技术领域
[0001] 本
发明属于锂电池技术领域，具体涉及一种基于SAE和K-means
聚类算法的电池筛选方法。
背景技术
[0002] 当前，锂离子
蓄电池在新
能源汽车、
可再生能源发电储能等领域的应用日益广泛。虽然
锂离子电池本身在
能量密度、安全性以及成本等方面具有良好的综合性能，但随着锂离子电池应用的不断推广，其电池
单体之间存在的老化差异现象也逐渐显现：当采用完全相同的工作机制对同品牌同型号的不同单体进行持续循环充放电时，随着循环次数的增加，各单体可用容量的衰减速度也会呈现明显的差别，这会造成
串联电池组内部分单体
循环寿命提前结束，受短板效应的制约，电池组整体的寿命也会随之终止。工程实践表明，这种差异现象不同程度地广泛存在于各种蓄电池应用领域，该现象与电池材料、设计及生产工艺、使用及存储方法等因素均有一定联系，制约了整个串联电池包的使用寿命；另一方面，这种电池单体间的差异特性是伴随着电池容量的不可逆衰减过程出现的，且时间尺度较长，常规的电池组均衡控制方案很难有效抑制。
[0003] 一项相关技术是武汉理工大学杜常清等人2017年在《电源技术》期刊发表的学术论文“锂离子动
力电池单体筛选方法研究”中提到的方案。本方案介绍了一种基于由
电压时间曲线特征点(时间、电压)构成的向量空间电池筛选方法，提出了基于
曲率的电压时间曲线特征提取方法，并依据特征点分段线性拟合出标准电池电压时间曲线方程，通过计算非标准电池特征点到标准电池电压时间曲线的距离，从而确定单体电池间的相似度。该方法通过提取电压时间曲线上的时间、电压为特征，建立相似度函数并基于一定的
阈值准则，完成电压时间曲线的筛选，并对分选结果的一致性进行了分析，为电池分选提供了一种快速、实用的解决方案。
[0004] 但是该技术存在以下缺点：
[0005] 1.该方案仅考虑了蓄电池在充放电过程的电压时间特性差异，并未考虑容量衰减差异；
[0006] 2.该方案仅是在特定SOH状态下，针对多单体的电压一致性进行筛选，并未充分考虑电池全寿命周期范围内的工作特性差异。
发明内容
[0007] 针对上述技术问题，本发明的目的是提供一种基于
机器学习和无监督聚类算法的电池筛选方案，依据新电池的外部特性，筛选出具有相似循环寿命的单体，从而为组成具有更长循环寿命的电池组奠定良好
基础。
[0008] 基于SAE和K-means聚类算法的电池筛选方法，主要步骤包括：
[0009] (1)获取新电池充电末期电压数据；
[0010] (2)采用稀疏自动
编码器通过对输入
信号的重构，提取出电池充电末期电压数据中的隐含压缩特征；
[0011] (3)采用无监督K-means聚类算法，依据上述(2)中所得的压缩特征对样本进行聚类，获得的各组内的电池具有相对一致的循环寿命。
[0012] 进一步的，具体的步骤为：
[0013] S1：选取要筛选的电池样本，确认电池是新的未经使用的电池，统计电池样本总数目为M；
[0014] S2：采用必要的充放电测试设备对每个电池单体分别进行充放电测试，测试流程：
[0015] S2.1:对电池进行0.5C恒流放电，直至电池电压降至下限2.5V；
[0016] S2.2:静置1小时；
[0017] S2.3:采用3.65V/0.5C CCCV的充电模式对电池进行充电，直至充电
电流降至0.1C以下；
[0018] S2.4:静置1小时；
[0019] S2.5:重复步骤S2.1对电池放电；
[0020] S2.6:静置1小时；
[0021] S2.7:重复步骤S2.3对电池进行充电。
[0022] S3：选取S2.7中充电末期电压数据，并进而提取出该阶段中充电末期恒流阶段的电压数据；
[0023] 选取规则为以电池电压到达3650mV为起点，按时间逆向取L时间段内的电压数据作为原始依据，时长L取10～30分钟，所得电压数据按10s进行
采样，最终获得N×M维的输入数据矩阵；
[0024] 本发明的方案中获得的N大约为60～180，若N取更大值则SAE运算过程对计算机性能的要求会大幅提升；
[0025] S4：将N×M维的电压数据输入前级稀疏自动编码器SAE，通过优化训练获得最优的网络参数，最终通过SAE对电压信号的重构获得原始电压信号在隐含层体现的压缩特征，所述的压缩特征为n×M维矩阵，一般情况下令：N＝(2～3)n；
[0026] S5：以S4步中SAE得到的压缩特征作为K-means聚类算法的作用对象，通过无监督K-means聚类过程将n×M维的特征矩阵(也即M个列向量)划分为k个不同的簇，每个簇的成员为若干个列向量，每个列向量对应一个电池单体，所有簇中列向量的总和为M；
