《Future Batteries》：Simplified modeling approach for predicting the remaining useful life of EV batteries in second-life applications
编辑推荐：
准确评估电池模块的剩余使用寿命（RUL）对于电动汽车（EV）电池在二次应用中重新利用的技术和经济可行性至关重要。该评估需要两个关键要素：确定电池在首次生命周期结束时的健康状态，以及预测其在二次使用期间的老化行为。然而，由于电池老化行为高度受电极化学、制造和使用
准确评估电池模块的剩余使用寿命（RUL）对于电动汽车（EV）电池在二次应用中重新利用的技术和经济可行性至关重要。该评估需要两个关键要素：确定电池在首次生命周期结束时的健康状态，以及预测其在二次使用期间的老化行为。然而，由于电池老化行为高度受电极化学、制造和使用条件影响，老化预测是一项复杂的任务。尽管存在多种建模方法，半经验老化模型似乎是最有效的，即使它们需要大量的实验数据进行参数校准。这些数据通常通过在取决于老化过程严重程度的各种特定条件下进行长时间测试而获得。在过去十年中，多代电动汽车电池已投放市场。针对每种品牌电池的传统建模方法将需要大量且昂贵的实验数据。为了解决这一挑战，本文提出了一种简化的建模方法，用于表征在刻意受限的操作条件下的老化行为。开发了一个四参数模型来描述电池模块中日历老化和循环老化的演变，考虑了累积老化机制效应，且无路径依赖性。模型参数使用来自两辆退役的23 kWh雷诺Zoe电动汽车电池组（具有不同健康状态（SoH））中模块测试的实验数据进行了校准。该模型随后被用于计算不同二次应用场景下电池模块的预期寿命。
**论文解读：基于简化模型的电动汽车电池二次利用剩余寿命预测研究**
全球交通运输电动化和可再生能源系统的加速转型，使锂离子电池（LIBs）成为电动汽车、电网稳定和便携式电子的主要储能技术。然而，LIBs不可避免的性能退化，由其复杂的电化学老化机制驱动，对其经济可行性和可持续性构成根本挑战。退役动力电池（通常容量为初始值的70%–80%）可被重新用于要求较低的应用，如太阳能储能、频率调节等，以延长其使用寿命并减少环境影响。然而，准确评估电池模块的剩余使用寿命（RUL）是此类二次利用技术经济可行性的关键，这需要确定电池在首次寿命结束时的健康状态（SOH），并预测其在二次使用中的老化行为。
由于电池老化行为受电极化学、制造工艺和使用条件强烈影响，老化预测十分复杂。现有半经验老化模型虽能平衡精度与效率，但需要大量针对不同品牌和应用的实验数据进行参数校准，成本高昂。此外，许多模型低估了寿命末期的非线性加速退化现象（“膝点”效应）。因此，亟需一种简化、稳健且易于工业实施的RUL预测方法，以降低对大规模实验数据的依赖。本研究旨在提出一种仅需有限加速老化测试数据即可标定的四参数老化模型，用于预测二次应用中电池模块的寿命。
研究人员利用两辆退役雷诺Zoe电动汽车的23 kWh电池组（Pack A和Pack B，分别生产于2013年3月和2014年10月）开展加速老化实验，建立了包含日历老化和循环老化贡献的简化累积模型。该模型采用四个独立参数，不考虑路径依赖，并通过非线性回归方法标定。研究结果显示，在25°C下，不同二次利用场景的RUL估计为7.6至14.6年；与仅考虑循环老化的简单模型相比，本模型将RUL高估降低了35%（以光伏场景为例）。该成果为电池二次利用的认证和商业决策提供了实用工具，对延长电池寿命、降低总拥有成本和促进循环经济具有重要意义。论文发表在《Future Batteries》。
本研究采用的主要技术方法包括：从两个退役电池组（样本队列来源：两辆雷诺Zoe电动汽车，分别来自2013年和2014年，初始SOH约89%和84.5%）中提取模块，在恒温气候箱中开展受控加速老化试验。试验涵盖三种日历老化条件（室温30% SOC、室温90% SOC、35°C 90% SOC）和两种循环老化协议（CYC1代表频率调节服务，CYC2代表光伏平滑和能量转移服务）。通过周期性参考性能测试（RPT）监测SOH及模块内电池电压分散度。基于累积线性假设，利用非线性回归（迭代最小二乘法）标定四参数老化模型，并以95%置信区间评估预测不确定性。
