锂离子电池以其能量密度高、使用寿命长、环保等优点被广泛应用于电动汽车中。随着电动汽车市场规模的持续增长,退役锂电池的安全环保处理迫在眉睫。车用退役锂电池还具有约80%的容量,经过筛选与分类还可以应用于性能要求低于电动汽车的领域,则可最大化锂电池的全生命周期价值,具有显著的经济价值与环保价值。目前锂电池的分选方法存在分选规模小、分选效率低等问题。本文面向大规模退役锂电池提出面向大规模退役锂离子电池单体和电池模块的快速筛选方法,本筛选方法可以在保证筛选精度的条件下,大幅度提高筛选效率,对大规模退役锂离子电池的筛选流程设计,及实际生产具有重要参考价值。本文的主要内容:首先以等效电路模型为基础,搭建了退役锂离子电池的单体模型和电池组模型。根据退役锂离子电池模型进行了仿真实验,仿真结果验证了模型的有效性。本文提出了面向退役锂离子电池单体的快速筛选方法及算法。利用小样本下的电池容量和特征电压建立两种大规模退役锂离子电池的筛选模型,BP神经网络筛选模型和分段线性拟合模型,剩余大量电池的容量可以根据此模型进行批量估计。筛选结果显示两种容量快速筛选最大误差不超过±4%。而且在5000个退役锂离子电池筛选下,基于BP神经网络模型容量快速筛选速度是传统充满-放空(FCD,Full Charge-Discharge)筛选方法的近5倍。其次,提出了面向退役锂离子电池模块的快速筛选方法及算法。选取少量样本电池单体的容量和放电特性数据建立GABP神经网络容量快速筛选模型,并利用训练后的容量模型对大量剩余的未采样电池的容量进行估计。最后,通过仿真和实验的方法对上述快速筛选方法进行验证,发现实际有效筛选时间仅为10min的恒流放电过程,而且容量最大筛选误差仅为2.951%。最后,在完成退役电池单体和模块的快速筛选工作的基础上,提出了一种简单分类重组方法和一种基于改进型K-means算法的退役锂离子电池聚类方法,该改进K-means算法可以根据不同应用场景对退役电池进行分类重组,并利用HPPC动态工况实验对聚类结果的一致性进行了验证,从而实现了退役锂离子电池由快速筛选到重组利用的全过程。