基于层次聚类及类中心距的云端电池组一致性分析方法与流程

1.本发明涉及一种电池组内单体电池一致性的分析方法，特别涉及一种基于层次聚类及类中心距的云端电池组温度与电压一致性分析方法，属于动力电池技术领域。


背景技术：

2.为满足电动汽车对于功率与续航里程的要求，一般需将多个单体电池通过串并联形成电池组来使用。然而大量研究表明，成组后的电池组与单体电池在能量密度、功率特性以及安全性等方面存在较大差距，这种差距主要是由于单体电池的不一致性造成的。尽管成组的电池已通过了相应的筛选，但由于生产工艺限制，电池的电压、容量以及内阻等静态参数仍存在细微差别。单体电池在制造过程中的细微差异以及在实际使用过程中运行工况和环境温度等因素的影响，将导致电池单体性能的不一致。电池组的不一致性不仅影响电池性能的发挥，而且还会降低电池管理系统(battery management system,bms)监测的准确性，极端情况下甚至还会导致电池产生异常现象，发生安全事故。因此，基于电动汽车实际运行工况下的电池组一致性研究对电池的安全保护以及电动汽车正常行驶具有重要意义。
3.由于实车电池组一致性研究需要以大量运行数据作为支撑，在初步阶段，许多研究人员通过实验环境下研究了电池组一致性。然而，实验环境或仿真模拟都过于理想化，通常对实际电池组结构进行简化，无法真实模拟实车行驶中复杂多变的工况。近年来针对实车运行状态下电池组一致性的研究逐渐增多，例如：基于k
‑
means聚类评价指标的电池组不一致性评价方法；计算实车运行状态下单体电池电压变化的香农熵评价电压一致性；基于修正香农熵的原位电压故障诊断方法。但以往的研究中通常使用电压、电流或温度极差和标准差来表征电池不一致性。实际上，考虑成本因素，上传到大数据中心(云端)的数据通常故意降低精度上传，上述分析时并没有考虑到在采集数据精度低对分析结果可能造成的影响。同时，上述研究未能精确分析电池单体在模组中的离散程度以及电压一致性与温度一致性随时间的演变规律与关联机理。


技术实现要素：

4.发明目的：针对现有技术中存在的问题，本发明提供了一种基于层次聚类及类中心距的云端电池组一致性分析方法。本发明采用层次聚类法可以有效辨识出电池组温度不一致性最大的位置以及电压不一致性最大的单体电池，并且基于类中心距定量分析电池组温度一致性和电压一致性随时间变化的趋势以及两者之间的关联性。主要包括：对原始数据的预处理、放电片段的特性分析、对电池组温度及电压一致性的分析。
5.技术方案：一种基于层次聚类及类中心距的云端电池组一致性分析方法，包括以下步骤：
6.步骤一、采集电池组原始数据并进行预处理：采集运行过程中的电池组原始数据，并进行预处理，所述的数据预处理主要包括字段标准化处理、缺失值处理、坏点处理以及数
据片段切割；
7.步骤二、对切分的放电片段进行特性分析：所述的放电片段是指将所有原始数据按照“电池充放电状态”字段进行切割后得到的放电数据片段；所述的特性分析主要包括对电池组总电压和总电流、单体电池电压、检测点温度变化的特性分析；
8.步骤三、采用层次聚类法对电池组的温度一致性和电压一致性进行分析，并采用类中心距分析电池组温度一致性和电压一致性随时间变化的趋势以及两者之间关联性。
9.进一步，所述步骤一中所述的字段标准化处理指的是舍弃“电池包编号”、“动力电池包个数”、“动力电池包编号长度”、“系统序号”和“动力电池单体总数”等电池编号和数量信息，只保留时间、电压、电流和温度相关字段。
10.进一步，所述的缺失值处理指的是因采集到的数据属于时序性数据，数据缺失方式包括单个缺失、单行缺失、多行缺失，进行填充或删除，
