動力電池篩選方法

動力電池篩選方法動力電池篩選是依據動力電池單體在某些參數或者特征曲線上反映出來的不一致性信息，基于差異分析方法，將極少數差異較大的動力電池單體剔除或者依據不同的聚類中心進行分類的過程。常用的篩選方法依據不同的篩選參數或特征曲線信息可以分為單參數分選法、多參數分選法、曲線特征分選法和電化學阻抗譜分選法。四種常用篩選方法的特點見表5-2。篩選方法優(yōu)勢局限性單參數分選方法前易，數據怔低，挑選效率高信息單一，對使用環(huán)境局限性高多參數分選參數信息全而，般據處理手段成熟不能反映動態(tài)特性變化.需要進行各次測最獲取篩選量曲線特征分選反應信息全面曲線識別數據址大.聚類繁雜.工作展大電他學阻抗譜分選物理意義演測成設?備要求高，條件苛刻.批量檢測可操作性差表5-2四種電池篩選方法的分析對比多參數分選法是一種成熟的數據處理方法，針對大量動力電池單體呈現出的多參數變量信息，可對參數變量之間的相關性進行計算，進而減少篩選時的數據。但多參數分選必須依據靜態(tài)的參數信息，而忽視了動態(tài)的變化過程。曲線特性分選方法采用標準的充放電測試曲線開展動力電池單體的篩選。充放電曲線蘊含大量的電池特性信息，因而可在電壓特性曲線上等距離采樣，提取曲線對應點位置的電壓差異，依據設定閾值進行分類，最后完成篩選。為防止遺漏關鍵信息，該方法需高頻采樣。由于電池數量大，易產生海量統(tǒng)計數據，從而造成分選效率下降。因此，若將電池曲線特征與電池多參數信息相結合，可將曲線識別轉化為對多篩選變量的數據處理，然后應用多參數篩選中的數據處理方法可全面有效地對電池群進行差異分類，故可形成一種新的動力電池篩選方法一一基于動態(tài)參數的動力電池篩選方法。.基于動態(tài)參數的動力電池篩選方法依據動力電池電壓電流特性曲線，結合等效電路模型對電化學反應過程進行深入的分析，提取出關鍵信息，構建特征向量，再結合多參數分選中的數據處理方法，進一步簡化數據提取過程，獲得能夠表征動力電池類別的特征，實施動力電池單體的篩選。基于上述思想，采用動力電池充放電曲線，提取出表征電池關鍵信息的特征量并進行相關性分析，得到互不相關的新特征量，以此對電池進行聚類，得到分類結果，最后對分類結果在不同工況、不同電流和不同SOC條件下進行評價。具體步驟如下：（1）關鍵特征信息提取采用CCCV曲線,提取動力電池特征量。動力電池6-單體01在25℃下進行的標準充放電容量實驗如圖5-8所示。該圖為一個完整的充放電循環(huán)，A點表示上一個循環(huán)放電截止時刻，B點表示該循環(huán)放電的截止時刻。圖5-8動力電池6-單體01充放電電壓電流曲線（含一個循環(huán)）

a）電壓曲線b）電流曲線基于圖5-8中的電壓電流曲線進行分析：在A點的上一個循環(huán)放電電流截止后，端電壓出現回升，其中快速回升部分主要是由放電歐姆內阻導致的，隨后電壓緩慢回升部分主要反映的是動力電池的極化效應；而依據特定電壓區(qū)間下的充電曲線，可以建立充電容量與老化狀態(tài)之間的映射關系。從等效電路模型參數角度對特性曲線的過程進行解析，可從曲線中提取出與動力電池歐姆內阻、極化特性、老化狀態(tài)以及充放電容量等相關的變量。根據動力電池的充放電曲線的分析結果，采用5個曲線特征量F1~F5可以實現對動力電池相應特性的全面表征：F1:放電至截止電壓后1s內電壓曲線的上升量（對放電歐姆內阻的表征）。F2:放電至截止電壓后1~100s內電壓的上升量（對電池的動態(tài)極化的表征）。F3:恒流充電段開始時電壓曲線在1s內的上升量（對充電歐姆內阻的表征）。F4：恒流充電階段充入電量與恒壓充電階段充入電量的比值（對充電容量和電池老化程度的雙重表征）。