CN117102082A - 一种液态金属电池的分选方法及*** - Google Patents
一种液态金属电池的分选方法及*** Download PDFInfo
- Publication number
- CN117102082A CN117102082A CN202310793055.1A CN202310793055A CN117102082A CN 117102082 A CN117102082 A CN 117102082A CN 202310793055 A CN202310793055 A CN 202310793055A CN 117102082 A CN117102082 A CN 117102082A
- Authority
- CN
- China
- Prior art keywords
- sorting
- sample
- point
- battery
- curve
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 229910001338 liquidmetal Inorganic materials 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 45
- 238000012512 characterization method Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 5
- 238000013507 mapping Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims description 2
- 238000012163 sequencing technique Methods 0.000 claims description 2
- 238000013450 outlier detection Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 7
- 238000009826 distribution Methods 0.000 description 6
- 238000009499 grossing Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 238000012983 electrochemical energy storage Methods 0.000 description 2
- 229910001416 lithium ion Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001453 impedance spectrum Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000003211 malignant effect Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 239000000178 monomer Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Secondary Cells (AREA)
Abstract
本发明公开了一种液态金属电池的分选方法及***,属于二次电池应用技术领域。包括对采样的液态金属电池放电电压数据进行重构,得到平滑的电压曲线;辨识电压曲线拐点,生成曲线表征指标;对所述曲线表征指标进行重复映射筛选,形成分选指标;利用改进的DBSCAN聚类算法滤除所述分选指标中的样本离群点,再采用Mean Shift算法对剩下的样本空间进行最佳划分,得到电池分选结果。利用改进的DBSCAN聚类算法滤除样本离群点,然后再采用Mean Shift算法对剩下的样本空间进行最佳划分,因此组合算法可以同时达到离群点检测与聚类的目的,从而提高分选精度。
Description
技术领域
本发明属于二次电池应用技术领域,更具体地,涉及一种液态金属电池的分选方法及***。
背景技术
