欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022102950639
申请人: 长安大学
专利类型:发明专利
专利状态:已下证
专利领域: 测量;测试
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种退役电池的状态检测方法,其特征在于,包括:采用主程序分析算法PCA分析常规充电工况下退役电池终止状态一致性的测试数据,得到测试多个特征值;

采用Canopy算法根据多个特征值对退役电池簇进行预分类,得到当前退役电池的预分类簇的个数K;

将K值带入基于粒子群算法PSO改进的k‑means分类算法、并根据多个特征值对测试数据聚类,最终得到退役电池的分类结果;

将神经网络各层的连接权值编码成PSO粒子,确定神经网络输出均方误差为适应度值,采用粒子群算法PSO,在预设的迭代次数内搜索最优的网络权值,构建基于自适应PSO‑神经网络容量预测模型;

根据电池的循环老化测试数据,采用主程序分析算法PCA提取工况曲线的特征值表示电池状态,运用大量的特征值数据和电池状态之间的关系,构建基于自适应PSO‑神经网络容量预测模型和电池阻抗参数估计模型的电池老化模型;

提取分类后的退役电池簇核心部分电池表征参数、并输入建立好的电池老化模型,计算出退役电池实际容量与阻抗参数,获得退役电池健康状态检测结果。

2.如权利要求1所述的一种退役电池的状态检测方法,其特征在于,所述主程序分析算法PCA,包括:对所有的样本进行中心化

T

计算样本的协方差矩阵XX;

T

对矩阵XX进行特征值分解;

取出最大的n’个特征值对应的特征向量(w1,w2,...,wn′)将所有的特征向量标准化后,组成特征向量矩阵W;

(i) (i) T (i)

对样本集中的每一个样本x ,转化为新的样本z =Wx(1) (2) (m)

得到输出样本集D′=(x ,x ,...x )。

3.如权利要求1所述的一种退役电池的状态检测方法,其特征在于,所述Canopy算法,包括:将数据集向量化得到一个list;

选择两个距离阈值:T1和T2,其中T1>T2,确定实线圈为T1,确定虚线圈为T2,T1和T2的值使用交叉校验来确定;

从list中任取一点P,采用低计算成本方法计算点P与所有Canopy之间的距离,如果点P与某个Canopy距离在T1以内,则将点P加入到这个Canopy;

如果点P曾经与某个Canopy的距离在T2以内,则把点P从list中删除,重复上面步骤,直到list为空结束。

4.如权利要求3所述的一种退役电池的状态检测方法,其特征在于,所述采用Canopy算法根据多个特征值对退役电池簇进行预分类,包括:通过主程序分析算法PCA分析得到多个特征值来表征一个退役电池的状态;

用每个退役电池的多个特征值来作为一个数据点,根据两个距离阈值T1和T2来划分数据点;

以随机的一个数据点作为Canopy中心,计算其他数据点到其的距离,划入T1和T2中;

划入T2的数据点从数据集中删除,划入T1的其他数据点继续计算,直至数据集中无数据。

5.如权利要求1所述的一种退役电池的状态检测方法,其特征在于,所述基于粒子群算法PSO改进的k‑means分类算法,包括:初始化粒子群算法PSO的粒子速度和输入的每个设定值;

将退役电池测试数据中恒流阶段的数据集随机分为K个类,每个类的类别中心由公式(1)计算,其中,类别中心代表粒子的位置,如果数据集有n维,则第i个粒子的位置为X=i i i i i i i(x0 ,x1 ......xk),xki=(Yk1 ,Yk2 .......Ykm)Ykm是n‑第i个粒子的第K个聚类中心的维度数据;

根据公式(2)计算粒子的适应度函数值,作为粒子最优适应度的初始值;

重复上面步骤,生成N个粒子的位置,作为单个粒子的最佳位置,取N个粒子个体最优适应度的最小值作为群体最优适应度,将适应度下的粒子位置作为群体最优位置Gbest;

根据公式(3)更新子速度,并使其控制在[vmax,vmin]内,vmax,vmin分别表示粒子最大速度和最小速度,根据公式(3)更新粒子位置,并使其控制在[xmax,xmin]内,xmax,xmin分别表示粒子最大位移和最小位移,更新粒子的个体最优和群体最优位置;

t+1 t t t

Vj =ωVj+c1r1(Pbestj‑Xj)+c2r2(Gbest‑Xj)    (3)t+1 t t+1

Xj =Xj+Vj                                     (4)生成新的集群中心;

其中,ω表示惯性因子, 表示粒子在t时刻的速度,c1,c2表示学习因子,r1,r2表示0至1之间的随机数,Pbestj表示个体最优位置, 表示粒子在t时刻的位置,Gbest表示群体最优j+1位置,Vt 表示t+1时刻粒子的速度;

生成单个粒子的最优适应度和最优位置;

生成最佳适应度和最佳位置;

根据公式(5)减小惯性权重值;

ω(t)=ωmax‑t*(ωmax‑ωmin)/tmax            (5)其中,ωmax和ωmin是最大和最小惯性权重,tmax是最大迭代次数,t是当前迭代次数;

将Gbest划分为K个聚类中心;

根据K个聚类中心之间距离最短的原则对数据集进行重新分类;

通过公式(2)计算适应度函数值;

重复上述步骤,直到达到设定的迭代次数;

输出适应度函数值J,K个聚类中心,退役电池测试数据中恒流阶段的数据集分类;

计算K个类别中每个类别的数据均值,并根据均值给每个类别分配有序标签。

6.如权利要求1所述的一种退役电池的状态检测方法,其特征在于,所述根据电池老化模型计算出电池阻抗参数的步骤包括:获取电池快速工况数据中的脉冲工况数据,

利用最小二乘算法对脉冲工况数据拟合;

根据拟合的脉冲工况数据获得电池阻抗参数。

7.如权利要求6所述的一种退役电池的状态检测方法,其特征在于,所述脉冲工况数据通过混合脉冲功率性能测试HPPC获得。