11.具体的填充方法为：当第i行数据第j个字段出现缺失值，首先判断缺失数据行时间是否连续，然后分析缺失时间段，多行缺失采用相同方法；如果时间数据保持连续性，并且缺失数据时间跨度小于30s，出现多少个缺失值，包括整行缺失，都采用插值法填补。
12.进一步，所述插值法填补的具体步骤为：选择缺失值附近10个点，使用第i
‑
5行至第i 5行数据，如果缺失值在数据开始或结束附近，采用牛顿插值法填充；但如果时间不连续，或者缺失时间大于30s，则采用删除法，直接将整行数据删除。
13.进一步，所述的坏点处理指的是将明显不符合常理的数据称为坏点，并将其剔除；直接根据突变的数据识别坏点，并将其剔除。
14.进一步，所述的数据片段切割是根据电池充放电状态，通过数据切割提取电池每一次充放电片段；数据中包含有“电池充放电状态”字段，其中1代表充电，2代表放电，搁置状态不记录数据，根据“电池充放电状态”字段进行切割，最终将所有数据划分成充放电片段。
15.进一步，所述步骤二中放电片段特性分析为：
16.首先对一次典型放电工况下的电池组总电压及总电流的变化情况进行分析；
17.然后，分析电池组中所有单体电池在同一放电片段下电压的变化趋势，并研究不同温度检测点的温度变化情况。
18.进一步，所述步骤三中的温度一致性分析是指对电池组不同位置及其整体温度变化情况的分析，分析方法如下：
19.在一次放电过程中，每一个温度传感器的数据表示一个特征，即一次放电过程初始样本集可以表示为：
[0020][0021]
式中，t
ij
表示第i个温度点位置在j次采样时的温度值，i的最大值为温度传感器的个数；
[0022]
通过计算对不同位置温度采样点的欧氏距离d
ij
评价温度一致性，将放电过程中温度值相近的位置分为一类，再计算各类之间的平均距离，不断重复直到归类完成；
[0023]
定量评价电池组整体温度一致性，通过类中心距离衡量整体的离散度；计算得到最大类中心距与最小中心距，然后用类中心距极差来表征电池组整体温度的一致性，具体可表示为：
[0024]
t
disconsis
＝dist
tmax
‑
dist
tmin
ꢀꢀꢀ
(2)
[0025]
式中，dist
rmax
表示最大类中心距，dist
tmin
表示最小类中心距。
[0026]
进一步，所述步骤三中的电压一致性分析是指对电池组单体电池及其整体电压变化情况的分析，分析方法如下：
[0027]
将每一个单体电池看作是一个样本，在放电过程中，每一个采样点的电压数据表示一个特征，即一次放电过程初始样本集可以表示为：
[0028][0029]
式中，x
ij
表示第i个电池在j次采样时的电压值，i的最大值为电池组中所含单体电池的个数；
[0030]
通过计算不同电池电压采样点的欧氏距离d
ij
评价电压一致性，将放电过程中电压值相近的单体分为一类，再计算各类之间的平均距离，不断重复直到归类完成；
[0031]
定量描述电池组电压一致性变化规律，将电压类中心距极差作为电池组电压一致性判断标准，具体表示如下：
[0032]
u
disconsis
＝dist
umax
‑
dist
umin
ꢀꢀꢀ
(4)
[0033]
式中，dist
umax
表示最大类中心距，dist
umin
表示最小类中心距。
[0034]
进一步，步骤三中分析电池组温度一致性和电压一致性随时间变化的趋势以及两者之间关联性的方法为：计算不同放电次数下温度类中心距极差与平均温度，分析两者间对应关系及变化趋势；统计不同放电次数下温度类中心距极差和电压类中心距极差，分析两者间随放电次数对应关系及变化趋势。
[0035]
有益效果：本发明采用层次聚类法能够辨识出电池组温度不一致性最大的位置以及电压不一致性最大的单体电池，采用类中心距指标可定量分析电池组温度一致性和电压一致性随时间变化的趋势以及两者之间关联性，克服了云端数据精度低，直接利用测量的电压、电流或温度数据分析易导致误判的问题。
