综述：机器学习辅助的退役电池健康管理

《Journal of Energy Chemistry》：Machine learning-assisted health management of retired batteries

　　

摘要 机器学习为应对电池退役潮提供了极具前景的健康管理解决方案，有助于推动退役电池的再利用，延长其第二次寿命。它能够通过利用快速测量数据或日常运行数据作为输入，高效完成针对多种在不同退役条件下退役电池的剩余容量估计、快速分选和第二次寿命健康诊断三项任务。本文识别了退役电池与新电池相比存在的性能差异挑战，介绍了一种基于机器学习的面向三项健康管理任务的通用框架，分析了典型的退役电池数据集，并总结了机器学习可能面临的健康管理挑战。随后，详细讨论了机器学习在三项健康管理任务中的应用，以及面对数据稀缺和泛化能力不足等挑战时解决三类任务的方案。最后，深入探讨了退役电池健康管理的关键挑战，并提出了未来健康管理系统的前瞻性框架，特别关注配备先进人工智能（AI）智能体的智能机器人解决方案。本工作为更安全、更具经济可行性的电池再利用提供了路线图。

引言 由可充电锂离子电池驱动的电动汽车（EV）正在主导交通领域的脱碳进程[1][2][3]。此外，其大规模分布式储能能力也有助于支撑现代电网，以容纳不断增长的可再生能源[4][5]。在全球电动汽车数量达8500万的情况下，电动汽车市场正以30%的年增长率快速扩张[6][7]。

然而，随着电动汽车渗透率不断攀升，退役电池数量剧增成为一个关键问题。由于内在的副反应，电动汽车电池会逐渐退化，最终达到其使用寿命终点（EOL）[8]。预测表明，到2030年将有1285万吨退役电池报废[9]，这对治理和工业带来了重大的经济和环境压力[10]。

人们注意到，在要求较低的场景中再利用退役电池可以有效延长其使用寿命[11]，并缓解随之而来的退役压力[12][13]，如图1(a)所示。其中，如电网储能、低速电动汽车、独立路灯储能系统或备用电源等已被证明是适合的再利用场景[14][15]。

然而，退役电池的再利用面临三大关键挑战，如图1(b)所示。首先，由于隐私限制和所有权变更，退役电池的可用健康信息有限[16]。其次，尽管在容量损耗或服役时间方面存在明确的退役标准[17]，但实际退役电池通常处于高度多样化的健康状态[18]。这归因于历史使用情况、运行环境和管理策略的差异。第三，由于使用历史的不同，退役电池在第二次寿命期间的容量退化预计会表现出高度的异质性，可能加速电池组的寿命退化[19]。

这些挑战强调了在退役电池再利用的不同阶段进行健康管理的必要性。在再利用之前，必须开发健康评估方法来评价退役电池的健康状态[20]和一致性[21]。评估结果进一步指导再利用决策和电池系统设计[22]。在后续再利用阶段，还需要健康诊断方法来监控已设计电池系统的第二次寿命退化情况[23]。

现有的健康管理方案通常依赖于物理测试[24]。例如，最大容量[25]和内阻[26]可以分别通过容量（CAP）测试和内阻（IR）测试获得。测试结果在再利用前用于评估退役电池的健康和一致性。在第二次寿命应用中，定期维护测试被用于验证和校准电池性能[27]。然而，鉴于物理测试耗时长、能耗高以及硬件和人力投入巨大，本质上无法扩展到大规模退役电池[28]。例如，典型的容量测试需要数小时才能对单个电池进行完整的充放电，伴随的能耗大致相当于电池能量容量[29]。一项预测表明，如果对2030年的1亿吨退役电池全部进行物理测试，总能耗将达到53.5×10?美元，CO?排放量为350亿千克[30]。

机器学习的快速发展为退役电池健康管理提供了新的视角[31][32]，如图1(c)所示。机器学习可以利用快速测量数据或运行数据快速完成健康管理任务[33]。此外，基于充足数据构建的机器学习模型可以泛化到相同数据分布的未见样本[34][35]。因此，面对大量退役或第二次寿命电池时，机器学习可以提供高效的健康管理[36][37]。

在此背景下，机器学习在退役电池健康管理领域的研究热情显著增长，如图1(d)所示。具体而言，三个关键研究方向迅速增长，包括剩余容量估计[38]、快速一致性分选[39]和第二次寿命健康诊断[40]。这三个研究方向涵盖了退役电池再利用的整个生命周期，分别呼应了再利用前的健康评估需求和再利用期间的健康诊断需求。同时，利用机器学习解决物理测试无法实现的大规模退役电池健康管理挑战这一问题也得到了回答[41]。

