【技术实现步骤摘要】
一种动力电池一致性快速分选方法
[0001]本专利技术属于电动汽车和储能
,具体涉及一种动力电池一致性快速分选方法。
技术介绍
[0002]2020年,我国动力电池累计退役总量达到了约20万吨,到2025年,这一数字将升至约78万吨。在这样的背景下,电动汽车的退役电池可以通过储能等二次利用提供可观的经济效益。然而,大规模动力电池单体的筛选和重组面临着效率低、准确性低的问题。
[0003]现有的动力电池一致性检测与分选的方法主要有四种:(1)通过检测报废电池的外观(如鼓包和滴漏)、重量、尺寸和密封性,以确定电池是否能被再次利用。(2)使用恒流充放电的测试方法逐一检测得到动力电池的容量、内阻等信息,然而,此类方法耗时长,不适合大规模的电池分选。(3)基于电池测试曲线进行分选,如利用EIS、容量增量(IC)曲线、脉冲曲线等作为电池分选的依据,但是电池的测试曲线中有大量的数据冗余,会降低数据的分选速度。(4)机器学习方法,包括支持向量机和人工神经网络(ANN)等,可以对复杂系统的多变量问题建模,并提取变量之间的隐式非线性关系,但是神经网络需要大量的训练数据,因此不适合于样本较少的电池分选。在电池分选中,分类数目是一个难点,分类数目过大则导致分选速度过慢,分类数目选择过小则导致分选的电池单体一致性较差。
[0004]现有的电池分选方法测试速度慢,不适用于大规模电池的分选,本方法基于电池EIS测试数据,通过提取EIS曲线中与电池性能相关的特征量作为电池的分选依据,有助于加快分选速度;在聚类分选时,利用数据点 ...
【技术保护点】
【技术特征摘要】
1.一种动力电池一致性快速分选方法,其特征在于,包括如下步骤:S1.对于待测电池样本,利用交流阻抗法进行测试,获取待测电池样本电池的电化学阻抗谱数据集,得到电池电化学阻抗谱曲线;S2.对待测电池样本的电化学阻抗谱数据集进行数据降维,以降维后的数据代表待测电池;S3.基于降维后的数据对电池进行预分选,根据自适应聚类算法,利用数据密集程度为指标获取聚类数目和聚类中心,且随着迭代进行,密集程度进行自适应更新;S4.对电池进行进一步分选,通过计算数据点与聚类中心的距离,来对聚类中心进行调整。2.根据权利要求1所述的一种动力电池一致性快速分选方法,其特征在于,所述S1中,得到电池电化学阻抗谱曲线的具体过程为:步骤(1).对电池施加频率不同的激励电流信号,激励电流值取电池额定容量值的1/20,并且同步采样电池的电压信号U(t)和电流信号I(t);步骤(2).通过傅里叶分解,提取得到不同频率下电池的电压信号U(t)和电流信号I(t)的幅值;式中,ω为频率f对应的角频率,为电压、电流对应的相位;n代表属于第n个注入的频率,t代表时间间隔;步骤(3).根据电池的电压信号U(t)和电流信号I(t),计算得到激励信号下的电池阻抗的幅值Z(n)与相位的幅值Z(n)与相位步骤(4).改变激励信号频率,重复步骤(2)和步骤(3),通过电池在不同频率下的阻抗拟合出电池的电化学阻抗谱曲线。3.根据权利要求2所述的一种动力电池一致性快速分选方法,其特征在于,所述S2中,所述的数据降维是在特征值分解基础上对特征值进行分选和加权处理以减少特征量个数,具体过程为:电池的样本数目为m,每节电池测试了n个频率,对应的电化学阻抗谱曲线对应含有n个点,因此电池原始数据表示为:X
n,m
=(x1,
…
,x
m
)(16)式中,X代表全体电池原始数据的集合,x
m
代表第m个电池的测试数据形成的列向量;构建X
n,m
的协方差阵B:对协方差矩阵B进行特征分解,求出协方差矩阵的特征值λ
i
,和对应的特征向量v
i
;将特征向量v
i
按对应特征值大小从左到右按列降序排列成矩阵,取前q列组成矩阵T
q,m
;
特征值的贡献度R
i
采用的定义是:式中λ
i
为矩阵T
q,m
的特征值;为了确定选取的特征量,防止产生高维数据影响后续分选,按照下列方式进行处理:当特征值的贡献度超过1%时,将当前的特征值选为后续分选的特征量;对于贡献度在0.5%到1%之间的特征值,假设其数目有e个,计算加权后的特征值θ为:将低贡献度的特征值缩减为1个;对于贡献度低于0.5%的特征值,舍弃对应的特征量,认为属于噪声;经过上述处理,所选特征量个数为p,则认为能够覆盖原数据集的大部分信息;数据集X
p,m
被用于后续电池的分选。4.根据权利要求3所述的一种动力电池一致性快速分选方法,其特征在于,所述S3的预分...
【专利技术属性】
技术研发人员:周晨光,苏建徽,赖纪东,苏志鹏,施永,解宝,王祥,董磊,瞿晓丽,王建国,
申请(专利权)人:合肥综合性国家科学中心能源研究院安徽省能源实验室,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。