【技術實現步驟摘要】
本專利技術屬于電池健康狀態評估，具體涉及一種基于自編碼器的退役電池健康狀態評估方法與系統。
技術介紹
1、動力蓄電池作為新能源汽車的核心儲能組件，在長期使用后需退役。然而，退役電池在最大可用容量、歐姆內阻及極化內阻等方面存在顯著差異，這種不一致性削弱了電池組的整體性能，給退役電池的再利用帶來了挑戰。因此，在退役電池重新投入使用前，需對其進行健康狀態評估。
2、現有的退役電池篩選技術主要包括基于專業工具測量電池參數、基于充放電循環測試電池容量、以及采用專門設計的充放電工況評估電池性能等方法。然而，這些方法存在諸多缺點，如高度依賴于電池剩余電量狀態（soc）、耗時耗能、技術門檻高等。
3、具體來說，現有技術存在以下難點：
4、需要大量繁瑣而細致的特征工程工作，需要較高的電化學領域的專業知識，技術門檻高，且適用范圍不夠廣。
5、基于充放電循環的方法需要復雜的時序回歸模型，如長短期記憶（lstm）、門控循環單元（gru）、時序卷積網絡（tcn），才能達到好的效果，但應用成本高，使用效率低。
6、目前的特征篩選工作主要利用相關性分析等統計學方法，難以挖掘特征和電池健康狀態之間的非線性關系，導致特征挖掘不充分、模型精度較低。
技術實現思路
1、本專利技術的目的就在于提供一種基于自編碼器的退役電池健康狀態評估方法與系統，以解決如何高效、準確地評估退役電池的健康狀態以便于二次利用的技術問題。
2、本專利技術通過以下技術方案來實
3、第一方面、本專利技術提出了一種基于自編碼器的退役電池健康狀態評估方法，所述方法包括：
4、采集退役單體電池的充放電數據和預設充放電工況的充電曲線特征，形成待處理數據集；
5、基于所述待處理數據集獲取所述預設充放電工況包括溫度、電壓和容量變化的序列樣本；
6、利用預先構建的自編碼器對預處理后的序列樣本進行特征學習和降維處理，得到低維特征向量；
7、將所述低維特征向量輸入到預先構建的多層感知機模型中進行迭代訓練，以得到評估模型；
8、根據所述評估模型對目標退役電池的健康狀態進行評估。
9、進一步的，在所述采集退役單體電池的充放電數據和預設充放電工況下的充電曲線特征之前，所述方法還包括：
10、生成每個退役單體電池的識別編碼，并構建電池信息數據庫；
11、基于預設的充放電策略和預設充放電工況對單體電池進行充放電控制；
12、其中，所述充放電策略包括以設定相同時間間隔和時間起點的時間段作為充放電時間區間；所述預設充放電工況包括基于所述時間區間對單體電池進行恒流充放電控制。
13、進一步的，所述基于所述待處理數據集獲取所述預設充放電工況下包括溫度、電壓和容量變化的序列樣本，包括：
14、記錄預設充放電工況下的溫度變化，獲取溫度變化時間序列；
15、;
16、記錄預設充放電工況下的電壓變化，獲取電壓變化時間序列；
17、;
18、計算并記錄累計充電容量變化時間序列；
19、;
20、其中，表示時刻，從到；
21、對溫度變化時間序列、電壓變化時間序列和容量變化時間序列一化，得到歸一化后的序列、和；
22、得到預設充放電工況下的序列樣本：。
23、進一步的，所述利用預先構建的自編碼器對預處理后的序列樣本進行特征學習和降維處理，得到低維特征向量，包括：
24、基于編碼器和解碼器構建自編碼器；
25、將所述序列樣本預先劃分的訓練集輸入編碼器壓縮成低維的潛在表示h；
26、將所述潛在表示h輸入解碼器得到重建輸入；
27、通過隨機梯度下降算法對所述自編碼器進行迭代訓練，最小化序列樣本和重建輸入之間的差異；
28、將所述序列樣本輸入優化后的自編碼器，得到低維特征向量，所述低維特征向量包括對應每個電池的低維特征。
29、進一步的，將所述低維特征向量輸入到預先構建的多層感知機模型中進行迭代訓練，以得到評估模型，包括：
30、將從所述訓練集中提取的低維特征輸入預先構建的多層感知機模型中，得到對應的電池實際最大可用容量；
31、利用所述訓練集中所述低維特征及與其對應的電池實際最大可用容量對所述多層感知機模型進行迭代訓練，以得到評估模型。
32、進一步的，在所述利用預先構建的自編碼器對預處理后的序列樣本進行特征學習和降維處理，得到低維特征向量之后，還包括：將所述低維特征向量存儲到所述識別編碼對應的所述電池信息數據庫中，以更新所述電池信息數據庫。
33、進一步的，所述根據所述評估模型對目標退役電池的健康狀態進行評估，包括：
34、從所述電池信息數據庫中檢索出所述目標退役電池的識別編碼；
35、將對應所述識別編碼的低維特征向量輸入所述評估模型中進行處理，得到電池最大可用容量；
36、基于所述電池最大可用容量確定電池健康狀態評估結果。
37、第二方面、本專利技術提出了一種基于自編碼器的退役電池健康狀態評估系統，所述系統包括：
38、數據采集模塊，用于采集退役單體電池的充放電數據和設定充放電工況下的充電曲線特征，形成待處理數據集；
39、序列獲取模塊，用于基于所述待處理數據集獲取所述預設充放電工況下包括溫度、電壓和容量變化的序列樣本；
40、特征提取模塊，用于利用預先構建的自編碼器對預處理后的序列樣本進行特征學習和降維處理，得到低維特征向量；
41、評估模型訓練模塊，用于將所述低維特征向量輸入到預先構建的多層感知機模型中進行迭代訓練，以得到評估模型；
42、健康狀態評估模塊，用于根據所述評估模型對目標退役電池的健康狀態進行評估；
43、其中，所述數據采集模塊包括：
44、掃碼單元，用于為每個單體電池生成識別編碼；
45、充放電控制單元，用于執行預設的充放電策略和預設充放電工況對單體電池進行充放電測試；
46、數據采集單元，?用于采集電池的充放電信息，包括電流、電壓和時間，以及外部物理參量，包括溫度變化和容量變化。
47、進一步的，所述健康狀態評估模塊包括：
48、數據庫，用于存儲電池的識別編碼和對應的低維特征向量；
49、檢索單元，用于根據目標退役電池的識別編碼從數據庫中檢索對應的低維特征向量；
50、評估單元，用于將檢索到的低維特征向量輸入所述評估模型中進行處理，并根據評估結果確定電池的健康狀態。
51、本專利技術的有益效果在于：
52、本專利技術能夠僅通過電池充電測試數據估計電池的最大可用容量，相較于利用完整充放電循環測定電池最大可用容量的方法，可以減少測試時間和能源消耗；并結合自編碼器進行特本文檔來自技高網...
【技術保護點】
1.一種基于自編碼器的退役電池健康狀態評估方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：在所述采集退役單體電池的充放電數據和預設充放電工況下的充電曲線特征之前，所述方法還包括：
3.根據權利要求2所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：所述基于所述待處理數據集獲取所述預設充放電工況下包括溫度、電壓和容量變化的序列樣本，包括：
4.根據權利要求3所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：所述利用預先構建的自編碼器對預處理后的序列樣本進行特征學習和降維處理，得到低維特征向量，包括：
5.根據權利要求4所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：將所述低維特征向量輸入到預先構建的多層感知機模型中進行迭代訓練，以得到評估模型，包括：
6.根據權利要求5所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：在所述利用預先構建的自編碼器對預處理后的序列樣本進行特征學習和降維處理，得到低維特征向量之后
7.根據權利要求6所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：所述根據所述評估模型對目標退役電池的健康狀態進行評估，包括：
8.一種基于自編碼器的退役電池健康狀態評估系統，其特征在于：所述系統包括：
9.根據權利要求8所述的一種基于自編碼器的退役電池健康狀態評估系統，其特征在于：所述健康狀態評估模塊包括：
...【技術特征摘要】
1.一種基于自編碼器的退役電池健康狀態評估方法，其特征在于，所述方法包括：
2.根據權利要求1所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：在所述采集退役單體電池的充放電數據和預設充放電工況下的充電曲線特征之前，所述方法還包括：
3.根據權利要求2所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：所述基于所述待處理數據集獲取所述預設充放電工況下包括溫度、電壓和容量變化的序列樣本，包括：
4.根據權利要求3所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：所述利用預先構建的自編碼器對預處理后的序列樣本進行特征學習和降維處理，得到低維特征向量，包括：
5.根據權利要求4所述的一種基于自編碼器的退役電池健康狀態評估方法，其特征在于：將所述...
【專利技術屬性】
技術研發人員：宋騏，周鵬飛，羅剛，
申請(專利權)人：安徽國麒科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。