中充放电工艺一般是先对锂离子电池恒流恒压充电至接近充电终止电压的截止电压(如4.35v)，然后再恒流放电至接近放电终止电压的截止电压(如3.0v)。
4.然而上述方法容量分选时间长，仅一次充放电就需6h-12h小时，工作效率较低，而且需要投入大量的设备、人力资源，成本较高，分选结果也容易受到过程中很多不确定因素的影响，导致分选结果不准确。


技术实现要素：

5.有鉴于此，有必要提供一种电池容量分选方法、装置、电子设备及计算机可读存储介质，用以解决现有技术中无法对电池容量进行快速且准确的分选的问题。
6.为了解决上述问题，本发明提供一种电池容量分选方法，包括：
7.获取若干电池在不同soc状态下的bode图，根据所述bode图得到特征值，获取所述特征值对应电池的剩余容量；
8.构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
9.获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
10.进一步地，根据所述bode图得到特征值，包括：
11.利用所述bode图获取初始特征值，获取所述初始特征值对应电池的剩余容量；
12.根据所述初始特征值对应电池的剩余容量对所述初始特征值进行筛选，得到筛选后的特征值。
13.进一步地，根据所述初始特征值对应电池的剩余容量对所述初始特征值进行筛选，包括：
14.利用皮尔逊相关系数计算所述初始特征值与所述初始特征值对应电池的剩余容量的相关性值；
15.若所述相关性值的绝对值小于设定阈值，则剔除所述初始特征值。
16.进一步地，构建神经网络模型，包括：
17.构建rbf神经网络模型。
18.进一步地，所述rbf神经网络模型的激活函数为高斯核函数，所述高斯核函数为
19.其中，x-c为核函数中心，σ为核函数的宽度参数。
20.进一步地，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，包括：
21.以所述特征值作为输入值输入，以所述特征值对应电池的剩余容量作为输出值输出对所述神经网络模型进行训练。
22.进一步地，根据所述待分选电池的容量值进行电池分选，包括：
23.将所述待分选电池的容量值按照预设规则进行电池分选。
24.本发明还提供了一种电池容量分选装置，包括数据获取模块、网络训练模块及电池分选模块；
25.所述数据获取模块，用于获取若干电池在不同soc状态下的bode图，根据所述bode图得到特征值，获取所述特征值对应电池的剩余容量；
26.所述网络训练模块，用于构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
27.所述电池分选模块，用于获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
28.本发明还提供了一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的电池容量分选方法。
29.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，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的电池容量分选方法。
30.采用上述实施例的有益效果是：本发明提供的电池容量分选方法，通过若干电池在不同soc状态下的bode图得到特征值，获取特征值对应电池的剩余容量，构建神经网络模型，根据特征值和特征值对应电池的剩余容量训练神经网络模型，得到训练完备的神经网络模型，利用训练完备的神经网络模型预测待分选电池的容量值从而进行电池容量分选，使得电池容量分选快速且准确。
附图说明
31.图1为本发明提供的电池容量分选方法一实施例的流程示意图；
32.图2为本发明提供的电池容量分选装置一实施例的结构框图；
33.图3为本发明提供的电子设备一实施例的结构框图。
具体实施方式
34.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
35.本发明提供了一种电池容量分选方法、装置、电子设备及计算机可读存储介质，以
下分别进行详细说明。
36.本发明实施例提供了一种电池容量分选方法，其流程示意图，如图1所示，所述电池容量分选方法包括：
37.步骤s101、获取若干电池在不同soc状态下的bode图，根据所述bode图得到特征值，获取所述特征值对应电池的剩余容量；
38.步骤s102、构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
39.步骤s103、获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
40.需要说明的是，与现有技术相比，本发明通过若干电池在不同soc状态下的bode图得到特征值，获取特征值对应电池的剩余容量，构建神经网络模型，根据特征值和特征值对应电池的剩余容量训练神经网络模型，得到训练完备的神经网络模型，利用训练完备的神经网络模型预测待分选电池的容量值从而进行电池容量分选，使得电池容量分选快速且准确。
41.一个具体的实施例中，在0.3～1c下将电池调整至同一soc状态下，对于三元电池，调整至30～70％soc状态下，对于磷酸铁锂电池，调整至10～30％或者70～90％soc状态，利用阻抗谱测试仪在温度为(25
±
2)℃，频率为0.05～100khz的条件下测试不同soc状态下的电池，利用电化学阻抗谱分析软件绘制出bode图。
42.作为一个优选的实施例，根据所述bode图得到特征值，包括：
43.利用所述bode图获取初始特征值，获取所述初始特征值对应电池的剩余容量；
44.根据所述初始特征值对应电池的剩余容量对所述初始特征值进行筛选，得到筛选后的特征值。
45.一个具体的实施例中，初始特征值为不同频率下bode图中的相位角φ及阻抗模值|z|。
