Рост числа электромобилей ведет к накоплению огромного количества бывших в употреблении литий-ионных аккумуляторов. По оценкам, такие элементы, достигнув примерно 80% от начальной емкости, массово отправляются на вторичное использование – прежде всего в бытовых и коммерческих системах хранения энергии (ESS). Вместо преждевременной утилизации их повторная интеграция не только снижает расходы, но и минимизирует экологический ущерб, связанный с добычей и производством новых батарей. Однако ключевая инжиниринговая задача – эффективная группировка элементов с разным остаточным ресурсом так, чтобы сборки были безопасными, долговечными и энергоэффективными. Именно этому вопросу посвящена исследовательская работа Абдул Шакура Акрам (Abdul Shakoor Akram) и Вужина Чоя (Woojin Choi) из Университета Сунгшиль (Soongsil University, Seoul).

Почему разнородность батарей — это проблема?

Отработавшие батареи оказываются гетерогенными по таким свойствам, как:

• остаточная емкость,
• внутреннее сопротивление,
• остаточный срок службы (RUL — Remaining Useful Life).

Если объединять элементы по принципу случайного подбора, слабейшие из них будут определять эффективность и безопасность всего блока. Чаще всего это приводит к быстрому выбытию одних ячеек, снижению ресурса других, а также возникновению рисков аварийных ситуаций.

Для выявления однородных групп батарей в работе сопоставлены четыре подхода:

• Случайное распределение: без предварительного анализа.
• Support Vector Clustering (SVC): кластеризация методом опорных векторов.
• K-means: классический алгоритм по минимизации внутрикластерных различий.
• Gaussian Mixture Model (GMM): вероятностная кластеризация на основе смеси нормальных распределений.

K-means и SVC известны в обработке данных, но требуют либо эвристического выбора числа кластеров, либо делают предположение о их форме и плотности. Преимущество GMM — способность выявлять сложные, перекрывающиеся и разноформатные группы, что критически важно для батарей с пересекающимися характеристиками.

Исследование основывается на открытом датасете MIT–Stanford Toyota Research Center, где использованы 60 литий-ионных ячеек типа APR18650M1A (A123 Systems, Hangzhou, China) после многоциклового разряда-заряда. Для каждого элемента были оценены:

• остаточная емкость,
• внутреннее сопротивление (стартовый импульс разряда, см. рис. ниже),
• расчетный остаточный ресурс (RUL).

Сравнение методик группировки — в чем превосходство GMM?

Для разных способов группировки были собраны 48-вольтовые модули (15 элементов в серии, далее 2 параллельно – схема 15S2P), затем смоделированы рабочие условия заряд-разряд с помощью платформы MATLAB/Simulink.

Оценивались следующие параметры (см. иллюстрации):

• Стандартное отклонение напряжений завершения заряда между ячейками — чем меньше, тем лучше согласованность.
• Средний пропущенный заряд (throughput) — отражает, насколько равномерно элементы принимают энергию.
• Разница емкостей в группе — критически важна для надежности и срока службы; чем меньше, тем лучше.
• КПД по кулонам — эффективность преобразования заряда в разряд.

Стандартное отклонение напряжений и throughput разных кластеризаций четко показывают: модули, сгруппированные методом GMM, демонстрируют низкий разброс напряжений, минимальное расхождение емкостей и самый высокий кулоновский КПД (до 98,2%) — существенно лучше, чем у случайных или менее продвинутых методов. Сбои, перегревы или износ отдельных ячеек сведены к минимуму.

«Кластерный подход на основе GMM обеспечивает более сбалансированные и эффективные аккумуляторные модули, чем случайное группирование, SVC или метод K-средних. Минимизированный разброс напряжения указывает на более точное соответствие ячеек...» — Абдул Шакур Акрам, Вуджин Чой.

«Результаты моделирования конфигурации 15S2P подтверждают снижение отклонений напряжения, повышение средней пропускной способности заряда, снижение дельта-ёмкости и повышение кулоновской эффективности для модулей на основе GMM...» — там же.

Значение для отрасли и перспективы

В условиях взрывного роста производства и утилизации батарей, предложенный подход открывает путь к безопасному, экономичному и “зеленому” реиспользованию литий-ионных ячеек. GMM-кластеризация позволяет стандартизировать повторное применение, оптимизируя конфигурации модулей ESS, увеличивая их срок службы — и, тем самым, непосредственно способствуя формированию устойчивой энергетики будущего.

Перспективы развития включают масштабирование подхода к более крупным батарейным системам для промышленных ESS и пилотные внедрения в полевых условиях для подтверждения надежности и эффективности алгоритма GMM.

Источник: Applied Sciences, 2025, 15(12), 6787