power-sonic蓄电池储能锂离子电池容量衰减机制和寿命预测综述

LLI是锂离子电池循环进程中容量衰减的一个首要要素，循环进程中电池内部改变，Li⁺在充放电进程中无法彻底嵌入到负极或正极资料中。Yang等^［8］对轻度过充循环后的LiFePO₄锂离子电池进行了增量容量剖析（ICA）和电化学阻抗谱（EIS）剖析，尝试理解电池的老化行为和机理。研讨发现，在充电进程中，部分Li⁺未嵌入到负极晶格中，而是与电子结合复原为金属锂，堆积在负极外表，造成Li⁺永久性丢失。堆积的金属锂具有一起枝晶状形貌和极高的化学活性，造成副反响添加，导致活性锂的损耗^［9］。

LAM是由正负极微观结构错位、颗粒开裂、外表钝化等问题引发的，会造成活性物质削减活性或失去活性^［7］，LAM一般分为正极活性物质丢失和负极活性物质丢失。

正极活性物质丢失是指正极资料（如LiFePO₄）在循环进程中产生结构退化、颗粒破碎或电化学失活，导致其存储和开释Li⁺的才能逐渐下降。LiFePO₄在充放电进程中经历两相转变（LiFePO₄转变为FePO₄），但因为两相晶格参数不匹配（橄榄石结构LiFePO₄转变为菱方结构FePO₄），界面处会产生应变梯度^［10］。在高温或高电压条件下，仍或许产生微量Fe²⁺溶出并搬迁，破坏固体电解质相界面（SEI）层安稳性，重复的晶格膨胀/收缩会导致颗粒内部微裂纹扩展，乃至引发颗粒破碎或脱落，然后削减活性物质，下降电池容量^［2］。此外，LiFePO₄外表会构成较厚的正极电解质相界面（CEI）层^［11］，充放电进程中的体积改变会导致CEI层重复决裂和再生，然后加重电解液分化等副反响，耗费活性锂并添加电池内阻。

负极活性物质丢失首要表现为石墨结构的破坏、颗粒粉化或外表钝化，导致其嵌锂才能下降^［12］。在Li⁺嵌脱进程中，石墨层间会产生约10%的体积改变，长期循环后，重复的应力效果会导致颗粒内部产生微裂纹。梁海强等^［13］经过SEM观测发现，循环后的石墨负极外表粗糙度添加，部分区域出现层状剥离，乃至彻底脱离集流体，导致活性物质丢失。石墨负极外表的SEI层在循环进程中会因体积改变而决裂，露出出新的石墨外表与电解液反响，生成更厚的SEI层。这一进程不只耗费活性锂，还会添加界面阻抗。

锂离子电池的容量衰减与电解液降解及活性锂丢失密切相关。有机电解液（如LiPF₆/碳酸酯体系）在循环进程中会在负极外表产生复原反响，构成由Li₂CO₃、ROCO₂Li和LiF等^［14］组成的SEI层。研讨^［15］标明，高温条件下LiPF₆分化加速，生成LiF和腐蚀性HF，后者会进一步溶解正极活性物质，加重锂库存丢失。一起，电解液分化产生的气体（如CO₂和C₂H₄）也会耗费电解液。经过量化剖析可知，电解液丢失首要表现为内阻添加^［16］，而活性锂丢失则直接下降可循环Li⁺数量，二者一起导致电池容量衰减^［17］。

内电阻是指阻碍离子在电池内部搬迁的电阻，由电极、电解液、电解质界面等多个要素一起决议。电池正极资料在长期使用中资料颗粒改变、结构改变、外表氧化等，导致电子和离子的传输速度减慢，然后添加内电阻。内阻添加造成Li⁺在活性电极资料中搬迁才能的下降，电解液中离子电导率的下降，导致容量下降^［18］。Li等^［19］发现当充放电深度增大时，Li⁺完结脱出、搬迁、嵌入整个进程阻力增大，部分Li⁺聚集在电极外表构成金属锂或其他形状，导致电池容量丢失。此外，石墨颗粒脱离铜箔后，悬浮在电解液上或许搬迁至隔阂^［11］，使得电池阻抗添加，也会加速电池容量的衰减。

电池寿数猜测的模型建立需求依据不同老化状况下电池外特性差异，剖析其内部机理改变，因此电池寿数猜测的研讨根底是能反映电池老化的主导机理或老化经历。

数据驱动办法是使用锂离子电池的容量、电流、电压、阻抗等丈量参数，并借助神经网络、支撑向量机及高斯进程回归等智能算法模型进行电池剩下寿数猜测。数据驱动办法不需求对锂离子电池内部机理深化了解，只需收集外部监测数据便可完结。因为这些数据收集处理起来较为简略，因此可以进行灵敏使用和推行^［22］。但数据驱动模型对历史数据的数据密度、数据质量和数据量的要求和依靠程度过高^［21］，这或许导致其在实践使用中难以获取足够的高质量数据，然后影响模型的猜测精度。

