基于離群點(diǎn)檢測(cè)的動(dòng)力電池一致性快速辨識(shí)方法

黃彧,王占國(guó),張言茹 ,王瑞,張維戈

(1.北京交通大學(xué) 電氣工程學(xué)院,北京 100044; 2.國(guó)家能源主動(dòng)配電網(wǎng)技術(shù)研發(fā)中心,北京 100044)

0 引 言

產(chǎn)生動(dòng)力電池不一致性的主要原因有兩方面[1-3],首先是在生產(chǎn)過程中,由于生產(chǎn)條件和工藝等因素,通過配料、涂膜、裝配、化成等步驟,成批次生產(chǎn)的單體電池本身在尺寸、微孔率等方面具有不一致性;其次在單體電池成組后,由于其在成組中位置分布不同導(dǎo)致散熱率等環(huán)境因素不同,會(huì)在運(yùn)行使用過程中對(duì)單體電池的性能變化產(chǎn)生不同的影響,從而進(jìn)一步加速成組電池不一致性的發(fā)展[4]。

電池不一致性受多方面因素影響,包括容量、內(nèi)阻、自放電率等。電池包的容量變化服從木桶效應(yīng),由容量最低的單體決定,容量不一致性越大對(duì)成組影響越嚴(yán)重。在車輛行駛過程中,需定時(shí)對(duì)車輛一致性進(jìn)行檢測(cè),便于發(fā)現(xiàn)危險(xiǎn)單體及早排除,改善一致性以實(shí)現(xiàn)機(jī)動(dòng)車使用價(jià)值最大化[5-7]。

關(guān)于電池組一致性的衡量和辨識(shí)方式,現(xiàn)有研究較為豐富。按照研究?jī)?nèi)容分類,主要分為對(duì)內(nèi)特性參數(shù)和外特性參數(shù)的研究。其中內(nèi)特性參數(shù)包括內(nèi)阻、容量、電化學(xué)阻抗譜、極化電壓;外特性參數(shù)包括充放電電壓分布、充放電電壓序列、SOC(State of Charge;電池可用容量和額定容量的百分比)、OCV(Open-circuit Voltage)曲線等。在基于不同參數(shù)的一致性辨識(shí)方法中,使用內(nèi)特性參數(shù)的方法涉及測(cè)量過程一般較復(fù)雜,耗時(shí)與計(jì)算量相對(duì)較多,更能代表電池內(nèi)部特性;使用外特性參數(shù)的方法,一般參數(shù)測(cè)量較簡(jiǎn)單,可在一定程度上描述電池組一致性狀態(tài)[8-13]。

按照研究方法分類,對(duì)一致性的評(píng)估辨識(shí)方法包括測(cè)量分析方法、統(tǒng)計(jì)分析方法、數(shù)據(jù)聚類分簇方法、神經(jīng)網(wǎng)絡(luò)法等等?；跍y(cè)量、統(tǒng)計(jì)的一致性辨識(shí)方法結(jié)果與參數(shù)測(cè)量精度、參與辨識(shí)參數(shù)類型、分類標(biāo)準(zhǔn)與閾值緊密相關(guān),評(píng)選標(biāo)準(zhǔn)確定后,辨識(shí)結(jié)果是固定的;在使用聚類、神經(jīng)網(wǎng)絡(luò)的辨識(shí)方法中,選用模型與訓(xùn)練參數(shù)輸入會(huì)對(duì)辨識(shí)結(jié)果造成較大影響,辨識(shí)能力會(huì)隨著訓(xùn)練數(shù)據(jù)的變化和學(xué)習(xí)模型的自我修正而不斷變化[14-20]。

1 異常單體表現(xiàn)

1.1 容量異常

容量偏低單體在放電過程中比其他單體電壓降低更快,在充電過程中電壓上升更快,即電量更易耗盡和更易充滿。容量偏低單體電壓在充電過程的表現(xiàn)為:充電前期在整組中偏低,在充電過程中其電壓快速提升,在充電后期其電壓在整組中偏高。充電過程中容量偏低單體相較整組的變化趨勢(shì)可參考圖1,其中黑色粗曲線為容量偏低單體。

圖1 容量異常單體在電池組表現(xiàn)

