中國儲能網(wǎng)訊：
摘 要 動力電池在老化過程中出現(xiàn)容量衰減、內(nèi)阻增大和一致性下降等一系列特征變化，雖然這些特征變化給退役電池梯次利用安全性帶來巨大挑戰(zhàn)，但也成為電池狀態(tài)評估和篩選的重要依據(jù)。首先，分析國內(nèi)外政策法規(guī)在推動和規(guī)范梯次利用發(fā)展中的作用，并結(jié)合工程實例剖析安全隱患，提出特征指標提取與處理方法在效率和精度方面的要求。其次，圍繞“模型-測試-算法”框架，創(chuàng)新性地將特征指標提取與處理分為“側(cè)重于效率”和“側(cè)重于精度”兩大類方法，探討在特征指標提取和處理過程中，測試手段和智能算法如何提高效率；介紹多維特征指標提取和分階段的特征指標應用的過程中，模型與算法如何提高精度。最后，結(jié)合政策文獻要求，對各類方法進行總結(jié)和對比，為迎接2030年即將來臨的“退役電池浪潮”提供理論依據(jù)。
關鍵詞 退役電池；狀態(tài)評估；梯次利用；特征指標；電池篩選
能源轉(zhuǎn)型，交通變革是實現(xiàn)“雙碳”目標的重要環(huán)節(jié)。電動汽車的面世和發(fā)展緩解了能源壓力、推動了人們出行方式的變革，而隨之迎來的是其大量退役，大量廢舊動力電池該“何去何從”成為亟待解決的問題。當電動汽車上的動力電池容量衰減到初始值的80%時，雖然此時電池已難以滿足電動汽車的性能要求，但可以在儲能電站、通信基站乃至城市照明等功率要求相對較低的場合中繼續(xù)使用。通過廢舊動力電池回收、拆解、檢測、重組等環(huán)節(jié)實現(xiàn)其梯次利用，迎來RB全生命周期內(nèi)的“重生”，實現(xiàn)了經(jīng)濟與環(huán)境資源的雙贏，具有較為廣闊的市場需求和發(fā)展前景。
退役電池(retired batteries，RB)具有體量大、種類多、形態(tài)功能各異等特點，對其退役時進行余能檢測和狀態(tài)評估是不可缺少的。電池健康狀態(tài)(state of health，SOH)是進行退役電池評估、篩選和重組的重要依據(jù)，通常提取各項特征指標(characteristic indicators, CI)反映電池SOH并對其進行篩分。此外，荷電狀態(tài)(state of capacity)、功率狀態(tài)(state of power)、能量狀態(tài)(state of energy)等多項電池綜合狀態(tài)克服了SOH評估的偶然性，可作為綜合評判RB當前狀態(tài)的特征指標。傳統(tǒng)特征指標的提取與分析主要采用模型驅(qū)動、數(shù)據(jù)驅(qū)動、數(shù)理統(tǒng)計等方法，各種方法在提取效率和精度上各有千秋。
現(xiàn)有綜述文獻對梯次利用電池產(chǎn)業(yè)模式、經(jīng)濟效益、環(huán)境效益、健康狀態(tài)估計、特征指標歸類、篩分方法和聚類算法等領域進行介紹。文獻[8]對梯次利用鋰離子電池測試和篩選的方法及場景和商業(yè)模式進行了探討，認為該技術(shù)前景與挑戰(zhàn)共存。文獻[9]在系統(tǒng)性分析RB梯次利用的經(jīng)濟效益和環(huán)保效益的基礎上，指出其面臨的安全問題、評估方法、篩選和重組技術(shù)以及綜合管理技術(shù)等方面的障礙，強調(diào)供應鏈完整性和相關法規(guī)存在的不足，并認為大數(shù)據(jù)與基于云的技術(shù)將在未來技術(shù)發(fā)展中發(fā)揮重要作用。文獻[10]對比了各類聚類算法的優(yōu)缺點，并對典型梯次利用的場景進行分類介紹，從參數(shù)特性、安全系數(shù)、適用度等層面進行聚類結(jié)果的評價。傳統(tǒng)的特征指標提取與分析主要包括基于模型、機器學習算法和數(shù)理分析等方法，然而，針對退役電池梯次利用對精度和效率的雙重要求，現(xiàn)有文獻中對相關方法的系統(tǒng)總結(jié)仍顯匱乏。鑒于此，結(jié)合行業(yè)發(fā)展的現(xiàn)狀與技術(shù)需求，對傳統(tǒng)方法進行了系統(tǒng)梳理與分類，創(chuàng)新性地提出了“側(cè)重于效率”和“側(cè)重于精度”兩種特征指標提取與處理的方法框架。效率的提升是產(chǎn)業(yè)規(guī)?；l(fā)展的前提，精度的保障是系統(tǒng)安全穩(wěn)定的必要條件。通過剖析傳統(tǒng)方法在效率和精度上的優(yōu)勢，可以為推動梯次利用技術(shù)在理論研究和工程應用中的深入發(fā)展提供理論支持和實踐依據(jù)。
