数字储能网讯：

摘 要  动力电池在老化过程中出现容量衰减、内阻增大和一致性下降等一系列特征变化，虽然这些特征变化给退役电池梯次利用安全性带来巨大挑战，但也成为电池状态评估和筛选的重要依据。首先，分析国内外政策法规在推动和规范梯次利用发展中的作用，并结合工程实例剖析安全隐患，提出特征指标提取与处理方法在效率和精度方面的要求。其次，围绕“模型-测试-算法”框架，创新性地将特征指标提取与处理分为“侧重于效率”和“侧重于精度”两大类方法，探讨在特征指标提取和处理过程中，测试手段和智能算法如何提高效率；介绍多维特征指标提取和分阶段的特征指标应用的过程中，模型与算法如何提高精度。最后，结合政策文献要求，对各类方法进行总结和对比，为迎接2030年即将来临的“退役电池浪潮”提供理论依据。

关键词 退役电池；状态评估；梯次利用；特征指标；电池筛选

能源转型，交通变革是实现“双碳”目标的重要环节。电动汽车的面世和发展缓解了能源压力、推动了人们出行方式的变革，而随之迎来的是其大量退役，大量废旧动力电池该“何去何从”成为亟待解决的问题。当电动汽车上的动力电池容量衰减到初始值的80%时，虽然此时电池已难以满足电动汽车的性能要求，但可以在储能电站、通信基站乃至城市照明等功率要求相对较低的场合中继续使用。通过废旧动力电池回收、拆解、检测、重组等环节实现其梯次利用，迎来RB全生命周期内的“重生”，实现了经济与环境资源的双赢，具有较为广阔的市场需求和发展前景。

退役电池(retired batteries，RB)具有体量大、种类多、形态功能各异等特点，对其退役时进行余能检测和状态评估是不可缺少的。电池健康状态(state of health，SOH)是进行退役电池评估、筛选和重组的重要依据，通常提取各项特征指标(characteristic indicators, CI)反映电池SOH并对其进行筛分。此外，荷电状态(state of capacity)、功率状态(state of power)、能量状态(state of energy)等多项电池综合状态克服了SOH评估的偶然性，可作为综合评判RB当前状态的特征指标。传统特征指标的提取与分析主要采用模型驱动、数据驱动、数理统计等方法，各种方法在提取效率和精度上各有千秋。

现有综述文献对梯次利用电池产业模式、经济效益、环境效益、健康状态估计、特征指标归类、筛分方法和聚类算法等领域进行介绍。文献[8]对梯次利用锂离子电池测试和筛选的方法及场景和商业模式进行了探讨，认为该技术前景与挑战共存。文献[9]在系统性分析RB梯次利用的经济效益和环保效益的基础上，指出其面临的安全问题、评估方法、筛选和重组技术以及综合管理技术等方面的障碍，强调供应链完整性和相关法规存在的不足，并认为大数据与基于云的技术将在未来技术发展中发挥重要作用。文献[10]对比了各类聚类算法的优缺点，并对典型梯次利用的场景进行分类介绍，从参数特性、安全系数、适用度等层面进行聚类结果的评价。传统的特征指标提取与分析主要包括基于模型、机器学习算法和数理分析等方法，然而，针对退役电池梯次利用对精度和效率的双重要求，现有文献中对相关方法的系统总结仍显匮乏。鉴于此，结合行业发展的现状与技术需求，对传统方法进行了系统梳理与分类，创新性地提出了“侧重于效率”和“侧重于精度”两种特征指标提取与处理的方法框架。效率的提升是产业规模化发展的前提，精度的保障是系统安全稳定的必要条件。通过剖析传统方法在效率和精度上的优势，可以为推动梯次利用技术在理论研究和工程应用中的深入发展提供理论支持和实践依据。

1 特征指标提取目标要求

预计到2030年，我国RB数量将达到150万GWh，这一庞大的数量将对资源管理和处置提出前所未有的挑战。在“十四五”期间，我国逐步规范了电池处理技术，推动了行业标准化发展。如图1，对近几年典型法规标准进行梳理。