[0027] S6：因S5中M个列向量对应着M个电池，故对M个列向量的聚类实质上就是对所有电池的聚类，依据S5的筛选结果对电池样本进行分组，同一组内的电池即具有相似的循环寿命。
[0028] 要区分各组电池循环寿命的长短差异可依据各组压缩特征的均值来判别，初步研究表明，按照本发明上述步骤获得的聚类效果来看，具有较高特征均值的一组电池具有更长的循环寿命，反之则循环寿命相对较短。另外，为了提高此聚类算法的可靠性，本发明仅将电池分为两类，即K-means聚类簇的数目k＝2，其中一类电池均具有相对较长的循环寿命，另一类电池具有相对较短的循环寿命。
[0029] 本发明可完成对M个电池单体的聚类，所分出的每一类中各单体电池均具有较为相似的循环寿命，且两类电池之间具有相对明显的循环寿命差异。
[0030] 其中，SAE和K-means聚类算法简要的流程为：
[0031] 1、基于稀疏自动编码器(SAE)的特征提取
[0032] 本发明采用了自动编码器(AE,auto encoder)，AE是深度网络三大主流模型之一，其特点是输入数据经过
隐藏层，在
输出层重构，并在隐藏层保留重构数据需要的特征，其特征提取能力尤为突出。本发明采用的稀疏自动编码器可简要归纳为以下几个步骤：
[0033] S1：输入样本数据选取。如前所述，本
专利的输入样本为待筛选新电池样本在标准倍率充电末期的电压数据，为N×M维的矩阵，其中N是每个电池样本在标准充电末期的电压采样点数目，M为待分组的电池样本总数目。
[0034] S2：网络参数的初始化。SAE层数本发明取3层；各层神经元数目分别为N、n和N，一般取N为n数值的2～3倍。各层神经元的连接权值和各神经元的阈值初始化一般是在一个固定范围内按均匀分布随机产生，本发明中权值初始化范围为[-0.5,+0.5]。
[0035] S3：信号的前向传输。该部分运算符合基本神经网络的运算规则，见(1)-(2)式。其(2) (3) (2) (3)中，z 、z 分别为隐含层及输出层各神经元的输入；a 、a 分别为隐含层及输出层各神经元的输出；W1为
输入层与隐含层各神经元连接权值；W2为隐含层到输出层连接权值；此外，B1和B2分别为隐含层及输出层对应的扩展阈值矩阵。
[0036]
[0037]
[0038] S4：全局损失函数构造。SAE的损失函数由三部分构成，分别为输出重构误差项Jerror、权值衰减项Jweight和稀疏惩罚项Jsparse，可以描述为(3)式。其中输出重构误差是损失函数的基本组成部分；权值衰减项是用于保证网络的泛化能力，避免过拟合；加入稀疏惩罚项的目的是抑制隐含层神经元的激活度来模仿人脑神经元的稀疏性。λ为正则化系数，用于平衡网络的泛化性能和精确
跟踪性能；β为稀疏项权值，用于调节神经元激活度的稀疏程度。
[0039] Jcost＝Jerror+λJweight+βJsparse (3)[0040] S5：误差反向传播。该步骤与基础BP网络的误差反向传播类似，主要包括误差函数对各神经元
输入信号的偏导计算和网络权值及各神经元阈值梯度计算两个环节，在此不再展开。
[0041] S6：综合第(4)步和第(5)步采用梯度下降或者其他方法对SAE网络进行优化。
[0042] 经过以上几个步骤，可获得最优的重构结果，此时在隐含层可同时获得电压的压缩特征，从某种意义上讲，该特征可完全表征原始的输入电压信号。
[0043] 2、K-means聚类算法
[0044] K-means算法是一种无监督聚类算法，该算法先在数据集中随机选取k个聚类中心，而后其余数据点会被分配到与之距离最近的中心所在的簇，之后对每个簇计算其均值并作为本簇新的聚类中心，以此类推，重复执行以上步骤直到聚类中心不再改变为止。该算法的基本步骤如下：
[0045] S1：
选定待聚类的数据集X，本专利中，待聚类的数据集为SAE获得的n×M维的电压压缩特征。
[0046] S2：选取k个聚类中心P＝{p1,p2,…pk}，k为期望分成的组数，本专利中取k＝2。
[0047] S3：计算每个样本与各簇中心向量的欧氏距离，将样本放在与它距离最近的聚类中心所在的簇：
[0048]
[0049] S4：计算每个簇的均值向量，作为该簇新的聚类中心：
[0050]
[0051] S5：计算误差平方和：
[0052]
[0053] S6：若E的减小幅度小于阈值或者聚类中心还在不断改变，则回到S3；否则停止
迭代，输出聚类结果，簇划分结果为C＝{C1,C2,...Ck}。
[0054] 本发明技术方案带来的有益效果：
[0055] 1.本发明可以依据新电池的外特性对大量电池进行聚类分组，并使得每组电池具有相对一致的循环寿命，可以延长电池组整体循环寿命、充分发挥每个单体电池的工作性能；
[0056] 2.聚类依据仅来自新电池的外特性，不影响电池在工程中的正常使用，聚类流程简单易行，便于工程实现；
