一种退役电池筛选分类方法与流程

1.本发明属于电池梯次利用技术领域，尤其涉及一种退役电池筛选分类方法。

背景技术：

2.动力电池，区别于用于汽车发动机启动的启动电池(多采用阀口密封式铅酸蓄电池、敞口式管式铅酸蓄电池以及磷酸铁锂蓄电池)，是为工具提供动力来源的电源，多指为电动汽车、电动列车、电动自行车、高尔夫球车提供动力的蓄电池。
3.在电动汽车使用过程中，由于行驶工况、车主驾驶习惯、充电和养护方式、温度等因素，退役动力电池的性能会出现较大的差异，表现出容量、内阻、电压等方面的不一致性问题，因此，在动力电池梯次利用之前，必须首先要进行有效的检测和分选。在检测中，性能合格且一致性好的锂电池可以重组应用于梯次利用邻域，保证安全和长期可靠地运行。因此，如何进行高效且准确的动力电池梯次利用分选是亟待解决的问题。
4.退役电池数量庞大，电池特征参数繁多，电池综合性能难以评价。现有的动力电池梯次利用分选方法都需要长时间的充放电测试来获取电池参数，既需要花费大量时间和配备大量检测设备，检测效率低，且检测结果精准性也较低。

技术实现要素：

5.为解决上述问题，本发明提供一种退役电池筛选分类方法，包括：
6.采集目标电池的综合特征数据集；其中，所述综合特征数据集包括相同放电容量下的充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值；
7.根据所述综合特征数据集，对所述目标电池进行k-平均值聚类分析，输出特征标签；
8.根据所述特征标签对所述目标电池分类。
9.优选地，所述根据所述综合特征数据集，对所述目标电池进行k-平均值聚类分析计算，输出特征标签，包括：
10.以每个所述目标电池的所述充放电循环次数下降值、所述外壳形变值、所述静态电压测量值和所述静态电流测量值为样本，整理后作为聚类变量；
11.初始化k个第一聚类中心，分配各个样本到距离最近的聚类中；
12.计算每个聚类所有数据点的平均值，构成第二聚类中心；
13.判断所述第二聚类中心是否与所述第一聚类中心相比无变化，或者产生变化小于预设阈值；
14.若是，则输出所述特征标签；
15.若否，则返回所述初始化k个第一聚类中心，分配各个样本到距离最近的聚类中。
16.优选地，所述初始化k个第一聚类中心，分配各个样本到距离最近的聚类中，包括：
17.选择k个初始中心作为所述聚类中心；
18.基于欧几里得距离，利用误差平方和作为聚类的目标函数，筛选出两次运行k均值
产生的两个不同的簇集中所述误差平方和最小值，以便于根据最小值分配所述样本到距离最近的聚类中。
19.优选地，所述初始化k个第一聚类中心，分配各个样本到距离最近的聚类中的公式为：
[0020][0021]
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心；其中所述质心的计算公式为：
[0022]
优选地，所述计算每个聚类所有数据点的平均值，构成第二聚类中心，包括：
[0023]
在进行n次迭代时，计算每个所述样本到k个中心的距离，将所述样本归到距离最近的中心所在的类中，并归一化处理；
[0024]
计算每两个所述样本之间的平方欧氏距离；
[0025]
基于所述平方欧氏距离，计算每个聚类所有数据点的平均值，使所述平均值构成所述第二聚类中心。
[0026]
优选地，所述在进行n次迭代时，计算每个所述样本到k个中心的距离，将所述样本归到距离最近的中心所在的类中，计算公式为：
[0027]
dki＝wm-wk-wi；
[0028]
其中，dki为所述样本到k个中心的距离；其中，dki为所述样本到k个中心的距离；式中xi、xk和xm分别是类g1、类gk和类gm的重心；
[0029]
所述归一化处理为：其中，z(xi)为归一化处理的xi；m表示xi的平均值；s表示xi的标准差。
[0030]
优选地，所述计算每两个所述样本之间的平方欧氏距离，包括：
