CN117706377B - 一种基于自适应聚类的电池不一致性辨识方法和装置 - Google Patents
一种基于自适应聚类的电池不一致性辨识方法和装置 Download PDFInfo
- Publication number
- CN117706377B CN117706377B CN202410163813.6A CN202410163813A CN117706377B CN 117706377 B CN117706377 B CN 117706377B CN 202410163813 A CN202410163813 A CN 202410163813A CN 117706377 B CN117706377 B CN 117706377B
- Authority
- CN
- China
- Prior art keywords
- voltage
- cluster
- clustering
- time
- slope
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 85
- 238000010586 diagram Methods 0.000 claims abstract description 16
- 230000007246 mechanism Effects 0.000 claims abstract description 15
- 230000036541 health Effects 0.000 claims description 28
- 238000011156 evaluation Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 238000007599 discharging Methods 0.000 claims description 17
- 230000003044 adaptive effect Effects 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004146 energy storage Methods 0.000 abstract description 11
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 7
- 230000002159 abnormal effect Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 239000000178 monomer Substances 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013450 outlier detection Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003446 memory effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明涉及一种基于自适应聚类的电池不一致性辨识方法和装置,其中,方法包括:采集电池组中各单体电池的电压值和采集时间,得到各单体电池的电压‑时间曲线图;基于形状注意力机制,根据各单体电池的电压‑时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,并根据转折点重新绘制电压‑时间曲线图;对重新绘制的电压‑时间曲线图进行自适应聚类,得到聚类结果;所述聚类结果包括聚类簇的个数、每个聚类簇中单体电池的编号和聚类中心的单体电池编号;根据聚类结果对电池组进行评价。本发明能够提升储能不一致性的辨别精度。
Description
技术领域
本发明涉及电池不一致性辨识技术领域,特别是涉及一种基于自适应聚类的电池不一致性辨识方法和装置。
背景技术
储能电池是建设新型电力系统、推动能源绿色低碳转型的重要装备基础和关键支撑技术。储能电池具有高能量密度、循环寿命长、无记忆效应等优点,但受限于单体电池制造技术,通常在组成动力电池组时需要将多个单体电池进行串联或者并联才能达到储能实际性能需求,而电池组中各个单体电池之间会存在一些差异,称之为一致性问题。随着储能电池的广泛应用,逐渐暴露出一系列诸如耐久性、可靠性和安全性等方面的问题。电池成组后单体之间的不一致是引起这一系列问题的主要原因之一,因此对电池组进行一致性评估对电池运行维护有重要意义。
论文“黄彧,王占国,张言茹等.基于离群点检测的动力电池一致性快速辨识方法[J].电测与仪表:1-9[2023-11-08].”提出基于离群点检测进行一致性快速辨识的研究方向。其使用基于统计分布的离群检测方法,基于正态分布离群点检测和性能异常单体的差异化表现,确定动力电池组一致性快速辨识的核心算法,对单体的极端程度和电池组一致性状态进行评估。方法测试流程简单计算量小,较传统方法具有明显速度优势。该方法忽视电池电压本身差距大小的问题,其会对区间差距3%和10%的电压数据的两端电压赋予相同的评分,导致误差较大的评价结果。
论文“曾建邦,张月娅,张壮等.基于动态k值K-means++聚类的电动汽车动力电池电压不一致故障识别方法[J].中国科学:技术科学,2023,53(01):28-40.”基于车企监控平台汇集的车端传感器采集的动力电池内各单体电压历史数据,在K-means聚类算法的基础上,通过优化聚类簇数和初始中心(簇心)选择,提出了一种基于动态k值的K-means++聚类的动力电池电压不一致故障识别方法。此研究中聚类技术(如k均值)的时间和空间复杂度是线性或接近线性的,并且簇的定义是电池中离群点的补集,用于同时发现电池组中的离群点。该方法也忽视电池电压本身差距大小的问题,其可能将电压差异在健康范围内一组一致性较好的电池分成多簇,导致出现不合理的评价结果。
