基于SOM+SVM的退役鋰離子電池分選

摘要

針對退役動力電池分選方法匱乏的問題，提出一種基于SOM(自組織特征映射網(wǎng)絡)+SVM(支持向量機)的退役鋰離子電池分選方法。對退役電池進行電池測試，通過電池測試系統(tǒng)記錄電池的電流、電壓、溫度和放電容量的變化，進行電池PNGV(新一代汽車合作伙伴)模型參數(shù)辨識，并依據(jù)電池容量、等壓降時間等特征參數(shù)與模型參數(shù)對電池進行多參數(shù)聚類與分選歸類。將分選歸類結(jié)果中的退役電池單體進行并聯(lián)重組，進行一致性實驗，并對實驗結(jié)果進行比較分析。實驗結(jié)果表明：該方法下的退役電池參數(shù)在經(jīng)過重組循環(huán)運算后，極化內(nèi)阻、剩余容量、等壓降時間、溫度轉(zhuǎn)換速率一致性變化程度較小，歐姆內(nèi)阻離散度明顯減小，在退役電池分選工作中具有實際意義。關鍵詞

SOM神經(jīng)網(wǎng)絡；支持向量機；PNGV模型；退役電池；電池分選當動力電池容量衰退至80%后即不適用于電動汽車，但仍具有較強的放電能力與使用壽命。中國汽車技術研究中心的數(shù)據(jù)顯示，2020年我國動力電池累計退役量約20萬噸，并逐年增長，預計2025年累計退役量將達78萬噸。造成這一巨大困境的主要原因在于退役電池梯次利用體系的不完善，退役電池梯次利用的關鍵在于解決退役電池單體間一致性問題，需要進行一致性分選。針對電池分選方法已有國內(nèi)外學者開展了相關研究，其中王東梅等研究了利用電池充放電曲線的平臺特性進行聚類分組，但是此分選方式對分選環(huán)境要求高，分選成本昂貴。Fang等基于電池的充電熱性能參數(shù)，采用人工神經(jīng)網(wǎng)絡對電池以不同熱狀態(tài)進行分組，但是在不同溫度下，單體電池的衰減速度是不一樣的，反而會加劇單體電池的不一致性。采用加權K均值算法，以容量、內(nèi)阻為參數(shù)對退役電池進行分選，并以不同工作條件進行驗證，結(jié)果表明可滿足使用條件。

從分選難度和效率方面分析，利用電池的容量、內(nèi)阻、容量增量曲線進行分析，雖然在容量和溫度一致性方面有較好的結(jié)果，但分選過程復雜且緩慢。傳統(tǒng)的分選方法需要消耗大量的人力物力，同時需要逐個對電池測試從而完成分選，所以傳統(tǒng)的分選方法對于大批量退役電池快速分選不適用。依據(jù)王焰輝等以電壓、內(nèi)阻、溫度等參數(shù)對鈷酸鋰電池電芯采用不同聚類算法進行分選研究，相比傳統(tǒng)聚類算法，采用神經(jīng)網(wǎng)絡進行快速分選效果更佳；鄭岳久等分析退役電池充放電曲線中特征電壓與容量的關系，采用支持向量機器學習算法對退役電池進行快速分選，提高了分選效率。本工作提出了一種快速且高效的分選方法：采用神經(jīng)網(wǎng)絡和支持向量機器學習相結(jié)合的方法，以退役鋰離子電池特征參數(shù)為輸入對模型進行訓練，完成對拆機退役電池單體的分類。1自組織映射(SOM)神經(jīng)網(wǎng)絡+支持向量機(SVM)自組織映射(SOM)神經(jīng)網(wǎng)絡具有收斂速度快、分類精度高的特點，廣泛應用于模糊識別分類和故障診斷方面。支持向量機(SVM)在高維或無限維空間中構造超平面或超平面集合，其可以用于分類、回歸或其他任務，它基本上不涉及概率測度及大數(shù)定律等，簡化了通常的分類和回歸等問題。本工作提出并通過實驗驗證了SOM+SVM分選實驗在退役鋰離子電池分選方面的成功應用。1.1自組織映射(SOM)神經(jīng)網(wǎng)絡算法原理自組織特征映射網(wǎng)絡(self-organizingfeaturemap)是一種無監(jiān)督的人工神經(jīng)網(wǎng)絡。它運用競爭學習(competitivelearning)策略，依靠神經(jīng)元之間互相競爭逐步優(yōu)化網(wǎng)絡。使用近鄰關系函數(shù)(neighborhoodfunction)來維持輸入空間的拓撲結(jié)構。如圖1所示，該網(wǎng)絡由輸入層和競爭層組成，其中輸入層由m個神經(jīng)構成，可以在一維或二維的處理單元陣列上，形成輸入信號的特征拓撲分布，接收網(wǎng)絡的輸入信號，競爭層則是由神經(jīng)元按一定的方式排列成一個二維節(jié)點矩陣。輸入層的神經(jīng)元與競爭層的神經(jīng)元通過權值相互聯(lián)結(jié)在一起，當網(wǎng)絡接收到外部的輸入信號以后，競爭層的某個神經(jīng)元便會興奮起來，通過學習樣本數(shù)據(jù)特征，產(chǎn)生數(shù)據(jù)映射。圖1

SOM神經(jīng)網(wǎng)絡模型

訓練過程：（1）數(shù)據(jù)歸一化。歸一化輸入數(shù)據(jù)的特征向量，使特征向量無量綱化。（2）初始化網(wǎng)絡。設置輸入層與競爭層間的權重初始值ωij、優(yōu)勝鄰域σ0和學習率初值。（3）選取最佳神經(jīng)元。通過計算各神經(jīng)元的歐氏距離，選取歐氏距離最小的神經(jīng)元k。其表達式為(1)(2)式中，為向量間的歐式距離，X為輸入數(shù)據(jù)，為權值向量，為最小神經(jīng)元距離。（4）更新權值，對優(yōu)勝鄰域間神經(jīng)元進行權值更新。其表達式為(3)（5）不斷循環(huán)上面的4個步驟，直到獲得期望的結(jié)果。1.2支持向量機(SVM)算法原理支持向量機(supportvectormachine)是一種監(jiān)督機器學習算法，適用于模式分類或非線性回歸問題，其本質(zhì)是一種二分類模型，它的基本模型是定義在特征空間上的間隔最大的線性分類器，間隔最大使它有別于感知機。SVM的目的是用訓練數(shù)據(jù)集的間隔最大化找到一個最優(yōu)分離超平面來創(chuàng)建邊界。支持向量機具有適用性廣、魯棒性好、簡單高效等特點，是由算法從訓練數(shù)據(jù)中抽取小的子集構成，其體系結(jié)構如圖2所示。圖2

支持向量機體系結(jié)構

圖中，為核函數(shù)，其種類有線性核、多項式、徑向、兩層感知器；x(1)為輸入。1.3提取電池一致性特征參數(shù)對電池進行一致性分選，需要進行電池測試，獲取電池容量、等壓降時間、溫度變化速率等特征參數(shù)，作為電池分選的依據(jù)。電池容量一般都會作為電芯分組的初選內(nèi)容，是電芯一致性最重要的參數(shù)表現(xiàn)。造成容量不一致的原因很多，并且多數(shù)都是制造過程不一致的結(jié)果。等壓降時間不一致，在化成后，經(jīng)歷同樣的充放電過程，在同樣的環(huán)境溫度下，待評價電芯充電到相同開路電壓。測量其電壓上升和下降時間，此時體現(xiàn)出來的時間差距，就是單體電芯的等壓降時間不一致性。溫度變化速率也就是溫升，溫升不一致，除了每只電芯直接影響發(fā)熱的內(nèi)阻因素外，其內(nèi)部電化學物質(zhì)制造過程中形成的不一致，對發(fā)熱量也會產(chǎn)生影響。每一只電芯在電池包中所處位置不同，造成其散熱條件的差異，最終也會導致電芯溫升不一致。2特征參數(shù)辨識與SOM+SVM分選SOM+SVM分選實驗設計，首先需獲取電池的特征參數(shù)作為分選依據(jù)，通過SOM對退役電池樣品進行聚類，再用SVM對聚類結(jié)果進行訓練，根據(jù)訓練結(jié)果對電池樣品樣本進行歸類分選。2.1試驗方案實驗測試使用的電池為國產(chǎn)某品牌18650拆機退役磷酸鐵鋰電池，額定電壓為3.2V，額定容量為1100mAh，共20只，編號從001至020。電池經(jīng)過初期篩選，無外體破損、軟化、鼓包等外表問題。實驗測試儀器為國產(chǎn)某品牌電池測試系統(tǒng)，型號為CT-8002。試驗數(shù)據(jù)通過電池脈沖充放電測試獲得，其中脈沖充放電階段是以3C電流恒流放電10s后擱置40s，再以放電電流大小的75%進行10s恒流充電。測試流程參考“FreedomCARBatteryTestManual”進行制定，測試過程在室溫下進行(約為25℃)，退役鋰離子電池單體整體測試流程為：①將退役電池單體進行1C恒流充電至3.6V；②轉(zhuǎn)為恒壓充電，當充電電流小于0.055A時視為充滿；③擱置30min；④進行1C恒流放電，使電池容量下降10%；⑤擱置30min；⑥進行脈沖充放電測試；⑦1C恒流放電10min；⑧擱置30min；⑨重復⑥～⑧三次；⑩進行1C恒流放電使電壓降至放電截止電壓；?結(jié)束。測試過程所得電池的電壓曲線如圖3所示。圖3

