CN110490263A - 基于充放电曲线与模糊聚类的电池分选方法 - Google Patents

Abstract

本发明涉及基于充放电曲线与模糊聚类的电池分选方法。方法包括如下过程：获取待分选电池各自的充放电曲线，对每条充放电曲线，每隔N秒进行数据采样，形成一个完整循环的采样数据，单个电池的特征向量集合，形成电池样本集矩阵；将电池样本集矩阵代入FCM聚类算法；获得分类结果。用分选方法成组，其循环寿命衰减率下降趋势得到有效抑制，一致性都高于不使用任何分选方法的组成的电池组，经分选的电池组循环次数更多，且经FCM和多参数结合分选后的电池组的一致性优于经OCV和内阻分选后的电池组合。

Description

基于充放电曲线与模糊聚类的电池分选方法

技术领域：

本发明涉及锂离子电池制造过程中的分选工艺。进一步涉及基于充放电曲线与模糊聚类的电池分选方法。

背景技术：

电池组PACK要求电池具有高度的一致性(容量、内阻、电压、放电曲线、寿命)。目前，评价锂离子动力电池一致性的标准主要有容量、内阻和开路电压。常见的分选方法是采集锂离子单体电池容量、开路电压及满电态时电池的内阻作为基础数据，对电池进行分档和配组。但电池经过这种小电流工艺分容筛选后，配组的电池在使用过程中仍然会出现很多开路电压偏低、电性能差异性愈来愈明显，从而导致成组模块甚至整个电池包由于个别单体电池的异常而失效。因此动力池成组之前，必须对单体电池进行筛选，去除差异性大的单体，选择一致，好的电池组。

发明内容：

本发明提出一种将多参数分选和模糊C-均值聚类结合的方法。将反应电池动态特性参数—充放电曲线作为研究变量，对有关数据进行分类处理，实现对单体电池的等级分类。

模糊聚类方法介绍：模糊聚类按照模式的隶属度来进行归类，模糊C均值算法意味着算法聚类的界限是模糊的，不同于K均值硬划分，在模糊聚类中，每个被分选的对象对设定的类具有一定的隶属度。在K均值中的每个对象100％属于某个类别，一般选定的某一初始化质心，确定的簇，通过计算与质心的相似度来将样品进行分类，但是该方法中的K值的选定是确定的，我们不能保证该值是否为最优值。模糊C均值思想是：先人工随机指定每个数据到各个簇的隶属度，然后根据隶属度计算每一个簇的质心，接着重新进行划分，直到设定的目标函数小于设定的阈值，结束循环，最后得到划分结果。模糊C均值算法之后，又产生了很多新形式的模糊K均值聚类算法的变形体和衍生算法。FCM是一种典型的模糊聚类方法，与K-means等硬聚类方法不同，因引入隶属度和模糊度，FCM聚类被广泛应用。对电池这类的复杂系统，引入模糊聚类对其进行分选更具有可行性。

模糊C均值聚类算法自提出以来已经被广泛地应用到理论和实践研究中。该聚类算法假定所有电池样本集X＝{x₁，x₂，...，x_n}需被分为c类。

设U是一个c×n矩阵，内部元素的隶属度u_ij表示第j个单体电池被分类为第i类的隶属度。由于每个簇的特定电池样本的隶属度总和等于1，因此必须满足下式所示约束条件。

算法的目标函数遵循“类内加权误差平方和最小化”准则，定义为：

其中，c_i代表算法计算的第i类样本数据的聚类中心，表示i、j两类样本聚类中心间的欧氏距离。

为了最优化式目标函数，考虑Lagrange乘子λ作为权重，改进的目标函数定义为：

其中，λ即拉格朗日乘子。最小化改进的目标函数如下式所示。

求解上述最优化条件，可得到式取最小值的必要条件，如下式：

与传统聚类算法类似，模糊C-均值聚类算法也是通过对聚类中心和分类矩阵不断更新，以确保算法与样本数据的适配性。在循环迭代的过程中，直到目标函数的值小于设定的阈值，结束循环。通过此算法，很大程度上提高了被划分到同类有更高的一致性。

本发明的具体技术方案如下：

基于充放电曲线与模糊聚类的电池分选方法，包括如下过程：

步骤1：获取待分选电池各自的充放电曲线，对每条充放电曲线，每隔N秒进行数据采样，形成一个完整循环的采样数据，单个电池的特征向量集合，形成电池样本集矩阵；

步骤2：将电池样本集矩阵代入FCM聚类算法；

步骤3：获得分类结果。

优选方案之一，所述步骤1中还获取开路电压、内阻，一并形成单个电池的特征向量集合。

优选方案之二，所述步骤1中选取1C倍率下的充放电曲线。进一步，所述时间间隔N为30。

优选方案之三，FCM聚类算法中的聚类参数c取2-4。

本发明的有益效果是：用分选方法成组，其循环寿命衰减率下降趋势得到有效抑制，一致性都高于不使用任何分选方法的组成的电池组，经分选的电池组循环次数更多，且经FCM和多参数结合分选后的电池组的一致性优于经OCV和内阻分选后的电池组合。

