CN109783902A - 一种面向均衡控制的电池动态分组方法 - Google Patents

Abstract

本发明公开了一种面向均衡控制的电池动态分组方法，首先测量单体端电压及估算单体SOC，作为电池状态向量输入聚类算法中，然后利用提出的基于密度模糊c均值聚类算法确定初始聚类中心及初始隶属度矩阵，最后按照既定算法流程进行迭代运算，得出电池聚类分组结果，完成电池动态分组，为后续的均衡操作奠定基础。

Description

一种面向均衡控制的电池动态分组方法

技术领域

本发明涉及锂离子电池的均衡策略，尤其涉及一种面向均衡控制的电池动态分组方法。

背景技术

锂离子电池因其能量密度和功率密度高、无记忆效应、自放电率较低等诸多优点而被广泛应用在电动汽车及储能等领域。但因其单体电压较低，有时不能达到实际应用场景对电压和容量的要求，因此需将电池串联成组。由于制造工艺和运行环境不同，各单体电池的容量、内阻和开路电压存在差异，这些差异会导致诸多不利后果，如电池组实际使用中的“木桶效应”、单体过充、过放等。

电池均衡技术可有效缓解电池组容量衰减现象，并避免因各单体电池不一致性而造成的过充过放现象，从而保护电池单体和电池组整体安全。

传统电池分组技术多采用设置电压或电流固定阈值，将每k个物理相邻电池单体固定地分为一个子模组的分组方法进行均衡，分组缺乏目的性；各单体电池能量大量耗散在组内均衡过程中，且当组内电池SOC或电压等参数动态变化时，子模组分组方式不能动态随单体特性变化而动态变化，组内单体及单体数量固定，分组缺乏动态性和科学性，本文采用新型的基于密度的模糊c均值算法实现电池动态分组，对于提升均衡效率有较大意义。

发明内容

本发明目的是提供一种面向均衡控制的电池动态分组方法，以实现对电池能量传递的控制，减小均衡过程中的能量无谓损耗，提高电池的整体利用率。

为到达上述目的，本发明采用的技术方案是：

一种面向均衡控制的电池动态分组方法，提出用于实现电池分组的基于密度模糊c均值聚类算法(Density Based Fuzzy C-means，DBFCM)的电池动态分组均衡方法，利用提出的基于密度模糊c均值聚类算法确定初始聚类中心及初始隶属度矩阵，最后按照既定算法流程进行迭代运算，完成电池动态分组，该均衡方法总体流程包括如下步骤：

(1)测量电池组中各单体端电压，采用扩展卡尔曼滤波法(E-Kalman)对SOC进行精确估算，计算所有单体电池SOC平均值SOCave；

(2)设定SOC阈值ε₁和单体端电压阈值ε₂；

(3)筛选出在阈值外，待聚类分组，均衡操作的电池单体；

(4)利用提出的基于密度的模糊c均值聚类算法对电池单体进行聚类分组，从得到的潜在初始聚类中心集选取用于单体聚类的基于密度模糊c均值聚类算法的初始聚类中心集C，其中x'_j为潜在初始聚类中心，ρ'_j为单体电池状态向量的潜在初始聚类中心样本密度，ρ_c为截止密度，l为电池状态向量样本个数；使用获得的初始聚类中心x'_i和样本密度ρ'_j构造初始隶属度矩阵U；进行基于密度模糊c均值聚类算法电池单体迭代聚类运算，最后得出电池聚类分组结果，即电池子组Ei及其所含单体；

(5)将聚类结果中各电池子组视为新“单体”，进行各“单体”间均衡操作；

所述的面向均衡控制的电池动态分组方法，其特征在于，提出一种用于电池聚类分组的新型的基于密度的模糊c均值算法，该算法在传统模糊c均值聚类算法(FCM)基础上，引入样本密度ρ'_j的概念，依据密度值对所有样本进行降序排列，提出初始聚类中心x'_i及初始隶属度矩阵U的生成方法。

所述的面向均衡控制的电池动态分组方法，其特征在于，提出一种样本密度ρ'_j的计算方法，衡量每个样本的重要性的样本密度ρ'_j为：

其中：

d_jk＝||x_j-x_k||是第j个样本与第k个样本的欧几里德距离，χ(x)是定义的权重函数，d_c为截止距离。

所述的面向均衡控制的电池动态分组方法，其特征在于，提出一种生成初始聚类中心x'_i的计算方法，初始聚类中心x'_i从潜在初始聚类中心集C_l中选取，选取顺序：对应的密度值ρ'_j由大到小的样本点x'_i依次检验选取。选取标准如下：

