邱健蓄电池博弈论与核方法提升退役电动汽车锂离子电池高效聚类与梯次利用

随着电动汽车的快速扩展包，退役锂离子电池的梯次利用已成为紧迫的研究目标，但目前研究仍处于初步阶段且技术尚未达到成人水平。本研究提出一种两阶段框架——基于博弈论的组合赋权法（CWMGT）-多准则优化折衷解（VIKOR）-核自组织映射（KSOM），用于对电动汽车退役锂离子电池进行综合排序与聚类，以提升梯次利用效率。CWMGT平衡主客观权重，VIKOR提供多准则排序，而KSOM确保高精度聚类。通过以高斯核函数取代欧氏距离，KSOM相较传统SOM将聚类质量提升12%（数据集1）与17.1%（数据集2），同时消除误分类现象。该两阶段设计还提升运算效率，在数据集2上较单阶段KSOM减少41%运行时间。在实验室及MIT-Stanford-Toyota数据集上的验证表明，该框架能有效降低不一致性、提升分类可靠性，并支持储能场景的优化复用。核心创新包括：(1) 博弈论权重优化，(2) 基于VIKOR方法的预排序，(3) 核函数增强聚类。总体而言，所提出的方法通过精准性与高效性的结合，推动了退役电池管理技术的进步，从而为电动汽车产业的大规模梯次利用与循环经济提供支撑。

图文摘要

引言

目前，世界各国都将发展新能源作为实现可持续发展的重要策略[[1], [2], [3], [4]]。在全球推行"双碳"策略的背景下，新能源汽车产业迎来快速发展，中国已成为全球最大的新能源汽车生产和销售国[5,6]。现行行业标准要求，当电池容量掉落至额定容量的80%时就必须进行更换[[7], [8], [9]]。若这些退役电池直接通过破碎回收方式处理，将造成严重的资源浪费。当前我们可以将这些退役电池应用于对电池性能要求较低的其他场合，如储能系统、备用电源等领域[[10], [11], [12], [13]]，从而实现退役电池的梯次利用。由于锂离子电池固有的不一致性及后续使用工况差异较大，退役电池会呈现明显的性能差异[14]。若直接对退役电池进行梯次利用，这种不一致性将导致电池组的"短板效应"[[15], [16], [17]]，缩短整体使用寿命。因此需先对电池进行一致性分选，再将一致性较好的电池重新成组使用。
针对退役锂离子电池的分选与聚类，学界已提出了从电信号特征提取到先进机器学习等多种方法。早期研究主要关注动态特性表征，例如：将恒流充电曲线编码为格拉米角差场(GADF)用于深度学习分类[18]；采用增量容量法(IC)与部分充电曲线结合改进型模糊C均值或修正K均值算法以提升重组一致性[19,20]；以及应用电化学阻抗谱(EIS)实现分钟级快速分选，但该方法仅适用于低功率场景[21]。其他研究从弛豫电压曲线中提取特征，并采用BIRCH或迭代优化聚类方法，证明了其在不同样本量下的稳健性[22,23]。静态电气特性（包括容量、开路电压（OCV）和欧姆电阻）亦被广泛应用，支持快速筛选[[24], [25], [26]]，并可通过脉冲模型K-means、置信区间优化或OPTICS进行聚类，从而提高精度并自动确定聚类数量[[27], [28], [29]]。近期研究转向整合静态与动态特征的混合策略，例如采用多阶段框架先剔除异常细胞再结合动态曲线或降维技术进行二次聚类[[30], [31], [32]]；以及融合IC曲线、EIS和高斯混合模型的多聚类、两步法与软聚类方法，在降低检测成本的同时提升精度与鲁棒性[[33], [34], [35]]。尽管取得进展，多数算法仍依赖欧氏距离，在特征呈非线性或重叠分布时表现欠佳——尤其在大样本子集中，精度与效率的双重挑战尚未得到解决。
退役电池评估中的另一个关键问题在于多标准评价体系下指标权重的确定。传统权重确定方法主要分为两大类：主观赋权法（如层次分析法AHP、德尔菲法及最优最劣法BWM）依赖于专家知识及评分，但可能导致偏差、不一致性及数据集间泛化能力受限的问题[36,37]；客观赋权法（如熵权法EWM和CRITIC）则通过数据离散程度与指标间冲突性来推导权重。然而，这些方法可能过度强调高方差或噪声指标，同时低估工程相关性[[38], [39], [40]]。这种Trade导致权重偏差：纯粹主观的方案可能过度拟合专家先验知识，而纯粹客观的方案则可能被统计方差主导[41,42]。在退役电池的评估场景中，该问题尤为突出——极化相关参数通常呈现较大离散度，而容量与欧姆内阻因直接关联安全性和再利用价值，在实践中往往被优先考量。因此，建立一种平衡且可迁移的权重机制，对于实现跨异构数据集的鲁棒分选与聚类至关重要。
针对现有分选聚类方法存在主客观赋权偏差、单准则分选鲁棒性不足、非线性或重叠特征下误分类、单阶段聚类精度欠缺等局限性，本文系统开展了退役电池分选聚类研究。本研究从获取可靠实验数据出发，融合电池静动态参数，提出退役锂离子电池两阶段综合分选聚类方法：CWMGT-VIKOR-KSOM框架（博弈论组合赋权法-多准则妥协解排序-核自组织映射）。主要贡献与创新点如下：

• (1)
  提出一种博弈论组合赋权法(CWMGT)，用于整合由最优-最劣法(BWM)和熵权法(EWM)得出的电池指标主客观权重。该方法通过博弈论均衡优化，解决了数据极端值和主观经验值导致的权重偏差问题。
• (2)
  提出多准则妥协排序解法(VIKOR)以实现电池综合排序。在获得组合权重后，该方法对电池进行系统分类，为下一阶段的精准聚类奠定基础。
• (3)
  设计核自组织映射(KSOM)聚类方法，采用高斯核函数替代传统SOM中的欧氏距离。该改进使算法能够捕捉非线性特征关系，并在电池退化状态重叠时减少误分类。
• (4)
  本文提出了一种两阶段分选与聚类框架(CWMGT-VIKOR-KSOM)。该策略首先通过CWMGT-VIKOR方法对电池进行初步分选，随后在每个亚组内采用基于KSOM的聚类进行精细化处理。这种分层策略可根据需要增加聚类数量，在提升大规模异构数据集准确性的同时，相比单阶段聚类方法保持了计算效率。