基于改进DBSCAN的退役动力电池分选方法

退役动力电池梯次利用时电池单体不一致性对于分选后电池组性能具有重要影响,高效的分选方法能够降低电池不一致性,提高电池组的使用性能和安全性。针对目前常用的电池检测系统采样频率较低等问题,首先使用自适应分段拟合方法对充放电数据进行拟合,从充放电曲线中提取表征电池不一致性的动态特征电压上升高度(VR)、电压下降深度(DVF),并与容量、开路电压静态特征结合构成分选特征向量;然后提出一种基于核密度估计的DBSCAN算法(KDEDBSCAN),通过核密度估计自适应确定聚类算法参数,对特征聚类实现电池的分选;最后通过实验验证该分选方法的有效性。

基于密度函数的模糊混合SOC估计方法

针对传统锂离子电池荷电状态估算中开路电压-荷电状态(OCV-SOC)曲线拟合及估算算法精度的问题,在二阶RC模型的基础上,引入高斯多项式来更好地拟合SOC和开路电压曲线,同时利用带自适应遗忘因子的最小二乘法进行模型参数的在线辨识,并将所得模型参数带入由扩展卡尔曼滤波器和安时积分法组成的模糊混合算法中,最终完成对SOC的估算。实验结果表明,该联合算法能够迅速收敛初始误差,静态恒流下SOC最大误差在1.1%以内,欧洲循环驾驶标准工况(NEDC)下SOC和端电压的均方根误差分别为0.12%和1.82%,具有很好的估算精度和鲁棒性,可以实现对SOC的准确估算。

基于放电平台期的Wkmeans退役锂离子电池分选方法

针对退役锂离子电池单体之间由于生产过程及后续工作环境的不同产生的不一致性差异对分选后电池成组性能的影响,提出一种基于放电平台期参数的锂离子电池分选方法。以磷酸铁锂电池为研究对象,通过研究电池组不一致性的影响因素确定聚类的指标,进而进行放电实验,得到电池的电压、电流、容量等时序数据,并通过固定电压窗口的方法得到放电平台高度及长度数据;通过引入基于自动加权的Wkmeans聚类算法实现电池的分选。根据电池单体及成组后的充放电数据进行分析,实验结果证明该方法能显著降低电池模组的不一致性。

基于CAN总线的通用型电池包数据采集系统设计

针对新能源汽车电池包批量检测过程中存在的数据采集不便、数据存储及分析不便、数据采集设备通用性不强等问题,设计一种基于CAN总线的通用型电池包数据采集系统,并说明了该系统的构成,分析了系统的通用性。

基于经验模态分解的锂离子电池健康状态预测

电池健康状态(State of health, SOH)预测是确保电子系统运行可靠性和安全性的关键因素。为了准确地预测锂离子电池SOH的整体退化趋势和局部容量再生现象,提出一种将经验模态分解(Empiricalmodedecomposition,EMD)与门控循环单元(Gated recurrent unit, GRU)和差分自回归移动平均模型(Autoregressive integrated moving average model, ARIMA)相融合的锂离子电池SOH预测方法。首先,利用EMD将电池原始SOH序列进行多尺度分解,并通过计算分解子序列的连续均方误差找到高低频分界点;然后,GRU用于预测具有强烈数据波动的高频子序列,ARIMA用于预测剩余的低频子序列和残差;最后,将每个子序列的预测结果进行叠加以获得最终预测结果。试验结果表明,与其他文献中预测方法相比,基于经验模态分解的融合模型具有更高的预测精度,可以更好地捕捉电池SOH整体退化趋势和局部容量再生特性。