图1   “十四五”期间国内外RB法规标准

2021年国家发展改革委发布的《新能源汽车产业发展规划》作为纲领性文件，首次明确将动力电池梯次利用纳入国家战略，提出构建全生命周期管理体系的目标要求(见图1)。2022—2024年间，工信部等七部委联合出台《新能源汽车动力蓄电池梯次利用管理办法》等专项政策，在智能监管平台建设、余能检测技术规范、逆向物流体系构建等关键环节形成具体实施方案。政策演进呈现出从宏观指导向微观操作、从单一环节管理向全产业链协同的重大转变。这标志着在政策引导方面，我国已形成“顶层设计-专项规划-实施细则”的完整架构。

在标准化建设方面，2024年2月实施的GB/T GB/T 43540—2023《电力储能用锂离子退役技术要求》标志着我国在该领域取得重要突破。该标准系统规定了电池拆解、检测、重组等12个关键工序的技术参数，首次建立容量衰减率≤30%的梯次利用准入门槛。与之配套的T/CESA 1063—2022《梯次利用锂离子电池储能系统技术规范》等5项团体标准，形成了覆盖回收运输、状态评估、系统集成的标准矩阵。标准体系已从单一产品标准向"基础通用-关键技术-应用场景"三维架构升级。

2023年7月，欧盟通过《电池与废旧电池法规》，构建了全球最严苛的监管框架，其核心特点包括：①实施电池护照制度，要求全供应链数据可追溯；②设定90%的材料回收率强制目标；③建立碳足迹分级管理制度。该法规特别强调生产者责任延伸制度(EPR)，要求制造商承担从生产到最终处置的全周期责任。此外，国际电工委员会(IEC)于2023年发布IEC 63338：2024《二次电池可持续性评估》国际标准，统一了全球梯次利用电池的性能评估方法。美国UL 1974标准创新性提出"等效循环寿命"评价模型，为跨国电池贸易提供技术互认基础。这些国际规范与我国现行标准在安全测试方法、残值评估体系等方面形成技术对标。

各项法规与标准对退役电池回收、运输、评估、重组与报废等多个环节进行规范，随着政策框架的完善，RB回收与梯次利用产业正在朝着智能、绿色、可持续的方向发展。在国内外政策的支持下，RB的梯次利用技术逐步成熟，催生了储能电站、通信基站等多个应用项目。表1中列举了近年来部分国内外梯次利用工程实例。

表1   国内外梯次利用工程实例

RB不仅能有效实现电力的削峰填谷、事故备用等功能，还提升了资源的利用效率，推动了能源系统的可持续发展。此外，RB在家庭储能系统、城市照明、低速电动车等领域的应用也取得了显著进展，展现了其广泛的适用性与潜力。图2对典型梯次利用场景进行归类。

图2   梯次利用场景归类

然而，在退役电池成组应用于大型系统时，电池组密集排布、性能各异，若长时间暴露于高温环境中，热失控风险陡然上升。仅在2022年，全球发生17起储能电站火灾事故，这表明即使是全新电池安全隐患固然存在，而RB在安全性方面的风险则更为显著。RB数量庞大、离散程度高、一致性差，若未经精准筛选和分类直接进行重组使用，将显著降低电池的使用寿命，诱发局部热失控，进而影响模组乃至整个系统的安全性。因此，回归到梯次利用的基本要求，精确且高效地提取能够反映电池当前状态的特征指标，对于提升梯次利用技术的安全性至关重要。表2对退役电池梯次利用精度和效率要求方面的文献进行总结和分析。

