动力电池筛选方法.docx

动力电池筛选方法动力电池筛选是依据动力电池单体在某些参数或者特征曲线上反映出来的不一致性信息，基于差异分析方法，将极少数差异较大的动力电池单体剔除或者依据不同的聚类中心进行分类的过程常用的筛选方法依据不同的筛选参数或特征曲线信息可以分为单参数分选法、多参数分选法、曲线特征分选法和电化学阻抗谱分选法四种常用筛选方法的特点见表5-2表5-2四种电池筛选方法的分析对比赫选方法优势局隈性舉觀数分选方这荷第.数按肚低，桃逸侑息唯一*村恆用环境局眼杵裔劭舲址分选基数肓息仝面・敕挺处理卡一五能反映动髙特性变化”石娈逬石务沈测吐使収締选址曲线特毓分遗反应仿全面曲线眼别数拥就大.聚娄裁杂*工作吐大电化学阻抗谱仆述物理盘文强测就设备要求嵩.条件苛刻.扯社检侧可操作件塔多参数分选法是一种成熟的数据处理方法，针对大量动力电池单体呈现出的多参数变量信息，可对参数变量之间的相关性进行计算，进而减少筛选时的数据但多参数分选必须依据静态的参数信息，而忽视了动态的变化过程曲线特性分选方法采用标准的充放电测试曲线开展动力电池单体的筛选充放电曲线蕴含大量的电池特性信息，因而可在电压特性曲线上等距离米样，提取曲线对应点位置的电压差异，依据设定阈值进行分类，最后完成筛选。

为防止遗漏关键信息，该方法需高频采样由于电池数量大，易产生海量统计数据，从而造成分选效率下降因此，若将电池曲线特征与电池多参数信息相结合，可将曲线识别转化为对多筛选变量的数据处理，然后应用多参数筛选中的数据处理方法可全面有效地对电池群进行差异分类，故可形成一种新的动力电池筛选方法一一基于动态参数的动力电池筛选方法1.基于动态参数的动力电池筛选方法依据动力电池电压电流特性曲线，结合等效电路模型对电化学反应过程进行深入的分析，提取出关键信息，构建特征向量，再结合多参数分选中的数据处理方法，进一步简化数据提取过程，获得能够表征动力电池类别的特征，实施动力电池单体的筛选基于上述思想，采用动力电池充放电曲线，提取出表征电池关键信息的特征量并进行相关性分析，得到互不相关的新特征量，以此对电池进行聚类，得到分类结果，最后对分类结果在不同工况、不同电流和不同SOC条件下进行评价具体步骤如下：（1）关键特征信息提取采用CCCV曲线，提取动力电池特征量动力电池6-单体01在25C下进行的标准充放电容量实验如图5-8所示该图为一个完整的充放电循环，A点表示上一个循环放电截止时刻，B点表示该循环放电的截止时刻。

v建创图5-8动力电池6-单体01充放电电压电流曲线（含一个循环）a）电压曲线b）电流曲线基于图5-8中的电压电流曲线进行分析：在A点的上一个循环放电电流截止后，端电压出现回升，其中快速回升部分主要是由放电欧姆内阻导致的，随后电压缓慢回升部分主要反映的是动力电池的极化效应；而依据特定电压区间下的充电曲线，可以建立充电容量与老化状态之间的映射关系从等效电路模型参数角度对特性曲线的过程进行解析，可从曲线中提取出与动力电池欧姆内阻、极化特性、老化状态以及充放电容量等相关的变量根据动力电池的充放电曲线的分析结果，采用5个曲线特征量Fi〜F5可以实现对动力电池相应特性的全面表征：Fi:放电至截止电压后is内电压曲线的上升量（对放电欧姆内阻的表征）F2:放电至截止电压后1〜100s内电压的上升量（对电池的动态极化的表征）F3:恒流充电段开始时电压曲线在is内的上升量（对充电欧姆内阻的表征）F4:恒流充电阶段充入电量与恒压充电阶段充入电量的比值（对充电容量和电池老化程度的双重表征）F5:统计整个恒流阶段的放电容量需要特别指出的是，在放电截止后，由于前一阶段放电欧姆内阻导致的电压快速回升分量，明显高于充电开始时由于充电欧姆内阻导致的电压瞬时响应，而恒流段的电流大小相等，说明末端放电欧姆内阻要高于充电欧姆内阻，因此在提取特征量时需对两者单独进行讨论。

动力电池老化越严重，在CC段的末端就越容易到达截止电压，故在恒流段充入的电量就会减少相应地，电池CC段充入电量与CV段充入电量的比例就会发生变化因此该值可作为量化电池老化状态的特征值采用上述5个特征量可对电池的欧姆效应、极化特性、充放电容量、老化状态进行全面表征，同时这5个特征量可以直接从曲线上提取，简化了电池筛选的过程，提高了筛选效率2) 聚类分析聚类是将一定数量的同一性质的事物依据一定的标准分为若干类别，常用于数据分选在电池筛选时，为全面衡量5个特征量的一致性，需要对其进行量化分类依据提取的各电池特征量，将其转化为几何空间的各个维度，每个电池都是几何空间的一个点，然后计算点与点之间的距离，其量度常采用平方欧式距离，表达式为d二£«-^)2(5-3)式中，m为维数；d表示的第i和i+1块电池之间的空间距离由于上述5个特征量存在一定的耦合关系，可通过因子分析，提取特征量的共同解释变量，利用较少的新因子来表征原特征量通过观察新因子对其的解释程度判定表征是否合理若解释比例超过90%，即可利用新的因子作为聚类的维度应用统计产品与服务解决方案软件(StatisticalProductandServiceSolutions，SPSS)将所有电池特征量输入后，可生成特征量之间的相关矩阵，进行因子分析。

