基于深度排序的退役锂电池无先验条件长期一致性分组方法

（编辑推荐）本研究提出一种基于单次充电循环隐式特征的退役锂电池深度排序方法，通过三阶特征工程（基线/速度/加速度特征）和导数增量优化机制（DIRM），在无历史数据条件下实现电池分组一致性提升，使二次服役寿命延长30%，为电池梯次利用（second-life）提供高效解决方案。

　　

引言

随着电动汽车（EV）产业爆发式增长，全球锂离子电池需求激增。预计到2030年退役电池量将达314GWh，占未来全球储能容量的15%-20%。面对如此庞大的退役电池量，直接回收技术尚不成熟，而梯次利用（second-life）既能延长电池寿命又兼具经济环保效益。然而，退役电池因未知使用历史和异质性老化路径，其健康状态（SOH）差异显著（80%-90%），亟需精准分组以避免"木桶效应"。现有方法依赖容量、内阻（IR）、电压等显式特征，仅能反映即时状态，与长期老化行为相关性差。

结果

数据集与老化分析

研究团队对86组NMC/石墨电池进行长达30个月的双阶段老化实验：

1. 首阶段：16种充放电协议模拟不同驾驶场景，循环至容量衰减至80% SOH；
2. 次阶段：统一充放电协议模拟储能应用，衰减至50% SOH。
   结果发现：

• 相同协议下，首阶段寿命差异仅100次循环；
• 次阶段寿命差异达200次循环；
• 不同历史条件的电池次阶段寿命差异高达10倍（196-1,916次循环）。

深度排序方法

创新性提出三阶特征工程策略：

1. 基线特征：从充电容量-电压（Q_ch(V)）等4条曲线提取36个统计特征（均值、分位数等）；
2. 速度特征：一阶导数曲线衍生36个特征；
3. 加速度特征：二阶导数曲线再衍生36个特征。

通过导数增量优化机制（DIRM）分三步优化：

1. 基线特征k-means聚类初始分组；
2. 速度特征微调组间边界；
3. 加速度特征精准匹配异常点。

性能验证

将86块电池分为8组时：

• 老化差异降低40.9%（102.7→44.62）；
• 容量利用率提升26.7%（58.17%→78.06%）；
• 平均寿命延长32%（238→334次循环）。
  特别值得注意的是，4个超长寿命电池（>1,300次循环）被精准分入VIII组，而短寿命电池（196次）集中于III组。

讨论

该方法突破性地实现：

1. 无历史数据依赖：仅需单次充电测试；
2. 工业可行性：特征提取可在标准硬件完成；
3. 跨领域潜力：隐式特征决策范式可拓展至健康诊断、气象预测等领域。

现存挑战包括：

• 当前仅适用于电芯级分组，模块/包级应用需开发层级策略；
• 更大规模电池验证有待开展。

方法学细节

1. 特征标准化：Z-score归一化处理；
2. 评估指标：
   • 老化差异（δ）：组内电池容量衰减轨迹差异；
   • 容量利用率（η）：实际放电容量/理论容量；
   • 平均寿命（τ）：组内电池循环次数均值。

这项研究为退役电池的高效利用提供了可量化的技术路径，其公布的88,000次循环数据集（Zenodo可获取）将推动该领域研究进入新阶段。