基于深度嵌入聚類算法的梯次電池主動協(xié)同

李志強，阮佳楠，王克飛

(國能信控互聯(lián)技術(shù)有限公司，北京 100089)

梯次電池利用是指電池在一次應用退役后，利用相應科學處理手段將其應用于對電池要求較低的領(lǐng)域中[1]。為滿足梯次電池實際應用過程中電池容量與功率的需求，通常將單體電池串聯(lián)成組。在串聯(lián)成組前，各單體電池的容量與內(nèi)阻等參數(shù)各有差異，電池均衡控制是解決電池組不一致性問題的關(guān)鍵[2]。文獻[3-4]都采用K均值聚類方法進行聚類分組，但選取的健康因子不同，文獻[3]的容量利用率為90%以上，而且文獻[4]從梯次電池單體充放電電壓和容量角度來說明分組效果。文獻[5]介紹了一種智能分時的主動被動協(xié)同均衡技術(shù)，其電壓、內(nèi)阻、容量離散性得到控制，但硬件電路的修改導致方案成本偏高，不適用于大規(guī)模梯次電池利用。文獻[6]建立電動汽車風電協(xié)同利用模型，采用線性遞減慣性權(quán)值的改進粒子群算法，加入了電動汽車電池剩余容量和充放電功率的約束條件，該算法可應用于大規(guī)模梯次電池利用場景。

梯次電池參數(shù)的不一致性易導致梯次電池利用出現(xiàn)過充過放現(xiàn)象，降低梯次電池組的容量和使用壽命，將梯次電池重新成組方法與均衡策略相結(jié)合可以簡化均衡策略，提升均衡效果。上述文獻中對均衡策略的研究沒有結(jié)合具體的分組成組方法，忽略了在均衡策略中重新成組對其改善一致性效果的影響。為此，本文設計了基于深度嵌入聚類算法的梯次電池利用主動協(xié)同模型，利用深度嵌入聚類算法劃分電池組別，根據(jù)組間主動協(xié)同判據(jù)，采用主動協(xié)同模型實現(xiàn)梯次電池主動協(xié)同。

1 梯次電池主動協(xié)同模型設計

1.1 基于聚類算法的梯次電池串聯(lián)成組方法

1.1.1 深度嵌入聚類算法

深度嵌入聚類算法的設計分三個步驟，首先通過自動編碼器壓縮電池數(shù)據(jù)；其次以編碼器為支撐的聚類層將編碼器的壓縮數(shù)據(jù)作為輸入，輸出聚類結(jié)果；最后通過訓練聚類模型優(yōu)化聚類層與編碼器的參數(shù)，實現(xiàn)模型優(yōu)化。

為實現(xiàn)梯次利用，電池串聯(lián)成組，自動編碼器對電池數(shù)據(jù)實施預訓練，通過采集編碼器壓縮數(shù)據(jù)部分的訓練模型，以非線性映射fθ：X→T將數(shù)據(jù)空間X轉(zhuǎn)換至低維特征空間T，同時將權(quán)重參數(shù)δ 作為神經(jīng)網(wǎng)絡初始參數(shù)，定義一個兩層神經(jīng)網(wǎng)絡：

以自動編碼器為支撐的聚類層利用定義的一致度計算公式將輸入數(shù)據(jù)(自動編碼器輸出的嵌入數(shù)據(jù)點）轉(zhuǎn)換為聚類軟分配度輸出。

以λj表示特征空間T內(nèi)的中心點，深度嵌入聚類算法內(nèi)λj自身與其周邊的點間的一致度服從t分布?；诖?，可通過t分布為核判斷嵌入點與λj的一致度，獲取嵌入點ti同中心點λj的軟分配度qij，公式描述如下：

式中：ti=fθ(xi)∈T和α 表示xi∈X嵌入特征空間T獲取的點和t分布的自由度。由于訓練過程無法獲取α 最優(yōu)值，因此設定α值為1。

將軟分配度q提升至二次冪，令分布對高置信度數(shù)據(jù)樣本的敏感度更高；為防止大聚類組干擾隱藏特征空間，依照不同聚類組的頻率實施歸一化處理；通過標準化處理獲取目標部分情況。用式(3)描述目標概率分布：

在上述所示的高置信分布中學習，其中，模型期望軟分配度的概率分布qi等同于輔助目標分布pi，基于此，利用式(4)描述qi與pi間的KL散度的損失函數(shù)L：

1.1.2 梯次電池串聯(lián)成組

為了提升相同組內(nèi)電池一致度，梯次電池串聯(lián)成組時，分組過程無依據(jù)，基于深度嵌入聚類算法的描述，可利用深度嵌入聚類算法實現(xiàn)電池串聯(lián)成組。

在獲取梯次電池的容量與內(nèi)阻等數(shù)據(jù)信息后，選取中間值法對數(shù)據(jù)實施歸一化處理，中間值法歸一化處理過程如下：

將上述過程獲取的梯次電池歸一化數(shù)據(jù)作為深度嵌入聚類算法應用的初始數(shù)據(jù)，通過深度嵌入聚類算法可有效劃分梯次電池組別，為梯次電池主動協(xié)同提供基礎支持。