液态金属电池作为一种新型电化学储能技术,三层液态结构的设计使其具有容量大、效率高、寿命长及成本低等优点,可有效解决目前电化学储能技术面临的服役寿命短和可靠性低的难题。在实际应用中,大量单体电池需要串并联成组使用以达到大规模储能***的电压和容量等级要求。然而由于生产制造工艺的差异,单体电池间不可避免的会存在不一致性,具体是指电池内阻、容量等参数的不一致。另外在电池组使用过程中,每个单体电池由于应用环境的差异会导致其不一致性进一步放大,从而引发电池老化,性能衰退较快的单体电池会制约整个电池组的容量利用率及寿命,甚至更有可能会出现单体电池失效,导致整个电池组无法正常工作,极端情况下还可能引发安全事故。液态金属电池由于特殊结构设计以及材料选择,理论上虽然不会出现锂离子电池故障导致的恶性安全事故,但是单体电池失效势必影响整个电池组***的利用率。因此,需要发展面向***应用的电池分选方法,实现电池在成组前的科学、高效集成,有利于长期保障电池***经济性。
在中国发明专利说明书CN202110581420.3中公开了一种监测电芯放电末端容量一致性的分选方法,电池分选依据一个特征要素对电池进行测试及分选,分选速度快,但其准确性低。在中国发明专利说明书CN201811475223.8中公开了一种退役电池分选方法。该方法通过多个测试工况以分别获得退役电池的开路电压、定频内阻、放电能量、直流内阻、充放电能量效率参数,再分别与对应的阈值作比较,将不在阈值范围内的电池剔除从而实现电池分选。该方法综合考虑了5个电池参数,分选结果可信度高,但电池测试工况较多,耗时长。在中国发明专利说明书CN202210768913.2中公开了一种锂离子电池分选参数的提取方法及电池分选方法,该方法通过锂离子电池电化学阻抗谱测试、弛豫时间分析和灰色关联重构提取出了三个电池分选参数,这些参数能够反应电池动态变化,进一步提高了电池分选准确性,但分选参数提取的过程较为复杂,反而会影响电池分选效率。因此,在进一步构建能反应电池状态的动态参量来提高分类的准确性的同时,需要一种能对动态参量进行简单易操作、快速测量或估计的方法来提高分类效率。另外,上述方法均为完全聚类,当电池分选参数存在明显的离群值时,分选算法对离群点的抗干扰能力较弱。
由于存在上述缺陷与不足,本领域亟需做出进一步的改进和完善,依据液态金属电池特性,研发针对性地的电池参数一致性的筛选方法,设计一种基于液态金属电池电压曲线的快速筛选方法,有效解决电池分选效率低下的问题的同时提高电池分选可信度,从而保障液态金属电池组的可靠安全运行。
发明内容
针对现有技术的缺陷,本发明的目的在于提供一种液态金属电池的分选方法及***,旨在解决现有基于多参数的电池分选技术效率低下的问题。
为实现上述目的,本发明提供了一种基于液态金属电池放电曲线的快速电池分选方法,该方法通过从电池放电曲线提取出表征曲线变化的特征参数形成电池分选指标,再利用改进的基于密度的噪声应用空间聚类(Density-Based Spatial ClusteringofApplications with Noise,DBSCAN)+均值漂移(Mean Shift)组合聚类优化算法同时实现电池离群值检测及分选指标的自适应空间聚类划分,进而提高电池分选效率及准确性。
为实现上述目的,本发明一方面提供了一种液态金属电池的分选方法,包括以下步骤:
对采样的液态金属电池放电电压数据进行重构,得到平滑的电压曲线;
辨识电压曲线拐点,生成曲线表征指标;
对所述曲线表征指标进行重复映射筛选,形成分选指标;
利用改进的DBSCAN聚类算法滤除所述分选指标中的样本离群点,再采用MeanShift算法对剩下的样本空间进行最佳划分,得到电池分选结果。
本发明先提供了电池放电曲线特征提取框架,通过在放电曲线上提取能够有效反映曲线形状差异性的特征参数,免除了获取电池参数的测试过程,节省了测试时间。特征参数可为后续电池分选提供参考依据。
优选地,该特征提取框架包括四个阶段:数据采集、数据预处理、曲线表征指标生成、电池分选指标生成。
具体方法按以下步骤实现:
(1)分别采集待选液态金属电池在0.2C倍率下的放电数据,采样时间间隔为30s,构成原始数据集;
(2)对原始数据集中的每组数据进行平滑处理;
优选地,在恒流放电模式下,液态金属电池的端电压理论上应满足以下条件:
其中即为电池在tk时刻的端电压,其中k表示第k个采样点。
受测量设备采集噪声的影响,实际测得的端电压可能不符合式(1)的条件,需要通过重构放电电压数据对曲线进行平滑处理,优选地,本发明采用采用线性插值方法重建电压曲线,步骤如下:
a.标记样本点:从第一个采样点开始依次进行检测。如果一个样本点符合式(1)的条件,则该样本点将被标记为正常值(记为),否则,将被标记为异常值(记为/>),且异常值必符合式(2);
b.重构异常值:如果该异常点满足式(3),则按式(4)重构该点(记为);如果该异常点满足式(5),则按式(6)重构从该点开始之后的j-1个点,其中第j个点满足式(7):
其中即为电池端电压为/>对应的时刻。
c.异常点经过重构后及时更新为正常值,遍历所有采样点,重构完成。
