1.一种数据驱动的梯次电池rul预测与分类方法,其特征在于,具体包括如下步骤:
步骤s1:收集拟参与梯次利用电池的生产商数据及电池型号,对于每一种型号,取30个出厂的新电池,构成一组;
步骤s2:对于不同生产商的不同型号的电池,测试每一组电池的时序数据,建立电池rul的衰减数据库;
步骤s3:根据步骤s2中测试的时序数据,建立数据驱动rul预测模型,预测退役电池的rul;
步骤s4:基于k均值算法,对退役电池进行分类;
步骤s5:将步骤s4中分得同类的电池,通过串并联结合组装成新的电池组,投入到能源互联网中进行梯次利用。
2.根据权利要求1所述的数据驱动的梯次电池rul预测与分类方法,其特征在于,所述步骤s2中测试每一组电池的时序数据,具体为:选取电池充放电过程中的电压、电流、温度作为特征量。
3.根据权利要求1所述的数据驱动的梯次电池rul预测与分类方法,其特征在于,所述步骤s3具体包括:
步骤s31:模型定义与参数估计,利用步骤s2中时序数据,建立状态退化模型,基于极大似然估计方法得到估计参数;
步骤s32:测试退役电池的时序数据,对所述退役电池的时序数据进行预处理,输入到步骤s31得到的状态退化模型中,得到估计退役电池的rul。
4.根据权利要求3所述的数据驱动的梯次电池rul预测与分类方法,其特征在于,所述步骤s31中,状态退化模型为自回归滑动平均模型,模型中的噪声模型为有色噪声。
5.根据权利要求3所述的数据驱动的梯次电池rul预测与分类方法,其特征在于,所述步骤s32中,对所述退役电池的时序数据进行预处理,具体包括:对所述退役电池的时序数据,通过小波分析进行多尺度和多分辨率分析,取低频数据部分,输入到步骤s31中的状态退化模型中,取高频数据部分用于构建模型中的噪声模型。
6.根据权利要求3所述的数据驱动的梯次电池rul预测与分类方法,其特征在于,所述步骤s32中,输入到步骤s31得到的状态退化模型中,得到估计退役电池的rul,具体包括:通过对比退役电池的时序数据的衰减率与s2步骤中的时序数据的数据衰减率,在误差阈值内得到退役电池的rul估计。
7.根据权利要求1所述的数据驱动的梯次电池rul预测与分类方法,其特征在于,所述步骤s4中,基于k均值算法,对退役电池进行分类,具体包括:基于k均值算法,将电压等级相同的,且rul相近的电池分到同一类。
8.根据权利要求1所述的数据驱动的梯次电池rul预测与分类方法,其特征在于,在所述步骤s5中,对s4中所分的同类电池,根据用户的用电设备电压等级的需要,进行串并联的组合封装。