NEC锂电池产品分类
霍克锂电池退役锂离子电池的广义容量估计：随机退役条件下基于无监督电化学阻抗谱的降维方法
发布时间：2026-03-21 10:23:06 点击： 次
退役电池的梯次利用与材料回收具有显著经济效益，但其大规模应用仍受限于耗时且不精准的性能评估方法。本研究提出一种创新方案，通过融合降维电化学阻抗谱（EIS）特征与机器学习（ML）回归算法，解决了在缺乏历史运行工况和荷电状态（SOC）校准条件下的容量估算难题。通过降维技术将高维EIS数据标准化为二维特征，所提方法有效解耦了老化相关信息与退役条件。当这些提取的EIS特征输入机器学习回归器时，在未知荷电状态（SOC）下展现出稳健的容量估算性能。研究采用包含2500余次EIS测量的6个独立数据集进行综合验证，涵盖3种正极材料组分、3种物理形态及6种容量规格。针对采用加速老化方案进行实验室老化的电池，该方法获得的平均绝对百分比误差（MAPE）分别为2.25%和1.43%。值得注意的是，当应用于实际退役电池时，该方法仍保持高精度，在4组不同的退役电池数据集上分别实现了4.63%、1.94%、1.53%和4.62%的MAPE。该技术将容量评估的测试时间从数小时大幅缩短至数分钟，且不损失精度，为大规模退役电池性能评估提供了一种高效且具有应用前景的解决方案。
引言
梯次利用与材料回收是应对即将到来的退役电池浪潮所带来挑战的有效策略[4]。在严格监管下，退役电池通常仍保有标称容量的70-80%，具有显著的剩余价值，可重新配置于低速电动车、通信基站及住宅供电等性能要求较低的应用场景[5,6]。然而，制造公差、运行环境和使用条件会导致退役电池产生复杂的耦合退化机制。为应对性能不一致引发的安全风险，退役电池必须经过预处理，包括容量评估[7]、一致性筛选[8,9]和重组[10,11]，以满足梯次利用中特定应用场景的要求。对于呈现不可逆性能衰退的电池，可通过材料修复策略实现性能恢复。例如，Chen等[12]的研究证实，通过外部引入有机锂盐可使电池在充电过程中释放锂离子，同时将有机配体作为气态副产物排出。对于不适合非侵入式再生的电池，高价值材料的回收变得至关重要。Liu等[13]阐明了层状氧化物正极材料在热固态再生过程中的容量衰减机制及其结构演变，确定温度与锂补偿剂量是调控再生效能的关键参数。Ji等[14]设计了一种多功能有机锂盐，其功能基团可与降解的阳极颗粒结合，实现直接阳极再生。值得注意的是，退役电池的容量衰减决定了锂补充的最佳剂量。剂量不足会导致再生不完全，而剂量过量则会造成材料表面残留和试剂浪费[15]。因此，精确的容量评估是梯次利用与回收工艺效益优化的关键决定因素。然而，车辆监控系统在电池退役后的断联会造成关键数据缺失，使得回收商无法获取历史电池性能指标。这要求开发适用于现场工况的容量检测方法，但现有技术仍受限于破坏性取样要求和耗时的校准流程。针对退役电池开发非破坏性、快速且精准的现场容量检测方法，已成为当前紧迫的研究重点。
近年来，电池退化追踪的无损表征技术取得了显著进展[[16], [17], [18]]。Hsieh等人[19]采用声波飞行时间（TOF）实验方法监测电池健康状态（SOH）原位研究表明，飞行时间回波谱（TOF echo profiles）和循环过程中声信号振幅变化是电池健康状态（SOH）的关键指标。这些声学特征与内部颗粒应力演变及固体电解质界面相（SEI）的形成密切相关。Ziesche等[20]证实高通量X射线计算机断层扫描是量化机械降解机制（包括电极裂纹）的有效工具。此外，中子放射成像技术已被证明对可视化锂离子传输动力学、电解液消耗及燃料费演化现象具有重要价值[21,22]。尽管这些原位表征方法虽能为电池老化机制提供基础性认知，但其对精密仪器的依赖与严苛的操作要求限制了退役电池现场评估的实际适用性。
当代研究发现，结合机器学习（ML）算法分析可用运行信号，即使缺乏历史数据也能实现退役电池的快速容量估算[23,24]。Jiang等[25]采用增量容量分析（ICA）定量解析退役电池老化机制，包括背包损失（LLI）和活性物质损耗（LAM）。Ni等[26]从ICA曲线中提取峰值位置与峰值强度，先将电池按不同主导容量衰减模式聚类为差异化的退化路径，再为每个集群建立改进的高斯过程回归（GPR）模型。但ICA需持续数小时的低电流测试，严重制约其工业适用性[8,27]。为突破这一时间限制，基于部分循环数据的新方法逐渐兴起[28,29]。Ni等文献[30]发现恒流(CC)充电阶段在低SOC区间的特征与负极相变存在强相关性。通过从这些区段提取欧姆内阻、SOC及负极衰减参数，研究者采用支持向量机(SVM)实现了加速的容量估计。与此同时，脉冲测试方法因更高效率而受到关注[31,32]。Tao等[33]提出在5% SOC下实施多电流脉冲方案，利用电压响应曲线中的特征转折点作为随机森林(RF)回归模型的输入特征。该方法同时展现出快速测试能力与高精度的健康状态（SOH）估计性能，后续验证实验证实了其在异质电池样本间的泛化潜力。Ran等学者[34]构建了一个覆盖多电压阶段与荷电状态（SOC）区间的综合脉冲测试框架，同样基于电压响应特性进行建模。他们特别强调，测试前统一SOC条件——尤其在低SOC区间——对保持老化变化敏感度与优化估计精度具有决定性作用。尽管存在这些效率突破，但依赖于充电状态（SOC）的特性限制了其在复杂退役场景中的适用性，因为SOC校准需要额外的测试成本。相比之下，电化学阻抗谱（EIS）通过宽带激励探测电池电极动力学，其局部特征对SOC变化不敏感[35,36]，这为克服当前方法学局限提供了突破性解决方案。
综上所述，历史运行数据的缺失使得退役电池容量检测只能依赖现场可获取的测量参数。这一范式面临若干研究挑战：传统充放电标定方法存在固有低效性问题，而数据驱动方法虽提升了运行速度，但其特征提取过程仍受荷电状态（SOC）依赖性制约。针对上述问题，本研究提出了一种基于电化学阻抗谱（EIS）特征提取的快速精准容量估计方法，该方法无需历史运行工况先验知识或SOC预标定。如图1所示的方法框架通过一项关键创新实现该能力——应用降维技术将高维EIS谱图投影至二维特征空间。该过程不仅标准化了输入维度，还能选择性保留老化相关信息，同时有效剔除退役条件干扰。通过在6种不同数据集（涵盖不同材料组成、物理形态与容量规格）上的验证，证明了该方法的普适性。当应用于荷电状态未知的EIS测量时，所提取特征可通过机器学习回归实现可靠的容量预测，实验室老化电池的平均绝对百分比误差为1.43–2.25%，实际退役电池则为1.53–4.63%。该方法将评估时间缩短至分钟级且保持精度，为高效的大规模电池退役处理提供了一种创新解决方案。
标签: