關鍵詞： 退役電池；電動汽車；電池梯次利用；儲能
隨著我國新能源汽車推廣規模的不斷擴大，退役動力電池的梯次利用已被提上議事日程。《電動汽車動力蓄電池回收利用技術政策》提出廢舊動力蓄電池的利用應遵循先梯級利用后再生利用的原則，提高資源利用率。電動汽車對車載動力電池的容量、比能量等性能參數有較高要求，當動力電池性能難以滿足車用標準時必須對電池進行更換。從電動汽車上退役的動力電池通常還保有初始容量70%～80%的剩余容量，可應用在對能量密度要求不高的固定儲能應用場景。對退役動力電池進行梯次利用將有助于降低電動汽車用戶及電力系統的儲能成本，讓較高的儲能成本能夠在較長的使用壽命中在一次、二次用戶中進行分攤。
國外研究機構較早就對電動汽車退役電池的梯次利用成本進行了評估。例如美國能源部阿貢國家實驗室（ANL）研究量化評估了退役鎳氫電池的儲能容量衰減規律，并發現在公共事業公司負荷管理、工商業非道路特種車輛、不間斷電源（UPS）等三類典型電池二次利用場景下退役的鎳氫電池往往比鉛酸電池有更好儲能效果；美國Sandia國家實驗室（SNL）的研究分析了退役動力電池的再應用成本，并構建了相應的經濟性分析模型，研究發現動力電池的二次利用并沒有不可逾越的技術障礙，而決定其實際應用效果的關鍵要素包括電池模組的標準化、重組電池模塊的人力成本、電動汽車用戶參與電池二次利用的激勵機制、電池容量保持率狀態預測精度因素。研究發現電網運行支撐、工商業/居民負荷跟蹤及通信基站備用是電池二次利用在近期有望實現應用場景，但即使在上述應用場景中，較高周邊系統成本（balance of system, BOS）和大量系統測試仍是需首先解決的問題。美國電力科學研究院（EPRI）的研究對比了鉛酸、鎳氫、鋰離子及鋰聚合物電池在電力系統、通信基站、UPS電源等領域的應用前景。報告強調了理清電池梯次利用技術流程及成本、解決電池質保、電動汽車用戶收益以及電池老化機理分析的重要性。
2008年起，隨著美國加州政府將零排放車輛激勵重新轉向插電式電動汽車，退役電池梯次利用更成為業界研究焦點，包括構建電池梯次利用殘值計算框架、電池二次利用積分對降低電動汽車成本的作用、退役鋰電池重組成本計算、退役電池電網儲能應用經濟性及市場潛力評估以及退役電池二次利用技術測試。上述研究論證了電動汽車退役電池進行儲能二次利用的可行性，但也不同程度反映了電池老化速率、退役電池的市場需求對電池儲能梯次利用經濟性的影響。美國橡樹嶺國家實驗室（ORNL）分析認為退役電池的回收及運輸環節所導致的成本可達100美元/(kW·h)，占電池梯次利用總成本中的比重最大；Navigant Research則認為目前車用退役電池在美國和歐洲都被歸類為危險廢棄物，同時電池梯次利用還存在較高運輸成本、低價鋰電池市場競爭、電網企業對可靠性及長壽命的較高要求以及缺少專門針對退役電池的BMS設計與集成等挑戰。
近年來我國科研機構及相關企業也正在加速開展動力電池梯次利用的研究與示范，具體見表1。例如出租車充電站梯次利用電池儲能示范，退役的電動出租車動力電池主要用于調節變壓器功率輸出，穩定節點電壓水平及幫助充電站實現離網運行；或將廢舊新能源汽車拆解及回收再利用，通過動力電池再利用生產線，將動力電池應用于儲能、供電基站、路燈及供電工具等領域。但相關研究多側重于動力電池梯次利用的技術可行性的測試與示范，缺乏對規模潛力及經濟性的量化分析。
表1 國內外退役電池儲能梯次利用典型案例
1 動力電池儲能梯次利用規模潛力
規模潛力及經濟性是當前退役動力電池梯次利用的兩個主要問題。本文首先從動力電池梯次利用的規模潛力出發，分析車輛數量、車型種類、電池種類、車輛運行強度等影響退役電池梯次利用潛力的因素。由于各類車型動力電池規格不同，且不同電池技術的老化速率各異，導致其儲能梯次利用規模具有一定的不確定性，因此本節將基于分車型電動汽車銷量預測及電池容量衰減假設，預測未來動力電池梯次利用的規模潛力。
