第一作者：Sijia Yang通讯作者：Caiping Zhang, Weihan Li通讯单位：北京交通大学，德国亚琛工业大学 【研究背景】电动车电池的梯次利用可以增加电池的使用时间，从而降低总的系统成本，提高资源利用率，在新能源汽车的可持续性方面发挥着重要作用。大多数电动汽车退役电池仍然可以满足如电动摩托车、移动电动车和固定式储能系统等能量和功率需求低的场合。事实上，超过70%的退役电池可能仍然拥有超过80%的额定容量。然而，由于在一次生命周期中这些电池经历了不同的老化路径，因而这些电池的内部老化状态可能是不同。这种潜在的不一致性会诱发退役电池在梯次利用中的不同老化速度，并进一步加剧电池组的退化，甚至导致安全问题。为了电动车电池在梯次利用中的可靠运行和电动车行业的可持续发展，准确筛选具有良好一致性的退役电池是必要和关键的。然而，耗时的测试、筛选准则提取以及在退役时模组与模组之间的巨大不一致性都对快速筛选构成了巨大的挑战。因此，为了加速梯次利用的进程，本文提出了一种融合机器学习的快速筛选方法，通过电池包级测试和机器学习来评估和分类模组级老化程度，不需要拆解电池包和单独对模组进行测试。 【工作简介】近日，北京交通大学联合德国亚琛工业大学团队通过电池包级测试数据和人工智能算法，提出了一种基于动态特性准则的退役电池梯次利用快速筛选方法。通过提取的表征模组综合性能的动态特性的准则和自适应亲和传播聚类算法，退役电池的快速筛选速度得到了进一步的提升。通过对一个由95个串联的模组组成的退役电池包进行电池包级和模组级的实验来实施和验证所提出的方法，与需要模组级测试的筛选方法相比，所提出方法的筛选时间至少减少了50%，实现了合理的静态性能一致性、更好的动态性能一致性以及更高的筛选稳定性。与三个基准相比，分别实现了18.94%、4.83%和34.41%的平均综合性能改进。该方法适用于模组SOC不一致达30%的电池包。此外，考虑到筛选的精度、时间和资源成本，该团队研究了不同算法下的筛选的稳定性和大电流倍率下的适应性。相关研究成果以“Fast screening of lithium-ion batteries for second use with pack-level testing and machine learning”为题发表在国际交通电动化杂志etransportation上。 【内容表述】针对退役锂离子电池组，目前还没有统一的筛选准则或工业标准。一般来说，电池组需要被拆成模组或单体来评估电池的状况。内部准则，如电极的形态变化或电化学参数，虽然可以直接捕捉到老化的情况，但需要特殊的设备和领域的专业知识，这在大规模筛选中的应用成本很高。另一方面，外部准则更容易实现，包括观察检查，重量，自放电率，产热，容量，内阻，以及在特定的电荷状态（SOC）的端电压等。这些外部准则可以进一步分为两类：基于静态特性和基于动态特性的。基于静态特性的准则只反映了在特定老化程度下或者某一SOC下的性能，是一个状态点；而基于动态特性的准则则描绘了电池在一个时间段或一个SOC区间内的运行性能。额定容量就是一个静态特性准则。相比之下，电压-容量曲线则是一个动态特性准则。可以说，基于动态特性的准则比基于静态特性的准则更能深入了解电池的内部状态。毕竟，尽管有相似的标称容量，两个老化的电池的内部老化状态可能会由于不同的老化路径而有所不同。 本文所提出的筛选方法整体架构如图1所示，其基本思想是提取电池在运行过程中表现出来的不一致性。本文中我们主要的研究对象是有许多模组串联而成的电池包，在我们的案例中，有95个模组。由于模组层面上的筛选可以平衡电池拆卸的经济性和重新组合的灵活性，本文中，模组被认为是最小的筛选单位。筛选所基于的是电池包级测试中获得的模组电压数据，其中充电和放电过程都包括在内。