(3)辨识曲线拐点,生成曲线表征指标;
液态金属电池放电曲线有两个明显的电压拐点,电池电压拐点是反映电池内部状态的重要特征之一,因此可以用来表征电池曲线。优选地,本发明采用滑动窗口算法分别辨识两个曲线拐点,电压信号在较小的时间范围内可以近似看成线性变化,因此本发明使用自回归模型对电压信号进行建模,相关的损失函数基于最小二乘残差:
其中为t时刻的电压预测值。设窗口宽度为2ω,则第一个窗口信号的损失函数可以表示为:
第二个窗口的损失函数为:
窗口总损失函数为:
则可根据式(9)、(10)、(11)得到窗口信号差值:
Z(Vtk-ω...tk+ω)=c(Vtk-ω...tk+ω)-c(Vtk-ω...tk)-c(Vtk...tk+ω) (12)
优选地,辨识第一个曲线拐点得到的差值曲线定义为Zhigh,辨识第二个曲线拐点得到的差值曲线定义为Zlow,差值曲线峰值出现的时刻对应电压出现拐点的时刻,因此可以得到两个拐点对应的时刻:
其中thigh表示第一个拐点对应的时刻,tlow表示第二个拐点对应的时刻,进而可以得到拐点电压值:
根据液态金属电池电压曲线特征,优选地,本发明提取以下特征值作为曲线表征指标:
其中F*表示第*个特征指标,其中F1-F4表征两个电压拐点位置,F5-F7可用于表征曲线局部形状。
(4)生成分选指标。
本文共提取出7个特征指标。然而,不同特征之间可能存在重复映射信息,造成信息冗余,进而影响分选算法的效果。因此,需要在上述多维特征中优选出重要特征,从而既降低了特征维数,又能够保留大部分有效信息。优选地,本发明采用Spearman相关系数矩阵优选出代表原特征矩阵大部分信息的特征更少的新特征矩阵,从而形成分选指标。步骤如下:
a.构造多维特征量矩阵A,A=[F1,F2,…Fn],n为特征个数,n=7。其中Fn为m行1列的特征向量矩阵,m为电池样本数;
b.对矩阵A中的数据按列进行排序,矩阵P记录排序之后的数据位置,表示为:
c.按照式(18)计算相关系数得到特征向量间的相关性:
式中,ρij为第i个特征向量和第j个特征向量之间的相关系数。
d.比较特征向量间的相关性,取相关性较低的特征向量作为分选指标(记为S),分选指标维度≤3。
本发明还提供了一种基于组合算法的分选算法。
优选地,本发明采用改进的DBSCAN+Mean Shift算法对电池进行分选,具体实现步骤如下:
(5)标准化处理分选指标:分选指标之间存在量纲及数量级的差异,为了避免上述差异对聚类结果的影响,在构建分选指标的样本空间时首先对其进行标准化处理,优选地,本发明采用零均值标准化,公式如下:
式中x代表分选指标,μ和σ为每个分选指标的均值和方差。
(6)利用肘检测方法确定最优DBSCAN算法邻域参数(Eps,MinPts),其中Eps是邻域距离阈值,MinPts是邻域样本数阈值,初始值取为分选指标维度加1;
1)计算k-距离。首先计算每个样本点与其余各样本点的距离,计算公式为:
其中r为分选指标序号,q为分选指标维度。再将按照从小到大的顺序排序,排序后的距离集合为
D(i)={d(i,1),d(i,2),…,d(i,k),…d(i,m)} (21)
则d(i,k)就被称为的k-距离,其中k=MinPts,MinPts的初始值在本发明中设为h+1。
2)获取半径Eps:将所有点的k-距离按升序绘制在k距离图上,Eps取其最大曲率点;
(7)DBSCAN算法聚类
1)初始化参数:核心对象集合聚类簇数a=0;未访问样本集合H=E;蔟划分集合/>
2)遍历集合E中所有样本点,得到样本点的Eps-领域子样本集:
该子样本集内元素个数记为b,若b≥MinPts,则将加入核心对象集合Ω中;
3)在核心对象集合Ω中,随机选择一个集合元素o,更新参数:
以此核心对象点为基础,通过邻域距离阈值找出Eps-邻域子样本集NEps(o),将其放入临时点集Z中;
4)从临时点集Z取出一个核心对象o',通过邻域距离阈值找出所有的Eps-邻域子样本集NEps(o'),更新
5)重复上述4)过程,直到临时点集Z=Φ,则当前聚类簇Pa生成完毕,更新簇划分集:
P=(P1,P2,…,Pa) (25)
将临时点集Z中非核心对象点标记为边界点;
6)重复上述3)-5)过程,直到核心对象集合为空集。其中,集合(E-P)中的元素被标记为噪声点,输出聚类簇数a;
7)若a为1,则跳转步骤8),否则更新MinPts,返回步骤(2),MinPts的更新公式为:
MinPts=MinPts+1 (26)
8)输出第一次聚类结果,集合P中样本数记为N;
(8)Mean Shift算法聚类
1)按照式(21)计算集合P中每个样本点的均值漂移量Mh(x):