電池測試電壓曲線2.2特征參數(shù)辨識在對退役鋰離子電池分選時，所選取的特征參數(shù)應具有可表現(xiàn)電池性能一致性的能力，從而作為分選依據(jù)。PNGV模型是2001年“PNGVBatteryTestManual”提出的等效電路模型，PNGV等效電路圖如圖4所示。參考楊陽等對電池PNGV等效電路模型的研究，可選取模型中歐姆內(nèi)阻(R0)、初始大電容(Cb)、極化內(nèi)阻(Ra)、極化電容(Ca)作為部分參數(shù)。所以單個電池可提取模型參數(shù)有歐姆內(nèi)阻R01、R02、R03，初始大電容Cb1、Cb2、Cb3，極化內(nèi)阻Ra1、Ra2、Ra3，極化電容Ca1、Ca2、Ca3；以上參數(shù)均為退役電池單體在放出10%容量后，每次放電10min后的狀態(tài)參數(shù)。參考諶虹靜的相關研究，其余特征參數(shù)可選取電池放電容量(C)、等電壓降時間(tD)、溫度變化速率(TR)。以上參數(shù)計算方法如下文所示。圖4

PNGV等效電路圖圖5

充放電脈沖階段電壓電流

2.2.1歐姆內(nèi)阻內(nèi)阻主要在電流加載時引起電壓變化，表現(xiàn)為電壓曲線直線變化。根據(jù)歐姆定律可得歐姆內(nèi)阻R0計算公式如式(4)所示(4)式中，U0

為初始電壓，U1為放電至t1時刻的電壓，單位為V；I為放電電流，單位為A。2.2.2初始大電容△Q為U0～U4過程中的放電量，可由測試儀器直接讀取；△Uoc為放電曲線特征點與U0～U4的差值。根據(jù)能量守恒定律可得式(5)，經(jīng)整理初始電容可根據(jù)式(6)計算(5)(6)式中，放電量△Q的單位為C(庫侖)；初始電容的單位為F(法拉)。2.2.3極化內(nèi)阻在t1～t2時間段內(nèi)的電壓緩慢變化主要由極化內(nèi)阻引起，根據(jù)歐姆定律得(7)式中，U1為t1時刻的電壓，U2為t2時刻的電壓，單位為V；I為放電電流，單位為A。2.2.4極化電容在t2～t3時間段內(nèi)，電池內(nèi)部無電流流動，端電壓由于極化電容的作用近似指數(shù)上升，可根據(jù)式(8)計算(8)式中，為極化電容，單位為F(法拉)。2.2.5等壓降時間如圖6所示，等電壓降時間選取測試流程⑩放電工步，取電壓3～2.5V所耗時間作為參數(shù)，由式(9)計算圖6

等壓降時間示意圖

(9)式中，t2_n為放電階段電壓為3V的時間，t1_n為放電階段結(jié)束電壓為2.5V的時間，tD_n為等壓降放電時間，單位為s。2.2.6溫度變化速率溫度變換速率同樣取測試流程⑩放電工步階段數(shù)據(jù)，由式(10)進行計算

(10)式中，TR2_n為放電開始時電池溫度，為放電結(jié)束時電池溫度，單位為℃；為放電時間，單位為s。對20只電池進行測試，通過上述方法計算其參數(shù)，所得參數(shù)如表1所示，參數(shù)散點分布如圖7所示。表1

退役電池分選參數(shù)表圖7

特征參數(shù)散點分布圖2.3退役電池SOM模糊聚類分選首先將表1中的退役電池特征參數(shù)進行歸一化作為輸入數(shù)據(jù)，由于樣本較少，競爭層神經(jīng)元結(jié)構選擇為的二維神經(jīng)元平面，初始化神經(jīng)網(wǎng)絡后，把特征參數(shù)進行歸一化，作為數(shù)據(jù)訓練集對SOM神經(jīng)網(wǎng)絡進行訓練，達到訓練次數(shù)500后將得到的電池分類結(jié)果如圖8進行展示。圖中，將5號類別歸為A類，1號類別歸為B類，4號為C類，4號為D類，2號為E類，6號為F類。圖8

退役電池分類結(jié)果由圖8中的分類結(jié)果可得，采用SOM神經(jīng)網(wǎng)絡對退役電池樣品進行聚類，可將該20個退役電池樣品分為三類，結(jié)果如表2所示。表2