1.1 車輛規模
電動汽車數量規模是影響梯次利用規模潛力的首要因素。受政策驅動，近年來電動汽車規模增速顯著。2015年全國新能源汽車銷量33.1萬輛，其中純電動汽車24.8萬輛，占比75%。到2015年底，全國新能源車保有量達58.32萬輛，其中純電動汽車33.2萬輛，占比57%。關于電動汽車滲透率的預測，多篇國內外文獻也基于各種分析方法針對電動汽車在內的新能源汽車保有量進行了預測。通常采用的回歸分析法將產品市場發展過程分為加速增長期、減速增長期和飽和期三階段S型增長方式。典型回歸模型包括指數增長曲線法、時間序列法等。對于電動汽車在內的新能源汽車，由于缺乏歷史數據，通常采用定性與定量相結合的方式進行趨勢 預測。
本文采用Bass擴散模型預測我國新能源汽車保有量發展趨勢。美國管理心理學家弗蘭克·巴斯（FRANK M. BASS）提出的巴斯擴散模型（Bass Diffusion Model）及其擴展理論，常被用作市場分析工具，對新產品、新技術需求進行預測。作為諸多市場工具中的一種，巴斯擴散模型的主要功能是對新開發的消費者耐用品的市場購買數量進行描述和預測。Bass模型假設一項新產品投入市場后，其擴散速度受到大眾傳播媒介（如廣告等）和已采用者對未采用者的宣傳等內部影響。以我國新能源汽車市場規模為例[式(1)]。
（1）
式中，n(i)代表t年新增新能源汽車數量；N(i)代表t年累計新能源汽車數量；m代表最大市場潛力；a、b分別代表外部影響（創新）系數和內部影響（模仿）系數。
根據我國2001—2010年汽車保有量統計及2020年新能源汽車發展規劃目標擬合公式(1)中的a和b分別為0.01和0.05，某一類車輛動力技術車輛數保有量取決于歷年該技術車輛留存率與歷年銷量。
式中，i代表車輛動力技術；v代表車輛運行年份；y代表模型運算當前年份；Stockt,y代表y年t車輛動力技術車輛存量；Salest,y代表y年t車輛動力技術增量；Sharemode,t,y代表y年t車輛動力技術車型銷量比重；Sales development代表y年t車輛動力技術銷量變化系數；Survival代表車輛留存率；V代表車輛壽命。依此對我國新能源汽車增長趨勢進行預測，得到2030年電動乘用車銷量為1734萬輛，大型電動客車銷量91萬輛。屆時，電動汽車總保有量達到1.14億輛，其中電動乘用車1.08億輛，占比95%；大型電動客車530萬輛，占比5%。
1.2 電池技術及容量
目前國內市場上動力乘用車電池容量一般在20～60 kW·h，大型客車電池容量普遍高于200 kW·h。隨著動力電池技術的進步未來電池比能量還將不斷提升。根據日本新能源產業綜合開發機構（NEDO）的預測，到2030年全固態聚合物電池、鋰硫電池和鋰空氣電池將成為主流的車用動力電池技術，比能量將達到500 W·h/kg；美國能源部預測電動汽車技術的動力電池比能量應達到800 W·h/kg，以滿足550公里續航目標。在我國，國務院曾在2012年提出到2020年比能量達到300 W·h/kg的動力電池發展目標；電動汽車百人會則預測到2020年，動力電池比能量達到350 W·h/kg，2030年達到500 W·h/kg。
本研究假設未來動力電池質量將維持不變，續航里程的進步主要依賴電池比能量的提升，假設當前電動乘用車動力電池系統平均容量為30 kW·h，比能量為150 W·h/kg，則當前電池系統質量為200 kg。研究綜合上述研究機構預測結果，即2030年電池系統比能量達到500 W·h/kg，則平均每車動力電池容量將達到100 kW·h。采用同樣方法，假設當前電動大客車電池平均為200 kW·h/輛，電池比能量為100 W·h/kg。考慮到電動大巴對動力電池比能量敏感度相對較低及對安全性要求較高等因素，本文假設電動大巴電池比能量增速相對較慢，即到2030年比能量達到300 W·h/kg，則保持動力電池體積不變情況下，其電池容量為600 kW·h/輛。
