为推动电动汽车关键共性技术发展，服务于成员单位技术研发需求，自成立以来，联盟一直持续开展整车及关键零部件前沿、共性技术研究工作，形成了大批研究成果，推动了电动汽车产业技术创新和进步。2023联盟共立项共性技术课题22项，为推动课题交流和成果共享，联盟将持续发布在研课题研究进展和成果，最大化发挥课题研究价值。
动力电池使用退役机制研究课题由中国汽车工程研究院股份有限公司赵志伟博士承担，针对目前新能源汽车动力电池缺乏通用的退役评价标准，推动动力电池规范化退役与回收的问题，课题提出了“线上”和“线下”融合的动力电池退役判定方法。首先通过云端数据与算法来监测动力电池健康状态，判定在用动力电池是否需要进行线下检测；然后，对在用动力电池进行线下检测，进一步佐证其退役评估结果。通过“线上”和“线下”的评价方式，综合评估实车动力电池的电性能和安全性能，建立动力电池通用的退役标准和规范。通过实时获取动力电池的运行数据，基于车辆运行大数据和数学模型，来监测实车动力电池的健康状态，通过建立相关标准来判定动力电池是否需要进行线下检测，率先给出在用动力电池的退役评估结果。该方法的核心是基于OCV标定的容量计算方法，提取一个合适的分段，以获得可信的SOC，并尽可能减少电流积分的误差。与实验室场景不同，数据已经从电动汽车中产生和收集。因此，需要对分段进行适当设计，以平衡容量计算的准确性和数据量。如图1所示，电动汽车的工作状态可分为3种状态：静置、动态和充电。对于正在运行的电动汽车，电池在断电或充电结束时静止，动态状态包括用于加速的能量输出和用于动能回收的能量输入，该电动汽车的充电状态是恒定电流（CC）充电过程。首先，筛选电动汽车的搁置工况，在搁置一段时间后，电池的端电压接近OCV。然后，通过查找SOC-OCV表校准SOCstart。因此，设置电动汽车从静置中醒来的起始点可以保证SOCstart的准确性。其次，SOCend被设置为100%，这是通过充电截止电压来判断的。根据SOC的定义，该SOC点是准确的，没有误差针。如图1所示，充电片段正好在搁置行为之后，并最终充满电。因此，对每一次充电过程，利用如下变形的安时积分公式计算得到电池容量数据：其中，Ca为计算的电池容量，Δt为采样间隔，I为充电电流（充电为负数），t1和t2为充电起始和终止时刻， 为充电起始SOC， 为充电终止SOC。通过电池供应商提供的OCV-SOC查找表，SOC的30%和90%之间的平台期如图2所示。由于所用电池为磷酸铁锂电池，由于采样或SOC估算误差，平台期中电压的微小偏移会导致SOC的剧烈变化。为了确保SOCstart的可靠性，在对原始数据进行预处理和统计分析后，将SOCsl设置为30%，即选取充电起始SOCstart来计算实车电池的标签容量。为了预测电池组的容量退化轨迹，需要提前计算大量的标记容量，基于可用的电池数据使用安时积分的变体来计算电池容量，如等式（1）所示。然而，由于缺乏测试数据和电池的关键特性，很难利用先进的状态估计方法以可忽略的误差获得准确的SOC。为了解决这个问题，采用一段时间内计算容量的统计平均值或中值来获得标记容量，可以有效地排除SOC误差或数据噪声引起的异常值。图3显示了两辆电动汽车的电池组计算容量，其中比较了原始值和统计值。如图3（a）所示，由于SOC误差、SOC间隔短、数据噪声等原因，基于等式（1）计算的容量存在大量异常值，并且大量点在同一个月内波动。根据统计，平均每个月可以获得超90个容量点。对于车辆应用来说，不需要关注每个充电过程的电池容量，这也是很难获得的。由于每月监测容量变化是合理的，因此得出了每个月计算容量的统计平均值和中值，如图3（b）所示。通过该操作获得了具有明显退化趋势的电池容量曲线。平均值几乎等于中值，表明一个月内计算的容量点是对称分布的，两者都可以用来有效地表示电池系统的退化状态。此外，可以观察到，这些车辆现场数据有几个局部容量恢复过程，这可能是由不同的因素引起的，如长时间搁置和温度变化。