发明内容
本发明所要解决的技术问题是提供一种基于自适应聚类的电池不一致性辨识方法和装置,能够提升储能不一致性的辨别精度。
本发明解决其技术问题所采用的技术方案是:提供一种基于自适应聚类的电池不一致性辨识方法,包括以下步骤:
采集电池组中各单体电池的电压值和采集时间,得到各单体电池的电压-时间曲线图;
基于形状注意力机制,根据各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,并根据转折点重新绘制电压-时间曲线图;
对重新绘制的电压-时间曲线图进行自适应聚类,得到聚类结果;所述聚类结果包括聚类簇的个数、每个聚类簇中单体电池的编号和聚类中心的单体电池编号;
根据聚类结果对电池组进行评价。
所述基于形状注意力机制,根据各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,具体为:
将电压-时间曲线图中的起始数据点记为(x 0,t 0),电压-时间曲线图中t i 时刻的数据点记为(x i ,t i ),则电压-时间曲线图中t i -1和t i -2时刻的数据点分别记为(x i-1,t i-1)和(x i-2,t i-2),定义形状斜率,阈值为ε;
当k i >k i-1>k i-2,且(k i -k i-1)-(k i-1-k i-2)>ε时,或当k i <k i-1<k i-2,且(k i -k i-1)-(k i-1-k i-2)<-ε时,则将数据点(x i-2,t i-2)作为转折点。
所述对重新绘制的电压-时间曲线图进行自适应聚类,具体为:采用k-mediods聚类方法对重新绘制的电压-时间曲线图进行聚类;其中,所述k-mediods聚类方法是在每次迭代过程中始终选择欧式距离最远的变量点作为下一个簇中心,直至选择出k个相互欧式距离尽可能远的簇中心,具体为:随机选取一幅电压-时间曲线图作为第一个簇中心;计算其他电压-时间曲线图与第一个簇中心的欧式距离,选择欧式距离最大的电压-时间曲线图作为下一个簇中心;再计算其他电压-时间曲线图与已选定簇中心的距离和,选择距离和最大的电压-时间曲线图作为下一个簇中心;重复上述过程直到k个簇心选择完成。
所述k-mediods聚类方法的k值从(2,n 0.5)的范围内循环设置,其中,n表示转折点的数量,具体为:对每次聚类完成后的聚类结果进行判断,计算聚类结果中各簇聚类中心的电压均值和簇内数据个数,如果各相邻簇中心的电压均值的差别都大于均值预设百分比,且每个簇内数据个数都大于总电压数的预设百分比,则k=k+1继续循环进行聚类;如果各相邻簇中心的电压均值的差别小于均值预设百分比或者每个簇内数据个数都小于总电压数的预设百分比,则循环结束,确定聚类簇数为k-1。
所述根据聚类结果对电池组进行评价,具体包括:
获取聚类结果中聚类簇的个数以及每个聚类簇的聚类中心的单体电池编号;
计算每个聚类簇的聚类中心的电压均值,通过计算相邻聚类簇的聚类中心的电压均值之间的差异来评价电池组的健康状态;
计算每个聚类簇内所有单体电池的电压均值和方差,通过均值和方差评价聚类簇中单体电池的一致性;
计算每个单体电池的平均电压,根据单体电池的平均电压和所述单体电池所在聚类簇的聚类中心的电压均值计算单体电池的健康度,通过健康度对单体电池进行评价。
所述单体电池的健康度通过计算得到,其中,H表示单体电池的健康度,U ci 为单体电池所在聚类簇的聚类中心的电压均值,U ij 为单体电池的平均电压。
所述根据转折点重新绘制电压-时间曲线图后还包括:根据重新绘制的电压-时间曲线图计算各数据点之间的斜率,并根据斜率确定单体电池所处的状态,具体为:
计算重新绘制的电压-时间曲线图中相邻数据点之间的斜率;
将得到的斜率的绝对值与斜率阈值进行比较;
当斜率的绝对值大于斜率阈值,且斜率为正时,确定两个数据点之间的时间段内单体电池处于充电状态;
当斜率的绝对值大于斜率阈值,且斜率为负时,确定两个数据点之间的时间段内单体电池处于放电状态;
当斜率的绝对值小于或等于斜率阈值时,确定两个数据点之间的时间段内单体电池处于闲置状态。
所述的基于自适应聚类的电池不一致性辨识方法还包括:统计预设窗口中单体电池处于充电状态、放电状态和闲置状态的时间占比,当单体电池处于充电状态的时间占比超过占比阈值时,则将该预设窗口归为充电阶段;当单体电池处于放电状态的时间占比超过占比阈值时,则将该预设窗口归为放电阶段;当单体电池处于闲置状态的时间占比超过占比阈值时,则将该预设窗口归为闲置阶段;若预设窗口中单体电池处于充电状态、放电状态和闲置状态的时间占比均小于占比阈值,则该预设窗口不进行归类。
本发明解决其技术问题所采用的技术方案是:提供一种基于自适应聚类的电池不一致性辨识装置,包括:
采集模块,用于采集电池组中各单体电池的电压值和采集时间,得到各单体电池的电压-时间曲线图;
绘制模块,用于基于形状注意力机制,根据各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,并根据转折点重新绘制电压-时间曲线图;
聚类模块,用于对重新绘制的电压-时间曲线图进行自适应聚类,得到聚类结果;所述聚类结果包括聚类簇的个数、每个聚类簇中单体电池的编号和聚类中心的单体电池编号;
评价模块,用于根据聚类结果对电池组进行评价。
本发明解决其技术问题所采用的技术方案是:提供一种电子设备,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述基于自适应聚类的电池不一致性辨识方法的步骤。