附图说明
[0036]
图1是本发明典型放电片段总电压与总电流变化趋势图；
[0037]
图2是本发明典型放电片段的单体电压变化趋势图；
[0038]
图3是本发明典型放电片段的温度变化趋势图；
[0039]
图4是本发明第1,50,100,150次放电温度聚类结果图；
[0040]
图5是本发明第200,250,300,350次放电温度聚类结果图；
[0041]
图6是本发明第400,450,500,550次放电温度聚类结果图；
[0042]
图7是本发明第600,650,700,750次放电温度聚类结果图；
[0043]
图8是本发明第800,850,900,950次放电温度聚类结果图；
[0044]
图9是本发明第1000,1050,1100,1150次放电温度聚类结果图；
[0045]
图10是本发明温度一致性与平均温度变化趋势图；
[0046]
图11是本发明第一阶段单体电压一致性分类图；
[0047]
图12是本发明第二阶段单体电压一致性分类图；
[0048]
图13是本发明第三阶段单体电压一致性分类图；
[0049]
图14是本发明第四阶段单体电压一致性分类图；
[0050]
图15是本发明第五阶段单体电压一致性分类图；
[0051]
图16是本发明电压一致性与温度一致性变化趋势图。
具体实施方式
[0052]
下面结合附图以及具体实施例对本发明作进一步的说明，但本发明的保护范围并不限于此。
[0053]
一种基于层次聚类及类中心距的云端电池组一致性分析方法，包括以下步骤：
[0054]
步骤一、对电动汽车在运行过程中采集到的电池组原始数据进行预处理，所述的数据预处理主要包括字段标准化处理、缺失值处理、坏点处理以及数据片段切割。
[0055]
进一步，所述的字段标准化处理指的是舍弃“电池包编号”、“动力电池包个数”、“动力电池包编号长度”、“系统序号”和“动力电池单体总数”等电池编号和数量信息，只保留时间、电压、电流和温度相关字段。
[0056]
进一步，所述的缺失值处理指的是因采集到的数据属于时序性数据，数据缺失方式较多(单个缺失、单行缺失、多行缺失等)，需要采取多种方法进行填充或者删除，具体的填充策略为：
[0057]
当第i行数据的第j个字段出现缺失值，首先判断缺失数据行时间是否连续，然后分析缺失时间段(多行缺失)。如果时间数据保持连续，并且缺失数据的时间跨度小于30s(10s传输一行数据，30s传输三行数据)，不管出现多少个缺失值(包括整行缺失)，都采用插值法填补。具体步骤为：选择缺失值附近10个点(默认使用第i
‑
5行至第i 5行数据)采用牛顿插值法填充；但如果时间不连续，或者缺失时间大于30s，则采用删除法，直接将整行数据删除。
[0058]
进一步，所述的坏点处理指的是将明显不符合常理的数据称为坏点，并通过经验将其剔除。由于坏点数一般较少，而且坏点与前后数据相差较大，可以直接根据突变较大识别坏点，并将其剔除。
[0059]
进一步，所述的数据片段切割是指根据电池充放电状态，通过数据切割提取电池每一次充放电片段，方便后续分析。因数据中包含有“电池充放电状态”字段，其中1代表充电，2代表放电，搁置状态不记录数据。因此，可根据“电池充放电状态”字段进行切割，最终将所有数据划分为充放电片段。
[0060]
步骤二、对切分的放电片段进行特性分析，所述的放电片段是指将所有原始数据按照“电池充放电状态”字段进行切割后得到的放电数据片段；所述的特性分析主要包括对电池组总电压和总电流、单体电池电压、温度传感器检测点温度变化的特性分析。
[0061]
如图1所示，为一次典型放电工况下，电池组总电压和总电流的变化情况。从图中可以看出，在实际放电工况下电流变化频率极快，变化幅度较大，并且总电压会随电流增大