1 特征指標提取目標要求
預計到2030年，我國RB數(shù)量將達到150萬GWh，這一龐大的數(shù)量將對資源管理和處置提出前所未有的挑戰(zhàn)。在“十四五”期間，我國逐步規(guī)范了電池處理技術(shù)，推動了行業(yè)標準化發(fā)展。如圖1，對近幾年典型法規(guī)標準進行梳理。
圖1 “十四五”期間國內(nèi)外RB法規(guī)標準
2021年國家發(fā)展改革委發(fā)布的《新能源汽車產(chǎn)業(yè)發(fā)展規(guī)劃》作為綱領性文件，首次明確將動力電池梯次利用納入國家戰(zhàn)略，提出構(gòu)建全生命周期管理體系的目標要求(見圖1)。2022—2024年間，工信部等七部委聯(lián)合出臺《新能源汽車動力蓄電池梯次利用管理辦法》等專項政策，在智能監(jiān)管平臺建設、余能檢測技術(shù)規(guī)范、逆向物流體系構(gòu)建等關鍵環(huán)節(jié)形成具體實施方案。政策演進呈現(xiàn)出從宏觀指導向微觀操作、從單一環(huán)節(jié)管理向全產(chǎn)業(yè)鏈協(xié)同的重大轉(zhuǎn)變。這標志著在政策引導方面，我國已形成“頂層設計-專項規(guī)劃-實施細則”的完整架構(gòu)。
在標準化建設方面，2024年2月實施的GB/T GB/T 43540—2023《電力儲能用鋰離子退役技術(shù)要求》標志著我國在該領域取得重要突破。該標準系統(tǒng)規(guī)定了電池拆解、檢測、重組等12個關鍵工序的技術(shù)參數(shù)，首次建立容量衰減率≤30%的梯次利用準入門檻。與之配套的T/CESA 1063—2022《梯次利用鋰離子電池儲能系統(tǒng)技術(shù)規(guī)范》等5項團體標準，形成了覆蓋回收運輸、狀態(tài)評估、系統(tǒng)集成的標準矩陣。標準體系已從單一產(chǎn)品標準向"基礎通用-關鍵技術(shù)-應用場景"三維架構(gòu)升級。
2023年7月，歐盟通過《電池與廢舊電池法規(guī)》，構(gòu)建了全球最嚴苛的監(jiān)管框架，其核心特點包括：①實施電池護照制度，要求全供應鏈數(shù)據(jù)可追溯；②設定90%的材料回收率強制目標；③建立碳足跡分級管理制度。該法規(guī)特別強調(diào)生產(chǎn)者責任延伸制度(EPR)，要求制造商承擔從生產(chǎn)到最終處置的全周期責任。此外，國際電工委員會(IEC)于2023年發(fā)布IEC 63338：2024《二次電池可持續(xù)性評估》國際標準，統(tǒng)一了全球梯次利用電池的性能評估方法。美國UL 1974標準創(chuàng)新性提出"等效循環(huán)壽命"評價模型，為跨國電池貿(mào)易提供技術(shù)互認基礎。這些國際規(guī)范與我國現(xiàn)行標準在安全測試方法、殘值評估體系等方面形成技術(shù)對標。
各項法規(guī)與標準對退役電池回收、運輸、評估、重組與報廢等多個環(huán)節(jié)進行規(guī)范，隨著政策框架的完善，RB回收與梯次利用產(chǎn)業(yè)正在朝著智能、綠色、可持續(xù)的方向發(fā)展。在國內(nèi)外政策的支持下，RB的梯次利用技術(shù)逐步成熟，催生了儲能電站、通信基站等多個應用項目。表1中列舉了近年來部分國內(nèi)外梯次利用工程實例。
表1 國內(nèi)外梯次利用工程實例
RB不僅能有效實現(xiàn)電力的削峰填谷、事故備用等功能，還提升了資源的利用效率，推動了能源系統(tǒng)的可持續(xù)發(fā)展。此外，RB在家庭儲能系統(tǒng)、城市照明、低速電動車等領域的應用也取得了顯著進展，展現(xiàn)了其廣泛的適用性與潛力。圖2對典型梯次利用場景進行歸類。
圖2 梯次利用場景歸類
然而，在退役電池成組應用于大型系統(tǒng)時，電池組密集排布、性能各異，若長時間暴露于高溫環(huán)境中，熱失控風險陡然上升。僅在2022年，全球發(fā)生17起儲能電站火災事故，這表明即使是全新電池安全隱患固然存在，而RB在安全性方面的風險則更為顯著。RB數(shù)量龐大、離散程度高、一致性差，若未經(jīng)精準篩選和分類直接進行重組使用，將顯著降低電池的使用壽命，誘發(fā)局部熱失控，進而影響模組乃至整個系統(tǒng)的安全性。因此，回歸到梯次利用的基本要求，精確且高效地提取能夠反映電池當前狀態(tài)的特征指標，對于提升梯次利用技術(shù)的安全性至關重要。表2對退役電池梯次利用精度和效率要求方面的文獻進行總結(jié)和分析。
表2 退役電池檢測精度與效率要求分類與依據(jù)
退役電池特征指標提取的精度與效率已成為制約梯次利用安全性的核心瓶頸。當前主流標準要求容量檢測誤差嚴格控制在±1.5%以內(nèi)，但面對退役電池離散性高及全溫度工況(-20~55 ℃)漂移問題，亟需突破三重技術(shù)壁壘：①多物理場特征耦合檢測，實現(xiàn)熱-電-力參數(shù)10 kHz同步采樣及5 mm3微區(qū)空間解析；②異構(gòu)數(shù)據(jù)實時處理，通過邊緣推理引擎(<50 ms延遲)完成16維特征張量的動態(tài)降噪；③動態(tài)衰減建模，利用遷移學習算法補償80%以上的工況偏移誤差。國際對標顯示，歐盟電池護照要求的全壽命數(shù)據(jù)追溯能力需匹配≥12維特征/秒的提取頻率，而美國UL 1974的等效循環(huán)模型更依賴老化路徑預測精度(RMSE<0.8%)。這表明退役電池特征指標的提取過程中，效率與精度難以兼顧，因而將其分為“側(cè)重于效率”和“側(cè)重于精度”，剖析兩者各自獨立卻又聯(lián)系的部分，以期為我國梯次利用技術(shù)發(fā)展提供理論參考。
2 側(cè)重于效率的特征提取
效率是實現(xiàn)梯次利用規(guī)?；瘧玫那疤?。特征指標提取主要依據(jù)電化學模型、經(jīng)驗公式和測試曲線。相較于電化學模型和經(jīng)驗公式，測試曲線能直接通過設備對電池施加信號獲取，進而提取出所需的特征指標，并且通過曲線的處理可提高特征指標提取的效率。常見退役電池測試曲線包括EIS曲線、充放電曲線、脈沖曲線和微分曲線。測試曲線所表達的電池信息豐富，然而，完整測試曲線的獲取需要一定的時間，如何在這一過程中提高效率是本部分討論的重點。通過對測試設備改進和測試曲線優(yōu)化實現(xiàn)效率的提高，當下，結(jié)合機器學習對部分曲線片段進行訓練以及將測試曲線進行代數(shù)或幾何變換是提高效率的主要手段。
2.1 基于EIS曲線的特征指標快速提取
電化學阻抗譜(electrochemical impedance spectroscopy, EIS)主要用于提取電池的阻抗指標，揭示電池內(nèi)部的老化跡象、極化效應以及電解質(zhì)和電極的狀態(tài)變化，從而有效地評估RB的衰退程度和失效模式，并且其具有非破壞性、無損性，成為RB阻抗指標提取的主要手段。EIS提取特定頻率下的阻抗值作為評估電池SOH的特征指標。傳統(tǒng)的EIS測試消耗時間長、成本高，通過改進測試方法以及與電脈沖等其他測試方法相結(jié)合，EIS能夠契合特征指標提取對效率的要求。如圖3為典型的EIS曲線，主要包括4個部分：高頻區(qū)域、中高頻區(qū)域、中頻區(qū)域、低頻區(qū)域。
圖3 典型EIS曲線圖
文獻[18]在電池充電過程中施加小信號電流激勵，結(jié)合波形變換以及正弦擬合的方法，在線提取低頻EIS中的五個反映鋰離子電池容量衰退的特征指標，相較于傳統(tǒng)測試提升了效率。文獻[19]利用嵌入式微控制器設計了鋰離子電池交流阻抗在線測量裝置，該裝置實現(xiàn)了在0.01 Hz~10 kHz頻率范圍內(nèi)鋰離子電池阻抗的在線快速測量，避免了離線情況下全頻率范圍內(nèi)提取阻抗耗時長的問題。文獻[20]在阻抗譜半圓曲線拐點的中低頻阻抗提取特征指標，采用擬合電荷轉(zhuǎn)移阻抗特征圓的方法提取特征圓的關鍵參數(shù)和模態(tài)分解殘值等健康特征指標。研究還證明了選擇阻抗譜中低頻段進行參數(shù)采集更加方便且高效。文獻[21]使用弛豫分析方法對少量RB進行EIS特性分析，將不同阻抗類型進行區(qū)分，提高了阻抗特征指標的篩選效率。
此外，文獻[22]提出一種集成高速多通道的EIS系統(tǒng)，該系統(tǒng)由高精度電流傳感器、高通無源濾波器、有源低通濾波器和增益放大器組成，可同時測量8塊電池的阻抗譜，從而提高阻抗譜測量的速度。然而，在對多塊電池進行EIS測試時，將電池的SOC調(diào)整到一致水平的時間不可忽略。文獻[23]提出了一種基于幾何特征變換與遷移的EIS曲線重構(gòu)方法。該方法將EIS曲線圖形化為三個圓弧和一段直線的組合幾何體，定義了七個幾何特征參數(shù)，并建立了這些參數(shù)與SOC之間的線性關系。通過將不同的SOC(30%以下)的EIS曲線重構(gòu)至同一目標SOC，該方法有效降低了EIS測試時間。
上述研究在傳統(tǒng)EIS測試的基礎上進行方法改進，提高了阻抗指標提取的效率。目前，主要通過測試方案改進及測試設備設計來提高阻抗提取的效率，前者針對曲線的不同頻段進行測試，實現(xiàn)單一電池EIS阻抗參數(shù)的快速采集，后者利用設計的外部電路對EIS測試方法進行改進，實現(xiàn)對鋰離子電池的批量測試。
2.2 基于充放電曲線的特征指標快速提取
電池充放電曲線物理內(nèi)涵豐富，提供了大量可用的測試數(shù)據(jù)，在RB特征指標提取過程中通常研究電壓電流曲線、充放電容量變化、SOC-OCV曲線。文獻[24]基于等壓差充電時間的鋰離子電池壽命預測在電池充電電壓和電流曲線中提取出等壓差充電時間作為特征指標，用于后續(xù)的壽命預測工作。文獻[25]提出了一種基于電壓片段特征指標快速提取方法。在對充電電壓曲線進行擬合后，選取其任意一個片段，以ΔU=0.001 V作為間隔點，連接所有間隔點并計算中間電壓點的垂線距離。通過計算這些垂線與連線的距離差值的平方和并得到最大距離值，即弗雷歇距離。文獻[26]僅需通過20個點來捕捉第100次循環(huán)和第10次循環(huán)之間的電壓-容量衰減方差特征，作為表征電池壽命的特征指標，用于后續(xù)的壽命預測。文獻[27]則利用充電曲線中提取的少量電壓和容量樣本，結(jié)合BP神經(jīng)網(wǎng)絡模型和分段線性擬合模型對其進行擬合訓練，實現(xiàn)對大量電池的容量預測。
文獻[25-27]都是在進行完整充放電的基礎上進行特征指標的提取，全容量的測試意味著時間的消耗，進行曲線的局部測試可減少測試時間。文獻[28]根據(jù)單體電池充電電壓特征曲線測試，通過假想平移的思想彌補曲線，在模組中任一電池充滿電情況下其余未滿電電池充電曲線，從而實現(xiàn)對每一塊單體電池進行容量快速估計。文獻[29]通過設計電池數(shù)據(jù)采集系統(tǒng)獲取RB的充放電數(shù)據(jù)，并將數(shù)據(jù)分割為不同時間間隔子數(shù)據(jù)，能夠快速提取大量電池的電壓特征指標。
文獻[30]的研究中指出，低SOC時最大負載電壓差與RB模塊的容量有良好的負線性相關性，根據(jù)這一特性可在低電壓區(qū)間測試中快速進行容量估計。文獻[31]提出了一種基于低SOC電壓區(qū)間的混合模型，用于快速準確地提取退役磷酸鐵鋰電池的剩余容量。從0~20%SOC的電壓最優(yōu)曲線片段提取電壓指標，并驗證了所提取出的指標與全電壓檢測提取出的指標大致相同。針對非單一SOC情況下的RB特征指標提取，文獻[32]利用輕量梯度提升機，對10%到30%或30%到60%SOC部分的充電曲線進行特征指標篩選，通過實驗驗證了該方法在減少數(shù)據(jù)傳輸時間方面的有效性。
文獻[33]和[34]分別提出了一種基于圖像處理和深度學習的RB篩選方法。文獻[33]將電池的電壓時間序列數(shù)據(jù)轉(zhuǎn)化為馬爾可夫轉(zhuǎn)移場圖像，然后使用Swin Transformer網(wǎng)絡進行分類，以快速提取電壓特征并預測電池容量。文獻[34]則將恒流充電曲線轉(zhuǎn)化為格拉姆角差異場圖像，并結(jié)合ConvNeXt網(wǎng)絡對一系列的結(jié)構(gòu)優(yōu)化和訓練策略的調(diào)整，顯著提升了模型的性能。
2.3 基于脈沖曲線的特征指標快速提取
在電池不同的SOC情況下，脈沖測試能夠提取電池內(nèi)阻參數(shù)，從而作為電池SOH評估的特征指標。但其實在電池老化的過程中，特定SOC下的內(nèi)阻增加與電池的容量衰減沒有明顯相關性，這使得單次脈沖測試難以快速準確地提取電池特征指標。
文獻[36]提出了四脈沖測試法，分析每個脈沖的起始電壓、結(jié)束電壓、脈沖跌落電壓以及脈沖起始與結(jié)束瞬間等效內(nèi)阻與SOH的變化關系，在短時脈沖后進行一次EIS測試就可提取特征指標。文獻[37]僅通過一次HPPC測試提取電池的OCV。在此基礎上，如圖4所示，文獻[38]對磷酸鐵鋰電池施加30秒正向電流脈沖，靜置30秒后再施加30秒負向電流脈沖，在此過程中快速提取動態(tài)電壓，并將動態(tài)電壓進行傅里葉分解，分析其在不同頻率下的變化幅值，作為用于估計電池SOH的特征指標。文獻[39]則將脈沖下的電壓響應曲線中的轉(zhuǎn)折點視作特征點，通過手動提取減少數(shù)據(jù)維度，僅用21個特征點作為特征指標用于隨機森林機器學習模型的輸入，大大提高了提取數(shù)據(jù)的效率。
圖4 脈沖測試曲線
通過采用簡化的測試方法和高效的算法，研究者們極大縮短了電池電壓與容量指標的提取時間。未來的研究可能聚焦于進一步優(yōu)化測試流程和算法模型，以實現(xiàn)更高效、更精準的電池特征提取。
2.4 基于微分曲線的特征指標快速提取
相比于從電壓曲線和脈沖曲線中提取鋰離子電池特征指標，微分曲線方法計算量小、電參數(shù)意義可解釋性強、成本小且實施簡單。該方法通過將電池電壓、容量和電流等曲線中平臺期平緩的變化通過微分轉(zhuǎn)化為峰值，不同循環(huán)下微分曲線峰值數(shù)據(jù)能夠表征電池老化規(guī)律，更易辨識，從而提高了退役鋰離子電池特征指標的篩選效率。如表3，基于微分曲線的特征指標提取方法主要分為容量增量法(incremental capacity analysis, ICA)和差分電壓法(differential voltage analysis, DVA)。
表3 微分曲線方法示意
文獻[42]對增量容量曲線進行平滑濾波處理后提取出特征指標，用于后續(xù)電池健康狀態(tài)估計，但該方法在特征指標提取的效率上沒有進行突破；文獻[41]通過ICA法對充放電曲線的研究發(fā)現(xiàn)，在0.2C倍率下的充放電曲線中能夠快速提取接近13.45 V特征峰的高度作為快速評估模塊SOH的特征指標。然而，基于ICA曲線的SOH評估模型傳統(tǒng)方法通常需要小于1/2C倍率的小電流充放電電壓數(shù)據(jù)，在充放電階段需要耗費時間成本，若要妥協(xié)大電流倍率下充放電，需要犧牲精度。文獻[43]對1C速率和100%放電深度下循環(huán)的RB進行研究，結(jié)合區(qū)域ICA和DVA法建立電池SOH評估模型。文獻[44]提出了高充電電流率下的增量容量曲線快速提取電池單元的容量特征和內(nèi)部電阻的方法，能夠?qū)⑻卣髦笜说奶崛r間縮短，且在不影響容量特征提取的情況下同時獲得電池的直流電阻。
為了在較短的測試時間內(nèi)選取合適的電壓區(qū)間，文獻[45]通過選取等幅放電時間、直流內(nèi)阻和等幅放電溫升三個特征指標，繪制了放電時間、放電電壓以及溫升關于電池電壓的變化率隨電壓變化的曲線。通過對比，在3.30~3.35 V區(qū)間內(nèi)，能夠在最短的測量周期內(nèi)獲得區(qū)分度較高的特征指標。
為了提高多重特征指標提取效率，文獻[46]提出了三個分類標準：容量、電阻和二者的復合，從電池的ICA、EIS和恒壓充電過程中的電流曲線中快速獲得的多個RB特征指標，ICA曲線特征只需在充電過程的前半部分獲得，大大縮短了確定提取特征指標所需時間。文獻[47]提出了一種結(jié)合ICA、等效電路模型和操縱庫侖計數(shù)法的方法來評估RB模塊基于部分放電曲線的全容量。該研究通過OCV-SOC曲線以及建立ECM所提取的參數(shù)，結(jié)合ICA檢測放電曲線中最具信息量的部分，實施操縱庫侖計數(shù)進行全容量估計。研究結(jié)果表明，只考慮一小部分放電數(shù)據(jù)，可以在短測量時間內(nèi)，以最大5%的估計誤差估計RB模塊的總?cè)萘俊?/span>
將本部分基于測試曲線提取特征指標的方法進行歸類匯總，如表4所示。
表4 基于測試曲線的特征指標提取方法匯總
3 側(cè)重于精度的特征提取
精度是實現(xiàn)梯次利用安全性的必要條件。退役電池來自不同場景，經(jīng)歷不同程度老化，大量電池之間存在較強不一致性，提升特征指標提取的精度有助于提高梯次利用的安全與可靠性。側(cè)重于精度的特征指標提取和處理方法主要分為多維度特征指標提取和多層階特征指標的應用，如圖5所示。
圖5 高精度特征指標提取方法
多維度特征指標主要源自充放電曲線中的各典型點和特征線段。相較于第二部分中對特征指標提取效率的討論，本部分主要聚焦于各方法在分辨率、誤差等方面的優(yōu)勢對比。多層次特征指標的應用則側(cè)重于特征指標提取后的處理方式，通過多個環(huán)節(jié)和不同視角進行綜合分析，以提高分析結(jié)果的精度。
