SSB蓄电池废旧电池健康状态的快速直接诊断
2026-03-26 08:50:23
快速、准确的健康状态（SoH）诊断对于废旧锂离子电池的梯次利用至关重要。然而，大多数诊断方法需要预设条件（如电压或充电状态），导致测量耗时较长。本文报道了一种基于机器学习的SoH预测流程，该流程通常可在130秒内完成，且无需预设条件。该流程包含两个连续步骤：诊断协议分类（利用10秒1C倍率放电的电压数据）和SoH回归（通过选定诊断协议下采集的电压响应预测SoH）。这些模型基于18650电池（LiNixCoyAlz在不同循环条件下测试的石墨负极材料展现出卓越性能：分类准确率达到0.999，健康状态（SoH）回归的平均绝对误差（MAE）仅为0.85%。通过特征工程将该方法成功扩展到21700型电池而无需模型重训练，利用电池容量与外部体积比进行特征缩放后，MAE降低69.1%。这种无需预设参数的快速SoH诊断策略为退役电池评估提供了一条普适且节能的解决方案。2/graphite) cycled under diverse conditions, demonstrated superior performance: the classification accuracy achieved 0.999, and the Mean Absolute Error (MAE) of the SoH regression yielded 0.85%. This process was successfully extended to 21700 cells without model retraining through feature engineering, achieving a 69.1% reduction in MAE by rescaling features using the cell capacity-to-external volume ratio. This pre-setting-free and rapid SoH diagnostic strategy offers a generalized, energy-efficient route for evaluating spent battery.
引言
过去十年间，锂离子电池（LIBs）的需求量急剧攀升，随着全球向电动汽车（EVs）转型的趋势，预计这一需求将持续增长。电动汽车市场的快速扩张必将导致报废电池数量激增。鉴于这些电池的处置对环境与资源构成双重挑战，其回收与再利用对构建可持续的电池生态系统至关重要。[[1], [2], [3], [4], [5]] 在此背景下，欧洲与美国正通过立法推动电池组的梯次利用与回收。若废旧电池未显著劣化，将其改造为储能系统(ESSs)或低功率电动汽车实现梯次利用具有显著价值，因为无论是从废旧电池中提取原材料还是后续电池制造过程均会产生温室气体排放。[6]%%%决定废旧电池应回收或梯次利用的关键，在于准确快速地评估其健康状态(SoH)——该参数定义为相对电池初始寿命(BoL)的剩余容量。快速评估至关重要，由于存储空间限制与安全隐患，长期储存电池具有现实困难。此外，准确评估废旧电池当前状态可带来经济与环境双重效益。[7,8]
传统SoH评估方法需在低倍率（通常为0.33C）下进行完整充放电测试，其中1C倍率对应使电池在一小时内完全充放电所需的电流。该流程单块电池通常需耗时至少六小时，消耗大量时间与能源，使其不适用于大规模退役电池筛选[9]。针对这一局限，近期研究探索了基于机器学习（ML-based）的方法，通过部分电压响应或静置期行为推演SoH。[[10], [11], [12], [13], [14], [15]] 从恒流测量中采集数据主要有两种方法。第一种方法需要在恒流充电(CC)过程中收集电压数据，此时需要充电过程的完整或部分电压曲线来生成健康状态(SoH)预测特征。[11,13,14] 该方法需要额外的时间和能量使电池达到完全放电状态或目标电压。另一种方法则是在特定荷电状态(SoC)下采集电压数据。具体而言，可利用完全充电后(100% SoC)静置期间的电压曲线，或在特定SoC下重复电流脉冲与静置期间的电压曲线作为特征。[10,12] 对于后者而言，由于电阻变化与SoC相关，设置精确的SoC至关重要。[16] 这两种方法都需要额外的预设参数来获取SoH预测数据，因为老化电池会表现出高度离散的SoC值。
已有研究尝试通过生成式建模重构不完整的电压曲线来绕过预设条件，从而实现对部分循环数据的健康状态（SoH）预测[11]。然而，此类方法仍需以部分电压或荷电状态（SoC）信息作为输入，且需较长的数据采集时间才能达到可接受的性能。当电压曲线测量时长较短时，预测性能会显著下降，这限制了其在快速诊断中的应用。因此，面向二次寿命应用的真正实用方法必须能够在无需任何电压或SoC预设的条件下，实现直接、准确的健康状态估算，并在不同退化状态下保持可靠运行。
在此，我们提出一种无需预设参数的快速健康状态预测方法。为此，实验数据采集自圆柱形18650锂离子电池（LiNixCoyAlz在不同C倍率下退化的石墨负极。健康状态（SoH）预测过程包含两个连续步骤：诊断协议分类与SoH回归。根据10秒时长、1.0 C倍率的放电电压，系统会从三种诊断协议中选择其一。每个诊断协议包含不同强度的电流脉冲和静置时间，其设计通过低电流脉冲防止电芯在极端荷电状态（SoC）下达到截止电压。回归模型的训练数据来源于这些诊断协议的执行结果。分类模型的预测准确率达到0。999，回归模型的平均绝对误差（MAE）达到0.85%。这一卓越性能得益于对所有荷电状态（SoC）诊断协议数据的训练，使得整体流程通常可在130秒内完成（最长310秒）。通过采用电池容量与外部体积比的特征工程方法，该健康状态（SoH）预测流程可直接应用于不同规格的电池单体，而无需重新训练模型。这种无需预设参数的快速SoH诊断策略为二次利用电池评估提供了通用化、高能效的解决方案，通过特征工程避免额外数据采集需求，实现了显著的时间与能耗节约。此外，所提出的诊断流程展现出强大的可扩展性。这种固有灵活性凸显了其广泛适用潜力，不仅涵盖现有锂离子电池（LIBs），还包括新型材料及多样化下一代设备。[[17], [18], [19], [20]]2/graphite) degraded under various C-rates. The SoH prediction process consists of two sequential steps: diagnostic protocol classification and SoH regression. Based on the 10-second, 1.0 C-rate discharge voltage, one of three diagnostic protocols is selected. Each diagnostic protocol consists of diverse current pulses and rest times, and is designed to utilize low current pulses to prevent the cell from reaching cut-off voltages at extreme SoCs. The regression model was trained on the data acquired from these diagnostic protocols. The classification model yielded an accuracy of 0.999, and the regression model achieved a mean absolute error (MAE) of 0.85%. Such outstanding performance, attributable to training on the diagnostic protocol data across all SoCs, enables the overall process to be typically completed within 130 seconds (maximum 310 seconds). This SoH prediction process can be applied to cells with different form factors without model retraining through feature engineering using the cell capacity-to-external volume ratio. This pre-setting-free, rapid SoH diagnostic strategy offers a generalized, energy-efficient route for second-life battery assessment, achieving substantial time and energy savings by eliminating the need for additional data collection via feature engineering. Furthermore, the proposed diagnostic process demonstrates robust scalability. This inherent flexibility highlights its broad potential applicability not only to existing LIBs but also to novel materials and diverse next-generation devices.