交融办法是结合模型和数据驱动的寿数猜测办法，旨在提高猜测精度和鲁棒性，适合实践使用场景。上述可知，根据模型的办法依靠电池老化机理剖析（如SEI层成长），或许根据经历性定论^［23］，经过采样和丈量数据点来递归更新模型参数，但核算本钱较高，无法应对杂乱的老化进程。数据驱动的建模策略根据历史数据和实时数据，并结合当时观察到的老化状况特征来估量电池老化趋势，其要求在时刻范围内精确建模，履行高效核算和高通量数据生成。交融办法结合了根据模型和数据驱动办法的优势，包括误差小和安稳性高^［24］，适合电池办理体系（BMS）实时使用，其局限在于模型杂乱性高，需多方协作^［25］。

Wu等^［36］规划了数据驱动模型，考虑到等效电路模型参数辨识简略、核算量小以及实时性好等长处，首先挑选了一阶RC等效电路模型对锂离子电池寿数评价进行建模，传递函数G（s）的表达式如式（7）所示，从中可以看出电池的端电压U（s）遭到欧姆内阻和极化效应的影响：

式（7）中：s是拉普拉斯变换域中的复数变量；U_OCV是电压源，是SOC的函数；R₀是欧姆内阻；R_p和C_p分别为极化电阻和极化电容；I是端电流；U是端电压。

LiFePO₄锂离子电池的试验成果验证了该办法的有用性，契合内电阻添加模型描绘的模式。当环境温度从283.15 K升高到313.15 K时，电池欧姆内阻平均值和标准差分别下降25.88%和83.33%，经过精确猜测内阻的改变，模型可以更精确地估量电池的RUL。

深度学习在杂乱体系建模方面展示出强大的才能。深度学习一般选用根据神经网络的办法，如深度神经网络、长短时记忆神经网络和卷积神经网络等。Zhou等^［37］提出根据实践数据的LiFePO₄锂离子电池剩下容量预算模型，经过剖析IC曲线峰值点的改变，可以估量因为LLI导致的电池容量衰减。一起，使用多级变电流快速充电数据，可以树立一个神经网络模型来猜测电池的容量改变。这两种办法结合起来，可以更全面地评价电池的老化状况和容量衰减情况，最后实现杂乱多变的现实工况下的容量猜测。因为线性回归模型挑选与电池资料无关，而是选用充放电进程的计算特征作为模型的输入，因此模型在非线性老化区表现不佳。

Keshun等^［38］提出了一种结合经历建模与数据驱动技能的混合办法，用于锂离子电池RUL猜测。该办法使用伽马（Gamma）随机进程和状况空间模型描绘电池容量衰减的杂乱性与随机性，并经过粒子滤波与期望最大化算法估量未知参数。为进一步提高模型功用，选用麻雀搜索算法（SSA）优化和支撑向量回归（SVR）对参数进行校对。成果标明，该办法能有用捕捉电池退化的随机特性，其猜测精度优于传统办法，且核算功率更高，在RUL猜测中表现出较好的泛化才能和鲁棒性。但是交融高度依靠练习数据的质量和数量，练习数据缺少会导致模型功用下降，且模型难以表现电池老化的内涵机理，可解释性较差。

Gomez等^［39］创立改善的时序交融Transformer（ITFT）模型，结合了机理模型的物理参数和数据驱动的时序剖析技能，经过单粒子模型（SPMe）提取内阻、电压、扩散系数等参数；选用双向长短时记忆网络（Bi-LSTM）编码解码层，结合Transformer架构提高模型功用，适用于RUL和SOH猜测。在LiFePO₄/石墨锂离子电池上进行测验，成果证明寿数猜测值与实践值契合由内阻添加主导的容量衰减机制，且RUL猜测的均方根误差（RMSE）低至0.001 3，在精度和安稳性上均有明显提高。

几种寿数猜测模型的特色对比见表1。

表1  寿数猜测模型分类与比较

Table 1  Classification and comparison of life prediction

寿数猜测办法		丈量参数	算法/技能	优势	缺少
根据模型的办法	阿伦尼斯模型	温度、电流、电压等特征信息	卡尔曼滤波 单粒子滤波 H∞观测器 阻抗谱 等效电路模型 递归最小二乘	使用广泛、 技能较老练	仅考虑温度参数，约束了实践使用
	机理模型	欧姆内阻、循环次数、运转时刻等参数		防止高核算本钱、为模型赋予实践物理化学意义	对单一类型电池状况估量具有依靠性
	经历模型	阻抗、循环次数、容量等参数		根据试验数据或观测成果，构建进程简略联络理论	实践工况中猜测精度不高、触及参数多、运算繁琐
数据驱动办法	人工神经网络	无	特征曲线剖析 安时积分法 充放电电压及电流曲线 温度曲线 电阻改变曲线 数据集计算办法	模型具有泛化才能和鲁棒性、精度高、测验时刻短	练习时刻长、本钱高、有些办法试验数据较缺少
	支撑向量机
	高斯进程回归
	相关向量机
交融办法	数据+模型交融	电化学模型参数	数据驱动技能	工程实践中运用广泛	技能尚不老练

下载: CSV下载: 表格图片