基于CNN-BiLSTM的中国退役新能源汽车电池用于可再生能源存储潜力评估

近年来，我国在新动力轿车(NEV)范畴获得重大发展。如图1(a)所示，2024年我国新动力轿车销量达1010万辆，占全球NEV商场份额的60.84%。依据猜测，到2030年我国电动轿车年销量将打破3000万辆[20]。但是跟着电动轿车的遍及，退役电池办理已成为要害议题。据预算，至2040年我国需办理的退役电池总量将达150万至330万吨[23]。这些退役电池估计仍保存约80%的初始容量，因而在二次储能使用中具有明显潜力。因而，退役电池的有用收回与梯次使用已成为政策制定者和行业利益相关方的急迫使命。%%跟着电动轿车遍及率的快速提高，锂离子电池的作废阶段也有必要得到应有的重视。%% 除预算退役电池数量外，还需重点考虑怎么将其改造用于固定式储能等二次使用，以及怎么高效收回废电池以提取要害资料[32,48]。这些下游战略对于保障我国电池价值链的可继续循环至关重要。
我国在可再生动力发展方面同步获得明显发展。如图1(b)所示，依据世界动力署(IEA)猜测，到2030年全球可再生动力总装机容量估计将到达约10,800吉瓦，其中我国奉献占比估计达48%[21]。但是跟着可再生动力占比继续提高，由于可再生动力的间歇性与动摇性特征，国家电网正面临新的运转应战。例如，某些地区的风能和太阳能限电率仍相对较高，导致很多清洁电力无法得到有用使用[57]。这凸显出对高效储能处理计划的迫切需求，以完成供需平衡并增强电网稳定性。但是，受技能、经济和政策相关妨碍制约[35]，当时储能基础设施的使用率依然有限。在此背景下，退役电动轿车电池已成为极具潜力的储能资源。研讨标明，这些电池仍保存约80%的原始容量，使其适用于电网储能等低功率使用场景[53]。因而，将退役电动轿车电池改造用于可再生动力存储，既能满意日益增长的储能需求，又有助于完成资源循环使用与可继续发展。
跟着太阳能和风能等可再生动力在全球动力结构中的浸透率继续上升，其固有的间歇性与动摇性对电网稳定性构成重大应战。现有研讨标明，光伏电站日内功率动摇最高可达额外容量的70%，可能导致电网频率误差超越±0.5 Hz的临界阈值[28]。类似地，陆上风电场分钟级功率爬坡率遍及超越30%[59]。为缓解此类动摇，储能体系（ESSs）有必要满意严厉的功能要求，包括高循环功率、快速响应及长服役寿数。但是当时主流储能技能仍面临明显的技能经济壁垒，严峻制约其大规模布置以满意可再生动力快速增长的需求。就本钱效益而言，锂离子电池虽占有商场主导地位，但其150至200美元/千瓦时的高额初始本钱[7]仍是规模化使用的首要妨碍。更重要的是，可再生动力所需的频繁深度充放电循环会明显加快新型电池的衰减，使储能体系实践使用寿数缩短40%–60%，然后增加其全生命周期本钱[35]。此外，相变储热等新兴技能受限于仅15%–25%的低往返功率[31]，其能量损耗难以满意高效储能要求。这些杰出的本钱与功能瓶颈凸显了对更经济、可继续储能处理计划的迫切需求，以打破当时限制。为应对可再生动力并网对储能体系提出的苛刻经济性与可继续性要求，退役电动轿车电池的梯次使用经过多重协同机制展现出不行代替的战略价值。从经济视点看，其初始置办本钱比新电池低50%–80%，有用消除了大规模储能布置的资金壁垒。在技能资源层面，针对电网级使用优化的重构电池组能继续有用平抑动摇[37,51]，同时明显延长资源生命周期并下降对原生资料的依靠。在环境效益方面，退役电池的大规模使用不只缓解了作废处理风险，更经过代替新电池生产下降了整个电池供应链的碳强度[3]。这种四重协同效应——经济可行性、技能兼容性、资源高效性和环境友好性——使退役电池成为加快电网脱碳进程的要害赋能者。
在此背景下，退役动力电池的梯次使用已成为处理当时储能应战的要害打破口。越来越多的研讨聚集于将这类电池整合至储能体系中。Wang等[52]对退役电池进行了全面总述，从技能功能、经济效益及环境影响三个维度将其与全新电池进行对比分析。研讨结果杰出标明退役电池在本钱节约与环境影响下降方面具有明显优势。Spindlegger等[45]进一步考察了多种二次生命周期使用战略的环境影响，强调了战略规划对最大化环境效益的重要性。从技能视点动身，崔等人[8]研讨了电网级储能体系中退役电池的健康监测算法，证明了先进确诊技能对于确保二次生命周期使用可靠性与安全性的必要性。此外，Terkes等学者[49]评价了退役电池在共享储能体系中使用的可行性，为体系优化和实践布置供给了重要见解。Rajabzadeh等[38]提出了一种立异的老化建模办法，可提高二次使用电池寿数与功能的猜测精度。总体而言，最新研讨发展标明，退役电池已打破可再生动力存储范畴单一技能计划的限制，正成为经济、环境与技能变革的三重驱动力。它们不只经过50%–80%的本钱降幅重新定义了储能经济学，还在全生命周期内完成20%–35%的碳减排，带来明显环境效益。此外，健康监测与老化建模技能的立异确保了其在电网级使用中的可靠性。这种涵盖资源循环性、电网兼容性、本钱减少与碳减排的多维协同效应，使退役电池从被迫废弃物跃升为处理可再生动力并网瓶颈的战略支点。因而，这类技能在加快动力转型进程中具有不行代替的体系性价值。
准确评价退役电池的储能潜力，有必要对未来新动力轿车（NEV）销量进行精确猜测。近年来，NEV销量猜测办法逐渐从传统统计模型转向混合深度学习办法。在常规技能中，自回归归纳移动均匀（ARIMA）和指数平滑法受限于线性假设依靠，对突发商场动摇的敏感性较低，常导致较高猜测误差[9]。虽然Prophet模型可以分解趋势项与季节项成分，但其无法捕捉杂乱的多因素交互作用[55]。在机器学习范畴，支撑向量回归(SVR)虽在小样本场景下体现优异，却受限于高维特征空间中核函数适应性的缺乏[47]。XGBoost经过特征重要性排序优化了特征选择，但是基于树结构的架构难以建模连续时刻序列数据中的动态依靠联系[30]。在神经网络模型中，独立的LSTM（长短期记忆）网络虽能捕捉长期依靠联系，但面临NEV出售数据中的局部不连续性时往往会出现梯度消失问题[34]。%%卷积神经网络虽能有用提取空间特征，却无法建模跨周期的时刻趋势。CNN-LSTM等混合模型经过序列架构提高了特征使用率，但单向LSTM层仅能处理历史数据，限制了其捕捉潜在未来模式的能力。相比之下，CNN-BiLSTM模型经过并行特征融合机制[13]，在杂乱猜测使命中完成了明显改善。实验结果标明，在世界动力署多国数据集上，该模型的均方根误差较最优基线模型下降了19.6%，对突发事件的响应能力提高了40%。此外，该模型支撑多模态输入，并经过注意力机制动态调整外部变量的影响权重，然后提高其对新动力轿车销量猜测的适用性。