本发明解决其技术问题所采用的技术方案是:提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述基于自适应聚类的电池不一致性辨识方法的步骤。
有益效果
由于采用了上述的技术方案,本发明与现有技术相比,具有以下的优点和积极效果:本发明基于形状注意力机制来自动识别电池所处的状态,利用自适应聚类方法实现簇层次、单体层次电池不一致的准确识别,提出以簇中心为基准的健康度评估,有效改善误差大、辨识不合理等问题,提升储能不一致性辨别精度。本发明可实时识别电池不一致性的异常情况,并为储能电站运维及时预警,该方法无需改造储能电站硬件,可有效提升电池异常识别率,具有成本低、可推广性强的特点。
附图说明
图1是本发明第一实施方式基于自适应聚类的电池不一致性辨识方法的流程图;
图2是本发明第一实施方式中基于形状注意力机制进行特征提取的示意图;
图3是本发明第一实施方式中聚类中心个数自动搜索的示意图;
图4是本发明第一个实施例中采用现有算法对实际数据运行结果的示意图;
图5是本发明第一个实施例中采用第一实施方式的方法对实际数据运行结果的示意图;
图6是本发明第二个实施例中采用现有算法和第一实施方式的方法对实际数据运行结果的示意图;
图7是本发明第三个实施例中采用现有算法和第一实施方式的方法对实际数据运行结果的示意图。
具体实施方式
下面结合具体实施例,进一步阐述本发明。应理解,这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解,在阅读了本发明讲授的内容之后,本领域技术人员可以对本发明作各种改动或修改,这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的第一实施方式涉及一种基于自适应聚类的电池不一致性辨识方法,如图1所示,包括以下步骤:
步骤1,采集电池组中各单体电池的电压值和采集时间,得到各单体电池的电压-时间曲线图。本步骤中为了降低运算量可以采用滑动窗口的方式对电压-时间曲线图进行处理,具体为:根据预设的滑动窗口(以下简称窗口)的大小和步长对电压-时间曲线图进行提取处理。
步骤2,基于形状注意力机制,根据各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,并根据转折点重新绘制电压-时间曲线图。
本步骤使用一种基于形状注意力机制(Shape Attention Mechanism Based,SAMB)的特征提取算法,通过搜寻数据波形的形状特点,识别输入数据中下降、上升、水平的形状转折点,一方面实现对电池静置、充电、放电等状态的识别,另一方面对采集的数据进行有效降维压缩,为电池管理系统中的实时算法节省计算空间和时间。如图2所示,该方法基于电压-时间曲线图,通过对电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率来确定转折点,具体方法如下:
将电压-时间曲线图中的起始数据点记为(x 0,t 0),电压-时间曲线图中t i 时刻的数据点记为(x i ,t i ),则电压-时间曲线图中t i -1和t i -2时刻的数据点分别记为(x i-1,t i-1)和(x i-2,t i-2),定义形状斜率,阈值为ε;当出现形状斜率连续上升或连续下降,且幅度超过阈值ε时,将数据点(x i-2,t i-2)作为转折点,即在k i >k i-1>k i-2,且(k i -k i-1)-(k i-1-k i-2)>ε时,或在k i <k i-1<k i-2,且(k i -k i-1)-(k i-1-k i-2)<-ε时,将数据点(x i-2,t i-2)作为转折点。图2中的(c)的虚线即是根据转折点重新绘制的电压-时间曲线图。
步骤3,对重新绘制的电压-时间曲线图进行自适应聚类,得到聚类结果。
本步骤中的自适应聚类采用k-mediods聚类方法。相较于k-means聚类方法,k-mediods聚类结果的簇中心为簇中的一个变量而不是聚类簇的均值,对每个聚类簇,每次用簇中一个非代表对象替换一个簇心对象,并判断簇心与簇内变量的距离和是否缩小,如果距离和缩小则更换聚类簇心重新聚类,继续重复尝试所有的替换,直到距离和不可能被任何替换进一步缩小。
本实施方式中k-mediods聚类方法的聚类变量之间的距离选择欧式距离。对于重新绘制电压-时间曲线图的电压数据V1={x 1,x 2,...,x n }和电压数据V2={y 1,y 2,...,y n },两者之间的欧式距离,n表示转折点的数量。为克服聚类过程中随机选择的初始中心过近可能导致的聚类结果具有随机性的问题,在每次迭代过程中始终选择欧式距离最远的变量点作为下一个初始中心,直至选择出k个相互距离尽可能远的初始中心。选取方法如下:1)随机选取一幅电压-时间曲线图作为第一个簇中心c 1;2)计算其他电压-时间曲线图与已选定簇中心的欧式距离d(x i ,c 1),选择欧式距离最大的电压-时间曲线图作为下一个簇中心;3)再计算其他电压-时间曲线图与以选定簇中心的欧式距离和Σd(x i ,c j ),继续选择距离和最大的电压-时间曲线图作为下一个簇心;4)重复过程3直到k个簇心选择完成。
本实施方式在聚类算法簇的个数上的选择上,难以根据数据集的分布情况事先给定合适的k值,因此选择动态k值的方法,k值从(2,n 0.5)的范围内循环设置,如图3所示,对每次聚类完成后的聚类结果进行判断,计算聚类结果中各簇聚类中心的电压均值和簇内数据个数,如果各相邻簇中心的电压均值的差别都大于5%,并且每个簇中电压曲线个数都大于总电压曲线数量的10%,则k=k+1继续循环进行聚类。如果出现各相邻簇中心的电压均值的差别小于5%或者簇内的数据量小于总电压曲线数量的10%的情况,则循环结束,确定聚类簇数为k-1,并输出聚类结果,聚类结果中包括聚类簇的个数,每个聚类簇中的单体电池编号以及聚类中心的单体电池编号。
