针对退役动力电池梯次用于电力系统等领域存在初始参数不一致、筛选重组复杂等问题,提出一种基于退役动力电池模组静动态特性的阶梯式筛选方法。首先,构建退役动力电池模组端电压、荷电状态(state of charge,SOC)、健康状态(state of he...针对退役动力电池梯次用于电力系统等领域存在初始参数不一致、筛选重组复杂等问题,提出一种基于退役动力电池模组静动态特性的阶梯式筛选方法。首先,构建退役动力电池模组端电压、荷电状态(state of charge,SOC)、健康状态(state of health,SOH)及循环次数等参数间的关联特性,以电池模组内阻、剩余容量作为表征参数,采用密度权重Canopy改进的K-medoids聚类方法对外部特性参数相近的电池模组进行初次筛选;其次,将电池模组SOH动态一致性特性曲线作为表征对象,对其进行再次筛选;最后,采用非参数Bootstrap概率方法解析阶梯式静动态筛选下退役动力SOH估计的置信区间,评估动力电池模组筛选精度。结果表明,该文所提方法可将电池模组的筛选精度至少提高6.2%,为退役动力电池大规模筛选及梯次利用奠定理论基础。展开更多
文摘针对退役动力电池梯次用于电力系统等领域存在初始参数不一致、筛选重组复杂等问题,提出一种基于退役动力电池模组静动态特性的阶梯式筛选方法。首先,构建退役动力电池模组端电压、荷电状态(state of charge,SOC)、健康状态(state of health,SOH)及循环次数等参数间的关联特性,以电池模组内阻、剩余容量作为表征参数,采用密度权重Canopy改进的K-medoids聚类方法对外部特性参数相近的电池模组进行初次筛选;其次,将电池模组SOH动态一致性特性曲线作为表征对象,对其进行再次筛选;最后,采用非参数Bootstrap概率方法解析阶梯式静动态筛选下退役动力SOH估计的置信区间,评估动力电池模组筛选精度。结果表明,该文所提方法可将电池模组的筛选精度至少提高6.2%,为退役动力电池大规模筛选及梯次利用奠定理论基础。