1.2 內(nèi)阻異常

電池的極化電阻在充電過程中不易直接得出,但其歐姆電阻可通過電池上電過程中的電壓差值近似計(jì)算得到。在電池組上電的短時(shí)間內(nèi)電壓差變化較大的單體,其對(duì)應(yīng)內(nèi)阻較大。內(nèi)阻偏大單體在上電期間電壓的變化趨勢(shì)如圖2所示,其中黑色粗曲線為內(nèi)阻偏大單體。

圖2 內(nèi)阻異常單體在上電區(qū)間表現(xiàn)

1.3 SOC異常

鋰電池放電曲線為非線性,SOC會(huì)受駕駛習(xí)慣,環(huán)境溫度等多種復(fù)雜條件影響,其測(cè)量也必須經(jīng)過一些其他物理量的測(cè)量,基于相關(guān)電路模型或數(shù)學(xué)工具借助復(fù)雜算法得到。但SOC偏移單體在整組電池中的表現(xiàn)是可直觀觀察到的,如圖3,其中黑色粗曲線為SOC偏高單體。

圖3 SOC異常單體在電池組表現(xiàn)

2 離群點(diǎn)檢測(cè)算法相關(guān)介紹

2.1 離群點(diǎn)算法原理簡(jiǎn)介

離群點(diǎn)檢測(cè)發(fā)展至今,已廣泛運(yùn)用于多個(gè)社會(huì)領(lǐng)域,例如:數(shù)據(jù)庫異常分析、生產(chǎn)監(jiān)測(cè)、故障診斷等;其算法理論研究也相當(dāng)豐富,較為主流的檢測(cè)方法包括:基于統(tǒng)計(jì)的離群點(diǎn)檢測(cè)、基于距離的離群點(diǎn)檢測(cè)、基于聚類的離群點(diǎn)檢測(cè)、基于分類的離群點(diǎn)檢測(cè)、基于密度的離群點(diǎn)檢測(cè)[21-22]。

(1)基于統(tǒng)計(jì)的離群點(diǎn)檢測(cè)

離群點(diǎn)檢測(cè)最早出現(xiàn)在統(tǒng)計(jì)領(lǐng)域?；诜植嫉姆椒ㄊ怯梢阎獢?shù)據(jù)特性假設(shè)給定的數(shù)據(jù)集符合某種概率分布模型,或從已知的數(shù)據(jù)集中尋找其符合的概率分布模型, 然后使用這個(gè)模型來對(duì)數(shù)據(jù)進(jìn)行匹配,與分布模型不匹配的數(shù)據(jù)點(diǎn)被識(shí)別成為離群點(diǎn)。

其經(jīng)典檢測(cè)方法為基于正態(tài)分布的離群點(diǎn)檢測(cè)方法。

(2)基于距離的離群點(diǎn)檢測(cè)

E.Knorr和R.Ng在眾多研究成果的基礎(chǔ)上最先給出了基于距離的離群點(diǎn)檢測(cè)的定義:如果對(duì)象O在數(shù)據(jù)集N中有大于P部分的對(duì)象與它的距離都大于D,那么就將對(duì)象O稱為數(shù)據(jù)集N上的DB(P,D)離群點(diǎn)。該定義中參數(shù)P代表的是與數(shù)據(jù)點(diǎn)O的距離大于D的所有數(shù)據(jù)點(diǎn)占數(shù)據(jù)集總數(shù)的比例的最小值。

基于k鄰居距離來判斷是否離群還有幾種經(jīng)典算法:

Top-n-Outlier:如果一個(gè)數(shù)據(jù)集具有N個(gè)對(duì)象,給定對(duì)象離群程度的計(jì)算公式,計(jì)算每個(gè)對(duì)象的離群得分,離群得分最高的n個(gè)對(duì)象就是所求離群點(diǎn)。

Top-n Dk-Outlier:數(shù)據(jù)集O中那些到其第k個(gè)最近鄰居的距離Dk最大的n個(gè)對(duì)象就是離群點(diǎn)。

Top-n wk-Outlier: 數(shù)據(jù)集O中那些與其k個(gè)最近鄰居的距離之和wk最大的n個(gè)對(duì)象就是離群點(diǎn)。

這些基于距離的離群點(diǎn)方法比較簡(jiǎn)單,但對(duì)參數(shù)選取比較敏感,算法時(shí)間復(fù)雜度較高。由于高維空間數(shù)據(jù)的高度稀疏性使得數(shù)據(jù)點(diǎn)之間幾乎是等距離的,其不適用于高維數(shù)據(jù)集。