步骤4,根据聚类结果对电池组进行评价。具体评价方式如下:
获取聚类结果中聚类簇的个数以及每个聚类簇的聚类中心的单体电池编号;
计算每个聚类簇的聚类中心的电压均值U ci ,通过计算相邻聚类簇的聚类中心的电压均值之间的差异diff来评价电池组的健康状态;其中,差异diff的计算方式为:,U ck 表示相邻聚类簇的聚类中心的电压均值,差异diff越大表示电池组一致性越差,反之电池组整体的差异性越小,差异diff大于5%认为整体电池组处于亚健康状态,大于10%则认为整体电池组不平衡。
计算每个聚类簇内所有单体电池的电压均值和方差,通过均值和方差评价聚类簇中单体电池的一致性。电压方差越大说明聚类簇中单体电池的一致性越差,其用来评价不同簇本身的一致性情况。
计算每个单体电池的平均电压U ij ,根据单体电池的平均电压U ij 和所述单体电池所在聚类簇的聚类中心的电压均值U ci 计算单体电池的健康度H,通过健康度H对单体电池进行评价。其中,所述单体电池的健康度通过计算得到,电池健康度低于95%,则认为该单体电池处于亚健康状态;健康度低于90%,则认为单体电池是不平衡电池,建议及时查看和更换。
电池在充放电时间段与闲置时间段的电池特性会存在差异,电池在闲置阶段的电压往往并不能准确反映出电池的真正特性,将不同工作状态分开进行统计对比更能准确分析出电池组一致性变化。本实施方式可以根据重新绘制的电压-时间曲线图计算各数据点之间的斜率,并根据斜率确定单体电池所处的状态,从而实现对单体电池的充电、放电和闲置状态进行识别,具体为:计算重新绘制的电压-时间曲线图中相邻数据点之间的斜率;将得到的斜率的绝对值与斜率阈值进行比较;当斜率的绝对值大于斜率阈值,且斜率为正时,确定两个数据点之间的时间段内单体电池处于充电状态;当斜率的绝对值大于斜率阈值,且斜率为负时,确定两个数据点之间的时间段内单体电池处于放电状态;当斜率的绝对值小于或等于斜率阈值时,确定两个数据点之间的时间段内单体电池处于闲置状态。
在确定单体电池所处状态后,还统计窗口中单体电池处于充电状态、放电状态和闲置状态的时间占比,若某项的时间占比超过80%,则将该窗口归为对应阶段,若没有一项的时间占比大于80%,则不进行归类,即当单体电池处于充电状态的时间占比超过80%时,则将该窗口归为充电阶段;当单体电池处于放电状态的时间占比超过80%时,则将该窗口归为放电阶段;当单体电池处于闲置状态的时间占比超过80%时,则将该窗口归为闲置阶段;若窗口中单体电池处于充电状态、放电状态和闲置状态的时间占比均小于80%,则该窗口不进行归类。
使用本实施方式的方法能更加合理准确的对电池组进行一致性评价。以某储能电站的实际电压数据为例,该数据共包含240个单体电池的电压数据(见图4中的(a)),数据采集时间间隔为10秒。截取两个长度为300数据点的窗口,使用以常见动态k值聚类算法进行聚类,选择轮廓系数作为聚类质量评价标准选择出最佳聚类k值,结果如图4中的(b)所示,共分为A、B、C、D、E、F六簇。作为对比采用本实施方式的方法的处理结果如图5所示,图5中的(a)中分为A’和B’两簇。从图4中的(b)中可以看出上三簇A、B和C电压曲线差值在100mv之间,电池电压差距在3%左右一般认为是正常的健康范围,只关心聚类质量不考虑实际应用场景将这些电池曲线分成三簇是不合理的。下方两簇E和F也存在同样的问题。在图5中的(a)的结果上就解决上述问题,两簇的簇中心差距超过5%,各簇内部的电池电压分布紧密,与簇中心的差距绝大多数在2%以内,但是图5中的(a)中下方簇内对象数小于总数的10%,采用本实施方式的方法会自动将两簇合并,形成的结果如图5中的(b)所示。
最终在本实施方式的方法下得到的评价结果如下:
(1)窗口工作状态判断:各区间时间占比:闲置12.8%,充电82.1%,放电5.1%。该时间窗口为充电状态;
(2)聚类簇个数:1簇。
(3)簇中心曲线电压:322.798V、簇电压均值321.263V、方差14.28。
(4)各单体电池评分(部分电池为例):电池0评分为99.799%,电池121评分为98.986%,电池117评分为94.499%。
另一窗口电压数据使用本实施方式的方法与常见动态k值聚类算法聚类结果对比如下图6所示。图6中的(a)为原电压数据曲线图,使用常见基于轮廓系数的动态k值聚类算法结果如图6中的(b)所示,共分为A、B、C、D四簇,最下方两簇C和D的电压差别在健康范围内,聚类成两簇是不合理的结果,图6中的(c)为采用本实施方式的方法处理的结果,共分为A’、B’和C’三簇,该结果对电压曲线的辨识更加合理。
在本实施方式方法处理后得到的评价结果如下:
(1)窗口工作状态判断:各区间时间占比:闲置7.7 % 充电92.3% 放电0.0%。该时间窗口为充电状态。
(2)聚类簇个数:3簇;簇A’、簇B’、簇C’的单体数量分别为:40、 80、 120。
(3)簇A’的中心曲线电压:359.472 V,簇电压均值359.735V,方差1.323;簇B’中心曲线电压:340.256 V,簇电压均值340.412V,方差3.721;簇C’中心曲线电压:321.949 V,簇电压均值322.13V,方差13.42。
(4)各单体电池评分(部分电池为例):电池0的评分为99.077%(簇C’),电池121的评分为99.744%(簇C’),电池117的评分为99.769%(簇C’)。
