电动汽车锂离子电池模块性能相似电池综合聚类研究

工程5（2019）795研究清洁能源-文章电动汽车锂离子电池模块设计中性能相似电池的综合聚类方法李伟a，陈思琪b，彭雄斌b，糜晓a，高良a，刘伟，阿希尔·加格b，鲍能胜b华中科技大学数字化制造装备与技术国家重点实验室，武汉430074b汕头大学机电一体化系统智能集成技术教育部重点实验室，汕头515063阿提奇莱因福奥文章历史记录：2018年8月28日收到2018年10月25日修订2019年6月3日接受在线预订2019年保留字：聚类算法电池模块均衡电动车A B S T R A C T由锂离子电池模块组成的储能系统被认为是新能源汽车的核心然而，电池模块中的制造缺陷导致串联或并联配置中使用的电池之间的性能变化这种变化导致电池的不完全充电和放电以及不均匀的温度分布，这进一步导致循环寿命和电池容量随时间的降低为了解决这一问题，本文采用实验和数值计算相结合的方法，对性能相似的电池单体的成簇进行了全面的研究，以生产出具有更好电化学性能的电池模块首先通过拆卸电池模块进行实验，然后采用k均值聚类和支持向量聚类（SVC）算法来产生每个由12个电池组成的电池模块从聚类分析中获得的结果的实验验证是通过测量在一定时间内的电池中的温度上升，同时提供空气冷却来进行的 结果发现，类别3中的SVC集群电池模块表现出最佳性能，最高观测温度为32 °C。相比之下，其他电池模块的最大观测温度更高，对于类别1（制造商）为40°C，对于类别2（制造商）为36°C，并且对于类别4（k均值聚类电池模块）为35°C©2019 The Bottoms.Elsevier LTD代表中国工程院出版，高等教育出版社有限公司。这是一篇CC BY-NC-ND许可下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 介绍新能源汽车（NEV）的电池模块等储能系统作为替代传统燃气（汽油/柴油）驱动车辆的一种手段，正在获得广泛关注[1，2]锂（Li）离子电池模块的性能参数包括能量密度、容量和比功率。为了满足新能源汽车传动系统的动力需求，多个小型电池模块串联或并联组成一个大型电池模块（也称为电池组）。电池模块由多个串联和并联的电池新能源汽车的续航里程取决于其电池模块的性能，而电池模块的性能取决于每个电池的单独性能以及电池的串联或并联配置电池模块的理想性能应遵循*通讯作者。电子邮件地址：gaoliang@mail.hust.edu.cn（L. Gao）。统一和平等的标准;然而，这些标准尚未得到令人满意的满足。在电池的大规模制造和电池组装成模块期间，由于操作制造条件的不确定性[3]而发生轻微变化;这些可能包括电极材料的性能差异、操作条件的变化或由加工误差引起的几何变化[4]。这些不确定性可能导致电池模块中的缺陷，电池模块中的制造缺陷导致在串联或并联配置中使用的电池之间的性能变化，这又可能导致性能参数的变化容量和电压）。在一段时间内，该问题累积，导致模块中的几个电池的不均匀这些问题导致可用容量减少[5如果在电池模块的设计和制造过程中采用均匀性和均衡标准，https://doi.org/10.1016/j.eng.2019.07.0052095-8099/©2019 THE COMEORS.由爱思唯尔有限公司代表中国工程院和高等教育出版社有限公司出版。这是一个在CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表工程杂志主页：www.elsevier.com/locate/eng西796号Li等人/工程5（2019）795过热、热失控等问题，从而增加电池模块的寿命[8为了解决这些问题，人们研究了一些电池分选方法[13Gallardo-Lozano等人[16]总结了电池均衡系统的不同有源方法，并得出结论，开关电容器和双层开关电容器方法是最佳排序方法。Kim等人[17]提出了一种基于筛选过程（容量筛选和电阻筛选）的方法，以提高锂离子串联电池模块的实用性。在随后的研究中，他们提出了以串联和并联配置布置的多单元电池串的实用通用建模[18]。Kim等人[19]提出了一种带有单元选择开关的模块化两级电荷均衡器。这种排序方法的优点是，其可广泛用于混合电动车辆（HEV）中的大量锂离子电池。此外，在参考文献[20]中比较了五种分选方法，即容量和交流内阻、电化学阻抗谱（EIS）、电压曲线、动力学参数和热行为。结果表明，低频阻抗法是最适合于电池动态特性分选的方法。先前的研究[21-36]已经进行了同质细胞的选择和分类。基于实验验证，与未分选的电池相比，分选的电池在电压、温度和容量方面具有更一致的性能。然而，很少有研究集中在进行实验。