而减小，但当电流减小时，由于极化的影响，电池总电压会略微回升，总体上电池电压呈下降趋势。
[0062]
如图2所示为电池组中单体电池的电压在同一个动态放电片段下的变化曲线。鉴于电压采集精度为20mv，采样时间为10s，因此单体电压随采样时间的变化并不是理想中的连续曲线，而是跳跃式下降。从放大图可以看出，在同一时刻下，检测到多个单体电压相同，导致直接通过电压或电压极差判断最高最低电压等波动较大。
[0063]
由图3可以看出，温度总体呈阶梯式变化，电池组不同位置温度有着明显差异，且温度差异会随着放电时间的增加而增大。
[0064]
步骤三、采用层次聚类法对电池组的温度一致性和电压一致性进行分析，并采用类中心距分析电池组温度一致性和电压一致性随时间变化的趋势以及两者之间的相互关系。
[0065]
所述步骤三中的层次聚类(hierarchical clustering)可以通过选择不同的分层数，从不同细粒度分析样本的相似性，并且可以通过树状图直观反映样本分类的演变过程，识别最离群的样本。考虑到所研究的电池组具有6个电池模组，为此选择分层数为6。
[0066]
所述步骤三中的温度一致性分析是指对电池组不同位置及其整体温度变化情况的研究。
[0067]
在一次放电过程中，每一个温度传感器的数据表示一个特征，即一次放电过程初始样本集可以表示为：
[0068][0069]
式中，t
ij
表示第i个温度点位置在j次采样时的温度值，i的最大值为温度传感器的个数。
[0070]
通过计算不同位置温度采样点的欧氏距离d
ij
评价温度的一致性，距离越大说明温度差距越大，一致性较低，距离越小说明温度一致性较好。然后将放电过程中温度差距较小的位置分为一类，再计算类之间的平均距离，不断重复直到归类完成。当划分的类的个数与电池组的模组个数相同时，可以分析电池模组的一致性，可以对比不同模组内部温度的一致性。为研究温度一致性随时间的变化，每隔50次做一次层次聚类分析。
[0071]
如图4为1
‑
150次放电温度层次分析树状图。以第1次放电过程为例，从电池模组角度看，模组一中的3个温度点可分为两类，1号和2号虽然分为一类，但是距离较远，说明一致性不是很好。3号单独成为一类且与1号和2号所组成的类距离也比较远，说明1号模组一致性较差。模组二、三和四结构相同，温度点位置相同，但是温度一致性不相同。模组二中的4个温度点，也分为两类，距离也较远，说明一致性相对也较差。三、四号模组内部电池最快分类，说明温度一致性最好。五号模组一致性也比较好，六号模组包含温度点最多，但是除了21和22号外，其他位置温度一致性都比较好。总的来看，同一个模组内温度一致性较好，但不同模组之间温度不一致性较高。
[0072]
图5为200
‑
350次放电温度聚类结果。从图中可以看出电池组温度分类的距离明显增加，说明温度不一致性在增加。图6为400
‑
550次放电温度聚类结果。在第400
‑
550放电过
程中，电池组温度不一致性仍然较高，其中2号及20号位置温度一致性较差。图7为600
‑
750次放电温度聚类结果。在该过程中电池组温度一致性依然较差，一致性较差的位置包括2号和20号。图8为800
‑
950次放电温度聚类结果，此时电池组温度一致性依然较差，一致性较差的位置包括2号和20号。图9为1000
‑
1150次放电温度聚类结果，此时一致性较差的位置包括1号和2号。从总体上看，1号模组温度一致性最差，其次是2号模组。而对于具体位置，2号温度点一致性最差，20号位置温度一致性也比较差。
[0073]
进一步，为定量描述电池组整体温度不一致性，提出通过类中心距离衡量整体的离散度；进一步计算得到最大类中心距与最小类中心距，然后用类中心距极差表征电池组温度整体的不一致性，具体可表示为：