3.1 多維度特征指標提取
電池老化和性能衰退過程是復雜的，涉及材料性能參數(shù)、力學性能參數(shù)的改變，電化學反應的多重因素影響。單一特征指標難以描述電池老化狀態(tài)、克服容量跳水和“木桶效應”，因此從充放電曲線中提取多維度特征指標并用于評估RB當前狀態(tài)是常用的方法。依據(jù)RB充放電曲線中各參數(shù)的時變特性，建立時間、電壓、電流、容量兩兩之間的函數(shù)關系及其相關衍生參數(shù)之間的關系，并從中提取關鍵特性，主要方法分為多維靜態(tài)指標的耦合、曲線數(shù)理特性分析和靜態(tài)指標與動態(tài)指標結(jié)合。
相較于新電池，RB容量降低、內(nèi)阻增加、充放電效率下降這一事實恰為特征指標提取提供傳統(tǒng)思路。充放電曲線中關鍵點和關鍵曲線可作為研究的對象，文獻[49-50]通過優(yōu)選部分充電曲線，從中提取了關鍵點、曲線梯度、電壓能量和波動性等四個特征指標反映電池的老化狀態(tài)，并建立與容量之間的線性相關關系。文獻[51]耦合電池容量、內(nèi)阻和基于ICA曲線等特征指標，根據(jù)能量存儲和峰值負荷轉(zhuǎn)移電力應用場景需求進行聚類排序，以高精度的特征指標提取和處理結(jié)果確保了場景應用的可靠性。文獻[52]聚焦于RB生命周期末端的充電-放電循環(huán)過程，通過隨機森林模型進行分類，實現(xiàn)了在不同工況下退役的電池高準確率特征提取。
文獻[49-52]均從特定的充放電曲線中直接或間接獲取特征參數(shù)用于電池篩分，而文獻[53]經(jīng)RB多次循環(huán)，選取典型循環(huán)內(nèi)的充放電曲線進行數(shù)據(jù)遷移分析，分析典型放電循環(huán)中充放電電壓曲線的偏移情況，將偏移情況分解為“拉伸、平移、旋轉(zhuǎn)”三個維度的物理量，在電池各種初始條件不一致的前提下進行循環(huán)測試，得到對電池組一致性影響較大的因子并以此作為特征指標。相較于傳統(tǒng)測試方法，文獻[33]不僅在效率上顯著提高，還將恒流充電階段的電壓時間序列數(shù)據(jù)轉(zhuǎn)換為圖像，通過馬爾可夫轉(zhuǎn)移場和Swin Transformer進行編碼和分類，其獨特網(wǎng)絡結(jié)構(gòu)使其在不同尺度上對層次結(jié)構(gòu)靈活建模，將時間序列數(shù)據(jù)轉(zhuǎn)換為二維圖像，使原本細微的差異在圖像中變得明顯，提高了分類的準確性。
受到運行環(huán)境中溫度、倍率、應力等因素的影響，單一用靜態(tài)特征指標難以全面反映電池當前狀態(tài)，結(jié)合動態(tài)特性指標測試，可提高篩分的精度。文獻[55]測取模組端電壓、容量和內(nèi)阻等靜態(tài)參數(shù)，采用改進K-means進行聚類，并結(jié)合電池SOP動態(tài)參數(shù)特性變化，減小了電池充放電電壓曲線靜態(tài)參數(shù)篩選的偶然誤差。文獻[56]在文獻[55]的研究基礎上，提出電池模組的綜合功能參數(shù)(state of function, SOF)，采用數(shù)字孿生技術(shù)將電壓、電流、SOC和SOH等多個參數(shù)建立耦合物理模型、信息流和數(shù)字映射的篩選框架，在LSTM基礎上，采用GAN-LSTM模型優(yōu)化了電池數(shù)據(jù)的缺失和偏移問題，通過設置動態(tài)安全裕度和偏差模型來提高電池模組的動態(tài)一致性。
表5 特征指標多維度提取方法對比
3.2 特征指標多層階應用
一般所提取的特征指標數(shù)據(jù)往往是高維的，包含大量的冗余信息和噪聲，消除上述因素影響可提高模型精度。為此，提出層次化數(shù)據(jù)處理思想與技術(shù)構(gòu)架，重點聚焦于相關性分析、數(shù)據(jù)降維和噪聲去除的數(shù)據(jù)預處理和基于靜、動態(tài)參數(shù)的分階段篩選方法，圖6為特征指標處理與優(yōu)化流程示意圖。
圖6 特征指標多層階應用示意
3.2.1 數(shù)據(jù)降維與關聯(lián)度分析
相關性分析常用于判斷指標與指標、指標與狀態(tài)評估之間的關聯(lián)性，通過測量不同變量之間的關系強度和方向，幫助識別與目標變量最相關的特征，從而優(yōu)化模型的輸入變量選擇。文獻[57]從電池的部分充電曲線中提取健康特征，并利用皮爾遜相關系數(shù)篩選與SOH強相關的特征作為輸入，引入了權(quán)重函數(shù)和線性方程并改進標準支持向量機，提高SOH特征指標提取精度。文獻[58]在基于實際車輛數(shù)據(jù)的遺忘因子遞歸最小二乘法精確提取歐姆內(nèi)阻基礎上，通過皮爾遜相關性分析，篩選出與電池歐姆內(nèi)阻高度相關的參數(shù)作為LSTM神經(jīng)網(wǎng)絡的輸入，構(gòu)建的SOH預測模型能夠在多個運行條件下實現(xiàn)高精度的狀態(tài)預測。文獻[59]通過皮爾遜相關系數(shù)和網(wǎng)格搜索來識別與電池容量相關性最高的特征指標，提出了一種評分融合機制，實現(xiàn)了不同電池容量分布下的聚類方法整合，增強了排序方法的適應性和準確性。不同于皮爾遜線性相關系數(shù)，在文獻[60]中，通過Levenberg-Marquardt方法和斯皮爾曼相關性分析提取了與電池容量損失機制直接相關的三個健康指標，引入了改進的蛾-火焰優(yōu)化算法來優(yōu)化支持向量回歸方法中的參數(shù)，防止算法陷入局部最優(yōu)值。在訓練樣本數(shù)量較少的情況下也能快速準確地估計電池的殘余容量。
從高維數(shù)據(jù)中篩選出具有代表性的信息，減少冗余特征的影響，可提升模型精度。文獻[61]采用主成分分析法(principal component analysis，PCA)將距離截止電壓前750s處的電壓數(shù)據(jù)降維，從中提取的單位時間放電量、內(nèi)阻和容量相關度高。文獻[62]通過插值將電池放電電壓曲線轉(zhuǎn)換為低維的斜率序列參數(shù)，對數(shù)據(jù)進行對齊、去噪，使得篩選出的電池在電壓、內(nèi)阻和容量等關鍵參數(shù)上具有更高的一致性。文獻[63]基于EIS特征參數(shù)序列，用雙向長短期記憶模型來建立與電池容量高度相關的特征參數(shù)序列，提出特征匹配的遷移學習技術(shù)將測試數(shù)據(jù)所建立的基礎模型遷移到不同條件下的電池數(shù)據(jù)上。文獻[64]采用了在處理非凸數(shù)據(jù)、高維數(shù)據(jù)和噪聲方面優(yōu)勢突出的譜聚類算法，并對比傳統(tǒng)K-means聚類算法，由于數(shù)據(jù)維度的降低，減少了噪聲干擾，精度大大提高。
面對復雜的環(huán)境，自適應調(diào)整算法或濾波器的參數(shù)，剔除實驗數(shù)據(jù)中的隨機噪聲，增強信號的可識別性與穩(wěn)定性，可進一步提高特征指標提取的精度。文獻[65]將LSTM、BPNN和支持向量回歸三種算法結(jié)合，綜合考慮溫度、電壓和電流這三個因素，通過Q-learning強化學習實現(xiàn)了模型根據(jù)不同的工作環(huán)境和條件自適應調(diào)整算法權(quán)重，提高了SOE估計的準確性和魯棒性。文獻[66]采用遞歸限制總體最小二乘法與自適應H-無窮濾波器相結(jié)合進行參數(shù)識別。RRTLS有效處理電流和電壓測量中的噪聲干擾，確保準確的模型參數(shù)識別；AHIF則動態(tài)調(diào)整噪聲協(xié)方差，以應對不同操作條件下的模型不確定性，提高了在寬溫度和電池退化范圍內(nèi)對RB健康特征提取的精度和魯棒性。
3.2.2 多階段的篩選方法
在特征指標處理和應用的過程中，由于有時候指標量之間相對獨立，分別反映了RB的各種狀態(tài)，因而產(chǎn)生兩階段的篩選方法，將靜態(tài)、動態(tài)指標相互分離，分別篩選。此外，在選取靜、動態(tài)指標之前率先對數(shù)據(jù)預處理或基于初始指標進行初步預篩選可進一步減少篩分工作量并提高技術(shù)精度。