表2   退役电池检测精度与效率要求分类与依据

退役电池特征指标提取的精度与效率已成为制约梯次利用安全性的核心瓶颈。当前主流标准要求容量检测误差严格控制在±1.5%以内，但面对退役电池离散性高及全温度工况(-20~55 ℃)漂移问题，亟需突破三重技术壁垒：①多物理场特征耦合检测，实现热-电-力参数10 kHz同步采样及5 mm3微区空间解析；②异构数据实时处理，通过边缘推理引擎(<50 ms延迟)完成16维特征张量的动态降噪；③动态衰减建模，利用迁移学习算法补偿80%以上的工况偏移误差。国际对标显示，欧盟电池护照要求的全寿命数据追溯能力需匹配≥12维特征/秒的提取频率，而美国UL 1974的等效循环模型更依赖老化路径预测精度(RMSE<0.8%)。这表明退役电池特征指标的提取过程中，效率与精度难以兼顾，因而将其分为“侧重于效率”和“侧重于精度”，剖析两者各自独立却又联系的部分，以期为我国梯次利用技术发展提供理论参考。

2 侧重于效率的特征提取

效率是实现梯次利用规模化应用的前提。特征指标提取主要依据电化学模型、经验公式和测试曲线。相较于电化学模型和经验公式，测试曲线能直接通过设备对电池施加信号获取，进而提取出所需的特征指标，并且通过曲线的处理可提高特征指标提取的效率。常见退役电池测试曲线包括EIS曲线、充放电曲线、脉冲曲线和微分曲线。测试曲线所表达的电池信息丰富，然而，完整测试曲线的获取需要一定的时间，如何在这一过程中提高效率是本部分讨论的重点。通过对测试设备改进和测试曲线优化实现效率的提高，当下，结合机器学习对部分曲线片段进行训练以及将测试曲线进行代数或几何变换是提高效率的主要手段。

2.1 基于EIS曲线的特征指标快速提取

电化学阻抗谱(electrochemical impedance spectroscopy, EIS)主要用于提取电池的阻抗指标，揭示电池内部的老化迹象、极化效应以及电解质和电极的状态变化，从而有效地评估RB的衰退程度和失效模式，并且其具有非破坏性、无损性，成为RB阻抗指标提取的主要手段。EIS提取特定频率下的阻抗值作为评估电池SOH的特征指标。传统的EIS测试消耗时间长、成本高，通过改进测试方法以及与电脉冲等其他测试方法相结合，EIS能够契合特征指标提取对效率的要求。如图3为典型的EIS曲线，主要包括4个部分：高频区域、中高频区域、中频区域、低频区域。

图3   典型EIS曲线图

文献[18]在电池充电过程中施加小信号电流激励，结合波形变换以及正弦拟合的方法，在线提取低频EIS中的五个反映锂离子电池容量衰退的特征指标，相较于传统测试提升了效率。文献[19]利用嵌入式微控制器设计了锂离子电池交流阻抗在线测量装置，该装置实现了在0.01 Hz~10 kHz频率范围内锂离子电池阻抗的在线快速测量，避免了离线情况下全频率范围内提取阻抗耗时长的问题。文献[20]在阻抗谱半圆曲线拐点的中低频阻抗提取特征指标，采用拟合电荷转移阻抗特征圆的方法提取特征圆的关键参数和模态分解残值等健康特征指标。研究还证明了选择阻抗谱中低频段进行参数采集更加方便且高效。文献[21]使用弛豫分析方法对少量RB进行EIS特性分析，将不同阻抗类型进行区分，提高了阻抗特征指标的筛选效率。

此外，文献[22]提出一种集成高速多通道的EIS系统，该系统由高精度电流传感器、高通无源滤波器、有源低通滤波器和增益放大器组成，可同时测量8块电池的阻抗谱，从而提高阻抗谱测量的速度。然而，在对多块电池进行EIS测试时，将电池的SOC调整到一致水平的时间不可忽略。文献[23]提出了一种基于几何特征变换与迁移的EIS曲线重构方法。该方法将EIS曲线图形化为三个圆弧和一段直线的组合几何体，定义了七个几何特征参数，并建立了这些参数与SOC之间的线性关系。通过将不同的SOC(30%以下)的EIS曲线重构至同一目标SOC，该方法有效降低了EIS测试时间。