另一窗口电压数据使用本实施方式的方法与常见动态k值聚类算法的处理结果对比如下图7所示,其中,图7中的(a)为原始数据,图7中的(b)为采用常见动态k值聚类算法的聚类结果,共分为A、B、C、D四簇,图7中的(c)为采用本实施方式方法处理后的聚类结果,共分为A’、B’和C’三簇。
在本实施方式方法处理后得到的评价结果如下:
(1)窗口工作状态判断:各区间时间占比:闲置0.0% 充电0.0% 放电100.0%。该时间窗口为放电状态。
(2)聚类簇个数:3簇;簇A’、簇B’、簇C’的单体数量分别为:40、80、120。
(3)簇A’中心曲线电压:349.855 V,簇电压均值349.118V,方差1.624;簇B’中心曲线电压:330.498 V,簇电压均值330.546V,方差3.429;簇C’中心曲线电压:313.792 V,簇电压均值313.373V,方差17.251。
(4)各单体电池评分(部分电池为例):电池0的评分为98.746%(簇C’),电池121的评分为99.787%(簇C’),电池117的评分为98.448%(簇C’)。
本发明的第二实施方式涉及一种基于自适应聚类的电池不一致性辨识装置,包括:
采集模块,用于采集电池组中各单体电池的电压值和采集时间,得到各单体电池的电压-时间曲线图;
绘制模块,基于形状注意力机制,根据各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,并根据转折点重新绘制电压-时间曲线图;
聚类模块,用于对重新绘制的电压-时间曲线图进行自适应聚类,得到聚类结果;所述聚类结果包括聚类簇的个数、每个聚类簇中单体电池的编号和聚类中心的单体电池编号;
评价模块,用于根据聚类结果对电池组进行评价。
所述绘制模块基于形状注意力机制,根据各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,具体为:
将电压-时间曲线图中的起始数据点记为(x 0,t 0),电压-时间曲线图中t i 时刻的数据点记为(x i ,t i ),则电压-时间曲线图中t i -1和t i -2时刻的数据点分别记为(x i-1,t i-1)和(x i-2,t i-2),定义形状斜率,阈值为ε;
当k i >k i-1>k i-2,且(k i -k i-1)-(k i-1-k i-2)>ε时,或当k i <k i-1<k i-2,且(k i -k i-1)-(k i-1-k i-2)<-ε时,则将数据点(x i-2,t i-2)作为转折点。
所述聚类模块采用k-mediods聚类方法对重新绘制的电压-时间曲线图进行聚类,所述k-mediods聚类方法是在每次迭代过程中始终选择距离最远的变量点作为下一个簇中心,直至选择出k个相互距离尽可能远的簇中心,具体为:随机选取一幅电压-时间曲线图作为第一个簇中心;计算其他电压-时间曲线图与第一个簇中心的欧式距离,选择欧式距离最大的电压-时间曲线图作为下一个簇中心;再计算其他电压-时间曲线图与已选定簇中心的欧式距离和,选择欧式距离和最大的电压-时间曲线图作为下一个簇中心;重复上述过程直到k个簇心选择完成。
所述k-mediods聚类方法的k值从(2,n 0.5)的范围内循环设置,其中,n表示转折点的数量,具体为:对每次聚类完成后的聚类结果进行判断,计算聚类结果中各簇聚类中心的电压均值和簇内数据个数,如果各相邻簇中心的电压均值的差别都大于均值预设百分比,且每个簇内数据个数都大于总电压数的预设百分比,则k=k+1继续循环进行聚类;如果各相邻簇中心的电压均值的差别小于均值预设百分比或者每个簇内数据个数都小于总电压数的预设百分比,则循环结束,确定聚类簇数为k-1。
所述评价模块包括:
获取单元,获取聚类结果中聚类簇的个数以及每个聚类簇的聚类中心的单体电池编号;
第一评价单元,用于计算每个聚类簇的聚类中心的电压均值,通过计算相邻聚类簇的聚类中心的电压均值之间的差异来评价电池组的健康状态;
第二评价单元,用于计算每个聚类簇内所有单体电池的电压均值和方差,通过均值和方差评价聚类簇中单体电池的一致性;
第三评价单元,用于计算每个单体电池的平均电压,根据单体电池的平均电压和所述单体电池所在聚类簇的聚类中心的电压均值计算单体电池的健康度,通过健康度对单体电池进行评价。
所述第三评价单元通过计算单体电池的健康度,其中,H表示单体电池的健康度,U ci 为单体电池所在聚类簇的聚类中心的电压均值,U ij 为单体电池的平均电压。
所述基于自适应聚类的电池不一致性辨识装置还包括:状态确定模块,用于根据重新绘制的电压-时间曲线图计算各数据点之间的斜率,并根据斜率确定单体电池所处的状态;所述状态确定模块包括:
斜率计算单元,用于计算重新绘制的电压-时间曲线图中相邻数据点之间的斜率;
比较单元,用于将得到的斜率的绝对值与斜率阈值进行比较;
确定单元,用于在斜率的绝对值大于斜率阈值,且斜率为正时,确定两个数据点之间的时间段内单体电池处于充电状态;在斜率的绝对值大于斜率阈值,且斜率为负时,确定两个数据点之间的时间段内单体电池处于放电状态;在斜率的绝对值小于或等于斜率阈值时,确定两个数据点之间的时间段内单体电池处于闲置状态。
所述基于自适应聚类的电池不一致性辨识装置还包括:统计归类模块,用于统计预设窗口中单体电池处于充电状态、放电状态和闲置状态的时间占比,当单体电池处于充电状态的时间占比超过占比阈值时,则将该预设窗口归为充电阶段;当单体电池处于放电状态的时间占比超过占比阈值时,则将该预设窗口归为放电阶段;当单体电池处于闲置状态的时间占比超过占比阈值时,则将该预设窗口归为闲置阶段;若预设窗口中单体电池处于充电状态、放电状态和闲置状态的时间占比均小于占比阈值,则该预设窗口不进行归类。