文獻[67]構(gòu)建退役動力電池模組端電壓、SOC、SOH及循環(huán)次數(shù)等參數(shù)間的關聯(lián)特性，將各特征指標劃分為靜態(tài)指標和動態(tài)指標，并進行靜、動態(tài)參數(shù)相結(jié)合的兩階段篩選。文獻[68]建立標準化初始起始電壓點和簡化電池組模型，采用容量和電阻篩選的兩階段篩選方法，確保了電池單元在靜態(tài)和動態(tài)條件下的一致性。文獻[69]通過兩個階段的性能測試來評估RB的一致性，首先通過測試電池容量和內(nèi)阻進行初步篩選，然后利用ICA法進一步分析電池的老化差異，最終選擇出老化程度相似、性能一致的電池單元組成電池包。文獻[70]同樣結(jié)合了靜態(tài)和動態(tài)特性進行兩階段篩選，第一階段根據(jù)放電容量和溫升進行初步篩選，排除異常電池并確定可能的簇數(shù)量，第二階段從電壓曲線中提取的動態(tài)特征，有效考慮電池老化機制，提高了指標提取的一致性。
除了基于靜、動態(tài)指標的兩階段篩選，文獻[71-72]分別從電池外觀和電池老化機制的角度進行兩階段篩選。文獻[71]采用了CBAM-ResNet50深度學習模型進行電池外觀缺陷的檢測。該模型結(jié)合注意力機制和殘差網(wǎng)絡的優(yōu)勢，并通過兩階段圖像采集方法獲取電池外觀特征，全面捕捉電池的各個外觀特征，提高了識別的細致程度。文獻[72]考慮了電池的一致性和老化特性，對正態(tài)分布和威布爾分布對電池容量和內(nèi)阻分布進行擬合，識別了電池容量衰減過程中的主要影響因素，即SOC不平衡，并依據(jù)IC峰面積分析提出了一種能夠代表電池模塊老化機制變化的一致性評估方法。
兩階段篩選能夠滿足絕大多數(shù)電池篩選精度要求，但由于每一階段特征指標維度高、離散性強制約著篩分效率，因此數(shù)據(jù)預處理和狀態(tài)預檢測值得關注。文獻[73]通過DBSCAN算法排除異常電池后利用WK-means算法對正常電池進行基于靜態(tài)特征的二次排序和基于動態(tài)特征的三次排序，全面地捕捉電池性能的差異，實現(xiàn)更精確的一致性評估和排序。文獻[74]通過快速篩查技術(shù)對電池的電壓和內(nèi)阻進行初步檢測，以快速識別RB的初始狀態(tài)，利用自組織映射神經(jīng)網(wǎng)絡對電池的SOH進行檢測和分類，并提供最佳的分類組合，通過實驗驗證了所提出的回收和再利用框架的準確性，其提出的框架可視為三階段的特征指標提取方法，提高了容量和內(nèi)阻篩選的一致性。
4 結(jié)論與展望
為了提高退役動力電池在各場景梯次利用的可靠性，推動梯次利用技術(shù)的發(fā)展，對退役電池進行特征指標提取是完成后續(xù)篩分與重組的必要先前環(huán)節(jié)。本文重點從特征指標提取的目標要求、側(cè)重于效率的特征指標提取方法和側(cè)重于精度的特征指標提取方法進行了綜述，并得到以下結(jié)論：
（1）政策法規(guī)文獻具有驅(qū)動和約束兩大作用：一方面明確了RB梯次利用的環(huán)節(jié)與目標并對各部分要求進行細化，另一方面法規(guī)的不斷修正與完善規(guī)范著行業(yè)的可持續(xù)發(fā)展。RB一致性給工程應用帶來巨大挑戰(zhàn)，對各單體或模組的特征指標提取是提高安全性的必要前提。
（2）提高特征指標提取的效率，可以從測試方法入手，也可以從測試指標的選擇上入手。對于傳統(tǒng)的特征指標，改進測試的方案可降低測試的時間，EIS成為RB模組層面篩分的常用手段。對于測試曲線處理，數(shù)據(jù)驅(qū)動算法和數(shù)據(jù)處理的方法選取部分特征指標，實現(xiàn)了以局部評估整體、以過程預估結(jié)果的目標。
（3）提高特征指標提取的精度，多維度特征指標的提取實現(xiàn)了RB狀態(tài)綜合評估，多階段的篩選過程有利于數(shù)據(jù)充分應用。傳統(tǒng)靜、動態(tài)參數(shù)測試提取多維指標可直接用于后續(xù)聚類工作；將測試曲線進行加工，從不同的角度、不同的層面進行狀態(tài)評估契合國家標準中所謂之智能化發(fā)展。對所提取的特征指標進行數(shù)據(jù)處理與優(yōu)化，并參與多階段的篩選，過程復雜的同時提高了篩分準確度。
效率是實現(xiàn)規(guī)?；瘧玫那疤?，精度是提高安全性的前提，兩者的提高共同推動梯次利用技術(shù)的發(fā)展。“模型-測試-算法”緊密關聯(lián)，構(gòu)成特征指標提取和處理的完整閉環(huán)，無論選取何種指標、進行何種狀態(tài)評估都應與此緊密結(jié)合?？深A見的是，隨著人工智能、大數(shù)據(jù)技術(shù)的發(fā)展，梯次利用將會與此產(chǎn)生更強關聯(lián)，實現(xiàn)電池篩選技術(shù)的可持續(xù)、智能化發(fā)展。