因此，本工作结合实验和数值方法，对性能相似的电池单元的聚类进行了全面的研究，以设计具有更高电化学性能的电池模块。图1说明了用于执行聚类分析和验证所设计模块的性能的过程。对48个锂离子电池进行充放电测试，以测量它们的电压、温度和容量。采用k-均值聚类和支持向量聚类算法对性能相近的电池进行聚类，以生产电池模块。进行了比较分析，本研究中生产的电池模块的性能和从制造商购买的电池模块的性能2. 用于数据测量的实验装置本节描述了对48个锂离子电池进行的充放电测试，以测量数据（电压、温度和容量）。48个电池通过拆卸图1所示的电池组获得。 2（a）.电池模块的拆卸过程分为四个步骤：步骤1：获取电池模块的信息，例如容量、电池编号和电池之间的连接模式。第2步：一旦模块打开包装，识别电池模块的输出端子此步骤应小心进行，以避免电池模块的负极和正极之间的任何连接。步骤3：先断开串联连接。为了确保安全，通过破坏串联和并联连接将电池模块拆分为小部分第四步：将小的部分分成单元格。拆卸电池模块后，电池测试系统主要包括电池测试装置、数据采集系统、锂离子电池等。电池测试装置购自Newware公司，具有8个通道，可自动保存数据。测试充放电过程的步骤步骤1：恒定电流放电设定为1.3A。第二步：步骤3：设定恒定电流和恒定电压充电，截止电压为4.2V。步骤4：该步骤再次涉及静置30分钟。步骤5：循环次数设定为20。在整个过程中，电压不允许超过2.65- 2.65的范围4.3每个电池被充电-放电至少30个循环。从实验中收集的数据示于表2中，其中Fig. 1. 电池模块设计和制造的综合流程。K·X¼jl·W. Li等人 /工程5（2019）795-802797图二. (a)电池模块的拆卸和拆卸过程;（b）表1测试18650锂离子电池的步骤。误差平方和是一种常用的评价标准，它是指从一个聚类中的数据样本到聚类中心ml的欧几里得距离之和，可以表示如下：E=m1;m2;：;mll l/l xX Xkxj-mlk21/1j2cl最大安全电压：4.3 V;最小安全电压：2.65 V;启动实验步骤：恒流放电。‘‘zero”以下部分描述了如何使用聚类算法来分析收集的实验数据。3. 聚类算法有监督学习和无监督学习是机器学习方法的两大类。监督学习一般用于分类，而无监督学习用于聚类。聚类算法是根据不同规则对数据进行分组的一组广泛的技术;在参考文献中可以找到许多优秀的描述。[37聚类分析的目的是将数据按一定的规则分成若干类。这些类别不是预先给定的，而是由数据的特征决定的。同一类中的数据往往在某种意义上彼此相似，而不同类中的数据往往不一致。3.1. k-均值聚类算法MacQueen在1967年提出了k-means聚类算法[39]。由于该算法简单易懂，计算速度较快，通常作为大样本聚类分析的首选算法[40]。k-means聚类算法的主要步骤如下：步骤1：随机选择k个样本作为初始聚类中心。第二步：计算其他数据与初始聚类中心的距离，并将数据划分为距离最近的聚类中心所在的步骤3：所有数据排序后，重新计算每个聚类的所有数据的平均值，平均值所在的数据成为新的聚类中心。步骤4：进行多次迭代，直到连续两个聚类的中心相同，表示数据被分类为k个聚类。其中{xj}∈c是数据集，c∈X是数据域，k是聚类的数量，并且cl是其聚类中心是m1的聚类域。聚类中心ml可以通过以下公式计算M1X2Nlj2cl其中Nl是聚类域cl中的数据样本的数量。Eq.中的目标函数E（）（1）表示k个聚类中的所有数据与它们的聚类中心m_l之间的平方误差之和。E（）的值越小，表明聚类中的数据集中度越高，即聚类结果越好。k-均值聚类算法虽然简单实用，但也存在一定的局限性.首先，确定合理的k值是困难的。第二，初始聚类中心选择的随机性可能导致聚类结果的不稳定第三，该算法对噪声敏感基于神经网络的然而，有必要训练神经网络，这可能会使这个过程非常耗时。因此，下一节将介绍一种更好、更高效的聚类算法。3.2. SVC算法通常，采用支持向量机（SVM）进行分类（监督学习）。SVC是与SVM略有不同的算法。SVC实际上是一种无监督学习聚类算法。SVC的主要思想是使用高斯核函数将数据空间映射到高维特征空间接下来，获得具有最小半径的球体，并且球体包含大部分映射数据[41，42]。在被映射回数据空间之后，球体可以被分成几个部分，每个部分包含一个单独的聚类点集。本文采用了一种基于训练核半径函数的鲁棒、高效的聚类标记方法。这种方法有两个阶段。第一阶段涉及将数据集划分为几个相互排斥的组，每个组都是一个聚类。第二阶段涉及标记所有数据样本。数据集支持向量的描述是SVC算法的基础。数据样本通过非线性变化映射到高维特征空间，步骤状态值截止电压1恒流放电的1.3a2.75 V2休息30分钟34恒流恒压充电休息的1.3a4.2 V30分钟4.2 V5周期20已识别。上述步骤相当于以下步骤·JJi;j我 JJJR我西798号Li等人/工程5（2019）795表2电池充放电试验数据细胞数放电状态充电状态零电压（V）零温度（°C）零容量（A·h）满电压（V）全温度（°C）满容量（A·h）13.398125.62.67834.189526.02.684723.375126.82.71924.191126.92.725833.406526.62.66694.188726.92.668343.355726.52.69594.192226.52.705653.405526.72.47734.190526.82.484363.360026.12.64884.188226.22.653873.364925.82.68454.190026.12.685883.398125.62.67834.189526.02.68479------103.412828.02.69414.194626.62.6934113.377427.92.66984.196227.32.6533123.376928.02.70424.194627.02.7080133.388427.92.68614.194126.72.6881143.346426.82.68294.194626.32.6349153.390827.12.67644.194926.72.6571163.414726.92.66174.195326.42.6646173.410325.32.54324.195424.82.5468183.406324.22.66204.194723.62.6594193.408923.72.67074.193824.02.6737203.398225.12.67084.194623.02.6717213.418224.22.51754.194124.12.5170223.399523.82.66424.194422.42.6634233.393923.22.67284.195122.72.6724243.404122.92.63484.193622.92.6323253.396728.32.64524.196628.62.6455263.402629.32.64134.196529.02.6434273.401123.82.68514.196224.32.6877283.396228.32.65604.196229.62.6634293.415423.82.57924.195023.72.5837303.287628.82.63314.194130.52.6364313.412229.92.59954.194430.12.5987323.410430.12.67474.194730.12.6790333.393725.02.65664.194524.82.6534343.379025.12.67884.194824.22.6756353.390224.82.60204.195124.42.602236------373.400223.82.63944.194323.82.6386383.385123.82.64464.195623.52.6434393.425123.82.62284.192723.72.6192403.410024.72.59464.195324.72.5933413.353325.32.62934.196225.12.6310423.396025.32.67964.195824.62.6776433.396425.42.69174.196425.22.6955443.360125.22.69314.195224.42.6953453.402723.92.66434.194123.52.6663463.374723.82.67634.195223.72.6750473.388124.22.62364.195223.62.626848------包含所有映射数据的球体的最小半径SAM-优化问题：最大功率xj<$2b-PbbU<$xi<$·U。xjs：t：0≤b≤C;Pb<$1;j<$1;：;NJ其中U·表示非线性映射，bj是拉格朗日乘子，C是正则化常数。只有满足约束0≤bj≤C的样本位于球体的边界上。当bj1/4C时，样本位于边界之外。的W¼ XK。x j; xjbj-Xbi bjK.xi; xjJi;j在xi的每一点处，W被定义为特征空间中距球体中心的距离的Wolfe对偶形式。fR2kU-ak26其中R（）是从每个xi到球体中心的距离，a是球体中心。考虑到核定义，可以获得以下等式：fx xR2xKx; x x x-2 XK。