其中为核函数,h为带宽;
2)每个样本点进行平移,即沿着Mh(x)方向移动:
xi=xi+Mh(xi) (28)
3)重复步骤1)-2)直到样本点收敛,即:
Mh(xi)=0 (29)
4)收敛到相同点的样本点视为同一簇类。
5)输出第二次聚类结果,即电池分选结果。
本发明还提供了一种液态金属电池的分选***,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行上述的液态金属电池的分选方法。
通过本发明所构思的以上技术方案,与现有技术相比,能够取得下列有益成果:
1、本发明提供了一种对液态金属电池放电曲线特征提取的方法,将电压数据通过线性差值的方法进行平滑处理以避免采集噪声对后期特征提取的影响,通过滑动窗口算法辨识出液态金属电池明显的电压拐点位置,基于电压拐点,提取出7个可用于表征电池放电曲线的特征指标,并通过相关性分析提取出其中3个关键指标用于电池分选指标,该指标集可直接应用于之后的电池分选工作中。
2、本发明提供了一种可同时实现离群点检测和电池聚类的组合分选算法,利用改进的DBSCAN聚类算法滤除样本离群点,然后再采用Mean Shift算法对剩下的样本空间进行最佳划分,因此组合算法可以同时达到离群点检测与聚类的目的,从而提高分选精度。
3、本发明所述基于电压放电曲线的快速电池筛选方法无需对电池参数作精确测量,仅需借助电池放电曲线,便可实现液态金属电池快速分选,操作简单,测试耗时短且数据处理方便。结合液态金属电池特性和应用环境特点,该方法是一种快速的,可信度高的电池分选方法。
附图说明
图1为本发明提供的基于放电电压曲线电池分选的构建方法流程图;
图2为本发明实施例提供的液态金属电池电压曲线图;其中,(a)是一条液态金属电池的原始电压曲线和其经过数据重构后的电压曲线;(b)是212条经过数据重构后的电压曲线;
图3为本发明实施例提供的曲线拐点辨识结果图;(a)是放电曲线第一个拐点辨识结果;(b)是放电曲线第二个拐点辨识结果;
图4为本发明实施例提供的特征指标Spearman相关系数矩阵;
图5为本发明实施例提供的各个分选指标分布图及其构成的样本空间图;其中(a)、(b)、(c)分别是分选指标S1、分选指标S2、分选指标S3经过标准化处理后的散点分布图;(d)是上述三个分选指标构成的样本空间;
图6为本发明实施例提供的算法聚类结果;其中(a)是DBSCAN算法输出聚类结果;(b)是Mean Shift算法输出聚类结果;
图7为本发明实施例提供的液态金属电池分选结果图;其中,(a)为分选后离群单体电池的放电曲线图;(b)为簇C1对应的电池电压曲线;(c)为簇C2对应的电池电压曲线;(d)为簇C3对应的电池电压曲线;(e)为簇C4对应的电池电压曲线;(f)为簇C5对应的电池电压曲线。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间不构成冲突就可以相互组合。
本发明提供了一种液态金属电池的分选方法,包括以下步骤:
对采样的液态金属电池放电电压数据进行重构,得到平滑的电压曲线;
辨识电压曲线拐点,生成曲线表征指标;
对所述曲线表征指标进行重复映射筛选,形成分选指标;
利用改进的DBSCAN聚类算法滤除所述分选指标中的样本离群点,再采用MeanShift算法对剩下的样本空间进行最佳划分,得到电池分选结果。
在本发明的一个实施例中,所用电池为实验室制备的200Ah级Li||Bi液态金属电池。
图1是本发明提供的电池分选方法的流程图,其主要步骤包括:
(1)获得电池数据;
待液态金属电池活化完成后,只需测试每个液态金属电池在0.2C倍率下的放电曲线即可得到原始数据集。在本实施例中,一共测得了212个200Ah级Li||Bi液态金属电池电压曲线;
(2)对放电数据进行平滑处理并辨识其曲线拐点;
(3)生成分选指标集;
(4)优化DBSCAN算法的邻域参数,利用DBSCAN算法对分选指标集构成的样本空间进行聚类,标记离群样本点;
(5)剔除离群样本点,利用Mean Shift算法对样本空间进行再聚类得到电池分选结果。
图2中的(a)是本实施例提供的一个液态金属电池的原始电压曲线和其经过数据重构后的电压曲线,表1给出了放大图中前6个采样点的相关信息,包括3个正常采样点、3个异常采样点及其对应的重构值。前两个异常值符合式(5)的条件,其重构值按照式(7)处理,第三个异常值符合式(3)条件,其重构值按照式(4)处理。图2中的(b)是本实施例提供的212个液态金属电池经过平滑处理后的放电电压曲线图。从图中可以看出,电池间的曲线形状差异明显,反映出电池参数的差异性较大。
