利用放電電壓平臺的FCM電池分選方法?

張 睿，周永勤，李 然

利用放電電壓平臺的FCM電池分選方法?

張 睿，周永勤，李 然

(哈爾濱理工大學電氣與電子工程學院，哈爾濱 150080)

針對電池分選成組后的一致性問題，在分析電池容量衰減與放電電壓曲線關系的基礎上，采用模糊C均值聚類算法，提出一種基于放電電壓平臺的FCM電池分選方法。該方法選取單體電池放電電壓平臺的3個特征點作為樣本，再將標準化后的樣本集作為算法的分類對象，最后以聚類有效性函數判定最優分類結果。全壽命實驗的結果表明，采用分選方法得到的電池組動態一致性好，循環壽命衰減率降低，在500次循環壽命測試后健康度仍保持在90%以上。所提出的分選方法分選效率高，適用于數量較大的電池樣本，可有效識別組內電池樣本的一致性和生產質量，實現電池的多場合利用和效率最大化。

磷酸鐵鋰電池；模糊C均值聚類；放電電壓平臺；一致性；健康度

前言

由于單體電池在生產過程中的差異，在成組使用時循環壽命比單體使用時衰減更快，這是由單體電池間的不一致性造成的。電池活化程度不一致、電解液注液濃度不一致等都會引起電池間的不一致。電池在生產過程中造成的不一致，會隨著電池在使用中循環充放電次數的增加而強化，導致單體電池的容量等性能差異在使用過程中逐步擴大。容量較低的單體電池變成了負載，由容量較高的單體電池對其充電，引起這些單體電池的過充或過放，導致電池組壽命快速衰減，最終失效[1－3]。因此，單體電池的不一致會嚴重影響電池組的容量、壽命和安全。由于目前的生產技術不能完全消除電池間不一致，因此在未來相當長的一段時間，單體電池間的絕對差異是始終存在的。因此，對電池一致性和成組方法的研究有重要意義。

目前，國內對電動汽車電池的研究主要集中在電池的等效模型和均衡策略等方面[4－7]，而對動力電池的一致性和分選方法的研究較少[8－12]。現有研究可大致歸為兩類，一類是以不同電池某一參數對應特征點之間的歐氏距離為指標，應用不同的統計方法達到分選目的[9－10]；另一類是對電池提取多種參數，通過參數指標對電池性能進行綜合判定，或通過統計方法剔除相關性弱的參數指標，利用其余參數篩選一致性較好的電池[11－12]。這兩種方法均能根據電池的實際差異，得到較明確的分選結果，但算法復雜，有一定的實施難度。事實上，電動汽車要普及使用，動力電池的循環壽命至關重要[13]。電池的成組一致性直接影響電池的容量衰減和循環壽命，若采用電池的循環壽命作為電池成組一致性的評價指標，將更具工程實際意義。考慮到電池容量衰減與放電電壓曲線密切相關，放電電壓曲線在穩定階段中存在一個較寬的平臺期，這個平臺期穩定時間越長，說明制造工藝越好，容量衰減越慢。因此，本文中著眼于電池的放電曲線，結合模糊C均值聚類算法，提出一種基于放電電壓平臺的電池分選方法。該方法選取單體電池放電電壓平臺上的特征點，以特征點標準化后的數據集作為該算法的分類對象，以聚類有效性指標確定最佳分類數和分類結果，選取電池健康度作為分類結果評價指標。該方法適用于大數量電池樣本，分選效率高。

1 FCM算法研究

1.1 FCM算法

模糊C均值聚類算法(fuzzy C-means algorithm，FCM)是一種較成熟的模糊聚類算法。FCM算法的思想如下:

假定單體電池樣本集X＝{x1，x2，…，xn}分為c類，設U是一個c×n的矩陣，其元素μij表示第j個電池樣本屬于第i類的隸屬度，因一個數據集的隸屬度之和總等于1，故必須滿足約束條件，即

