[发明专利]一种退役动力电池梯次利用快速筛选方法、装置及设备

说明书

本发明提供了一种退役动力电池梯次利用快速筛选方法、装置及设备，获取电池测试数据，并将所述测试数据作为电池的特征参数构建向量矩阵，其中，所述测试数据包括但不限于电池开路电压、容量、内阻；对所述向量矩阵进行预处理，并调用层次熵权法计算所述特征参数的组合权重；利用遗传模拟退火—K均值(GASA‑Kmeans,GSK)算法对电池进行筛选重组，根据预处理后的所述向量矩阵和所述组合权重对电池个体进行聚类，并生成电池个体的聚类结果，解决传统K‑means算法对初始聚类中心敏感的问题，降低了筛选的成本及操作难度，提高了重组退役动力电池组的参数一致性表现。

技术领域

本发明涉及退役动力电池梯次利用技术领域，特别涉及一种退役动力电池梯次利用快速筛选方法、装置及设备。

背景技术

梯次利用是一种符合经济效益和环境保护原则的退役电池处理方式，作为梯次利用的关键环节，退役电池筛选重组方法的研究成为热点。当动力电池组剩余容量低于额定容量的80％后，需对动力电池组进行回收，若不经过筛选，随意重组退役动力电池，会导致退役动力电池参数一致性低下，影响退役动力电池组的运行性能表现，造成电池组的剩余寿命快速衰减，退役电池筛选能够提高重组后电池组的参数一致性，有效延长电池组的使用寿命，保证资源的合理利用。

早期退役电池筛选重组方法主要基于电池内阻或容量进行直接筛选，存在效率低和电池成组一致性不高的问题，现有的筛选方法多采用大多参数的算法筛选。专利CN115121507 A提出一种低测试成本的退役动力电池分选方法，在前期进行电压分区间测试及数据采集的基础上，采用K-means算法实现对退役动力电池的分选重组，可以在一定程度上提高电池重组后的一致性表现，但是其使用的传统K-means算法存在对初始聚类中心敏感的问题。专利CN 114429050 A提出一种退役动力电池梯次利用的分选方法，利用LOF(Local Outlier Factor)算法对多个电池老化参数进行评估，该方法虽然能通过设置不同的LOF实现对退役动力电池的多级筛选，但并未考虑不同应用场景下电池特征的偏重性。

简单来说，现有退役动力电池分选方法采用的传统算法存在多种问题，如传统K-means算法及FCM(Fuzzy C-Means)算法存在对初始聚类中心敏感的问题，传统基于密度的聚类算法在种群密度区分不明显时聚类效果较差，神经网络及多分类支持向量机的前期训练成本较高，并且现有分选方法大多未考虑退役电池重组后应用场景对电池特征的针对性需求

有鉴于此，提出本申请。

发明内容

本发明公开了一种退役动力电池梯次利用快速筛选方法、装置、设备及介质，旨在提高重组退役动力电池组的参数一致性表现，延长电池组使用寿命。

本发明第一实施例提供了一种退役动力电池梯次利用快速筛选方法，包括：

获取电池测试数据，并将所述测试数据作为电池的特征参数构建向量矩阵，其中，所述测试数据包括但不限于电池开路电压、容量、内阻；

对所述向量矩阵进行预处理，并调用层次熵权法计算所述特征参数的组合权重；

根据预处理后的所述向量矩阵和所述组合权重，采用GSK算法对电池个体进行聚类，并生成电池个体的聚类结果。

优选地，所述对所述向量矩阵进行预处理具体为：

采用PCA降维法对所述向量矩阵进行降维、以及对所述向量矩阵进行归一处理，以生成维矩阵降至三维矩阵，其中，矩阵维度为特征参数的数目，归一化范围为0-1。

优选地，所述调用层次熵权法计算所述特征参数的组合权重，具体为：

获取电池的应用场景和层次结构，并根据所述应用场景和层次结构生成比较矩阵；

对所述比较矩阵进行校验，并在一致性指标低于预设值时生成各指标的特征权重；