CN110490263A - 基于充放电曲线与模糊聚类的电池分选方法 - Google Patents
基于充放电曲线与模糊聚类的电池分选方法 Download PDFInfo
- Publication number
- CN110490263A CN110490263A CN201910782843.4A CN201910782843A CN110490263A CN 110490263 A CN110490263 A CN 110490263A CN 201910782843 A CN201910782843 A CN 201910782843A CN 110490263 A CN110490263 A CN 110490263A
- Authority
- CN
- China
- Prior art keywords
- battery
- charging
- discharging curve
- clustering
- sorting method
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
- B07C5/344—Sorting according to other particular properties according to electric or electromagnetic properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
- Secondary Cells (AREA)
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
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,...,xn}需被分为c类。
设U是一个c×n矩阵,内部元素的隶属度uij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,ci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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782843.4A CN110490263A (zh) | 2019-08-23 | 2019-08-23 | 基于充放电曲线与模糊聚类的电池分选方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910782843.4A CN110490263A (zh) | 2019-08-23 | 2019-08-23 | 基于充放电曲线与模糊聚类的电池分选方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490263A true CN110490263A (zh) | 2019-11-22 |
Family
ID=68553148
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910782843.4A Pending CN110490263A (zh) | 2019-08-23 | 2019-08-23 | 基于充放电曲线与模糊聚类的电池分选方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490263A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027625A (zh) * | 2019-12-10 | 2020-04-17 | 燕山大学 | 基于SAE和K-means聚类算法的电池筛选方法 |
CN111200168A (zh) * | 2020-01-09 | 2020-05-26 | 杭州电子科技大学 | 一种基于放电曲线分析的铅蓄电池自动配组方法 |
CN111420898A (zh) * | 2020-03-10 | 2020-07-17 | 合肥工业大学 | 一种退役电池分选方法及其应用的系统 |
CN112305442A (zh) * | 2020-10-14 | 2021-02-02 | 北方工业大学 | 一种基于kmeans聚类的动力电池SOH快速估计方法 |
CN112485694A (zh) * | 2020-11-23 | 2021-03-12 | 国网北京市电力公司 | 电池组的检测方法及装置 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107024663A (zh) * | 2017-04-01 | 2017-08-08 | 湖南银杏数据科技有限公司 | 基于充电曲线特征kpca聚类的锂电池筛选方法 |
CN107755295A (zh) * | 2017-10-19 | 2018-03-06 | 杭州电子科技大学 | 一种基于充放电曲线的铅酸蓄电池分类方法 |
CN108655028A (zh) * | 2018-03-20 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 |
CN109127472A (zh) * | 2018-07-03 | 2019-01-04 | 哈尔滨理工大学 | 一种基于放电电压平台的fcm银锌电池分选方法 |
CN109783902A (zh) * | 2018-12-28 | 2019-05-21 | 合肥工业大学 | 一种面向均衡控制的电池动态分组方法 |
CN109919168A (zh) * | 2017-12-13 | 2019-06-21 | 北京创昱科技有限公司 | 一种电池分类方法和系统 |
-
2019
- 2019-08-23 CN CN201910782843.4A patent/CN110490263A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107024663A (zh) * | 2017-04-01 | 2017-08-08 | 湖南银杏数据科技有限公司 | 基于充电曲线特征kpca聚类的锂电池筛选方法 |