(3)基于聚類的離群點(diǎn)檢測(cè)

其核心思想為:如果一個(gè)對(duì)象不屬于任何簇,則該對(duì)象是基于聚類的離群點(diǎn)。

基于聚類離群點(diǎn)挖掘的主要優(yōu)點(diǎn)是:

1)由于對(duì)聚類的研究成果比對(duì)離群點(diǎn)的研究成果更多,而且有些聚類技術(shù)(如k均值)的時(shí)間和空間復(fù)雜度是線性或接近線性的,因而基于這種算法的離群點(diǎn)檢測(cè)技術(shù)是可行和高度有效的;

2)簇的定義通常是離群點(diǎn)的補(bǔ)集,因此可同時(shí)發(fā)現(xiàn)簇和離群點(diǎn)。

其主要缺點(diǎn)是:

1)聚類算法的主要目標(biāo)是發(fā)現(xiàn)簇,而不是發(fā)現(xiàn)離群點(diǎn),因此對(duì)離群點(diǎn)的挖掘效率較低;

2)在聚類過程中,為了避免離群點(diǎn)對(duì)聚類的影響,不同算法采用了適合特定數(shù)據(jù)類型的方法,因此算法的針對(duì)性很強(qiáng),必須小心地選擇聚類算法;

3)基于聚類的離群點(diǎn)挖掘算法依賴于所有簇的個(gè)數(shù)和數(shù)據(jù)中離群點(diǎn)的存在性。

2.2 離群檢測(cè)在動(dòng)力電池的應(yīng)用

現(xiàn)有的動(dòng)力電池故障預(yù)警研究中已使用了離群點(diǎn)相關(guān)的概念,在搭建的動(dòng)力電池狀態(tài)參數(shù)檢測(cè)系統(tǒng)中,借由容量增量分析法中得到的代表電池特性的特征參數(shù)進(jìn)行離群點(diǎn)檢測(cè),篩選有異常離群現(xiàn)象的單體電池[23-24]。

在動(dòng)力電池性能研究中,容量增量分析法(Incremental Capacity Analysis,ICA)為現(xiàn)行使用較為廣泛的一種研究方法。其借助電池容量增量曲線(IC曲線),如圖4所示,將電池平臺(tái)區(qū)內(nèi)的細(xì)微變化反映出來。在圖4(a)中可觀察到,鋰電池平臺(tái)期變化緩慢且占據(jù)容量增加過程的主要區(qū)間,該過程是富鋰相和貧鋰相兩相共存狀態(tài)的反映,是鋰電池內(nèi)部特性的主要體現(xiàn);具體地,在三元鋰離子電池的整個(gè)充電過程中,正極的反應(yīng)過程主要為鎳離子(Ni+)由二價(jià)離子(Ni2+)轉(zhuǎn)化為三價(jià)離子(Ni3+),和三價(jià)離子(Ni3+)轉(zhuǎn)化為四價(jià)離子(Ni4+)這兩個(gè)反應(yīng);而負(fù)極反應(yīng)過程為石墨(碳)的五個(gè)狀態(tài)(C6、C12、C18、C36、C72)之間的四次相變。

圖4 鋰離子電池電壓曲線和容量增量曲線

從圖4(b)可得到,在平臺(tái)期對(duì)應(yīng)的電壓區(qū)間,通過容量增量處理,可明顯觀察到兩個(gè)IC峰的形成,IC峰的峰值、位置、寬度、包含面積等都與鋰電池內(nèi)部特性相關(guān)聯(lián),可對(duì)應(yīng)相關(guān)鋰電池的容量、內(nèi)阻等重要性能參數(shù)。

現(xiàn)有的電池故障預(yù)警模型在已知IC曲線中的特征參數(shù)中選取相關(guān)系數(shù)不大的主峰峰值、主峰位置作為特征信息,基于正常電池衰退過程的特征信息分布軌跡散點(diǎn)圖,劃定鋰電池帶狀安全區(qū)域,在動(dòng)力電池特征信息位置超出安全區(qū)域時(shí)提出故障預(yù)警。其中電池安全區(qū)域位置的確定和區(qū)域面積的劃分,使用的便是基于正態(tài)分布的離群點(diǎn)檢測(cè)原理。此方法可在一定程度上有效預(yù)警電池故障,但其需要大量的電池充電實(shí)驗(yàn)得到電池的安全運(yùn)行區(qū)間帶,在檢測(cè)時(shí)為得到電池的IC曲線需要經(jīng)過大量濾波工作,會(huì)耗費(fèi)大量計(jì)算資源及一定的計(jì)算等待時(shí)間。