[0031]
所述目标电池包含有p个变量；
[0032]
则用x＝(x1，x2，
…
，x
p
)和y＝(y1，y2，
…
，y
p
)表示每个所述变量的两个所述样本；
[0033]
两个所述样本的p个变量之间的平方欧氏距离计算公式为：
[0034][0035]
优选地，所述根据所述特征标签对所述目标电池分类，包括：
[0036]
将所述特征标签与所述目标电池建立对应关系，并根据所述对应关系进行分拣完成分类。
[0037]
优选地，所述采集目标电池的综合特征数据集之前，还包括：
[0038]
采集待初筛电池的初筛数据集；所述初筛数据集包括电池容量值和外壳形变值；
[0039]
判断所述待初筛电池的所述电池容量值不大于预设梯次利用容量阈值，或者所述外壳形变值不小于预设梯次利用形变值；
[0040]
若是，则将所述待初筛电池转入再生利用环节；
[0041]
若否，则将所述待初筛电池作为所述目标电池。
[0042]
优选地，所述采集待初筛电池的初筛数据集之前，还包括：
[0043]
在动力电池组制备时，在单体电芯内部和外部安装传感器组件；
[0044]
所述传感器组件包括充放电循环次数传感器、外壳形变传感器和容量传感器。
[0045]
本发明提供一种退役电池筛选分类方法，包括：采集目标电池的综合特征数据集；其中，所述综合特征数据集包括相同放电容量下的充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值；根据所述综合特征数据集，对所述目标电池进行k-平均值聚类分析，输出特征标签；根据所述特征标签对所述目标电池分类。
[0046]
本发明相对于常规技术具有如下有益效果：
[0047]
1.在梯次电池分选时，只需要采集动力电池中的充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值，不需要进行充放电测试，使用的参数较少，节约检测时间和成本；
[0048]
2.聚类筛选准确性高，通过合理利用聚类算法模型结构，可实现较高的分级筛选准确性。
附图说明
[0049]
图1为本发明退役电池筛选分类方法实施例1的流程示意图；
[0050]
图2为本发明退役电池筛选分类方法实施例2中步骤s200细化的流程示意图；
[0051]
图3为本发明退役电池筛选分类方法实施例3的流程示意图；
[0052]
图4为本发明退役电池筛选分类方法的实验例中9支退役电池聚类分析后计算出来的距离图；
[0053]
图5为本发明退役电池筛选分类方法的实验例中的k-means算法流程图。
[0054]
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
[0055]
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0056]
除非在下文中另有定义，本发明具体实施方式中所用的所有技术术语和科学术语的含义意图与本领域技术人员通常所理解的相同。虽然相信以下术语对于本领域技术人员很好理解，但仍然阐述以下定义以更好地解释本发明。
[0057]
如本发明中所使用，术语“包括”、“包含”、“具有”、“含有”或“涉及”为包含性的(inclusive)或开放式的，且不排除其它未列举的元素或方法步骤。术语“由
…
组成”被认为是术语“包含”的优选实施方案。如果在下文中某一组被定义为包含至少一定数目的实施方案，这也应被理解为揭示了一个优选地仅由这些实施方案组成的组。
[0058]
在提及单数形式名词时使用的不定冠词或定冠词例如“一个”或“一种”，“所述”，包括该名词的复数形式。
[0059]
本发明中的术语“大约”表示本领域技术人员能够理解的仍可保证论及特征的技术效果的准确度区间。该术语通常表示偏离指示数值的
±
10％，优选
±
5％。
[0060]
