新型退役動力電池單體分類方法及其系統分析
——磷酸鐵鋰電池為例

倪 飛

（江蘇省鹽城技師學院 江蘇 鹽城 224002）

0 引言

2014年至今我國新能源動力電池市場規模越來越大，隨著動力電池在2017年時需求量的急劇暴增，退役電池數量也從2017年開始遞增，2020年以后回收利用退役動力電池市場迎來了爆發式增長。面對數量龐大的退役電池，退役動力電池分類及系統分析成為了各大電池生產制造企業所要面臨的主要任務。各大電池生產制造企業均明確指出，按照高效循環的原則來實現能源可持續發展是動力電池利用體系的改變原則，與此同時要求動力電池生產制造企業嚴格遵守后期延伸制度，構建車用動力電池溯源管理信息平臺，確保可追溯動力電池的整個生命周期，提高動力電池生產制造的安全性。為了提前迎接即將到來的動力電池退役浪潮，大部分電池生產制造企業均已將研發重點放在了退役電池的回收利用技術領域。所有電池生產制造企業的研究活動證明了退役電池回收利用的可行性和巨大潛力，動力電池單體回收產業在未來將會成為電池行業新的焦點。如圖1所示。

圖1 2012—2020年動力電池需求和退役分析

1 退役動力電池單體分類的作用

退役動力電池的單體分類是將動力電池性能盡可能最大化發掘和應用的有效途徑，能夠減少對電池價值、能源資源的浪費和可能造成的污染。應用于不同場景可使得電池應用效益最大化，同時降低生產利用成本，促進上游電池生產制造與下游電池銷售、回收利用產業的發展，有助于循環經濟的推進，符合我國經濟社會可持續發展需求，具有很高的發展潛力和應用前景[1]。目前，國內外陸續開展了退役動力電池單體分類、梯次利用的相關研究和應用。本文以磷酸鐵鋰電池組為例，對退役動力電池的分類方法進行闡述及其系統分析。

1.1 電池分類方法

獲取到待分類的磷酸鐵鋰電池組的循環充放電數據，從該數據中提取所述磷酸鐵鋰電池組的特征數據集。采用粗糙集理論，對特征數據集進行約簡，得到所述磷酸鐵鋰電池組的約簡結果特征數據集。根據約簡結果特征數據集，采用模糊聚類算法對磷酸鐵鋰電池組中的電池單體進行分類。

1.2 電池分類電子設備和存儲程序

在單體電池分類的過程中，可以采用專用的電子設備，其結構組成中含有存儲器和處理器，存儲器和處理器通過總線完成相互間的通信。另外，在存儲器上存有計算機程序，該計算機程序被處理器執行時實現上述電池分類方法。

2 具體實施方式

2.1 電池分類步驟

分類步驟如下：

步驟1 獲取到待分類的磷酸鐵鋰電池組的循環充放電數據，從循環充放電數據中提取磷酸鐵鋰電池組的特征數據集；

步驟2 采用粗糙集理論，對特征數據集進行約簡，得到磷酸鐵鋰電池組的約簡結果特征數據集；

步驟3 根據約簡結果特征數據集，采用模糊聚類算法對磷酸鐵鋰電池組中的電池單體進行分類。

目前，廣泛應用于電動汽車領域的磷酸鐵鋰電池，大多是數十節電池通過串聯或并聯形成一個單元模組。本文提供的磷酸鐵鋰電池組的充放電曲線示意圖，如圖2所示。其中，若干節電池通過串聯可以達到較高電壓，以驅動電機工作[2]。現以24節國內某型號100 A·h退運磷酸鐵鋰電池組為例，對其進行0.3 C倍率充放電測試。

圖2 磷酸鐵鋰電池組的充放電曲線示意圖

由圖2可以看出，在充放電過程中，24節磷酸鐵鋰電池的電壓離散性較大。其中，健康狀態最差的磷酸鐵鋰電池最先達到充放電截止電壓閾值，并且有若干節磷酸鐵鋰電池的充放電曲線比較接近。如果不經過特殊處理，很難1次內僅憑充放電曲線將上述24節磷酸鐵鋰電池數據進行合理分類。

