变电站退役电池分选方法与聚类算法∗

为了提高电池的再利用效率并减少资源浪费,研究退役电池的一致性分选具有重要意义.主要介绍了电池一致性分选的几种方法,包括单参数分选、多参数分选、动态特性分选、电化学阻抗谱分选和综合特性分选,并且比较分析了它们的优缺点.同时,介绍了常见聚类算法的分类和使用原理,对比分析了不同聚类算法的优缺点和适用场景,为选择合适的聚类算法提供了依据.最后,对一致性分选技术的未来发展方向进行了预测.     

电动汽车动力电池分选方法研究

研究总结了目前文献所见有关电池分选的主要方式方法,并提出了分类特征点自动提取和基于减法聚类的分选方法。此方法具有根据电池实际差异状况,自动产生相应分类数量,并能得到明确的分选结果的优点。将这样的分选方法用于动力电池分类,并采用模拟行车工况进行仿真验证的结果表明:它满足稳态工况的电池分类方法,但还不能完全适合动态工况下的分选要求。说明动力电池的分选工作仍然是将来需要进一步进行探讨的问题。     

基于DBSCAN聚类的退役动力电池深度配组方法

退役动力电池在梯次利用时,因单体一致性差异较大,常难以满足使用要求。综合考量退役动力电池动态特性和静态特性,提出一种改进的多参数DBSCAN聚类算法对退役动力电池进行深度配组。对比实验表明,与Kmeans++聚类的结果相比,采用该方法聚类后电池最大容量差减少了86.04%;循环充放电实验表明,采用该方法得到的电池组充电性能提高约3%～5%,其放电量更大,其容量衰减速率降低了64.96%。该方法可有效提高电池组内单体的一致性并延长电池组的使用寿命。     

基于DBSCAN和改进K-means聚类算法的电力负荷聚类研究

对于当前大规模和高维度的用户数据,原始聚类算法有其局限性。提出一种改进的K-means算法与数据降噪处理相结合的方法。首先,DBSCAN(基于密度的空间聚类算法)用于数据去噪,克服了原始K-means聚类算法聚类结果容易受到数据集中噪声点的影响。然后利用轮廓系数和误差平方和确定最优的聚类数。最后,将K-means++聚类算法和确定的最优聚类数用于聚类处理用户负荷曲线。这使得聚类算法避免陷入局部最优,通过数据集测试,表明该方法获得的聚类效果优于原始的K-means算法。     

基于改进DBSCAN的退役动力电池分选方法

退役动力电池梯次利用时电池单体不一致性对于分选后电池组性能具有重要影响,高效的分选方法能够降低电池不一致性,提高电池组的使用性能和安全性。针对目前常用的电池检测系统采样频率较低等问题,首先使用自适应分段拟合方法对充放电数据进行拟合,从充放电曲线中提取表征电池不一致性的动态特征电压上升高度（VR）、电压下降深度（DVF）,并与容量、开路电压静态特征结合构成分选特征向量;然后提出一种基于核密度估计的DBSCAN算法（KDEDBSCAN）,通过核密度估计自适应确定聚类算法参数,对特征聚类实现电池的分选;最后通过实验验证该分选方法的有效性。     

基于LSTM与KPCA的退役动力电池分选方法

针对退役动力电池的快速分选问题,提出了一种能够满足电网储能要求的基于长短期记忆网络(long short-term memory, LSTM)、核主成分分析(kernel principal component analysis, KPCA)和优化K-means聚类的退役动力电池快速分选方法。采用二阶RC模型和混合脉冲功率测试(hybrid pulse power characterization, HPPC)数据,利用带遗忘因子的最小二乘法(forgetful factor recursive least squares, FFRLS)获取电池参数;然后结合LSTM网络,估计电池健康状态(state of health, SOH)和最大可用容量;根据电池参数和梯次利用范围进行初分选,剔除不适用于电网储能的电池;最后依据KCPA处理的特征变量,采用改进的K-means聚类算法进行再分选。仿真结果表明,该方法准确度超过97%,具有较高应用价值。     

基于改进的模糊聚类的雷达信号分选

基于模糊聚类的改进信号分选方法可使用雷达脉冲信号特征参数分选信号。本文简要介绍雷达信号的分选方法,并着重阐释以改进的模糊聚类为基础的雷达信号分析方法。     

基于电压平台的电池聚类分选算法研究

根据磷酸铁锂电池充放电曲线具有的平台特性,提出一种基于电压平台的聚类分选算法。该算法通过分组筛选的方式,可以兼顾成组一致性和分选合格率,具有较高的应用价值。阐述了该算法的具体实现步骤,并通过软件仿真分析,研究压差因子δ_1和距离因子δ_2对分选结果的影响。仿真结果表明,δ_1和δ_2分别决定分组数量及各组的样本数量,直接影响成组一致性和分选合格率。通过选取合适的δ_1、δ_2可同时获得较好的成组一致性及较高的分选效率,但需要以增加一定的分选难度为代价。     

基于改进K-means聚类的变压器局部放电定位诊断方法

针对现有的变压器局部放电故障定位诊断研究未能充分有效考虑时间延迟误差对定位点结果的影响,提出了一种基于改进K-means聚类算法的变压器局部放电故障定位诊断方法。首先,通过消去非线性定位方程的二阶项,实现非线性定位方程的线性化处理;然后,通过使用多个声发射传感器定位PD故障点初始值,并在考虑时间延迟误差的情况下通过冗余时间量测计算多组PD故障定位点;最后,通过使用改进K-means聚类算法,利用聚类密度和凝聚度参数确定聚类中心和聚类个数,并进行聚类优化处理以确定最佳的PD定位点位置。仿真实验验证了所提方法的有效性。     

