|
电话：15313702523
基于深度嵌入聚类的锂离子Discover蓄电池储能系统不一致性识别
不一致性是导致锂离子电池组功能下降的重要原因。精确辨认不一致的电池关于其健康办理具有重要意义。电池储能体系(ESSs)。大多数现有办法需求先验常识，且无法获取电池动态特性的最优表征，这已不再适用于具有时变不一致水平的在线场景。本文提出了一种根据深度嵌入聚类的电池 ESSs 在线无监督多级不一致性辨认办法。首先，经过一种改善的从充放电电压曲线中提取判别性潜在表征。主动编码器一起考虑信息保留和重构差错。其次，构建了一个根据改善的 autoencoder 和 K-means 算法的深度嵌入聚类模型，然后一个...贪心算法旨在交替优化电池组的潜在表明和聚类结构，而无需依靠先验常识。第三，构建了一个根据间隔的多级不一致性辨认结构，用于ESSs的在线一致性办理。最终，运用为期五个月的真实国际ESS站数据来验证所提出的办法。关于四个研究的电池组，咱们提出办法的均匀聚类惯性指数分别为0.9358、1.1931、2.1389和1.0086，这些电池组的均匀Davies-Bouldin指数分别为0.7388、0.7853、0.6396和0.6554，证明了更高的聚类质量并优于其他对比办法。此外，与battery management system比较，该办法能够在四个电池组中辨认出额外的严峻不一致电池组。此外，它还被成功使用于一个公共数据集。所有这些结果都证明，能够稳健且精确地辨认出不一致的电池。
引言
为了完成碳达峰和碳中和的目标，包含太阳能和风能在内的可再生及清洁能源的运用量正在逐渐添加[1]。因为其不稳定性，太阳能和风能发电侧与需求侧之间会出现不平衡。因此，大规模储能电站成为进步新能源电厂电网稳定性的最有用处理方案之一。因为锂离子电池与其他储能设施比较具有更高的能量密度、更长的运用寿命、更低的自放电率以及更少的污染[2,3]，它们已被广泛使用于电动汽车以及ESSs[4]。跟着锂离子电池ESS站装机容量的快速增长，其健康办理已成为一个首要关注点。
电池单元通常以并联或串联办法连接，以完成所需的容量和功率[[5], [6], [7]]，然后构成电池组或模块的根底构建单元。电池状况估量关于其最佳功能和安全运行至关重要[[8], [9], [10]]。Zhou等人[8]提出了一种预测LFP电池两阶段老化轨道的创新办法，将迁移学习战略与循环寿命预测相结合。Song等人[9]开发了一种交融计算模型来联合估量电池状况。Takyi-Aninakwa等人[10]提出了一种实时协同估量电池状况的办法，结合双扩展卡尔曼滤波器，以精确估量电池的剩下能量。电池的异质特性会影响电池体系的功能和安全性。例如，电池单元的不平衡会影响电动汽车的续航里程[11]。详细而言，因为制作和拼装过程中的波动性，电池单元在投入运用前就存在不一致性，而且因为运用条件的误差，这种不一致性会变得越来越严峻[12,13]。这种不一致功能够经过电池参数的改变来表现，例如充放电电压、温度、容量、SOH、SOC和内阻[14]。这种不一致性不只削弱了ESS的全体功能（包含可用能量和能量利用功率），而且还会加速...
现有的电池参数不一致性辨认办法大致可分为两类：根据阈值的办法和根据聚类的办法[21]。关于前者，当电池组的不一致程度或构建的指标未超越阈值时，即被辨认为正常；否则，电池组的功能被归类为反常，并应采取相应的维护办法以下降不一致性，例如均衡控制、热办理和更换。Zhang等[22]和Zhang等[23]分别设置了并联电池组电阻方差和SOC改变的阈值，以检测由不一致性引起的毛病。Wang等[24]提出了一种改善的根据Shannon熵的Z-score办法，经过两个预设的反常阈值完成实时电压反常检测。Duan等[25]选用了根据信息熵的评价因子，并经过将不一致性指标与两个预设阈值进行比较来确认电池组的不一致程度。Wu等[26]针对储能体系（ESSs）中运用的LiFePO4电池提出了一个安全预警结构，该结构包含多个预设阈值用于估量电池参数的一致性误差。Qiu等[27]利用根据熵差的参数和预定义阈值，对锂离子电池ESSs一起进行了毛病检测和不一致性评价。此外，人工神经网络...
需求留意的是，关于这些根据阈值的办法而言，确认一个用于辨认不一致性的合适阈值确实是一个重大挑战。详细而言，将阈值设置得过高会添加漏检率的风险，而将其设置得过低则会导致误报，然后难以完成最佳权衡。此外，因为阈值设置缺少灵敏性，运用根据阈值的办法也很难精确辨认大规模ESSs中细粒度健康办理所需的多级不一致性。
与设置固定阈值的根据阈值的办法比较，不需求标记数据或先验常识的聚类分析愈加灵敏且快速。通常，根据聚类的不一致性辨认办法将电池分为不同的簇，然后确认电池组的不一致性水平或用于电池拼装的分组战略[[30], [31], [32]]。Bai等人[33]提出了一种根据放电电压的两阶段分布式时刻序列聚类办法，用于拼装过程中的电池分组。Li等人[34]对功能类似的电池单体进行了聚类，以用于电池模组规划。Feng等人[35]挑选单体电压作为铅蓄电池组的评价因素，并选用k-medoids将电池组分为多个簇以进行不一致性评价。Tian等人[36]开发了一种根据在线多特征加权的模糊聚类算法，用于电池组的一致性评价。Sun等人[37]开发了一种均衡战略，利用K-means聚类分析来挑选需求平衡的电池单体。Tian等人[38]经过运用改善的高斯混合模型（GMM）布置了一种电池组不一致性评价办法，其间类别中心由K-means++初始化。需求留意的是，尽管根据ANN的聚类算法因为其出色的降维才能已在各种聚类场景中得到广泛且成功的使用...
电池组的不一致性水平随循环而改变，电芯功能的差异日益增大。根据动态特性的聚类更适用于动态负载工况，这些工况一直选用动态特性曲线，即充放电电压或电流曲线[31]。需求留意的是，这些曲线包含了电池的首要功能信息，而且能够很容易地由battery management system（BMS）获取。这种聚类是一个典型的时序聚类问题，其流程可分为几个部分，例如潜在表明、间隔衡量和优化算法[39]。也就是说，原始高维数据能够在更窄的空间中进行表明，以提取更有用的特征。但是，因为用于不一致性辨认的表明学习与聚类的联合优化尚未得到研究，现有的不一致性聚类办法往往难以从高维电压数据中获得不同簇的最优特征表明，然后导致聚类结果较差。