容量衰減？導致電池性能下降的主要原因？

文 | 文史充電站

編輯 |文史充電站

汽油動力汽車對環境造成了挑戰，所以全球汽車製造商正在致力於低碳排放，鋰離子電池以其高能量密度、快速充電和環保特性，廣泛用於電動汽車和混合動力汽車，但是電池老化是一個重要問題，會降低性能並影響安全。

電池壽命通常通過容量和內阻來評估，而電池健康狀態和剩餘使用壽命用於跟蹤電池壽命。

數據驅動模型，如機器學習，成為電池健康診斷和預測的有力工具，這些模型需要大量數據來準確估計和預測電池健康狀況，電池技術的發展和健康監測對於推動低碳交通至關重要。

01

鋰離子電池操作

鋰離子電池是一項關鍵技術，因其高能量密度而廣泛用於各種高能應用，尤其是電動汽車，在電動汽車中，電池組通常由多個模塊構成，每個模塊包含數百個電池單體，這些電池的充電和放電過程是鋰離子電池工作的核心，我們將在下文中詳細介紹。

每個鋰離子電池單體都包括兩個主要電極，分別是正極（陰極）和負極（陽極），它們之間通過一個隔膜隔開，並被液體電解質填充。

正極通常使用鋰金屬氧化物，如NCA（鎳鈷鋁氧化物），而負極則採用鋰碳，這些材料的選擇是基於它們的性能，如能量存儲能力、功率密度、成本和安全性。

在充電階段，外部電源用於驅動電子和鋰離子的運動，這個過程可以被看作是一個氧化反應，其中電子從陽極流向陰極，鋰離子從陰極移向陽極。

這導致了電池儲存能量的過程，一旦電池儲存了足夠的能量，充電過程完成。

放電階段發生在電池連接到負載（如電動汽車的驅動系統）時，電池開始釋放儲存的能量，這時鋰離子從負極移向正極，伴隨着電子從陰極流向陽極，這個過程是充電過程的逆反應，電池將儲存的能量提供給外部負載。

此電池的優勢在於它們具有高比能量存儲、高功率密度、長壽命和高安全性，在汽車行業NCA電極材料因其長壽命、高能量密度、高功率密度、低成本和高安全性而被廣泛採用，鋰碳（石墨）用作陽極，這種組合在電動汽車中表現出色。

電池充放電過程可以重複數千次，直到電池容量降至其壽命的70-80%，此電池可能退役，但它們通常可以進入第二個生命周期。

02

鋰離子電池型號

鋰離子電池是當今高能應用中的重要能源存儲技術，特別是在電動汽車領域，為了更好地理解和優化鋰離子電池的性能，科學家們開發了多種模型，這些模型分為四類。

基於電的模型，包括全階電化學模型、降階電化學模型（ROEM）和等效電路模型（ECM），全階電化學模型被稱為偽二維模型，它詳細描述了電池內部的化學反應和電勢分佈。

這些模型需要解決複雜的偏微分方程，難以在實際應用中使用，所以ROEM和ECM等簡化模型被開發以適應實際應用，其中ECM以電路元件來表示電池行為，具有簡單的結構。

熱模型用於描述電池的溫度行為，因為溫度對電池性能和壽命具有重要影響，這些模型包括電池發熱模型和降階熱模型，可以幫助預測電池的熱行為。

耦合電熱模型結合了電池的電學和熱學性質，提供了更全面的電池性能分析。

數據驅動模型是基於電池輸入輸出數據的智能算法，如神經網絡、LSTM和SVM，這些模型不需要先驗的電池物理知識，而是通過數據來建立電池的模型，數據質量和數據集的多樣性對這些模型的性能至關重要。

動能電池模型是一種特殊模型，適用於具有兩個儲能罐的電池，一個用於可用能量，另一個用於束縛能量，這些模型在某些特殊應用中非常有用，但超出了本文的範圍。

這些模型的開發旨在估算電池的狀態和壽命，並且有助於改進電池管理系統（BMS），以優化電動汽車電池組的性能，模型的選擇取決於應用的需求和所需的準確度級別。

這些模型的不斷進化將有助於我們更好地理解和利用鋰離子電池的潛力，推動能源存儲技術的發展。

03

鋰離子電池的老化因素

各種老化因素都對鋰離子電池的壽命產生影響，包括熱、電和機械濫用，了解這些老化因素對電池的影響對於監測電池健康和性能至關重要。

最重要的電化學降解參數是固體電解質界面（SEI）層的生長和分解，以及其他直接影響電池容量或功率的因素，這些因素可能導致電動汽車電池組的故障，甚至引發火災。

熱濫用描述了溫度變化對電池不同組件的影響，在鋰離子電池中，溫度變化是由於電池內部的化學反應引起的。

溫度對電池性能影響顯著，因為它會影響電解質和電極材料的性能，電池充放電過程中的化學反應與溫度變化遵循阿倫尼烏斯方程，其中包括吸熱和放熱反應。

電池在充電時會產生放熱，這些反應會釋放額外的熱能，在充電完成後，電池可能吸收周圍環境的熱量，溫度還會影響電解質和電極的離子電導率縮短電池的壽命，高溫和低溫都可能導致電池性能下降和老化。

低溫對電池性能的影響可分為三類，低溫會導致電解質的粘度增加，降低了離子電導率，從而降低了電池的SOC，電池在低溫下容易發生電荷轉移電阻。

影響電池的動力學和鋰離子的流動，低溫條件下會導致陽極極化，降低電池容量，這些因素加速了電池老化過程，影響了電池的性能。

高溫對電池影響也很複雜，電池在充電和放電時產生熱量，這可能會加速老化過程，高溫會導致SEI層變厚，進而降低電池容量，電池內部溫度升高會引發熱老化，進一步損害電池性能，高溫可能導致電池性能下降和熱失控。

電氣濫用包括過度充電、過度放電和短路，這些都會導致電池性能問題和安全問題，過度充電和過度放電會加速電池的退化，導致容量減少，高電流也會產生更多的熱量，加速老化過程，機械應力和應變，如碰撞或擠壓，也可能導致電池性能下降和損害。

了解這些老化因素對電池的影響對於提高電池性能和安全性至關重要，電池的溫度、電流和機械應力都會對其健康和壽命產生顯著影響，所以在電池設計和使用中必須謹慎考慮這些因素，以確保電池的可靠性和性能。

04

NASA數據集的機器學習方法

為了使用機器學習（ML）模型來估算電池的SOH或RUL，我們需要大量且高質量的數據。

收集電池老化數據是一項複雜的任務，旨在捕捉整個電池壽命過程中的關鍵信息，重複這些實驗需要耗費大量的時間和金錢，構建高性能的電池數據集可能需要多年的時間。

在這個領域中，NASA電池退化數據集是最有價值的，用於訓練和驗證ML算法，包括SVR、FFNN和LSTM，NASA數據集包含三種不同的操作曲線，記錄了各種鋰離子電池在不同環境溫度下從初始狀態（BOL）到終止狀態（EOL）的充電、放電和阻抗數據。

電池在充電時會一直以1.5安培的恆流模式充電，直到電壓達到4.2伏特，然後以恆壓模式繼續充電，直到電流降至20毫安，當電池容量下降30%時，即從2安時下降到1.4安時時，電池被視為已過時（EOL）。

我們從NASA數據集中提取特徵，特別是從放電曲線中提取的特徵，接下來對數據集進行了處理和過濾，以應對樣本數量的不穩定性。

使用預處理的數據來估算電池的SOH，這些步驟對NASA數據集中的放電數據進行了特徵提取和過濾。

在我們的研究中，電池的放電曲線是關鍵，每個電池周期的數據點數量因電池的壽命而異，新電池可能有5000個數據點，而老化電池可能只有700個，必須以相等間隔從每個電池周期的數據中提取關鍵特徵，以克服數據點數量不穩定的問題。

放電曲線中的關鍵特徵可以用於表示電池的當前狀態，我們考慮了代表不同電池壽命的電壓梯度退化點，這些點有助於應對電池數據的非線性問題。

所以，我們以可區分不同壽命的關鍵點作為輸入特徵，這些點對電池性能的影響顯而易見。

通過處理輸入特徵後，我們訓練了三種ML模型，FFNN、SVR和LSTM，並對它們在估算電池SOH方面的性能進行了比較，在評估這些模型時，我們使用了RMSE（均方根誤差）指標，用於度量估算SOH的準確性。

NASA電池退化數據集為我們提供了寶貴的實驗數據，用於開發和驗證ML算法以估算電池的健康狀態。

通過提取和處理放電曲線中的關鍵特徵，能夠構建準確的SOH估算模型，這種研究有望幫助提高電池的性能和安全性，對於電池技術的發展具有重要意義。

結論

電動汽車電池的健康狀況，以確保其安全運行，為了達到這個目標，研究人員探討了不同的電池建模技術，分為兩大類，基於物理的方法和數據驅動的方法。

在基於物理的方法中，最精確和全面的模型是電化學模型，由一組偏微分方程組成，這種模型非常複雜，難以在實時應用中監測電池的健康狀況，這就需要進一步研究以在模型複雜性和準確性之間找到平衡。

另一方面，數據驅動的模型利用機器學習算法和訓練數據來確定模型參數，儘管這種方法較為簡單，但其準確性受到訓練數據量和所選機器學習算法的影響。

獲取足夠的高質量數據是一項具有挑戰性的任務，而且目前還沒有通用的機器學習模型可以高精度地估計電池的健康狀況，需要繼續研究以找到模型精度和算法複雜性之間的平衡。

要進行性能比較，有必要使用相同電池和相同操作條件，對基於物理的和數據驅動的建模方法進行測試。

考慮使用可以在車輛運行期間進行訓練的深度學習神經網絡，準確的模型可以用於預測電池的SOH和RUL，從而確保電動汽車電池的安全使用。

為了公平、準確地比較不同數據驅動模型，需要進行通用驗證測試來估計電池的健康狀況，通過這些努力，我們可以更好地理解電池的健康狀況，提高電動汽車電池的安全性和性能，這對於電池技術的進一步發展至關重要。