基于快速充电曲线的退役锂电池模块快速分选技术

由于在使用过程中造成的电池间的不一致性,退役锂离子电池在储能应用等梯次利用前要进行一致性分选。然而,现有的退役锂电池分选方法存在着效率低下的问题,并且研究多集中于单体,针对模块层面的分选方法相对欠缺。为此提出了一种基于机器学习算法的退役锂电池模块快速分选方法。首先阐述了由于电池不一致性所带来的串联充电曲线不同的现象,基于此原理设计了分选步骤;其次,提出了基于支持向量机的筛选模型,实现了利用少部分样品电池的特征电压筛选大批量的退役电池;进一步,提出了一种针对模块级别的退役电池重组方法,以应对实际工程中电池模块难以拆解的特性。结果表明,相较于传统方法,所提退役电池模块快速分选方法大幅提升了分选效率,同时解决了退役锂电池模块分选的问题。     

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...     

一种基于电化学阻抗谱的大规模退役锂离子电池的软聚类方法

退役锂离子电池的分选目前存在效率与精度不可兼得的问题,严重制约大规模退役锂电池梯次利用的经济性与安全性。该文针对以上问题,提出一种基于电化学阻抗谱（EIS）的退役锂离子电池软聚类方法。首先,对退役锂离子电池进行EIS测试和弛豫时间（DRT）分析,利用BP神经网络建立电池容量与DRT关联模型,并用于大规模电池容量的快速估计。然后,构建电池容量、欧姆内阻与DRT特征等六维度判据,在此基础上提出一种基于高斯混合模型的电池软聚类方法。该方法在考虑电池内部重要电化学特征的基础上实现了退役锂离子电池的软聚类,大大提高了聚类结果的准确性与灵活性。最后,通过计算轮廓系数和进行混合脉冲功率特性（HPPC）实验对聚类结果进行验证。实验结果表明,获取电池容量的时间由标准容量测试的3h缩短到10min,容量预测误差控制在4%以内;所提出的软聚类分类方法能提高电池重组的灵活性,并能保证重组电池具有很好的一致性。     

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。     

基于因子分析与K-means聚类的退役动力电池快速分选方法

针对目前退役动力电池数量多、快速分选方法匮乏的问题,提出一种基于脉冲功率测试(Hybrid PulsePower Characteristic,HPPC)、因子分析和聚类算法的退役动力电池快速分选与重组方法。根据电池管理系统(Battery Management System, BMS)记录的电池数据,计算单体电池电压数据得到电池最大可用容量。以HPPC一次放电脉冲提取的电池开路电压、欧姆内阻、极化电阻以及浓差电阻作为特征变量。特征变量数据经归一化算法与因子分析优化后,通过聚类算法完成电池分选与重组。实验结果表明:该方法下单体电池平均分选重组时间压缩在30 min以内,分组后一致性指标较好,在退役动力电池分选与重组中具有较好的实际意义。     

基于容量增量分析的退役LiFePO4电池分选方法

为解决电动汽车(EVs)动力电池批量退役时检测与分选效率低下的问题,提出一种基于容量增量分析(ICA)的退役磷酸铁锂(LiFePO4)电池分选方法.分析电池容量增量(IC)曲线特征与内部老化过程的关系,提出一致性特征量提取方法;结合模糊C均值聚类(FCM)方法,确定电池一致性分选方法.实验结果表明,IC特征一致性分选方法与传统容量-内阻分选方法相比,提高了退役电池分选的一致性和分选效率.此分选方法对电动汽车退役电池科学高效梯次利用有重要意义.     

基于老化机理分析退役磷酸铁锂电池分选方法

随着电动汽车保有量的逐年上升,退役电池梯次利用已经成为能源合理利用的必然趋势,可是在经历电动汽车复杂和严苛的工况运行后,构成电池组的单体内部老化程度不尽相同,外特性上也呈现出电池单体特性不一致。如果要进行退役电池梯次利用,首先要解决退役电池的无损检测和分选问题。以退役磷酸铁锂电池为研究对象,通过对电池的容量、内阻以及电池的容量增量(increment capacity,IC)曲线进行测试和分析,对磷酸铁锂电池内部的老化机理进行判别,提出基于老化机理分析的退役磷酸铁锂电池分选方法,并对该方法进行实验验证。结果表明,利用该方法分选出的电池所构成的电池组在电池组容量利用率和温度一致性方面都具有较好的效果。     