此外，说明书和权利要求书中的术语第一、第二、第三、(a)、(b)、(c)以及诸如此类，是用于区分相似的元素，不是描述顺序或时间次序必须的。应理解，如此应用的术语在适当的环境下可互换，并且本发明描述的实施方案能以不同于本发明描述或举例说明的其它顺序实施。
[0061]
除非另外定义或由背景清楚指示，否则在本公开中的全部技术与科学术语具有如本公开所属领域的普通技术人员通常理解的相同含义。
[0062]
下面结合具体实施例的方式对本发明的技术方案做进一步的详细说明，但并不构成对本发明的任何限制，任何人在本发明权利要求范围内所做的有限次的修改，仍在本发明的权利要求范围之内。
[0063]
实施例1：
[0064]
参考图1，本实施例提供一种退役电池筛选分类方法，包括：
[0065]
步骤s100，采集目标电池的综合特征数据集；其中，所述综合特征数据集包括相同放电容量下的充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值；
[0066]
上述，目标电池，即为需要进行进一步分类的退役电池。
[0067]
上述，本实施例中所提供的方法，针对的目标电池的数量可以为一个，也可以为多个，例如，可以针对于上千或上万个退役的目标电池进行统一筛选，分类筛选的效率更高。本实施例中，以9个目标电池为例进行实验。
[0068]
上述，综合特征数据集包括充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值；这四个测量参数是在相同放电容量下的测量参数，是通过电池在组装时所装配的传感器实时或定时获得，并存储于电池的相关存储介质中，在进行筛选分类时，通过拆解，将其中的存储器取出读取或直接进行读取所得到的数据。
[0069]
步骤s200，根据所述综合特征数据集，对所述目标电池进行k-平均值聚类分析，输出特征标签；
[0070]
需要说明的是，聚类是将数据分类到不同的类或者簇这样的一个过程，所以同一个簇中的对象有很大的相似性，而不同簇间的对象有很大的相异性。从统计学的观点看，聚类分析是通过数据建模简化数据的一种方法。传统的统计聚类分析方法包括系统聚类法、分解法、加入法、动态聚类法、有序样品聚类、有重叠聚类和模糊聚类等。采用k-均值、k-中心点等算法的聚类分析工具已被加入到许多著名的统计分析软件包中，如spss、sas等。聚类分析是一种探索性的分析，在分类的过程中，人们不必事先给出一个分类的标准，聚类分析能够从样本数据出发，自动进行分类。聚类分析所使用方法的不同，常常会得到不同的结论。
[0071]
步骤s300，根据所述特征标签对所述目标电池分类。
[0072]
上述，建立特征标签与对应的目标电池之间的对应关系之后，按照标签进行分拣，然后在筛选分级分类之后的目标电池梯次成组进行应用。
[0073]
本实施例中，通过统一采集所有目标电池的综合特征数据集；再根据综合特征数据集对所述目标电池进行k-平均值聚类分析从而得到特征标签，最后可以实现根据每个目标电池的特征标签对退役的目标电池进行分类。本实施例相对于常规技术，能够实现在梯次电池分选时，只需要采集动力电池中的充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值，不需要进行充放电测试，使用的参数较少，节约检测时间和成本；
并且，聚类筛选准确性高，通过合理利用聚类算法模型结构，可实现较高的分级筛选准确性。
[0074]
实施例2：
[0075]
参考图2，本技术实施例2中提供一种退役电池筛选分类方法，基于上述实施例1。其中，所述步骤s200，根据所述综合特征数据集，对所述目标电池进行k-平均值聚类分析计算，输出特征标签，包括：
[0076]
步骤s210，以每个所述目标电池的所述充放电循环次数下降值、所述外壳形变值、所述静态电压测量值和所述静态电流测量值为样本，整理后作为聚类变量；