上述研究在传统EIS测试的基础上进行方法改进，提高了阻抗指标提取的效率。目前，主要通过测试方案改进及测试设备设计来提高阻抗提取的效率，前者针对曲线的不同频段进行测试，实现单一电池EIS阻抗参数的快速采集，后者利用设计的外部电路对EIS测试方法进行改进，实现对锂离子电池的批量测试。

2.2 基于充放电曲线的特征指标快速提取

电池充放电曲线物理内涵丰富，提供了大量可用的测试数据，在RB特征指标提取过程中通常研究电压电流曲线、充放电容量变化、SOC-OCV曲线。文献[24]基于等压差充电时间的锂离子电池寿命预测在电池充电电压和电流曲线中提取出等压差充电时间作为特征指标，用于后续的寿命预测工作。文献[25]提出了一种基于电压片段特征指标快速提取方法。在对充电电压曲线进行拟合后，选取其任意一个片段，以ΔU=0.001 V作为间隔点，连接所有间隔点并计算中间电压点的垂线距离。通过计算这些垂线与连线的距离差值的平方和并得到最大距离值，即弗雷歇距离。文献[26]仅需通过20个点来捕捉第100次循环和第10次循环之间的电压-容量衰减方差特征，作为表征电池寿命的特征指标，用于后续的寿命预测。文献[27]则利用充电曲线中提取的少量电压和容量样本，结合BP神经网络模型和分段线性拟合模型对其进行拟合训练，实现对大量电池的容量预测。

文献[25-27]都是在进行完整充放电的基础上进行特征指标的提取，全容量的测试意味着时间的消耗，进行曲线的局部测试可减少测试时间。文献[28]根据单体电池充电电压特征曲线测试，通过假想平移的思想弥补曲线，在模组中任一电池充满电情况下其余未满电电池充电曲线，从而实现对每一块单体电池进行容量快速估计。文献[29]通过设计电池数据采集系统获取RB的充放电数据，并将数据分割为不同时间间隔子数据，能够快速提取大量电池的电压特征指标。

文献[30]的研究中指出，低SOC时最大负载电压差与RB模块的容量有良好的负线性相关性，根据这一特性可在低电压区间测试中快速进行容量估计。文献[31]提出了一种基于低SOC电压区间的混合模型，用于快速准确地提取退役磷酸铁锂电池的剩余容量。从0~20%SOC的电压最优曲线片段提取电压指标，并验证了所提取出的指标与全电压检测提取出的指标大致相同。针对非单一SOC情况下的RB特征指标提取，文献[32]利用轻量梯度提升机，对10%到30%或30%到60%SOC部分的充电曲线进行特征指标筛选，通过实验验证了该方法在减少数据传输时间方面的有效性。

文献[33]和[34]分别提出了一种基于图像处理和深度学习的RB筛选方法。文献[33]将电池的电压时间序列数据转化为马尔可夫转移场图像，然后使用Swin Transformer网络进行分类，以快速提取电压特征并预测电池容量。文献[34]则将恒流充电曲线转化为格拉姆角差异场图像，并结合ConvNeXt网络对一系列的结构优化和训练策略的调整，显著提升了模型的性能。

2.3 基于脉冲曲线的特征指标快速提取

在电池不同的SOC情况下，脉冲测试能够提取电池内阻参数，从而作为电池SOH评估的特征指标。但其实在电池老化的过程中，特定SOC下的内阻增加与电池的容量衰减没有明显相关性，这使得单次脉冲测试难以快速准确地提取电池特征指标。