表1采样点电压重构值
图3是本实施例提供的曲线拐点辨识结果图,从图中可以看出,所用滑动窗口算法可精确辨识出电压拐点位置。基于电压拐点位置,可以生成表征曲线形状的特征指标。
图4是本实施例提供的特征指标Spearman相关系数矩阵。相关系数矩阵是对称矩阵,行和列描述的都是同一系列的特征量,一个或多个特征的相关性较高说明其具有相似的变化趋势且可能包含相似的信息。通常情况下当相关系数小于0.20时,便可认为变量间呈极弱相关或无相关。设定若某一列中小于0.20的相关系数超过3个(特征量个数的50%),则认为该特征具有低相关性,为独立特征。从图中可以看出,F3和F4为独立特征,F1与F5均与其呈现低相关性,其中F5相关性更低,然而F1与F5自身具有强相关性。根据上述分析,确定最终特征维数为3维,由此完成了多维特征量的降维选择,对应特征为F3、F4、F5。则特征F3、F4、F5也选定为最终分选指标,分别标记为S1、S2、S3。
图5是本发明提供的各个分选指标分布图及其构成的样本空间图。图5中的(a)、(b)、(c)分别是分选指标S1、分选指标S2、分选指标S3经过标准化处理后的散点分布图,(d)是上述三个分选指标构成的样本空间,共有212个样本点。样本分布具有明显的高密度聚类中心,密度分布符合中间大、边缘小的规律。
图6是本发明提供的算法聚类结果。经过优化后的邻域参数为(1.152,7),最终DBSCAN算法输出聚类结果如图6中的(a)所示,统计性结果如表2所示。从图6中的(a)和表2中可以看出,DBSCAN算法生成了一个聚类簇,该蔟共包含190样本点,表示分选出190个单体电池,表明这部分单体电池具有相对较好的一致性,其中核心样本点有137个,这部分单体电池具有更好的一致性。该算法将22个离群点标记为噪音点,表明该实施例共有22个离群的单体电池。Mean Shift算法聚类结果如图6中的(b)所示,算法将190个样本点构成的样本空间共分为5个聚类簇,簇内样本数分别为101、41、20、15和13。表3为每个簇的聚类中心,簇C1的各项指标最接近于平均水平,该组的样本数也最多,说明样本有明显的聚集形态;簇C3的第二个拐点电压(指标S2)低于簇C2,其余两个指标相近且指标S3的值都相对较高;簇C4的第二个拐点电压最高以及对应的时间(指标S1)最长,此外其指标S3的值也最低。簇C5的第二个拐点电压值最低以及对应的时间最短。
表2DBSCAN聚类算法输出结果
表3聚类簇中心
图7是本发明提供的电池分选结果示意图。图7中的(a)为所有样本电池对应的电压曲线,其中虚线表示标记为噪音点对应电池的曲线,从图中可以看出噪音点对应电池放电曲线分布在整个曲线簇的边缘位置。此外,各簇对应的电池电压曲线分别如图7中的(b)、(c)、(d)、(e)和(f)所示。从图中可以看出,每个簇内的电压曲线重合度较高。由此可见,本发明所提供的方法依据212个电池单体在放电曲线上反映出来的不一致性信息,基于特征提取与聚类分析方法,将差异较大的22个电池剔除后,再聚类显著提高电池的一致性。结果表明该方法具有较强的可行性,在实际应用中能够快速可靠地筛选出异常电池,从而提高成组的电池一致性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种液态金属电池的分选方法,其特征在于,包括以下步骤:
对采样的液态金属电池放电电压数据进行重构,得到平滑的电压曲线;
辨识电压曲线拐点,生成曲线表征指标;
对所述曲线表征指标进行重复映射筛选,形成分选指标;
利用改进的DBSCAN聚类算法滤除所述分选指标中的样本离群点,再采用Mean Shift算法对剩下的样本空间进行最佳划分,得到电池分选结果。
2.根据权利要求1所述的方法,其特征在于,在恒流放电模式下,液态金属电池的端电压满足以下条件:
其中即为电池在tk时刻的端电压,其中k表示第k个采样点。
3.根据权利要求2所述的方法,其特征在于,采用线性插值方法重构电压曲线,步骤包括:
从第一个采样点开始依次进行检测,如果一个样本点符合则该样本点将被标记为正常值,记为/>否则,将被标记为异常值,记为/>且异常值必符合
如果异常点满足则按/>重构该点,记为如果该异常点满足/>则按重构从该点开始之后的j-1个点,其中第j个点满足条件/> 即为电池端电压为/>对应的时刻;
异常点经过重构后及时更新为正常值,遍历所有采样点,重构完成。
4.根据权利要求1所述的方法,其特征在于,采用滑动窗口算法分别辨识两个曲线拐点,步骤包括:
使用自回归模型对电压进行建模,相关的损失函数基于最小二乘残差:其中/>为t时刻的电压预测值;设窗口宽度为2ω,则第一个窗口的损失函数表示为/>第二个窗口的损失函数表示为窗口总损失函数为/>得到窗口差值Z(Vtk-ω...tk+ω)=c(Vtk-ω...tk+ω)-c(Vtk-ω...tk)-c(Vtk...tk+ω);
两个拐点对应的时刻为:其中Zhigh为辨识第一个曲线拐点得到的差值曲线,Zlow为辨识第二个曲线拐点得到的差值曲线;
得到两个拐点电压值:其中thigh表示第一个拐点对应的时刻,tlow表示第二个拐点对应的时刻。
5.根据权利要求4所述的方法,其特征在于,曲线表征指标包括:
其中F*表示第*个特征指标,其中F1-F4表征两个电压拐点位置,F5-F7可用于表征曲线局部形状。
6.根据权利要求5所述的方法,其特征在于,所述形成分选指标具体包括:
构造多维特征量矩阵A,A=[F1,F2,…F7],其中Fn为m行1列的特征向量矩阵,m为电池样本数,n为特征个数;
对矩阵A中的数据按列进行排序,矩阵P记录排序之后的数据位置,表示为:
计算相关系数得到特征向量间的相关性:式中ρij为第i个特征向量和第j个特征向量之间的相关系数;
比较特征向量间的相关性,取相关性较低的特征向量作为分选指标,分选指标维度≤3。
7.根据权利要求1所述的方法,其特征在于,所述利用改进的DBSCAN聚类算法滤除所述分选指标中的样本离群点,再采用Mean Shift算法对剩下的样本空间进行最佳划分,得到电池分选结果,具体包括:
(1)采用零均值标准化处理分选指标:式中x代表分选指标,μ和σ为每个分选指标的均值和方差;
(2)利用肘检测方法确定最优DBSCAN算法邻域参数Eps和MinPts,其中Eps是邻域距离阈值,MinPts是邻域样本数阈值,初始值取为分选指标维度加1;
(3)DBSCAN算法聚类
(31)初始化参数:核心对象集合聚类簇数a=0;未访问样本集合H=E;蔟划分集合/>
(32)遍历集合E中所有样本点,得到样本点的Eps-领域子样本集:该子样本集内元素个数记为b,若b≥MinPts,则将/>加入核心对象集合Ω中;
(33)在核心对象集合Ω中,随机选择一个集合元素o,更新参数:以此核心对象点为基础,通过邻域距离阈值找出Eps-邻域子样本集NEps(o),将其放入临时点集Z中;
(34)从临时点集Z取出一个核心对象o',通过邻域距离阈值找出所有的Eps-邻域子样本集NEps(o'),更新参数:
(35)重复上述(34)过程,直到临时点集Z=Φ,则当前聚类簇Pa生成完毕,更新簇划分集:P=(P1,P2,…,Pa),将临时点集Z中非核心对象点标记为边界点;
(36)重复上述(33)-(35)过程,直到核心对象集合为空集,其中,集合(E-P)中的元素被标记为噪声点,输出聚类簇数a;
(37)若a为1,则跳转步骤(38),否则更新MinPts,返回步骤(32),MinPts的更新公式为:MinPts=MinPts+1;
(38)输出第一次聚类结果,集合P中样本数记为N;
(4)Mean Shift算法聚类
(41)计算集合P中每个样本点的均值漂移量Mh(x):其中为核函数,h为带宽;
(42)每个样本点进行平移,即沿着Mh(x)方向移动:xi=xi+Mh(xi);
(43)重复步骤(41)-(42)直到样本点收敛,即:Mh(xi)=0;
(44)收敛到相同点的样本点视为同一簇类;
(45)输出第二次聚类结果,即电池分选结果。
8.根据权利要求7所述的方法,其特征在于,所述利用肘检测方法确定最优DBSCAN算法邻域参数包括:
计算k-距离:首先计算每个样本点与其余各样本点的距离,计算公式为:再将/>按照从小到大的顺序排序,排序后的距离集合为:D(i)={d(i,1),d(i,2),...,d(i,k),…d(i,m)},则d(i,k)就被称为/>的k-距离,其中r为分选指标序号,q为分选指标维度,k=MinPts;
获取半径Eps:将所有点的k-距离按升序绘制在k距离图上,Eps取其最大曲率点。
9.一种液态金属电池的分选***,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至8任一项所述的液态金属电池的分选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793055.1A CN117102082A (zh) | 2023-06-29 | 2023-06-29 | 一种液态金属电池的分选方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310793055.1A CN117102082A (zh) | 2023-06-29 | 2023-06-29 | 一种液态金属电池的分选方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117102082A true CN117102082A (zh) | 2023-11-24 |
