基于电化学阻抗谱及弛豫时间分布的锂电池异常识别与诊断OA北大核心CSTPCD

针对锂离子电池模组中单体电池的状态识别与诊断问题,基于电化学阻抗谱和弛豫时间分布曲线,引入仿射传播(AP)聚类算法进行电池模组异常识别,并与基于密度噪声鲁棒空间聚类(DBSCAN)算法进行对比,以10个正常样本、多个异常样本进行识别。结果表明,AP聚类算法在精度、鲁棒性、参数敏感性方面(数据重叠、密度不均等)表现得比DBSCAN算法更好。另外,引入极端梯度提升(XGBoost)回归器,在存储该电池对应的一定数据后,对同样电池进行识别时,直接通过XGBoost回归器进行电池异常诊断。结果表明,异常检出率为100%,异常种类识别准确率超过92%。最后,提出了包括数据收集、特征提取、识别诊断等关键环节的电池模组异常识别和诊断系统。