[0057] 3.鉴于能够更好地发挥每个单体电池的工作能力，对于长期应用电池的工业领域，本发明预期可以产生可观的经济效益。
附图说明
[0058] 图1为本发明方法的原理图；
[0059] 图2为本发明的流程示意图；
[0060] 图3为
实施例16个电池单体充电末期电压数据统计；
[0061] 图4为实施例SAE提取的16个电池单体充电末期电压的压缩特征；
[0062] 图5a为实施例基于SAE和K-means算法的电压压缩特征聚类结果；
[0063] 图5b为实施例对16节样本电池
加速循环寿命的验证。
具体实施方式
[0064] 结合实施例说明本发明的具体技术方案。
[0065] 本实施例以
磷酸铁锂电池为研究对象，所用实施例中选用了国内某知名品牌的18650型3.2V/1350mAh全新电池单体共16节作为测试样本，所选样本从批量采购的电池组中随机
抽取，所选电池样本具有一般代表性。
[0066] 本发明的整体方案如图1所示：由图1可见，本发明整体结构较为简单，主要工作是SAE特征提取、K-means聚类以及两者的衔接。前级的SAE用于从原始数据中提取出压缩特征，所得到的特征而后用于K-means聚类，通过这种无监督聚类方法可将压缩特征分成不同的簇，最终实现对原始数据信息的分类。
[0067] 图2给出了基于SAE和K-means算法的蓄电池筛选方案的具体流程，经过前期的研究、总结和分析，本发明采用蓄电池在标准充电模式(3.65V/0.5C CCCV)下恒流充电阶段的末期电压数据作为电池聚类的原始依据，该数据为N×M维的矩阵，其中N为SAE输入维度，也是每个电池样本在标准充电末期的电压采样点数目，M为待分组的电池样本总数目。首先，将N×M维电压数据输入SAE，通过SAE对输入信号的重构可以得到n×M维的压缩特征；接下来，针对该n×M维压缩特征实施K-means聚类，即可将M个样本电池对应特征划分为不同的簇，依据K-means聚类原理，每一簇内的电池都具有相近的特征，研究表明，每一簇内电池会具有近似的循环寿命，从而实现本发明的预期目的。
[0068] 依据以上列出的步骤对选取的电池样品进行聚类：
[0069] 首先确定电池样本数目M＝16，而后按前文的步骤对每个单体进行7步测试，并提取出第7步中充电末期恒流阶段的电池电压数据，本案例中取恒流充电末期15分钟内的电压作为原始依据，采样周期取10s，则每个电池对应的原始电压数据为90个，也即SAE的输入维度为N＝90，全部电池对应的输入信息为N×M＝90×16维的矩阵。
[0070] SAE的隐含层神经元数目n设置为40，输出层神经元数目N＝90(与输入相同)，经优化训练可在SAE
输出侧获得良好的重构信号，同时还可以获得n×M＝40×16维的电压压缩特征。图3为输入SAE的90×16维原始电压数据，也即16个单体电池在恒流充电末期的电压，部分电池电压曲线存在交叉的情况，直接观察很难发现规律性的特征；图4为原始电压信号经SAE提取出的40×16维压缩特征，观察压缩特征可见，各电池之间的差异变得非常直观，而且还能发现其中的一些规律性特征，这也为后续的聚类算法创造了良好条件。
[0071] 接下来，对40×16维压缩特征应用K-means聚类算法，本案例将样本电池分为两类，所得聚类结果和筛选方案验证如图5a和图5b所示。由图5a可见，16个样本电池被分为了两组，其中11个电池被分为第1类，另外5个电池被分为第2类，对以上16个电池在完全相同的
应力和工况下分别进行加速循环老化，最终的测试结果也在图5b中给出，可见第1类电池具有相对较长的循环寿命，而第2类电池的循环寿命则明显小于第1类电池。
[0072] 以图5b中的虚线为界，第1类电池基本处于虚线上方，循环寿命较长；第2类则基本处于虚线下方，循环寿命相对较短，虽然也存在个别单体分组的偏差，但整体来看分组效果还是良好的。
[0073] 在此，以电池加速循环寿命的标准差作为组内电池一致性的评价指标，将电池组分组前后的一致性进行对比，对比结果在表1中给出，可见分组之前各电池循环寿命差异度较大，经本发明聚类分组后，所形成的两组电池的循环寿命一致性均得到了较大程度的改善。
[0074] 表1聚类性能分析与判别
[0075]
[0076] 另外，根据表1还可知，1类电池的特征均值明显高于2类电池，这个特点可以用于区别电池组循环寿命的长短，即特征均值较大的一组电池具有较长的循环寿命，而特征均值较小的电池组具有相对较短的循环寿命。
[0077] 该案例验证了本专利中电池筛选方案的有效性，此外，采用本发明所得到的聚类结果是稳定的，多次运行聚类过程所得的聚类结果是一致的，可以在工程实际中进行进一步的应用和推广。