[0077]
上述，本例中采用的k-means算法是一种大数据集的聚类分析中得到的分析算法。
[0078]
上述，将收集来的数据，即每个目标电池的综合特征数据集中的所述充放电循环次数下降值、所述外壳形变值、所述静态电压测量值和所述静态电流测量值，采用d＝{p1,p2,p3,
…
,pn}的方式整理，多个目标电池的特征向量整理后作为聚类变量。
[0079]
其中，d代表整理后的数据集；p为每个目标电池对应的4组值(充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值)构成的特征向量，n表示一起进行聚类的目标电池的个数；因此，一个数据集d中，包括有多个目标电池所对应的特征向量。
[0080]
步骤s220，初始化k个第一聚类中心，分配各个样本到距离最近的聚类中；
[0081]
进一步的，所述步骤s220，包括：
[0082]
步骤s221，选择k个初始中心作为所述聚类中心；
[0083]
上述k，表示初始中心的个数。即为第k个初始中心。
[0084]
步骤s222，基于欧几里得距离，利用误差平方和作为聚类的目标函数，筛选出两次运行k均值产生的两个不同的簇集中所述误差平方和最小值，以便于根据最小值分配所述样本到距离最近的聚类中。
[0085]
所述步骤s220中，初始化k个第一聚类中心，分配各个样本到距离最近的聚类中的公式为：
[0086][0087]
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心；其中所述质心的计算公式为：
[0088]
上述，选择k个初始中心点作为聚类中心，考虑欧几里得距离的数据，使用误差平方和(sse)作为聚类的目标函数，两次运行k均值产生的两个不同的簇集，选择sse最小的那个。
[0089]
步骤s230，计算每个聚类所有数据点的平均值，构成第二聚类中心；
[0090]
其中，所述步骤s230，包括：
[0091]
步骤s231，在进行n次迭代时，计算每个所述样本到k个中心的距离，将所述样本归到距离最近的中心所在的类中，并归一化处理；
[0092]
进一步的，所述步骤s231中，在进行n次迭代时，计算每个所述样本到k个中心的距离，将所述样本归到距离最近的中心所在的类中，计算公式为：
[0093]
dki＝wm-wk-wi；
[0094]
其中，dki为所述样本到k个中心的距离；其中，dki为所述样本到k个中心的距离；式中xi、xk和xm分别是类g1、类gk和类gm的重心；
[0095]
上述，在第n次迭代中，对任意一个样本计算其到第k个中心的距离，将该样本归到距离最近的中心所在的类。
[0096]
所述归一化处理为：其中，z(xi)为归一化处理的xi；m表示xi的平均值；s表示xi的标准差。
[0097]
上述，在欧几里德空间中，为了所有属性对距离的计算具有同等的影响，对于不同的单位和不同的量级，将数据输入模型应进行归一化处理，使这两个参数具有相同的尺度。
[0098]
在此为聚类算法的步骤。其中需要先随机进行纷纷称两个样本，计算两个样本的聚类中心，再看两个聚类中心是否一致，一致就得到结果；不一致就重新分类，再算一次，以此类推，每两个样本需要进行上述归一化处理，使其具有相同的计算尺度，使结果更加准确。
[0099]
步骤s232，计算每两个所述样本之间的平方欧氏距离；
[0100]
进一步的，所述步骤s232，计算每两个所述样本之间的平方欧氏距离，包括：
[0101]
所述目标电池包含有p个变量；
[0102]
则用x＝(x1，x2，
…
，x
p
)和y＝(y1，y2，
…
，y
p
)表示每个所述变量的两个所述样本；
[0103]
两个所述样本的p个变量之间的平方欧氏距离计算公式为：
[0104][0105]
上述，原始数据中包含p个变量，在计算时，需要把把每个变量设置为两个样本，一个为x，一个为y，在此，用x＝(x1，x2，
…
，x
p
)和y＝(y1，y2，
…
，y
p
)表示每个变量的两个样本。进一步，用上述公式进行计算两个样本之间的平方欧氏距离dist。
[0106]
步骤s233，基于所述平方欧氏距离，计算每个聚类所有数据点的平均值，使所述平均值构成所述第二聚类中心。
[0107]
步骤s240，判断所述第二聚类中心是否与所述第一聚类中心相比无变化，或者产生变化小于预设阈值；
[0108]
步骤s250，若是，则输出所述特征标签。
[0109]
步骤s260，若否，则返回所述初始化k个第一聚类中心，分配各个样本到距离最近的聚类中。
[0110]
上述，在步骤s240中，需要进行判断，判断是否满足如下条件之一：
[0111]
1、所述第二聚类中心是否与所述第一聚类中心相比无变化；
[0112]
2、所述第二聚类中心是否与所述第一聚类中心相比产生变化小于预设阈值。
[0113]
上述，预设阈值为预先设定的给定的用于比较的临界值。
[0114]
实施例3：
[0115]
参考图3，本技术实施例3中提供一种退役电池筛选分类方法，基于上述实施例1。其中，所述步骤s300，根据所述特征标签对所述目标电池分类，包括：
[0116]
步骤s310，将所述特征标签与所述目标电池建立对应关系，并根据所述对应关系进行分拣完成分类。
[0117]
上述，在得到标准z分数后，通过欧式距离，当一类电池欧式距离不在产生变化或小于阈值即可输出特征标签，基于所输出的聚类分析结果，将特征标签与对应目标电池相对应，并按照特征标签进行分拣。
[0118]
所述步骤s100，采集目标电池的综合特征数据集之前，还包括：
[0119]
步骤s400，采集待初筛电池的初筛数据集；所述初筛数据集包括电池容量值和外壳形变值；
[0120]
步骤s500，判断所述待初筛电池的所述电池容量值不大于预设梯次利用容量阈值，或者所述外壳形变值不小于预设梯次利用形变值；
[0121]
步骤s600，若是，则将所述待初筛电池转入再生利用环节；
[0122]
步骤s700，若否，则将所述待初筛电池作为所述目标电池。
[0123]
上述，在进行通过聚类算法对目标电池进行筛选分类之前，针对于数量较大的回收动力电池，如果直接将所有电池的数据全部导入进行进一步的分组筛选，则会造成系统资源的浪费和电池回收工作的效率的降低。
[0124]
为了提高筛选分类效率，本实施例中，在进行聚类分析之前，先增加一步初筛。
[0125]
具体的，电池初筛可以包括：
[0126]
在动力电池报废时，对电池包进行拆解，并获取待初筛电池(退役电池)传感器中初筛数据集(历史数据)。
[0127]
根据初筛数据集进行判断，是否满足如下条件之一：
[0128]
条件1、所述待初筛电池的所述电池容量值不大于预设梯次利用容量阈值；
[0129]
条件2、所述待初筛电池的所述外壳形变值不小于预设梯次利用形变值；
[0130]
上述，预设梯次利用容量阈值在本实施例中可以设置为30％。即条件1为：所述待初筛电池的所述电池容量值≤30％；
[0131]
上述，预设梯次利用形变值在本实施例汇总，可以设置为2mm。即条件2为：所述待初筛电池的所述外壳形变值≥2mm。
[0132]
如果满足其一，则直接进入再生利用环节；
[0133]
如果均不满足上述条件，对符合梯次利用初筛要求的待初筛电池，作为目标电池，通过电压表，电流表进行其静态电压和静态电流的测量。
[0134]
进一步的，所述步骤s400，采集待初筛电池的初筛数据集之前，还包括：
[0135]
步骤s800，在动力电池组制备时，在单体电芯内部和外部安装传感器组件；
[0136]
步骤s900，所述传感器组件包括充放电循环次数传感器、外壳形变传感器和容量传感器。
[0137]
上述，在电芯组成动力电池组之前，还包括传感器安装步骤。在单体电芯的内部和外部安装若干传感器组件。