FCM算法的目標函數定義為

ci表示第i類電池的聚類中心，dij＝‖xj－ci‖表示第i類聚類中心到第j個電池樣本的歐氏距離。m是一個加權指數，它決定了類別之間的相關程度，m值越大，聚類結果的模糊性也越大。在無特殊要求的情況下，可取m＝2[14]。

FCM算法通過迭代運算使目標函數達到極小值。為求在約束條件下目標函數的極小值，由拉格朗日乘子法構造新函數，即

式中:λ為拉格朗日乘子，d2ij＝‖xj－ci‖2。分別求F對參數λ，μij的偏導數和J(U，C)對ci的偏導數，可以得到式(2)取最小值的必要條件:

FCM算法步驟是:(1)設定分類數c，設定迭代停止條件ε，初始化隸屬度矩陣U；(2)由式(5)計算c個聚類中心；(3)由式(2)計算目標函數，當目標函數值相對于上次目標函數值的改變量小于ε時迭代終止，否則由式(4)計算新的隸屬度矩陣并返回到步驟(2)。

1.2 FCM算法有效性指標

FCM算法需要預先確定分類數c，在實際應用中最佳分類數c一般是未知的。對應不同的c值時，算法得到的模糊聚類劃分也不同。聚類有效性指標可以幫助確定最優的劃分，從而得到最佳的分類數。

本文中選用文獻[15]中提出的有效性函數，構建了求和型聚類有效性指標VFS:

式中ci為第i類聚類中心，

VFS為一個極小型指標，即極小值對應的聚類數為最佳聚類數。

1.3 FCM算法的有效性分析

式(4)中μij表示第j個電池樣本隸屬于第i類的程度，將該式變形為

由式(7)不難發現，μij越大，則dij越小，dkj越大。即第j個電池樣本xj到第i類聚類中心ci距離越近，而距離其他的聚類中心越遠。所以，測量模糊隸屬度是評價聚類優劣的重要因素[16]。

由式(6)可知，本文中選用的有效性指標VFS由兩項組成，第1項以樣本到聚類中心的歐氏距離描述數據的緊致性，第2項以各類聚類中心到數據中心的歐氏距離描述類間的分離性，模糊隸屬度作為這兩個歐氏距離的加權因子，兩者之差即為有效性指標VFS的值。在VFS中第1項值越小說明同類數據越相似；第2項值越大代表數據類間分離越明顯。因此，VFS越小，聚類效果越好。綜上所述，在VFS的指導下，分類結果是在兼顧數據的幾何結構和模糊隸屬度的前提下得到的[17]。因此，該方法可全面地評價電池分類質量，幫助選擇合適的分類數目，實現電池的最優分選。

2 電池分選方法的實現

2.1 充放電循環實驗

為獲取電池樣本放電曲線，對容量為1 100mA·h的磷酸鐵鋰電池樣品進行充放電循環，如表1所示。

表1 電池充放電循環工藝

選取某電池廠家新出廠同一批次的100只容量為1 100mA·h的磷酸鐵鋰電池樣品作為樣本1～100，其中對樣本1～90實施步驟1～步驟6。在步驟5得到的樣本1的恒流放電曲線如圖1所示。

圖1 樣本1放電電壓平臺曲線

電池恒流放電時，電壓會經歷3個階段。放電初期，電壓下降稍快；隨后放電曲線逐漸趨于平緩，這一階段對應的電壓值通常稱為放電電壓平臺，其持續的時間與放電倍率、電池質量和壽命等因素相關；在放電末期，曲線會呈現急劇下降的趨勢。因此，放電平臺是磷酸鐵鋰電池的一個重要性能參數，也是體現各只電池的容量等性能差異的重要因素。