CN107755295A (zh) * | 2017-10-19 | 2018-03-06 | 杭州电子科技大学 | 一种基于充放电曲线的铅酸蓄电池分类方法 |
CN109919168A (zh) * | 2017-12-13 | 2019-06-21 | 北京创昱科技有限公司 | 一种电池分类方法和系统 |
CN108655028A (zh) * | 2018-03-20 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 |
CN109127472A (zh) * | 2018-07-03 | 2019-01-04 | 哈尔滨理工大学 | 一种基于放电电压平台的fcm银锌电池分选方法 |
CN109783902A (zh) * | 2018-12-28 | 2019-05-21 | 合肥工业大学 | 一种面向均衡控制的电池动态分组方法 |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111027625A (zh) * | 2019-12-10 | 2020-04-17 | 燕山大学 | 基于SAE和K-means聚类算法的电池筛选方法 |
CN111027625B (zh) * | 2019-12-10 | 2023-08-08 | 燕山大学 | 基于SAE和K-means聚类算法的电池筛选方法 |
CN111200168A (zh) * | 2020-01-09 | 2020-05-26 | 杭州电子科技大学 | 一种基于放电曲线分析的铅蓄电池自动配组方法 |
CN111200168B (zh) * | 2020-01-09 | 2021-01-05 | 杭州电子科技大学 | 一种基于放电曲线分析的铅蓄电池自动配组方法 |
CN111420898A (zh) * | 2020-03-10 | 2020-07-17 | 合肥工业大学 | 一种退役电池分选方法及其应用的系统 |
CN111420898B (zh) * | 2020-03-10 | 2022-01-14 | 合肥工业大学 | 一种退役电池分选方法及其应用的系统 |
CN112305442A (zh) * | 2020-10-14 | 2021-02-02 | 北方工业大学 | 一种基于kmeans聚类的动力电池SOH快速估计方法 |
CN112305442B (zh) * | 2020-10-14 | 2023-06-20 | 北方工业大学 | 一种基于kmeans聚类的动力电池SOH快速估计方法 |
CN112485694A (zh) * | 2020-11-23 | 2021-03-12 | 国网北京市电力公司 | 电池组的检测方法及装置 |
CN114264957A (zh) * | 2021-12-02 | 2022-04-01 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
CN114264957B (zh) * | 2021-12-02 | 2024-05-07 | 东软集团股份有限公司 | 一种异常单体检测方法及其相关设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490263A (zh) | 基于充放电曲线与模糊聚类的电池分选方法 | |
CN110752410B (zh) | 一种快速分选和重组退役锂电池的方法 | |
CN107024663B (zh) | 基于充电曲线特征kpca聚类的锂电池筛选方法 | |
CN109782190B (zh) | 用于估计单颗电池或单批电池的剩余使用寿命的方法 | |
CN107127166B (zh) | 一种锂电池一致性的分选方法和锂电池 | |
CN113484787B (zh) | 基于电化学阻抗谱的退役锂离子电池快速分选重组方法 | |
CN107741568B (zh) | 一种基于状态转移优化rbf神经网络的锂电池soc估算方法 | |
CN108732510A (zh) | 基于内部特征的锂离子电池一致性筛选分组方法 | |
CN110703101B (zh) | 一种锂离子电池分区间循环容量衰退预测方法 | |
CN108655028A (zh) | 一种基于模糊均值聚类算法对电池进行分类的方法及系统 | |
CN111027625B (zh) | 基于SAE和K-means聚类算法的电池筛选方法 | |
CN110275119A (zh) | 一种电池健康状态评估模型构建方法、评估方法和装置 | |
CN112791997B (zh) | 一种退役电池梯次利用筛选的方法 | |
CN111974709B (zh) | 基于温度变化聚类分析的退役动力锂电池筛选方法及系统 | |
CN109860739B (zh) | 一种非等容电池组的组配方法、系统、存储介质及装置 | |
CN109683094A (zh) | 一种锂离子电池的快速分选方法及其分选装置 | |
CN112103580A (zh) | 一种基于等效内阻的锂电池充电方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN115121507B (zh) | 一种低测试成本的退役动力电池分选方法 | |
CN115994441A (zh) | 基于机理信息的大数据云平台在线电池寿命预测方法 | |
CN111487532A (zh) | 一种基于层次分析法和熵值法的退役电池筛选方法及系统 | |
CN114880939A (zh) | 一种动力电池寿命的智能预测方法及装置 | |
CN111762059B (zh) | 一种考虑电池充放电工况的多变量融合电池组的均衡方法 | |
CN112354897B (zh) | 一种锂离子电池实际应用过程中电芯一致性的筛选方法 | |
CN115329277A (zh) | 一种退运动力镍氢电池的soh预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |