基于决策树的异常电池分类方法

提出了一种基于决策树算法的异常电池精准定位和分类方法，帮助人们在电池维修或更换时能够迅速确定故障单体的位置和类型，从而实施准确的维修更换方法，提高故障处理的效率。搭建电池仿真模型获取异常电池的充放电循环数据；以电压数据为基础，训练用于异常电池分类的决策树算法，使用试验数据和云端实车数据对构建的模型进行验证。验证结果表明，该方法能够准确判断异常电池单体在电池组中的位置和异常类型。在不同验证数据上，该方法的分类准确率高达98%以上，能够有效筛选出动力电池组中的异常电池。该结果说明了提出的决策树算法在动力电池异常分类中的有效性和准确性。     

基于云端放电数据的电池组一致性研究

为提升电池组放电数据使用价值，减少对电池组充电数据的依赖，改变放电数据因质量差、采集效率低等原因难以得到有效利用的现状，以云端放电数据为研究对象，提出一种动力电池组一致性评价方法。该方法筛选出电池组的有效放电循环数据片段，根据每一放电循环中的单体电压曲线绘制包络线，进而基于上下各数条包络线进行数学计算，最终拟合得到一条一次曲线，根据最终拟合一次曲线斜率大小对一致性进行定量评价。试验结果表明，对于不同一致性状况的电池组，该方法能合理对其评分；实车数据分析表明，该方法能有效运用于工程中。该方法为电池组一致性的评价提供一种新思路，在一定程度上实现放电数据的有效利用价值。