2.2 充放電循環實驗

根據FCM聚類算法的基本原理，為保證聚類對象的維數相同，必須保證對每只電池選取的特征點個數相同。根據同型號不同電池放電平臺趨勢相近的特點，考慮到選取的特征點須全面反映電池不一致性，故在每只電池放電電壓平臺的相同時間位置上提取3個特征點，分別為電壓放電平臺初期穩定時刻t1電壓、電壓平臺中間時刻t2電壓和平臺期結束時電壓差異較大時刻t3電壓。得到的樣本1～90放電曲線和單體電池特征點如圖2所示。

圖2 樣本1～90放電曲線和單體電池特征點

樣本1～90的放電曲線中，取t1，t2，t3分別為90只電池樣本平均放電時間的10%，50%，90%，特征點信息如表2表述。

表2 電池特征點信息

將上述特征點變換為三維矩陣，即

式中:uij(1≤i≤90，1≤j≤3)代表第i只電池樣本第j個特征點。

式(8)通過極差變換進行標準化處理，得到三維矩陣V′，即

2.3 FCM聚類算法結果

式(9)中V′即為FCM算法的聚類對象。通過MATLAB編程，分類數c分別取2～4，迭代停止條件ε取1×10－5，對V′應用FCM算法。得到分類結果分別如表3～表5所示。

表3 分類數c＝2的分類結果

表4 分類數c＝3的分類結果

表5 分類數c＝4的分類結果

分類數c分別為2～4時，計算得到的有效性函數值VFS如表6表示。

表6 有效性函數取值

分類數c為2～4時，樣本1～90的分類效果如圖3～圖5所示。

分類數c取2～4時，有效性函數VFS在c＝3時取值最小，分類效果最好。由表4可見，c＝3時的第1類聚類中心在數值上大于第2類和第3類，說明第1類樣本放電電壓平臺維持較長，電性能較好。因此這種分選方法既能保證分類結果明確，又能區別各分類結果中電池電性能的差異。在工程實際中，可按照不同類別將電池靈活應用在不同要求的技術場合。

隨著分類數c的取值增大，可能會出現有效性函數VFS的值減小或增大的趨勢，但分類數過多對電池分選成組的應用意義不大，本文中不予討論。

圖3 分類數c＝2

圖4 分類數c＝3

圖5 分類數c＝4

2.4 分選方法的有效性分析

聚類方法是一種無監督的機器學習方法，在事先沒有任何數據分布特點信息的前提下，要求同一類內的數據對象相似度盡可能大，不同類間的數據對象相似度盡可能小。對電池性能好壞等這類的劃分沒有嚴格的界限和標準，因此采用模糊聚類方法達到對電池分選的目的。本文中采用的FCM聚類算法，在傳統硬劃分方法加入模糊元素，能提高算法的靈活性和智能程度，也能通過數字特征客觀地反映不同電池間的性能差異，實現電池分選成組的最優化。

對于分選方法的有效性，很難從現有文獻找到一種聚類方法能得到所有數據集的最優劃分[18]，通常是通過構建聚類有效性指標實現對模糊聚類方法的有效評價，因此對電池的分選也很難得到最優結果。隨著電池檢測技術的快速發展，對電池電壓等參數的采集已經達到較高精度，在放電平臺上采集的特征點能夠具有較好的區分度，因此選取FCM聚類算法作為電池分選方法是可行的。本文中選取的有效性指標VFS同時考慮數據結構和模糊隸屬度，是一種常用的有效性指標，能全面評價聚類劃分質量，在它指導下的分類結果是可信的。

3 循環壽命測試

為驗證上述分選方法的有效性，從表4 c＝3的分類結果中在第1類30只電池中隨機抽取10只樣本并聯成電池組1，在第2類38只電池中隨機抽取10只樣本并聯成電池組2，在第3類22只電池中隨機抽取10只樣本并聯成電池組3。將未經過任何篩選處理的樣本91～100共10只電池并聯成電池組4。通過其他抽取方法組成電池組5～6。電池成組方式如表7所示。