2.2 服務器及其算法分析

按照2.1節中分類步驟進行操作，服務器可以最先獲取待分類的磷酸鐵鋰電池組的循環充放電數據，從循環充放電數據中提取磷酸鐵鋰電池組的特征數據集。例如，待分類的磷酸鐵鋰電池組包括24節磷酸鐵鋰電池，服務器可以首先獲取24節磷酸鐵鋰電池的0.3 C循環充放電數據，然后從0.3 C循環充放電數據中提取用于表征24節磷酸鐵鋰電池的電池特性的指標數據，構成特征數據集。服務器可采用粗糙集理論對特征數據集進行約簡，將特征數據集中不重要的指標數據進行剔除[3]，得到待分類磷酸鐵鋰電池組的約簡結果特征數據集。服務器采用現有的模糊聚類算法，對約簡結果特征數據集進行聚類分析，最終對磷酸鐵鋰電池組中的電池單體進行分類。

獲取待分類的磷酸鐵鋰電池組的循環充放電數據，從循環充放電數據中提取磷酸鐵鋰電池組的特征數據集。采用粗糙集理論對特征數據集進行約簡，得到磷酸鐵鋰電池組的約簡結果特征數據集。根據約簡結果特征數據集，采用模糊聚類算法對磷酸鐵鋰電池組中的電池單體進行分類，可以適用于退運動力電池，提高了對退運動力電池進行分類的效率。

在上述實施條例基礎上，特征數據集包括以下特征數據的任意組合：磷酸鐵鋰電池組中每個電池單體的充電歐姆內阻、放電歐姆內阻、能量效率、充電平均功率、放電平均功率、極化電壓、溫度、最大充電功率和最大放電功率。上述實施例中的特征數據集可以包括如下特征數據的任意組合：待分類磷酸鐵鋰電池組中每個電池單體的充電歐姆內阻、放電歐姆內阻、能量效率、充電平均功率、放電平均功率、極化電壓、最大充電功率和最大放電功率[4]。

3 技術方案

以24節磷酸鐵鋰電池組為例，作為待分類磷酸鐵鋰電池組，詳細說明本文提供的技術方案。

服務器可以從所述24節磷酸鐵鋰電池組成的0.3 C循環充放電數據中，提取磷酸鐵鋰電池的特征數據集。其中，特征數據集包括：24節磷酸鐵鋰電池中的每節磷酸鐵鋰電池的8種指標數據，分別為充電歐姆內阻、放電歐姆內阻、能量效率、充電平均功率、放電平均功率、極化電壓、最大充電功率和最大放電功率。

服務器可以采用現有的粗糙集理論，對特征數據集進行約簡，將其中不重要的指標數據進行剔除，得到待分類磷酸鐵鋰電池組的約簡結果特征數據集。如，服務器采用粗糙集理論對特征數據集進行約簡處理時，發現能量效率、充電平均功率和放電平均功率3種指標數據，對電池分類的影響不大或沒有影響，則服務器可以將待分類磷酸鐵鋰電池組的能量效率、充電平均功率和放電平均功率這3種指標數據進行剔除，得到約簡結果特征數據集。然后，采用模糊聚類算法對約簡結果特征數據集進行聚類分析，從而實現對磷酸鐵鋰電池組進行分類[5]。

