本发明涉及基于内部特征的锂离子电池一致性筛选分组方法，属于电动汽车电池生产与管理应用领域。
背景技术
电池正负极材料的电势特性决定了单体电池额定电压只有3.7v左右，而驱动电动汽车所需的电压为几百伏，因此电动汽车电池组需由多个单体电池串并联组成。由于当前制造工艺的原因，各个单体电池间会存在一定差异，进而导致各电池单体的性能存在差异。这种从制造工艺方面带来的差异是无法避免的。在电池组的使用过程中，各电池单体的性能差异会引起电池组的故障，严重影响电池组的寿命与安全。例如某些电池单体可能会发生过充电或过放电，使得电池组其它电池在使用过程中无法充分利用，造成容量利用率降低、使用寿命缩短数倍甚至十几倍，导致整个电池组提前失效，进一步可能会引发安全问题。
在锂离子电池的筛选分组方面，冯建君等人提出开路电压、内阻和容量等筛选标准对电池进行筛选分组；单毅等人通过不同电池充放电曲线上特征点的差异，得到电池之间的差异程度，按照差异程度对电池进行筛选分组；申建斌等人利用100节锂电池的容量、放电平台和电芯厚度等标准进行筛选分组。实际效果表明，这些筛选标准之间存在复杂的非线性关系，实现起来比较复杂，因此未能形成良好的分组筛选效果。
技术实现要素：
本发明是为了解决现有的锂离子电池筛选分组方法效果差的问题。现提供基于内部特征的锂离子电池一致性筛选分组方法。
基于内部特征的锂离子电池一致性筛选分组方法，所述方法包括以下步骤：
步骤一、对锂离子电池电化学模型进行参数辨识，得到电化学模型参数，从该模型参数中选取其中一个参数，在该参数数值的变化范围内，均匀选取多个取值，分别将该参数对应的多个取值与其余参数代入锂离子电池电化学模型进行仿真，得到恒流放电下对应的多条电压曲线，根据该参数得到的多条电压曲线获得该参数的敏感度；
步骤二、从多个参数中选取敏感度高的参数作为备选特征向量：对模型其他参数采用步骤一的方式获得相应参数的敏感度，从而获得每个参数的敏感度，剔除敏感度数量级最低的参数，剩余参数作为高敏感度的参数，将其作为备选特征向量；
步骤三、从多个参数中选取辨识度高的参数作为备选特征向量：根据锂离子电池电化学模型，对单体电池进行多次参数辨识实验，得到每个参数的对应的多个数值，根据每个参数对应的多个数值获得每个参数的变异系数，剔除变异系数数量级最高的参数，剩余参数具有可辨识度，剩余参数组成的参数集作为备选特征向量；
步骤四、在备选特征向量中选出同时具备敏感度和可辨识度的参数作为敏感参数；
步骤五、电池敏感参数的拟合度：对锂离子电池电化学模型进行老化试验，在老化过程中，每隔特定的循环周期数对电池进行电化学模型参数辨识，获取不同容量下锂离子电池电化学模型的步骤四选出的敏感参数的参数值，将该参数值与相应的容量值进行拟合，得到敏感参数与电池状态的拟合度，选取拟合度大于设定值的参数作为敏感参数特征向量；
步骤六、根据所述的敏感参数特征向量，得到特征参数的权重，利用该权重修正敏感参数特征向量，得到修正后的矩阵，根据该矩阵和聚类算法得到电池的分类数以及每个电池单体的分组信息，从而实现对每个电池单体的筛选分组。
本发明的有益效果为：
本申请根据对锂离子电池的电化学模型参数的敏感度和可辨识度进行分析，选出同时具备敏感度和可辨识度的参数，对锂离子电池电化学模型进行老化试验，在老化过程中，每隔特定的循环周期数对电池进行电化学模型参数辨识，获取不同容量下锂离子电池电化学模型的敏感参数的参数值，将该参数值与相应的容量值进行拟合，得到敏感参数与电池状态的拟合度，选取拟合度大于设定值的参数作为敏感参数特征向量，根据所述的敏感参数特征向量，得到特征参数的权重，利用该权重修正敏感参数特征向量，得到修正后的矩阵，根据该矩阵和聚类算法得到电池的分类数以及每个电池单体的分组信息，从而实现对每个电池单体的筛选分组。
本申请提出基于机理模型特征参数的锂离子电池一致性筛选分组方法，通过该方法筛选分组电池，可以降低电池组内单体电池的不一致性，延长电池组的使用寿命，提高电池组的安全性。
附图说明
图1为具体实施方式一所述的基于内部特征的锂离子电池一致性筛选分组方法的流程图；
图2为负极容量qn的电压敏感度曲线束图；
图3为负极容量qn在±10％变化区间内变化时，得到的11条电池端电压敏感度曲线束图；
图4为电池单体分6类时的分类效果图；
图5为电池组a～c的容量衰减曲线图，附图标记1表示电池组a的容量衰减曲线，附图标记2表示电池组b的容量衰减曲线，附图标记3表示电池组c的容量衰减曲线。
具体实施方式
具体实施方式一：参照图1值图4具体说明本实施方式，本实施方式所述的基于内部特征的锂离子电池一致性筛选分组方法，所述方法包括以下步骤：
所述方法包括以下步骤：
步骤一、对锂离子电池电化学模型进行参数辨识，得到电化学模型参数，从该模型参数中选取其中一个参数，在该参数数值的变化范围内，均匀选取多个取值，分别将该参数对应的多个取值与其余参数代入锂离子电池电化学模型进行仿真，得到恒流放电下对应的多条电压曲线，根据该参数得到的多条电压曲线获得该参数的敏感度；
步骤二、从多个参数中选取敏感度高的参数作为备选特征向量：对模型其他参数采用步骤一的方式获得相应参数的敏感度，从而获得每个参数的敏感度，剔除敏感度数量级最低的参数，剩余参数作为高敏感度的参数，将其作为备选特征向量；
步骤三、从多个参数中选取辨识度高的参数作为备选特征向量：根据锂离子电池电化学模型，对单体电池进行多次参数辨识实验，得到每个参数的对应的多个数值，根据每个参数对应的多个数值获得每个参数的变异系数，剔除变异系数数量级最高的参数，剩余参数具有可辨识度，剩余参数组成的参数集作为备选特征向量；
步骤四、在备选特征向量中选出同时具备敏感度和可辨识度的参数作为敏感参数；
步骤五、电池敏感参数的拟合度：对锂离子电池电化学模型进行老化试验，在老化过程中，每隔特定的循环周期数对电池进行电化学模型参数辨识，获取不同容量下锂离子电池电化学模型的步骤四选出的敏感参数的参数值，将该参数值与相应的容量值进行拟合，得到敏感参数与电池状态的拟合度，选取拟合度大于设定值的参数作为敏感参数特征向量；
步骤六、根据所述的敏感参数特征向量，得到特征参数的权重，利用该权重修正敏感参数特征向量，得到修正后的矩阵，根据该矩阵和聚类算法得到电池的分类数以及每个电池单体的分组信息，从而实现对每个电池单体的筛选分组。
本实施方式中，本发明中的电化学模型可以采用简化机理模型(sp+模型)对电池进行机理描述。简化机理模型sp+模型存在以下11个特征参数分别为：
由于电池内阻测量的可靠性较低且锂离子电池在老化过程中的内阻变化范围较小，本发明应用sp+模型时将锂离子电池的内阻定义为确定值，sp+模型中正负极的反应极化参数(pactp,pactn)可以反映内阻在电池老化过程中的欧姆极化现象。又有电解液锂离子浓度初值c0为定值。锂离子电池sp+模型的9个模型参数分别反映着电池内部工作机理，且在物理意义上相互独立。
步骤一中每个参数的敏感度获取过程为：
参数的敏感度定义为：在某一特定工况下，电池某个参数的变化对电池性能的影响程度。参数的敏感度可用来表征该参数对电池性能的影响程度和参数的可辨识程度。
下面以取11个电压曲线为例进行求每个参数的敏感度，
参数敏感度分析的方法是将待分析的9个参数在各自±10％的范围内，在辨识工况下以0.02倍基准值为步进量取11个均分值分别对电池端电压进行仿真，考察单个参数取值的变化对电池性能的影响程度。在该过程中，保持其他参数的取值为基准值。
待分析参数的11个取值在辨识工况下代入模型仿真可以得到包含11条端电压曲线的曲线束。曲线束的离散程度可表示该参数的敏感度，而离散程度可由电池端电压的标准差来表征，因此可用电池端电压的标准差表征该参数的敏感度。
电池端电压对各参数的敏感度计算方法如下：
其中σj表示电池第j个模型参数的敏感度，i表示模型参数在±10％变化区间内的第i个取值，n表示对电压的采样点个数，最大值为n。vnij表示第j个模型参数的第i个取值在采样点n处所对应的电池端电压，
以日本三洋公司生产的钴酸锂体系ur14500锂离子电池负极容量qn为例，当模型参数在各自±10％变化区间内变化时，11条电池端电压敏感度曲线束如图2和图3所示。
ur14500p锂离子参数的敏感度分析结果如表1所示。
表1机理模型参数敏感度
特征参数可辨识度对电池筛选分组具有重要意义，下面以四次对ur14500锂离子电池进行机理模型特征参数辨识结果考察其辨识的可靠性，辨识结果如表2所示。
表2四次机理模型特征参数辨识结果
引入变异系数概念，在概率论与统计学中，变异系数是概率分布离散程度的一个归一化量度，其定义为标准差(σ)与平均值之比(μ)：
待分析参数变异系数越大，该参数可辨识度越差；待分析参数敏感度越大，该参数对电池行为影响程度越显著。因此选取一组变异系数小，敏感度大的参数作为敏感参数，进一步敏感参数与单体电池容量的相关性强弱。
步骤二中从多个参数中选取辨识度高的参数的过程为：
在获取敏感参数集的基础上对锂离子电池进行老化试验。在老化的过程中，每隔特定的循环周期数对电池进行简化机理模型参数辨识，获取不同容量(用容量表示状态)下电池的简化机理模型参数。对相应的敏感参数与容量的关系进行拟合，由拟合度r2表示敏感参数与容量的相关性。对日本三洋公司生产的钴酸锂体系ur14500锂离子电池相关敏感参数分析结果如下：
表3容量相关内部敏感特征参数的拟合结果
锂离子电池sp+模型中的正负极偏移系数yofs、正极初始嵌锂浓度分数y0和负极容量qn的敏感度高、辨识可靠性高，并与电池容量具有很强的相关性。因此可以作为表征电池状态的机理模型参数特征向量，从而实现基于机理模型参数特征向量的锂离子电池筛选分组。
基于机理模型参数特征向量的锂离子电池筛选分组与验证：
鉴于模糊聚类算法有效性指标vfs可帮助确定最佳分类数，本发明选择该参数确定电池最佳分类数。对120节日本三洋公司生产的ur14500钴酸锂电池进行筛选分组，把机理模型参数特征向量作为fcm算法的数据对象，开展锂离子电池的筛选分组。
(1)基于机理模型参数特征向量的电池筛选分组
电池机理模型参数特征向量中的特征参数与电池寿命的相关性是不同的。因此本发明在应用fcm聚类算法时，把电池机理模型参数特征向量中特征参数的权重应由其拟合度r2值联系起来，健康特征的权重计算：
式中：ωi和ri分别表示第i个特征的权重和r2值，m表示特征向量的元素总数。机理模型参数特征向量中每个特征的权重结果如表4所示。
表4健康特征权重结果
将电池机理模型参数特征向量变换为3×120的特征矩阵，即
式中：xij(1≤i≤120,1≤j≤3)代表第i个电池样本第j个特征量。
为避免电池健康特征量纲对聚类结果的影响，需将电池健康特征向量进行标准化处理。式(4)通过极差变换进行标准化处理，得到标准化后的参数特征矩阵x*可表示为
式中：
利用机理模型特征参数的权重修正矩阵x*可得
式中：ω1,ω2和ω3分别表示yofs,y0和qn的权重，x*ij表示标准化后第j个电池的第i个健康特征。