文献[36]提出了四脉冲测试法，分析每个脉冲的起始电压、结束电压、脉冲跌落电压以及脉冲起始与结束瞬间等效内阻与SOH的变化关系，在短时脉冲后进行一次EIS测试就可提取特征指标。文献[37]仅通过一次HPPC测试提取电池的OCV。在此基础上，如图4所示，文献[38]对磷酸铁锂电池施加30秒正向电流脉冲，静置30秒后再施加30秒负向电流脉冲，在此过程中快速提取动态电压，并将动态电压进行傅里叶分解，分析其在不同频率下的变化幅值，作为用于估计电池SOH的特征指标。文献[39]则将脉冲下的电压响应曲线中的转折点视作特征点，通过手动提取减少数据维度，仅用21个特征点作为特征指标用于随机森林机器学习模型的输入，大大提高了提取数据的效率。

图4   脉冲测试曲线

通过采用简化的测试方法和高效的算法，研究者们极大缩短了电池电压与容量指标的提取时间。未来的研究可能聚焦于进一步优化测试流程和算法模型，以实现更高效、更精准的电池特征提取。

2.4 基于微分曲线的特征指标快速提取

相比于从电压曲线和脉冲曲线中提取锂离子电池特征指标，微分曲线方法计算量小、电参数意义可解释性强、成本小且实施简单。该方法通过将电池电压、容量和电流等曲线中平台期平缓的变化通过微分转化为峰值，不同循环下微分曲线峰值数据能够表征电池老化规律，更易辨识，从而提高了退役锂离子电池特征指标的筛选效率。如表3，基于微分曲线的特征指标提取方法主要分为容量增量法(incremental capacity analysis, ICA)和差分电压法(differential voltage analysis, DVA)。

表3   微分曲线方法示意

文献[42]对增量容量曲线进行平滑滤波处理后提取出特征指标，用于后续电池健康状态估计，但该方法在特征指标提取的效率上没有进行突破；文献[41]通过ICA法对充放电曲线的研究发现，在0.2C倍率下的充放电曲线中能够快速提取接近13.45 V特征峰的高度作为快速评估模块SOH的特征指标。然而，基于ICA曲线的SOH评估模型传统方法通常需要小于1/2C倍率的小电流充放电电压数据，在充放电阶段需要耗费时间成本，若要妥协大电流倍率下充放电，需要牺牲精度。文献[43]对1C速率和100%放电深度下循环的RB进行研究，结合区域ICA和DVA法建立电池SOH评估模型。文献[44]提出了高充电电流率下的增量容量曲线快速提取电池单元的容量特征和内部电阻的方法，能够将特征指标的提取时间缩短，且在不影响容量特征提取的情况下同时获得电池的直流电阻。

为了在较短的测试时间内选取合适的电压区间，文献[45]通过选取等幅放电时间、直流内阻和等幅放电温升三个特征指标，绘制了放电时间、放电电压以及温升关于电池电压的变化率随电压变化的曲线。通过对比，在3.30~3.35 V区间内，能够在最短的测量周期内获得区分度较高的特征指标。

为了提高多重特征指标提取效率，文献[46]提出了三个分类标准：容量、电阻和二者的复合，从电池的ICA、EIS和恒压充电过程中的电流曲线中快速获得的多个RB特征指标，ICA曲线特征只需在充电过程的前半部分获得，大大缩短了确定提取特征指标所需时间。文献[47]提出了一种结合ICA、等效电路模型和操纵库仑计数法的方法来评估RB模块基于部分放电曲线的全容量。该研究通过OCV-SOC曲线以及建立ECM所提取的参数，结合ICA检测放电曲线中最具信息量的部分，实施操纵库仑计数进行全容量估计。研究结果表明，只考虑一小部分放电数据，可以在短测量时间内，以最大5%的估计误差估计RB模块的总容量。

将本部分基于测试曲线提取特征指标的方法进行归类汇总，如表4所示。

表4   基于测试曲线的特征指标提取方法汇总

3 侧重于精度的特征提取

精度是实现梯次利用安全性的必要条件。退役电池来自不同场景，经历不同程度老化，大量电池之间存在较强不一致性，提升特征指标提取的精度有助于提高梯次利用的安全与可靠性。侧重于精度的特征指标提取和处理方法主要分为多维度特征指标提取和多层阶特征指标的应用，如图5所示。