x j; x bjXbibjK. xi;xj采用高斯核函数计算点积UXi·U。Xj：2j i;jK=xi;xj=e-qkxi-xjkð4Þ训练后的核半径函数的一个显著特征是，该簇边界可以由一组轮廓构成，包含数据空间中的样本：nx：fx^^2o，R^RX，用于一个超级如下所示：端口向量xi.f·f被分成几个不连贯的集合：其中q 是宽度参数，W 可以重新表示为3ÞFNFvi-Zvi -mvk-means聚类0.0142 0.3652 0.00130.0191 0.2162mv¼X. Fv-ZvNW. Li等人 /工程5（2019）795-802799L.R^2π^nx：fπxπ ^R^2π^C[：：：[Cnð8Þ其中，mv表示电压的平均差;Fv和Zv分别表示全电压和零电压;N是数字。其中Ci（i = l，.. . ，n）是对应于不同簇的连接集。虽然在模型的选择中可能很难确定合适的核参数，但SVC与其他聚类算法相比具有一些明显的优势：①它可以生成任意形状的聚类边界;②它具有灵活的边界变化以处理离群值;③它避免了显式计算，因此对大数据集是有效的。3.3. 聚类结果监督学习方法需要训练集和测试集。该方法识别训练集中的规则，然后将这些规则用于测试集。相比之下，无监督学习没有训练集或测试集;相反，它只在集合中寻找规则的数据.本研究以表2中的六种充放电状态参数作为输入向量进行聚类分析。输出的是聚类结果，并通过实验验证。本节主要对表2中的数据进行聚类分析。在这项研究中，我们选择了电压，温度和容量作为输入。当然，研究人员也可以选择其他参数，因此这种输入的选择只是一种选择，而不是标准。本文研究了k-均值聚类算法和SVC算法在SVC方法中，核参数q和正则化常数C分别被设置为0.2和1.2在k均值聚类方法中，聚类的数量聚类分析的结果示于表3中，其中标记为“未聚类”的列基于聚类分析的结果，电压的变化，电池的BER;以及SV表示电压的标准差平均差和标准差的结果分别见表4和表5。从表4中可以看出，分选后的电池模块中的电压、温度和容量的平均差异明显小于未分选的电池模块中的平均差异，表明分选后的电池具有相似的性能。表4和表5中的结果也表示在图1和图2中。 3和4所示。 从图 3、SVC算法在聚类分析中的性能优于k-means聚类算法，尤其是在温度差异方面。4. 实验验证为了验证聚类的结果，进行了实验验证。由于温度是影响电池模块的容量和寿命的最重要的参数，因此对由四种不同的电池模块生产的电池模块的温度（性能参数）进行分析。表3聚类分析结果。聚类方法取消聚类4、7、21、22、23、24、26、27、29、30、42、44k-means clusteringk均值聚类18，19，22，23，27，29，37，38，39，45，46，47SVC 17、18、21、23、24、27、29、33、35、39、40、41表4电池模块的平均差。聚类方法电压（V）温度（°C）容量（A·h）温度和容量在充电和放电的新的非聚类0.81110.55410.0026电池模块计算。平均差和标准k-均值聚类0.79460.41830.0022差异计算如下：SVC0.79300.27620.00221我我1/1vut1X N。ffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiffiΣffiffi2ffiffi1/1表5电池模块标准差。聚类方法电压（V）温度（°C）容量（A·h）不聚类0. 03600. 53220. 0025图三. 电池模块的平均差。sv¼Nð10Þ1800瓦Li等人/工程5（2019）795见图4。 电池模块标准差。类别（即，从制造商处购买的具有相同规格的两个模块、一个SVC集群电池模块和一个由电池组产生的k均值集群电池模块）。实验装置如图5所示。空气冷却是从每个category的模块的底部提供在循环中每5分钟观察温度，因为模块 图图6清楚地示出了对应于类别3的电池模块（SVC集群电池模块）呈现出最佳性能，最高观测温度为32 °C。相比之下，其他蓄电池模块的最大观测温度更高，对于类别1（制造商）为40 °C，对于类别2（制造商）为36 °C，并且对于类别4（k均值聚类蓄电池模块）为35 °C。由于SVC集群电池模块经历的加热最少，因此预计其寿命周期比其他类别的模块更该结果的一个合理原因是，在生产模块时选择了具有相似性能的电池，图五. 用于验证生产的电池模块的实验装置。W. Li等人 /工程5（2019）795-802801图第六章四类电池模块在充放电循环中六个不同位置处的温度变化(b)第2类（制造商）;（c）第3类（SVC-集群电池模块）;（d）第4类（k-均值-集群电池模块）。