退役锂电池梯次利用主动均衡方法研究

针对退役锂电池数量多、不一致性严重等问题,提出基于Buck-Boost电路的分组双向主动均衡结构.以荷电状态(SOC)为均衡变量,电池小组内采用基于单电感的集中式均衡拓扑结构和均值-差值均衡算法,电池小组间采用分布式均衡拓扑结构和极差法及相邻差值法结合的均衡策略,分别实现电池小组内任意单体电池间均衡和相邻电池小组间均衡.12节退役电池的静置均衡和充电均衡实验结果表明,本文提出的均衡方法能快速有效地改善退役电池组的不一致性,均衡时间分别为98 min和87 min.     

一种基于集成机器学习的液态金属电池快速分选方法

电池分选方法能够有效降低电池间的不一致性，显著提升储能系统的性能、降低安全隐患。由于液态金属电池具有容量大、内阻小等特点，现有分选方法难以满足其分选的要求。针对现有分选方法耗时长、精度较低的问题，该文提出了一种基于集成机器学习的液态金属电池快速分选方法。该方法利用活化期的电池数据作为输入，通过特征选择和集成学习方法结合不同模型优势，并根据集成模型对预测得到的电池容量进行分选。与现有分选方法相比，该方法避免了额外的电池测试从而实现了快速分选，同时具有更低的预测误差与更好的可靠性。研究结果表明：相较于主流的分选方法，该分选方法的预测误差降低了52.16%，可靠性提升了9.10%，在电池分选上实现了高准确率和召回率，分别为96.62%和93.18%。在规模储能的电池分选中，该方法具有显著的潜在应用价值。     

基于电压曲线的退役电池模组分选方法

对退役电池进行梯次利用,关键是对其进行一致性分选。该文提出一种基于电压曲线,面向退役电池模组的一致性分选方法:综合考虑电池Rint等值电路和热累积、库伦效率、容量衰减和内阻增长等因素,构建多维参数的单体模型和模组模型;在此基础上,提出一种基于变换矩阵的一致性影响因素在电压曲线上表征方法;结合所构建单体模型和所提表征方法,在matlab/simulink仿真环境下搭建了串联模组仿真模型,分析了不同影响因素在电压曲线上表征的特点;选方法,并通过实验对其正确性和有效性进行验证。结果表明:所提分选方法可较好地实现退役电池模组一致性分选。     

退役LiFePO4电池梯次利用分选方法

针对LiFePO_4退役电池,设计了基于电池容量、平衡电动势与放电直流等效内阻的特性测试,提出了用于退役电池梯次利用的统一分选指标,并给出了分选指标与不同用户需求指标之间的对应关系。同时,提出了一种通过建立数据库、电池初选、电池测试以及梯次利用分选四个步骤组成的分选方法,并通过具体案例进行验证。     

最大可用容量和内阻实现锂离子电池快速筛选

针对目前锂离子电池初筛选方法存在耗时久、计算量大等问题,提出了一种快速获取电池最大可用容量和欧姆内阻的方法。通过该方法获取欧姆内阻:建立电池一阶RC等效电路模型;对电池进行一次动态工况放电实验;利用带遗忘因子的递推最小二乘法辨识模型欧姆内阻。最大可用容量是利用动态工况放电前后电量阶跃值和电池荷电状态(S OC)差值关系估算获得。通过实验测试验证了所提出方法 ,最大可用容量估算误差不超过1.3%,欧姆内阻估算误差不超过3%。将该方法用于电池筛选中,实验结果表明筛选时间相比传统筛选方法缩短了三分之一。该研究对锂电池初筛选有一定的实用价值。     

退役电池快速检测分类方法研究

随着大量锂离子电池从电动汽车上退役,对退役电池快速检测的研究迫在眉睫。针对传统方法因初始状态差异,导致电池在二次利用前的一致性检测时间较长问题,基于电池充电曲线提出了一种快速测试方法。通过将电池充电至截止电压保证电池具有相同的初始状态,而无需进行将电池放空以保证初始状态相同这一步骤,测试时间仅为电池完整充放电时间的12.5%,检测效率提高;提取特征后采用融合Canopy的K-means++聚类算法在NASA数据集和实验室电池上进行验证,聚类准确度达80.5%,证明了设计的快速测试方法的可行性。     

基于衰退速度预测的退役电池剩余价值优化方法

针对动力电池衰退规律的不一致性和梯次利用寿命短等问题,提出了基于衰退速度预测的退役电池剩余价值优化方法.首先,采用灰色预测和最小二乘支持向量机的组合挖掘电池历史使用数据,预测退役电池的衰退规律;其次,以退役电池利用效益最高为目标函数,兼顾退役电池的折损成本,提出了全寿命周期下退役电池组动态运行方案;最后,使用动态数据实...     