其中：潜在初始聚类中心集C_l中的元素x'_i，为最终筛选出的第j个初始聚类中心，ε为每两个潜在聚类中心之间的阈值距离。

所述的面向均衡控制的电池动态分组方法，其特征在于，提出一种初始隶属度矩阵U的计算方法，使用获得的初始聚类中心和样本的密度构造初始隶属度矩阵U，

u'_ij(u'_ij为降序排列样本集X_a中x'_i对应的隶属度)定义为：

其中ρ_ck是聚类中心c_k的密度，ρ_ck大于等于,i＝1,2，...，n，k＝1,2，...，c。

本发明的优点是：

(1)本发明提出的基于密度模糊c均值聚类算法克服了传统模糊c均值聚类算法需预先给出聚类中心和初始隶属度矩阵的缺点，给出初始聚类中心和初始隶属度矩阵计算方法，保证电池聚类分组结果稳定性，提高电池聚类分组结果的精度，进而提升电池组的整体能量利用率。(2)本发明提出的基于密度模糊c均值聚类算法可实现电池动态聚类分组，避免因各单体状态向量数值悬殊而导致的组内均衡的能量无谓损耗，提高均衡效率。

附图说明

图1为面向均衡控制的电池动态分组均衡方法总体流程图。

图2为本发明提出的基于密度的模糊c均值聚类算法流程图。

具体实施方式

一种面向均衡控制的电池动态分组方法，该均衡方法总体流程图如图1所示，步骤如下：

(1)测量电池组中各单体端电压，采用E-Kalman滤波法对SOC进行精确估算，计算所有单体电池SOC平均值SOCave；

(2)设定SOC阈值ε₁和单体端电压阈值ε₂；

(3)筛选出在阈值外、待聚类分组，均衡操作的电池单体；

(4)利用提出的基于密度的模糊c均值聚类算法对电池单体进行聚类分组，从得到的潜在初始聚类中心集选取用于单体聚类分组算法DBFCM的初始聚类中心集C，其中x'_j为潜在初始聚类中心，ρ'_j为单体电池状态向量的潜在初始聚类中心样本密度，ρ_c为截止密度，l为电池状态向量样本个数；使用获得的初始聚类中心和样本的密度构造初始隶属度矩阵U；进行DBFCM算法电池单体迭代聚类运算，最后得出电池聚类分组结果，即电池子组Ei及其所含单体；

提出一种用于电池聚类分组的新型的基于密度的模糊c均值算法，此算法具体流程图如图2，该算法在传统模糊c均值聚类算法(FCM)基础上，定义各单体电池状态矩阵X＝(x₁,x₂,x₃,…,x_n)，其中电池状态向量x_i＝{x_i1 x_i2… x_id},1≤i≤n,i∈N⁺,d∈N⁺，X为n个单体电池样本数据集合，d为样本维度，在本文中，x_i＝{SOC_i1 TEV_i2},1≤i≤n,i∈N⁺，TEV定义为单体端电压。欲将X划分为c个聚类，即G＝(g₁,g₂,g₃,…,g_c)，对应的c个聚类中心为C＝(c₁,c₂,c₃,…,c_c)，引入样本密度ρ'_j的概念，依据密度值对所有样本进行降序排列，提出初始聚类中心x'_i及初始隶属度矩阵U的生成方法。提出的新型的基于密度的模糊c均值算法具体步骤如下：

1、输入电池状态矩阵X＝(x₁,x₂,x₃,…,x_n)，其中电池状态向量x_i＝{x_i1 x_i2 …x_id},1≤i≤n,i∈N⁺,d∈N⁺。

2、设置目标函数的精度e，模糊指数m(m通常取2)和算法最大迭代次数Tmax。其中，目标函数为：

精度e意为：|J_m(t)-J_m(t+1)|≤e (7)

目标函数约束条件为：

3、利用式(1)求初始化聚类中心、利用式(12)初始化隶属度矩阵；

4、判断迭代次数T是否小于最大迭代次数。

5、计算新的隶属度值：

6、计算新的聚类中心

7、利用式(6)计算目标函数值，判断式(7)是否成立；

8、完成电池分组聚类过程，输出聚类中心即电池分组结果。

提出一种样本密度的计算方法，衡量每个样本的重要性的密度为：

其中：

d_jk＝||x_j-x_k||是第j个样本与第k个样本的欧几里德距离，χ(x)是定义的权重函数，d_c为截止距离。

提出一种生成初始聚类中心x'_i的计算方法，d_jk＝||x_j-x_k||是第j个样本与第k个样本的欧几里德距离，χ(x)是定义的权重函数，d_c为截止距离。依据密度值ρ_j对所有样本x_j进行降序排列，排列后样本X_a＝(x'₁,x'₂,…,c'_n)，i＝1,2，...，n，对应的密度分别为ρ_a＝(ρ'₁,ρ'₂,…,ρ'_n)，截止密度为

