一种基于多参数的废旧锂电池分选方法及装置与流程

本发明涉及电动汽车动力电池，具体涉及一种基于多参数的废旧锂电池分选方法及装置。

背景技术：

1、锂电池是一种以锂金属或锂合金为负极材料，使用非水电解质溶液的一次电池。随着二十世纪末微电子技术的发展，小型化的设备日益增多，对电源提出了很高的要求。锂电池随之进入了大规模的实用阶段。锂电池在结束其使用周期以后，需要进行回收处理，主要出于对环保性和经济性的考虑。锂电池里面通常含有较多有害物质，如果废旧锂电池采取普通的垃圾处理方法(包括填埋、焚烧、堆肥等)，其中的钴、镍、锂、锰等金属以及无机、有机化合物必将对大气、水、土壤造成严重的污染，具有极大的危害性。除了环保方面的考量，锂电池的回收也可以带来社会效益，国家支持开展动力锂离子电池回收利用的科学技术研究，引导产学研协作，鼓励开展梯次利用和再生利用，坚持产品全生命周期理念，遵循环境效益、社会效益和经济效益有机统一的原则，充分发挥市场用途。

2、而要回收废旧锂电池，首先要对电池进行准确分类，因此，需要一种方法来识别和分选出不一致的电池，以对废旧锂电池进行更加合理地运用，帮助提高电池组的整体性能，在降低成本的同时促进环境的保护和可持续发展。

技术实现思路

1、针对现有技术存在的不足，本发明提出一种基于多参数的废旧锂电池分选方法及装置，以能够对废旧锂电池进行准确分类。

2、第一方面，本发明提供一种基于多参数的废旧锂电池分选方法。

3、在第一种可实现方式中，一种基于多参数的废旧锂电池分选方法，包括：

4、确定废旧锂电池的初始参数；

5、确定各初始参数的影响权重；

6、根据影响权重确定废旧锂电池的特征参数；

7、根据特征参数对废旧锂电池样品进行聚类处理，获取聚类结果；

8、根据聚类结果和特征参数进行机器学习，获得废旧锂电池分类模型；

9、根据废旧锂电池分类模型对废旧锂电池进行分选。

10、结合第一种可实现方式，在第二种可实现方式中，确定各初始参数的影响权重，包括：

11、获取各初始参数的方差协作率和累积方差协作率；

12、根据方差协作率和累积方差协作率确定影响权重。

13、结合第二种可实现方式，在第三种可实现方式中，方差协作率通过以下公式计算：

14、

15、在上式中，pj为第j个初始参数的方差协作率，为第j个初始参数的平方和，为第m个初始参数和第n个初始参数的协方差。

16、结合第一种可实现方式，在第四种可实现方式中，根据方差协作率和累积方差协作率确定影响权重，包括：

17、将方差协作率除以累积方差协作率，所得之商为影响权重。

18、结合第一种可实现方式，在第五种可实现方式中，根据影响权重从初始参数中确定废旧锂电池的特征参数，包括：

19、构建因子模型；

20、根据因子模型和影响权重获取各初始参数的分数；

21、基于各初始参数的分数，确定废旧锂电池的特征参数。

22、结合第四种可实现方式，在第六种可实现方式中，构建因子模型包括：

23、

24、在上式中，z表示因子模型，fk表示第k个公共因子，αik为第k个公共因子的协方差，δi为第i个初始参数的特殊因子，特殊因子只对特定的初始参数起作用，xi为第i个初始参数。

25、结合第五种可实现方式，在第七种可实现方式中，根据因子模型和影响权重获取各初始参数的分数，包括：

26、对因子模型进行回归分析，获得各因子分数；

27、将各因子分数与影响权重相乘，获得各初始参数的分数。

28、结合第一种可实现方式，在第八种可实现方式中，根据特征参数对废旧锂电池样品进行聚类处理，获取聚类结果，包括：

29、初始网络包括输入层、竞争层和输出层；竞争层和输出层包括多个神经元；初始网络的学习参数包括权重初值、优胜邻域初值和学习率初值；初始网络通过以下循环步骤对学习参数进行更新：

