基于数据的锂离子电池寿命终结管理：为循环经济应用服务

《Sustainable Energy Technologies and Assessments》：Data-driven end-of-life management of lithium-ion batteries for circular economy applications

　　

随着锂离子电池（LIBs）在电动汽车和二次应用中的部署不断增加，亟需与循环经济原则相一致的可靠寿命末期（EoL）管理。当前方法采用健康状态（SoH）阈值作为瞬时的决策点，在给定时间点进行评估，而未利用其预测潜力来预测电池何时进入不同的循环价值化阶段。这种静态解释限制了将实际退化演变与关于再利用、再制造或回收的运营决策联系起来的能力。为应对这些局限性，本研究提出了一种新颖的框架，包括三个相互关联的模块：电池健康预测、异常检测和循环路径分类。该框架采用普遍接受的SoH限值作为运营参考，同时将决策过程转向数据驱动的、关于何时达到SoH阈值的时间预测。在第一个模块中，预测模型预测SoH演变和剩余使用寿命（RUL）。其次，异常检测模块通过联合分析预测残差和SoH导数指标来识别异常样本。这种方法减少了短期退化事件的影响，这些事件可能被误认为是永久性老化，从而提高了诊断可靠性并防止了过早的EoL检测。第三，循环分类模块与艾伦·麦克阿瑟基金会（Ellen MacArthur Foundation）框架保持一致，通过基于预测的SoH和分阶段RUL将退化轨迹分割为连续的循环阶段（再利用、再制造、回收、最终处置），将预测的健康指标转化为运营性的EoL决策。在基准数据集上的验证显示出强大的预测性能，决定系数（R²）始终超过0.80，均方根误差（RMSE）保持在4%以下。结果进一步表明，纳入异常感知建模使估计的RUL平均增加约5%，并减轻了过早的EoL检测。所提出的框架能够精确识别循环阶段（再利用、再制造、回收和最终处置）之间转换的时间点。所提出的方法旨在作为第一级筛选工具，并可通过增加额外的技术、安全和经济标准以用于工业部署。

**论文解读：面向循环经济的锂离子电池数据驱动寿命末期管理**

**1. 研究背景与现存问题**

随着电动汽车的普及，锂离子电池（LIBs）的需求持续增长。在可持续发展框架下，电池的寿命末期（EoL）管理成为一项关键挑战。传统的线性“开采-制造-废弃”模式正被循环经济模式所取代，后者强调资源的再利用和价值最大化。然而，当前电池EoL管理普遍采用基于固定健康状态（SoH）阈值（如SoH<80%）的静态决策方法。这种方法在电池退役时仅评估其瞬时状态，无法预测其未来的退化轨迹，导致决策缺乏前瞻性。具体问题包括：固定阈值无法反映电池退化轨迹的异质性，容易导致过早降级或延迟回收；缺乏鲁棒的剩余使用寿命（RUL）预测能力，难以规划二次利用和回收；基于阈值的分类方案忽略了电池特定的退化动力学，从而限制了循环经济框架下的明智决策。因此，亟需一种能够动态预测电池退化并据此进行智能分类的集成框架，以最大化资源价值并减少环境影响。

**2. 研究内容与结论**

为应对上述问题，研究人员提出了一种数据驱动的、集成的LIBs寿命末期管理框架。该框架的核心创新在于将预测性健康评估与循环经济分类相结合，通过预测SoH和RUL，在时间上准确识别电池何时进入循环经济框架定义的各个阶段。研究在加州大学先进生命周期工程中心（CALCE）提供的六个锂钴氧化物（LiCoO₂, LCO）电池数据集上进行了验证，这些电池在受控实验室条件下经历完整的充放电老化循环直至寿命末期。研究结果表明，所提出的框架在预测性能上表现优异，决定系数（R²）超过0.80，均方根误差（RMSE）低于4%。引入异常感知建模后，预估的RUL平均增加约5%，有效减少了过早的寿命末期检测。该框架能够精确地识别电池在再利用、再制造、回收和最终处置四个循环阶段之间的转换时间点，从而为每个电池匹配最合适的价值回收路径。该研究发表在《Sustainable Energy Technologies and Assessments》期刊上。

