如何解决动力电池绿色回收再利用难题;动力电池梯次利用趋势及产品设计探索;就近回收，就近处理“环保型回收方式”物理法回收技术;履行EPR,落实LCA,共建共享新能源全生命周期价值链;动力电池全生命周期循环利用模式;基于大数据的分布式梯次利用储能系统;退役锂动力电池预测技术与余能检测，尽在2018年9月21日，2018全球未来出行大会动力电池回收利用产业发展论坛。

 

南京四象新能源科技有限公司总经理陈烨然出席论坛并发表演讲，以下演讲实录，经陈烨然本人整理配演讲PPT，独家发布：

大家下午好!我们是一个创业公司，从2015年开始做梯次利用，2016年落地南京，国内做了两年多。今天的报告主要是分为四个方面，产业环境，实验室数据建模，电池筛选模型的优化和最后我们怎么用数据去优化储能系统。

我们刚开始做梯次利用，做储能的时候，我们测试了大量的电池，那时候还没有这些相关政策。从2016、2017年陆续出来了，对我们有一些规范和指导。我们主要做分布式储能，我们觉得这一块应用场景还是非常丰富。但是为什么在国内大部分都是集装箱，在国外都是那种分布式储能呢?我们觉得主要是因为电池太贵了，电网太强大，电价差小，分布式储能没有盈利的空间，但是梯次利用电池储能可以弥补这个空白。这是我们的产品。我们说一下上下游，绿洲新能源集团为我们提供稳定的梯次利用电池来源，另外绿雅电力给我们提供充电站，我们走的是充电桩加储能这个模式，最后我们投了一个工厂，叫佰特瑞储能科技，在南京六合区，负责梯次利用电池的批量筛选。我们先说一下实验室数据怎么建模。早晨王主任说电池不太好拆，我们就拆一些好拆的大巴车。电池拆下来有三种形态，从整箱拆到模组，这个过程非常简单，也不会损坏电池。再拆到单体非常难，而且有损坏电池的可能性。我们最终决定是拆到模组，所有产品的成组和电池筛选，基于模组去做的。这是我们的模组，我们先把一个整箱模组拿过来去测试，要积累大量的数据。一个箱里面总是有某几节电池认为是损坏的，容量特别特别低，其实这些损坏的电池决定了整箱电池的特性，但绝大多数电池容量非常高，所以必须要筛选到模组。我们的电池来源都是大巴车，大巴车主要是做通勤用的，一般一天开30公里，一周就五天，电池的性能本身是好的。为什么五年就会退下来呢?因为绝大多数电池厂只保五年。这是我们做一个整箱模组测试，我们把每一个单体模组进行充放电测试的话，你会发现充放电曲线特别零散。如果直接把电池放到储能里面去用，它的性能会非常差。所以基于这个考虑，电池一定要经过筛选，筛选之后可以保证它的充放电性能在一定范围之内。

这些退役下来的电池到底还能用多长时间?这也是每一个人都很关心的，我们在温箱用不用的充放电倍率测了1000多次循环，推论出再充放2000次循环没有问题。电池筛选方面，我们在实验室做了大量的电池，每一个模组都在不同的条件下做了完整的充放电循环筛选，这样我们就积累了大量的电池测试数据。之后新拿回来待筛选电池只测其中一段，去推测它整个充放电曲线特性。比如说我们只测半个小时，在它充电末端，我们只测一个小阶段，然后去推测整个充放电曲线。这样就可以减少我们电池测试的时间。但是有一个问题，我们这个电池必须要拿回来拆成模组以后进行比较，但每辆汽车本身运行的环境和电池的批次不一样，是有一定误差的，这个模型还不是很准。另外就是如果电池性能很差，那就白测了。所以我们也在思考怎么在拆解测试之前，找另一种方式预先判断电池的性能。后来想到把充电桩的充电数据导入我们的模型，我们的车在充电站日常充电的时候，通过充电桩拿到电池的数据。这样这辆车退役下来以后，起码有一个基本的预判，至少可以做到判断这辆车电池不好，拆都不拆。这样电池筛选模型里面就加入了充电桩数据，去校准我们的待筛选电池。

 

这时候虽然拿到了很多数据，放到电池筛选模型里面。其实这个模型还是不够精准。后来我们想，能不能把这个模型再精准一些，就想到把筛选后放到储能里面的电池数据拿回来，再精准模型。这是我们储能的架构，现在大部分储能都是这种架构。我们有很多梯次电池，我们有PCS，这是我们的热管理系统，这是本地监控系统，所有数据都到云端。我们从云端把电池的数据拿过来，再放到这个模型里面更精准地去校准这个模型。当你采的数据越多，你的模型会更精准，极大地减少了电池充放电测试的时间。

 

讲一下储能大数据。这是我们做的一个产品。虽然我们做梯次利用的，但是我们觉得还是不能拉个集装箱，把电池堆在一起去做。这是我们的标准产品。这个标准产品占地大概两个平方米，100kWh储能电池，30kWPCS输出，效率是85%。我们的梯次利用电池的效率是92%-93%，加上PCS是98.5%。这个主要是做分布式储能产品的。比如说我要建一个充电站，只能放五个桩，六个桩。这时候要放个集装箱储能配合充电桩不是很现实。那我们就设计一个分布式储能，放在充电桩和充电桩之间，既可以节约电费又可以提供一定的容量，还不占用大量土地。这是我们做这个最初的考虑。我们只做分布式储能。

