动力电池梯次利用关键技术与应用综述

崔树辉，周贺，黄振兴，王凯,4

(1.青岛大学 a.电气工程学院；b.威海创新研究院，山东 青岛 266071；2.迪卡龙(青岛)电子有限公司，山东 青岛 266109；3.青岛海尔洗涤电器有限公司，山东 青岛 266101；4.电动汽车智能化动力集成技术国家地方联合工程研究中心(青岛)，山东 青岛 266071)

随着汽车数量的快速增长，当今面临的能源和环境问题日益严峻。近年来，为推进我国“双碳”的目标，降低汽车对燃油的依赖性，降低汽车尾气造成的环境污染，国家出台了“电动汽车税收减免”等一系列激励政策，积极促进新能源汽车的发展[1-2]。2021年的数据统计显示[3]，我国新能源汽车累计销量达到352万辆，与2020年相比增加157%，占全球新能源汽车市场份额的52%。新能源电动汽车的核心部件之一是动力电池，新能源汽车的迅速发展必然推动对动力电池的需求。2021年我国动力电池装机量达到154.5 GWh，同样占全球的52%。但是当动力电池的容量衰退至总容量的80%，动力电池将不再能够满足新能源汽车的要求，需要对其更换[4]。根据中国汽车工业协会的预测，到2025年，我国退役动力电池的数量将达7×105t(约116 GWh)[5]。从新能源汽车上退役下来的动力电池仍然具有很高的剩余价值，对其做直接报废处理将会产生巨大的资源浪费，如果采用梯次利用的方式，将退役动力电池用于充电站、通信基站、移动充电车、低速电动汽车、储能系统以及其他性能要求低于电动汽车的场景，可延长其使用寿命。动力电池的梯次利用可以有效减少锂离子电池带来的污染[6-7]，减少资源浪费，还可以提高电池的利用价值，实现全生命周期的价值最大化，降低电动汽车、电能存储等相关行业的成本，从而促进新能源汽车的发展。

为此从动力电池梯次利用的现状出发，对退役电池的性能检测和梯次利用快速分选的方法、电池重组与均衡的策略等技术难题展开研究，并通过实例分析退役动力电池的多种梯次利用场景，以及大规模退役动力电池高效梯次利用于储能系统的控制策略。

1 动力电池梯次利用现状

1.1 国内外梯次利用实例

1.1.1 国际应用实例

在美国、日本、欧洲动力电池的梯次利用研究开展较早，2009年，日本东芝公司在日本最早提出了动力电池梯次利用的概念[1]。国外的梯次利用更加注重其经济效益，而且大多服务于用户侧，总体上还处于示范性应用阶段，以示范工程和理论研究为主，少数企业率先将其进行商业运作。典型的国外梯次利用项目见表1[8]。

表1 国外典型梯次利用项目Tab.1 Typical echelon utilization projects at abroad

1.1.2 国内应用实例

国内的梯次利用主要以示范工程为主，以国家电网有限公司、中国南方电网有限责任公司、中国铁塔股份有限公司、比亚迪股份有限公司为代表，主要将电池梯次利用于储能领域，在通信行业和新能源汽车充电行业也有应用。2019年国内第一个电池梯次利用的电网侧储能电站在南京开始建设，利用电池的剩余可用容量为变电站等设备供电；2016年比亚迪股份有限公司在深圳龙岗比亚迪工业园建设10 MW、20 MWh梯次利用磷酸铁锂电池储能项目；2017年中国电力科学研究院有限公司和国网青海省电力公司在青海西宁风光水储微电网基地建设250 kW、500 kWh梯次利用磷酸铁锂电池储能项目[9]；中国铁塔股份有限公司在全国30多个省共计12万个通信基站中布局电池梯次利用示范项目，累计容量达到了GWh规模。总体来讲，国内的梯次利用研究仍处于探索阶段，应用主要是储能领域的示范工程，还未形成完整的商业模式。

1.2 梯次利用相关政策与标准

梯次利用能够发挥动力电池的更大价值，拥有广阔的应用前景，但是由于行业起步不久，关键技术仍在探索阶段，实践过程阻力较大，这就需要国家制订相关政策与标准[10]，鼓励更多的企业参与到梯次利用机制中来。

