《Journal of Cleaner Production》：An enhanced sorting method for second-life lithium-ion batteries based on two-step clustering
编辑推荐：
退役锂离子电池分拣方法研究通过构建容量特征、直流内阻、温度上升速率三维向量，结合OPTICS算法消除异常样本并确定聚类数，再采用K-means算法实现二次分拣，实验验证显示静态一致性提升64%，动态一致性达80%，再利用循环次数提高68%。
Fu Wan|林宇鹏|杨大|李书凡|刘瑞琦|朱磊|尹文伟|陈伟根
中国重庆大学电气工程学院电力传输设备技术国家重点实验室，重庆，400044
摘要
准确且快速的分类对于安全再利用二手锂离子电池仍然是一个关键挑战。本研究提出了一种改进的两步聚类方法来解决这一问题。首先，构建了一个三维特征向量，包括容量特征、直流电阻和温度上升率，以表征电池老化状况。容量特征可以从部分充电曲线中高效提取，从而缩短测试时间。其次，提出了一种排序点识别聚类结构算法，以剔除异常电池并确定可能的簇数K。随后，K为K均值算法中的质心初始化参考范围提供了依据，并结合了放电电压曲线的数值和形态特征进行二次分类。开发了一个整合静态和动态指标的二维评估框架。使用200个实际退役电池进行的实验验证表明，静态和动态一致性参数均有显著提升，最大提升率分别达到了64%和80%。再利用实验的结果显示，通过两步聚类制造的再利用电池组的潜在循环次数比随机选取的退役电池组装的再利用电池组高出68%。这种方法为退役电池的回收提供了有效的解决方案。
引言
由于锂离子电池具有高能量密度和长寿命，它们已成为新型电动汽车的首选储能解决方案（Lai等人，2021年）。当电池容量降至初始容量的80%以下时，通常认为其已达到使用寿命终点（Hua等人，2021年；Lai等人，2022年）。预计到2030年，中国退役的锂离子电池规模将达到280吉瓦时（GWh），给电池回收领域带来了巨大挑战和压力（Yang等人，2021年）。退役电池通常仍保留60-80%的原始容量（Li等人，2024年），使其适用于通信基站（G. Zhang等人，2023年）、储能系统（Deng等人，2024年）和低速电动汽车（Sharma和Chinnappa Naidu，2023年）等二次应用。
然而，由于使用历史不同，退役电池的退化速率存在差异，导致性能参数分布广泛（Xu等人，2019年）。与新鲜电池相比，管理由退役电池单元组成的电池组更具挑战性。一种可行的策略是在组装前优先选择和匹配性能相似的退役电池单元（Piombo等人，2025年）。
关于退役电池分类的研究主要集中在准确性和效率上（Guo等人，2025年）。为了提高分类准确性，学者们通常使用标准测试来获取容量（Li等人，2017年）、开路电压（OCV）（An等人，2016年）和电阻（Xu等人，2022年）等静态特征，这些特征在电池非工作状态下进行评估。虽然静态特征能确保电池组之间的初始一致性，但在动态运行过程中性能差异往往更加明显。因此，仅依赖静态属性不足以保证长期一致性。为了解决这个问题，引入了包括电压曲线（C. Zhang等人，2023年）、内阻曲线（IC曲线）（Li等人，2020年）和电化学阻抗谱（EIS）（Lai等人，2022年；W. Zhang等人，2023年）在内的动态特征，以更全面地描述电池在复杂条件下的性能。例如，Tao等人（2023年）从电压-容量曲线和dQ/dV曲线中提取了30个特征用于分类，而Bai等人（2023年）利用阻抗谱和等效电路模型来推导老化参数以实现统一分组。然而，通过标准测试获取这些特征非常耗时。例如，Schneider等人（2014年）发现单次充放电循环通常需要超过2小时。此外，开发新的分类算法对于提高准确性至关重要（Xu等人，2020年）。提出了一种无需预先定义簇数和中心的聚类算法，显著提高了分类精度（Huang等人，2022年）。使用朴素贝叶斯分类器实现了96.9%的分类准确性，但其对先验模型的依赖性和对数据分布变化的敏感性限制了其鲁棒性。Lyu等人（2023年）引入了一种结合层次聚类和模糊K均值算法的半参数聚类方法，用于分类具有不同分布的数据。然而，由于这些方法依赖于数据分布，其效率仍然不够理想。这些研究表明，整合多种特征和先进算法可以提高分类准确性，但效率问题仍然存在。