表7 電池成組方式

對6個電池組進行循環壽命測試，其流程見表8。

表8 循環壽命測試規范

選取電池健康度SOH作為實驗評價指標。電池SOH用于描述電池的健康度狀態，是目前電動汽車動力電池系統中最重要的性能指標之一。電池健康度的標準定義是指動力電池在標準條件下SOC從100%放電到截止電壓所放出的電量除以它的標稱容量，用%表示。

QC/T 743—2006《電動汽車用鋰離子蓄電池》行業標準[19]中第6.2.11款規定:在(20±2)℃下的循環壽命實驗中，當電池組容量下降到其額定容量的80%時判定鋰離子電池失效。測試時，當電池組放電容量小于8 800mA·h，即SOH小于80%時結束實驗，得到實驗結束時各電池組的循環壽命，如表9所示。

表9 循環壽命測試結果

將電池組1～4的實驗結果進行匯總分析，如圖6所示。

圖6 電池組1～4容量衰減曲線

4個電池組中，未應用任何分選方法并聯組成的電池組4循環壽命最短，通過分選方法得到的電池組1～3循環壽命均高于電池組4。電池組1～3中，電池組1在超過500次循環時依然能保持90%的健康度，說明3個分類結果中，第1類具有最好的容量衰減動態一致性，健康度穩定性最高，此分類結果的電池樣本可成組應用在軍事領域等技術要求嚴格的場合；第2類、第3類則可分別應用在工業生產和民用領域。實驗表明，由分選方法得到的3個分類結果循環壽命衰減率均得到有效控制，與不使用任何分選方法的電池組相比，一致性較好。

將電池組1～3、5和6的實驗結果進行匯總分析，如圖7所示。

由第1類與第2類電池并聯而成的電池組5循環壽命較短，第1類與第3類電池并聯而成的電池組6循環壽命最短，一致性最差。由實驗結果可知，因不一致的單體電池會嚴重影響電池組的循環壽命，所以來自不同分類結果的電池并聯而成的電池組循環壽命衰減更明顯。由此說明了對動力電池進行分選的必要性，也間接證明了本文中研究方法的可行性和有效性。

圖7 電池組1～3和5～6容量衰減曲線

該方法在分析放電電壓平臺與電池容量等性能之間關系的基礎上，采用電壓平臺上的特征點作為分類依據以達到分選目的。雖然本文中的研究對象為磷酸鐵鋰電池，但對于其他不同類型的電池，例如鉛酸電池、鎳氫電池等，由于它們在放電過程同樣存在較為穩定的電壓平臺，故同樣適用。

4 結論

針對電動汽車電池成組使用時的不一致問題，在研究電池容量衰減與放電電壓曲線關系的基礎上，結合FCM算法，提出了一種基于放電電壓平臺的電池分選方法。該方法只需提取放電曲線上的特征點即可完成分選，思路清晰、實施容易，對大數量的電池樣本分選效率高。實驗結果表明，采用該分選方法得到的電池組循環壽命衰減率降低，動態一致性好，最優分類結果在500次循環壽命測試后健康度仍能保持在90%以上。因此，根據分選結果可按照不同技術要求靈活應用在工業領域、民用設備等多種場合，實現電池利用效率的最大化。

[1] 戎袁杰，李春文，李建敏，等.基于燃料電池的電能質量控制器設計[J].電機與控制學報，2009，13(S1):52－55.

[2] ANTONIO A，ALBERTO B，GIOVANNI F，et al.Battery choice and management for new-generation electric vehicles[J].IEEE Transactions on Industrial Electronics，2005，52(5):1343－1349.

[3] LEE Y S，CHENG G T.Quasi-resonant zero current switching bidirectional converter for battery equalization applications[J].IEEE Transactions on Power Electronics，2006，21(5):1213－1224.

[4] 陳坤華，孫玉坤，李天博，等.電動汽車鋰離子電池建模和剩余容量估計[J].汽車工程，2014，36(4):404－408.

