SSB蓄电池基于多维数据降维与自适应聚类算法的锂电池分选方法

2026-03-29 21:09:06

动力锂离子电池的高效分选方法显著影响着退役电池梯次利用的经济可行性与实际应用成效。利用测试数据是实现电池快速分选的有效途径，然而实测数据往往具有高维特性且可能包含异常值，这将导致分选算法最优聚类数目与中心点确定过程复杂化。不当的参数选择可能降低重组电池组的容量性能，进而削弱分选效果。针对上述挑战，本文提出一种基于电化学阻抗谱（EIS）数据的电池分选方法，融合数据降维与自适应聚类技术：首先采用弛豫时间分布（DRT）技术处理EIS数据，提取估算容量与极化内阻作为分选参数；其次通过PauTa准则剔除多维参数中的异常值，再利用主成分分析（PCA）压缩数据维度以降低计算复杂度；最终，减聚类算法确定初始聚类中心，随后通过k均值聚类进行优化，以动态确定最佳聚类数量并优化中心点位置，从而实现自适应分选。针对锂离子电池的实验验证证实了该方法的有效性，成功实现了输入数据维度缩减、分选流程简化，并在分选后的电池组态中展现出更高的容量保持率。

引言

电动汽车的快速普及推动锂离子电池的大规模应用，这得益于其高能量密度和长循环寿命等优势。与此同时，首批车载动力电池正进入集中退役期。退役电池通常仍保有约80%的初始容量，不当处置将导致资源浪费与环境压力。因此，梯次利用已成为实现其剩余价值并促进可持续回收的关键途径[1]。为满足应用场景的电压与功率要求，通常需要将大量电池单体通过串并联方式组成电池组[2]。然而，退役电池因来源多样且历史运行工况各异，在容量、内阻及健康状态（SOH）等关键指标上存在显著差异，导致一致性不足。这种不一致性阻碍了其在储能、备用电源等二次应用场景中的安全重组与高效利用。因此，开发快速精准的性能检测与分选技术，已成为提升重组电池系统一致性、控制再制造成本、保障梯次利用规模化与商业化可行性的基础要求[[3], [4], [5]]。
当前电池分选方法主要分为两类：一类依赖于标准测试，包括电池容量与内阻[6,7]；另一类采用基于测试数据的间接分选方法，例如充放电数据或电化学阻抗谱（EIS）数据。尽管前者可直接反映电池关键性能指标，但完整的容量测试需要进行充放电循环，该过程耗时耗能，因此限制了分选效率，难以满足梯次利用对速度和成本效益的需求。相比之下，利用充放电或EIS数据的方法能快速获取电压差、极化内阻等参数。这些参数不仅有助于预测电池容量等关键性能指标，还能直接反映其内部电化学状态的变化。此类间接分选方法无需耗时进行完整循环容量测试，通过模型分析或数据驱动分析即可获取分选参数，显著提升了分选效率。因此，在涉及使用一致性差异显著的大规模退役电池场景中，基于测试数据衍生的间接分选方法凭借其速度优势展现出更优的适用性。
基于测试数据的间接分选方法主要包括依赖充放电数据和阻抗谱数据的方案。从充放电数据衍生的分选技术主要涵盖电压差-容量关系拟合、增量容量分析、特征电压提取以及串联电压差提取等方法。在退役锂离子电池间接容量分选研究中，本文及相关文献所指"充放电数据"并非标准容量测试所需的"完整充放电循环数据"。标准充放电循环是指在温和倍率下进行的完整满充-满放过程，主要用于精确评估电池实际容量。该方法效率较低，仅适用于实验室环境下的精确标定。相比之下，间接分选方法所采用的充放电数据可通过多种途径获取，例如短时充电后的电压弛豫数据与瞬时放电电压数据、高倍率短时充电的电压-电荷采样数据，以及衍生增量容量曲线的特征数据。其核心思想是通过短时、局部充放电获取与容量相关的特征信号。通过计算或高级算法处理后，无需测量精确容量值即可实现间接容量分选，从而优化效率与实用性，使其更适用于退役锂离子电池在批量梯次利用前的快速筛选。文献[8]在每块电池完全充电后进行短期串联放电，建立了电压差与串联电池组容量之间的关系，实现了电池容量预测与分选。在文献[9]和[10]从ICA曲线中提取了电芯容量特征参数用于分选。文献[11]利用采集的电池组端电压数据，采用高斯混合模型(GMM)聚类方法识别异常电芯。然而，基于充放电数据的分选方法通常需要较长测试周期，且测试过程可能对电池寿命产生一定影响[12]。相比之下，EIS数据采集所需测试时间更短[13,14]，且属于无损检测范畴[15,16]，因而更适用于快速分选场景。文献[17]采用弛豫时间分布(DRT)技术从电池EIS曲线提取极化内阻，并结合EIS推导的容量参数构建了六维参数集用于电池分选。该方法能有效区分电池内部各类极化反应，为多维聚类标准提供可靠的电化学基础。然而，该方法存在明显局限性：首先，基于DRT[18,19]获得的容量与极化内阻之间存在信息冗余；其次，DRT解析过程受电池特性与正则化参数影响，可能导致识别出的极化内阻数量增加[20]，进而抬升参数维度。这将显著提高计算复杂度，最终制约分选速度。文献[21]提出了一种通过结合EIS数据与动态电压特征提取，并利用模糊C均值(FCM)聚类算法对退役电池进行分选的方法。然而，此类研究通常未能考虑分选过程中异常数据的影响。在实际应用场景中，由于电池内部材料与制造工艺的差异、使用环境的变化以及潜在微观短路等隐性故障的存在，采集的分选数据中不可避免地会引入异常值[22]。这些异常数据通常对应存在潜在故障的电池单体；若在分选过程中未能有效识别并剔除，不仅会降低重组电池组的一致性，更会因故障单体的混入而显著增加整个电池系统的安全风险[23]。此外，基于聚类算法的电池分选策略在当前研究中较为普遍。该方法中聚类数量和初始聚类中心的设定是关键因素。然而，基于硬聚类方法[24]（如k-means聚类）的技术需要人工设定聚类数量和初始中心。这导致算法灵活性不足，难以自适应匹配电池状态的复杂分布，最终影响重构优化的效果。相比之下，尽管软聚类方法（例如，模糊C均值聚类（FCM）和减法聚类等软聚类方法[17,21]虽能自动识别类别数量并通过隶属度表征电池状态归属的模糊性，却无法提供明确的分类边界，亦不能直接划分确定的电池状态类别。在重构过程中，仍需将隶属度转化为确定的分组决策。因此，单纯依赖软聚类技术难以直接实现最优的电池配对方案。
尽管利用电化学阻抗谱(EIS)数据的间接分选方法具备提升分选流程效率的潜力[25]，但在整个分选过程中仍存在若干亟需解决的关键挑战。