1.2 組間主動協(xié)同模型設計

1.2.1 組間主動協(xié)同判據(jù)

在制定梯次電池組間主動協(xié)同策略時，需要引入統(tǒng)計學量：全體梯次電池組的荷電狀態(tài)(SOC)均值和中心極差β。

SOC均值可體現(xiàn)梯次電池組內(nèi)含電量，依據(jù)SOC均值能夠判斷梯次電池組間的協(xié)同性。在某梯次電池組的SOC均值與差值差異未達到既定閾值標準的條件下，需進行梯次電池組間協(xié)同操作。SOC均值計算公式如下：

式中：SOCavn表示第n個梯次電池組的SOC均值。

中心極差β 體現(xiàn)單個梯次電池組SOC均值同整體梯次電池組SOC均值間差值上限[7]，主要功能是判斷梯次電池組間的協(xié)同性。在中心極差β 高于既定閾值條件下，需進行梯次電池組間協(xié)同操作。中心極差β 計算公式如下：

梯次電池組間主動協(xié)同策略對中心極差要求較高，考慮應用對象為梯次電池，利用深度嵌入聚類算法將若干節(jié)梯次電池設為一個組別，實施組別間協(xié)同時，可保障組別間的一致度較高，確保全部電池的中心極差β 值較低，整體電池組具有較高一致度，在制定電池組間協(xié)同模型啟停條件時設定：在梯次電池中心極差β 與組間SOC均值的比值高于2.5%時啟動協(xié)同模型進行主動協(xié)同控制；在低于2.5%時停止協(xié)同模型。

1.2.2 主動協(xié)同模型

采用雙向DC-DC 分布式主動協(xié)同拓撲結(jié)構(gòu)，滿足相鄰單體間能量雙向流動需求，設計梯次電池主動協(xié)同模型，協(xié)同過程如圖1 所示。

圖1 梯次電池主動協(xié)同流程

梯次電池主動協(xié)同模型由三個主要環(huán)節(jié)構(gòu)建。

第一環(huán)節(jié)：確定各單體梯次電池的SOC均值，基于梯次電池單體的SOC均值確定不同組別梯次電池SOC均值?；谑?9)確定整體梯次電池組SOC均值，利用式(10)確定整體梯次電池組中心極差β 值，對比獲取的SOC均值、β 值和各值既定閾值，判斷是否需要實施主動協(xié)同操作。

第二環(huán)節(jié)：若判斷結(jié)果顯示需實施主動協(xié)同操作，則依照SOC均值將各梯次電池組別從低至高進行排序[8]，獲取梯次電池組間的協(xié)同路徑。

組間協(xié)同電路選取分布式主動協(xié)同拓撲結(jié)構(gòu)，滿足相鄰梯次電池單體間能量雙向流動需求。設定全部梯次電池分為三個組別，不同組別間SOC均值對比結(jié)果有下述六種形式：

(1)SOCav1>SOCav2>SOCav3；

(2)SOCav1>SOCav3>SOCav2；

(3)SOCav2>SOCav1>SOCav3；

(4)SOCav2>SOCav3>SOCav1；

(5)SOCav3>SOCav2>SOCav1；

(6)SOCav3>SOCav1>SOCav2。

基于對以上六種情況的分析，可將主動協(xié)同過程大致分為兩種類型[9]：直接協(xié)同和間接協(xié)同。情況(2)～(4)和(6)均為相鄰電池組間能量傳遞，因此可采用直接協(xié)同，僅需導通與關(guān)斷對應開關(guān)管即可。情況(1)和(5)需進行電池組1 和電池組3 間的能量傳遞，考慮電池組1 和電池組3 并不相鄰，因此需要電池組2 作為中間媒介，進行間接協(xié)同傳遞能量。

第三環(huán)節(jié)：確定不同電池組別間的協(xié)同狀態(tài)，當不同電池組別的SOC均值的中心極差滿足既定閾值要求，即可結(jié)束組間協(xié)同；若不滿足閾值要求，則返回第一環(huán)節(jié)。

2 實驗分析

為驗證本文設計的基于深度嵌入聚類算法的梯次電池主動協(xié)同模型的應用性能，進行模型應用測試，以16 個單體退役電池為研究對象。

2.1 聚類性能測試

為評價本文模型中聚類算法的具體性能，將聚類數(shù)目設定為梯次電池的自然分類數(shù)目，通過聚類標準率ACC[式(11)]對本文模型中的梯次電池聚類性能進行評價。

式中：li、m和ci分別表示實際分類標簽、聚類結(jié)果與實際分類標簽間的1 對1 映射和本文模型獲取的聚類結(jié)果。

以文獻[5]中基于主被動均衡技術(shù)的協(xié)同模型和文獻[6]中基于優(yōu)化調(diào)度策略的協(xié)同模型為對比模型，驗證本文模型的性能優(yōu)勢，結(jié)果如表1 所示。本文模型在實際應用過程中對不同目標數(shù)量的聚類精度均在96%以上，且始終高于其它兩種對比模型，由此說明本文模型具有較高的聚類精度。

