基于SOM+SVM的退役锂离子电池分选.docx

摘要?针对退役动力电池分选方法匮乏的问题，提出一种基于SOM(自组织特征映射网络)+SVM(支持向量机)的退役锂离子电池分选方法。对退役电池进行电池测试，通过电池测试系统记录电池的电流、电压、温度和放电容量的变化，进行电池PNGV(新一代汽车合作伙伴)模型参数辨识，并依据电池容量、等压降时间等特征参数与模型参数对电池进行多参数聚类与分选归类。将分选归类结果中的退役电池单体进行并联重组，进行一致性实验，并对实验结果进行比较分析。实验结果表明：该方法下的退役电池参数在经过重组循环运算后，极化内阻、剩余容量、等压降时间、温度转换速率一致性变化程度较小，欧姆内阻离散度明显减小，在退役电池分选工作中具有实际意义。

关键词?SOM神经网络；支持向量机；PNGV模型；退役电池；电池分选

当动力电池容量衰退至80%后即不适用于电动汽车，但仍具有较强的放电能力与使用寿命。中国汽车技术研究中心的数据显示，2020年我国动力电池累计退役量约20万吨，并逐年增长，预计2025年累计退役量将达78万吨。造成这一巨大困境的主要原因在于退役电池梯次利用体系的不完善，退役电池梯次利用的关键在于解决退役电池单体间一致性问题，需要进行一致性分选。针对电池分选方法已有国内外学者开展了相关研究，其中王东梅等研究了利用电池充放电曲线的平台特性进行聚类分组，但是此分选方式对分选环境要求高，分选成本昂贵。Fang等基于电池的充电热性能参数，采用人工神经网络对电池以不同热状态进行分组，但是在不同温度下，单体电池的衰减速度是不一样的，反而会加剧单体电池的不一致性。采用加权K均值算法，以容量、内阻为参数对退役电池进行分选，并以不同工作条件进行验证，结果表明可满足使用条件。?从分选难度和效率方面分析，利用电池的容量、内阻、容量增量曲线进行分析，虽然在容量和温度一致性方面有较好的结果，但分选过程复杂且缓慢。传统的分选方法需要消耗大量的人力物力，同时需要逐个对电池测试从而完成分选，所以传统的分选方法对于大批量退役电池快速分选不适用。依据王焰辉等以电压、内阻、温度等参数对钴酸锂电池电芯采用不同聚类算法进行分选研究，相比传统聚类算法，采用神经网络进行快速分选效果更佳；郑岳久等分析退役电池充放电曲线中特征电压与容量的关系，采用支持向量机器学习算法对退役电池进行快速分选，提高了分选效率。本工作提出了一种快速且高效的分选方法：采用神经网络和支持向量机器学习相结合的方法，以退役锂离子电池特征参数为输入对模型进行训练，完成对拆机退役电池单体的分类。

1自组织映射(SOM)神经网络+支持向量机(SVM)

自组织映射(SOM)神经网络具有收敛速度快、分类精度高的特点，广泛应用于模糊识别分类和故障诊断方面。支持向量机(SVM)在高维或无限维空间中构造超平面或超平面集合，其可以用于分类、回归或其他任务，它基本上不涉及概率测度及大数定律等，简化了通常的分类和回归等问题。本工作提出并通过实验验证了SOM+SVM分选实验在退役锂离子电池分选方面的成功应用。

1.1自组织映射(SOM)神经网络算法原理

自组织特征映射网络(self-organizingfeaturemap)是一种无监督的人工神经网络。它运用竞争学习(competitivelearning)策略，依靠神经元之间互相竞争逐步优化网络。使用近邻关系函数(neighborhoodfunction)来维持输入空间的拓扑结构。如图1所示，该网络由输入层和竞争层组成，其中输入层由m个神经构成，可以在一维或二维的处理单元阵列上，形成输入信号的特征拓扑分布，接收网络的输入信号，竞争层则是由神经元按一定的方式排列成一个二维节点矩阵。输入层的神经元与竞争层的神经元通过权值相互联结在一起，当网络接收到外部的输入信号以后，竞争层的某个神经元便会兴奋起来，通过学习样本数据特征，产生数据映射。

图1???SOM神经网络模型

训练过程：

（1）数据归一化。归一化输入数据的特征向量，使特征向量无量纲化。

（2）初始化网络。设置输入层与竞争层间的权重初始值ωij、优胜邻域σ0和学习率初值。

（3）选取最佳神经元。通过计算各神经元的欧氏距离，选取欧氏距离最小的神经元k。其表达式为

(1)

(2)

式中，为向量间的欧式距离，X为输入数据，为权值向量，为最小神经元距离。（4）更新权值，对优胜邻域间神经元进行权值更新。其表达式为

(3)

（5）不断循环上面的4个步骤，直到获得期望的结果。

1.2支持向量机(SVM)算法原理

支持向量机(supportvectormachine)是一种监督机器学习算法，适用于模式分类或非线性回归问题，其本质是一种二分类模型，它的基本模型是定义在特征空间上的间隔最大的线性分类器，间隔最大使它有别于感知机。SVM的目的是用训练数据集的间隔最