 

这是我们的Prime，这是我们的一个平台，其实我们可以做到什么呢?很多平台功能都非常相似，你把数据拿回来，但拿回来怎么处理，这是值得思考的。我们想要储能系统达到一个什么样的程度呢?我们想让这个机器自动运行，而不是我们发一些指令给它。大家都在谈AI，其实这个应该是让机器自己去决定什么时候充，什么时候放，比如根据天气状况，下午天气不好，上午就放完电了。这是我们的架构。既然我们是做分布式的，一定在一个应用场景里面有非常多的机器并联。既然并联，用哪一个机器来给我们云端提供这些数据，并协调控制所有储能机柜呢?其实我们做了一个竞争上岗，它去拼它的算力，像blockchain这样，哪一个机器的算力在某个时间段比较高，就自动成为主机，从而控制其他的机器，接收数据到云端，极大的提高了稳定性。比如说某个主系统down掉了，其他系统就会根据算力顶上来，成为主机。最后就是在用电设备这里测电流电压，掌握负载到底是什么样的状况。顺便把用电测的数据拿回来。

 

这是我们一个做储能加充电站的想法。在给充电站配置储能之前，先把数据采回来，建用电模型。这个用电模型不仅仅是用电设备充放电是什么样的曲线，我们做了更进一步，把用电曲线的电能指纹模型测出来。这个技术叫Non-Intrusive Load Monitoring。比如一个千瓦的冰箱和一个千瓦的微波炉，虽然用电的功率，耗电量是一样的，但它的用电曲线是不一样的，通过这个技术，能精确知道是哪一个设备在用电。在充电站，包括未来的楼宇，通过采集这些数据可以画出来用电设备是什么样的用电模型，在这之后才会配储能系统，加上积累的大数据系统，让它实行自动充放电策略。这个应用场景最终的一个商业逻辑不仅是降低电费，还可以预判设备的故障。设备故障一个是我们的储能，看电池有没有异常，热管理系统怎么样，另外就是用电设备是否有故障，比如这个充电桩在60千瓦运行，但如果它的用电指纹有变化，你就知道有问题了，有变化了，出现了故障，我可以随时掌握Load在变化还是不在变化，是否正常。这样就极大的增加了储能的商业价值。这是我们做的一个商业的设想。充电站一般分为两种，一种运营得非常好，这时候其实没有变压器余量加充电桩，增容成本很高。这时候可以加入我们的储能系统，用储能削去尖峰用电，建更多的充电桩。另外一种情况是充电站运行状况不是很好，没有很多汽车来充电，可以增加储能，利用峰谷电价差，降低充电服务费来吸引客户来充电，这是我们在做的一个竞价充模式。比如根据储能配置的情况，充电费用每天某个时段是变化的，白天充电比别的充电站便宜一点，吸引更多的人过来充电。谢谢大家!

 

主持人：大家有没有问题想要问我们陈总的?

提问：陈总你好。感觉你这个对每个使用的状况建模，我想问你这个实际应用多少?

陈烨然：其实这个东西需要不断去测，就是比如说我说的，冰箱的模型，微波炉的模型，网上都是现成的。拿回来用直接可以对比。作为充电桩比较复杂，要去做大量的测试和建模。

提问：你现在这个模型跟国家电网还是说夜间充电，用的哪些方面，或者你认为把你这个模型有没有节电，有些做能源管理，可以把晚上的电放出来，白天卖电。你光建模实际应用到什么程度了?

陈烨然：现在在南京铺了三个充电站，都是自己的充电站，放了我们自己的车，自己的储能系统。

提问：把充电车放过去。

陈烨然：储能放过去，是固定式的，是充电桩充电桩之间放一个储能柜。

提问：这个还需要跟国电接吗?

陈烨然：是两套系统，我们这个电不会回馈到电网以上，我们用它只是用来充电。现在是晚上充电，白天放电。

提问：充电桩使用的电，你认为你储能的系统够不够?

陈烨然：这个肯定是不够的。

提问：如果有人需要充电，两组就并行。

陈烨然：是的，最简单的商业逻辑就是有多少电放多少电。

提问：先把这个电卖出去。你们现在已经有三个试运营了。这原来是我们想的应用场景，充电桩这个角度直接固定下来了。

陈烨然：对，因为我们自己设计的只有1.6米宽，充电桩这个事情是有距离的。有这个好处是可以提前规划，如果没有提前规划也可以插进去。

提问：现在储能是多少?

陈烨然：一百度电，30个千瓦。

提问：多大的体积?

陈烨然：两米二高，一米二宽，一米六深。

提问：安全这一块需要通过什么机构吗?

陈烨然：没有，这个确实没有。我们还专门想过这件事情。我们这个系统确实太小了。说实话还不太清楚我们需要做一些什么样的事情，现在好多事情都在探索。谢谢。