1.3 退役動力電池儲能容量
本文將動力電池退役的原因歸結為兩類：車輛達到使用年限而淘汰導致動力電池退役、動力電池達到預先設定的老化狀態而退役。
研究假設電動汽車退役速度與燃油車輛近似，退役速度服從指數分布：
（3）
式中，VSt代表車輛運行t年后仍留存的概率；a代表車輛退役速率因數，且a<0。
上式中a取值越低，車輛運行t年后所留存的車輛數量越少，即代表車輛退役速度越快。由于大型客車往往具有更高的運營強度，本研究分別對電動乘用車和大型電動客車的a取-0.014和-0.06，從而得到快、慢兩條車輛退役速率曲線，同時限定乘用車最長服役30年，大型客車最長服役20年。
電池容量衰減速度主要取決于電池技術種類及運營工況等。本研究采用比亞迪e6純電動汽車磷酸鐵鋰電池容量衰減數據，計算得到每年因電池老化而退役的儲能規模，再與因車輛淘汰而導致的退役電池加和得到每年退役電池的總規模：
式中，n為車型種類；REVn,i為n車型第i年因車輛退役而退役的電池數量；baseCapn,i為n車型第i年退役車輛電池標稱容量；Degraden,i為n車型第i年退役車輛電池衰減系數；REBi為第i年因電池老化而退役電池數量；baseCapb,i為b類電池第i年退役電池標稱容量；Degradeb,i為b類電池第i年退役電池衰減系數。
本文假設電動乘用車基年平均每車電池標稱容量為30 kW·h，大型電動基年平均每車電池標稱容量為200 kW·h，并以1.2節所述電池容量進步趨勢發展[注：各類電池技術（磷酸鐵鋰、三元材料、鈦酸鋰電池]充放電老化速率不同，進而將影響儲能容量估算結果。由于數據方面限制，本文以磷酸鐵鋰為例）當電池健康狀態SOH降低至80%時從停止車輛應用轉而固定儲能應用，得到每年因電池老化而導致的固定儲能容量。最后結合車輛退役數量預測結果，計算得到2030電動汽車退役電池規模。
圖中實線部分代表車載電池容量，陰影部分代表退役電池儲能容量。雖然動力電池容量衰減至標稱容量的80%即被淘汰用于固定式儲能，但由于每年因車輛退役和電池老化導致的退役電池增量仍遠低于每年電動汽車銷售量帶來的新增車載電池容量，因此退役電池容量規模遠低于電動汽車車載電池容量規模。由于推廣初期階段電動汽車存量較小，這種現象尤為明顯。到2030年，退役電池儲能總容量為463 GW·h，占車載電池容量的9.58%。當電動汽車存量不斷增加，且隨著電動汽車銷量增速逐漸趨于飽和，退役動力電池儲能容量相較于車載電池容量的比例將不斷提升，到2050年該比重將提高至15.05%。可見，隨著電動汽車市場的逐漸成熟，退役動力電池的規模將不斷上升，其儲能應用潛力不容忽視。
2 動力電池梯次利用成本分析
2.1 梯次利用工藝流程
雖然國內外已有相當多動力電池退役后進行儲能應用的嘗試，但目前電池梯次利用仍面臨眾多挑戰。
首先，由于不同車型的動力電池包設計多種多樣，其內部結構、電池模組鏈接方式、組裝工藝各不相同，很難通過相同的電池拆解流水線實現所有電池包的內部模組拆解。這意味著電池包拆解需要針對不同電池類型進行細分，其工藝流程也相當復雜，顯著提升了其拆解成本。此外，由于電池模組是高能量載體，拆解不當可能導致短路、漏液等安全問題，甚至有起火、爆炸的危險，因此保證電池拆解過程的安全也是電池梯次利用的必要條件。
拆解后的動力電池重新成組前還需對其健康狀態進行評估。若電池退役時具有完整的充放電運行數據，則有利于準確評估其剩余工作壽命，梯次利用的經濟性將顯著提升；而當動力電池退役時沒有完整運行過程數據，則健康狀態評估僅能從電池標稱容量、理論循環壽命等數據入手，結合當前內阻、電壓等進行測試，這使其測試成本、時間大幅提升的同時，也增加了儲能梯次利用的品質風險。
對退役電池健康狀態進行評估之后面臨的便是系統集成問題。當前動力鋰電池電芯包括聚合物軟包、鋼殼/鋁殼方體、圓柱形等，種類繁多，尺寸不一，且各類電芯標稱容量、開路電壓、電阻及電流各異。此外，電芯之間的鏈接工藝也從導線錫焊、錫片錫焊、電阻焊發展到激光點焊工藝等，電芯的無損拆解難度非常高。綜合上述原因，電池模組層級的拆解是目前更為可行的梯次利用方案。
