一种退役锂电池余能快速检测方法与流程

本发明涉及锂电池检测领域，特别涉及一种退役锂电池余能快速检测方法。

背景技术：

随着新能源汽车逐渐普及，必将会产生大量的淘汰废旧电池。这些淘汰电池的剩余容量能达到80％以上，完全可以将其应用于其它小型号设备或用于储能，避免环境污染及节约能源。因此，退役锂电池的梯次利用研究具有现实的意义。要实现梯次利用，则要对退役锂电池进行余能检测。现行国家标准下，锂电池余能检测的过程较复杂且检测时间过长，需要对电池进行多次充放电，对电池本身还会产生损耗。

技术实现要素：

本发明的目的在于克服现有技术的不足，提供一种退役锂电池余能快速检测方法，用于检测退役锂电池的剩余电池容量。

为了实现上述目的，本发明采用的技术方案为：一种退役锂电池余能快速检测方法，包括如下步骤：

步骤1：构建用于预测退役锂电池余能的bp神经网络模型；

步骤2：获取神经网络模型训练所需的训练样本集；

步骤3：采用训练样本集对bp神经网络模型进行训练；

步骤4：采用训练后的bp神经网络对待测的退役锂电池的容量进行检测。

训练样本集包括多组样本数据，每组样本数据包括充电曲线、放电曲线、充电温度、放电温度、剩余容量。

bp神经网络模型包括输入层、中间层和输出层，训练样本中的放电曲线数据、放电温度、充电曲线数据、充电温度为输入层输入数据，输出层对应数据为剩余容量，通过充电曲线数据、充电温度、放电曲线数据、放电温度、剩余容量对bp神经网络进行训练。

所述bp神经网络采用matlab中神经网络工具箱中的自适应算法与lm算法相结合的神经网络。

获取训练样本的方法包括取若干退役锂电池进行充放电测试，获取每一组锂电池的充电温度、充电曲线数据、放电温度、放电曲线数据及对应的剩余容量数据，选择剩余容量在额定容量的60％-90％之间的锂电池的测试数据组成训练样本集。

在对退役锂电池进行充放电测试时，对每一个锂电池进行多次充放电，在多次充放电下求得剩余电量；记录多次充放电下的每一次单次充电曲线数据、单次放电曲线数据，将多个单次放电曲线数据求平均得到放电曲线数据，将多个单次充电曲线数据求平均得到充电曲线数据。

在对退役锂电池进行余能检测时，将待测的锂电池进行一次充放电获取对应的充电温度、充电曲线数据、放电温度、放电曲线数据输入到训练后的bp神经网络，然后由bp神经网络输出预测的剩余电量值。

本发明的优点在于：采用matlab软件利用bp神经网络对退役锂电池进行剩余容量进行快速测试，给出较为准确的退役锂电池的容量预测，避免了现有技术需要反复充放电测试的繁琐缺陷。

附图说明

下面对本发明说明书各幅附图表达的内容及图中的标记作简要说明：

图1为本发明余能检测流程示意图；

具体实施方式

下面对照附图，通过对最优实施例的描述，对本发明的具体实施方式作进一步详细的说明。

如图1所示，一种退役锂电池余能快速检测方法，包括如下步骤：

步骤1：构建用于预测退役锂电池余能的bp神经网络模型；

步骤2：获取神经网络模型训练所需的训练样本集；

步骤3：采用训练样本集对bp神经网络模型进行训练；

步骤4：采用训练后的bp神经网络对待测的退役锂电池的容量进行检测。

在步骤1中，构建的bp神经网络一般包括输入层、中间层和输出层，优选地，采用matlab软件的bp神经网络工具采用自适应算法与lm算法相结合对退役锂电池的快速余能检测模型进行优化。采用自适应算法和lm算法相结合对bp神经网络进行优化，通过对网络的权值、阈值和收敛速度等进行优化，可以有效提高bp神经网络的收敛速度和降低预测误差值。

在步骤2中，为了形成训练样本，选择若干个退役锂电池进行充放电测试，选择的数量根据实际需求确认，退役锂电池选择的样本数量越多，训练会越准确。

采用新威ct-4008-5v6a-s1测试仪对锂电池进行充放电测试，按照国家标准下，对每一个锂电池进行多次充放电，记录充放电过程中的每一次的单次放电曲线数据、单次充电曲线数据，将每一个锂电池对应的多条单次充电曲线数据取平均值得到该锂电池对应的充电曲线、将每一个锂电池的多条单次放电曲线数据取平均值得到该锂电池对应的放电曲线。同时记录每次充电温度数据、放电温度数据，可求平均后作为充电曲线数据对应的充电温度、放电温度曲线数据对应的放电温度。充电曲线数据是指充电过程中的电压变化与时间对应形成的曲线，放电曲线数据是指放电过程中电压变化随时间对应形成的曲线，曲线数据是指以充放电过程中的曲线数据以数组或函数曲线的形式表征曲线输入到bp神经网络。同时根据测试仪测得到数据得到剩余容量值，该剩余容量值按照国家标准下进行求得的。然后选取剩余容量在额定容量60％-90％之间的锂电池对应的数据作为训练样本集。训练样本集包括多组样本数据，每组样本数据包括充电温度、充电曲线数据、放电温度、放电曲线数据、剩余容量。