近期已有研究总结了机器学习在退役电池第二次寿命中的各种应用[17][42]。这些研究侧重于分析机器学习在促进退役电池回收、再利用或再制造中的贡献，并讨论了机器学习在推动退役电池走向第二次寿命方面的挑战和机遇。然而，这些研究尚未从实际或模拟数据集中的退役电池异质性方面量化性能差异，也未能系统地讨论基于这些差异的机器学习方法的应用选择。更重要的是，这些研究忽视了利用智能机器人将先进机器学习方法融入现实世界的机遇，从而重塑诊断框架的机会。

因此，本综述系统地梳理了机器学习在支持退役电池健康管理方面的应用。本工作的主要贡献如下：首先，分析和可视化了真实退役电池数据集和模拟第二次寿命退化数据集，明确识别了数据异质性作为核心障碍。然后，基于这一见解，提出了涵盖剩余容量估计、快速一致性分选和第二次寿命健康诊断的退役电池健康管理框架，并分别分析了这三项任务的挑战、应对策略、方法学局限性和潜在方法。在此基础上，进一步从数据需求、电池安全和系统性应用三个方面讨论了退役电池健康管理中的紧迫挑战和前景方案。特别是，我们强调了将AI智能体和工业机器人技术融入未来健康管理框架的可能性，以及构建退役电池健康管理自动化闭环系统的潜力。总体而言，本综述旨在为应对退役电池健康管理挑战提供系统性视角，并为更安全、更高效的退役电池再利用铺平道路。

章节摘要

退役电池健康管理概述 本节分析退役电池与新电池之间的差异，并介绍退役电池健康管理中的机器学习方法。随后，基于退役电池数据集，揭示退役电池的特征，并阐明利用机器学习进行退役电池健康管理的必要性。

剩余容量估计 剩余容量估计是退役电池健康管理的第一步。只有准确确定退役电池的剩余容量，才能评估其再利用价值。此外，准确的剩余容量估计为评估一致性提供了重要参考[40]。

一般而言，最直接的方法是开发回归模型，利用充足的训练数据进行容量估计。然而，物理测试的高成本可能……

快速一致性分选 快速一致性分选是退役电池健康管理的第二步。其核心目标是评估可再利用退役电池之间的一致性，并选择状态相似的电池进行重组，从而形成组内一致性高的退役电池组，以实现更可靠的再利用。

一般而言，机器学习通过使用快速测量数据作为输入，利用分类或聚类模型实现一致性分选[184]。此外，一些研究强调……

第二次寿命健康诊断 退役电池健康管理的第三项任务是第二次寿命期间的实时健康诊断，即在容量估计、快速分选和重组之后评估电池的运行状态。由于第二次寿命系统通常难以频繁停机进行离线测试，该任务主要依赖于运行数据开发回归模型来进行在线健康状态估计[210]。

健康诊断是一个广泛的概念，通常包括实时健康……

挑战与机遇 尽管机器学习为退役电池健康管理提供了实用方案，但该领域仍存在许多需要解决挑战。如图9所示，这些挑战主要源于退役电池数据资源的稀缺性、使用历史或拆解过程产生的安全问题，以及尚未系统性地将各种健康管理应用连接起来的局限性。

结论 机器学习为应对电池退役潮提供了极具前景的健康管理解决方案，有助于推动退役电池的再利用并延长其第二次寿命。与物理测试相比，机器学习可以利用快速测量数据或运行数据完成健康管理任务，从而缩短测试时间并减少资源消耗。在本综述中，我们系统性地回顾了机器学习辅助……的研究进展

CRediT作者贡献声明 Yuchen Xu：原创初稿撰写、可视化、方法论。Jinxuan Chen：审阅与编辑、数据整理。Tianxiang Zeng：软件、调查、数据整理。Weiwen Peng：监督、资金获取。Ruohan Guo：监督、概念化。Jinpeng Tian：审阅与编辑、监督、资金获取。C.Y. Chung：监督、概念化。

利益冲突声明 作者声明他们没有已知的可能影响本文所述工作的竞争性财务利益或个人关系。

致谢 本工作部分由国家自然科学基金（项目编号72471251）资助，部分由深圳市科技计划（项目编号JCYJ20250604175621029）资助，以及中国香港特别行政区研究资助局（PolyU 15211225）资助。

Yuchen Xu目前在中国深圳中山大学智能系统工程学院攻读博士学位。他于2022年和2025年分别获得重庆理工大学车辆工程学士学位和硕士学位。他的研究聚焦于退役电池的健康估计、快速分选和第二次寿命健康诊断。

Yuchen Xu | Jinxuan Chen | Tianxiang Zeng | Weiwen Peng | Ruohan Guo | Jinpeng Tian | C.Y. Chung