基于深度嵌入聚類算法的梯次電池主動協同

李志強，阮佳楠，王克飛

(國能信控互聯技術有限公司，北京 100089)

梯次電池利用是指電池在一次應用退役后，利用相應科學處理手段將其應用于對電池要求較低的領域中[1]。為滿足梯次電池實際應用過程中電池容量與功率的需求，通常將單體電池串聯成組。在串聯成組前，各單體電池的容量與內阻等參數各有差異，電池均衡控制是解決電池組不一致性問題的關鍵[2]。文獻[3-4]都采用K均值聚類方法進行聚類分組，但選取的健康因子不同，文獻[3]的容量利用率為90%以上，而且文獻[4]從梯次電池單體充放電電壓和容量角度來說明分組效果。文獻[5]介紹了一種智能分時的主動被動協同均衡技術，其電壓、內阻、容量離散性得到控制，但硬件電路的修改導致方案成本偏高，不適用于大規模梯次電池利用。文獻[6]建立電動汽車風電協同利用模型，采用線性遞減慣性權值的改進粒子群算法，加入了電動汽車電池剩余容量和充放電功率的約束條件，該算法可應用于大規模梯次電池利用場景。

梯次電池參數的不一致性易導致梯次電池利用出現過充過放現象，降低梯次電池組的容量和使用壽命，將梯次電池重新成組方法與均衡策略相結合可以簡化均衡策略，提升均衡效果。上述文獻中對均衡策略的研究沒有結合具體的分組成組方法，忽略了在均衡策略中重新成組對其改善一致性效果的影響。為此，本文設計了基于深度嵌入聚類算法的梯次電池利用主動協同模型，利用深度嵌入聚類算法劃分電池組別，根據組間主動協同判據，采用主動協同模型實現梯次電池主動協同。

1 梯次電池主動協同模型設計

1.1 基于聚類算法的梯次電池串聯成組方法

1.1.1 深度嵌入聚類算法

深度嵌入聚類算法的設計分三個步驟，首先通過自動編碼器壓縮電池數據；其次以編碼器為支撐的聚類層將編碼器的壓縮數據作為輸入，輸出聚類結果；最后通過訓練聚類模型優化聚類層與編碼器的參數，實現模型優化。

為實現梯次利用，電池串聯成組，自動編碼器對電池數據實施預訓練，通過采集編碼器壓縮數據部分的訓練模型，以非線性映射fθ：X→T將數據空間X轉換至低維特征空間T，同時將權重參數δ 作為神經網絡初始參數，定義一個兩層神經網絡：

以自動編碼器為支撐的聚類層利用定義的一致度計算公式將輸入數據(自動編碼器輸出的嵌入數據點）轉換為聚類軟分配度輸出。

以λj表示特征空間T內的中心點，深度嵌入聚類算法內λj自身與其周邊的點間的一致度服從t分布。基于此，可通過t分布為核判斷嵌入點與λj的一致度，獲取嵌入點ti同中心點λj的軟分配度qij，公式描述如下：

式中：ti=fθ(xi)∈T和α 表示xi∈X嵌入特征空間T獲取的點和t分布的自由度。由于訓練過程無法獲取α 最優值，因此設定α值為1。

將軟分配度q提升至二次冪，令分布對高置信度數據樣本的敏感度更高；為防止大聚類組干擾隱藏特征空間，依照不同聚類組的頻率實施歸一化處理；通過標準化處理獲取目標部分情況。用式(3)描述目標概率分布：

在上述所示的高置信分布中學習，其中，模型期望軟分配度的概率分布qi等同于輔助目標分布pi，基于此，利用式(4)描述qi與pi間的KL散度的損失函數L：

1.1.2 梯次電池串聯成組

為了提升相同組內電池一致度，梯次電池串聯成組時，分組過程無依據，基于深度嵌入聚類算法的描述，可利用深度嵌入聚類算法實現電池串聯成組。

在獲取梯次電池的容量與內阻等數據信息后，選取中間值法對數據實施歸一化處理，中間值法歸一化處理過程如下：

將上述過程獲取的梯次電池歸一化數據作為深度嵌入聚類算法應用的初始數據，通過深度嵌入聚類算法可有效劃分梯次電池組別，為梯次電池主動協同提供基礎支持。

1.2 組間主動協同模型設計

1.2.1 組間主動協同判據

在制定梯次電池組間主動協同策略時，需要引入統計學量：全體梯次電池組的荷電狀態(SOC)均值和中心極差β。

SOC均值可體現梯次電池組內含電量，依據SOC均值能夠判斷梯次電池組間的協同性。在某梯次電池組的SOC均值與差值差異未達到既定閾值標準的條件下，需進行梯次電池組間協同操作。SOC均值計算公式如下：

式中：SOCavn表示第n個梯次電池組的SOC均值。

中心極差β 體現單個梯次電池組SOC均值同整體梯次電池組SOC均值間差值上限[7]，主要功能是判斷梯次電池組間的協同性。在中心極差β 高于既定閾值條件下，需進行梯次電池組間協同操作。中心極差β 計算公式如下：

梯次電池組間主動協同策略對中心極差要求較高，考慮應用對象為梯次電池，利用深度嵌入聚類算法將若干節梯次電池設為一個組別，實施組別間協同時，可保障組別間的一致度較高，確保全部電池的中心極差β 值較低，整體電池組具有較高一致度，在制定電池組間協同模型啟停條件時設定：在梯次電池中心極差β 與組間SOC均值的比值高于2.5%時啟動協同模型進行主動協同控制；在低于2.5%時停止協同模型。

1.2.2 主動協同模型

采用雙向DC-DC 分布式主動協同拓撲結構，滿足相鄰單體間能量雙向流動需求，設計梯次電池主動協同模型，協同過程如圖1 所示。

圖1 梯次電池主動協同流程

梯次電池主動協同模型由三個主要環節構建。

第一環節：確定各單體梯次電池的SOC均值，基于梯次電池單體的SOC均值確定不同組別梯次電池SOC均值。基于式(9)確定整體梯次電池組SOC均值，利用式(10)確定整體梯次電池組中心極差β 值，對比獲取的SOC均值、β 值和各值既定閾值，判斷是否需要實施主動協同操作。

第二環節：若判斷結果顯示需實施主動協同操作，則依照SOC均值將各梯次電池組別從低至高進行排序[8]，獲取梯次電池組間的協同路徑。

組間協同電路選取分布式主動協同拓撲結構，滿足相鄰梯次電池單體間能量雙向流動需求。設定全部梯次電池分為三個組別，不同組別間SOC均值對比結果有下述六種形式：

(1)SOCav1>SOCav2>SOCav3；

(2)SOCav1>SOCav3>SOCav2；

(3)SOCav2>SOCav1>SOCav3；

(4)SOCav2>SOCav3>SOCav1；

(5)SOCav3>SOCav2>SOCav1；

(6)SOCav3>SOCav1>SOCav2。

基于對以上六種情況的分析，可將主動協同過程大致分為兩種類型[9]：直接協同和間接協同。情況(2)～(4)和(6)均為相鄰電池組間能量傳遞，因此可采用直接協同，僅需導通與關斷對應開關管即可。情況(1)和(5)需進行電池組1 和電池組3 間的能量傳遞，考慮電池組1 和電池組3 并不相鄰，因此需要電池組2 作為中間媒介，進行間接協同傳遞能量。

第三環節：確定不同電池組別間的協同狀態，當不同電池組別的SOC均值的中心極差滿足既定閾值要求，即可結束組間協同；若不滿足閾值要求，則返回第一環節。

2 實驗分析

為驗證本文設計的基于深度嵌入聚類算法的梯次電池主動協同模型的應用性能，進行模型應用測試，以16 個單體退役電池為研究對象。

2.1 聚類性能測試

為評價本文模型中聚類算法的具體性能，將聚類數目設定為梯次電池的自然分類數目，通過聚類標準率ACC[式(11)]對本文模型中的梯次電池聚類性能進行評價。

式中：li、m和ci分別表示實際分類標簽、聚類結果與實際分類標簽間的1 對1 映射和本文模型獲取的聚類結果。

以文獻[5]中基于主被動均衡技術的協同模型和文獻[6]中基于優化調度策略的協同模型為對比模型，驗證本文模型的性能優勢，結果如表1 所示。本文模型在實際應用過程中對不同目標數量的聚類精度均在96%以上，且始終高于其它兩種對比模型，由此說明本文模型具有較高的聚類精度。

表1 不同模型在不同目標數量下的聚類精度 %

2.2 串聯成組測試

在測試本文模型梯次電池串聯成組性能時，采用容量利用率的方法，利用本文模型進行聚類，將所選16 個單體電池串聯成組，聚類結果顯示全部單體電池共串聯為4 個組別。

在容量最小的單體電池無法首先充滿電與放完電的條件下，電池組容量利用率無法最大化，因此可選取容量利用率作為判斷梯次電池利用中電池組性能的指標。用電池組的可用容量上限值與組內容量最小的單體電池可用容量的比值定義所選16個單電池串聯形成的電池組的容量利用率φ：

式中：Qm和Qc分別表示電池組的可用容量上限值和組內容量最小的單體梯次電池可用容量。

獲取電池的相關數據，代入式(12)中，獲得本文模型中各串聯模組的容量利用率，結果如表2 所示。四個電池模組的容量利用率均在92%以上，滿足電池組容量利用率實際應用需求，由此說明本文模型能夠有效劃分電池組。

表2 不同串聯模組容量利用率

2.3 主動協同性能測試

為定量分析本文模型的主動協同性能，采用描述電池組差異程度的參數ξ 作為判斷本文模型主動協同性能的指標，其值越小，說明協同性能越好。ξ 計算公式如下：

設定梯次電池主動協同的不同工況：靜止狀態和充電狀態。

工況一：靜止狀態。利用開路電壓法，檢測上一實驗中4組電池中各單體電池的SOC值，檢測結果如圖2(a)所示。借助實驗室平臺，利用本文模型對4 組電池實施主動協同操作，驗證模型的主動協同性能，結果如圖2(b)所示。

由圖2 可知，協同后，電池組內各單體電池的SOC值差異顯著降低，根據實驗工況下的相關參數，利用式(13)分別計算本文模型協同前后電池組的差異度，得到本文模型協同前電池組的差異度為0.067，本文模型協同后電池組的差異度為0.016，與協同前相比降低0.051。由此可知在靜止狀態下，利用本文模型對電池進行主動協同后，梯次電池利用過程中電池組整體一致性得到明顯提升。

圖2 靜止狀態下本文模型協同前后SOC分布情況

工況二：充電狀態。在室內常溫環境中，將上述工況一條件下均衡后的電池以0.1C恒流放電，至電池組內某電池放電至截止電壓，靜置4 h 后獲取各電池的荷電狀態并實施記錄，將其作為各電池的初始SOC值，如圖3(a)所示。通過充電機以0.08C恒流對不同電池進行充電，并利用實驗平臺對電池組實施主動協同控制，獲取充電完成后電池的SOC分布情況，結果如圖3(b)所示。

圖3 充電狀態下本文模型協同前后SOC分布情況

由圖3 可知，恒流充電工況下，協同后，電池組內各單體電池的SOC值差異顯著降低，根據充電工況下的相關參數，利用式(13)分別計算本文模型協同前后電池組的差異度，得到本文模型協同前電池組的差異度為0.073，本文模型協同后電池組的差異度為0.024，與協同前相比降低0.049。由此可知，在充電狀態下，利用本文模型對梯次電池利用過程中的電池組進行主動協同后，電池組的整體一致性得到明顯提升。

3 結論

本文設計了基于深度嵌入聚類算法的梯次電池主動協同模型，對比智能分時的主被動協同模型和基于改進粒子群算法的優化調度協同模型，從梯次電池重新分組的聚類性能角度證明了該方法的優越性。靜止狀態下，本文模型協同后電池組的差異度為0.016，與協同前相比降低0.051；充電狀態下，本文模型協同后電池組的差異度為0.024，與協同前相比降低0.049，可以有效降低電池串聯成組后電池組的差異程度，提升梯次電池組應用性能。考慮到不同成組方法與協同策略相互之間的適用性和應用場景對模型性能的影響，在后續研究中將主要針對本文模型的應用效率與可擴展性進行優化，以期提升本文模型實際應用效果。