本發明涉及電池分選，更具體地說，本發明涉及電芯分選過程中動態參數權重調整的智能方法及系統。

背景技術：

1、與電動汽車相比，兩輪車、三輪車所使用的電池在規格、充放電特性以及使用環境等方面存在差異。傳統的電芯分選方法往往是基于電動汽車電池的特性而設計，無法充分考慮兩輪車、三輪車電池的特點，導致分選結果不能很好地滿足其實際需求。

2、公開號為cn117872147a的中國專利申請公開了一種基于soa-fcm的退役電池分選方法，具體包括：s1、構建soa-fcm，模型的輸入參數包括靜態參數和動態參數，所述靜態參數包括電壓、內阻、soc和soh，所述動態參數包括電壓變化率δu、soc變化率δsoc和soh變化率δsoh；對參數進行初始化，確定fcm的權值和閾值編碼；s2、計算每只海鷗的適應度值，個體之間相互比較適應度值，找出當前種群的個體最優和全體最優值；s3、對海鷗位置進行更新，通過對優化目標進行循環判斷，更新海鷗進行遷徙行為后的新位置；s4、更新最終位置；s5、再次比較當前種群個體之間的適應度，找出全局最優值；s6、判斷算法在執行過程中達到終止條件，若未達到則計算轉到步驟s4～s6繼續進行位置更新；s7、輸出soa算法的全體最優位置和適應度值。該發明解決了傳統的無監督聚類fcm算法易陷入局部最優的問題，有效抑制了單體電池組合成為動力電池系統后的壽命衰減速度。

3、上述方法雖能滿足大部分場景，但對上述方法以及現有技術進行研究和實際應用發現，上述方法以及現有技術至少存在以下部分缺陷：

4、在基于soa-fcm的退役電池分選方法中，雖然對電池的額定容量、歐姆內阻、開路電壓、soc、soh等特征參數及其變化率進行動態聚類，但并沒有明確針對各動態參數權重進行靈活調整的機制；且該方法中一旦確定了模型結構和參數初始化設置，在后續分選過程中對于新出現的特殊情況或數據分布變化，無法及時做出針對性的調整，導致分選效果下降。

5、鑒于此，本發明提出電芯分選過程中動態參數權重調整的智能方法及系統以解決上述問題。

技術實現思路

1、為了克服現有技術的上述缺陷，為實現上述目的，本發明提供如下技術方案：電芯分選過程中動態參數權重調整的智能方法，包括如下步驟：

2、在電動車及充電站部署傳感器，實時采集電芯數據；

3、對電芯數據進行清洗和歸一化處理獲得標準電芯數據；

4、對標準電芯數據進行相關性分析，獲取電芯分選參數；

5、為每個電芯分選參數賦予初始權重；

6、將電芯分選參數的初始權重進行拼接作為初始權重向量，基于自然啟發優化算法對初始權重向量進行優化，獲得電芯分選參數的最佳權重。

7、進一步地，所述獲得電芯分選參數的最佳權重的方法包括：

8、步驟1、將初始權重向量作為草原犬鼠個體，隨機生成個權重向量，與初始權重向量匯總作為種群數量為的初始種群；

9、步驟2、為種群構建關于性能指標的適應度函數；性能指標包括續航里程、工作溫度和壽命；

10、步驟3、在每次迭代中，對于種群中的每個草原犬鼠個體，計算對應的適應度值；基于種群更新策略尋找當前迭代次數中種群中的最優個體；

11、步驟4、實時監測電芯在實際使用和充電過程中的性能指標；

12、步驟5、當達到預設條件或達到設定的迭代次數時，將得到的最優權重向量應用到電芯分選參數的權重調整中。

13、進一步地，構建所述適應度函數的方法包括：

14、步驟2.1、定義狀態空間；

15、步驟2.2、定義動作空間；

16、步驟2.3、設計獎勵函數；

17、步驟2.4、初始化用于存儲狀態-動作對的價值的q值表格，其中，q值表格行對應狀態，列對應動作，將q值表格中所有q值初始化為0；

18、步驟2.5、提取電芯數據中的電芯分選參數獲得訓練數據，在時間步，根據當前狀態，選擇一個動作，執行動作后，觀察到下一個狀態和獲得的獎勵，基于預設的經驗回放緩沖區，用于記錄時間步對應的四元組；

19、步驟2.6、從經驗回放緩沖區抽取個四元組，基于q-learning算法計算對應的q值：

20、步驟2.7、重復步驟2.6，直至達到預定的訓練次數，選取對于輸入狀態具有最高q值的動作；其中，為第個電芯分選參數對應的狀態；

21、步驟2.8、將第個電芯分選參數對應的狀態和具有最高q值的動作作為性能預測模型的輸入，獲得預測性能指標；將預測性能指標與實際性能指標之間的均方誤差與執行動作后q值的變化量的乘積的倒數作為適應度函數。

