电动汽车退役锂离子电池长期循环数据集：支持二次寿命应用的降解分析与健康状态预测研究

本研究为解决电动汽车退役锂离子电池（SLBs）在二次寿命应用中缺乏真实场景长期循环数据的问题，由Loughborough大学与Powervault团队合作，通过长达6年（2019-2025）的"汗液测试"方法，构建了涵盖光伏储能（PV）、分时电价（TOU）等6种应用场景的循环数据集。研究采用Chroma 17020电池循环仪采集数据，通过Haar小波变换和统计平均法重构充放电曲线，首次提供了SLBs在70-30%容量衰减区间的完整降解轨迹，为二次寿命电池的健康状态（SOH）预测和性能评估建立了基准。该数据集已应用于三项衍生研究，包括改进高斯回归的容量估计算法开发，相关成果发表于《Scientific Data》期刊。

　　

随着全球电动汽车（EV）的普及，大量锂离子电池在剩余70-80%容量时即从车辆退役。这些"一次寿命"结束的电池若直接回收，将造成巨大资源浪费。尽管它们仍适用于电网储能等二次寿命（Second-Life）场景，但当前研究存在关键瓶颈：公开数据集多聚焦全新电池，而退役电池因未知的使用历史导致其降解轨迹难以预测，且缺乏反映真实应用场景的长期循环数据。

针对这一空白，Loughborough大学与英国企业Powervault合作，在《Scientific Data》发表了首个专注于二次寿命电池（SLBs）的长期循环数据集。研究团队选取电动汽车退役的锂锰氧化物/锂镍氧化物（LMO/LNO）电池模块（2S2P构型），通过独创的"汗液测试"方法，模拟光伏自消纳（PV）、增强频率响应（EFR）等6种典型应用场景，在非实验室环境下采集了2019-2025年间的高分辨率循环数据（采样间隔2.8秒）。该数据集首次完整记录了SLBs从70%初始容量衰减至30%的全过程，为理解实际工况下的电池老化机制提供了珍贵样本。

研究采用三项关键技术：1）Chroma 17020多通道循环系统实现并行测试，通过电压最低点自动分割充放电周期；2）Haar小波变换将真实充放电曲线转化为可编程测试序列，保留瞬态特征；3）统计平均法处理无法支持高频切换的设备数据。测试中特别记录了环境温度自然波动的影响，更真实反映二次寿命应用条件。

数据记录与处理
原始数据从Chroma系统导出为.DB文件后，经Python处理为按周期分割的CSV文件。创新性地引入"COMBINED"标签标识因测试中断合并的数据段，保留MAX_VOLTAGE等21项衍生参数。数据显示PV-TOU用例容量衰减最显著（44.39→20.62Ah），而TOU用例表现最稳定（45.21→42.92Ah），揭示应用场景对老化的决定性影响。

技术验证
通过对比重构波形与原始曲线验证数据有效性。研究发现EFR用例因高频深放电导致最快容量衰减，而Day Ahead用例的不规则循环引发更复杂的降解模式。测试中记录的意外事件（如COVID中断、校准偏差）均被标注，增强数据透明度。

结论与意义
该研究突破了二次寿命电池研究的三大限制：1）首次提供SLBs在真实场景下的长期降解数据；2）开发适用于非理想条件的SOH评估方法；3）建立多应用场景性能基准。衍生研究证明，基于该数据集开发的改进高斯回归算法，可将SLBs容量预测误差降低至3%以内。数据集已被用于增量容量曲线（IC-DV）标准化方法验证，推动电池健康评估的规范化发展。

这项工作为电动汽车退役电池的梯次利用提供了数据基石，其价值在于：工业界可据此优化电池筛选标准；学术界能开发更精准的老化模型；政策制定者能评估不同应用场景的经济性。随着全球储能需求激增，该数据集将持续助力循环经济发展，加速碳中和进程。