[5] 羅玉濤，王峰，喻皓，等.基于行駛工況的磷酸鐵鋰電池壽命模型研究[J].汽車工程，2015，37(8):881－885.

[6] 王亞軍，王旭東，周永勤，等.準抗毀化電源蓄電池SOC預測的GA-BP網絡方法[J].電機與控制學報，2010，14(6):61－65.

[7] 王磊，朱建新.深度混合動力汽車電池組動態診斷與均衡策略研究[J].汽車工程，2013，35(8):687－690.

[8] 戴海峰，王楠，魏學哲，等.車用動力鋰離子電池單體不一致性問題研究綜述[J].汽車工程，2014，36(2):181－188.

[9] 王佳元，孫澤昌，魏學哲，等.電動汽車動力電池分選方法研究[J].電源技術，2012(1):94－98.

[10] 王東梅，馮偉峰，白紅燕，等.基于電壓平臺的電池聚類分選算法研究[J].電源技術，2016(5):994－996.

[11] 王震坡，孫逢春，張承寧.電動汽車動力蓄電池組不一致性統計分析[J].電源技術，2003(5):438－441.

[12] 多智華，李革臣，張宏，等.自動曲線識別的電池分類系統[J].電源技術，2000(2):99－102.

[13] 徐順剛，王金平，許建平.一種延長電動汽車蓄電池壽命的均衡充電控制策略[J].中國電機工程學報，2012(3):43－48.

[14] 于劍.論模糊C均值算法的模糊指標[J].計算機學報，2003 (8):968－973.

[15] FUKUYAMA Y，SUGENO M.A new method of choosing the number of clusters for the fuzzy c-means method[C].Kobe:Proceedings of 5th Fuzzy Systems Symposium，1989.

[16] 李愛生，柳健，黃鐵俠.模糊聚類的有效性分析[J].無線電工程，1991(3):18－25.

[17] 周開樂，楊善林，丁帥，等.聚類有效性研究綜述[J].系統工程理論與實踐，2014(9):2417－2431.

[18] PAL N R，BISWAS J.Cluster validation using graph theoretic concepts[J].Pattern Recognition，1997，30(6):847－857.

[19] 全國汽車標準化技術委員會.QC/T 743—2006電動汽車用鋰離子蓄電池[S].2006.

A Battery Sorting Scheme Based on Fuzzy C-mean Clustering，Taking Advantage of the Flatness of Discharge Voltage Curve

Zhang Rui，Zhou Yongqin＆Li Ran
School of Electrical and Electronic Engineering，Harbin University of Science and Technology，Harbin 150080

To solve the consistency problem of batteries after being sorted into groups，on the basis of analyzing the relation between battery capacity losses and discharge voltage and adopting fuzzy C-mean clustering algorithm，a battery sorting scheme is proposed，taking advantage of the flatness of discharge voltage curve.With the scheme，three characteristic points on the flat segment of discharge voltage curve for each cell are chosen as samples and with normalized sample set as the sorting object of the algorithm，the optimal sorting results are finally judged by clustering validity function.The results of whole-life experiment show that the battery pack sorted by the scheme proposed has good dynamic consistency and lower cycle life decay rate，with its SOH remains above 90%after 500 cycles of life tests.The battery sorting scheme proposed has high sorting efficiency and is suitable for large quantities of battery samples，and can effectively identify the consistency and production qualities of battery samples in a pack，achieving various occasion utilization and efficiency maximization of batteries.

lithium iron phosphate battery；fuzzy C-means clustering；flat segment of discharge voltage curve；consistency；state of health

10.19562/j.chinasae.qcgc.2017.08.003

?國家重點研發計劃(2016YFC0300100)資助。

原稿收到日期為2017年2月21日，修改稿收到日期為2017年5月15日。

周永勤，教授，E-mail:zhouyongqin＠hrbust.edu.cn。