**3. 主要关键技术方法**

研究人员为开展这项研究，主要采用了以下关键技术方法：
1. **数据驱动的健康状态（SoH）预测模型**：采用四种模型进行对比，包括自回归外生模型（ARX(5)）、长短期记忆网络（LSTM）、极端梯度提升（XGBoost）和线性回归。所有模型均使用来自循环级操作数据的相同输入特征进行训练，并通过决定系数（R²）、均方根误差（RMSE）和平均绝对误差（MAE）评估性能。最终选择性能最佳的模型用于后续分析。
2. **基于模型残差的异常检测方法**：通过联合分析XGBoost模型预测值与实测值之间的残差，以及SoH的离散导数（ΔSoH），来识别异常退化事件。当残差超过均值加两倍标准差（μ_r+2σ_r）且ΔSoH低于均值减两倍标准差（μ_ΔSoH-2σ_ΔSoH）时，判定为异常。该方法用于区分瞬时的、可逆的退化事件与永久性的结构老化，从而提高RUL估计的可靠性。
3. **基于艾伦·麦克阿瑟基金会框架的循环分类方法**：该方法利用预测的SoH轨迹和RUL，将电池退化过程分割为四个连续的循环阶段：再利用（SoH≥80%，RUL>400循环）、再制造（60%≤SoH<80%，200≤RUL≤400循环）、回收（40%≤SoH<60%，120≤RUL<200循环）和最终处置（SoH<40%，RUL<120循环）。该分类旨在在时间上定位电池进入每个阶段的时刻，而非重新定义循环性阈值。

**4. 研究结果**

**4.1 SoH预测模型对比评估**
该研究比较了四种模型在六个电池单元上的预测性能。结果表明，XGBoost模型在所有数据集中均取得最高预测精度，平均R²达到0.9905，平均RMSE为1.93，平均MAE为0.92。LSTM尽管表现良好，但需要更多训练参数且存在略高的波动性。ARX(5)和线性回归模型虽然误差稍高，但表现出高度的稳定性和可解释性。通过留一法交叉验证，XGBoost在五个具有完整退化轨迹的电池单元上取得了平均R²=0.988的优异结果，证实了其对新电池单元的泛化能力。

**4.2 SoH与RUL预测**
研究选择XGBoost作为最优模型进行SoH和RUL预测。模型在三个不同的起始点（N_t0∈{100, 200, 300}）进行预测，以评估其在不同退化阶段的性能。预测结果显示，模型预测的RUL值与实际退化轨迹高度吻合，例如，对于CS2_33电池，在N_t0=100时预测RUL为436个循环，接近真实值434个循环。总体预测性能显示，R²=0.9794，RMSE=17.57个循环，MAE=10.33个循环，表明模型能有效捕捉电池个体特定的老化动力学。

**4.3 异常检测**
研究通过分析预测残差和SoH的离散导数来识别异常样本。与ARX(5)残差和Hampel/MAD统计基线方法相比，XGBoost残差检测到的异常事件更一致且保守，避免了将模型误规范误判为真实异常。该研究通过对比包含异常的实测SoH与修正后的SoH轨迹，发现包含异常会导致RUL被低估。例如，对于CS2_35电池，异常修正后的RUL比受异常影响时高出34个循环。这项分析表明，通过识别并修正异常，可以避免因短暂的SoH异常下降而导致的过早EoL分类，从而改善循环决策。

**4.4 循环分类**
基于XGBoost预测的SoH轨迹，研究将电池退化过程分割为四个循环阶段。结果显示，在再利用阶段（SoH≥80%），电池具有较长的RUL（通常在508-670个循环之间）和较低的准线性退化率。进入再制造阶段（60%≤SoH<80%）后，RUL显著缩短（约135-207个循环），退化率显著增加，表明老化机制加剧。在回收和最终处置阶段（SoH<60%），RUL极度有限（通常低于100个循环），退化呈现强非线性和不可逆性。该研究通过分析每个阶段的退化速率，补充了RUL估计，提供了对电池退化动力学的深入理解，并证明了该框架能够动态评估每个电池的循环路径。

**5. 讨论与结论**

**讨论总结**：讨论部分指出，XGBoost模型在预测精度上显著优于其他模型，而ARX(5)模型因其简单性和可解释性，在实时监测和嵌入式应用中仍具价值。异常检测策略通过区分瞬时退化与永久老化，平均将RUL估计值提高了约5%，减少了过早的EoL决策。从物理角度看，放电能量和内阻增长是识别退化拐点的最敏感指标。研究同时承认其局限性：框架仅在受控实验室条件下的LCO电池上验证，未涵盖真实世界电动汽车的复杂工况（如变电流、部分循环、快充、温度梯度）和电池组层面的动态。此外，SoH和RUL是必要但不充分的指标，实际的工业分拣还需考虑内阻、热历史、安全状态、经济性等因素。因此，该框架更适合作为初步筛选工具，而非自动路由决策系统。

**研究结论翻译**：本工作证明，将基于机器学习的健康预测与循环分类原则相结合，可以为LCO电池的EoL管理提供一个鲁棒的、运营性的决策支持工具。该框架在六个LCO电池上进行了验证，这些电池在受控实验室循环条件下具有完整且特征明确的老化轨迹。在此实验范围内，该框架实现了对退化行为和RUL的一致、分阶段解释，支持在再利用、再制造和回收路径中做出前瞻性的、明智的循环路由决策。这些结果支持了所提出方法的可行性，但不能直接推广到其他化学体系、电池组系统或现场部署的电池。