线上配资全国招商 广西大学机械工程学院智能制造研究团队研究成果：基于自适应模糊C-均值算法的退役锂离子电池快速聚类

　　《汽车工程》2024年第4期发表了广西大学机械工程学院智能制造研究团队研究成果"基于自适应模糊C-均值算法的退役锂离子电池快速聚类"一文。为准确反映退役电池的一致性，论文提取最大可用容量（MAC）、放电欧姆内阻（DOIR）和容量增量曲线的弗雷歇距离（FD）三个因素共同作为聚类因子，并将三个聚类因子结合自适应模糊C-均值（AFCM）算法构建退役电池聚类方法。结果表明，AFCM算法聚类簇内MAC的最大误差为79mAh，DOIR小于45mΩ；三因素的聚类方法成组的电池一致性较好；并且在117颗电池聚类时，AFCM算法聚类耗费的时间最短。

　　一、研究背景

　　对退役锂离子电池（LiBs）采用梯次利用，通过筛选重组，将电池应用于其他低应力场景，具有重大的经济和社会价值。梯次利用的核心是快速高效的对退役LiBs进行聚类，并对聚类后的电池进行合理的重新分组，实现二次利用。其中，退役LiBs分类最重要的是提高聚类过程的速度、准确性和合理性，这直接决定了梯次利用的经济性、可循环性和安全性。然而，现有的研究成果仍存在聚类因子提取耗时长和难以反映退役LiBs特性等问题。

　　二、研究内容

　　1. 聚类因子分析：针对聚类因子提取耗时和难以反映退役LiBs特性等问题，论文采用三个指标作为聚类因子：

　　（1）容量：以充电数据为指标，利用数据驱动方法快速估算，避免花费时间较长的容量测试。

　　（2）内阻：在满充时刻，采用混合脉冲功率特性测试（HPPC）方法提取内阻，避免建立电池模型。

　　（3）IC曲线相似度：建立退役 LiBs标准充电IC曲线，利用弗雷歇距离（FD）表示IC曲线相似度。避免IC曲线提取过程中的小电流放电和特征峰计算。

　　2. 自适应模糊C-mean（AFCM）聚类方法：针对聚类算法训练时间长和聚类不准确等缺点，论文提出了自适应模糊C-mean聚类方法。该方法不需提前训练数据集，也不需预设聚类的簇数和聚类中心线上配资全国招商，能够有效减少时间成本。

　　3. IC曲线相似度：论文采用IC曲线相似度来作为退役LiBs聚类的聚类因子。利用FD表示IC曲线的相似度，不同FD能表达退役LiBs的IC曲线相似度，分辨降解程度和电化学行为相似的退役LiBs。

　　图1 退役三星电池不同FD区间的IC曲线

　　4. 实验平台与测试流程：该研究建立的实验平台包括：电池充放电系统、高低温实验箱、上位计算机和锂离子电池。论文使用提取的聚类因子结合自适应模糊C-均值对退役LiBs进行聚类。

　　图2 退役锂离子电池聚类模型框架

　　三、研究结果

　　1. 退役锂离子电池三因聚类：聚类簇内MAC的最大误差为79mAh，DOIR小于45mΩ，无论是最大误差还是平均误差，都优于K-mean方法聚类的结果。这表明利用AFCM算法三因素聚类准确性存在优势。

　　图3 三因素AFCM算法聚类结果

　　表1 不同算法聚类结果误差

　　2. 退役锂离子电池聚类效率分析：一方面，相较于实验室容量测试方法，聚类方法基于充电曲线快速估算电池容量，极大的提高筛选的效率。另一方面，AFCM属于自适应的无监督分类，不需要对聚类数和聚类中心进行人为调整。通过合理假设，对比AFCM、硬聚类（K-means）和传统容量检测法（TCTM）三种方法的聚类时间，在相同条件下，AFCM聚类所花费的时间少于TCTM和K-means方法，说明采用AFCM算法能够有效提高退役LiBs聚类的效率。

　　图4 不同聚类方法花费时间对比

　　3. 退役锂离子电池聚类电池组实验验证：三因素的聚类方法成组的电池一致性最好，双因素聚类的电池一致性要优于单因素而小于三因素。

　　表2 不同因子聚类的电池组编号

　　图5 不同电池组各单体电池电压

　　四、创新点和意义

　　针对退役锂离子电池的梯次利用处理问题，论文提出了AFCM聚类方法，该算法不需提前训练数据集，也不需预设聚类的簇数和聚类中心，有效的减少了时间成本。该研究具有重要的理论意义和工程应用价值。