為推動電動汽車關鍵共性技術發展，服務于成員單位技術研發需求，自成立以來，聯盟一直持續開展整車及關鍵零部件前沿、共性技術研究工作，形成了大批研究成果，推動了電動汽車產業技術創新和進步。2023聯盟共立項共性技術課題22項，為推動課題交流和成果共享，聯盟將持續發布在研課題研究進展和成果，最大化發揮課題研究價值。
動力電池使用退役機制研究課題由中國汽車工程研究院股份有限公司趙志偉博士承擔，針對目前新能源汽車動力電池缺乏通用的退役評價標準，推動動力電池規范化退役與回收的問題，課題提出了“線上”和“線下”融合的動力電池退役判定方法。首先通過云端數據與算法來監測動力電池健康狀態，判定在用動力電池是否需要進行線下檢測；然后，對在用動力電池進行線下檢測，進一步佐證其退役評估結果。通過“線上”和“線下”的評價方式，綜合評估實車動力電池的電性能和安全性能，建立動力電池通用的退役標準和規范。
通過實時獲取動力電池的運行數據，基于車輛運行大數據和數學模型，來監測實車動力電池的健康狀態，通過建立相關標準來判定動力電池是否需要進行線下檢測，率先給出在用動力電池的退役評估結果。
該方法的核心是基于OCV標定的容量計算方法，提取一個合適的分段，以獲得可信的SOC，并盡可能減少電流積分的誤差。與實驗室場景不同，數據已經從電動汽車中產生和收集。因此，需要對分段進行適當設計，以平衡容量計算的準確性和數據量。
如圖1所示，電動汽車的工作狀態可分為3種狀態：靜置、動態和充電。對于正在運行的電動汽車，電池在斷電或充電結束時靜止，動態狀態包括用于加速的能量輸出和用于動能回收的能量輸入，該電動汽車的充電狀態是恒定電流（CC）充電過程。首先，篩選電動汽車的擱置工況，在擱置一段時間后，電池的端電壓接近OCV。然后，通過查找SOC-OCV表校準SOCstart。因此，設置電動汽車從靜置中醒來的起始點可以保證SOCstart的準確性。其次，SOCend被設置為100%，這是通過充電截止電壓來判斷的。根據SOC的定義，該SOC點是準確的，沒有誤差針。如圖1所示，充電片段正好在擱置行為之后，并最終充滿電。
因此，對每一次充電過程，利用如下變形的安時積分公式計算得到電池容量數據：
其中，Ca為計算的電池容量，Δt為采樣間隔，I為充電電流（充電為負數），t1和t2為充電起始和終止時刻， 為充電起始SOC， 為充電終止SOC。
通過電池供應商提供的OCV-SOC查找表，SOC的30%和90%之間的平臺期如圖2所示。由于所用電池為磷酸鐵鋰電池，由于采樣或SOC估算誤差，平臺期中電壓的微小偏移會導致SOC的劇烈變化。為了確保SOCstart的可靠性，在對原始數據進行預處理和統計分析后，將SOCsl設置為30%，即選取充電起始SOCstart來計算實車電池的標簽容量。
為了預測電池組的容量退化軌跡，需要提前計算大量的標記容量，基于可用的電池數據使用安時積分的變體來計算電池容量，如等式（1）所示。然而，由于缺乏測試數據和電池的關鍵特性，很難利用先進的狀態估計方法以可忽略的誤差獲得準確的SOC。為了解決這個問題，采用一段時間內計算容量的統計平均值或中值來獲得標記容量，可以有效地排除SOC誤差或數據噪聲引起的異常值。
圖3顯示了兩輛電動汽車的電池組計算容量，其中比較了原始值和統計值。如圖3（a）所示，由于SOC誤差、SOC間隔短、數據噪聲等原因，基于等式（1）計算的容量存在大量異常值，并且大量點在同一個月內波動。根據統計，平均每個月可以獲得超90個容量點。對于車輛應用來說，不需要關注每個充電過程的電池容量，這也是很難獲得的。由于每月監測容量變化是合理的，因此得出了每個月計算容量的統計平均值和中值，如圖3（b）所示。通過該操作獲得了具有明顯退化趨勢的電池容量曲線。平均值幾乎等于中值，表明一個月內計算的容量點是對稱分布的，兩者都可以用來有效地表示電池系統的退化狀態。此外，可以觀察到，這些車輛現場數據有幾個局部容量恢復過程，這可能是由不同的因素引起的，如長時間擱置和溫度變化。
為了確定電池退化的影響因素，研究了電池充電數據的統計特性，包括電池電流（I）、電池組電壓（Vpack）、SOC、平均電池電壓（Vave）、平均電池溫度（Tave）、電池電壓差（Vd）和電池溫度差（Td）。如圖4所示，隨著電池老化，電池電流、電壓和SOC沒有明顯的變化特征，因此很難確定這些數據如何影響電池老化。相反，電池溫度對電池容量有明顯的影響?？梢园l現，電池溫度隨著日歷時間而周期性地變化。
圖4 電池組充電數據的統計特性（a）電池容量；（b）電流；（c）電池組電壓；（d）SOC；（e）平均電壓；（f）平均溫度；（g）壓差；（h）溫差
通過相關性分析選取與電池容量高度相關的特征，結合估算的電池標簽容量，使用數據驅動方法預測動力電池容量衰減，具體包括：
1. 利用序列對序列（Sequence-to-sequence）神經網絡，以早期（前20%-50%）標簽容量和特征數據作為輸入，未來標簽容量序列作為輸出，建立動力電池容量衰減軌跡預測模型。將該模型的預測誤差定義為△y。
2. 利用高斯過程回歸（Gaussian process regression）算法，以月份、最高單體溫度和最低單體溫度為輸入，以序列對序列模型的預測誤差△y為輸出，建立動力電池容量預測殘差的補償模型。該回歸模型僅能進行單點估計，為了預測未來的容量殘差，需要知道未來的最高單體溫度和最低單體溫度，實際操作時，可以根據歷史年份的溫度數據來進行設定。
3. 最終的容量衰減預測結果等于序列對序列模型的結果加上高斯過程回歸模型的結果。
結果顯示，當只知道前3個月的數據時，預測剩余23個月的電池容量，獲得的MAE_ave和RMSE_ave分別等于1.24%和1.53%。
為了實現實車動力電池的線下快速檢測，進行車輛充電測試以獲得真實世界的數據，這些數據可用于模型訓練和驗證。與電動汽車上電池組的放電條件相比，充電過程易于控制。電池的SOC-OCV表是電池建模的重要輸入，可通過恒流間歇測試來獲得該曲線，如圖5所示。在項目中，使用一階RC模型，即Thevenin模型來模擬電池的動態行為，平衡模型復雜性和準確性，利用批量最小二乘算法進行參數識別。
圖5 SOC-OCV曲線獲取過程（a）充電曲線；（b）SOC-OCV曲線
對于電池組的健康評估，通常需要收集大量的電池老化數據來建立估計模型。然而，對電動汽車的電池組進行測試既費時又費力，通常只能獲得少量的現場數據。電池數字孿生可以模擬電池組在不同老化條件下的充電行為以及電池組內部電池單元之間的不一致性。電池數字孿生生成的合成數據可以有效地彌補現實世界數據的不足，并可用于建立對不同操作條件具有高度適應性的數據驅動模型。SOH隨循環次數的變化以及充電容量與電壓（Q（V））曲線的演變如圖6所示。
圖6 數字孿生結果。（a）電流和電壓響應；（b）充電容量與電壓曲線演變
為了基于短時充電信息估計電池SOH，提取與電池SOH高度相關的特征序列，需要提取充電過程中短電壓范圍內的Q(V)。對于完整的恒流充電過程，給定起始電壓（Vstart）、結束電壓（Vend）和電壓間隔（△V），充電過程可以通過L個點進行采樣。其中可以將△V設置為1mV。通過為每個充電片段設置固定的長度（n）可以獲得幾十個充電片段。充電片段的長度n可以設置成50-100，對應充電時間在5-10分鐘內。
本項目使用先進的機器學習算法建立了電池SOH估計的數據驅動模型。在不同的機器學習算法中，CNN在非線性建模和自動特征提取方面表現出強大的能力。輸入大小為n×3×1，因此使用1D CNN來構建網絡。并且將全連接層（FCL）連接到CNN以產生最終的回歸估計。構建基于深度卷積網絡的數據驅動模型來估計電池SOH。
在本研究中，使用10輛不同類型電池組的電動汽車的充電測試數據來驗證所提出的方法。由于車輛測試成本大，每輛車只有一次充電測試，整個充電過程的累積電荷與額定容量的比率作為參考SOH。10款電動汽車的SOH覆蓋范圍為[80%-100%]。表1結果分析表明，將遷移學習策略與現場數據相結合可以提高真實場景中的估計精度，DA可以有效增強模型對未標記車輛的自適應性。
1. 項目將引入多個新能源汽車樣本數據進行退役評價并檢測驗證，考慮高速、城市、南北方氣候和網約車等多工況多場景，實現多工況多場景退役評價機制驗證。
2. 對現有關鍵健康指標進行測試驗證，構建退役評價的總和指標體系，并評估指標體系的有效性，對比不同工況、場景的樣本評價結果，分析指標閾值的合理性。