本文提供的電池分類方法，通過將待分類磷酸鐵鋰電池組的特征數據集的組成包括如下特征數據的任意組合：磷酸鐵鋰電池組中每個電池單體的充電歐姆內阻、放電歐姆內阻、能量效率、充電平均功率、放電平均功率、極化電壓、溫度、最大充電功率和最大放電功率，使得所述方法更加科學。可選的，在上述實施條例的基礎上，采用粗糙集理論對特征數據集進行約簡，得到磷酸鐵鋰電池組的約簡結果特征數據集，其中包括：根據粗糙集理論對特征數據集進行處理，得到特征數據集中每個特征數據的權重；根據特征數據集中每個特征數據的權重，對特征數據集進行篩選，得到磷酸鐵鋰電池組的約簡結果特征數據集。上述實施例中的服務器采用粗糙集理論，對待分類磷酸鐵鋰電池組的特征數據集進行約簡，得到待分類磷酸鐵鋰電池組的約簡結果數據集的過程，可以具體包括如下過程。首先，服務器可采用粗糙集理論對特征數據集進行處理，得到特征數據集中每個特征數據的權重。以上述實施例中所述的24節磷酸鐵鋰電池組成的磷酸鐵鋰電池組為例，詳細說明本文提供的技術方案。服務器采用粗糙集理論，對24節磷酸鐵鋰電池組成的磷酸鐵鋰電池組的特征數據集進行處理，可以得到特征數據集中每個特征數據的權重。能量效率（η）的權重最高，其次是極化電壓（Up）和最大放電功率（Pdh），其他特征數據的權重為0。這說明能量效率（η）、極化電壓（Up）和最大放電功率（Pdh），相對其他特征數據更加重要。因此服務器可以將其他特征數據進行剔除，只保留24節磷酸鐵鋰電池的能量效率（η）、極化電壓（Up）和最大放電功率（Pdh）對應的特征數據，得到約簡結果特征數據集。然后，服務器可以采用現有的模糊聚類算法，對所述約簡結果特征數據集進行分類。如，在初始化時設定電池分類數C=4，模糊權重指數m=2，終止條件為迭代次數為100或閾值ε=0.000 01。則達到終止條件之后，服務器可以將24節磷酸鐵鋰電池分為4類。為本文提供的磷酸鐵鋰電池組的模糊聚類分布圖，如圖3所示。在24節磷酸鐵鋰電池中，第1、2、3、4、5、6、7、11、13、14、15節電池被分在第1類，第21節電池被分在第2類，第8、22節電池被分在第3類，第9、10、12、16、17、18、19、20、23、24節電池被分在第4類。其中，因為第8、21、22節電池極化較大，所以被單獨分類篩選出來了。

圖3 磷酸鐵鋰電池組的模糊聚類分布圖

這種分類結果與磷酸鐵鋰電池組的充放電電壓變化相一致，這說明將模糊聚類算法應用于對電池進行分類是非常有效的。

4 退役動力電池經濟性分析

4.1 退役動力電池梯次利用成本分析

退役動力電池梯次利用的工藝流程成本主要包含收集、儲運、分類、拆解、重組成本，如圖4所示。狀態評估成本主要有余能檢測成本、狀態測試、狀態診斷和狀態評價成本[6]。

圖4 退役動力電池梯次利用成本主要因素

4.2 收集、儲運和分類成本分析

通過收集來自全國各地、數量巨大的退役電池，集中處理加工能有效降低成本、提高效率。

4.3 余能檢測成本分析

將電池容量較高的歸入梯次利用一類，用于電池更換和儲能應用；將電池容量較低的歸入梯次利用二類，用于移動充電樁[7]、低功率電動車、自動導引車輛（automatic guided vehicle，AGV）電源、家庭儲能電源、照明、UPS備用電池、基站電源風光路燈儲能等較為溫和的低倍率放電應用場景。

4.4 狀態測試、診斷和評價成本分析

若退役電池具有完整的運行過程數據，屬于白箱電池，可提高電池性能狀態評估工作的準確度和精確度，提升電池梯次利用時的經濟性；若退役電池沒有完整的運行過程數據，屬于黑箱電池，需要根據電池出廠時的相關數據，測試動力電池退役時的各項參數，這個過程中測試時間會增加[8]，測試成本會提高，同時電池性能不一還使得電池梯次儲能利用的安全性有待估量。

5 結語

本文提供的新型退役動力電池單體分類方法及其系統分析，通過根據粗糙集理論對待分類磷酸鐵鋰電池組的特征數據集進行處理，得到特征數據集中每個特征數據的權重，然后，根據特征數據集中每個特征數據的權重，對特征數據集進行篩選，得到待分類磷酸鐵鋰電池組的約簡結果特征數據集，使得分類方法更加科學。再從退役動力電池經濟性分析，梯次利用可以更好地發掘和利用電池自身價值和資源，因此新型退役動力電池單體分類方法的應用具有很大的潛力和發展前景。