在進行電池模組系統集成之前，還需根據材料體系、容量、內阻、剩余循環壽命等參數對不同電池模組進行重新分組。從系統設計層面，需要充分考慮不同模組可能具有不同尺寸、重量和串并聯數，系統內部設計應該有更大彈性，從而能夠兼容不同模組；模組連接也要考慮柔性化設計，盡量做到即插即換。電池的梯次利用無疑對電池管理系統提出了更高要求，由于退役電池的化學體系、生產廠家、規格、批次、健康狀態復雜，如何憑借電池管理系統對退役電池進行優化管理是延長電池梯次利用壽命的關鍵因素。特別是當電芯進入生命周期尾聲，電池衰減和老化速度開始呈現離散化趨勢，突出表現為容量和內阻差異不斷加大，導致系統在可用容量和放電性能方面表現難以預測，需要電池管理系統快速識別系統老化趨勢，并通過電力電子和功率變換技術延緩老化速度，從而延長電池使用壽命。
上述工藝的成本控制也是決定退役電池梯次利用經濟價值的核心。如何有效控制拆解、測試、分組、成組、電池管理等各環節工藝及物料成本，將系統成本控制在新電池成本的20%～30%，是梯次利用商業模式成功與否的前提。
2.2 梯次利用成本評估
退役電池梯次利用前需要經過退役電池收集、運輸、測試、重組等環節，上述各環節所產生的成本連同購置退役電池的成本構成了退役電池梯次利用的總成本，而諸如退役電池模塊容量、比能量、能量密度、電芯容量、電芯故障率等都將直接影響退役電池梯次利用的成本。本文采用NREL的動力電池再利用模型（B2U repurposing cost calculator）評估退役電池梯次利用成本[15]。模型假設電池模組（非電池包或單體電芯）為電池梯次利用的最小單位，且退役電池模組再處理后的產品規格（規格尺寸）不變。由于電動汽車車型及電池包規格各異，且再處理后的退役電池儲能應用場合多樣，為簡化分析，本研究不考慮上游電池包拆解至電池模組及下游再處理電池模組重組成儲能單元的成本。
電池運輸方式及運輸距離將影響電池運輸成本。由于各類電池的化學構成各不相同，安全性和潛在環境影響也都是導致運輸成本變化的關鍵因素。為簡化研究，本文采用固定貨運方式和線路假設，評估退役電池收集及運輸成本，即假設退役電池通過貨車運送至電池工廠，貨車載運能力為3噸/車，單次運輸往返距離為50公里。
評估退役電池測試及重組成本需考慮電池模組規格、電池廠產能等因素。在對收集到的退役電池重組前，需要首先對電池在退役時點的性能進行評估，其中最重要的衡量指標即是電池健康程度（SOH），其硬件投入包括電池電量檢測裝置、電氣監測裝置及電池模組封裝裝置。各類硬件裝置的配置取決于退役電池模組數量、電池模組規格、電量及電氣檢測時間等。此外電池模組檢測、診斷、測試等環節產生電力消費，不同的模組檢測工藝的能耗各不相同。
回收退役電池電芯的故障率是另一個影響退役電池再處理成本的關鍵因素。由于目前市場上幾乎沒有退役電池故障率數據的權威統計，本研究采用NREL的故障率估計，即0.01%～1%，則電池模組的實際產量為
結合效益及成本分析結果，退役電池梯次利用經濟性可通過對比電池再處理成本和預測的市場售價進行評估。本研究以國內市場某款電動車型作為案例，分析退役電池梯次利用成本效益。該車型電池包總容量為82 kW·h，單體電芯270 A·h，電池模組由2～10只單體電芯串聯而成，假設平均模組電芯個數為6個，則電池模組容量約為5.3 kW·h；假設新生產電池售價為1500元/(kW·h)，則梯次利用的退役電池市場售價約為465元/(kW·h)。