[0138]
其中，传感器组件可以包括：
[0139]
1、充放电循环次数传感器；
[0140]
2、外壳形变传感器；
[0141]
3、容量传感器。
[0142]
所述传感器组件中的各个传感器，可以实时感知电芯在使用过程中的特征信息，并形成特征信息的数据集，包括历史充放电循环次数变化数据，历史容量变化数据，以及历史外壳形变数据。
[0143]
实验例：
[0144]
为了更好的说明本技术中所提供的退役电池筛选分类方法，提供如下基于退役电池筛选分类方法的筛选分类的实验例。
[0145]
参考图5，本实施例进行如下实验：
[0146]
步骤s10、在本实验中，使用12支单体电芯，在这12支单体电芯组成动力电池组之前，在单体电芯内部和外部安装若干传感器，包括安装充放电循环次数传感器，外壳形变传感器以及容量传感器，所述传感器可以实时感知电芯在使用过程中的特征信息，并形成特征信息的数据集，包括历史充放电循环次数变化数据，历史容量变化数据，以及历史外壳形变数据。
[0147]
步骤s20、在动力电池报废时，对待初筛电池进行拆解并获取待初筛电池的初筛数据集；
[0148]
步骤s30、对这12支待初筛电池进行初筛：根据初筛数据集，判断是否满足如下条件之一：
[0149]
(1)电池容量≤30％；
[0150]
(2)外壳形变(电芯自身的伸长度)≥2mm；
[0151]
若是，则直接进入再生利用环节；
[0152]
若否，判定该电芯为符合梯次利用初筛要求的待初筛电池，则进一步可以进行通过电压表，电流表测量得到其静态电压和静态电流。通过初筛，只有9支待初筛电池符合梯次利用要求，将其作为目标电池。
[0153]
步骤s40、获得这9支目标电池的历史以及测量的综合特征数据集，包括相同放电容量下的如下参数：
[0154]
(1)充放电循环次数下降值；
[0155]
(2)外壳形变值
[0156]
(3)静态电压测量值(测量得到)；
[0157]
(4)静态电流测量值(测量得到)。
[0158]
步骤s50、基于各目标电池的综合特征数据集，对所有目标电池分别进行k平均值聚类分析，并输出特征标签。基本步骤如下：
[0159]
步骤s51、将收集来的数据采用d＝{p1,p2,p3,
…
,pn}的方式整理，多个目标电池的特征向量整理后作为聚类变量。其中，d代表整理后的数据集；p为每个目标电池对应的4组值(充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值)构成的特征向量，n表示一起进行聚类的目标电池的个数。
[0160]
s52：选择k个初始中心点作为聚类中心(第一聚类中心)，考虑欧几里得距离的数据，使用误差平方和(sse)作为聚类的目标函数，两次运行k均值产生的两个不同的簇集，选择sse最小的那个。公式如下：
[0161]
[0162]
其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心。
[0163]
质心的计算公式如下：
[0164][0165]
s53：在第n次迭代中，对任意一个样本计算其到k个中心的距离，将该样本归到距离最近的中心所在的类；dk1表示gk和g1之间的距离，则计算公式如下：
[0166]
dki＝wm-wk-wi；
[0167]
其中，dki为所述样本到k个中心的距离；其中，dki为所述样本到k个中心的距离；式中xi、xk和xm分别是类g1、类gk和类gm的重心；
[0168]
s54：在欧几里德空间中，以便所有属性对距离的计算具有同等的影响，对于不同的单位和不同的量级，应进行归一化处理，使这两个参数具有相同的尺度，归一化函数z函数如下式所示：
[0169][0170]
其中，z(xi)为归一化处理的xi；m表示xi的平均值；s表示xi的标准差。
[0171]
s55：原始数据中包含p个变量；用x＝(x1，x2，
…
，x