表1 不同模型在不同目標數(shù)量下的聚類精度 %

2.2 串聯(lián)成組測試

在測試本文模型梯次電池串聯(lián)成組性能時，采用容量利用率的方法，利用本文模型進行聚類，將所選16 個單體電池串聯(lián)成組，聚類結(jié)果顯示全部單體電池共串聯(lián)為4 個組別。

在容量最小的單體電池無法首先充滿電與放完電的條件下，電池組容量利用率無法最大化，因此可選取容量利用率作為判斷梯次電池利用中電池組性能的指標。用電池組的可用容量上限值與組內(nèi)容量最小的單體電池可用容量的比值定義所選16個單電池串聯(lián)形成的電池組的容量利用率φ：

式中：Qm和Qc分別表示電池組的可用容量上限值和組內(nèi)容量最小的單體梯次電池可用容量。

獲取電池的相關(guān)數(shù)據(jù)，代入式(12)中，獲得本文模型中各串聯(lián)模組的容量利用率，結(jié)果如表2 所示。四個電池模組的容量利用率均在92%以上，滿足電池組容量利用率實際應用需求，由此說明本文模型能夠有效劃分電池組。

表2 不同串聯(lián)模組容量利用率

2.3 主動協(xié)同性能測試

為定量分析本文模型的主動協(xié)同性能，采用描述電池組差異程度的參數(shù)ξ 作為判斷本文模型主動協(xié)同性能的指標，其值越小，說明協(xié)同性能越好。ξ 計算公式如下：

設定梯次電池主動協(xié)同的不同工況：靜止狀態(tài)和充電狀態(tài)。

工況一：靜止狀態(tài)。利用開路電壓法，檢測上一實驗中4組電池中各單體電池的SOC值，檢測結(jié)果如圖2(a)所示。借助實驗室平臺，利用本文模型對4 組電池實施主動協(xié)同操作，驗證模型的主動協(xié)同性能，結(jié)果如圖2(b)所示。

由圖2 可知，協(xié)同后，電池組內(nèi)各單體電池的SOC值差異顯著降低，根據(jù)實驗工況下的相關(guān)參數(shù)，利用式(13)分別計算本文模型協(xié)同前后電池組的差異度，得到本文模型協(xié)同前電池組的差異度為0.067，本文模型協(xié)同后電池組的差異度為0.016，與協(xié)同前相比降低0.051。由此可知在靜止狀態(tài)下，利用本文模型對電池進行主動協(xié)同后，梯次電池利用過程中電池組整體一致性得到明顯提升。

圖2 靜止狀態(tài)下本文模型協(xié)同前后SOC分布情況

工況二：充電狀態(tài)。在室內(nèi)常溫環(huán)境中，將上述工況一條件下均衡后的電池以0.1C恒流放電，至電池組內(nèi)某電池放電至截止電壓，靜置4 h 后獲取各電池的荷電狀態(tài)并實施記錄，將其作為各電池的初始SOC值，如圖3(a)所示。通過充電機以0.08C恒流對不同電池進行充電，并利用實驗平臺對電池組實施主動協(xié)同控制，獲取充電完成后電池的SOC分布情況，結(jié)果如圖3(b)所示。

圖3 充電狀態(tài)下本文模型協(xié)同前后SOC分布情況

由圖3 可知，恒流充電工況下，協(xié)同后，電池組內(nèi)各單體電池的SOC值差異顯著降低，根據(jù)充電工況下的相關(guān)參數(shù)，利用式(13)分別計算本文模型協(xié)同前后電池組的差異度，得到本文模型協(xié)同前電池組的差異度為0.073，本文模型協(xié)同后電池組的差異度為0.024，與協(xié)同前相比降低0.049。由此可知，在充電狀態(tài)下，利用本文模型對梯次電池利用過程中的電池組進行主動協(xié)同后，電池組的整體一致性得到明顯提升。

3 結(jié)論

本文設計了基于深度嵌入聚類算法的梯次電池主動協(xié)同模型，對比智能分時的主被動協(xié)同模型和基于改進粒子群算法的優(yōu)化調(diào)度協(xié)同模型，從梯次電池重新分組的聚類性能角度證明了該方法的優(yōu)越性。靜止狀態(tài)下，本文模型協(xié)同后電池組的差異度為0.016，與協(xié)同前相比降低0.051；充電狀態(tài)下，本文模型協(xié)同后電池組的差異度為0.024，與協(xié)同前相比降低0.049，可以有效降低電池串聯(lián)成組后電池組的差異程度，提升梯次電池組應用性能?？紤]到不同成組方法與協(xié)同策略相互之間的適用性和應用場景對模型性能的影響，在后續(xù)研究中將主要針對本文模型的應用效率與可擴展性進行優(yōu)化，以期提升本文模型實際應用效果。