模块内的温度分布均衡，与其它类别的模块相比，这降低了温度的上升。5. 结论为了实现新能源汽车电池模块中使用的锂离子电池的均匀性和均衡性，我们结合实验和数值方法，对具有相似性能的电池单元的聚类进行了全面的研究，以便以设计具有更好电化学性能的电池模块。对48个电池进行了充放电试验。然后采用聚类算法对两种电池模块（SVC聚类电池模块和k均值聚类电池模块）进行聚类分析。使用聚类算法创建的电池模块的性能与从制造商购买的两个模块的性能进行了比较。SVC集群电池模块表现出最佳性能，最高观测温度为32 °C。相比之下，其他蓄电池模块的最大观测温度更高，对于类别1（制造商）为40 °C，对于类别2（制造商）为36 °C，并且对于类别4（k均值聚类蓄电池模块）为35 °C。这一发现的一个合理原因是，在模块生产过程中选择具有相似性能的电池导致模块内的温度分布均衡，从而与其他类别的模块相比降低了温度上升。k均值聚类算法的性能可能会因所使用的数据而异。然而，对于SVC算法，如果数据给定，聚类结果只受SVC参数设置的影响。此外，由于SVC避免了在高维特征空间中的显式计算，因此它对大数据集是有效的。它可以很容易地应用于电动车辆包括数百个电池组的工业环境中。为了最大限度地减少电池制造缺陷，可以提高加工技术和装配水平;或者，可以提高检测缺陷的能力然而，在这方面，制造缺陷确实存在。虽然拟议的方法在设计阶段之前纳入可能显得过于冗长，但值得注意的是，拟议方法的另一种应用可能是电池回收。由于电池含有化学物质和重金属，它们的处置会造成环境污染和资源浪费然而，旧电池仍然具有不同级别的容量，可以用于其他领域。未来的工作可以集中在对电池进行大规模测试，以设计更大的电池模块，以及对概率方法[43，44]，极端机器学习方法[45，46]和基于人工智能的方法[47确认本研究得到了国家自然科学基金（51675196和51721092）和华中科技大学学术前沿青年团队项目（2017QYTD04）的资助。作者感谢华中科技大学数字化制造装备与技术国家重点实验室的资助（DMETKF2018019）;广东省教育厅支持的帆船人才计划和广东大学青年创新人才项目（2016 KQNCX 053）;汕头大学科研基金项目（NTF 16002）。遵守道德操守准则Wei Li、Siqi Chen、Xiongbin Peng、Mi Xiao 、Liang Gao 、Akhil Garg和Nengsheng Bao声明他们没有利益冲突或财务冲突需要披露。引用[1] 作者：Choi JW，Aurbach D.高能量密度后锂离子电池的前景和现实。Nat RevMater2016;1（4）：16013。[2] 文锋，林春，蒋建春，王志光。电动汽车用锂离子电池一致性评价新方法。上一篇：2012年亚太地区会议记录802W. Li等人/工程5（2019）795动力与能源工程会议; 2012年3月27[3] Mohanty D，Hockhane E，Li J，Hensley DK，Daniel C，Wood III DL.电极制造缺 陷 对 锂 离 子 电 池 电 化 学 性 能 的 影 响 ： 电 池 失 效 源 的 认 定 。 J PowerSources2016;312：70-9.[4] 洪林，李林生，陈维嘉，王建健，向凯，甘利林，等。橄榄石型磷酸铁锂中锂的二维扩散行为及可能的混合相变动力学。Nat Commun2017;8（1）：1194.[5] 方克中，陈松，穆德伯，吴伯荣，吴芳。基于充电热行为的镍氢电池分选研究。JPower Sources2013;224：120-4.[6] 施伟，胡晓生，靳春，蒋建春，张永荣，叶涛。不平衡电流对大规格LiFePO 4/石墨电池并联系统的影响J PowerSources 2016;313：198-204.[7] 杨楠楠，张晓伟，尚斌斌，李国杰. 并联组合锂离子电池组中由于单体电池之间的温差引起的不平衡放电和老化。J Power Sources 2016;306：733-41.[8] Brand MJ，Hofmann MH，Steinhardt M，Schuster SF，Jossen A.并联连接的电池单元内的电流分布。J Power Sources2016;334：202-12.[9] Dubarry M，Devie A，Liaw BY.电池系统的并联串中的电池平衡电流。J PowerSources 2016;321：36-46.[10] Wei X，Zhu B.车用动力锂离子电池组平衡方法的研究。第九届国际电子测量仪器会议论文集&; 2009年8月16 -19日;中国北京; 2009年。[11] Park SH ， Park KB ， Kim HS ， Moon GW ， Youn MJ. 