1.2.1 动力电池退役标准

当动力电池的性能不再能满足电动汽车的需要时，就要更换新电池，退役旧电池，现行动力电池的退役标准各有其特点。国际电工委员会(IEC)在2010年发布的IEC 62660-1规定动力电池实际容量小于初始容量的80%时就要退役；2014年爱达荷州国家实验室发布的HEV实验手册和2015年美国高级电池联盟发布的电动汽车蓄电池测试手册则规定，电池当其功率和能量不能满足实际功率需求时退役；GB/T 31484—2015《电动汽车用动力蓄电池循环寿命要求及试验方法》同样以实际容量小于初始容量的80%作为电池退役的标准[11]。由此可见，动力电池的退役标准主要分为实际容量的定量标准和实际功率的定性标准，而目前的研究认为容量较之功率能更好地反映电池的性能退化，然而随着容量衰退，安全问题随之而来；因此，研究制订合理统一的动力电池退役标准对于梯次利用的安全性和效率具有重要意义。

1.2.2 梯次利用的国内外政策

国外对动力电池梯次利用的研究开展得比较早，一些国家已经有了很完善的电池回收利用管理措施：日本自1994年以来就开始回收废旧电池，建立了“电池生产和销售、回收和再利用”的体系，日本企业借助国家立法和补贴进行制度建设，实现动力电池的高效回收；美国先后成立了可充电电池回收公司和便携式可充电电池协会，引导公众积极配合废旧电池的回收，推动工业电池的回收；德国通过完善的法规政策，建立了一套完整的废旧电池回收体系，经销商需要配合生产企业组织建立回收机制，而且用户有义务将废旧电池上交给指定机构，法规明确了生产者责任制，在政策的激励下德国大众、宝马等汽车公司已经开始进行动力电池梯次利用的研究。

在“十三五”期间，我国就对动力电池梯次利用开始了顶层设计[12]：2016年，五部委联合发布《电动汽车动力蓄电池回收利用技术政策》，明确了电动汽车动力电池设计、制造、回收主体、梯次利用等方面的具体要求，是国家开始鼓励动力电池梯次利用的重要标志；2020年，工信部发布《新能源汽车废旧动力蓄电池综合利用行业规范条件(征求意见稿)》，旨在对梯次利用的检测技术和设备进行革新；同年工信部节能与综合利用司又发布了《新能源汽车动力蓄电池梯次利用管理办法(征求意见稿)》，鼓励采用先进技术和装备对废旧动力电池进行梯次利用。2021年8月正式印发的《新能源汽车动力蓄电池梯次利用管理办法》要求梯次利用企业保障生产梯次产品的可靠性，规定梯次产品统一标识，建立梯次产品认证制度，并明确指出动力蓄电池生产企业应采用易于梯次利用和有助于高效梯次利用的产品结构设计[13]。此管理办法的发布，对于促进动力蓄电池的回收和梯次利用具有重要意义，同时有助于推动我国新能源汽车产业的持续健康发展[14]。

2 退役动力电池的性能检测

一般来说，可以将动力电池看作一个非线性的系统，电池在使用过程中的性能变化是一个受多种因素影响的长期过程，因此退役时的性能预测是动力电池梯次利用的一项关键技术。而电池的荷电状态(state of charge，SOC)和健康状态(state of health，SOH)是评判电池当前性能最为关键的因素。

2.1 SOC估算

SOC是评估电池状态的重要指标。准确估算电池的SOC值，可以有效判断电池目前的状态，是电池管理系统中不可或缺的一部分。SOC反映电池剩余电量的情况，是在同一工况、特定的放电条件(恒温、恒流)下，电池剩余电量Qr与相同条件下电池额定电量QN的比值，即SOC值kSOC=Qr/QN。

SOC估计方法可以分为传统估计方法、模型驱动方法和数据驱动方法3类。其中传统估算方法原理最简单，包括负载放电法、安时积分法、开路电压法等，各方法优缺点见表2。

表2 SOC传统估计法优缺点Tab.2 Advantages and disadvantages of traditional SOC estimation method

