基于神经网络的梯次动力电芯一致性评估方法和系统

技术领域

本发明属于电动汽车动力电芯梯次利用技术领域，具体涉及一种基于神经网络的梯次动力电芯一致性评估方法和系统。

背景技术

按照公安部统计数据，截至2019年底，全国新能源汽车保有量达381万辆，动力蓄电芯总装配量超过176GWh，产业规模位居世界首位。为了应对即将到来的动力电芯退役大潮，工信部等七部门于2018年下发了《关于做好新能源汽车动力蓄电芯回收利用试点工作的通知》(工信部联节〔2018〕134号)，明确提出要开展废旧动力蓄电芯梯次利用关键共性技术研究，形成技术创新和推广应用机制。动力电芯梯次利用已经成为电动汽车全生命周期中不可缺少的一环，只有处理好了才有利于提升电动汽车的绿色属性，促进我国源循环利用、节能减排事业发展。

随着新能源汽车的高速增长，动力锂电芯用量大幅提升，2018年起动力电芯已逐步进入大规模退役阶段。预计到2020年，理论报废量达到32.2GWh，2030年达到101GWh，呈现快速增长态势。中国政府高度重视新能源汽车动力电芯回收利用，先后发布回收利用管理办法、开展试点工作等政策文件，不断加大推进力度。推进动力电芯资源化循环利用，是延伸新能源产业布局、提高区段资源优势、保障原材料供应、缓解环境承载力的有效途径。

目前，动力电芯梯次利用所采用的筛选方法类似全新电芯测试，主要通过外观、容量、内阻或内阻增大率、k值测试等表观测试或材料结构、活性物质、集流体、隔离膜及SEI膜状态等理化特征测试，来判断车载退役电芯的状态。问题一是，电芯性能测试或材料层级的理化测试均只能表征电芯在某一时刻的状态，却无法解决退役电芯的配对成组的一致性技术难题，从而导致梯次利用电芯的健康状态评估误差大。问题二是，为了提高精度，大量的采样点需要很长的时间，导致电芯筛选时间长，需要站用设备周期高，导致生产投入过大。

锂电芯的性能衰减规律研究一直是国内外锂电研究的一个热点和难点，特别是电网储能特征工况下的退役电芯健康状态参量表征和残值评估方法研究更少。由于退役电芯存在性能离散度高、其储能系统可用容量存在木桶效应等问题，如何采用简便的方法对退役电芯的一致性进行快速分选，在保证安全的情况下最大限度地挖掘其剩余容量，以及电芯系统性能与储能应用场景优化适配技术研究等都是退役电芯低成本梯次利用的关键技术，成为本领域技术人员一直期待解决的技术问题。

发明内容

本发明是为了解决上述技术问题而进行的，目的在于提供一种基于神经网络的梯次动力电芯一致性评估方法和系统。

为了实现上述目的，本发明采用了如下技术方案：

<方案一>

本发明提供了一种基于神经网络的梯次动力电芯一致性评估方法，具有这样的特征，包括以下步骤：

步骤S1，筛选出外观合格的多个电芯组成总样本集；

步骤S2，对总样本集中的每个电芯进行检测获取相应的性能数据，该性能数据包含开路电压、载荷状态、能量状态、放电容量、欧姆内阻、电荷转移电阻、直流内阻、以及健康状态检测值；

步骤S3，从总样本集中随机挑选出预设训练样本数量的电芯组成训练样本集，使用该训练样本集的性能数据对待训练的神经网络识别模型进行训练，得到训练后的神经网络识别模型；

步骤S4，将总样本集中未参与训练的其余的电芯组成验证样本集，使用训练后的神经网络识别模型对验证样本集中的每个电芯进行识别获得相应的健康状态识别值，并判断健康状态识别值相对于对应的健康状态检测值的识别误差是否小于预设误差值，若是，则得到验证后的神经网络识别模型，否则，增大预设训练样本数量后重复执行步骤S3；