不难发现,本发明基于形状注意力机制来自动识别电池所处的状态,利用自适应聚类方法实现簇层次、单体层次电池不一致的准确识别,提出以簇中心为基准的健康度评估,有效改善误差大、辨识不合理等问题,提升储能不一致性辨别精度。本发明可实时识别电池不一致性的异常情况,并为储能电站运维及时预警,该方法无需改造储能电站硬件,可有效提升电池异常识别率,具有成本低、可推广性强的特点。
本发明的第三实施方式涉及一种电子设备,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现第一实施方式的基于自适应聚类的电池不一致性辨识方法的步骤。
本发明的第四实施方式涉及一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现第一实施方式的基于自适应聚类的电池不一致性辨识方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令方法的制造品,该指令方法实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于自适应聚类的电池不一致性辨识方法,其特征在于,包括以下步骤:
采集电池组中各单体电池的电压值和采集时间,得到各单体电池的电压-时间曲线图;基于形状注意力机制,根据各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,并根据转折点重新绘制电压-时间曲线图;
对重新绘制的电压-时间曲线图进行自适应聚类,得到聚类结果;所述聚类结果包括聚类簇的个数、每个聚类簇中单体电池的编号和聚类中心的单体电池编号;所述对重新绘制的电压-时间曲线图进行自适应聚类,具体为:采用k-mediods聚类方法对重新绘制的电压-时间曲线图进行聚类;其中,所述k-mediods聚类方法是在每次迭代过程中始终选择欧式距离最远的电压-时间曲线图作为下一个簇中心,直至选择出k个相互欧式距离尽可能远的簇中心,具体为:随机选取一幅电压-时间曲线图作为第一个簇中心;计算其他电压-时间曲线图与第一个簇中心的欧式距离,选择欧式距离最大的电压-时间曲线图作为下一个簇中心;再计算其他电压-时间曲线图与已选定簇中心的欧式距离和,选择欧式距离和最大的电压-时间曲线图作为下一个簇中心;重复上述过程直到k个簇心选择完成;
所述k-mediods聚类方法的k值从(2,n0.5)的范围内循环设置,其中,n表示转折点的数量,具体为:对每次聚类完成后的聚类结果进行判断,计算聚类结果中各簇聚类中心的电压均值和簇内数据个数,如果各相邻簇中心的电压均值的差别都大于均值预设百分比,且每个簇内数据个数都大于总电压数的预设百分比,则k=k+1继续循环进行聚类;如果各相邻簇中心的电压均值的差别小于均值预设百分比或者每个簇内数据个数都小于总电压数的预设百分比,则循环结束,确定聚类簇数为k-1;
根据聚类结果对电池组进行评价,具体包括:
获取聚类结果中聚类簇的个数以及每个聚类簇的聚类中心的单体电池编号;
计算每个聚类簇的聚类中心的电压均值,通过计算相邻聚类簇的聚类中心的电压均值之间的差异来评价电池组的健康状态;
计算每个聚类簇内所有单体电池的电压均值和方差,通过均值和方差评价聚类簇中单体电池的一致性;
计算每个单体电池的平均电压,根据单体电池的平均电压和所述单体电池所在聚类簇的聚类中心的电压均值计算单体电池的健康度,通过健康度对单体电池进行评价;
所述根据转折点重新绘制电压-时间曲线图后还包括:根据重新绘制的电压-时间曲线图计算各数据点之间的斜率,并根据斜率确定单体电池所处的状态,具体为:
计算重新绘制的电压-时间曲线图中相邻数据点之间的斜率;
将得到的斜率的绝对值与斜率阈值进行比较;
当斜率的绝对值大于斜率阈值,且斜率为正时,确定两个数据点之间的时间段内单体电池处于充电状态;
当斜率的绝对值大于斜率阈值,且斜率为负时,确定两个数据点之间的时间段内单体电池处于放电状态;
当斜率的绝对值小于或等于斜率阈值时,确定两个数据点之间的时间段内单体电池处于闲置状态。
2.根据权利要求1所述的基于自适应聚类的电池不一致性辨识方法,其特征在于,所述基于形状注意力机制,根据各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率确定转折点,具体为:
将电压-时间曲线图中的起始数据点记为(x0,t0),电压-时间曲线图中ti时刻的数据点记为(xi,ti),则电压-时间曲线图中ti-1和ti-2时刻的数据点分别记为(xi-1,ti-1)和(xi-2,ti-2),
定义形状斜率阈值为ε;
当ki>ki-1>ki-2,且(ki-ki-1)-(ki-1-ki-2)>ε时,或当ki<ki-1<ki-2,且(ki-ki-1)-(ki-1-ki-2)<-ε时,则将数据点(xi-2,ti-2)作为转折点。
3.根据权利要求1所述的基于自适应聚类的电池不一致性辨识方法,其特征在于,所述单体电池的健康度通过计算得到,其中,H表示单体电池的健康度,Uci为单体电池所在聚类簇的聚类中心的电压均值,Uij为单体电池的平均电压。
4.根据权利要求1所述的基于自适应聚类的电池不一致性辨识方法,其特征在于,还包括:统计预设窗口中单体电池处于充电状态、放电状态和闲置状态的时间占比,当单体电池处于充电状态的时间占比超过占比阈值时,则将该预设窗口归为充电阶段;当单体电池处于放电状态的时间占比超过占比阈值时,则将该预设窗口归为放电阶段;
当单体电池处于闲置状态的时间占比超过占比阈值时,则将该预设窗口归为闲置阶段;若预设窗口中单体电池处于充电状态、放电状态和闲置状态的时间占比均小于占比阈值,则该预设窗口不进行归类。