具 有 减 少 数 量 的Transformer绕组的单磁性电池到电池电荷均衡转换器。IEEE Trans PowerElectr 2012;27（6）：2900-11.[12] Sun FC，Xiong R.电动汽车串联电池组双尺度电池荷电状态估计新方法。JPower Sources2015;274：582-94.[13] Moore SW，Schneider PJ.锂离子和锂聚合物电池系统的电池均衡方法综述。SAE技术文件。沃伦代尔：汽车工程师协会; 2001.报告编号：2001-01-0959。[14] 裴丽，朱建波，王志涛，卢如如，陈春春。 基于参数和状态估计器的电动汽车锂离子电池峰值功率在线预测。 能源2014;66：766-78.[15] 安富勤，黄杰，王春英，李正，张建斌，王世，等. 并联锂离子电池系统的电池分选：基于电路模型的评估。JEnergy Storage 2016;6：195-203.[16] Gallardo-LozanoJ ， Romero-Cadaval E ， Milanes-CristoMI ， Guerrero-Martinez MA.电池均衡主动方法。J Power Sources2014;246：934-49.[17] Kim J，Shin J，Chun C，Cho BH.基于筛选过程的锂离子系列电池组的稳定配置，以改善电压/SOC平衡。IEEETrans Power Electr 2012;27（1）：411-24.[18] Kim J，Cho BH.基于筛选过程的串联和并联连接的多单元电池组串的建模，用于高精度荷电状态估计。能源2013;57：581-99.[19] Kim CH，Kim MY，Park HS，Moon GW.一种混合动力汽车中串联锂离子电池组的模块化两级充电均衡器。IEEE Trans Power Electr2012;27（8）：3764-74.[20] 李晓霞，王天锡，裴丽，朱成波，徐宝丽。锂离子电池分选方法的比较研究。In：Proceedings of 2014 IEEE Conference and ExpoTransportation ElectrificationAsia-Pacific; 2014 Aug 31-Sep 3; Beijing，China; 2014.[21] 王强，程晓忠，王军。一种新的用于电池聚类的快速检测分选系统算法。在：第六届清洁电力国际会议论文集; 2017年6月27日至 29 日 ; Santa Margherita Ligure ，意 大利。Piscataway：IEEE; 2017.p. 397- 402[22] Enami N，Moghadam RA.基于能量的分簇自组织映射协议延长无线传感器网络生存期和覆盖范围。Can J MultimedWirel Netw 2010;1（4）：42-54.[23] Raspa P，Frinconi L，Mancini A，Cavalletti M，Longhi S，Fulimeni L，et al.基 于 自 组 织 映 射 的 电 动 汽 车 电 池 组 锂 电 池 选 择 。 Automot SafEnergy Technol2011;2：32-9.[24] 朴春春，王志国，曹军，张伟，陆松。基于实时离群点检测的锂离子电池组电池均衡算法。数学概率工程2015;2015：168529.[25] 马燕，段鹏，孙玉，陈辉。基于模糊逻辑控制的电动汽车锂离子电池组均衡。IEEETrans Ind Electron 2018;65（8）：6762-71.[26] [1]何芳，沈伟新，宋强，卡普尔A，霍纳里D，达雅万萨D. 基于神经网络的电动汽车电池组LiFePO 4电池聚类。In：Proceedings of 2014IEEE Conference and ExpoTransportation Electrification Asia-Pacific; 2014Aug 31-Sep 3; Beijing，China;2014.[27] 李晓艳，宋凯，魏戈，卢如如，朱百斌. 提出了一种基于分数阶联合卡尔曼滤波和改进的k-均值聚类算法的磷酸铁锂电池分组方法。能源2015;8（8）：7703-28.[28] 杨玉新，高敏英，何志文，王传胜。一种基于特征分布模型的鲁棒电池分组方法。能源2017;10（7）：1035。[29] 李建民，钟耀成，宋哲，康宝。使用LC串联谐振电路的锂离子电池的主动电池平衡。IEEE Trans Ind Electron2015;62（9）：5491-501.[30] 尚扬扬，张春春，崔晓宁，格雷罗，JM.