[发明专利]基于K均值聚类的动力电池组不一致性诊断方法及系统

说明书

本公开提供了一种基于K均值聚类的动力电池组不一致性诊断方法及系统，其属于动力电池组技术领域，所述方案包括：获取各电池单体的电压均值和标准差；以各电池单体的电压均值和标准差作为数据集，基于K‑means聚类算法对所述数据集聚类为若干簇；其中，每个电池单体的电压均值和标准差作为一个数据点坐标值；计算每个电池单体所构成数据点到其所属簇中心的距离；基于所述距离值与预设阈值的比较结果，判断当前电池单体是否异常，实现动力电池组的不一致性诊断。

技术领域

本公开属于动力电池组技术领域，尤其涉及一种基于K均值聚类的动力电池组不一致性诊断方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

动力电池在实际使用过程中，为了满足功率和能量的需求，电池通常串并联成组使用。电池组在使用过程中各单体的电压、内阻、容量、温度等性能参数和SOC、SOH等工作状态存在差异，即为电池组的不一致性问题。造成动力电池组不一致性的原因主要来自两个方面，可以概括为内因和外因。内因是指在电池生产制造过程中，由于制造工艺繁多复杂，在配料、涂布、装配等各个生产环节都不可避免出现偏差，造成单体间的差异，而且这种不一致问题是无法消除不可逆转的，即这是造成不一致性问题的“先天因素”。造成电池不一致性的外因是指电池成组后的工作环境不同，导致不同单体发生不同程度的电化学反应，性能参数也随之不同，造成单体电池的不一致性，这是造成不一致性问题的“后天因素”。

动力电池单体之间的不一致性是影响电池组性能的重要因素，不一致性较差的电池组可用容量较小，循环使用次数减少，电池组整体寿命缩短，更为严重的是造成个别单体发生过充过放，长时间会引起电池升温损坏，乃至起火爆炸发生安全事故。因此，针对动力电池组不一致性的诊断是十分必要的。

异常检测作为数据挖掘中常用的技术手段，它的任务是发现数据集中与大部分对象不同的对象，即异常对象，异常检测方法根据是否使用类标号以及类标号的使用程度可以分为以下三类：监督的、半监督的和非监督的异常检测方法。传统的异常检测算法主要包括：基于统计的异常检测算法、基于距离的异常检测算法、基于密度的异常检测算法、基于深度的异常检测算法和基于聚类的异常检测算法。

发明人发现，动力电池组的不一致性诊断方法大多是基于电池模型的方法，这种方法需要建立精确可靠的电池模型，通过比较实测值与电池模型预测值来进行不一致性诊断，但它一方面建模复杂成本较高，另一方面在工程上应用难度较大。

发明内容

本公开为了解决上述问题，提供了一种基于K均值聚类的动力电池组不一致性诊断方法及系统，所述方案基于K-means聚类的异常检测算法对动力电池组的不一致性进行诊断，不需要复杂的建模，能够快速准确的找到动力电池组中的不一致单体。

根据本公开实施例的第一个方面，提供了一种基于K均值聚类的动力电池组不一致性诊断方法，包括：

获取各电池单体的电压均值和标准差；

以各电池单体的电压均值和标准差作为数据集，基于K-means聚类算法对所述数据集聚类为若干簇；其中，每个电池单体的电压均值和标准差作为一个数据点坐标值；

计算每个电池单体所构成数据点到其所属簇中心的距离；

基于所述距离值与预设阈值的比较结果，判断当前电池单体是否异常，实现动力电池组的不一致性诊断。

进一步的，所述获取各电池单体的电压均值和标准差，具体为：提取动力电池组中各单体电压曲线，基于所述电压曲线计算电压均值和标准差。

进一步的，所述基于K-means聚类算法对所述数据集聚类为若干簇，具体为：从所述数据集中随机选择若干点作为初始聚类中心；计算剩余数据点到各个聚类中心的距离，将每个数据点划分到距离最近的聚类中心代表的簇；选择每个簇内数据点的均值作为新的聚类中心；迭代预设次数，获得最终的聚类结果。