F5:統(tǒng)計整個恒流階段的放電容量。需要特別指出的是，在放電截止后，由于前一階段放電歐姆內阻導致的電壓快速回升分量，明顯高于充電開始時由于充電歐姆內阻導致的電壓瞬時響應，而恒流段的電流大小相等，說明末端放電歐姆內阻要高于充電歐姆內阻，因此在提取特征量時需對兩者單獨進行討論。動力電池老化越嚴重，在CC段的末端就越容易到達截止電壓，故在恒流段充入的電量就會減少。相應地，電池CC段充入電量與CV段充入電量的比例就會發(fā)生變化。因此該值可作為量化電池老化狀態(tài)的特征值。采用上述5個特征量可對電池的歐姆效應、極化特性、充放電容量、老化狀態(tài)進行全面表征，同時這5個特征量可以直接從曲線上提取，簡化了電池篩選的過程，提高了篩選效率。（2）聚類分析聚類是將一定數量的同一性質的事物依據一定的標準分為若干類別，常用于數據分選。在電池篩選時，為全面衡量5個特征量的一致性，需要對其進行量化分類。依據提取的各電池特征量，將其轉化為幾何空間的各個維度，每個電池都是幾何空間的一個點，然后計算點與點之間的距離，其量度常采用平方歐式距離，表達式為d=￡（靖一裁尸（5-3）式中,m為維數；d表示的第i和i+1塊電池之間的空間距離。由于上述5個特征量存在一定的耦合關系，可通過因子分析，提取特征量的共同解釋變量，利用較少的新因子來表征原特征量。通過觀察新因子對其的解釋程度判定表征是否合理。若解釋比例超過90%，即可利用新的因子作為聚類的維度。應用統(tǒng)計產品與服務解決方案軟件(StatisticalProductandServiceSolutions，SPSS)將所有電池特征量輸入后，可生成特征量之間的相關矩陣，進行因子分析。需要說明的是，進行因子分析前必須通過矩陣特性的鑒定，即Bartlett球度統(tǒng)計量的相應概率值小于給定的顯著值水平，最終得到因子矩陣和得分系數矩陣，用來描述特征量和新因子之間關系。(3)成組測試為評價篩選方法的有效性，需采用特定工況對所有電池群進行測試。若動力電池樣本一致性高，則電池群的電壓響應具有較高的一致性，即響應向量之間距離近，可通過計算電池群電壓響應向量的平均距離a來衡量電池群一致性的高低。a值計算公式為k~\i￡2norm(yi-ym),(5-4)式中，k表示組內電池的總數目；Yi為對應電池的電壓向量。需要注意的是，在統(tǒng)計時必須保證所有樣本的電壓響應向量維度相同，即電流激勵點數量相同。另外，因為此距離是指兩兩電池間距離的均值，所以電池群的規(guī)模不會影響一致性大小的評判，若待篩選電池群的樣本數量發(fā)生變化，仍可對篩選前后電池群的一致性進行比較。.應用算例分析(1)實驗內容實驗對象為動力電池6,實驗溫度為10℃。為保持足夠的樣本規(guī)模，采用16只動力電池單體作為初始樣本，編號為單體09~24。為客觀評價方法的有效性，采用不同工況、不同電流倍率等測試條件，如DST工況和HPPC工況。測試流程如下：①充放電測試，用于得到電池群的充放電曲線。②DST工況測試，用于提取在該工況激勵下各電池電壓響應，根據式(5-4)針對分類前和分類后的電池群，計算電池群間電壓響應向量平均距離a，進而評價篩選方法的有效性。③HPPC測試，用于得到涵蓋高中低(90%、50%、20%)的三個SOC點下各動力電池對于脈沖電流下電壓的響應，其中針對20%SOC點下的電流脈沖，需計算兩個電流倍率(0.5C和1.0C)。(2)特征量提取依照上述篩選方法，對16個動力電池的標準充放電電壓特性曲線進行特征量提取。特征提取結果見表5-3。