基于自适应模糊C-均值算法的退役锂离子电池快速聚类

doi:10.19562/j.chinasae.qcgc.2024.04.010

摘要/Abstract

摘要：

梯次利用处理退役锂离子电池具有巨大的经济和环境价值，而如何高效、准确地对退役电池进行分选重组是梯次利用中突出的技术挑战。首先，为准确反映退役电池的一致性，提取最大可用容量（MAC）、放电欧姆内阻（DOIR）和容量增量曲线的弗雷歇距离（FD）3个因素共同作为聚类因子。然后3个聚类因子结合自适应模糊C-均值（AFCM）算法构建退役电池聚类方法。结果表明：AFCM算法聚类簇内MAC的最大误差为79 mA·h，DOIR小于45 mΩ；三因素的聚类方法成组的电池一致性较好；并且在117颗电池聚类时，AFCM算法聚类耗费的时间最短。

关键词: 退役锂电池, 梯次利用, 重组聚类, 机器学习

Abstract:

The treatment of retired lithium-ion batteries （LiBs） by echelon utilization has great economic and environmental values， and how to sort and reconstitute decommissioned batteries retired LiBs efficiently and accurately is a prominent technical challenge in stepwise utilization. Firstly， to accurately reflect the consistency of retired batteries LiBs， the three factors of maximum available capacity （MAC）， discharge ohmic internal resistance （DOIR） and Frechet distance （FD） of incremental capacity curve， are extracted together as clustering factors. Then the three clustering factors are combined with the adaptive fuzzy C-mean （AFCM） algorithm to construct a clustering method for retired batteries LiBs. The results show that the maximum error of MAC within the clustered clusters of the AFCM algorithm is 79 mAh with the DOIR less than 45 mΩ. The clustering method of the three factors into groups of batteries has better consistency； and the AFCM algorithm clustering takes the shortest time when 117 batteries are clustered.

Key words: decommissioned lithium batteries, echelon utilization, sorting and restructuring, machine learning

陈琳,何熳平,吴淑孝,陈德乾,赵铭思,潘海鸿. 基于自适应模糊C-均值算法的退役锂离子电池快速聚类[J]. 汽车工程, 2024, 46(4): 643-651.

Lin Chen,Manping He,Shuxiao Wu,Deqian Chen,Mingsi Zhao,Haihong Pan. Fast Clustering of Retired Lithium-ion Batteries Based on Adaptive Fuzzy C-means Algorithm[J]. Automotive Engineering, 2024, 46(4): 643-651.

图/表 13

图1

图2

图3

图4

图5

图6

图7

图8

表1

表2

图9

表3

图10

参考文献 21

1	ZOU C F， HU X S， WEI Z B， et al. Electrochemical estimation and control for lithium-ion battery health-aware fast charging［J］. IEEE Transactions on Industrial Electronics， 2018， 65（8）：6635- 6645.
2	LAI X， GAO W K， ZHENG Y J， et al. A comparative study of global optimization methods for parameter identification of different equivalent circuit models for Li-ion batteries［J］. Electrochimica Acta， 2019， 295：1057-1066.
3	SUN S Q， JIN C X， HE W Z， et al. Management status of waste lithium-ion batteries in China and a complete closed-circuit recycling process［J］. Science of the Total Environment， 2021， 776： 145913.
4	LU Y Q， PENG K Y， ZHANG L G. Sustainable recycling of electrode materials in spent Li-Ion batteries through direct regeneration processes［J］. Acs Es&T Engineering， 2022， 2（4）： 586-605.
5	WANG W， WU Y F. An overview of recycling and treatment of spent LiFePO4 batteries in China［J］. Resources Conservation and Recycling， 2017， 127： 233-243.
6	李建林，李雅欣，吕超，等. 碳中和目标下退役电池筛选聚类关键技术研究［J］. 电网技术， 2022，46（2）：429-441.
	LI J L， LI Y X， LV C， et al. Key technology of retired batteries’ screening and clustering under target of carbon neutrality ［J］. Power Syst Technology， 2022，46（2）：429-441.
7	LIAO Q Q， MU M M， ZHAO S Q， et al. Performance assessment and classification of retired lithium ion battery from electric vehicles for energy storage［J］. International Journal of Hydrogen Energy， 2017， 42（30）： 18817-18823.
8	SCHNEIDER E L， W K Jr， SOUZA S， et al. Assessment and reuse of secondary batteries cells［J］. Journal of Power Sources， 2009， 189（2）： 1264-1269.
9	LAI X， QIAO D D， ZHENG Y J， et al. A rapid screening and regrouping approach based on neural networks for large-scale retired lithium-ion cells in second-use applications［J］. Journal of Cleaner Production， 2019， 213： 776-791.
10	LI X Z， ZHANG L Z， LIU Y， et al. A fast classification method of retired electric vehicle battery modules and their energy storage application in photovoltaic generation［J］. International Journal of Energy Research， 2020， 44（3）： 2337-2344.
11	LAI X， QIAO D D， ZHENG Y J， et al. A novel screening method based on a partially discharging curve using a genetic algorithm and back-propagation model for the cascade utilization of retired Lithium-ion batteries［J］. Electronics， 2018， 7（12）： 399.
12	雷旭，张春玲，于明加，等. 退役电池快速检测分类方法研究［J］.电子测量与仪器学报，2023，37（4）：213-222.
	LEI X， ZHANG C L， YU M J， et al. Research on fast screening and classification of retired batteries［J］. Journal of Electronic Measurement and Instrumentation，2023，37（4）：213-222.
13	来鑫，陈权威，邓聪，等. 一种基于电化学阻抗谱的大规模退役锂离子电池的软聚类方法［J］.电工技术学报， 2022， 37（23）： 6054-6064.
	LAI X， CHEN Q W， DENG C， et al. A soft clustering method for the large-scale retired lithium-ion batteries based on electrochemical impedance spectroscopy［J］. Transactions of China Electrotechnical Society， 2022， 37（23）： 6054-6064.
14	JIANG T， SUN J L， WANG T R， et al. Sorting and grouping optimization method for second-use batteries considering aging mechanism［J］. Journal of Energy Storage， 2021， 44： 103264.
15	马速良，李建林，李雅欣，等. 面向电池梯次利用筛选需求的定制化聚类优化方法［J］.中国电机工程学报，2022，42（17）：6208-6220.
	MA S L， LI J L， LI Y X， et al. Customized clustering optimization method for battery reutilization screening requirements［J］. Proceedings of the CSEE， 2022， 42（17）：6208 -6220.
16	ZHOU Z H， FENG J. Deep forest： towards an alternative to deep neural networks［C］. 26th International Joint Conference on Artificial Intelligence （IJCAI）， 2017： 3553-3559.
17	LV S S， WANG X X， LU W F， et al. The influence of temperature on the capacity of lithium-ion batteries with different anodes［J］. Energies， 2022， 15（1）： 60.
18	陈吉清，李子涵，兰凤崇，等. 基于非线性降维IC特征的实车电池SOH估计［J］.汽车工程，2023，45（2）：199-208.
	CHEN J Q， LI Z H， LAN F C， et al. Real-vehicle battery health state estimation based on nonlinear reduced- dimensional IC features［J］. Automotive Engineering， 2023，45（2）：199-208.
19	WANG B， LEI Y G， LI N P， et al. A hybrid prognostics approach for estimating remaining useful life of rolling element bearings［J］. IEEE Transactions on Reliability， 2020， 69（1）：401-412.
20	高新波.模糊聚类分析及其应用［M］. 西安：西安电子科技大学出版， 2004.
	GAO X B. Fuzzy clustering analysis and its applications ［M］. Xi'an： Xi'an University of Electronic Science and Technology Publication， 2004.
21	CHEN L， WU S X， FENG Z， et al. A novel model for estimation of the discharge ohm internal resistance of lithium-ion battery combining the temperature and different state-of-charge segments［J］. International Journal of Energy Research， 2022， 46（15）： 24465-24475.

簇号	数量	聚类中心	电池编号
1	14	（2299.90，71.02，6.36）	R2/R21/R33/R57/R58/R65/R79/R80/R81/R83/R84/R89/R94/R96
2	7	（1933.87，75.18，2.92）	R4/R9/R10/R34/R51/R98/R107
3	8	（1683.67，83.05，1.78）	R16/R30/R52/R104/R113/R116/R117/R135
4	10	（2241.24，74.35，5.04）	R3/R23/R24/R26/R45/R48/R49/R60/R61/R62
5	7	（1819.09，90.18，2.62）	R8/R13/R14/R35/R43/R56/R68
6	6	（2066.44，79.18，3.72）	R25/R28/R39/R53/R54/R110
7	3	（2532.60，66.18，6.11）	R17/R90/R121
8	5	（1747.09，82.44，2.17）	R37/R38/R41/R67/R87
9	6	（1872.04，74.71，2.70）	R12/R15/R36/R40/R64/R93
10	3	（2161.55，82.09，3.4）	R20/R27/R91
11	10	（2207.02，75.74，4.88）	R5/R18/R22/R44/R46/R47/R76/R77/R78/R106
12	10	（2576.13，65.94，6.31）	R42/R59/R119/R125/R126/R129/R130/R131/R133/R134
13	11	（2411.62，73.18，6.15）	R86/R103/R111/R112/R118/R120/R122/R123/R124/R128/R132
14	3	（2126.14，80.91，3.50）	R31/R32/R70
15	4	（1603.96，86.67，1.52）	R88/R97/R99/R114
16	10	（2021.94，78.60，3.43）	R1/R6/R7/R11/R19/R29/R50/R55/R85/R136

算法	c	最大误差			平均误差
算法	c	容量/ （mA·h）	内阻/ mΩ	FD	容量/ （mA·h）	内阻/ mΩ	FD
AFCM	16	79.00	44.62	5.35	41.06	15.46	1.73
K-mean	10	106.00	49.00	5.42	70.50	20.23	2.13
	12	110.00	49.00	5.99	57.75	18.27	1.77
	16	86.00	45.69	5.99	42.63	15.77	1.71

分类因素	名称	电池编号
AFCM三因素	Pack1	R46/R47/R76/R77/R78/R106
	Pack2	R42/R59/R126/R129/R130/R131
	Pack3	R57/R65/R79/R80/R81/R96
AFCM容量单因素	Pack4	R16/R30/R37/R38/R41/R52
AFCM内阻单因素	Pack5	R9/R15/R34/R45/R111/R118
AFCM双因素	Pack6	R8/R35/R43/R56/R68/R87

[1]	刘卫东,韩宗志,高镇海,康艳虎. 基于智能轮胎系统的实时路面辨识技术[J]. 汽车工程, 2024, 46(4): 617-625.
[2]	陈吉清,李子涵,兰凤崇,蒋心平,潘威,陈继开. 基于非线性降维IC特征的实车电池SOH估计[J]. 汽车工程, 2023, 45(2): 199-208.
[3]	崔格格,吕超,李景行,张哲雨,熊光明,龚建伟. 数据驱动的智能车个性化场景风险图构建[J]. 汽车工程, 2023, 45(2): 231-242.
[4]	姜俊昭,杨文豪,彭彬,郭婷,徐业凯,王国卓. 基于能耗加权策略的燃料电池汽车续驶里程预测[J]. 汽车工程, 2023, 45(12): 2357-2365.
[5]	何智成,谢泽军,刘侃,周恩临,唐谦,黄元毅. 纯电动汽车传动系统-电机结构参数协同设计优化[J]. 汽车工程, 2023, 45(11): 2113-2122.
[6]	廉玉波,凌和平,王钧斌,潘华,谢朝. 基于混合高斯-隐马尔可夫模型的动力电池实时热失控检测[J]. 汽车工程, 2023, 45(1): 139-146.
[7]	赵健,李雅欣,佟静,朱冰,武维祥,孙博华,韩嘉懿. 基于车辆动力学响应特征的越野地面分类方法[J]. 汽车工程, 2022, 44(6): 909-918.
[8]	黄晶,彭扬,黄烨,彭晓燕. 考虑噪声标签影响的驾驶员精神负荷状态评价[J]. 汽车工程, 2022, 44(5): 771-777.
[9]	胡杰,朱雪玲,何陈,杨光宇. 基于实车数据的电动汽车电池健康状态预测[J]. 汽车工程, 2021, 43(9): 1291-1299.
[10]	谢奕展,程夕明. 锂离子电池状态估计机器学习方法综述[J]. 汽车工程, 2021, 43(11): 1720-1729.
[11]	胡杰,高志文. 基于数据驱动的电动汽车动力电池SOC预测[J]. 汽车工程, 2021, 43(1): 1-9.
[12]	颜诗旋, 朱平, 刘钊. 基于改进LightGBM模型的汽车故障预测方法研究^*[J]. 汽车工程, 2020, 42(6): 815-819.