3 動(dòng)力電池一致性快速辨識(shí)方法

3.1 現(xiàn)有電池一致性辨識(shí)局限性

現(xiàn)有電池一致性辨識(shí)多為單項(xiàng)性能參數(shù)測(cè)量,需要實(shí)驗(yàn)室或電池廠測(cè)試條件,且測(cè)試時(shí)間較長(zhǎng)。

例如電池容量以安時(shí)數(shù)衡量,目前較為準(zhǔn)確的電池容量測(cè)試需要采用小倍率充放電測(cè)試,一輛70 A·h的電動(dòng)汽車以5 A的小電流充電要耗時(shí)14 h才能完成一次測(cè)試,耗時(shí)較長(zhǎng)。

鋰電池電阻主要包括歐姆電阻和極化電阻,歐姆內(nèi)阻對(duì)于具體某個(gè)電池來講,是個(gè)相對(duì)固定值,而極化內(nèi)阻與正負(fù)極材料和電解液的濃度、電池充放電電流大小和環(huán)境溫度等有關(guān)。其準(zhǔn)確值需要通過HPPC測(cè)試實(shí)驗(yàn),實(shí)驗(yàn)需對(duì)電池進(jìn)行多次大電流放電,其中需要數(shù)小時(shí)的靜置時(shí)間。

評(píng)價(jià)一組電池的SOC偏移情況,可在首支單體充電達(dá)到電壓上限后(即100%SOC),計(jì)算其余單體所在的SOC狀態(tài)。涉及單體容量和已充電量,一般借助復(fù)雜數(shù)學(xué)工具計(jì)算完成,同樣需要大量測(cè)試時(shí)間與較高的儀器測(cè)量精度。

故上述方式不適用于在役車輛電池組,不能滿足日常一致性辨識(shí)需求,下文提出的動(dòng)力電池一致性快速辨識(shí)方法,基于動(dòng)力電池1 C充電倍率下的的充電數(shù)據(jù),僅需一小時(shí)左右的時(shí)間,對(duì)電池組進(jìn)行充電操作,即可完成對(duì)數(shù)項(xiàng)電池參數(shù)一致性的辨識(shí),測(cè)試流程簡(jiǎn)單,計(jì)算量小,測(cè)試時(shí)間與計(jì)算時(shí)間都相對(duì)較少。

3.2 單體電壓服從正態(tài)分布驗(yàn)證

基于上文對(duì)離群點(diǎn)檢測(cè)算法的研究,本文選用基于統(tǒng)計(jì)分析的離群點(diǎn)檢測(cè)算法,在使用算法前,對(duì)動(dòng)力電池電壓數(shù)據(jù)分布的正態(tài)性進(jìn)行驗(yàn)證。

動(dòng)力電池成組采用同一批次的電池,生產(chǎn)條件統(tǒng)一,電池性能表現(xiàn)近似正態(tài)分布,推測(cè)電池組在某一時(shí)刻的單體電壓服從正態(tài)分布。其正態(tài)性可從電壓分布圖大致觀察得出,圖5為某組電池在充電過程中某時(shí)刻對(duì)應(yīng)的單體電壓分布圖,從圖中觀察各時(shí)間點(diǎn)的單體電壓分布近似于正態(tài)分布的鐘型,數(shù)據(jù)分布對(duì)稱性較好。為了更加科學(xué)地確定電池組單體電壓分布的正態(tài)性,文中選用經(jīng)典的偏度-峰度檢驗(yàn)法對(duì)其進(jìn)行檢驗(yàn)。

圖5 瞬時(shí)單體電壓分布

峰度(kurtosis)又稱峰態(tài)系數(shù)。表征概率密度分布曲線在平均值處峰值高低的特征數(shù)。直觀看來,峰度反映了峰部的尖度。隨機(jī)變量的峰度計(jì)算方法為:隨機(jī)變量的四階中心矩與方差平方的比值,如式(1)所示:

(1)

峰度包括正態(tài)分布(峰度值=3),厚尾(峰度值>3),瘦尾(峰度值<3)。

偏度(Skewness),是統(tǒng)計(jì)數(shù)據(jù)分布偏斜方向和程度的度量,是統(tǒng)計(jì)數(shù)據(jù)分布非對(duì)稱程度的數(shù)字特征。定義上偏度是樣本的三階標(biāo)準(zhǔn)化矩,見式(2):

