受能源系统转型和碳中和目标的推动，电动汽车行业迅速发展[1]、[2]。作为电动汽车的核心部件，动力电池的性能显著影响行驶里程和使用寿命[3]、[4]。在各种电池技术中，锂离子电池（LIBs）因其良好的安全性、成本效益和长循环寿命而被广泛采用[5]、[6]。经过八到十年的使用后，这些电池的容量通常会下降20-30%[7]、[8]。一旦容量降至初始值的80%以下，就必须将它们从电动汽车中退役[9]、[10]。
退役电池的工业规模梯级利用是实现可持续能源和循环经济的关键方向，但其进展受到筛选和重组技术瓶颈的严重限制。当前的工业实践主要依赖于基于容量或其他单一参数的筛选方法，这些方法无法全面表征电池的多维退化行为，因此常常导致电池模块一致性差、二次使用寿命缩短以及潜在的安全风险[11]、[12]。行业预测显示，到2030年全球动力电池的累计安装容量将达到2963 GWh[13]，预计中国将产生约280 GWh的退役电池[14]、[15]。这些退役电池通常仍保留70-80%的初始容量，为能源存储和其他固定应用提供了巨大的二次利用潜力[16]、[17]、[18]、[19]。有效再利用退役电池可以延长其使用寿命，并将生命周期碳排放减少近30%，从而促进资源保护和环境保护[11]、[20]、[21]、[22]。然而，退役电池性能的巨大差异给二次利用带来了技术挑战，这些差异源于工作条件、充电模式和退化路径的差异，包括容量衰减和内阻的变化[23]、[24]。因此，开发可靠的筛选和重组策略已成为重要的研究重点[25]。
已经探索了多种聚类方法来重组退役电池。田等人开发了一种基于多特征加权的稳定性评估方法，以支持电池组级别的重组[26]。刘等人提出了一种半参数聚类方法，用于筛选退役电池以进行梯级利用[27]。徐等人设计了一种遍历优化聚类算法，消除了对预设簇数和中心的需求[28]。周等人结合快速脉冲测试和改进的分裂K-means聚类方法来提高重组效率[29]。姜等人提取了包括容量、内阻和增量容量在内的退化指标，并提出了一种多特征重组方法[30]。李等人引入了一种等数量支持向量聚类框架进行重组，尽管收集内阻和剩余使用寿命等参数仍然耗时[31]。赖等人提出了一种基于高斯混合模型和电化学阻抗谱的软聚类方法进行稳定性评估[32]。周等人开发了一种基于支持向量机的排序方法来提高重组准确性[33]。王等人应用电化学阻抗谱和短期动态电压测量进行稳定性评估，并使用箱线图方法识别异常电池[34]。陈等人提出了一种基于增量容量曲线的重组方法，首先使用K-means++进行初步聚类，然后使用t检验进行精细化[35]。大多数现有方法主要通过单个电池实验进行验证[30]、[31]、[33]，只有少数研究进行了电池组级别的重组实验来验证一致性的改进[32]、[34]、[35]。
除了这些学术上的局限性外，当前的工业重组实践仍然严重依赖静态参数窗口化，即根据电池的容量、电压或内阻是否落在预定义的阈值范围内来筛选电池[36]、[37]。虽然实现简单，但静态阈值化忽略了非线性参数之间的相互作用，未能发现通过个别检查的异常电池，并且依赖于难以跨不同群体调整的任意阈值。这些限制共同限制了工业级梯级利用的一致性、可靠性和可扩展性，进一步凸显了自动化多维异常检测和自适应重组方法的需求。
在重组之前，去除异常电池至关重要，因为即使少量的异常电池也会对重组后的电池组的一致性和耐用性产生负面影响。王等人使用箱线图方法识别异常电池[34]。李等人通过分析容量、内阻和剩余使用寿命来筛选异常电池[31]。陈等人使用t检验消除异常样本，提高重组效果[35]。最近的异常检测研究展示了隔离森林算法的潜力。周等人将该算法应用于故障诊断[38]。姜等人将其应用于动力电池故障诊断[39]。王等人利用它开发了一种用于航空发动机故障检测的动态阈值方法[40]。郭等人将其用于作物倒伏识别[41]。王等人将其应用于正常运行数据中的故障检测[42]。王等人进一步结合箱线图和隔离森林算法来自动识别故障通道[43]。尽管该算法在许多领域的故障检测中表现出有效性，但其在退役电池重组中的应用却鲜有报道。
智能电池分析的最新发展为改进筛选和重组提供了新的机会。张等人引入了一种多视图深度学习和集成聚类框架，利用电压、温度和增量容量特征进行一致性评估[44]。刘等人开发了一种自监督聚类框架，用于大规模退役电池筛选，减少了对标记数据的依赖[45]。Park等人提出了一种使用简化充电协议的快速健康特征提取方法，以支持工业规模的二次寿命评估[46]。这些研究反映了向数据驱动和智能重组策略发展的趋势，尽管在自动化多维异常检测、无需确定簇数的重组以及长期退化行为验证方面仍存在挑战。
尽管取得了显著的研究进展，学术方法与工业实施要求之间在退役电池重组方面仍存在关键差距。当前的筛选方法很少将自动化多维异常检测与自适应的、无需确定簇数的重组相结合，形成适用于工业规模吞吐量的计算高效框架。此外，缺乏在真实循环条件下的长期验证意味着改进的聚类质量是否真正转化为模块级别的同步退化行为仍是一个未充分探索的问题。
基于上述背景，本研究提出了一种集成且经过实验验证的筛选和聚类策略，用于退役锂离子电池的梯级利用。主要贡献总结如下：
(1)集成筛选和聚类框架：我们提出了一种IFA-AHCA工作流程，用于退役的LFP/石墨电池，结合多维异常筛选和自适应的、无需确定簇数的重组，以克服基于静态阈值方法的局限性。
(2)基于机制的特征：健康特征（V1、V2、V3）来自IC曲线，与电池健康状态（SOH）具有强相关性（Pearson r > 0.75），确保聚类反映了电池的固有电化学退化状态。
(3)稳健的泛化能力：该方法在自收集的数据集（85个电池单元，MSE = 0.00067）和开放访问数据集（320个电池单元，MSE = 0.00140）上均实现了最低的簇内误差，优于K-means++和近期文献中的基准方法。
(4)电池组级别验证：在长期循环（210次循环）中，重组后的电池组（G1）表现出高一致性，SOH仅从80.50%下降到80.02%，组内最大偏差为0.022，证实了改进的聚类方法能够实现电池的老化同步。
本文的其余部分安排如下。第2节介绍电池材料和筛选及聚类算法。第3节介绍实验程序、结果和讨论。第4节总结主要结论。
