这是因为这会影响最终回收利用后的二手电池的性能。IDTechEx 在其最新报告《2023-2033 年电动汽车二手电池》中分析了利益相关者用于建模和估算退役电动汽车电池重要性能参数的各种方法。.

电池的主要测试通常包括健康状态 (SOH)、内阻和剩余使用寿命 (RUL)。RUL 是电池剩余寿命的估计值，即电池性能降至失效阈值以下的时间。对于大多数全新电动汽车电池而言，这相当于在其使用寿命结束时仍能保持 70-80% 的容量。具有高 SOH 和 RUL 以及低内阻的电池最适合用于二次利用。.

负责开展这些测试的关键利益相关者包括二手电池回收商和开发性能模型的电池诊断专家。开发这些模型的初创公司可以向现有回收商提供电池性能数据。未来，汽车原始设备制造商 (OEM) 可以利用这些技术来遵守欧盟电池护照等法规，这些法规要求 OEM 向回收商提供电池状况信息。.

为了计算剩余使用寿命 (RUL)，需要对电池进行循环测试，并将容量衰减曲线外推至失效阈值。长时间循环测试既耗时又会加速电池老化。此外，经过一定次数的循环后，容量衰减不再呈线性关系，从而降低了测试的准确性。因此，我们需要更准确、更快捷的替代方法来估算剩余使用寿命。.

这些方法包括数据驱动技术，例如机器学习 (ML)、自适应滤波和随机过程方法，以及基于物理的建模。例如，总部位于加利福尼亚州的初创公司 ReJoule 开发电池管理和分类解决方案，并提供将机器学习与电化学阻抗谱和统计建模技术相结合的技术。印度初创公司 Oorja Energy 则结合了基于物理和数据驱动的技术。该公司在其应用物理模型中添加了有限的实验数据，并使用机器学习算法来获得精确的结果。与仅基于物理的模型相比，这种方法的优势在于节省时间。.

数据驱动方法和基于物理的方法各有优缺点，需要在建模速度和精度之间进行权衡。机器学习 (ML) 方法可以快速模拟大批量电池的性能，但容易出现过拟合，并且仅限于特定的电池架构。未来，纯粹基于物理的模型有望实现与电池化学体系无关。这将有利于众多利益相关者，简化大量退役电动汽车电池的分类流程，而无需考虑电池的设计。然而，基于物理的电池建模极其复杂，因为它需要了解所有常规材料及其特性才能完整地模拟电池的各个方面。电池中使用的许多材料都是经过工程设计的，因此，如果没有电池制造商向汽车原始设备制造商 (OEM) 或下游建模人员提供这些规格，就很难了解诸如阳极孔隙率之类的因素。因此，开发基于物理的模型可能非常耗时，因为建模人员可能需要自行计算和理解这些电池特有的指标。.

对于再制造商而言，快速准确地测量退役电动汽车电池的性能和剩余使用寿命 (RUL) 至关重要。目前，大多数诊断工具采用数据驱动模型，有时会结合其他技术，采用混合建模方法。对于希望了解退役电动汽车电池是否适合二次利用的再制造商来说，这是一种短期解决方案。然而，数据驱动建模仍然局限于特定的电池架构，如果与再制造商的退役电动汽车电池不兼容，则会限制其商业可行性。显然，需要对电动汽车电池进行更严格的标准化，和/或开发与电池无关的模型，以克服这一障碍，并促进大规模的技术兼容性。.

有关退役电动汽车电池的测试和性能建模注意事项的更多信息，请参阅 IDTechEx 的新报告《2023-2033 年电动汽车电池再利用》。该报告包含以下方面的更多信息：再利用电池的监管环境、电池技术发展、再利用电池的技术经济分析、主要参与者的活动，以及对再利用电池市场（装机容量）和电动汽车电池供应量的 10 年预测。.

作者：康拉德·尼科尔斯，IDTechEx公司技术分析师