[发明专利]一种集成式聚类下的动力电池健康状态评估方法

说明书

本发明涉及一种集成式聚类下的动力电池健康状态评估方法。该方法的实现过程如下：获得不同动力电池健康值，提取充放电实验过程中电压、电流以及温度信号，形成特征样本集合；随机抽样特征样本集合，形成若干差异化子集，利用kmeans聚类方法形成多个由相近样本组成的族群；提取待评估动力电池特征，在各子集下判断其所属族群，并计算与所属族群中样本的距离，获得各样本计算权重，采用加权平均分计算各子集估计出的待检测动力电池健康值；统计各子集估计出的差异性估计值，以均值形成待检测动力电池的最终估计值，以标准差估计误差。通过本发明所提方法，可以降低先验信息假设、人为经验和奇异样本的影响。

技术领域：

本发明涉及储能电池技术领域，具体涉及一种集成式聚类下的动力电池健康状态评估方法。

背景技术：

在化石能源枯竭以及绿色环保可持续发展的大背景下，近年来纯电动汽车获得了快速发展和广泛的应用。但是作为提供其能源的动力电池在运行3-5年后其实际容量将降至标称的80％以下，动力电池需要退役处理并重新更换。退役后的动力电池若直接以材料方式回收将造成资源浪费，不符合绿色经济性发展原则。为提高动力电池利用的经济性，将其应用于能量、功率需求不严格的其他应用场景，形成动力电池的梯次利用具有重要意义。但是，退役后动力电池性能差异显著，对其后续应用下电池包均衡、功率分配以及电池管理设计造成了极大困难。因此，开展退役后动力电池筛选，健康状态指标估计等研究，对提高动力电池应用安全性和合理性是至关重要的。

目前，针对动力电池健康状态评估主要基于实验分析、建模估计以及数据驱动三种方式：(一)在实验分析方法中，比较典型的是直接放电法、测量内阻法等，其优势在于通过严格谨慎的实验过程和结果获取更为准确直接的动力电池健康状态评价指标，但因为实验要求严格、过程繁琐、分析计算复杂，在面对大量动力电池筛选时效率低下；(二)建模估计方法，比较典型的是卡尔曼滤波、模糊逻辑等，其优势在于可以实时定性定量地估计动力电池的健康状态，不用拆下后返回原厂进行标准的实验过程与计算，往往用于对动力电池运行状态的实时健康中，但存在累计误差、方法设计对动力电池模型的精度要求较高以及需要大量的人为经验等问题；(三)数据驱动估计方法，如支持向量机、神经网络等，其优势在于基于大量数据挖掘影响动力电池健康状态的深层次因素，通过数据反映事物本质，形成关联关系，建模后可以快速、自动地实现对动力电池的估计，提高检测效率并降低人力成本，但是该方式依赖于数据质量和规模，对数据全面性以及颗粒度要求较高，片面含糊的数据可能导致模型失效。因此，亟需一种新的状态评估方法。

发明内容：

为了提高动力电池健康状态估计的有效性，增强评估方法的鲁棒性，降低人为设定和经验对方法准确性的影响，加快动力电池健康状态检测速度，节约人力成本，实现动力电池健康状态的高效估计，本发明提出一种集成式聚类下的动力电池健康状态评估方法。本发明采用的技术方案为：

一种集成式聚类下的动力电池健康状态评估方法，包括下述步骤：

步骤1:挖掘历史数据特征构建样本集合；具体如下：

步骤1.1:针对与被评估动力电池同型号的n个动力电池，获得不同健康状态下的动力电池健康状态值同时测量这些动力电池充放电实验过程中的电压、电流和温度信号；

步骤1.2:基于已有的动力电池电压、电流以及温度特征提取方法，提取描述动力电池状态的m个关键特征并对每个特征进行归一化处理，其中第i个样本的特征向量为形成若干动力电池样本多维特征向量及健康状态值的样本集合:

步骤2:形成多个待评估动力电池健康状态的估计值；具体如下:

步骤2.1:根据步骤1.2的特征提取方法，计算待评估动力电池在充放电过程中电压、电流和温度特征值，形成描述待评估动力电池的特征向量设定方法所需集成子集规模N，令t＝1；