在分类效率方面，研究人员通过优化分类方法或减少获取指标的时间来提高可行性。数据驱动方法因其效率和准确性而受到广泛关注。这些方法通过提取电池特征并使用机器学习算法进行分类，显著提高了效率。Fang等人（2013年）基于热行为分析开发了一个自组织映射（SOM）模型，实现了镍氢电池的有效分类。此外，将机器学习技术与内阻（IC）测试（Ran等人，2022年；Zhu等人，2020年）和部分充电测试（Tian等人，2021年）相结合，进一步提升了效率（Zhou等人，2020年）。利用IC曲线的峰值坐标训练支持向量机（SVM）模型，将平均电流标准差降低了约14倍。与传统方法相比，特征提取时间可减少80%。提高分类效率的关键途径是减少获取分类指标所需的时间（Zhou等人，2020年）。从2分钟快速脉冲测试中提取了18个特征点，并验证了它们与容量和内阻的相关性。然而，分类准确性并未达到89%，表明需要在快速特征提取和高精度分类之间取得平衡。
尽管在退役电池分类方面取得了近期进展，但在效率和准确性之间取得平衡仍面临重大挑战。现有方法主要依赖于单个电池测试，这既低效又耗时，不适合大规模应用。选择最佳分类指标也是一个关键问题，因为单参数分类缺乏一致性，而多维度分类则受到信息冗余的阻碍。此外，现有方法经常无法考虑异常老化电池的影响，从而降低了分类精度。
为了解决上述挑战，本研究提出了一种用于退役锂离子电池分类的两步聚类方法，有效平衡了效率和准确性。使用200个实际退役电池的数据集验证了该方法的有效性。本研究的主要贡献总结如下：
(1)为了解决分类耗时的问题，从局部最佳充电区间提取了具有代表性的容量特征，显著提高了分类效率。
(2)为了解决指标选择准确性低的问题，提出了一种基于静态和动态特征的高效全面分类方法，适用于大规模退役电池。
(3)为了减轻异常电池对分类一致性的负面影响，提出了OPTICS算法进行初步分类，以筛选出异常样本并提高第二阶段的分类准确性。
(4)初步分类结果被用作第二阶段K均值算法的初始化参数，减少了初始化时间，进一步提高了分类效率。
本文的其余部分组织如下：第2节介绍数据集构建和特征选择；第3节详细介绍了两步分类方法；第4节分析了实验结果并比较了各种方法的优缺点；最后总结了全文。
实验测试
本研究建立了一个电池测试平台，如图1（a）所示。该平台以NEWARE电池测试系统（CTE-4008D-5V30A）为中心，具有八个独立通道，能够同时收集电流和电压数据。使用热室保持25°C的稳定测试环境，确保实验条件的一致性。在电池表面安装了温度传感器以监测和记录
两步聚类方法
为了提高分类的准确性和计算效率，本研究设计了一种结合OPTICS和K均值算法的两步分类策略。该框架如图5所示。首先，通过电池测试获取静态特征和动态特征。然后，基于静态特征使用OPTICS算法进行初步聚类和异常值剔除。随后，基于动态特征应用K均值算法进行二次分类
数据集结果评估
为了验证退役电池分类方法的可行性，在初步聚类阶段使用了OPTICS算法，利用三个静态特征有效识别和剔除异常电池。如图7（a）所示，RD值低的区域通常代表簇中心，而RD值高的区域对应于簇边界，在这些区域数据点密度急剧下降导致RD显著增加。通过将Eps设置为0.15，可以剔除9个异常电池
结论
本研究调查了200个退役NCA电池的分类技术，提出了一种快速的两步聚类方法，并通过实验验证了其有效性。主要发现总结如下：
(1)建立了一个包含容量特征、直流内阻（DCIR）和温度上升率（RTR）的三维向量作为分类基础。作为容量特征的峰值高度与电池容量表现出强相关性，相关系数为0.976。
(2)使用了OPTICS算法进行
CRediT作者贡献声明
Fu Wan：撰写 – 审稿与编辑，撰写 – 原稿，正式分析，数据管理。林宇鹏：撰写 – 审稿与编辑，撰写 – 原稿，验证，软件开发，数据管理。杨大：软件开发，资金筹集，正式分析，数据管理，概念构思。李书凡：撰写 – 审稿与编辑，撰写 – 原稿，可视化，软件开发，数据管理。刘瑞琦：撰写 – 审稿与编辑，撰写 – 原稿，项目管理，调查
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了国家特高压技术与新型电气设备基础工程研究中心（NERCUHE-2024-KF-07）的支持。
