基于K均值聚类的动力电池组不一致性诊断方法及系统技术方案

本公开提供了一种基于K均值聚类的动力电池组不一致性诊断方法及系统，其属于动力电池组技术领域，所述方案包括：获取各电池单体的电压均值和标准差；以各电池单体的电压均值和标准差作为数据集，基于K

【技术实现步骤摘要】
基于K均值聚类的动力电池组不一致性诊断方法及系统


[0001]本公开属于动力电池组
，尤其涉及一种基于K均值聚类的动力电池组不一致性诊断方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本公开相关的
技术介绍
信息，不必然构成在先技术。
[0003]动力电池在实际使用过程中，为了满足功率和能量的需求，电池通常串并联成组使用。电池组在使用过程中各单体的电压、内阻、容量、温度等性能参数和SOC、SOH等工作状态存在差异，即为电池组的不一致性问题。造成动力电池组不一致性的原因主要来自两个方面，可以概括为内因和外因。内因是指在电池生产制造过程中，由于制造工艺繁多复杂，在配料、涂布、装配等各个生产环节都不可避免出现偏差，造成单体间的差异，而且这种不一致问题是无法消除不可逆转的，即这是造成不一致性问题的“先天因素”。造成电池不一致性的外因是指电池成组后的工作环境不同，导致不同单体发生不同程度的电化学反应，性能参数也随之不同，造成单体电池的不一致性，这是造成不一致性问题的“后天因素”。
[0004]动力电池单体之间的不一致性是影响电池组性能的重要因素，不一致性较差的电池组可用容量较小，循环使用次数减少，电池组整体寿命缩短，更为严重的是造成个别单体发生过充过放，长时间会引起电池升温损坏，乃至起火爆炸发生安全事故。因此，针对动力电池组不一致性的诊断是十分必要的。
[0005]异常检测作为数据挖掘中常用的技术手段，它的任务是发现数据集中与大部分对象不同的对象，即异常对象，异常检测方法根据是否使用类标号以及类标号的使用程度可以分为以下三类：监督的、半监督的和非监督的异常检测方法。传统的异常检测算法主要包括：基于统计的异常检测算法、基于距离的异常检测算法、基于密度的异常检测算法、基于深度的异常检测算法和基于聚类的异常检测算法。
[0006]专利技术人发现，动力电池组的不一致性诊断方法大多是基于电池模型的方法，这种方法需要建立精确可靠的电池模型，通过比较实测值与电池模型预测值来进行不一致性诊断，但它一方面建模复杂成本较高，另一方面在工程上应用难度较大。

技术实现思路

[0007]本公开为了解决上述问题，提供了一种基于K均值聚类的动力电池组不一致性诊断方法及系统，所述方案基于K
‑
means聚类的异常检测算法对动力电池组的不一致性进行诊断，不需要复杂的建模，能够快速准确的找到动力电池组中的不一致单体。
[0008]根据本公开实施例的第一个方面，提供了一种基于K均值聚类的动力电池组不一致性诊断方法，包括：
[0009]获取各电池单体的电压均值和标准差；
[0010]以各电池单体的电压均值和标准差作为数据集，基于K
‑
means聚类算法对所述数
据集聚类为若干簇；其中，每个电池单体的电压均值和标准差作为一个数据点坐标值；
[0011]计算每个电池单体所构成数据点到其所属簇中心的距离；
[0012]基于所述距离值与预设阈值的比较结果，判断当前电池单体是否异常，实现动力电池组的不一致性诊断。
[0013]进一步的，所述获取各电池单体的电压均值和标准差，具体为：提取动力电池组中各单体电压曲线，基于所述电压曲线计算电压均值和标准差。
[0014]进一步的，所述基于K
‑
means聚类算法对所述数据集聚类为若干簇，具体为：从所述数据集中随机选择若干点作为初始聚类中心；计算剩余数据点到各个聚类中心的距离，将每个数据点划分到距离最近的聚类中心代表的簇；选择每个簇内数据点的均值作为新的聚类中心；迭代预设次数，获得最终的聚类结果。
[0015]进一步的，所述电池单体的异常情况包括内阻异常、容量异常、SOC异常以及温度异常，所述异常情况均对应于电池单体的电压均值和标准差的异常变化。
[0016]进一步的，所述基于所述距离值与预设阈值的比较结果，判断当前电池单体是否异常，为了便于展示，对于聚类展示结果，将异常电池单体对应的数据点与正常的数据点通过不同颜色标记进行区分。
[0017]进一步的，所述距离采用欧式距离进行计算。
[0018]根据本公开实施例的第二个方面，提供了一种基于K均值聚类的动力电池组不一致性诊断系统，包括：
[0019]数据获取单元，其用于获取各电池单体的电压均值和标准差；
[0020]聚类单元，其用于以各电池单体的电压均值和标准差作为数据集，基于K
‑
means聚类算法对所述数据集聚类为若干簇；其中，每个电池单体的电压均值和标准差作为一个数据点坐标值；
[0021]距离计算单元，其用于计算每个电池单体所构成数据点到其所属簇中心的距离；
[0022]异常诊断单元，其用于基于所述距离值与预设阈值的比较结果，判断当前电池单体是否异常，实现动力电池组的不一致性诊断。
[0023]根据本公开实施例的第三方面，提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如上所述的一种基于K均值聚类的动力电池组不一致性诊断方法。
[0024]根据本公开实施例的第四方面，提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如上所述的一种基于K均值聚类的动力电池组不一致性诊断方法。
[0025]与现有技术相比，本公开的有益效果是：
[0026](1)本公开所述方案提供了一种基于K均值聚类的动力电池组不一致性诊断方法及系统，所述方案基于K
‑
means聚类的异常检测算法对动力电池组的不一致性进行诊断，不需要复杂的建模，能够快速准确的找到动力电池组中的不一致单体。
[0027](2)所述方案利用MATLAB仿真对动力电池组中的异常单体进行实际检测，诊断结果显示，设计的动力电池组不一致性诊断方案可以准确地检测出不一致性单体，有利于提高动力电池组使用的性能和安全性，延长电池组使用寿命，可以应用于实际的动力电池组使用维护中。
[0028]本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
[0029]构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
[0030]图1(a)和图1(b)分别为本公开实施例中所述的内阻较大单体在充电和放电过程中的表现示意图；
[0031]图2(a)和图2(b)分别为本公开实施例中所述的容量较低单体在充电和放电过程中的表现示意图；
[0032]图3为本公开实施例中所述的SOC偏低单体在放电过程中的表现示意图；
[0033]图4为本公开实施例中所述的SOC偏高单体在充电过程中的表现示意图；
[0034]图5(a)和图5(b)分别为本公开实施例中所述的温度偏高单体在充放电过程中的表现示意图；
[003本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于K均值聚类的动力电池组不一致性诊断方法，其特征在于，包括：获取各电池单体的电压均值和标准差；以各电池单体的电压均值和标准差作为数据集，基于K
‑
means聚类算法对所述数据集聚类为若干簇；其中，每个电池单体的电压均值和标准差作为一个数据点坐标值；计算每个电池单体所构成数据点到其所属簇中心的距离；基于所述距离值与预设阈值的比较结果，判断当前电池单体是否异常，实现动力电池组的不一致性诊断。2.如权利要求1所述的一种基于K均值聚类的动力电池组不一致性诊断方法，其特征在于，所述获取各电池单体的电压均值和标准差，具体为：提取动力电池组中各单体电压曲线，基于所述电压曲线计算电压均值和标准差。3.如权利要求1所述的一种基于K均值聚类的动力电池组不一致性诊断方法，其特征在于，所述基于K
‑
means聚类算法对所述数据集聚类为若干簇，具体为：从所述数据集中随机选择若干点作为初始聚类中心；计算剩余数据点到各个聚类中心的距离，将每个数据点划分到距离最近的聚类中心代表的簇；选择每个簇内数据点的均值作为新的聚类中心；迭代预设次数，获得最终的聚类结果。4.如权利要求1所述的一种基于K均值聚类的动力电池组不一致性诊断方法，其特征在于，所述电池单体的异常情况包括内阻异常、容量异常、SOC异常以及温度异常，所述异常情况均对应于电池单体的电压均值和标准差的异常变化。5.如权利要求1所述的一种基于K均值聚类的动力电池组不一致性诊断方法，其特征在于，所述基于所述距离值与预设阈值的比较结果，判断当前电池单体是否异常...

【专利技术属性】
技术研发人员：李岩，刘振宇，张承慧，康永哲，
申请(专利权)人：山东大学，
类型：发明
国别省市：