基于K—Means聚类算法电池组均衡策略研究.docxVIP

基于K—Means聚类算法电池组均衡策略研究 目前能源与环境问题受到全球的关注，各国政府已经采取一系列措施，来减缓能源的消耗以及解决环境污染，电动汽车因其不直接消耗石油资源还可以有效地减少环境污染，因此受到了政府的支持，并逐渐成为汽车领域中一个重要的发展方向。为了满足电动汽车运行，锂离子动力电池由于其能量密度高、循环寿命长、安全性好以及较高放电平台，被作为电动汽车的能量源，另外为了满足电动汽车的动力性能，电动汽车的能量源通常由成百上千个不同的电池单体组成，其电池包的组成根据电路原理分为先串后并或先并后串以及其他形式的拓扑电路结构，单体电池串联提高电池包的放电平台，单体并联提高电池包的放电容量，然而由于电池生产工艺、电池材料以及电池成组技术的限制，汽车在随机动态工况运行过程中各单体电池之间会产生不一致性问题，同时由于电池对过充过放的敏感性，当汽车在充电时为了保证不会发生过充现象，要考虑单体最高电压的电池，当汽车在运行过程中为了防止发生过放情况，要考虑单体最低电压的电池，类似于“木桶原理”，随着电池循环次数的增加电池包内部的不一致性将表现得越来越明显，这样电池包的可以容量将受到很大限制。 针对电池不一致问题，研究者们提出了很多电池均衡方法，主要分为被动均衡与主动均衡两类[5，6]。被动均衡是一种耗能性均衡方式，硬件结构简单易于实现，主要是通过外接电阻消耗电压较高电池容量，减缓电池内部一致性问题，增加了电池包整体的可用容量；主动均衡几乎不会消耗电池容量，通过变压器或者电容等元器件，将高电压电池能量转移到低电压电池，实现电池之间能量互补均衡，这种均衡方式虽然减少了能量损失，但是电路设计复杂，硬件实现成本较高；最近一些文献中[3，5-7]，融合主动均衡与被动均衡的优点设计出一种不同的新型均衡电路，一定程度上提高了均衡效率，简化了电路设计。另外，为了提高均衡效率，缩短均衡时间，提出不同的均衡策略，主要是根据电池单体电压或单体电池剩余容量定义均衡策略。由于汽车运行工况的随机性，电池包内部单体电池电压会随着运行工况波动，这样导致基于电压均衡策略失效，该均衡策略在汽车运行动态环境下不能均衡或均衡效果不明显；基于电池剩余容量的均衡策略，通常以各单体剩余容量的均值作为均衡目标，这种均衡方式虽然保证均衡的稳定性，但是以单体剩余容量均值为均衡目标不能保证均衡效率。 均衡策略是均衡电路开启工作的方法依据，均衡方法的好坏直接影响均衡效果的优劣程度。根据现有的均衡电路，本文基于K-means算法提出一种最优效率的均衡策略，通过该算法选择最优能量均衡点，可以高效快速起到均衡效果。 1 均衡策略 为了提高电池包内均衡效率及均衡时间，本策略将电池组内各个单体电池剩余容量作为输入量，通过K-means算法迭代寻优，找出到各剩余容量值相等的点，把该点做为能量均衡点，然后控制均衡电流的方向及电流大小，当达到能量均衡点后结束均衡。 1.1 K-Means聚类算法 聚类分析是在没有给定划分类别的情况下，根据数据相似度进行样本分组的一种方法。与分类模型需要使用有类标记样本构成的训练数据不同，聚类模型可以建立在无类标记的数据上，是一种非监督学习。聚类是对点集进行考察然后按照一定的距离测度方法将数据集聚成多个“簇”过程。聚类的目的是使同一簇内的点之间距离最短。 K-Means聚类算法是典型的基于距离的非层次聚类算法，在最小化误差函数的基础上将数据划分为预定的簇，采用距离作为相似性的评价指标，即认为两个对象的距离越近，其相似度就越大。同时K-Means聚类算法是聚类算法中一个经典算法，该算法假定生成的K簇已知，在低维空间中用不同的距离测度计算点集中各点到k个种子点的距离，直到种子点不在移动，满足终止条件算法运行结束[8，9]。K-means聚类算法的运行步骤如下： ①初始化，从数据集X中随机选择K个元素，作为K簇的各个中心点。 ②迭代，根据相似度准则将数据对象分配到最接近的聚类中心，从而形成不同的簇。 ③更新聚类中心，重新计算k个簇各自的中心，计算方法选择欧氏距离公式 ④重复第二步及第三步，直到聚类结果不再变化，输出结果。 K-Means聚类算法的运行结果可能依赖于初始聚类中心的随机选择，因此，在实际运行过程中，通常以不同的初始聚类中心，多次运行聚类算法，在所有对象分配完成后，重新计算K个聚类中心，对于连续数据聚类中心取该簇的均值做为聚类中心。 1.2 K-Means聚类算法控制策略 电池包内部K-means聚类均衡控制策略，是将电池单体剩余容量作为数据集X（x1，x2，…xi），其中xi表示第i个单体电池的剩余容量，利用欧氏距离公式计算数据集X中各点到簇中心点的