[发明专利]基于充放电曲线与模糊聚类的电池分选方法

说明书

本发明涉及基于充放电曲线与模糊聚类的电池分选方法。方法包括如下过程：获取待分选电池各自的充放电曲线，对每条充放电曲线，每隔N秒进行数据采样，形成一个完整循环的采样数据，单个电池的特征向量集合，形成电池样本集矩阵；将电池样本集矩阵代入FCM聚类算法；获得分类结果。用分选方法成组，其循环寿命衰减率下降趋势得到有效抑制，一致性都高于不使用任何分选方法的组成的电池组，经分选的电池组循环次数更多，且经FCM和多参数结合分选后的电池组的一致性优于经OCV和内阻分选后的电池组合。

技术领域：

本发明涉及锂离子电池制造过程中的分选工艺。进一步涉及基于充放电曲线与模糊聚类的电池分选方法。

背景技术：

电池组PACK要求电池具有高度的一致性(容量、内阻、电压、放电曲线、寿命)。目前，评价锂离子动力电池一致性的标准主要有容量、内阻和开路电压。常见的分选方法是采集锂离子单体电池容量、开路电压及满电态时电池的内阻作为基础数据，对电池进行分档和配组。但电池经过这种小电流工艺分容筛选后，配组的电池在使用过程中仍然会出现很多开路电压偏低、电性能差异性愈来愈明显，从而导致成组模块甚至整个电池包由于个别单体电池的异常而失效。因此动力池成组之前，必须对单体电池进行筛选，去除差异性大的单体，选择一致，好的电池组。

发明内容：

本发明提出一种将多参数分选和模糊C-均值聚类结合的方法。将反应电池动态特性参数—充放电曲线作为研究变量，对有关数据进行分类处理，实现对单体电池的等级分类。

模糊聚类方法介绍：模糊聚类按照模式的隶属度来进行归类，模糊C均值算法意味着算法聚类的界限是模糊的，不同于K均值硬划分，在模糊聚类中，每个被分选的对象对设定的类具有一定的隶属度。在K均值中的每个对象100％属于某个类别，一般选定的某一初始化质心，确定的簇，通过计算与质心的相似度来将样品进行分类，但是该方法中的K值的选定是确定的，我们不能保证该值是否为最优值。模糊C均值思想是：先人工随机指定每个数据到各个簇的隶属度，然后根据隶属度计算每一个簇的质心，接着重新进行划分，直到设定的目标函数小于设定的阈值，结束循环，最后得到划分结果。模糊C均值算法之后，又产生了很多新形式的模糊K均值聚类算法的变形体和衍生算法。FCM是一种典型的模糊聚类方法，与K-means等硬聚类方法不同，因引入隶属度和模糊度，FCM聚类被广泛应用。对电池这类的复杂系统，引入模糊聚类对其进行分选更具有可行性。

模糊C均值聚类算法自提出以来已经被广泛地应用到理论和实践研究中。该聚类算法假定所有电池样本集X＝{x₁，x₂，...，x_n}需被分为c类。

设U是一个c×n矩阵，内部元素的隶属度u_ij表示第j个单体电池被分类为第i类的隶属度。由于每个簇的特定电池样本的隶属度总和等于1，因此必须满足下式所示约束条件。

算法的目标函数遵循“类内加权误差平方和最小化”准则，定义为：

其中，c_i代表算法计算的第i类样本数据的聚类中心，表示i、j两类样本聚类中心间的欧氏距离。

为了最优化式目标函数，考虑Lagrange乘子λ作为权重，改进的目标函数定义为：

其中，λ即拉格朗日乘子。最小化改进的目标函数如下式所示。

求解上述最优化条件，可得到式取最小值的必要条件，如下式：