步骤S5，对外观合格的多个待侧电芯进行检测获取相应的性能数据；

步骤S6，使用验证后的神经网络识别模型对每个待测电芯进行识别获得相应的健康状态识别值；

步骤S7，根据待测电芯的健康状态识别值，对所有的待测电芯进行分组，以确定每个待测电芯分入的组别。

在本发明提供的基于神经网络的梯次动力电芯一致性评估方法中，还可以具有这样的特征：其中，步骤S7是在基于SaaS的云平台上进行的。

在本发明提供的基于神经网络的梯次动力电芯一致性评估方法中，还可以具有这样的特征：其中，在步骤S4中，一旦得到验证后的神经网络识别模型，就将该验证后的神经网络识别模型发送给云平台。

在本发明提供的基于神经网络的梯次动力电芯一致性评估方法中，还可以具有这样的特征：其中，神经网络识别模型采用多层前向BP网络识别模型。

<方案二>

本发明还提供了一种基于神经网络的梯次动力电芯一致性评估系统，具有这样的特征，包括：数据获取模块，用于对电芯进行检测获取相应的的性能数据；模型生成模块，用于使用训练样本集的性能数据对待训练的神经网络识别模型进行训练得到训练后的神经网络识别模型，并使用验证样本集的性能数据对训练后的神经网络识别模型验证得到验证后的神经网络识别模型；识别执行模块，用于使用验证后的神经网络识别模型对验证样本集中的电芯以及待测电芯分别进行识别获取相应的健康状态识别值；以及分组模块，用于待测电芯的健康状态识别值，对所有的待测电芯进行分组，以确定每个待测电芯分入的组别。

在本发明提供的基于神经网络的梯次动力电芯一致性评估系统中，还可以具有这样的特征：其中，分组模块被设置在基于SaaS的云平台上。

与现有技术相比，本发明提供的基于神经网络的梯次动力电芯一致性评估方法和系统，能够有效测量出退役电芯的性能，可有效克服现有技术所存在的问题。

附图说明

图1是本发明的实施例中基于神经网络的梯次动力电芯一致性评估方法的动作流程图；

图2是本发明的实施例中多层前向BP网络模型识别原理图；以及

图3是本发明的实施例中基于神经网络的梯次动力电芯一致性评估系统的结构框图。

具体实施方式

以下将结合附图对本发明的构思、具体结构及产生的技术效果作进一步说明，以充分地了解本发明的基于神经网络的梯次动力电芯一致性评估方法和系统的目的、特征和效果。

图1是本发明的实施例中基于神经网络的梯次动力电芯一致性评估方法的动作流程图。

如图1所示，本实施例中的基于神经网络的梯次动力电芯一致性评估方法，包括以下步骤：

步骤S1，将回收的退役电池进行逐一的外观检测，确保电芯模组没有损坏、鼓胀，并保证电芯标识清晰，筛选出外观合格的多个电芯组成总样本集。

在本实施例中，总样本集的数量为100。

步骤S2，对所述总样本集中的每个电芯进行检测获取相应的性能数据，该性能数据包含开路电压、载荷状态、能量状态、放电容量、欧姆内阻、电荷转移电阻、直流内阻、以及健康状态检测值。

具体检测流程为：

在恒温条件下，电芯以1C电流放电，至电芯电压达到2.8V时停止放电，按以下步骤进行。

a、充电和放电的容量测试

1)电芯在恒温条件下以1C恒电流充电，充电过程中同时检测电芯电压，至电芯电压达到3.2V时转恒压充电，充电电流降至0.1C时停止充电。

2)电芯按上述方法充电，充电后静置1h。

3)电芯以1C电流放电，至电芯电压达到2.8V时停止放电。

载荷状态(SOC)数据为：

能量状态(SOE)数据为：

b、样本电芯倍率评估方法

1)电芯按上述方法充电，充电后静置1h。

2)电芯以不同倍率进行放电，至电芯电压达到2.8V时停止放电，计算放电容量(以Ah计)，并表达为额定容量的百分数。

放电容量(C

c、样本电芯电化学阻抗谱测试方法

电芯容量的衰减与电芯内阻的增加是紧密相关的。电芯内阻包括欧姆电阻和极化电阻，都会随着电芯容量的衰减而增加的，但增加的幅度并不相同。采用美国PARC公司的2273电化学工作站。测试条件：采用电流扰动法，其电流扰动信号为0.2A RMS(均方根)，频率范围为100kHz-0.05Hz。将测试数据进行拟合分析，检测欧姆电阻和电荷转移电阻。