退役磷酸铁锂电芯性能研究

一致性分选是退役电池梯次利用的关键技术之一.本文以15A·h退役磷酸铁锂单体电池为研究对象,通过外部特征分析、容量测试、脉冲充放电测试来研究电池的内部及外部性质.研究结果表明,退役锂离子电池分选的第一步可通过外观检查进行初步快速筛选.对于退役电池实际容量的标定,按标称容量的80％来定义充放电电流I3,得到的退役电池实际容量更准确.脉冲放电电压是判断电池一致性的一个重要指标,可作为锂电池快速分选的特征指标.最后选出了电池健康度(SOH)在80％以上、脉冲放电电压在2.7V以上的电池作为工况良好的电池.     

主被动均衡技术及其在电池梯次利用中的应用

梯次利用退役动力锂电池不一致性更加明显,其电压、内阻、容量离散性更大,现有均衡技术不能满足要求。介绍了一种智能分时的主动被动协同均衡技术,该技术结合现有均衡技术的优点,能够实现对梯次利用电池的高效和快速均衡。验证结果表明,基于该技术的均衡电路能够满足电池梯次利用工作要求。     

梯次利用锂电池健康状态预测

从电动汽车中退役的锂电池在功能元件有效的情况下可进行梯次利用,针对退役锂电池处于离线状态且单体电池之间存在性能差异等问题,以锂电池欧姆内阻为研究对象,设计适用于梯次利用锂电池性能测试工况。基于锂电池一阶RC等效电路模型,研究基于增量式自回归模型(IARX)的健康特征数据提取方法,以此构建均值内阻、最小内阻和内阻-荷电状态(SOC)三种健康因子,建立健康寿命模型,提出基于多模型数据融合技术的锂电池健康状态(SOH)预测方法。实验和仿真结果表明:所建健康寿命模型适用于预测同种类退役锂电池SOH,验证了模型的有效性;基于多模型数据融合技术有利于提高锂电池SOH预测精度,验证了此方法的可行性。     

光伏发电锂电池储能均衡方法的研究

针对光伏发电锂电池储能系统存在的电池不一致性问题,给出了一种基于电感主动均衡控制模块的滞环均衡控制策略。该方法可以满足各单体电池间均衡的要求,同时可实现单体电池电压最高的电池的能量向电池组内其它电池输送,给出了具体的单体电池电压采集电路。实验结果表明,经均衡控制后,降低了电池容量的不一致性,达到了预期的均衡效果。     

基于充放电曲线的锂电池智能分选系统研究

针对目前国内锂离子电池检测分选功能不完善、精度不高的问题,在研究化成框系统基础上,设计了电池充放电曲线采样模块,提出基于充放电曲线的智能分选算法.实验证明,实现了化成电池智能分组功能,该算法适用于锂电池生产中的智能分选需要.     

面向电池梯次利用筛选需求的定制化聚类优化方法

灵活、高效的退役电池一致性筛选技术是制约退役电池大规模集成应用的关键技术之一。为了更好地满足不同应用场景对退役电池特定性能一致性的筛选要求,提出一种基于退役电池性能特征和智能优化算法的定制化聚类筛选方法。相较于传统的退役电池筛选方法,该方法首先在退役电池特征参数的基础上通过定制面向服务要求的多种目标函数,可以提升退役电池一致性筛选的灵活性。然后,提出基于聚类思想的改进遗传智能优化筛选策略,实现对退役电池样本的全局优化筛选。最后,通过分析对比3种目标函数的聚类优化结果,验证了所提方法可以有针对性地实现退役电池的有效筛选,有利于形成不同类别电池的筛选边界,实现待测电池归属的快速判断。