5.一种基于自适应聚类的电池不一致性辨识装置,其特征在于,包括:
采集模块,用于采集电池组中各单体电池的电压值和采集时间,得到各单体电池的电压-时间曲线图;
绘制模块,用于基于形状注意力机制将各单体电池的电压-时间曲线图中的起始数据点和其他数据点构成的形状斜率来确定转折点,并根据转折点重新绘制电压-时间曲线图;
聚类模块,用于对重新绘制的电压-时间曲线图进行自适应聚类,得到聚类结果;所述聚类结果包括聚类簇的个数、每个聚类簇中单体电池的编号和聚类中心的单体电池编号;所述聚类模块采用k-mediods聚类方法对重新绘制的电压-时间曲线图进行聚类,所述k-mediods聚类方法是在每次迭代过程中始终选择距离最远的变量点作为下一个簇中心,直至选择出k个相互距离尽可能远的簇中心,具体为:随机选取一幅电压-时间曲线图作为第一个簇中心;计算其他电压-时间曲线图与第一个簇中心的欧式距离,选择欧式距离最大的电压-时间曲线图作为下一个簇中心;再计算其他电压-时间曲线图与已选定簇中心的欧式距离和,选择欧式距离和最大的电压-时间曲线图作为下一个簇中心;重复上述过程直到k个簇心选择完成;所述k-mediods聚类方法的k值从(2,n0.5)的范围内循环设置,其中,n表示转折点的数量,具体为:对每次聚类完成后的聚类结果进行判断,计算聚类结果中各簇聚类中心的电压均值和簇内数据个数,如果各相邻簇中心的电压均值的差别都大于均值预设百分比,且每个簇内数据个数都大于总电压数的预设百分比,则k=k+1继续循环进行聚类;如果各相邻簇中心的电压均值的差别小于均值预设百分比或者每个簇内数据个数都小于总电压数的预设百分比,则循环结束,确定聚类簇数为k-1;
评价模块,用于根据聚类结果对电池组进行评价;所述评价模块包括:
获取单元,获取聚类结果中聚类簇的个数以及每个聚类簇的聚类中心的单体电池编号;
第一评价单元,用于计算每个聚类簇的聚类中心的电压均值,通过计算相邻聚类簇的聚类中心的电压均值之间的差异来评价电池组的健康状态;
第二评价单元,用于计算每个聚类簇内所有单体电池的电压均值和方差,通过均值和方差评价聚类簇中单体电池的一致性;
第三评价单元,用于计算每个单体电池的平均电压,根据单体电池的平均电压和所述单体电池所在聚类簇的聚类中心的电压均值计算单体电池的健康度,通过健康度对单体电池进行评价;
状态确定模块,用于根据重新绘制的电压-时间曲线图计算各数据点之间的斜率,并根据斜率确定单体电池所处的状态;所述状态确定模块包括:
斜率计算单元,用于计算重新绘制的电压-时间曲线图中相邻数据点之间的斜率;
比较单元,用于将得到的斜率的绝对值与斜率阈值进行比较;
确定单元,用于在斜率的绝对值大于斜率阈值,且斜率为正时,确定两个数据点之间的时间段内单体电池处于充电状态;在斜率的绝对值大于斜率阈值,且斜率为负时,确定两个数据点之间的时间段内单体电池处于放电状态;在斜率的绝对值小于或等于斜率阈值时,确定两个数据点之间的时间段内单体电池处于闲置状态。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1-4中任一所述基于自适应聚类的电池不一致性辨识方法的步骤。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1-4中任一所述基于自适应聚类的电池不一致性辨识方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410163813.6A CN117706377B (zh) | 2024-02-05 | 2024-02-05 | 一种基于自适应聚类的电池不一致性辨识方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410163813.6A CN117706377B (zh) | 2024-02-05 | 2024-02-05 | 一种基于自适应聚类的电池不一致性辨识方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117706377A CN117706377A (zh) | 2024-03-15 |
CN117706377B true CN117706377B (zh) | 2024-05-14 |
Family
ID=90153831
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410163813.6A Active CN117706377B (zh) | 2024-02-05 | 2024-02-05 | 一种基于自适应聚类的电池不一致性辨识方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117706377B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021259196A1 (zh) * | 2020-06-22 | 2021-12-30 | 北京理工大学 | 一种电池组一致性评估方法及系统 |
CN116060325A (zh) * | 2023-02-16 | 2023-05-05 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 一种动力电池一致性快速分选方法 |
CN116078697A (zh) * | 2023-01-17 | 2023-05-09 | 帕诺(常熟)新能源科技有限公司 | 一种考虑长期一致性的电动汽车退役电池的筛选重组方法 |