**结果**
**初始性能**
对Pack A和Pack B各12个模块进行初始检测。基于C/3和1C放电能量计算的SOH显示，C/3与1C之间恒定差异为2.6±0.3%，且C/3值更高。Pack A的平均SOH约为89%，分散度小于±0.8%；Pack B平均SOH为84.5%，但分散度较大，在83%至86%之间（±1.5%）。往返效率随SOH降低略降，约5% SOH差对应0.6%效率下降。
**老化测试期间的性能演变**
在不同日历和循环条件下，SOH随时间的变化呈现线性趋势。35°C、90% SOC日历老化导致最快退化，速率超过每年10%；而室温30% SOC储存下容量几乎不变，甚至略有回升，这归因于低SOC下SEI层稳定等恢复效应。室温90% SOC老化速率居中，且Pack A模块的退化速率约为Pack B的两倍。CYC1协议（1C脉冲，SOC 50%附近±2.5% DOD）的退化速率与90% SOC日历老化相近；而CYC2协议（深度充放电循环）导致显著更大的容量损失。每千次全等效循环（FEC）的退化率，CYC2约为5%，CYC1约为1.5%，且未观察到“膝点”加速退化现象。除室温30% SOC条件外，两个电池组的线性退化率相似，表明初始SOH和第一寿命使用历史对二次寿命老化行为影响较小。
**RUL模型校准**
以室温30% SOC为参考条件，考虑SOC在30%–90%之间的线性依赖关系，并采用Arrhenius型方程描述温度依赖性。通过最小化预测与实测SOH差异，利用非线性回归标定模型参数。标定得到的激活能为84.42 kJ/mol（处于锂离子电池参考范围25–90 kJ/mol的上限），日历退化速率和两种循环退化速率分别为3.57%/年、1.05%/1000 FEC和3.95%/1000 FEC（标准误差均较小）。仅有四个独立参数即可在200天和数千周期内捕捉两种日历和两种循环条件下的性能演变。
**RUL模型仿真**
将标定模型应用于表1中的三种二次利用场景（FCR#1、FCR#2、PV），并额外考虑PV与FCR#2的混合使用。在25°C调控温度下，预测RUL分别为：FCR#1（1C，20% DOD，2000 FEC/年）为7.6±0.4年；FCR#2（C/2，20% DOD，450 FEC/年）为14.6±1.3年；PV（C/2，100% DOD，500 FEC/年）为7.9±0.4年。混合使用仅使RUL缩短1.1年，说明日历老化在整体退化中占比显著（25°C下占30%–70%）。温度敏感性分析显示，35°C下FCR#2的RUL降至6.1年（-58%），其他场景也降低约40%。这也凸显了电池拆解后逆向物流期间的储存条件（如低SOC和低温）对减少日历老化的重要性。
**讨论与结论**
讨论部分指出，在二次利用之前的储存和运输阶段，高SOC和高温会显著加速日历老化，因此建议将电池预放电至约30% SOC并置于阴凉环境。当前模型基于SOH>78%的实验数据，但研究者假设75%–50%范围内仍保持线性退化，并正在进行更长时间的真实工况验证。未来工作建议通过实验评估不同老化条件混合及路径依赖性，以验证线性叠加假设的普适性；同时建议将测试扩展至SOH低于78%以确认无加速退化，并在35°C下进行循环测试以量化温度对循环老化的影响，以及评估其他电池品牌以建立通用模型。尽管存在这些待改进之处，当前模型已可代表所测电池品牌，并可用于生命周期评估。
研究结论：本研究提出了一种简化而稳健的建模方法，用于预测电动汽车电池在二次应用中的剩余使用寿命。通过模拟实际使用模式的加速老化测试，开发了四参数模型，有效表征了日历和循环老化行为。利用两辆退役雷诺Zoe 23 kWh电池组（初始SOH分别为84%和88%）的实验数据，观察到在SOH降至78%前所有条件下均呈线性退化，未发现“膝点”。35°C、90% SOC日历老化速率最快（>10%/年），而30% SOC室温储存退化可忽略；深度循环（CYC2）的退化速率约为浅循环（CYC1）的3倍。在25°C平均温度下，不同二次利用场景的RUL预测范围为7.6至14.6年，其中低循环需求的FCR#2场景最长。所提模型避免了仅考虑循环老化导致的RUL高估（如PV场景高估35%），为工业界和研究人员提供了实用、易实施的RUL评估工具，有助于更高效的电池管理和延长寿命。