常见的模型驱动方法估算SOC大多是建立在等效电路模型的基础上，利用电池等效电路构造空间状态方程，采用卡尔曼滤波等方法观测SOC。卡尔曼滤波法的流程如图1所示。其中的扩展卡尔曼滤波算法是比较经典的一种算法，从最小误差方差的角度出发，可以减小误差，抑制噪声，适用于非线性系统[15]；但该方法的主要缺点有系统非线性化和观测噪声仅适用于高斯分布。基于此问题，有大量的研究提出了改进的卡尔曼滤波法，包括双卡尔曼滤波、无迹卡尔曼滤波、自适应卡尔曼滤波等[16-18]。

图1 卡尔曼滤波法流程Fig.1 Flow chart of Kalman filter method

基于数据驱动的方法不需要深入研究电池内部的电化学反应，依靠历史数据分析和模型训练即可获取高精度的SOC值，反向传播(back propagation，BP)神经网络模型是其中比较简单、最常用的估算模型。图2展示了BP神经网络模型的基本结构和流程。

图2 BP神经网络模型与流程Fig.2 Neural network model and process

BP神经网络基于模拟人脑神经，通过正向计算和反向传播2个过程对网络模型进行训练[19]。这种方法的优点是不需要建立复杂的数学模型，只需要提供内阻、电压、电流等数据就能完成评估；它的缺点则是需要大量的数据支持和反复的训练，这就使得动力电池在缺少完善的历史数据的情况下很难通过这种方式进行SOC评估。基于以上问题，近年来，结合多种方法的融合模型成为研究热点：文献[20]将模糊神经网络与扩展卡尔曼滤波法相结合，有效解决传统卡尔曼滤波方法过于依赖电池模型的问题，同时减小误差，有较好的收敛性和鲁棒性；文献[21]采用神经网络模型代替无迹卡尔曼滤波法中的多项式模型，有效提高估算精度，同时设计主从式自适应无迹卡尔曼滤波算法，对噪声方差进行了有效控制，较传统的卡尔曼滤波法有着更高的精准度和收敛速度。

2.2 SOH估算

SOH能反映电池的寿命状态，一般指电池的老化程度。电池的老化会引起多种参数的变化，其中主要是内阻增加和容量衰退，电池内阻、自放电、电池容量等指标是评估退役电池的健康状态的主要指标。常用的估测方法可分为实验估计法、自适应滤波法、数据驱动方法3类，其中：实验估计法是在离线状态下测得内阻、容量等某一电池参数与SOH值的关系曲线，进而推算出SOH，是最简单最直接的方法，但实用性太差，大多用于实验室检测；基于自适应滤波和数据驱动的评估方法是当今研究热点。文献[22]以电池直流内阻、放电倍率和表面温度为输入，采用神经网络算法构建了3层BP神经网络，该神经网络具有较好的收敛性，并且能比较准确地对梯次利用电池健康状态进行评估；文献[23]基于模型驱动的方法，采用二阶Thevenin等效电池模型，提出了一种双自适应无迹卡尔曼滤波算法，进行多次迭代运算，估算出电池的内阻，并通过电池内阻估算SOH值，该方法估算精度保持在2%以内，是一种精度较高的方法。各常用的SOH估算方法及其优缺点见表3。

表3 各种SOH估算方法的优缺点Tab.3 Advantages and disadvantages of various SOH estimation methods

从各方法的对比中可以看出，估算精度越高的方法，其原理相对更复杂，计算量更大；因此，为了兼顾检测效率和准确性，在实际应用中往往需要融合多种算法进行研究。文献[24]将最小二乘法与联合卡尔曼滤波方法相结合，在低倍率恒流充放电工况下提取出了电池的容量和内阻特征参数，进而运用提取的特征估计SOH，但该提取方法仅限磷酸铁锂电池，在适用工况上具有一定的局限性；文献[25]通过实验分析退役动力电池的特征曲线，提出了一种三元锂电池储能系统的电池衰减加速评价方法，能够快速无损地对三元锂电池进行性能评估，该测试方法简单高效，设备少，判断结果较精确，但是同样受到工况和电池种类的限制；文献[26]在实验数据的基础上，提出一种表示电池最大容量的健康因子，并通过神经网络模型建立该健康因子与电池健康状态之间的关系，该方法估测SOH的平均相对误差能达到1%以内，并且不受电池工况的限制，但该方法需要短时搁置电压信息，因而如何选择搁置时长成为该方法的改进方向；文献[27]将自适应无迹卡尔曼滤波算法与扩展卡尔曼算法相结合，建立循环迭代关系，能够实时估计电池状态，具有不受电流工况限制的优点，但2种卡尔曼滤波算法的优化过程会加大计算量。