退役电池快速检测分类方法研究

随着大量锂离子电池从电动汽车上退役,对退役电池快速检测的研究迫在眉睫。针对传统方法因初始状态差异,导致电池在二次利用前的一致性检测时间较长问题,基于电池充电曲线提出了一种快速测试方法。通过将电池充电至截止电压保证电池具有相同的初始状态,而无需进行将电池放空以保证初始状态相同这一步骤,测试时间仅为电池完整充放电时间的12.5%,检测效率提高;提取特征后采用融合Canopy的K-means++聚类算法在NASA数据集和实验室电池上进行验证,聚类准确度达80.5%,证明了设计的快速测试方法的可行性。     

一种MH-Ni动力电池分选方法

研究了一种MH- Ni动力电池的低SOC、小电流脉冲放电分选方法.与大电流脉冲放电分选方法相比,大大降低了分选设备采购成本及生产成本,显著提高了生产效率.     

基于快速密度聚类的电力通信网节点重要性评估

电力通信网的节点重要性评估是电力通信研究的一个重要议题。针对目前电力通信网节点重要性评估存在的连接权值单一以及评价指标单一等问题,利用电力通信网的带宽和距离作为权值,计算电力通信网节点的多种评价指标:节点强度、节点紧密度以及节点的介数。基于电力通信网节点的多种评价指标,利用快速密度聚类方法建立电力通信网的节点重要性评估模型,为电网通信的规划做支撑。通过快速密度聚类方法进行无监督的分类,将节点分为若干个重要性等级。该方法可以有效地改善基于距离的无监督分类方法的不足。利用某省的实际电网通信数据进行检验,验证了该方法在电力通信网中的实用性。     

混合电动汽车用高功率型锂离子电池

研制了 40Ah混合电动汽车 (HEV)用高功率型锂离子动力电池。放电测试结果显示 :电池大电流输出能力良好 ,最大脉冲功率达 898W /kg。电池循环 2 0 0次 ( 2 5℃ ,1C)的容量保持率大于 90 % ,表现出优异的循环性能 ;电池 -2 0℃与 5 5℃的1C放电容量分别为常温下的 96 63 %和 10 3 % ,具有良好的温度适应能力。安全测试显示 :电池具有较强的抗过充能力     

用DSP控制电动车电池管理系统的研究

介绍了电动车电池管理系统的设计思想和方法,用数字信号处理器DSP控制,可实现对蓄电池的电压、电流、温度及剩余电量的在线监测,可改善电池的维护效果,进一步提高了电池的可靠性;并设计了电池充电算法用于D SP软件执行。实验证明该电池管理系统的功能是可行的。     

基于聚类分析的电动汽车充电负荷预测方法

准确预测电动汽车充电负荷是研究大规模电动汽车接入对电网影响的基础,现有充电负荷预测方法缺乏考虑路况拥堵因素对电动汽车荷电量的影响。提出了一种基于聚类分析的电动汽车充电负荷预测方法,在分析常规充电负荷影响因素并初步建立概率分布模型的基础上,对每段行程的行驶里程和行驶时间构成的二维出行特征数据进行聚类分析。挖掘常规统计数据无法得到的道路拥堵因素,考虑不同路况条件下道路拥堵因素对电动汽车荷电状态的影响并叠加该变量到负荷预测模型中。以北京市为例分别预测并比较分析了工作日、周末、夏季、冬季电动汽车日充电负荷曲线。计算结果表明该方法可在一定程度上提高充电负荷预测的精确度。     

一种基于Spark和聚类分析的辨识电力系统不良数据新方法

随着电力系统智能化建设的不断深入和推进,电力系统数据呈现海量化、高维化的趋势。针对电力系统中的不良数据将导致电力系统状态估计结果的准确性降低,而传统聚类算法处理海量高维数据时单机计算资源不足,近年来较流行的MapReduce框架不能有效处理频繁迭代计算等问题,提出一种基于Spark的并行K-means算法辨识不良数据的新方法。以某一节点电力负荷数据为研究对象,运用基于Spark的并行K-means聚类算法提取出日负荷特征曲线,分别对输电网状态估计中的不良数据进行检测和辨识。选用EUNITE提供的真实电力负荷数据进行实验,结果表明此方法能有效提高状态估计结果的准确性,与基于MapReduce框架的方法相比,具有更好的加速比、扩展性,能更好地处理电力系统的海量数据。     

基于深度学习和改进K-means聚类算法的电网无功电压快速分区研究

随着电网规模的不断扩大,对整个大电网进行统一的电压调控变得越发困难.提出一种基于深度学习和改进K-means聚类算法的电网无功电压快速分区方法 ?首先建立电耦合强度矩阵反映系统节点间的电气耦合关系的强弱.然后采用深度学习中的稀疏自编码器,通过训练实现对输入的高维矩阵进行特征提取和降维.最后基于改进的K-means聚类算...     

基于支持向量机铅酸蓄电池的分类研究

铅酸蓄电池是目前广泛使用的一种二次电池。在胶体电解质铅酸蓄电池的生产中,灌注的胶体电解质量不够的铅酸蓄电池必须在化成结束后重新补充胶体电解质。一般而言,判断铅酸蓄电池是否需要补充电解质是依据其化成后的电池容量和电解液体积。很明显这是一种耗时且不利于胶体电解质铅酸蓄电池配组的方法。文章提出了一种基于支持向量机的铅酸蓄电池补胶分类的方法,通过铅酸蓄电池化成过程中间步骤四个时间点的测试电压判断铅酸蓄电池是否需要补充胶体电解质。研究结果表明,该方法优于基于学习向量量化神经网络的分类方法,可以有效地缩短胶体电解质铅酸蓄电池生产时间。