废旧电池回收及梯次利用问题

不容忽视的是，电池处理产业化方面仍处初级阶段。据了解，前期报废电池多为磷酸铁锂电池，可以梯次利用。但相关研究论文显示，1吨磷酸铁锂电池回收的成本在8500元左右，而回收所得市场价值仅为8000元，这意味着回收企业每回收一吨磷酸铁锂电池将亏损500元左右。

 

这也导致企业的积极性并不高。目前只有中国铁塔公司在通信基站备能领域开展了规模化实践应用，国家电网、比亚迪等部分企业在储能等领域开展了一些试验性项目。

 

乘用车大量应用的三元锂电池，因为再生利用价值较高，企业布局较快，但行业规模小盈利困难。据了解，以格林美、邦普、华友钴业、广东光华、赣州豪鹏等为代表的一批企业，已具备相对成熟的废旧动力蓄电池再生利用技术，形成了批量化再生处置能力。

 

中国电池工业协会副理事长王敬忠表示，目前新能源汽车电池达到报废期限的数量仍较少，大规模的报废需要等到2年以后，很多企业面临“吃不饱”的局面。“动力电池回收处理需要达到数量要求后可以实现盈利。”此外，如今有的企业处理技术成本较高，难以协调成本和效益，容易导致亏损。

 

Kalman滤波法是美国数学家卡尔曼（R.E.Kalman）在上世纪60年代初发表的论文《线性滤波和预测理论的新成果》中提出的一种新型最优化自回归数据滤波算法。该算法的本质在于可以根据最小均方差原则，对复杂动态系统的状态做出最优化估计。非线性的动态系统在卡尔曼滤波法中会被线性化成系统的状态空间模型，在实际应用时系统根据前一时刻的估算值与当前时刻的观测值对需要求取的状态变量进行更新，遵循“预测—实测—修正”的模式，消除系统随机存在的偏差与干扰。使用Kalman滤波法估算动力电池的SOC时，电池以动力系统的形式被转化为状态空间模型，SOC则变成为了该模型内部的一个状态变量。建立的系统是一个线性离散系统。

 

 

 

由于Kalman滤波法不仅能够修正系统初始误差，还能有效地抑制系统噪声，因此在运行工况非常复杂的电动汽车动力电池的SOC估算中，具有显著的应用价值。不过该方法同样存在两点缺陷：其一，Kalman滤波法估算SOC的精度很大程度上取决于电池模型的准确程度，工作特性本身就呈高度非线性化的动力电池，在Kalman滤波法中经过线性化处理后难免存在误差，如果模型建立得不够准确，其估算的结果也并不一定可靠；其二，该方法涉及的算法非常复杂，计算量极大，所需要的计算周期较长，并且对硬件性能要求苛刻。

 

神经网络法是模拟人脑及其神经元用以处理非线性系统的新型算法，无需深入研究电池的内部结构，只需提前从目标电池中提取出大量符合其工作特性的输入与输出样本，并将其输入到使用该方法所建立系统中，就能获得运行中的SOC值。该方法后期处理相对简单，即能有效避免Kalman滤波法中需要将电池模型作线性化处理后带来的误差，又能实时地获取电池的动态参数。但是神经网络法的前期工作量比较大，需要提取大量且全面的目标样本数据对系统进行训练，所输入的训练数据和训练的方式方法在很大程度上都会影响SOC的估计精度。此外，在电池温度、自放电率和电池老化程度不统一等因素的复杂作用下，长期使用该方法估算同一组电池的SOC值，其准确性也会大打折扣。因此，在动力电池的SOC估算工作中该方法并不多见。