p
)和y＝(y1，y2，
…
，y
p
)表示每个所述变量的两个所述样本；则两个样本p个变量之间的平方欧式距离计算公式如下：
[0172][0173]
s56:重新计算每个聚类所有数据点的平均值，平均值所在的数据点成为一个新的聚类中心(第二聚类中心)；
[0174]
判断是否满足如下条件之一：
[0175]
(1)所述第二聚类中心与所述第一聚类中心相比无变化；
[0176]
(2)所述第二聚类中心与所述第一聚类中心相比产生变化小于预设阈值；
[0177]
若是，则判定聚类中心不再产生变化或小于给定的阈值，输出特征标签。
[0178]
若否，则返回第s52步、s53步骤的过程，直到满足上述条件之一为止。
[0179]
s57：得到标准z分数后，通过欧式距离，当一类电池欧式距离不在产生变化或小于阈值即可输出特征标签；
[0180]
通过聚类分析，参考附图4，实验中9支退役电池计算出来的距离如图所示。
[0181]
步骤s60：基于步骤s50聚类分析结果，将特征标签与对应目标电池相对应，并按照标签进行分拣。
[0182]
所述标签包括标签a、标签b和标签c。
[0183]
标签电芯分类标签abat1、bat5、bat6标签bbat9、bat7、bat8标签cbat2、bat4、bat3
[0184]
其中，分类如下：
[0185]
(1)输出特征标签为a的是指电池剩余容量能达到60％及以上的一类电池，一类单体电池在相同放电容量下的充放电循环次数下降值，外壳形变值以及静态电压测量值和静态电流测量值在数值上相近，一致性表现较为一致；
[0186]
(2)输出特征标签为b的是二类电池，剩余电池容量在40％及以上；
[0187]
(3)输出特征标签为c的是三类电池，剩余容量在40％以下。
[0188]
步骤s70：将筛选分级后的电池单体梯次成组进行应用。
[0189]
(1)对于一类电池，则成组用于储能电站储能；
[0190]
(2)对于二类电池，则退役用于低速电动汽车；
[0191]
(3)对于三类电池单体，考虑用于家用备用电源使用。
[0192]
总之，本实施例中通过统一采集所有目标电池的综合特征数据集；再根据综合特征数据集对所述目标电池进行k-平均值聚类分析从而得到特征标签，最后可以实现根据每个目标电池的特征标签对退役的目标电池进行分类。本实施例相对于常规技术，能够实现在梯次电池分选时，只需要采集动力电池中的充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值，不需要进行充放电测试，使用的参数较少，节约检测时间和成本；并且，聚类筛选准确性高，通过合理利用聚类算法模型结构，可实现较高的分级筛选准确性。
[0193]
以上所述的是本发明的优选实施方式和相应实施例，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提，还可以做出若干变形和改进，包括但不限于比例、流程、用量的调整，这些都属于本发明的保护范围之内。以上所述的是本发明的优选实施方式和相应实施例，应当指出，对于本领域的普通技术人员来说，在不脱离本发明创造构思的前提，还可以做出若干变形和改进，包括但不限于比例、流程、用量的调整，这些都属于本发明的保护范围之内。

技术特征：

1.一种退役电池筛选分类方法，其特征在于，包括：采集目标电池的综合特征数据集；其中，所述综合特征数据集包括相同放电容量下的充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值；根据所述综合特征数据集，对所述目标电池进行k-平均值聚类分析，输出特征标签；根据所述特征标签对所述目标电池分类。2.