30、对特征参数进行归一化处理，并将归一化处理后的特征参数输入初始网络的输入层；

31、竞争层基于输入的特征参数计算初始网络中各神经元的欧氏距离，并基于欧氏距离确定最佳神经元；

32、输出层基于优胜邻域初值查找最佳神经元的相邻神经元，并输出所有相邻神经元；

33、在输出结果不满足迭代停止条件的情况下，对初始网络的学习参数进行更新，并基于更新后的初始网络继续获取相邻神经元，直到满足迭代停止条件为止。

34、结合第一种可实现方式，在第九种可实现方式中，根据聚类结果和特征参数进行机器学习，获得废旧锂电池分类模型，包括：

35、采用支持向量机对聚类结果和特征参数进行机器学习，获得废旧锂电池分类模型。

36、第二方面，本发明提供一种基于多参数的废旧锂电池分选装置。

37、在第十种可实现方式中，一种基于多参数的废旧锂电池分选装置，包括：

38、初始参数确定模块，被配置为确定废旧锂电池的初始参数；

39、影响权重确定模块，被配置为确定各初始参数的影响权重；

40、特征参数确定模块，被配置为根据影响权重确定废旧锂电池的特征参数；

41、聚类结果获取模块，被配置为根据特征参数对废旧锂电池样品进行聚类处理，获取聚类结果；

42、废旧锂电池分类模型获取模块，被配置为根据聚类结果和特征参数进行机器学习，获得废旧锂电池分类模型；

43、废旧锂电池分选模块，被配置为根据废旧锂电池分类模型对废旧锂电池进行分选。

44、由上述技术方案可知，本发明的有益技术效果如下：

45、通过废旧锂电池初始参数的影响权重来选取特征参数，以电池的特征参数作为分选依据，对退役电池样品进行聚类，再对聚类结果进行机器学习，根据机器学习得到的废旧锂电池分类模型对电池样品样本进行归类分选。从而识别和分选出不一致的电池，以对废旧锂电池进行更加合理地运用，帮助提高电池组的整体性能，在降低成本的同时促进环境的保护和可持续发展。

技术特征：

1.一种基于多参数的废旧锂电池分选方法，其特征在于，包括：

2.根据权利要求1所述的方法，其特征在于，确定各初始参数的影响权重，包括：

3.根据权利要求2所述的方法，其特征在于，方差协作率通过以下公式计算：

4.根据权利要求1所述的方法，其特征在于，根据方差协作率和累积方差协作率确定影响权重，包括：

5.根据权利要求1所述的方法，其特征在于，根据影响权重从初始参数中确定废旧锂电池的特征参数，包括：

6.根据权利要求4所述的方法，其特征在于，构建因子模型包括：

7.根据权利要求5所述的方法，其特征在于，根据因子模型和影响权重获取各初始参数的分数，包括：

8.根据权利要求1所述的方法，其特征在于，根据特征参数对废旧锂电池样品进行聚类处理，获取聚类结果，包括：

9.根据权利要求1所述的方法，其特征在于，根据聚类结果和特征参数进行机器学习，获得废旧锂电池分类模型，包括：

10.一种基于多参数的废旧锂电池分选装置，其特征在于，包括：

技术总结本发明涉及电动汽车动力电池技术领域，具体涉及一种基于多参数的废旧锂电池分选方法及装置。通过废旧锂电池初始参数的影响权重来选取特征参数，以电池的特征参数作为分选依据，对退役电池样品进行聚类，再对聚类结果进行机器学习，根据机器学习得到的废旧锂电池分类模型对电池样品样本进行归类分选。从而识别和分选出不一致的电池，以对废旧锂电池进行更加合理地运用，帮助提高电池组的整体性能，在降低成本的同时促进环境的保护和可持续发展。技术研发人员：马兹林,曹政,王景平,彭星渊,张智靖受保护的技术使用者：重庆云宸新能源科技有限公司技术研发日：技术公布日：2024/6/20