图5   高精度特征指标提取方法

多维度特征指标主要源自充放电曲线中的各典型点和特征线段。相较于第二部分中对特征指标提取效率的讨论，本部分主要聚焦于各方法在分辨率、误差等方面的优势对比。多层次特征指标的应用则侧重于特征指标提取后的处理方式，通过多个环节和不同视角进行综合分析，以提高分析结果的精度。

3.1 多维度特征指标提取

电池老化和性能衰退过程是复杂的，涉及材料性能参数、力学性能参数的改变，电化学反应的多重因素影响。单一特征指标难以描述电池老化状态、克服容量跳水和“木桶效应”，因此从充放电曲线中提取多维度特征指标并用于评估RB当前状态是常用的方法。依据RB充放电曲线中各参数的时变特性，建立时间、电压、电流、容量两两之间的函数关系及其相关衍生参数之间的关系，并从中提取关键特性，主要方法分为多维静态指标的耦合、曲线数理特性分析和静态指标与动态指标结合。

相较于新电池，RB容量降低、内阻增加、充放电效率下降这一事实恰为特征指标提取提供传统思路。充放电曲线中关键点和关键曲线可作为研究的对象，文献[49-50]通过优选部分充电曲线，从中提取了关键点、曲线梯度、电压能量和波动性等四个特征指标反映电池的老化状态，并建立与容量之间的线性相关关系。文献[51]耦合电池容量、内阻和基于ICA曲线等特征指标，根据能量存储和峰值负荷转移电力应用场景需求进行聚类排序，以高精度的特征指标提取和处理结果确保了场景应用的可靠性。文献[52]聚焦于RB生命周期末端的充电-放电循环过程，通过随机森林模型进行分类，实现了在不同工况下退役的电池高准确率特征提取。

文献[49-52]均从特定的充放电曲线中直接或间接获取特征参数用于电池筛分，而文献[53]经RB多次循环，选取典型循环内的充放电曲线进行数据迁移分析，分析典型放电循环中充放电电压曲线的偏移情况，将偏移情况分解为“拉伸、平移、旋转”三个维度的物理量，在电池各种初始条件不一致的前提下进行循环测试，得到对电池组一致性影响较大的因子并以此作为特征指标。相较于传统测试方法，文献[33]不仅在效率上显著提高，还将恒流充电阶段的电压时间序列数据转换为图像，通过马尔可夫转移场和Swin Transformer进行编码和分类，其独特网络结构使其在不同尺度上对层次结构灵活建模，将时间序列数据转换为二维图像，使原本细微的差异在图像中变得明显，提高了分类的准确性。

受到运行环境中温度、倍率、应力等因素的影响，单一用静态特征指标难以全面反映电池当前状态，结合动态特性指标测试，可提高筛分的精度。文献[55]测取模组端电压、容量和内阻等静态参数，采用改进K-means进行聚类，并结合电池SOP动态参数特性变化，减小了电池充放电电压曲线静态参数筛选的偶然误差。文献[56]在文献[55]的研究基础上，提出电池模组的综合功能参数(state of function, SOF)，采用数字孪生技术将电压、电流、SOC和SOH等多个参数建立耦合物理模型、信息流和数字映射的筛选框架，在LSTM基础上，采用GAN-LSTM模型优化了电池数据的缺失和偏移问题，通过设置动态安全裕度和偏差模型来提高电池模组的动态一致性。

表5   特征指标多维度提取方法对比

3.2 特征指标多层阶应用

一般所提取的特征指标数据往往是高维的，包含大量的冗余信息和噪声，消除上述因素影响可提高模型精度。为此，提出层次化数据处理思想与技术构架，重点聚焦于相关性分析、数据降维和噪声去除的数据预处理和基于静、动态参数的分阶段筛选方法，图6为特征指标处理与优化流程示意图。

图6   特征指标多层阶应用示意

3.2.1 数据降维与关联度分析

相关性分析常用于判断指标与指标、指标与状态评估之间的关联性，通过测量不同变量之间的关系强度和方向，帮助识别与目标变量最相关的特征，从而优化模型的输入变量选择。文献[57]从电池的部分充电曲线中提取健康特征，并利用皮尔逊相关系数筛选与SOH强相关的特征作为输入，引入了权重函数和线性方程并改进标准支持向量机，提高SOH特征指标提取精度。文献[58]在基于实际车辆数据的遗忘因子递归最小二乘法精确提取欧姆内阻基础上，通过皮尔逊相关性分析，筛选出与电池欧姆内阻高度相关的参数作为LSTM神经网络的输入，构建的SOH预测模型能够在多个运行条件下实现高精度的状态预测。文献[59]通过皮尔逊相关系数和网格搜索来识别与电池容量相关性最高的特征指标，提出了一种评分融合机制，实现了不同电池容量分布下的聚类方法整合，增强了排序方法的适应性和准确性。不同于皮尔逊线性相关系数，在文献[60]中，通过Levenberg-Marquardt方法和斯皮尔曼相关性分析提取了与电池容量损失机制直接相关的三个健康指标，引入了改进的蛾-火焰优化算法来优化支持向量回归方法中的参数，防止算法陷入局部最优值。在训练样本数量较少的情况下也能快速准确地估计电池的残余容量。

从高维数据中筛选出具有代表性的信息，减少冗余特征的影响，可提升模型精度。文献[61]采用主成分分析法(principal component analysis，PCA)将距离截止电压前750s处的电压数据降维，从中提取的单位时间放电量、内阻和容量相关度高。文献[62]通过插值将电池放电电压曲线转换为低维的斜率序列参数，对数据进行对齐、去噪，使得筛选出的电池在电压、内阻和容量等关键参数上具有更高的一致性。文献[63]基于EIS特征参数序列，用双向长短期记忆模型来建立与电池容量高度相关的特征参数序列，提出特征匹配的迁移学习技术将测试数据所建立的基础模型迁移到不同条件下的电池数据上。文献[64]采用了在处理非凸数据、高维数据和噪声方面优势突出的谱聚类算法，并对比传统K-means聚类算法，由于数据维度的降低，减少了噪声干扰，精度大大提高。

面对复杂的环境，自适应调整算法或滤波器的参数，剔除实验数据中的随机噪声，增强信号的可识别性与稳定性，可进一步提高特征指标提取的精度。文献[65]将LSTM、BPNN和支持向量回归三种算法结合，综合考虑温度、电压和电流这三个因素，通过Q-learning强化学习实现了模型根据不同的工作环境和条件自适应调整算法权重，提高了SOE估计的准确性和鲁棒性。文献[66]采用递归限制总体最小二乘法与自适应H-无穷滤波器相结合进行参数识别。RRTLS有效处理电流和电压测量中的噪声干扰，确保准确的模型参数识别；AHIF则动态调整噪声协方差，以应对不同操作条件下的模型不确定性，提高了在宽温度和电池退化范围内对RB健康特征提取的精度和鲁棒性。

3.2.2 多阶段的筛选方法

在特征指标处理和应用的过程中，由于有时候指标量之间相对独立，分别反映了RB的各种状态，因而产生两阶段的筛选方法，将静态、动态指标相互分离，分别筛选。此外，在选取静、动态指标之前率先对数据预处理或基于初始指标进行初步预筛选可进一步减少筛分工作量并提高技术精度。