动态特性筛选准则，包括四个电压比例的准则和两个相变反应数的准则，将从包级测试中的模组端电压和相应的容量增量（IC）曲线中提取。我们采用自适应亲和传播算法对所提取的筛选准则进行聚类，从算法的角度进一步提高了筛选效率。通过模组级和电池包级的实验，对筛选出的模组的一致性性能进行了全方位的评估和验证。图1 所提出的退役锂离子电池快速筛选方法架构。 为了确定模组的不一致性及验证所提出的方法的有效性，本文对电池包和模组进行了系列测试，如图2中所述。首先，我们进行电池包容量测试，以获得电池包的当前老化状态及用于分类的数据。然后，我们在电池包层面设计了不同电流倍率测试，用于获得模组间不一致程度，并为验证所提方法在不同倍率下的适应性提供了数据基础。为了评估和验证分类的模组性能一致性，电池包将在0.1C的条件下完全充电，之后被拆成95个模组进行模组级实验测试，拆分的模组将分别继续在0.1C下充电直至截止电压，以获得模组级SOC的不一致性的参考值。最后，我们在0.1C下对95个模组单独进行了模组级容量测试，以获得模组的电压-容量曲线、开路电压（OCV）-SOC曲线和基于充电的IC曲线的参考值。图2 实施和验证所提出筛选方法的实验步骤。 本研究基于本文所提出的动态特性筛选准则，对比分析了与基于文献的动态特性筛选准则、基于静态特性筛选准则和随机选择方法，为了方便描述，将其命名为方法1-4。方法1：本文所提出的方法。基于电池包级测试得到每个模组的六个动态特性筛选准则，作为自适应亲和传播算法算法的输入。方法2：文献中的筛选方法，基于模糊c-means算法。文献中使用了两个动态特性筛选准则，即主相位转换附近的对称充电电压区间的梯度和波动性。此外，他们基于LiFePO4电池进行筛选，所以这些特征有可能适用于我们的数据（也是LiFePO4）。然而，由于模组与模组间的SOC不一致性很大，导致模组的工作电压区间较为有限，无法直接从包级测试数据中获得的模组的端电压来提取这些准则。因此，对于方法2，这两个准则的提取仍然基于5P95S的模组级测试数据。方法3：直接基于k-means的方法对容量进行筛选。为了验证基于动态特性筛选准则的优势，本文从模组级容量测试中获得的模组容量作为静态特性筛选准则，然后应用k-means聚类法。方法4：随机选择。由于其易于实施的特性，本文从95串的模组中随机进行选择成组，每类下的模组数量与方法1的聚类结果保持一致。 筛选结果的性能一致性从两个角度进行评估：每类下组内的静态（容量）和动态性能（OCV-SOC、基于充电的IC和不同电流倍率测试期间的端电压曲线）。利用极差和变异系数等统计指标来量化每个类别下的静态和动态性能不一致性，并定义了综合性能指标来评价不同方法下每个类别的性能优劣，具体公式参见文章原文。表1比较了使用四种方法在每个类别中的静态容量一致性。不出所料，方法4的平均值在每个类别下都没有差异，且与方法1-3相比，极差和变异系数都是最大的，这意味着它分类的性能最差。因此，我们将其排除在动态性能一致性的比较之外。在方法1-3中，每个类别下的模组容量平均值是分开的，即分别为46Ah、48Ah、49Ah和50Ah左右，这说明了三种方法的有效筛选能力和一定程度的划分精度。在方法1-3中，每个类别的平均值较为接近，因此，比较不同方法相同类别下的极差和变异系数是合理的。依据表1所展示的静态性能一致性的结果（容量），我们所提出的方法可以有效地将95个模组筛选为四个类别。 表1 四种方法下每个类别的容量一致性（平均值和极差的单位：Ah，变异系数没有单位，为方便展示表中数据结果乘以了100) 图3对比了方法1-3的OCV-SOC曲线的动态性能一致性。在第1类中，尽管方法1比方法2和方法3多一个模组，但在88%以上的SOC区间，方法1的OCV极差仍小于或等于方法2，在20-40%的SOC区间，OCV的变异系数甚至还略小（图7（a）（e））。