附图说明：

图1是实施例中Matlab程序图。

图2是实施例中4组电池容量循环寿命曲线，横坐标代表循环次数，纵坐标代表电池的SOH，SOH代表电池健康度。

具体实施方式：

实施例：

将相同批次的1000个电池样品作为样本1-1000，随机抽取900只电池作为样本1-900，对其进行分选实验。剩余100只电池作为样本910-1000，作为实验对照组，产线上的电池经过多参数OCV和内阻分选。再另取100只不经任何分选的同批次电池作为空白对照。

在本实施例中，采用每隔30秒对单体电池的充放电曲线进行采样的方式。单体锂离子电池特性的特征向量即为一个完整循环的采样数据。实验所有电池的特征向量为电池样本集矩阵。

FCM聚类算法实现及结果分析：FCM聚类算法需要设置参数聚类数C，聚类数一般通过对数据规律的观察以及先验知识来确定，另外还需要确定迭代终止阈值ε。其中迭代终止阈值ε仅仅小幅度影响聚类精度，一般可取默认值1e-5，而分类数C却直接影响分类结果，本章对分类数c分别取2-9，设计Matlab程序后，得到c分别取2-4。

程序如附图1所示。

电池健康度SOH用于描述动力电池的健康状况。它是电动汽车电池系统中的重要性能指标，在本章中用作电池性能评估指标。QC/T743-2006电动汽车用锂离子蓄电池行业标准中第6.2.11款规定：在20℃±2℃下的循环寿命试验中，当电池组容量下降到其额定容量的80％时判定锂离子电池失效。基于此标准，当对电池组进行循环实验时，要求达到组内容量最小电池SOH小于80％时停止实验。

将分选好的锂离子电池并联成电池成组进行循环寿命测试实验，实验遵循以下充放电制度：以0.5C倍率进行恒流充电，截止电压为4.2V；保持在4.2V进行恒压充电，截止电流为20mA；静置30min；然后以0.5C速率进行恒流放电，截止电压3.6V；静置30min；重复充放电，直至容量下降与1600mAh。

第一组是根据FCM结合多参数分选后一致性最好的一组，第二组是平均组合；第三组是经过OCV和内阻分选后的电池组合；第四组是随机抽取不经分选同批次电池用作对照。

由图可以看出，电池组1-4中，电池组1、电池组2在第500次循环时依然能保持90％以上的健康度，说明三个分类结果中，前两类经FCM算法得到相应单体电池分别组成的电池组具有良好的一致性。第四组通过随机成组的方式组合在一起的电池组，大概经历400次循环后，SOH指标就降到80％，由此可见，该组内电池样本一致性一般。另外，跟电池组1、2、3不同，电池组4随机成组，可以观察到，其循环寿命均低于前3个电池组。该组实验证明，用分选方法成组，其循环寿命衰减率下降趋势得到有效抑制，一致性都高于不使用任何分选方法的组成的电池组，经分选的电池组循环次数更多，且经FCM和多参数结合分选后的电池组的一致性优于经OCV和内阻分选后的电池组合。

本实验对1000只锂电池样品按照上述分选方法分类后，对通过并联方式组合的电池组设计了实验对照组，实验结论有效说明分选方法的可行性。

Claims (5)

1.基于充放电曲线与模糊聚类的电池分选方法，其特征在于，包括如下过程：

步骤1：获取待分选电池各自的充放电曲线，对每条充放电曲线，每隔N秒进行数据采样，形成一个完整循环的采样数据，单个电池的特征向量集合，形成电池样本集矩阵；

步骤2：将电池样本集矩阵代入FCM聚类算法；

步骤3：获得分类结果。

2.根据权利要求1所述基于充放电曲线与模糊聚类的电池分选方法，其特征在于，所述步骤1中还获取开路电压、内阻，一并形成单个电池的特征向量集合。

3.根据权利要求1或2所述基于充放电曲线与模糊聚类的电池分选方法，其特征在于，所述步骤1中选取1C倍率下的充放电曲线。

4.根据权利要求3所述基于充放电曲线与模糊聚类的电池分选方法，其特征在于，所述时间间隔N为30。

5.根据权利要求1或2所述基于充放电曲线与模糊聚类的电池分选方法，其特征在于，FCM聚类算法中的聚类参数c取2-4。