获取训练样本的方法包括取若干退役锂电池进行充放电测试，每组锂电池进行多次充放电，获取多组锂电池充放电下的充电曲线数据、充电温度、放电曲线数据、放电温度及对应的剩余容量数据，在实际选择训练过程中，选取某车企电动车使用过后被淘汰拆解的18650锂电池，随机取出16节18650锂电池进行测试，然后分成4节一组，在20℃±5℃条件下，锂电池以2a电流恒流充电，至锂电池电压达到4.2v，终止电流为0.1a,静置1h，然后在20℃±5℃条件下1c(即电流2a)放电，终止电压设定为2.75v时，再静置1h，重复循环3次。然后在充放电过程中采集对应的充放电时的温度以及充放电过程中的电压、电流数据形成充放电曲线以及通过采集的数据获得对应的实际的剩余容量数据，根据测量得到的实际剩余容量，将采集的数据选取剩余容量在60％～90％之间的锂电池的数据构成样本集，将锂电池的充电曲线数据、放电曲线数据、充电温度、放电温度、剩余容量加入余能检测的计算当中，对获得的样本数据进行预处理，将样本数据分为训练样本和测试样本，并进行归一化处理。从而获得归一化处理的训练样本集和测试样本。

对构建的bp神经网络进行训练，采用训练样本对bp神经网络进行训练，bp神经网络包括输入层、中间层、输出层，设置训练结束条件，输入层对应的节点包括充电曲线数据、放电曲线数据以及对应的充电温度、放电温度，输出层对应节点的剩余容量，通过充电曲线数据、放电曲线数据、充电温度、放电温度、剩余容量对bp神经网络进行训练。通过matlab软件中的bp神经网络工具箱采用自适应算法与lm算法相结合对退役锂电池的快速余能检测的bp神经网络模型模型进行优化，对训练数据进行训练，直至满足训练结束条件后结束训练。

在对退役锂电池进行余能检测时，将待测的锂电池进行一次充放电获取对应的充电曲线数据、放电曲线数据以及对应的充电温度、放电温度数据输入到训练后的bp神经网络，然后由bp神经网络输出预测的剩余电量值。采用训练后的bp神经网络来预测退役的锂电池剩余容量，按照国家标准的充放电标准，检测充放电过程中充电曲线数据、放电曲线数据以及充放电温度输入到训练后的bp神经网络中，然后由bp神经网络根据输入的数据预测出对应的锂电池的剩余容量值。

为了验证训练后神经网络模型预测的准确性，训练完成后，将测试样本输入优化后的bp神经网络模型中进行测试，获取神经网络预测的剩余容量值(预测值)以及测试样本中对应的剩余容量值(真实值)，观察预测值与真实值之间的区别，从而来测试采用bp神经网络测试的剩余容量与实际容量之间的误差。本方案针对同一节18650电池进行余能检测的误差在1.3％左右，针对不同节18650电池进行余能检测的误差在2.2％左右，低于国家标准的5％要求。也就是说通过本申请的方法中bp神经网络进行预测，可以在一次充放电后就可以快速得到剩余容量值。

本发明的18650退役锂电池余能快速检测的方法，充分考虑了国家标准下锂电池充放电余能检测，检测时间过长且对电池有损耗的实际影响。构建bp神经网络模型进行余能检测。在不同温度下对18650锂电池进行多次充放电实验，按照国家标准以正常工作模式运行，并利用上位机模块采集数据并以数据进行bp神经网络训练。在预测时将上位机模块采集的数据，输入到优化的bp神经网络模型进行预测，由预测数据结果可以发现本方法实现了不同温度下18650退役锂电池余能快速检测。

与现有技术相比，本发明的有益效果是考虑到了国家标准下锂电池充放电余能检测，检测时间过长且对电池有损耗，利用bp神经网络模型对退役锂电池余能检测，为18650退役锂电池在不同温度下余能快速检测提供了一种实际可行的方案。

显然本发明具体实现并不受上述方式的限制，只要采用了本发明的方法构思和技术方案进行的各种非实质性的改进，均在本发明的保护范围之内。