文献[67]构建退役动力电池模组端电压、SOC、SOH及循环次数等参数间的关联特性，将各特征指标划分为静态指标和动态指标，并进行静、动态参数相结合的两阶段筛选。文献[68]建立标准化初始起始电压点和简化电池组模型，采用容量和电阻筛选的两阶段筛选方法，确保了电池单元在静态和动态条件下的一致性。文献[69]通过两个阶段的性能测试来评估RB的一致性，首先通过测试电池容量和内阻进行初步筛选，然后利用ICA法进一步分析电池的老化差异，最终选择出老化程度相似、性能一致的电池单元组成电池包。文献[70]同样结合了静态和动态特性进行两阶段筛选，第一阶段根据放电容量和温升进行初步筛选，排除异常电池并确定可能的簇数量，第二阶段从电压曲线中提取的动态特征，有效考虑电池老化机制，提高了指标提取的一致性。

除了基于静、动态指标的两阶段筛选，文献[71-72]分别从电池外观和电池老化机制的角度进行两阶段筛选。文献[71]采用了CBAM-ResNet50深度学习模型进行电池外观缺陷的检测。该模型结合注意力机制和残差网络的优势，并通过两阶段图像采集方法获取电池外观特征，全面捕捉电池的各个外观特征，提高了识别的细致程度。文献[72]考虑了电池的一致性和老化特性，对正态分布和威布尔分布对电池容量和内阻分布进行拟合，识别了电池容量衰减过程中的主要影响因素，即SOC不平衡，并依据IC峰面积分析提出了一种能够代表电池模块老化机制变化的一致性评估方法。

两阶段筛选能够满足绝大多数电池筛选精度要求，但由于每一阶段特征指标维度高、离散性强制约着筛分效率，因此数据预处理和状态预检测值得关注。文献[73]通过DBSCAN算法排除异常电池后利用WK-means算法对正常电池进行基于静态特征的二次排序和基于动态特征的三次排序，全面地捕捉电池性能的差异，实现更精确的一致性评估和排序。文献[74]通过快速筛查技术对电池的电压和内阻进行初步检测，以快速识别RB的初始状态，利用自组织映射神经网络对电池的SOH进行检测和分类，并提供最佳的分类组合，通过实验验证了所提出的回收和再利用框架的准确性，其提出的框架可视为三阶段的特征指标提取方法，提高了容量和内阻筛选的一致性。

4 结论与展望

为了提高退役动力电池在各场景梯次利用的可靠性，推动梯次利用技术的发展，对退役电池进行特征指标提取是完成后续筛分与重组的必要先前环节。本文重点从特征指标提取的目标要求、侧重于效率的特征指标提取方法和侧重于精度的特征指标提取方法进行了综述，并得到以下结论：

（1）政策法规文献具有驱动和约束两大作用：一方面明确了RB梯次利用的环节与目标并对各部分要求进行细化，另一方面法规的不断修正与完善规范着行业的可持续发展。RB一致性给工程应用带来巨大挑战，对各单体或模组的特征指标提取是提高安全性的必要前提。

（2）提高特征指标提取的效率，可以从测试方法入手，也可以从测试指标的选择上入手。对于传统的特征指标，改进测试的方案可降低测试的时间，EIS成为RB模组层面筛分的常用手段。对于测试曲线处理，数据驱动算法和数据处理的方法选取部分特征指标，实现了以局部评估整体、以过程预估结果的目标。

（3）提高特征指标提取的精度，多维度特征指标的提取实现了RB状态综合评估，多阶段的筛选过程有利于数据充分应用。传统静、动态参数测试提取多维指标可直接用于后续聚类工作；将测试曲线进行加工，从不同的角度、不同的层面进行状态评估契合国家标准中所谓之智能化发展。对所提取的特征指标进行数据处理与优化，并参与多阶段的筛选，过程复杂的同时提高了筛分准确度。

效率是实现规模化应用的前提，精度是提高安全性的前提，两者的提高共同推动梯次利用技术的发展。“模型-测试-算法”紧密关联，构成特征指标提取和处理的完整闭环，无论选取何种指标、进行何种状态评估都应与此紧密结合。可预见的是，随着人工智能、大数据技术的发展，梯次利用将会与此产生更强关联，实现电池筛选技术的可持续、智能化发展。