46.作为一个优选的实施例，根据所述初始特征值对应电池的剩余容量对所述初始特征值进行筛选，包括：
47.利用皮尔逊相关系数计算所述初始特征值与所述初始特征值对应电池的剩余容量的相关性值；
48.若所述相关性值的绝对值小于设定阈值，则剔除所述初始特征值。
49.一个具体的实施例中，皮尔逊相关系数计算公式为其中，r为相关性值，x为初始特征值，y为初始特征值对应电池的剩余容量值，设定阈值为95％。
50.作为一个优选的实施例，构建神经网络模型，包括：
51.构建rbf神经网络模型。
52.需要说明的是，构建的rbf神经网络模型具有结构算法简单、聚类分析能力强的优势，利用在多维空间中插值的传统技术,可以对几乎所有的系统进行辩识和建模,不仅在理
论上有着任意逼近性能和最佳逼近性能,而且在应用中具有很多优势。
53.作为一个优选的实施例，所述rbf神经网络模型的激活函数为高斯核函数，所述高斯核函数为
54.其中，x-c为核函数中心，σ为核函数的宽度参数。
55.作为一个优选的实施例，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，包括：
56.以所述特征值作为输入值输入，以所述特征值对应电池的剩余容量作为输出值输出对所述神经网络模型进行训练。
57.作为一个优选的实施例，根据所述待分选电池的容量值进行电池分选，包括：
58.将所述待分选电池的容量值按照预设规则进行电池分选。
59.一个具体的实施例中，所述待分选电池的容量值大于或者等于设定分选值时，则标记为优分类；
60.所述待分选电池的容量值小于设定分选值时，则标记为差分类；
61.设定分选值可以根据实际情况进行制定，这里为80％。
62.本发明实施例还提供了一种电池容量分选装置，其结构框图，如图2所示，所述电池容量分选装置包括数据获取模块201、网络训练模块202及电池分选模块203；
63.所述数据获取模块201，用于获取若干电池在不同soc状态下的bode图，根据所述bode图得到特征值，获取所述特征值对应电池的剩余容量；
64.所述网络训练模块202，用于构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
65.所述电池分选模块203，用于获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
66.如图3所示，上述电池容量分选方法，本发明还相应提供了一种电子设备，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器303、显示器302及存储器301。
67.存储器301在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器301在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器301还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器301用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器301还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器301上存储有电池容量分选程序304，该电池容量分选程序304可被处理器303所执行，从而实现本发明各实施例的电池容量分选方法。
68.处理器303在一些实施例中可以是一中央处理器(central processing unit,cpu)，微处理器或其他数据处理芯片，用于运行存储器301中存储的程序代码或处理数据，例如执行电池容量分选程序等。
69.显示器302在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以
及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器302用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件301-303通过系统总线相互通信。
70.在一实施例中，当处理器303执行存储器301中电池容量分选程序304时实现以下步骤：
71.获取若干电池在不同soc状态下的bode图，根据所述bode图得到特征值，获取所述特征值对应电池的剩余容量；
72.构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
73.获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
74.本实施例还提供了一种计算机可读存储介质，其上存储有电池容量分选程序，该电池容量分选程序被处理器执行时实现以下步骤：
75.获取若干电池在不同soc状态下的bode图，根据所述bode图得到特征值，获取所述特征值对应电池的剩余容量；
76.构建神经网络模型，根据所述特征值和所述特征值对应电池的剩余容量对所述神经网络模型进行训练，得到训练完备的神经网络模型；
77.获取待分选电池的实时特征值，根据所述实时特征值和所述训练完备的神经网络模型得到所述待分选电池的容量值，根据所述待分选电池的容量值进行电池分选。
78.本发明提供的一种电池容量分选方法、装置、电子设备及计算机可读存储介质，通过若干电池在不同soc状态下的bode图得到特征值，获取特征值对应电池的剩余容量，构建神经网络模型，根据特征值和特征值对应电池的剩余容量训练神经网络模型，得到训练完备的神经网络模型，利用训练完备的神经网络模型预测待分选电池的容量值从而进行电池容量分选，使得电池容量分选快速且准确。
79.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
80.以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。