其中ξ为密度比率。潜在初始聚类中心集如下：

每两个潜在聚类中心之间距离应大于阈值距离ε，

其中d'_ij为x'_i和x'_j间距离，γ为距离比率。设得到c个初始聚类中心点(c≤l)，选取样本密度最高的x'₁为初始聚类中心点剩余c-1个初始聚类中心点从上述C_l中(除x'₁)选取，选取顺序：对应的密度值ρ'_j由大到小的样本点x'_i依次检验选取。选取标准如下：

提出一种初始隶属度矩阵U的计算方法，使用获得的初始聚类中心和样本的密度构造初始隶属度矩阵U，

u'_ij(u'_ij为降序排列样本集X_a中x'_i对应的隶属度)定义为：

其中ρ_ck是聚类中心c_k的密度，ρ_ck大于等于,i＝1,2，...，n，k＝1,2，...c。

Claims (5)

1.一种面向均衡控制的电池动态分组方法，其特征在于：提出用于实现电池分组的基于密度模糊c均值聚类算法的电池动态分组均衡方法，利用提出的基于密度模糊c均值聚类算法确定初始聚类中心集及初始隶属度矩阵，最后按照既定算法流程进行迭代运算，完成电池动态分组，该均衡方法总体流程包括如下步骤：

(1)测量电池组中各单体端电压，采用扩展卡尔曼滤波法对SOC进行精确估算，计算所有单体电池SOC平均值SOCave；

(2)设定SOC阈值ε₁和单体端电压阈值ε₂；

(3)筛选出在阈值外，待聚类分组，均衡操作的电池单体；

(4)利用提出的基于密度的模糊c均值聚类算法对电池单体进行聚类分组，从得到的潜在初始聚类中心集选取用于单体聚类的基于密度模糊c均值聚类算法的初始聚类中心集C，其中x'_j为潜在初始聚类中心，ρ'_j为单体电池状态向量的潜在初始聚类中心对应的样本密度，ρ_c为截止密度，l为电池状态向量样本个数；使用获得的初始聚类中心x′_i和样本密度ρ'_j构造初始隶属度矩阵U；进行基于密度模糊c均值聚类算法电池单体迭代聚类运算，最后得出电池聚类分组结果，即电池子组Ei及其所含单体；

(5)将聚类结果中各电池子组视为新单体，进行各单体间均衡操作。

2.根据权利要求1中所述的一种面向均衡控制的电池动态分组方法，其特征在于，所述的基于密度的模糊c均值聚类算法为：在传统模糊c均值聚类算法基础上，引入电池数据的样本密度ρ'_j的概念，依据密度值对所有样本进行降序排列，提出初始聚类中心x′_i及初始隶属度矩阵U的生成方法。

3.根据权利要求1中所述的一种面向均衡控制的电池动态分组方法，其特征在于，所述的单体电池状态向量的样本密度ρ'_j是衡量每个样本的重要性的密度，样本密度ρ'_j的计算方法为：

其中：

d_jk＝||x_j-x_k||是第j个样本与第k个样本的欧几里德距离，χ(x)是定义的权重函数，d_c为截止距离。

4.根据权利要求1中所述的一种面向均衡控制的电池动态分组方法，其特征在于，所述的初始聚类中心x'_i是从潜在初始聚类中心集C_l中选取，选取顺序为：对应的密度值ρ′_j由大到小的样本点x′_i依次检验选取；选取标准如下：

d_ij＝||x'_i-x'_jini||≥ε,l≥i≥j>1 (3)

其中：潜在初始聚类中心集C_l中的元素x′_i，x′_jini为最终筛选出的第j个初始聚类中心，ε为每两个潜在聚类中心之间的阈值距离。

5.根据权利要求1中所述的一种面向均衡控制的电池动态分组方法，其特征在于，所述的使用获得的初始聚类中心和样本密度构造初始隶属度矩阵U，初始隶属度矩阵U的计算方法为：

其中u′_ij定义为：

u′_ij为降序排列样本集X_a中x'_i对应的隶属度，其中ρ_ck是聚类中心c_k的密度，ρ_ck大于等于,i＝1,2，...，n，k＝1,2，...，c。