CN116150572A (zh) * | 2022-12-28 | 2023-05-23 | 北京理工大学 | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 |
CN116973797A (zh) * | 2023-08-03 | 2023-10-31 | 上海玫克生储能科技有限公司 | 电池组一致性的判断方法、装置、设备及存储介质 |
CN117102082A (zh) * | 2023-06-29 | 2023-11-24 | 华中科技大学 | 一种液态金属电池的分选方法及系统 |
-
2024
- 2024-02-05 CN CN202410163813.6A patent/CN117706377B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021259196A1 (zh) * | 2020-06-22 | 2021-12-30 | 北京理工大学 | 一种电池组一致性评估方法及系统 |
CN116150572A (zh) * | 2022-12-28 | 2023-05-23 | 北京理工大学 | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 |
CN116078697A (zh) * | 2023-01-17 | 2023-05-09 | 帕诺(常熟)新能源科技有限公司 | 一种考虑长期一致性的电动汽车退役电池的筛选重组方法 |
CN116060325A (zh) * | 2023-02-16 | 2023-05-05 | 合肥综合性国家科学中心能源研究院(安徽省能源实验室) | 一种动力电池一致性快速分选方法 |
CN117102082A (zh) * | 2023-06-29 | 2023-11-24 | 华中科技大学 | 一种液态金属电池的分选方法及系统 |
CN116973797A (zh) * | 2023-08-03 | 2023-10-31 | 上海玫克生储能科技有限公司 | 电池组一致性的判断方法、装置、设备及存储介质 |
Non-Patent Citations (1)
Title |
---|
基于动态k值K-means++聚类的电动汽车动力电池电压不一致故障识别方法;曾建邦 等;中国科学;20231231;第30-32页,第38页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117706377A (zh) | 2024-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108089133B (zh) | 储能系统电池组一致性检测方法及检测装置 | |
CN103269096B (zh) | 一种基于聚类分析的电池组均衡方法 | |
CN103675610B (zh) | 局部放电在线检测中的特征因子提取方法 | |
CN113887601A (zh) | 一种基于聚类分选的退役动力电池重组方法 | |
CN110826618A (zh) | 一种基于随机森林的个人信用风险评估方法 | |
CN112287980B (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN114114039B (zh) | 一种电池系统的单体电芯一致性的评估方法和装置 | |
CN112305441B (zh) | 一种集成式聚类下的动力电池健康状态评估方法 | |
CN115372828A (zh) | 基于充电片段数据和无监督算法的电芯一致性评估方法 | |
CN117113232A (zh) | 一种电动汽车锂离子电池组热失控风险识别方法 | |
CN116699446A (zh) | 退役电池快速分选方法、装置、设备及存储介质 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及系统 | |
Wang et al. | Dynamic early recognition of abnormal lithium-ion batteries before capacity drops using self-adaptive quantum clustering | |
CN117706377B (zh) | 一种基于自适应聚类的电池不一致性辨识方法和装置 | |
CN117233622A (zh) | 一种新能源汽车动力锂电池性能检测测试方法 | |
CN117171588A (zh) | 一种用于动力电池梯次利用故障检测方法 | |
CN111797899A (zh) | 一种低压台区kmeans聚类方法及系统 | |
CN116699407A (zh) | 一种基于安全熵的动力电池安全风险预警方法 | |
CN115889245A (zh) | 一种锂电池一致性分选方法 | |
CN116060325A (zh) | 一种动力电池一致性快速分选方法 | |
CN116990697A (zh) | 一种基于概率分布的锂电池组内异常单体检测方法 | |
CN115219913A (zh) | 一种基于容量增量法的动力电池全生命周期管理系统 | |
CN114355218A (zh) | 一种基于多特征量筛选的锂离子电池荷电状态预测方法 | |
CN115061046A (zh) | 一种电池工况的识别方法、装置、汽车及电子设备 | |
CN114545276A (zh) | 基于容量测试与车联网大数据的动力电池寿命预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |