[发明专利]一种粒子群优化BIRCH算法的退役动力电池等级划分方法

说明书

一种粒子群优化BIRCH算法的退役动力电池等级划分方法,首先对退役动力电池的外观进行检测，初步筛选出可二次利用的退役动力电池。选取退役动力电池的容量、内阻和开路电压作为等级划分依据，建立聚类特征树CF Tree，利用CF Tree的CF节点的质心，作为初始聚类中心点。计算电池数据与聚类中心点的欧氏距离。根据“距离就近原则”，对退役动力电池进行初次分类。并通过粒子群不断优化聚类中心点的位置，最终将退役电池划分为若干等级。针对不同等级的退役动力电池，制定不同的后续应用方案。本发明将粒子群的优化思想融入聚类过程中，提高了退役动力电池等级划分的准确性，并且划分到同级别退役动力电池拥有较高的一致性。

技术领域

本发明涉及电动汽车退役动力电池二次应用技术领域，具体涉及退役动力电池的等级划分技术。

背景技术

由于传统燃油汽车对环境的污染日益严重，化石资源的日渐枯竭，新能源汽车的发展已经成为汽车行业的新趋势。我国政府也采取了一系列措施来鼓励新能源汽车行业的发展。新能源汽车主要包括：电动、混动、太阳能、氢能汽车等。随着电动汽车销量的不断增加，退役动力电池的数量也会显著上升，如何处理数量庞大的退役动力电池成为一个重要的问题。

电动汽车对动力电池的性能要求较高，随着充放电次数的增加，电池性能也在逐步衰减。当动力电池不满足汽车使用标准时，必须对其进行更换。若直接对退役动力电池进行报废处理，不仅会造成资源的浪费，而且危害环境。另外，退役的动力电池具有80％左右的剩余容量，可以进行二次应用。但退役动力电池之间的性能参数差异较大，如果不经筛选直接应用，容易造成安全事故。为保证退役动力在二次应用过程中的安全性和可靠性，必须对退役动力电池进行筛选。

目前，针对退役动力电池的筛选方法较多。循环圈数法对电池进行循环充放电实验，得到其开路电压和循环圈数拟合方程，根据循环圈数对电池进行等级划分。该方法耗时较长、效率较低。人工筛选往往只会检测退役动力电池的外观、电阻和容量，不能够反映退役动力电池参数之间的关系，筛选后的一致性较差。应用BIRCH算法的电池分类方法也有缺陷，其生成的CF Tree对数据集的分布十分敏感，容易造成退役动力电池的错误分类。粒子群算法具有搜索全局最优能力强、收敛速度快的特点。因此，本发明采用粒子群优化BIRCH算法，以解决退役动力电池的分类不准确问题。

发明内容

本发明的目的是提供一种粒子群优化BIRCH算法的退役动力电池等级划分方法。

本发明是一种粒子群优化BIRCH算法的退役动力电池等级划分方法，其步骤为：

步骤(1)选取m组电动大巴车退役动力电池进行外观检测，对于存在鼓包、破损情况的退役动力电池，进行回收处理；将剩余n组退役动力电池进行下一步操作；其中，n≤m；

步骤(2)以退役动力电池的容量、内阻和开路电压作为等级划分依据，测量n组退役动力电池的容量、内阻和开路电压的数据参数，得到退役动力电池等级划分的数据集 D＝{d₁,d₂,…,d_n}；

其中，d_u＝(a_u,b_u,c_u)0＜u≤n，a_u代表第u组退役动力电池的容量，b_u代表第u组退役动力电池的内阻，c_u代表第u组退役动力电池的开路电压；

步骤(3)建立聚类特征树CF Tree，该树的每一个节点由若干聚类特征组成；对根节点最大个数K，分支节点最大个数B，每个叶子节点容纳的最大CF数L以及叶子节点每个CF的最大半径阈值T这四个CF Tree参数进行给定；

每一个CF是一个三元组，用(Q，LS，SS)表示，其中Q代表了这个CF中拥有的样本数，LS代表了这个CF中拥有的样本点各特征维度的和向量，SS代表了这个CF中拥有的样本点各特征维度的平方和；N、SS、LS满足如下线性关系；