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...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。展开更多
文摘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。