如权利要求1所述退役电池筛选分类方法，其特征在于，所述根据所述综合特征数据集，对所述目标电池进行k-平均值聚类分析计算，输出特征标签，包括：以每个所述目标电池的所述充放电循环次数下降值、所述外壳形变值、所述静态电压测量值和所述静态电流测量值为样本，整理后作为聚类变量；初始化k个第一聚类中心，分配各个样本到距离最近的聚类中；计算每个聚类所有数据点的平均值，构成第二聚类中心；判断所述第二聚类中心是否与所述第一聚类中心相比无变化，或者产生变化小于预设阈值；若是，则输出所述特征标签；若否，则返回所述初始化k个第一聚类中心，分配各个样本到距离最近的聚类中。3.如权利要求2所述退役电池筛选分类方法，其特征在于，所述初始化k个第一聚类中心，分配各个样本到距离最近的聚类中，包括：选择k个初始中心作为所述聚类中心；基于欧几里得距离，利用误差平方和作为聚类的目标函数，筛选出两次运行k均值产生的两个不同的簇集中所述误差平方和最小值，以便于根据最小值分配所述样本到距离最近的聚类中。4.如权利要求3所述退役电池筛选分类方法，其特征在于，所述初始化k个第一聚类中心，分配各个样本到距离最近的聚类中的公式为：其中，ci是第i个簇，p是ci中的样本点，mi是ci的质心；其中所述质心的计算公式为：5.如权利要求2所述退役电池筛选分类方法，其特征在于，所述计算每个聚类所有数据点的平均值，构成第二聚类中心，包括：在进行n次迭代时，计算每个所述样本到k个中心的距离，将所述样本归到距离最近的中心所在的类中，并归一化处理；计算每两个所述样本之间的平方欧氏距离；基于所述平方欧氏距离，计算每个聚类所有数据点的平均值，使所述平均值构成所述第二聚类中心。6.如权利要求5所述退役电池筛选分类方法，其特征在于，所述在进行n次迭代时，计算每个所述样本到k个中心的距离，将所述样本归到距离最近的中心所在的类中，计算公式为：dki＝wm-wk-wi；
其中，dki为所述样本到k个中心的距离；其中，dki为所述样本到k个中心的距离；式中xi、xk和xm分别是类g1、类gk和类gm的重心；所述归一化处理为：其中，z(xi)为归一化处理的xi；m表示xi的平均值；s表示xi的标准差。7.如权利要求5所述退役电池筛选分类方法，其特征在于，所述计算每两个所述样本之间的平方欧氏距离，包括：所述目标电池包含有p个变量；则用x＝(x1，x2，
…
，x
p
)和y＝(y1，y2，
…
，y
p
)表示每个所述变量的两个所述样本；两个所述样本的p个变量之间的平方欧氏距离计算公式为：8.如权利要求1所述退役电池筛选分类方法，其特征在于，所述根据所述特征标签对所述目标电池分类，包括：将所述特征标签与所述目标电池建立对应关系，并根据所述对应关系进行分拣完成分类。9.如权利要求1所述退役电池筛选分类方法，其特征在于，所述采集目标电池的综合特征数据集之前，还包括：采集待初筛电池的初筛数据集；所述初筛数据集包括电池容量值和外壳形变值；判断所述待初筛电池的所述电池容量值不大于预设梯次利用容量阈值，或者所述外壳形变值不小于预设梯次利用形变值；若是，则将所述待初筛电池转入再生利用环节；若否，则将所述待初筛电池作为所述目标电池。10.如权利要求9所述退役电池筛选分类方法，其特征在于，所述采集待初筛电池的初筛数据集之前，还包括：在动力电池组制备时，在单体电芯内部和外部安装传感器组件；所述传感器组件包括充放电循环次数传感器、外壳形变传感器和容量传感器。

技术总结

本发明提供一种退役电池筛选分类方法，属于电池梯次利用技术领域。所述退役电池筛选分类方法包括：采集目标电池的综合特征数据集；根据所述综合特征数据集，对所述目标电池进行K-平均值聚类分析，输出特征标签；根据所述特征标签对所述目标电池分类。本发明实现了在梯次电池分选时，只需要采集动力电池中的充放电循环次数下降值、外壳形变值、静态电压测量值和静态电流测量值，不需要进行充放电测试，使用的参数较少，节约检测时间和成本；并且聚类筛选准确性高，通过合理利用聚类算法模型结构，可实现较高的分级筛选准确性。可实现较高的分级筛选准确性。可实现较高的分级筛选准确性。