式(6)中的xω即为fcm算法的聚类对象，分类数c取3～8，迭代停止条件ε取1×10-5，基于电池的内部健康特征向量对120节电池进行筛选分组，通过算法计算得到的不同分类数c下的有效性指标vfs如表5所示。
表5有效性指标vfs取值
由表5可见，当分6类时效果最好，分类结果如表6和图2所示。
表6分6类时的分类结果
利用本发明所提出的分类法分类后，任取一类中4个单体电池作为电池组a，利用传统分类法分类后，任取一类中4个单体电池作为电池组b，从120节电池中随机抽取4个单体电池作为电池组c。对a、b、c组电池进行相同工况的老化试验。
电池组soh(stateofhealth)的定义为电池组在1c倍率放电条件下从满充状态放电到截止电压时所放出的电量与额定容量的比值。电池组soh是用于描述电池组的健康状态的重要参数，因此选取电池组soh作为循环寿命测试评价指标。
各电池组在其soh＝80％时的循环寿命测试结果如表7所示。
表7soh＝80％时循环寿命测试结果
将电池组a～c的实验结果进行汇总分析，如图5所示。
实际验证结果表明本发明所提出的电池组筛选分类方法是有效的。较于传统的分类方法，电池组使用寿命相对于传统筛选标准提高了70个循环，容量衰减率减少了20％以上，容量衰退明显减缓。
具体实施方式二：本实施方式是对具体实施方式一所述的基于内部特征的锂离子电池一致性筛选分组方法作进一步说明，本实施方式中，步骤一中，每个参数的敏感度获得过程为：
从每个参数得到的多条电压曲线上，均匀选取n个时间点，在每个时间点处，都对应着多个电压值，根据每个参数在某个时间点处得到的多个电压平均值和该参数在的某个取值在某个时间点处对应的电压，获得该参数的敏感度为：
式中，σj表示电池第j个模型参数的敏感度，i表示模型参数在±10％变化区间内的第i个取值，n表示对电压曲线族的采样点个数，最大值为n，vnij表示第j个模型参数的第i个取值在采样点n处所对应的电池端电压，
具体实施方式三：本实施方式是对具体实施方式一所述的基于内部特征的锂离子电池一致性筛选分组方法作进一步说明，本实施方式中，步骤三中，变异系数cv的获得过程为：
根据每个参数对应的多个数值获得该参数的平均值和标准差，根据每个参数的平均值和该参数的标准差，得到该参数的变异系数cv为：
式中，σ为同一参数的多个数值的的标准差，μ为同一参数的多个数值的平均值。
具体实施方式四：本实施方式是对具体实施方式一所述的基于内部特征的锂离子电池一致性筛选分组方法作进一步说明，本实施方式中，步骤六中，特征参数的权重为：
式中，ωi和ri分别表示第i个特征的权重和r2值，r2表示敏感参数与容量的相关性，m表示敏感参数特征向量的元素总数。
具体实施方式五：本实施方式是对具体实施方式四所述的基于内部特征的锂离子电池一致性筛选分组方法作进一步说明，本实施方式中，步骤六中，根据该矩阵和聚类算法得到电池的分类数以及每个电池单体的分组信息，从而实现对每个电池单体的筛选分组的具体过程为：
将敏感参数特征向量变换为3×120的特征矩阵，为：
式中，xij(1≤i≤120,1≤j≤3)代表第i个电池样本第j个特征量，
将敏感参数特征向量进行标准化处理，公式4通过极差变换进行标准化处理，得到标准化后的参数特征矩阵x*，表示为：
式中：
利用特征参数的权重修正矩阵x*，得到修正后的矩阵xω：
式中：ω1,ω2和ω3分别表示yofs,y0和qn的权重，x*ij表示标准化后第j个电池的第i个健康特征，
将修正后的矩阵xω作为聚类算法的聚类对象，根据聚类算法得到电池的分类数及每个电池单体进行分组信息，从而实现对每个电池单体的筛选分组。