在第2类和第3类中有分别超过90%和80%的SOC区间方法2的OCV变异系数要大于方法1。在第4类中，80%以上的SOC区间里方法1的OCV变异系数小于或等于方法（图7（d）（h））。令人惊讶的是，与方法1相比，方法3的OCV极差和OCV变异系数在第2类别和第3类别中都有明显增加，而方法3的容量极差和容量变异系数实际上要更小。这是因为具有相似容量的电池不一定会表现出相似的热力学行为，证实了动态特性准则的在筛选中的重要性。
图5 方法1-3在0.7C放电过程中四个筛选类别下端电压的极差和变异系数的(a)(d) 初始值、(b)(e) 平均值和(c)(f) 最大值。 表2比较了四种方法在四个类别中的综合性能。方法1在四个类别下的综合性能为0.7593、0.6146、0.6283和0.5992。方法1的平均综合性能为0.6503，与方法2、方法3和方法4相比，分别提高了18.94%、4.83%和34.41%。第1类的模组具有最小的平均容量和最差的综合性能，而第4类的模组具有最大的平均容量和最好的综合性能。筛选结果表明，我们提出的方法在四种方法中具有更好的静态和动态性能一致性。尽管方法3具有最好的静态性能一致性，但结果显示，只有相似容量的电池不一定能保证相似的动态性能一致性，例如运行期间的端电压。因此，为了提高系统的性能一致性，在筛选中加入基于动态特性的准则确实是有必要和有意义的。 表2 四种方法在四个类别下的综合性能指标值。 此外，在筛选时间方面，我们提出的方法只需要包级测试，而不依赖模组级测试来获得相关的筛选准则，在筛选时间上优于方法2和方法3。以本文中的5P95S电池组为例，一个包含辅助电压测量或电池管理系统的电池包测试设备就足以进行筛选。然而，如果假设模组/单体测试设备中的通道数量为50个，它所花费的时间至少是所提出方法的两倍。更不用说电池包拆卸所需的时间和精力了。与需要模组/单体级测试的准则的方法相比，大大缩短了筛选的测试时间，当所提出的方法应用于大规模退役的锂离子电池包时，所节省的成本、能源和时间更加可观。 【总结与展望】为了加快退役锂离子电池梯次利用的进度，本文提出了一种基于包级测试的退役锂离子电池快速筛选方法，可以准确地评估和分类模组级别的老化。我们提出的动态特性筛选准则可以有效地捕捉到模组的综合性能，本文的方法可以有效地将95个模组分成静态和动态性能分离的四类，实现了较好的静态性能一致性和更好的动态性能一致性，以及更高的聚类稳定性。与其他三个基准相比，平均整体性能提高了18.94%，4.83%和34.41%。结果表明，仅仅基于静态特性筛选准则不一定能保证退役电池在梯次利用时有良好的动态性能一致性，因此，在筛选过程中，有必要引入动态特性筛选准则。此外，该方法适用于模组间SOC不一致性高达30%的电池组，其对高电流倍率的适应性显示了在梯次利用筛选中大规模应用的前景。与基于需要模组级测试的筛选方法相比，本文所提出的筛选方法效率提高了至少50%。采用的无需预训练的自适应亲和力传播聚类也进一步加快了筛选进度。在未来的工作中，我们计划探索不同制造商的退役电池的重新分组策略，以适应各种应用场景。 Yang, S., Zhang, C., Jiang, J., Zhang, W., Chen, H., Jiang, Y., et al., Fast screening of lithium-ion batteries for second use with pack-level testing and machine learning. eTransportation 2023. https://doi.org/10.1016/j.etran.2023.100255