• 1.
  高维特征的存在、显著的信息冗余以及异常电池缺乏有效安全筛查机制等问题，不仅制约了分选效率，更损害了重组电池包的一致性与安全性。
• 2.
  在将聚类算法应用于电池分选的背景下，现有方法面临着自适应确定聚类数量（k值）与初始中心的难度。硬聚类方法（如k-means聚类）通常需要预先定义聚类数量，并对参数设置表现出敏感性，导致灵活性不足。软聚类方法（如FCM聚类）通过表征样本隶属度，有效捕捉了分类边界的模糊性。然而这些方法的输出结果无法提供明确的分类决策，限制了其在需要清晰分组的场景中的直接适用性。因此，仅依赖单一策略会阻碍最优聚类结果成就的达成。

针对上述挑战，本研究提出如下解决方案。

• 1.
  本文提出一种数据预处理策略以缓解测试数据维度与异常数据点对分选的影响。采用高斯过程回归(GPR)算法从EIS曲线推导的电池容量，以及从DRT曲线提取的极化内阻作为分选参数。通过Pauta准则进行数据过滤，同时利用主成分分析(PCA)实现数据降维，从而降低分选数据维度并减小异常值影响。
• 2.
  提出一种基于减量k均值聚类的分选方法，以解决传统聚类算法在实际应用中的缺陷。该方法综合了软聚类与硬聚类算法的优势，首先通过减量聚类算法自适应确定聚类数量，再经由k均值聚类进行中心点调整与样本分配。该方法无需人工指定聚类数量与初始中心即可实现自适应分选，并能将每块电池明确划分至特定组别。