(2)

偏度定義中包括正態(tài)分布(偏度=0),右偏分布(也叫正偏分布,其偏度>0)和左偏分布(也叫負(fù)偏分布,其偏度<0)。

一般峰度絕對(duì)值小于10并且偏度絕對(duì)值小于3,則說明數(shù)據(jù)雖然不是絕對(duì)正態(tài),但基本可接受為正態(tài)分布。

文中使用SPSSAU在線數(shù)據(jù)分析軟件實(shí)現(xiàn)偏度-峰度檢驗(yàn)。將某組電池充電時(shí)長(zhǎng)五等分,將均分后對(duì)應(yīng)的5個(gè)時(shí)間點(diǎn)所在的85支單體的電壓數(shù)據(jù)進(jìn)行計(jì)算,計(jì)算結(jié)果如表1所示。從表中數(shù)據(jù)可得,充電過程中某一時(shí)刻對(duì)應(yīng)的單體電壓分布可近似服從正態(tài)分布。

表1 正態(tài)性檢驗(yàn)結(jié)果

3.3 基于正態(tài)分布的動(dòng)力電池一致性快速辨識(shí)方法

動(dòng)力電池組一致性快速辨識(shí)方法主要分為兩步,第一步:基于統(tǒng)計(jì)分布的離群點(diǎn)檢測(cè)方法,分辨出電池組內(nèi)存在離群現(xiàn)象的電池單體;第二步:結(jié)合上文對(duì)各類問題單體在整組中電壓表現(xiàn)的分析,對(duì)離群?jiǎn)误w存在性能極端表現(xiàn)的原因進(jìn)行識(shí)別。

(1)基于正態(tài)分布的電池極端情況標(biāo)記

由于在車輛充電過程中,整組電池單體電壓的分布情況是一個(gè)動(dòng)態(tài)變化的過程,故經(jīng)對(duì)電壓變化快慢和計(jì)算量的綜合考慮,選定時(shí)間間隔5 s,對(duì)整組單體的電壓分布情況進(jìn)行周期性正態(tài)擬合。

對(duì)于擬合結(jié)果中處于整體兩端的單體,根據(jù)分布概率將其極端程度量化。如圖6所示,當(dāng)單體的電壓值處于整體的80%區(qū)間內(nèi)時(shí),認(rèn)為該單體此時(shí)刻處于較為正常的狀態(tài)內(nèi),賦予其極端值為0;當(dāng)某單體處于正態(tài)分布概率小于10%的區(qū)間時(shí),賦予其極端值m1;當(dāng)某單體處于正態(tài)分布概率小于5%的區(qū)間時(shí),賦予其極端值m2。

圖6 正態(tài)分布統(tǒng)計(jì)

為了給下文具體性能辨識(shí)做準(zhǔn)備,從時(shí)間(充電前、充電中、充電后)和正態(tài)分布(高端、低端)兩個(gè)維度劃分6個(gè)區(qū)間,如圖7所示,分區(qū)間記錄單體極端偏移情況,其中上電時(shí)刻為t1,下電時(shí)刻為t2。

圖7 二維區(qū)間劃分

隨著充電過程中每次擬合,每個(gè)單體由擬合得到的極端值也被隨之累加。對(duì)于每支單體而言,其極端程度的分區(qū)間積分過程可聯(lián)系式(3)理解。

(3)

式中T1為充電前時(shí)間序列[1,1,…,1],設(shè)充電開始前共進(jìn)行了n1次擬合(n1=t1/5),其為1×n1的全1矩陣;T2為充電中時(shí)間序 [1,1,…,1],設(shè)充電開始至充電結(jié)束共進(jìn)行了n2次擬合(n2=(t2-t1)/5),其為1×n2的全1矩陣;T3為充電后時(shí)間序列[1,1,…,1],設(shè)充電結(jié)束后共進(jìn)行了n3次擬合,其為1×n3的全1矩陣;L為低端極端值序列[l1,l2,…,ln]T,n為n1、n2、n3之和,l的取值為0,m1或m2;H為高端極端值序列[h1,h2,…,hn]T,n為n1、n2、n3之和,h的取值為0,m1或m2。

每次擬合并更新其區(qū)間累積分值矩陣后,都會(huì)對(duì)每區(qū)間分值是否超過閾值進(jìn)行判斷,若超過則對(duì)該單體進(jìn)行相應(yīng)的區(qū)間標(biāo)記。用“A+”、“A-”、“B+”、“B-”、“C+”、“C-”符號(hào),按照時(shí)間發(fā)生順序,對(duì)單體在全充電過程中存在的電壓分布極端情況進(jìn)行標(biāo)記。各區(qū)間閾值范設(shè)定如表2所示。由于容量偏低單體在充電前期電壓偏低時(shí)間較短,故此情況下可適當(dāng)降低閾值要求。

將極端分布情況賦值、累計(jì)、并設(shè)閾值,可排除單體的電壓出現(xiàn)偶然分布極端情況,將電壓長(zhǎng)期處于極端位置的單體篩選出來。

(2)單體性能識(shí)別

結(jié)合第1節(jié)討論的單體電壓在充電過程中分布情況對(duì)應(yīng)的性能表現(xiàn)得到表3。根據(jù)單體電池的標(biāo)記對(duì)照該表,即可得到每支單體當(dāng)前的性能情況。

表3 單體電壓表現(xiàn)辨識(shí)表

例如被標(biāo)記為“A-B-B+C+”的單體,即存在單體容量較小的情況,需將其篩出后期針對(duì)性關(guān)注其容量發(fā)展變化。若一支單體無任何標(biāo)記,則說明其在充電過程中單體電壓一直處于中等水平,是電池組中性能參數(shù)較均衡的單體。

篩選出不利于電池一致性發(fā)展的單體,以供測(cè)試者重點(diǎn)關(guān)注,例如容量小、內(nèi)阻大的單體,容量大或內(nèi)阻小的單體無需篩出。

(3)單體極端程度評(píng)價(jià)

整組電池的標(biāo)記辨識(shí)完成,對(duì)選出的單體進(jìn)行極端程度評(píng)價(jià),提出極端值計(jì)算方法如式(4)所示:

(4)

(4)電池組一致性評(píng)價(jià)

上文已對(duì)電池組全充電過程進(jìn)行了周期性正態(tài)擬合,可從中得到其若干次擬合標(biāo)準(zhǔn)差σ的平均值,該數(shù)值可在一定程度上表現(xiàn)電池組一致性情況。

經(jīng)分析數(shù)據(jù)發(fā)現(xiàn),一致性較好與較差的電池組的標(biāo)準(zhǔn)差平均值數(shù)值范圍在百分位至千分位間波動(dòng),兩者之間一般差距一個(gè)數(shù)量級(jí)。故將其電池組一致性參數(shù)定義如式(5)所示,以更簡(jiǎn)易直觀地表達(dá)一致性差別。

(5)

將同型號(hào)多種不同狀態(tài)的動(dòng)力電池組一致性參數(shù)進(jìn)行比較,可得到一致性較好、一致性中等、一致性較差的電池組對(duì)應(yīng)參數(shù)范圍如表4所示。

表4 一致性參數(shù)劃分范圍

由此可劃定一致性初步評(píng)價(jià)標(biāo)準(zhǔn),對(duì)電池組一致性進(jìn)行評(píng)價(jià)。

4 算例分析

利用3.3節(jié)所研究的一致性快速辨識(shí)方法,對(duì)實(shí)際車輛電池組性能進(jìn)行評(píng)估,本文選用長(zhǎng)安新能源汽車進(jìn)行性能測(cè)試,選取測(cè)試算例中具有代表性的三個(gè)算例,對(duì)其計(jì)算結(jié)果進(jìn)行分析研究。

4.1 算例一

測(cè)試車型為長(zhǎng)安逸動(dòng)160,整組共85支單體,額定容量為80 A·h。對(duì)車輛電池組進(jìn)行快充測(cè)試,將測(cè)試數(shù)據(jù)進(jìn)行一致性快速辨識(shí)計(jì)算。針對(duì)計(jì)算結(jié)果,將被辨識(shí)出的單體按照極端值進(jìn)行排序,并對(duì)照這些單體實(shí)際性能參數(shù)在整組的排序位置,驗(yàn)證辨識(shí)結(jié)果的參考價(jià)值,如表5所示。

表5 算例一測(cè)試結(jié)果

該車輛為性能較差的返廠問題車輛,未能測(cè)得單體容量數(shù)據(jù),但根據(jù)車廠反饋#69、#9、#76、#83均為問題單體,存在容量偏低問題。根據(jù)測(cè)試結(jié)果可看出,車輛電池組一致性參數(shù)確實(shí)較低,辨識(shí)出的內(nèi)阻偏大單體的歐姆阻值在整組中處于頂端的位置,且極端值排序與阻值排序?qū)?yīng)關(guān)系較好,證明極端值有描述單體在整組極端程度的參考作用,辨識(shí)結(jié)果具有參考價(jià)值。一致性較差的電池組,辨識(shí)出的極端單體危險(xiǎn)程度較高,在車輛檢修或維修時(shí)需要引起重視重點(diǎn)關(guān)注。

4.2 算例二

測(cè)試車型是長(zhǎng)安奔奔,整組共86支單體,額定容量為80 A·h。對(duì)車輛電池組進(jìn)行快充測(cè)試,將測(cè)試數(shù)據(jù)進(jìn)行一致性快速辨識(shí)計(jì)算。針對(duì)計(jì)算結(jié)果,將被辨識(shí)出的單體按照極端值進(jìn)行排序,并對(duì)照這些單體實(shí)際性能參數(shù)在整組的排序位置,驗(yàn)證辨識(shí)結(jié)果的參考價(jià)值,如表6所示。

表6 算例二測(cè)試結(jié)果

測(cè)試結(jié)果中,內(nèi)阻偏大的單體對(duì)應(yīng)的歐姆內(nèi)阻在整組范圍內(nèi)排名第一,說明辨識(shí)出的這兩只單體內(nèi)阻在內(nèi)阻一致性中屬于較極端的單體;辨識(shí)出的SOC偏低的單體,在整組中的狀態(tài)排序也處于較低的水平。實(shí)驗(yàn)結(jié)果表明一致性辨識(shí)算法選出的性能極端單體與實(shí)際情況基本吻合,具有一定的性能描述作用。

4.3 算例三

測(cè)試車型是長(zhǎng)安逸動(dòng)200,整組85支單體,額定容量為100 A·h。對(duì)車輛電池組進(jìn)行快充測(cè)試,將測(cè)試數(shù)據(jù)進(jìn)行一致性快速辨識(shí)計(jì)算。針對(duì)計(jì)算結(jié)果,將被辨識(shí)出的單體按照極端值進(jìn)行排序,并對(duì)照這些單體實(shí)際性能參數(shù)在整組的排序位置,驗(yàn)證辨識(shí)結(jié)果的參考價(jià)值,如表7所示。

由計(jì)算結(jié)果可得,該組車輛電池的一致性狀態(tài)較好,不存在容量偏低或內(nèi)阻偏大的內(nèi)部性能問題單體,僅部分單體電池的SOC存在偏置狀況。其中辨識(shí)出的SOC偏高和偏低的單體,其性能偏置情況在整組中的SOC排名結(jié)果中得到了驗(yàn)證?；谡M一致性較好的情況,可認(rèn)為此類電池組被辨識(shí)出的單體偏離群體的情況較輕微,可在后續(xù)車輛運(yùn)行中繼續(xù)保持關(guān)注。

5 結(jié)束語

文章發(fā)現(xiàn)并總結(jié)了性能問題單體在整組中存在的離群現(xiàn)象,提出基于離群點(diǎn)檢測(cè)進(jìn)行一致性快速辨識(shí)的研究方向。學(xué)習(xí)各類離群點(diǎn)檢測(cè)原理后,從中選擇使用基于統(tǒng)計(jì)分布的離群檢測(cè)方法。基于正態(tài)分布離群點(diǎn)檢測(cè)和性能異常單體的差異化表現(xiàn),確定動(dòng)力電池組一致性快速辨識(shí)的核心算法,對(duì)單體的極端程度和電池組一致性狀態(tài)進(jìn)行評(píng)估。方法測(cè)試流程簡(jiǎn)單計(jì)算量小,較傳統(tǒng)方法具有明顯速度優(yōu)勢(shì)。

最終通過算例分析驗(yàn)證,算法可辨識(shí)出具有離群現(xiàn)象的單體,有效描述電池組一致性情況。算法辨識(shí)出的單體在日后車輛運(yùn)行和檢修時(shí)可重點(diǎn)關(guān)注;車輛使用者可根據(jù)多次得到的辨識(shí)結(jié)果對(duì)車輛狀態(tài)變化進(jìn)行持續(xù)性地了解。