退役電池分類結(jié)果上述分類方法是基于多個參數(shù)進行的，除了考慮電池容量、等壓降時間、溫度變化速率以外，也將電池PNGV等效電路中內(nèi)阻、極化內(nèi)阻、大電容、極化電容作為參數(shù)。通過SOM神經(jīng)網(wǎng)絡可將參數(shù)性能相近的電池單體聚類在一起，以實現(xiàn)退役電池單體的分類。2.4退役電池SVM分類由于試驗樣品較少，根據(jù)表2中對退役電池樣品的聚類結(jié)果，可選取A、B兩類電池樣品進行分類。首先將樣品數(shù)據(jù)分為訓練數(shù)據(jù)與測試數(shù)據(jù)。在A、B兩類電池中隨機選取一個電池單體作為測試數(shù)據(jù)，用剩余電池數(shù)據(jù)作為訓練數(shù)據(jù)，并給電池賦予類別編號。訓練數(shù)據(jù)在Matlab工作區(qū)保存為train_bat，類別編號保存為train_bat_labels；同樣將測試數(shù)據(jù)保存為test_bat，測試類別編號保存為test_bat_labels。選取核函數(shù)為徑向核函數(shù)后，將訓練數(shù)據(jù)與測試數(shù)據(jù)作為輸入對支持向量機網(wǎng)絡進行訓練，得出的結(jié)果如圖9所示。圖9

支持向量機分類結(jié)果

采用支持向量機對聚類結(jié)果進行分類，可分別將A、B類別中兩個測試樣本成功歸類于該電池所屬類別內(nèi)。3分選結(jié)果的驗證實驗為驗證退役鋰離子電池樣品聚類分選后的結(jié)果，需要對電池分選前后的一致性進行檢驗。本工作將退役鋰離子電池進行一致性試驗，提取試驗后的參數(shù)進行一致性分析，以此驗證上述分選方法。3.1電池一致性試驗電池一致性可根據(jù)電壓、歐姆內(nèi)阻、剩余容量、荷電狀態(tài)等性能指標進行評價。本工作參考諶虹靜對電池一致性分選的研究，選取參數(shù)中歐姆內(nèi)阻(R01、R02、R03)、極化內(nèi)阻(Ra1、Ra2、Ra3)、電池剩余容量C、等壓降時間tD、溫度變化速率TR來評價退役鋰離子電池單體分組循環(huán)前后的一致性。實驗中采用NEWARE電池測試平臺，測試溫度為室溫，對B類的電池單體04、06、08、17、18、19號進行50次循環(huán)測試，檢測循環(huán)測試后B類電池的相關參數(shù)，驗證確定的分類是否在使用后仍然保持良好的一致性。由于電池在4C到6C恒流快充和快放期間表現(xiàn)出穩(wěn)定的性能，體現(xiàn)出電池容量衰減最小，所以本工作采取6C恒流對鋰電池進行循環(huán)快充和快放，在最嚴苛的充放電環(huán)境下檢驗分選后鋰電池的性能。實驗測試流程如下：①首先將電池組以6.6A電流進行恒流充電至3.6V；②恒壓充電，當充電電流小于0.33A時視為充滿；③擱置30min；④以6.6A電流進行恒流放電至2.5V；⑤擱置30min；⑥重復①～⑤50次；⑦結(jié)束。將電池組進行50次充放電循環(huán)，將循環(huán)過程中的電壓變化情況進行記錄，如圖10所示。圖10

電池組充放電循環(huán)3.2試驗結(jié)果及分析根據(jù)2.2節(jié)中的參數(shù)獲取試驗數(shù)據(jù)，分別對04、06、08、17、18、19號電池進行測試，重新辨識循環(huán)后的退役電池特征參數(shù)，結(jié)果如表3所示。表3

B類退役電池單體一致性特征參數(shù)離散程度由表3可知，退役電池特征參數(shù)中，歐姆內(nèi)阻R01、R02、R03進行重組循環(huán)后，參數(shù)離散程度有所下降；剩余容量C、等壓降時間tD、溫度變換速率TR離散度有所增加，其中剩余容量離散程度增加0.0203，等壓降時間離散程度增加0.0229，溫度變化速率離散程度增加0.0160。其余參數(shù)為等效電路模型參數(shù)，可反映電池的動態(tài)特性，參數(shù)特征較為復雜，其變化規(guī)律也較為復雜。其中，極化內(nèi)阻Ra1、Ra2、Ra3離散程度有小部分增長，其余參數(shù)變化程度較大。將上述參數(shù)離散