需要说明的是，进行因子分析前必须通过矩阵特性的鉴定，即Bartlett球度统计量的相应概率值小于给定的显著值水平，最终得到因子矩阵和得分系数矩阵，用来描述特征量和新因子之间关系3) 成组测试为评价筛选方法的有效性，需采用特定工况对所有电池群进行测试若动力电池样本一致性高，则电池群的电压响应具有较高的一致性，即响应向量之间距离近，可通过计算电池群电压响应向量的平均距离a来衡量电池群一致性的高低a值计算公式为A-lkX£norm{yi-九)«二(5-4)式中，k表示组内电池的总数目；y为对应电池的电压向量需要注意的是，在统计时必须保证所有样本的电压响应向量维度相同，即电流激励点数量相同另外，因为此距离是指两两电池间距离的均值，所以电池群的规模不会影响一致性大小的评判，若待筛选电池群的样本数量发生变化，仍可对筛选前后电池群的一致性进行比较2.应用算例分析(1)实验内容实验对象为动力电池6,实验温度为10C为保持足够的样本规模，采用16只动力电池单体作为初始样本，编号为单体09~24为客观评价方法的有效性，采用不同工况、不同电流倍率等测试条件，如DST工况和HPPC工况测试流程如下：①充放电测试，用于得到电池群的充放电曲线。

② DST工况测试，用于提取在该工况激励下各电池电压响应，根据式（5-4）针对分类前和分类后的电池群，计算电池群间电压响应向量平均距离a，进而评价筛选方法的有效性③ HPPC测试，用于得到涵盖高中低（90%、50%、20%）的三个SOC点下各动力电池对于脉冲电流下电压的响应，其中针对20%SOC点下的电流脉冲，需计算两个电流倍率（0.5C和1.0C）2）特征量提取依照上述筛选方法，对16个动力电池的标准充放电电压特性曲线进行特征量提取特征提取结果见表5-3表5-316个动力电池充放电曲线提取特征量Fi〜F5电池序号>1巴片单协090.列6X0.02130.19375.9K9H2.440?W10(159580,02390.192S5.79522.W7单体订0.5980<101时业19135.61161.43彌单怖12(I6200aO19Ra19315-R4572448J单棒130.6C2Wa02:o0,18755.97H414557单怵M0.6092C.02050.19106.1K9H2.4S1G单休15aOM)<}.01x()0.19305.955V2.4^.55唯怵160.6C4R0,0193019253l83322.4303单休170.5075U0514Q,18^5.37512.4420单怵180.5131a.05150.18975.4(1492.4213单-休190.5IM)U.05110.1906137IBZ4395卯体200.5118C.05710.[阿5.79352.J4M单1初0.5144)(J.05080.ISb65”88522.4177单林220.53370.加豪0.19225.34532.4544)单休巧0.5137«.047]ft18546.01642.422fl单悴240.5038O05580.18575.66222.4251可见，不同动力电池的特征量差异性较大，这体现出动力电池群样本间的不一致性程度。

3）因子分析与聚类提取曲线特征Fi〜F5，组成待筛选动力电池不一致性数据库，基于SPSS软件进行因子分析首先利用特征量之间的相关矩阵进行Bartlett的检验；根据实验数据计算得到的显著水平值小于0.001,故可进行因子分析；随后将特征量转化为数量更少的因子经过SPSS的因子分析后可计算出特征量解释的总方差，经主成分分析法得到的一系列新的因子Ti〜T6见表5-4新因子是对单体09的特征量Fi〜F5的解释可见前三个因子Ti〜Ts对原特征量Fi〜F5累计解释占比超过90%,因此可确定其为筛选变量，然后计算所有动力电池群的新因子表5-4新因子对原特征量解释占比新囲亍宇号解释占比(%)累拭■存占比巧42.04542.(M5r39,7MKL779tk&583W-S62'f.544K95.BIDT.4.()眇449a151100.000新因子「〜T3与原特征量之间的因子矩阵见表5-5,在因子矩阵中数值表示如何基于新的因子来表征原来的特征量，女口Fi=0.98Ti-0.098T2-0.092T3数值大小可以反映出新因子对原特征量的表征程度表5-5因子矩阵Ar2-0,09H-(h()9249520.1450.应a759(L525-0.29H0.544-0.SOO(L1460,fi950.1910.仙4得分系数矩阵见表5-6。

采用该系数矩阵，可用原特征量计算新的因子如筛选变量Ti的表达形式为：Ti=0.299Fi-0.387F2+0.663F3-0.277F4-0.380F5同理，利用16个单体的特征量Fi〜F5可计算出对应的筛选变量Ti〜T3由于Ti〜T3对原5个特征量的解释程度达到90%以上，可将Ti〜T3作为聚类维度，因此所有样本单体可映射为聚类空间的点表5-6因子得分系数矩阵原特征晴7；0299a201一&()45-(L387-0.0.2200.663-0.3760.174-0.2770,74S0.01K3如一山側t174根据Ti〜T3三个维度，采用K均值聚类方法对16个电池进行分类K均值聚类的原理流程如图5-9所示，随机选取K个样本作为初始的聚类中心，然后计算剩余样本与各个聚类中心之间的距离，把每个样本分配给距离其最近的聚类中心一旦全部对象都完成分配，每类的聚类中心会根据类中现有的对象进行重新。