Family
ID=88793672
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310793055.1A Pending CN117102082A (zh) | 2023-06-29 | 2023-06-29 | 一种液态金属电池的分选方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117102082A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706377A (zh) * | 2024-02-05 | 2024-03-15 | 国网上海能源互联网研究院有限公司 | 一种基于自适应聚类的电池不一致性辨识方法和装置 |
-
2023
- 2023-06-29 CN CN202310793055.1A patent/CN117102082A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117706377A (zh) * | 2024-02-05 | 2024-03-15 | 国网上海能源互联网研究院有限公司 | 一种基于自适应聚类的电池不一致性辨识方法和装置 |
CN117706377B (zh) * | 2024-02-05 | 2024-05-14 | 国网上海能源互联网研究院有限公司 | 一种基于自适应聚类的电池不一致性辨识方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116502112B (zh) | 一种新能源电源测试数据管理方法及*** | |
CN107422266B (zh) | 一种大容量电池储能***的故障诊断方法及装置 | |
CN111398833A (zh) | 一种电池健康状态评估方法和评估*** | |
CN113962259B (zh) | 一种燃料电池***多模式双层故障诊断方法 | |
CN115511013B (zh) | 一种大规模储能电站异常电池识别方法、设备及存储介质 | |
CN115166563B (zh) | 一种动力电池老化状态评估与退役筛选方法及*** | |
CN113866642A (zh) | 一种基于梯度提升树的锂离子电池故障诊断方法 | |
CN110187281B (zh) | 基于充电阶段健康特征的锂电池健康状态估算的方法 | |
CN114818831B (zh) | 基于多源感知的双向锂离子电池故障检测方法及*** | |
CN117102082A (zh) | 一种液态金属电池的分选方法及*** | |
CN114024328A (zh) | 储能电站***的综合评估方法、设备及可读介质 | |
CN113406524B (zh) | 一种动力电池***的不一致性故障诊断方法及*** | |
CN115366683A (zh) | 一种新能源汽车动力电池多维模型融合的故障诊断策略 | |
CN117273489A (zh) | 光伏状态评估方法及装置 | |
CN116150572A (zh) | 一种基于聚类分析的汽车电池单体一致性缺陷评估方法 | |
CN115015789A (zh) | 基于增量电容曲线的锂离子电池健康状态估计方法及装置 | |
CN113765179A (zh) | 基于层次聚类及类中心距的云端电池组一致性分析方法 | |
CN112287980A (zh) | 基于典型特征向量的动力电池筛选方法 | |
CN113533995B (zh) | 一种动力电池一致性检测方法 | |
CN114646888A (zh) | 一种动力电池容量衰减的评估方法及*** | |
CN114325433A (zh) | 基于电化学阻抗谱测试的锂离子电池故障检测方法和*** | |
CN117171588A (zh) | 一种用于动力电池梯次利用故障检测方法 | |
CN116400244A (zh) | 储能电池的异常检测方法及装置 | |
CN115128468A (zh) | 一种化学储能电池phm欠压故障预测方法 | |
CN112485694B (zh) | 电池组的检测方法及装置 |
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 |