22、進一步地，獲得所述獎勵函數的方法包括：基于續航里程的變化量、工作溫度的變化量和壽命的變化量之和構建獎勵函數；其中，當執行選定動作后與執行選定動作前相比，續航里程提高、工作溫度降低或壽命延長時給予正獎勵，續航里程降低、工作溫度升高或壽命縮短時給予負獎勵。

23、進一步地，所述性能預測模型的訓練方法包括：

24、預先收集訓練數據，訓練數據包括組電芯分選參數對應的狀態、具有最高q值的動作和對應的性能指標；將訓練數據按照預設比例劃分為訓練集、驗證集和測試集；將訓練集作為性能預測模型的輸入，通過梯度下降算法調整性能預測模型的參數，使性能預測模型在訓練集上的損失函數最小化；損失函數為對應的預測性能指標與實際對應的性能指標的均方誤差，使用驗證集監控性能預測模型在訓練過程中的預測平均絕對誤差，當性能預測模型在驗證集上的預測平均絕對誤差達到預設預測平均絕對誤差閾值時，使用測試集評估性能預測模型的預測準確率，當預測準確率達到預設準確率閾值時，獲得對應的性能預測模型。

25、進一步地，所述種群更新策略如下：

26、將種群按照適應度值按照從大到小的順序進行排序，將排名為前wa%的個體標記為精英層個體；將排名為wa%~wb%的個體標記為中間層個體，將排名為wb%之后的個體標記為普通層個體；其中，wa和wb均為適應度劃分閾值；采用保守更新策略對精英層個體進行更新；采用常規更新策略對中間層個體進行更新；采用激進更新策略對普通層個體進行更新；其中，保守更新策略結合覓食調節系數和自適應系數對精英層個體進行更新，常規更新策略結合自適應系數對中間層個體進行更新，激進更新策略結合自適應系數和隨機觸發概率對普通層個體進行更新，在精英層個體、中間層個體和普通層個體的更新過程中引入記憶機制，記錄種群個體的歷史最優適應度值對應的權重向量，在每次迭代過程中引導種群個體向全局最優權重向量靠近。

27、進一步地，所述電芯數據包括電壓、電流、環境溫度、工作溫度、電芯內阻、電芯容量、荷電狀態數據、健康狀態數據、自放電率、充放電次數、充電時間和放電時間。

28、進一步地，獲得所述標準電芯數據的方法包括：

29、將電芯數據與對應的預設范圍閾值進行比較，剔除超出預設范圍閾值的異常電芯數據，將剔除異常電芯數據后的電芯數據進行歸一化處理，將歸一化處理后的電芯數據作為標準電芯數據。

30、進一步地，獲取所述電芯分選參數的方法包括：

31、計算標準電芯數據與性能指標間的皮爾遜相關性系數，與預設相關性閾值進行比較，當皮爾遜相關性系數超出預設相關性閾值時，將對應的標準電芯數據作為電芯分選參數。

32、進一步地，所述為每個電芯分選參數賦予初始權重的方法包括：

33、以隨機分配的方式為每個電芯分選參數賦予初始權重。

34、電芯分選過程中動態參數權重調整的智能系統，實施所述電芯分選過程中動態參數權重調整的智能方法，包括：

35、數據收集模塊：用于在電動車及充電站部署傳感器，實時采集電芯數據；

36、數據處理模塊：用于對電芯數據進行清洗和歸一化處理獲得標準電芯數據；

37、數據分析模塊：用于對標準電芯數據進行相關性分析，獲取電芯分選參數；

38、權重賦予模塊：用于為每個電芯分選參數賦予初始權重；

39、動態優化模塊：用于將電芯分選參數的初始權重進行拼接作為初始權重向量，基于自然啟發優化算法對初始權重向量進行優化，獲得電芯分選參數的最佳權重。

40、本發明電芯分選過程中動態參數權重調整的智能方法及系統的技術效果和優點：

41、本發明通過實時監測兩輪車、三輪車電芯在不同工況下的動態參數，智能算法能夠根據預設的分選目標和實時數據特征，迅速且精準地調整各參數權重，能夠提高電芯在實際復雜使用場景中的性能匹配度，有效避免因參數權重不合理導致的電芯性能不達標問題，且在長期使用過程中，隨著電芯性能的自然衰減，該方法能依據實時監測數據動態更新權重，始終保證分選的準確性，大幅提升了電芯分選的整體質量和可靠性，為兩輪車、三輪車的高效穩定運行提供堅實保障。