为了确定电池退化的影响因素，研究了电池充电数据的统计特性，包括电池电流（I）、电池组电压（Vpack）、SOC、平均电池电压（Vave）、平均电池温度（Tave）、电池电压差（Vd）和电池温度差（Td）。如图4所示，随着电池老化，电池电流、电压和SOC没有明显的变化特征，因此很难确定这些数据如何影响电池老化。相反，电池温度对电池容量有明显的影响。可以发现，电池温度随着日历时间而周期性地变化。
图4 电池组充电数据的统计特性（a）电池容量；（b）电流；（c）电池组电压；（d）SOC；（e）平均电压；（f）平均温度；（g）压差；（h）温差通过相关性分析选取与电池容量高度相关的特征，结合估算的电池标签容量，使用数据驱动方法预测动力电池容量衰减，具体包括：1. 利用序列对序列（Sequence-to-sequence）神经网络，以早期（前20%-50%）标签容量和特征数据作为输入，未来标签容量序列作为输出，建立动力电池容量衰减轨迹预测模型。将该模型的预测误差定义为△y。2. 利用高斯过程回归（Gaussian process regression）算法，以月份、最高单体温度和最低单体温度为输入，以序列对序列模型的预测误差△y为输出，建立动力电池容量预测残差的补偿模型。该回归模型仅能进行单点估计，为了预测未来的容量残差，需要知道未来的最高单体温度和最低单体温度，实际操作时，可以根据历史年份的温度数据来进行设定。3. 最终的容量衰减预测结果等于序列对序列模型的结果加上高斯过程回归模型的结果。
结果显示，当只知道前3个月的数据时，预测剩余23个月的电池容量，获得的MAE_ave和RMSE_ave分别等于1.24%和1.53%。为了实现实车动力电池的线下快速检测，进行车辆充电测试以获得真实世界的数据，这些数据可用于模型训练和验证。与电动汽车上电池组的放电条件相比，充电过程易于控制。电池的SOC-OCV表是电池建模的重要输入，可通过恒流间歇测试来获得该曲线，如图5所示。在项目中，使用一阶RC模型，即Thevenin模型来模拟电池的动态行为，平衡模型复杂性和准确性，利用批量最小二乘算法进行参数识别。图5 SOC-OCV曲线获取过程（a）充电曲线；（b）SOC-OCV曲线对于电池组的健康评估，通常需要收集大量的电池老化数据来建立估计模型。然而，对电动汽车的电池组进行测试既费时又费力，通常只能获得少量的现场数据。电池数字孪生可以模拟电池组在不同老化条件下的充电行为以及电池组内部电池单元之间的不一致性。电池数字孪生生成的合成数据可以有效地弥补现实世界数据的不足，并可用于建立对不同操作条件具有高度适应性的数据驱动模型。SOH随循环次数的变化以及充电容量与电压（Q（V））曲线的演变如图6所示。图6 数字孪生结果。（a）电流和电压响应；（b）充电容量与电压曲线演变为了基于短时充电信息估计电池SOH，提取与电池SOH高度相关的特征序列，需要提取充电过程中短电压范围内的Q(V)。对于完整的恒流充电过程，给定起始电压（Vstart）、结束电压（Vend）和电压间隔（△V），充电过程可以通过L个点进行采样。其中可以将△V设置为1mV。通过为每个充电片段设置固定的长度（n）可以获得几十个充电片段。充电片段的长度n可以设置成50-100，对应充电时间在5-10分钟内。本项目使用先进的机器学习算法建立了电池SOH估计的数据驱动模型。在不同的机器学习算法中，CNN在非线性建模和自动特征提取方面表现出强大的能力。输入大小为n×3×1，因此使用1D CNN来构建网络。并且将全连接层（FCL）连接到CNN以产生最终的回归估计。构建基于深度卷积网络的数据驱动模型来估计电池SOH。在本研究中，使用10辆不同类型电池组的电动汽车的充电测试数据来验证所提出的方法。由于车辆测试成本大，每辆车只有一次充电测试，整个充电过程的累积电荷与额定容量的比率作为参考SOH。10款电动汽车的SOH覆盖范围为[80%-100%]。表1结果分析表明，将迁移学习策略与现场数据相结合可以提高真实场景中的估计精度，DA可以有效增强模型对未标记车辆的自适应性。1. 项目将引入多个新能源汽车样本数据进行退役评价并检测验证，考虑高速、城市、南北方气候和网约车等多工况多场景，实现多工况多场景退役评价机制验证。
2. 对现有关键健康指标进行测试验证，构建退役评价的总和指标体系，并评估指标体系的有效性，对比不同工况、场景的样本评价结果，分析指标阈值的合理性。