欧姆内阻(R

电荷转移电阻(R

d、样本电芯脉冲放电测试方法

再利用锂电芯按照1/3C恒电流和3.2V恒电压充电至0.1C，静置两小时；

1)1C放电10s，静置40s；

2)3C放电10s，静置40s；

3)5C放电10s，静置40s；

4)1C充电10s，静置40s；

5)按照1/3C恒电流和3.2V恒电压充电至3.2V，静置一小时。通过脉冲放电特征曲线检测脉冲放电电压，分析退役电芯电荷转移特性。

直流内阻(R

e、样本电芯开路电压、工作电压采集和分析

将电芯管理单元连接到所测试的电芯模组，充放电过程的工作电压、静置过程的开路电压将自动记录在电芯管理单元中。对电芯管理单元中的电压数据进行采集和特征提取，电芯的开路电压(OVC)。

步骤S3，从所述总样本集中随机挑选出预设训练样本数量的电芯组成训练样本集，使用该训练样本集的性能数据对待训练的神经网络识别模型进行训练，得到训练后的神经网络识别模型。

图2是本发明的实施例中多层前向BP网络模型识别原理图。

样本电芯基于神经网络分析建模

样本电芯所采集的开路电压、脉冲放电电压、充电或放电过程的工作电压、欧姆内阻、电荷转移电阻、直流内阻参量作为梯次利用筛选指标，使用如图2所示的多层前向BP网络系统识别。为了便于选择神经网路的拓扑结构，首先选择NNARMAX模型，这是一种用迟滞的输入、输出和预测误差的非线性函数展开式来描述系统的动态模型，而且具有逼近精度高、收敛速度快的优点，因而被应用领域广泛接受，基于神经网络的非线性系统辨识问题也在这个框架下进行。本章的神经网络辨识与控制模型亦采用此类模型，现以NNARMAX2模型结构为例详细说明其用于非线性系统辨识的原理。

假设非线性对象的数学模型可以表示为：

检测电芯的开路电压(OVC)、载荷状态(SOC)、能量状态(SOE)、放电容量(C

y(t)＝f(OVC(t-1),SOC(t-1),SOE(t-1),C

其中：开路电压(OVC)、载荷状态(SOC)、能量状态(SOE)、放电容量(C

在对受控对象进行辨识时,首先对BP网络初始化,然后以y(t)作为指导信号,

1)定义一M×N矩

由矩阵P可知网络具有N个输入节点和M组输入向量P

2)定义一个M×1维的列向量存放目标样本数据T＝[T1…TN]，应使网络的学习函数通过这些数据点。

3)设计一个由R个输入的输入层、S个双曲正切神经元组成的隐层和一个线性神经元组成的输出层构成的BP网络.

4)根据输入矩阵P、隐层神经元数目S及各层的传递函数确定各层的初始权值和阈值,即W1，b1，W2，b2，…。

X＝[x

＝y(t-1),…,y(t-n),u(t-1),…,u(t-m)

H(*)表示隐层神经元的激发函数,Wij(1),Wj(2)分别表示网络第1-2层和2-3层的连接权值。

5)设定迭代次数J,误差平方和

6)开始训练网络,直至BP网络输出y^与目标值T的误差平方和满足要求为止Z如果到达规定的迭代次数J时,误差平方和E仍不满足要求,可重复训练网络或适当增加隐层神经元数目S。网络训练的BP算法可以描述为：

7)使用使用其中70个随机数据训练神经网络识别模型，网络训练成功后,将训练好的权值和阈值赋予辨识网络作为初值,使辨识网络并入系统。实现自适应控制

步骤S4，将所述总样本集中未参与训练的其余的电芯组成验证样本集，使用训练后的神经网络识别模型对所述验证样本集中的每个电芯进行识别获得相应的健康状态识别值，并判断所述健康状态识别值相对于对应的健康状态检测值的识别误差是否小于预设误差值，若是，则得到验证后的神经网络识别模型，否则，增大所述预设训练样本数量后重复执行步骤S3。

将其余30个电芯的性能数据输入训练后的神经网络识别模型。

SOH(t)＝f(OVC(t-1),SOC(t-1),SOE(t-1),C

通过计算得出模型计算的健康状态识别值SOH(识别)，和实际检测的健康状态检测值SOH(检测)计算误差。

误差＝(SOH(识别)-SOH(检测))/SOH(检测)

如果误差小于3％，认为基于神经网络的梯次动力电芯一致性评估模型建立完成，可以进行电芯快速筛选。

一旦得到所述验证后的神经网络识别模型，就将该验证后的神经网络识别模型发送给云平台。云平台会将该批次电芯样本模型存入云端，同时基于国标电池命名方案入库，其他厂家如果需要电池筛选，可以直接调用，减去了前期100个样本电芯模组的筛选过程。

步骤S5，对外观合格的多个待侧电芯进行检测获取相应的性能数据。

对多个待侧电芯进行快速的开路电压(OVC)、载荷状态(SOC)、能量状态(SOE)、放电容量(C

1)0.5C放电10s，静置5s，

2)1C放电10s，静置5s，

3)2C放电10s，静置5s，

4)0.05C放电10s，静置5s

5)0.5C充电10s，静置5s，

6)1C充电10s，静置5s，

7)2C充电10s，静置5s，

8)0.05C充电10s，静置5s

仅用120秒即两分钟就可以完成一组电芯模组的开路电压(OVC)、载荷状态(SOC)、能量状态(SOE)、放电容量(C

步骤S6，使用验证后的神经网络识别模型对每个所述待测电芯进行识别获得相应的健康状态识别值。

将检测结果输入到基于SaaS的退役电池配组和分享云平台。

运用大数据挖掘的Python3语言，根据基于神经网络的电池健康状态快速评估模型开发快速分选软件，通过输入模组的特性参数，来自动分析特征参量与健康状态SOH的关系，也可以反过来通过特征参量快速估计SOH。输入数据的采集来源于模组电池在电力储能特征工况下循环的电池数据。快速分选软件包含图形界面，操作简单方便，只需导入数据选择分析功能，软件就会自动分析数据并将结果绘制为图表，用户可以根据自己的需要来导出分析结果。软件的日志功能会记录用户的每一步重要操作，包括文件的读写与分析结果，用户可以方便地获取特定日期重要操作的历史记录，重要的分析结果可以通过日志的精简模式直接进行快速查看。软件平台基于SAAS技术部署，可以随时随地、非常灵活的进行软件操作和数据调取。通过实验室数据以及现场数据校验，最终使电池健康状态评估相对误差≤3％，检测时间缩短2/3以上。

步骤S7，根据所述待测电芯的健康状态识别值，对所有的所述待测电芯进行分组，以确定每个所述待测电芯分入的组别。

云平台基于计算的电池健康状态进行快速分组，确保分组后电池可以实现最大放电量。由于木桶短板效应，会导致一些电池无法完全充满，一些电池的电量用不尽。由于储能中常常有上百节电池，一个电池就可能影响整个电池系统。因此云平台基于计算的电池健康状态最大化的把容量相近的电池模组分成一组，确保分组后电池可以实现最大放电量。

图3是本发明的实施例中基于神经网络的梯次动力电芯一致性评估系统的结构框图。

如图3所示，实施例中的基于神经网络的梯次动力电芯一致性评估系统100，包括数据获取模块10、模型生成模块20、识别执行模块30以及分组模块40。

数据获取模块10，用于对电芯进行检测获取相应的的性能数据。

模型生成模块20，用于使用训练样本集的性能数据对待训练的神经网络识别模型进行训练得到训练后的神经网络识别模型，并使用验证样本集的性能数据对训练后的神经网络识别模型验证得到验证后的神经网络识别模型。

识别执行模块30，用于使用所述验证后的神经网络识别模型对验证样本集中的电芯以及待测电芯分别进行识别获取相应的健康状态识别值。

分组模块40，用于所述待测电芯的健康状态识别值，对所有的所述待测电芯进行分组，以确定每个所述待测电芯分入的组别。在本实施例中，所述分组模块被设置在基于SaaS的云平台上。

上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。