当前退役动力电池的规模日益增长，需要耗费大量时间的SOH离线估计法显然无法满足需求，因此通过大数据进行实时评估是较为科学、经济的方式；同时有研究表明，采用多个健康因子互补估计退役锂离子电池SOH比单健康因子估计更加准确[28]。随着人工智能与机器学习技术的发展，基于数据驱动的SOH估算方法和基于融合模型的SOH估算的可实现性越来越高，如何同时提高估测精度和大规模退役电池的检测效率，将成为需要研究解决的问题。

3 梯次利用的分选与重组技术

退役动力电池梯次利用的流程如图3所示，包括电池回收、拆解、检测筛选、重组集成、均衡管理等关键环节。回收的退役动力电池的性能一致性较差，一般不能直接用于梯次利用，需要对其性能参数做出准确检测，确定分选指标，筛选出适合用于某一场景的梯次利用电池，并进行重组集成，构建新的电池系统，应用于储能系统等梯次利用场景。

图3 动力电池梯次利用流程Fig.3 Echelon utilization process of power batteries

3.1 梯次利用电池的检测和快速筛选

动力电池在经过了长时间的使用后，隐藏的安全风险点较多，将退役动力电池用于梯次利用前，必须对电池进行全面的安全性检测。首先可以在拆解前后检查电池外观，查看电池外观是否完整；然后用电压表测量电压，用内阻测试仪检测内阻，基本参量的安全性能达标才能进行下一步检测。

电池的能量特性也会随使用时间发生衰减，不同电池间的性能差异很大，电池单体的不一致性表现在容量、内阻、自放电和SOH等方面，而这些参数的不一致性直接决定了退役的动力电池能否进行梯次利用；因此，为使退役动力电池能达到梯次利用的性能要求，实现不同性能表现电池再利用价值的最大化，在梯次利用前，必须根据这些电池参数筛选出性能一致性较好的动力电池，这是退役电池梯次利用的一个关键环节[29-30]。

近年来，针对退役动力电池的筛选指标已有大量研究：文献[31]研究了单体电池的温度和直流内阻与电池状态的关系，通过进行温度实验和直流内阻特性实验测得电池参数，评估电池健康状态，从而有效地快速筛选梯次利用动力电池；文献[32]研究了电池的放电特性与电池老化程度的关系，将单体电池的CD-OCV特性曲线作为筛选指标，该方法能较为精确地筛选出性能一致性较好的退役动力电池单体；文献[33]基于电化学原理，研究了电池的库伦效率与电池容量之间的关系，将库仑效率作为退役动力电池梯次利用的筛选指标，这种方法可以比较直观地筛选出可用作储能梯次利用的动力电池。

但是这几种方法都是研究针对电池单体的筛选指标，而将大规模的退役电池拆解成电池单体将耗费大量的时间和成本。对于此问题，文献[34]阐述通过考察不同拆解级别的容量特性，发现同一电池模组中单体的容量基本一致，提出可以直接以电池模组的形式进行梯次利用；文献[35]将模糊数学的聚类分析应用在退役电池的筛选过程中，用欧式距离法对电池的数据进行聚类分析，从而实现对电池的分类，该方法在很大程度上提高了退役动力电池梯次利用分类筛选的效率；文献[36]阐述在此基础上进行方法改进，利用脉冲功率测试得到的特征，将因子分析与聚类算法有机结合，得到较好的分选效果。

目前比较精确的分选模型需要提供大量的退役电池数据，分选方法的经济性和效率仍有待提高。电化学阻抗谱(electrochemical impedence spectroscopy，EIS)法是目前用于电池分选的一个热门方向，文献[37]利用充电过程中探测到的低频阻抗谱提取所需特征来估测电池健康状态，此方法有效避免了充放电曲线的不完整对特征提取造成的困难。这也为退役电池的分选提供了新的思路，即直接根据测量得到的EIS曲线，建立等效电路模型进行参数的量化，并进行退役动力电池的状态评估和分选，该方法可以有效减少能耗和节省时间，有较大的实用价值。需注意的是，等效模型的精确性是影响EIS法准确性的因素。

退役动力电池的检测和筛选分类是梯次利用的关键环节，为保证梯次利用的安全性和效率，必须对退役的动力电池进行准确的状态检测，以确保分选环节的精准性。而对于分选环节，最重要的问题是提高该过程的速度、准确性和合理性。面对大规模的退役动力电池，采用传统的方法逐个估计容量、内阻等参数将很难提高分选效率，那么研究只需要简单测试数据就能快速准确获取筛选指标的方法是一个迫切需要解决的问题。另一方面，充分利用大量退役动力电池的历史数据，加以对退役电池的状态检测，采用数据驱动、数模结合的方式，可以有效提高退役电池分选的效率和梯次利用的安全性。

3.2 梯次利用电池的成组与均衡

采用科学合理的动力电池的配组方式可以在一定程度上改善各电池组之间的一致性。传统的分选成组方案大都通过计算退役电池容量，按照退役电池剩余容量分摊，但在实际应用中，这种方法精度不高。为了解决这一问题，有研究使用了K-means聚类方法，对相关的电池参数归一化并加权处理后，对单体电池直接进行分组，同一组的电池进行重组后即可梯次利用[38]。文献[39]提出通过计算动态时间弯曲距离，结合梯次利用电池的静态特性和动态特性，运用K-means聚类算法设计重组方案，该方法有效提高了重组电池单体之间的一致性；其缺点在于要对全部电池单体进行分类，而如果以电池单体级别进行成组集成，则需要评估每个单体的参数，这会耗费巨大的成本和时间。如果考虑以电池包级别进行整包利用就会大大减少成本，文献[40]提出运用整包利用的思路，对退役动力电池包进行2次外观检测和充放电实验2次筛选后，将符合梯次利用标准的电池包重组后应用于光储微电网系统。这说明退役电池在特定的梯次利用场景下可以直接以电池包的级别进行梯次利用，那么这种低成本的方式是否还可以用于其他场景仍有待继续研究。

由于退役动力电池的一致性要远差于新电池，一般的电池管理系统内的均衡功能已不能满足需求，因此需要设计新的电池均衡方式[41]。均衡的目标是要尽量保证电池SOC的一致性，实现容量利用率的最大化，均衡方式可分为被动均衡与主动均衡。被动均衡主要是指电阻式均衡，结构相对简单，易于控制，在电动汽车上应用较普遍；主动均衡包括电容式均衡、电感式均衡、变压器式均衡，常用的拓扑电路如图4和图5所示。文献[42]采用了芯片级主动均衡的电池管理系统，有效解决了退役动力电池一致性差的问题，用于储能系统可间接降低其成本，不过该方法采用的芯片级主动均衡策略中，如何提高单电芯的SOC估计精度是需要继续研究的问题；文献[43]采用主动被动协同均衡的策略，同时对SOC的估计考虑了电池参数的相关性，有效弥补了单一均衡策略的不足。

图4 电容式均衡电路拓扑Fig.4 Capacitive equalization circuit topology

图5 变压器式均衡电路拓扑Fig.5 Transformer equalization circuit topology

4 退役动力电池的典型梯次利用场景

传统的电池储能系统一般以电化学蓄电池为基础，而锂离子电池具有容量大、能量密度高、效率高等优点，是功率较高的储能系统的理想选择[44]，但高昂的锂离子电池成本成为传统电池储能系统的主要阻碍。梯次利用电池应用于储能系统就会大大降低这一成本。研究表明，退役动力电池在储能领域的梯次利用不仅可以延长电池的使用寿命，降低储能系统的成本，而且还可以改善电能质量，提高供电可靠性[45-46]。除储能电站外，梯次利用电池还可以应用于通信基站、光伏电站、家庭储能等多种场景[47-48]。

在储能电站领域，快速充电站对功率的要求持续增加，给电网带来很大压力，将梯次利用电池储能系统应用于快速充电站，对负载进行削峰填谷，可以有效缓解电网压力[49]。文献[50-51]致力于研究将梯次利用电池应用于储能电站的经济性问题，对动力电池的全生命周期的成本进行了平准化分析，结论表明，在梯次利用技术尚不成熟的情况下，梯次利用电池用于储能电站的成本较高，因此还需要着重研究动力电池梯次利用的技术和政策；而文献[52]则研究将梯次利用电池应用于储能电站的设计方案，通过控制实现各退役电池组之间的“异构兼容”，使退役电池可以以整包形式梯次利用于储能电站，这种技术路线的应用可以极大地减小拆解电池的成本，具有良好的经济性；在通信领域，将梯次利用电池应用于通信基站具有很好的经济性，同时还可以提高基站运行的安全性，文献[53]提出通信基站容量配置的优化设计方案，应用梯次利用电池，有效解决传统通信基站充放电率低的问题，但是这一方案尚未在实际应用中得到检验；在光伏储能领域，应用梯次利用电池同样有着比新电池更低的成本[54]；在用户侧储能领域，梯次利用电池储能系统参与用户侧的削峰填谷也具有良好的经济性[55]。

大规模的梯次利用电池应用于储能系统时，也会存在性能一致性差的问题，那么如何高效安全地实现这一应用成为亟待解决的问题[56]。这需要在实际应用场景中根据电池性能的差异和变化可能带来的问题制订有效控制策略。针对这一问题：文献[57]从电池PACK特性的角度出发，研究一种以电池包剩余电量为基础的控制策略，为集中式储能系统提供一种良好的调整方案；文献[58]从电池的SOC角度出发，通过调整充放电功率最大限度地利用电池组的电能；文献[59]提出了一种多分支拓扑的协同控制策略，能够通过正反馈调节，根据电池的实际电量调整各电池的出力情况，剩余电量多的电池优先出力，运行一段时间后会使各电池的剩余电量保持在同一水平，最终达到储能系统中各动力电池同期退役的目的；文献[60]通过容量配置的方法对梯次利用电池用于储能系统进行经济性规划，同时还延长了储能系统的寿命。

研究表明，动力电池梯次利用于储能系统中已经具备很好的可行性和经济性；但受成本和梯次利用技术的限制，梯次利用电池储能系统还没有广泛普及，因此继续对梯次利用的关键技术展开研究是当务之急。

5 总结与展望

在新能源产业快速发展的今天，退役动力电池的梯次利用成为大势所趋。近年来，在梯次利用电池性能检测和分选等关键技术的研究上已经取得了很多成果，梯次利用电池主要用于储能领域的多种场景，很好地缓解了传统储能系统成本高等问题，拥有广阔的发展前景；然而随着应用场景越来越广泛，电池的梯次利用仍存在很多需要解决的问题。

a)状态评估算法研究方面：通过数模结合，对电池的特征参量和历史数据的融合进行实时评估是较为科学的方式。从最近的研究成果来看，以卡尔曼滤波为代表的模型驱动方法和以人工神经网络为代表的数据驱动方法的有机结合，可以进一步减小SOC和SOH估计的误差，提高效率。同时，针对不同的电池工况，使检测方法准确化、多样化也是需要继续研究的问题。

b)快速筛选技术研究方面：检测结果相对准确的方法大都操作比较复杂，需要将电池包拆解为电池单体或者进行长时间实验，成本较高，准确性和效率往往不能兼得；因此，兼顾准确性和经济性的梯次利用分选技术成为研究的难题，同时还应基于不同的实际应用场景设计合理的分选方法。

c)梯次利用级别方面：退役动力电池最合理的梯次利用级别是模组级，但现在比较成熟的技术大多是对电池单体的研究，不能满足大规模退役电池投入梯次利用的要求；因此，对于电池模组级别的检测、分选方法的研究将成为今后的研究方向。

d)标准化程度方面：造成不一致的根本原因是起初流入市场的新能源电池的标准化程度低，致使梯次利用时要对每个电池进行拆解检测才能评估其状态。如果能在制造新能源电池时就为以后的梯次利用打好基础，从源头上制订规范，从电池单体级别到系统级别采用统一的电池规格，完善电池管理系统，通过大数据实时监测的方式使电池退役时能留有较为系统的状态数据，那么梯次利用的效率一定会有大幅度提高。

e)回收体系方面：我国的废旧锂电池回收体系尚不完善，回收技术和商业模式尚未形成成熟的标准。可以借鉴国内外梯次利用成功实例，从电池生产商、零售商以及电池用户等多个角度考虑，构建完整的电池回收梯次利用体系及相关产业链。