[發明專利]基于電化學阻抗譜的退役鋰離子電池快速分選重組方法有效
| 申請號： | 202110849887.1 | 申請日： | 2021-07-27 |
| 公開（公告）號： | CN113484787B | 公開（公告）日： | 2022-07-29 |
| 發明（設計）人： | 來鑫;陳權威;鄧聰;鄭岳久;周龍 | 申請（專利權）人： | 上海理工大學 |
| 主分類號： | G01R31/392 | 分類號： | G01R31/392;G01N27/02 |
| 代理公司： | 上海德昭知識產權代理有限公司 31204 | 代理人： | 郁旦蓉 |
| 地址： | 200093 *** | 國省代碼： | 上海;31 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 電化學 阻抗 退役 鋰離子電池 快速 分選 重組 方法 | ||
1.一種基于電化學阻抗譜的退役鋰離子電池快速分選重組方法，用于對退役鋰離子電池進行快速分選重組，其特征在于，包括以下步驟：
步驟S1，對所述退役鋰離子電池進行電化學阻抗譜測試與弛豫時間分布分析，得出對應的電化學阻抗譜奈奎斯特圖阻抗曲線以及對應的弛豫時間分布數據，然后從所述電化學阻抗譜奈奎斯特圖阻抗曲線與橫軸的交點計算出所述退役鋰離子電池的歐姆內阻RO；
步驟S2，基于預先訓練好的黑箱模型以及所述弛豫時間分布數據，對所述退役鋰離子電池進行快速容量估計從而得出所述退役鋰離子電池的預估電池容量；
步驟S3，基于所述弛豫時間分布數據提取所述退役鋰離子電池的阻抗特征信息，該阻抗特征信息包括所述退役鋰離子電池的接觸阻抗Rc、SEI膜阻抗RSEI、電荷交換阻抗Rct以及鋰離子擴散阻抗Rd，并且將該阻抗特征信息與所述預估電池容量以及歐姆內阻RO作為一個六維度的重組判據輸入至高斯混合模型；
步驟S4，所述高斯混合模型對所述退役鋰離子電池進行軟聚類重組得到最終軟聚類結果，并完成所述分選重組。
2.根據權利要求1所述的一種基于電化學阻抗譜的退役鋰離子電池快速分選重組方法，其特征在于：
其中，所述電化學阻抗譜測試的物理條件為溫度25℃，施加擾動電壓為0.01V，測試頻率范圍為0.01Hz至1000Hz。
3.根據權利要求1所述的一種基于電化學阻抗譜的退役鋰離子電池快速分選重組方法，其特征在于：
其中，在進行所述弛豫時間分布分析時，調整各老化電池的SOC至20％SOC進行10分鐘的所述電化學阻抗譜測試，并對測得的電化學阻抗譜進行所述弛豫時間分布分析。
4.根據權利要求1所述的一種基于電化學阻抗譜的退役鋰離子電池快速分選重組方法，其特征在于：
其中，所述黑箱模型基于訓練好的BPNN網絡構建，該BPNN網絡包括輸入層、隱藏層、輸出層，
所述預先訓練的步驟如下：
步驟S2-1，隨機選擇少量電池進行測試和所述弛豫時間分布分析得到對應的電池標準容量以及弛豫時間分布數據作為BPNN網絡的輸入變量和樣本數據，并對所述輸入變量和所述樣本數據進行歸一化處理，公式為：
式中，xmax和xmin分別為BPNN網絡輸入向量x中的最大值和最小值；
步驟S2-2，建立初始BPNN模型，并基于隨機函數對該初始BPNN模型每一層間的連接權值矩陣和偏置向量進行隨機初始化；
步驟S2-3，設置所述隱藏層的神經元及學習率，將歸一化處理后的所述輸入變量和所述樣本數據輸入至所述初始BPNN模型，并使用LM算法對所述BPNN網絡進行訓練得到所述黑箱模型。
5.根據權利要求1所述的一種基于電化學阻抗譜的退役鋰離子電池快速分選重組方法，其特征在于：
其中，所述軟聚類重組包括以下步驟：
步驟S4-1，采集數據和輸入樣本，并對數據和樣本進行z-score歸一化處理，公式為：
式中，為原始數據均值，σ為原始數據標準差；
步驟S4-2，采用K-means算法對K個多元高斯分布的參數進行初始化處理；
步驟S4-3，運用EM優化算法求解高斯混合模型的參數，直至該高斯混合模型基于所述EM優化算法迭代100次；
步驟S4-4，輸出所述高斯混合模型的數據作為基于所述軟聚類重組得到的最終聚類結果。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于上海理工大學，未經上海理工大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202110849887.1/1.html，轉載請聲明來源鉆瓜專利網。