表5-316個動力電池充放電曲線提取特征!1~F5電池序號%&電單體090.59680.02230.19375.98982.4407單體100.59680.02390.19285.79522.4437單體110.59S0。一川*90.19135.612.4390單體120.62000-01980.19315.8457&448J單體130.60200.02200.IK755.97842.4557單體140.60920.02050.1910&18982.4510單體130.63皿g.ijisfi0.195。5.953(12.鈍53單體160.604S0.01930.19255.83522.4303單體170.50750.05144.18945.37512.4420單體180.51310.05150.18975.404g2.4213單體190,51S00.05110.19族5.57182.4393單體200.51I&0.05710.18445.7S352.4403，單體210.51400.05080.18665.88522,4177單體220.51370.05超0.19225.M532.4540單體2S0.51370,04710.18546.01642.4220單體240.5038Q.055B0.18575.66222.4253可見，不同動力電池的特征量差異性較大，這體現出動力電池群樣本間的不一致性程度。(3)因子分析與聚類提取曲線特征F1~F5，組成待篩選動力電池不一致性數據庫，基于SPSS軟件進行因子分析。首先利用特征量之間的相關矩陣進行Bartlett的檢驗；根據實驗數據計算得到的顯著水平值小于0.001,故可進行因子分析；隨后將特征量轉化為數量更少的因子。經過SPSS的因子分析后可計算出特征量解釋的總方差，經主成分分析法得到的一系列新的因子T1~T6見表5-4。新因子是對單體09的特征量尸］~尸5的解釋。可見前三個因子T1~T3對原特征量F1~F5累計解釋占比超過90%,因此可確定其為篩選變量，然后計算所有動力電池群的新因子。表5-4新因子對原特征量解釋占比新因子序號解料占比｛%)累積解擇占比(%)42.04542t045心39.73481.779a.5都90,362/45.448蛤閭0%4,8999,8490.]51100.000新因子T1~T3與原特征量之間的因子矩陣見表5-5,在因子矩陣中數值表示如何基于新的因子來表征原來的特征量,如F1=0.98T1-0.098T2-0.092T3O數值大小可以反映出新因子對原特征量的表征程度。表5-5因子矩陣原特征量t2%儲<).93D-o.m-0.092嗚-0.9520.1450.】920.751J0.525-0,須a{).544-0.8000.146他{).6950.3見0604得分系數矩陣見表5-6。采用該系數矩陣，可用原特征量計算新的因子。如篩選變量T1的表達形式為：T1=0.299F1-0.387F2+0.663F3-0.277F4-0.380F5O同理,利用16個單體的特征量F1~F5可計算出對應的篩選變量T]~T3。由于T]~T3對原5個特征量的解釋程度達到90%以上，可將T1~T3作為聚類維度，因此所有樣本單體可映射為聚類空間的點。表5-6因子得分系數矩陣原特征最0.299出201一吐-0L387-0.2060.2200.663-0.3760.174電-0.277(k74s0,0IS-0+380-仇網L174根據T1~T3三個維度，采用K均值聚類方法對16個電池進行分類。K均值聚類的原理流程如圖5-9所示，隨機選取K個樣本作為初始的聚類中心，然后計算剩余樣本與各個聚類中心之間的距離，把每個樣本分配給距離其最近的聚類中心。一旦全部對象都完成分配，每類的聚類中心會根據類中現有的對象進行重新計算，以保證誤差平方和局部最小。該過程將不斷迭代直到滿