[0074]
t
disconsis
＝dist
tmax
‑
dist
tmin
ꢀꢀꢀ
(2)
[0075]
式中，dist
tmax
表示最大类中心距，dist
tmin
表示最小类中心距。
[0076]
因电动汽车运行时间跨度大，环境温度的季节性变化会影响到电池组内的温度分布，如图10所示，温度不一致性与平均温度总体呈反比关系，平均温度高时，温度一致性较好；温度降低时，温度不一致性增加。根据温度不一致性变化趋势将放电过程大体分为五个阶段：第一阶段包括第1
‑
175次放电，第二阶段为第175
‑
375次放电，第三阶段为第375
‑
575次放电，第四阶段为第575
‑
925次放电，第五阶段为第925
‑
1157次放电。
[0077]
进一步，所述步骤三中的电压不一致性分析是指对电池组单体电池及其整体电压变化情况的研究。
[0078]
将每一个单体电池看作是一个样本，在放电过程中，每一个采样点的电压数据表示一个特征，即一次放电过程初始样本集可以表示为：
[0079][0080]
式中，x
ij
表示第i个电池在j次采样时的电压值，i的最大值为电池组中所含单体电池的个数。
[0081]
通过计算不同电池电压采样点的欧氏距离a
ij
评价电压的一致性，然后将放电过程中电压差距较小的单体分为一类，再计算类之间的平均距离，不断重复直到归类完成。
[0082]
如图11
‑
15所示，在第一阶段，电池单体之间电压距离不大，基本都低于0.2，说明电压一致性总体较好。在第一次放电，1号电池是一致性最差的电池，其次是4号电池。第100次和150放电时，4号电池都是一致性最差的电池。结合对电池组温度一致性的分析，1号和4号电池都在1号模组，且靠近1号温度传感器。1号模组整体温度一致性较差，1号温度传感器位置一致性也相对较差，说明温度的不一致性会直接增加电压的不一致性。在第二阶段，电池单体之间电压距离明显增加，除了第200次放电，其他几次放电过程全部都大于0.2，说明电压一致性较差；且在第二阶段，69号单体电池都是电压一致性最差的电池，69号单体电池也是最靠近20号温度传感器的电池。在第三阶段，电池组电压一致性仍然较差，69号和4号电池依然是电压最不一致的单体。在第四阶段，电池组电压一致性进一步降低，69号和4号电池依然是电压最不一致的单体。在第五阶段，69号和4号电池依然是电压最不一致的单体。69号电池靠近20号温度传感器，4号电池靠近1号温度传感器，这两个位置温度一致性相
对都较差，进一步说明温度不一致性增加会导致电压一致性变差。
[0083]
进一步，为定量描述电池组电压不一致性变化规律，与温度一致性定义类似，将电压类中心距极差作为电池组电压不一致性判断标准：
[0084]
u
disconsis
＝dist
umax
‑
dist
umin
ꢀꢀꢀ
(4)
[0085]
式中，dist
umax
表示最大类中心距，dist
umin
表示最小类中心距。
[0086]
由图16可知，在第一阶段，电池组温度一致性和电压一致性都比较好；而在第二阶段，电压一致性随温度不一致的增加急剧劣化；到了第三阶段，虽然随着温度不一致性的降低，电压不一致也有所降低，但是电压一致性总体上依然较差，说明电压不一致性具有一定的不可恢复性；在第四阶段，电压不一致性受温度不一致的影响有所降低，但当温度不一致性增加时，电压不一致仍然有较大的上升趋势。第五阶段电池不一致性虽然有所降低，但仍处于较高水平。总体来看，从第二阶段开始，电池组电压不一致性明显增加，且具有一定的不可恢复性。
[0087]
所述实施例为本发明的优选的实施方式，但本发明并不限于上述实施方式，在不背离本发明的实质内容的情况下，本领域技术人员能够做出的任何显而易见的改进、替换或变型均属于本发明的保护范围。