假設電池工廠處理退役電池的年產能為 1 GW·h/年，退役電池電芯故障率為0.1%，折現率為10%，采用NREL動力電池梯次利用經濟性評估模型評估退役電池再處理成本，得到電池模組梯次利用單位成本為196元/(kW·h)，其與退役電池市場售價之差即為購買退役電池價格上限，即當電池廠收購退役電池價格低于269元/(kW·h)時，退役電池再處理經濟性為正。其梯次利用成本構成如圖4所示，可見電池購置成本同時是項目投資及年度運維的主要組成部分，即不論是在投資還是運維環節，退役電池的購置成本都占據主要份額，其它關鍵影響因素包括電芯故障率、電池測試設備成本、人工價格及電池儲運成本等。
圖1 電動汽車銷量預測
圖2 2015—2030年電動汽車車載電池及退役電池儲能容量
圖3 退役電池再處理流程
圖4 退役電池梯次利用成本結構
（注：投資成本包括初始月電池購置成本）
由上述模型分析可知影響動力電池梯次利用成本的主要因素包括電池模組容量、電池廠年產量、退役電芯損壞率。圖5對比了三種電池廠年產能下（0.1 GW·h/年、0.2 GW·h/年、1 GW·h/年）不同模組容量電池的梯次利用成本，發現其隨模組容量先降后升，即當模組容量較小時，相對較高的模組容量可降低單位人工成本；相反，當模組容量較大時，電芯損壞所導致的模組廢棄成本更高，而模組容量平衡點大約在7 kW·h左右，該容量下單位千瓦時梯次利用成本最低為204元/(kW·h)左右（1 GW·h年產量）。同時圖5也顯示提升產量對降低單位千瓦時
圖5 三種電池廠年產量下不同模組容量電池梯次利用成本
退役電池梯次利用成本效果有限，1 GW·h年產量下相比0.1 GW·h單位千瓦時梯次利用成本僅降低不足10%，一定程度反映了在給定技術條件下，梯次利用成本很大程度上由人工成本決定，其與批量化生產程度的相關性較低。
圖6對比了3種電芯損壞率下（0.01%、0.1%、1%）不同模組容量退役電池的梯次利用成本變化情況。研究發現電芯損壞率對成本下降有較為明顯的影響，當損壞率低至0.01%后，單位千瓦時電池梯次利用成本為157元/(kW·h)，比損壞率1%的情況低50%。此外我們也發現不同電芯損壞率下最低梯次利用成本所對應的模組容量也各不相同，例如0.01%損壞率對應的最優模組容量為16 kW·h，而1%損壞率對應3 kW·h。
圖6 三種電芯損壞率下不同模組容量電池梯次利用成本
3 結 論
本文在對我國電動汽車銷量增速預測的基礎上評估了電動汽車退役電池應用于電力系統儲能的規模潛力。研究發現隨著電動汽車滲透率的不斷提升，退役電池的儲能應用潛力將穩定在車載電池儲能容量的15%左右，其儲能應用潛力不容忽視。本文采用NREL的動力電池再利用模型評估退役電池梯次利用成本，研究發現模組容量和電芯故障率是決定經濟性的關鍵因素，對于不同故障率的電芯，應選取合理的模組容量以最大程度降低退役電池梯次利用的成本。
需要說明的是，本文對退役動力電池的經濟性研究仍然存在很多不足，比如對電池在車內和應用于固定儲能階段的老化速率進行了簡單假設，然而決定電池老化速率的因素包括電池技術種類、日歷壽命、運行溫度、放電深度、放電倍率等，且各種因素對不同種類動力電池技術容量衰減的影響也不盡相同。特別是隨著后續固態電池技術成熟，壽命衰減速度和電池包成本的變化都會對計算結果產生影響。此外，對于電池梯次利用的成本分析，文章假設了較為完善的產業體系，且退役動力電池包的車體拆解成本并未在本研究中體現，該方面研究還有待國內相關示范項目進一步數據積累后予以完善。
第一作者及聯系人：劉堅（1983—），男，博士，研究方向為電動汽車及儲能，E-mail：[email protected]。
引用本文：劉 堅. 電動汽車退役電池儲能應用潛力及成本分析[J]. 儲能科學與技術, 2017, 6(2): 243-249.
LIU Jian. Second use potential of retired EV batteries in power system and associated cost analysis[J]. Energy Storage Science and Technology, 2017, 6(2): 243-249.