基于准谐振LC变换器和Boost变换器的零电流开关零电压间隙电 池 均 衡 器 。 IEEE Trans Power Electr 2015;30（7）：3731-47.[31] Lee KM，Lee SW，Choi YG，Kang B.采用Transformer作为能量载体的锂离子电池组电池的主动平衡。IEEE Trans IndElectron 2017;64（2）：1251-7.[32] Einhorn M，Roessler W，Fleig J.电动汽车中具有主动电池平衡的串联锂离子电池的改进性能。IEEE Trans VehTechnol 2011;60（6）：2448-57.[33] Zheng YJ，Lu LG，Han XB，Li JQ，Ouyang MG.基于充电电池电压曲线变换的电动汽车磷酸铁锂电池组容量估算。J Power Sources 2013;226：33-41.[34] 钟玲，张百波，何艳，陈志宏.一种基于电池组内电池均匀性分析的电池组荷电状态估计方法。应用能源2014;113：558-64.[35] Zheng YJ，Ouyang MG，Lu LG，Li JQ，Han XB.徐丽芳。基于充电电池电压的锂 离子 电池 组在 线 均衡 ：第 1部 分。 基于 剩 余充 电容 量估 计 的均 衡。 J PowerSources2014;247：676-86.[36] 萨 伊 夫 · 萨 马 迪 ·MF 锂离 子 电 池 组 电 池 平 衡 的 非 线 性 模 型 预 测 控 制 。 In：Proceedings of 2014 American Control Conference; 2014Jun 4-6; Portland，OR，USA. Piscataway：IEEE; 2014. p. 2924- 9[37] 徐R，Wunsch D Jr.聚类算法综述。IEEE Trans Neural Netw2005;16（3）：645-78.[38] Tzortzis G ， Likas A. MinMaxk-means 聚 类 算 法 PatternRecognit 2014;47（7）：2505-16.[39] MacQueen J.多元观测的分类和分析方法。在：第五届伯克利数学统计和概率研讨会的会议记录; 1965年6月21日至7月18日，1965年12月27日至1966年1月7日;伯克利，加利福尼亚州，美国。伯克利：加州大学出版社，1967年.p. 281比97[40] 洪哲，邱汉明，杨文宁。 候选组搜索k-调和均值数据聚类。应用数学模型2013;37（24）：10123-8.[41] Ben-Hur A，Horn D，Siegelmann HT，Vapnik V.支持向量聚类。JMach LearnRes 2001;2（12）：125-37.[42] Jun S，Park SS，Jang DS.利用降维和支持向量聚类克服稀疏性的文档聚类方法。专家系统应用2014;41（7）：3204-12.[43] GargA，Hazra B，Zhu H，Wen YP. 非农作物植被土壤含水量与萎蔫的简化概率分析。Catena2019;175：123-31.[44] Garg A，Bordoloi S，Mondal S，Ni JJ，Sreedeep S.四种纤维加筋土力学因素的研究：综合实验和极限学习机方法。J Nat Fibers 2018;2018：1-15.[45] Garg A，Shankhwar K，Jiang D，Vijayaraghavan V，Panda BN，Panda SS.骨钻孔过程多输出特性建模的进化框架。 神经计算应用2018;29（11）：1233-41.[46] GargA，Peng XB，Le MLP，Pareek K，Chin CMM. 锂离子电池容量模型设计与分析。 测量2018;120：114-20。[47] 周 文 华 ， 谭 锋 ， 袁 国 伟 . 软土蠕变特性模 型 修 正 及 不 确 定 性 分 析 。 ComputGeotech2018;100：135-43.[48] 谭锋，周文辉，袁国伟.加载时间对粘土蠕变分析不确定性的影响。 Int J NumerAnal Methods Geomech 2018;42（11）：1235-54.[49] Panda B，Leite M，Biswal BB，Niu XD，Garg A. 3D打印蜂窝结构机械性能的实验和数值建模。 测量2018;116：495-506。[50] Panda BN，Garg A，Shankhwar K.基于切片厚度和零件方向的三维增材制造过程环境特性实证研究。测量2016;86：293-300。