《Energy and AI》:Predictive value of degradation modes for electrode-resolved DC resistance in lithium-ion batteries
编辑推荐:
在锂离子电池中,容量衰减和电阻增长在全电池(full cell, FC)层面是耦合的,但容量相关的退化信息能否在单个电极层面预测电阻仍不清楚。降解模式分析(degradation mode analysis, DMA)通过量化锂库存损失(loss of lit
在锂离子电池中,容量衰减和电阻增长在全电池(full cell, FC)层面是耦合的,但容量相关的退化信息能否在单个电极层面预测电阻仍不清楚。降解模式分析(degradation mode analysis, DMA)通过量化锂库存损失(loss of lithium inventory, LLI)以及负极(LAMNE)和正极(LAMPE)活性物质损失,产生候选预测因子。研究人员使用18个具有富镍正极和石墨负极的三电极电池,在六种存储、循环和快充协议下老化,评估了这些因子对电极分辨直流(direct current, DC)电阻的预测价值。残差化置换检验表明,对于两个电极,降解模式包含超越检测序号和基于容量的健康状态的电阻信息。随后使用支持向量回归进行特征集消融、老化路径泛化和温度外推。特征集消融表明,降解模式改善了超越运行条件基线的预测,正极(positive electrode, PE)的收益大于负极(negative electrode, NE)。老化路径泛化表明,迁移受到训练数据中联合降解模式和电阻空间的约束。相似的LAMPE在不同老化路径中可伴随不同的PE电阻增长,而LLI有助于区分这些状态。FC电阻特征恢复了PE迁移精度并改善了NE预测。对于温度外推,可学习的Arrhenius层将未见温度的均方根误差(root mean square error, RMSE)降低了最多66%。因此,降解模式携带关于电极分辨电阻的预测信息,但这种映射是电极不对称且路径依赖的。将其与FC电阻和物理信息温度建模相结合,为非侵入式电极级功率衰减诊断提供了更可靠的基础。
降解模式对锂离子电池电极级直流内阻的预测价值研究
锂离子电池老化表现为两类耦合指标:容量衰减限制能量存储,电阻增长制约功率输出、增加热损耗,并可能成为寿命终止的决定因素。尽管数据驱动的容量衰减预测已较成熟,电阻预测尤其是电极分辨直流(DC)电阻的监督预测仍相对空白。电极级电阻决定各电极在负载下的过电位,直接限制快充电流选择与锂析出安全边际,也可用于修正准开路电压(pseudo-open-circuit voltage, pOCV)曲线。然而,全电池(FC)聚合信号无法直接解耦正负极各自的电阻贡献。降解模式分析(DMA)可从FC pOCV曲线中无参比电极地提取电极级退化描述符——锂库存损失(LLI)、负极活性物质损失(LAMNE)和正极活性物质损失(LAMPE)——这些量在物理机制上与电极电阻相关联,如SEI生长同时增大LLI与负极电阻,Ni-rich正极表面重构在增大LAMPE的同时提高正极电阻。但此类关系是否可作为电极分辨DC电阻的监督预测特征,尚未经三电极真值验证;共享老化时间趋势还会虚化表现,需要严格的置换检验与交叉验证保护。本研究即针对这一空缺展开。
研究人员构建了18个EL-CELL? PAT-Cell三电极电池(NMC 955正极/石墨负极/锂金属参比电极,LP572电解液),在六种老化协议下老化:100% SoC存储(CAL)、30–70% SoC慢循环加速存储(CALacc)、全区间循环(CYCfull)、低SoC区间循环(CYClower)、高SoC区间循环(CYCupper)和混合快充协议(3N3F)。全部电池经历11次同步检测,共198个电池×检测观测。每次检测包含pOCV/DMA(25°C,C/25或C/50)测量容量健康状态(SoHC)与三个降解模式,以及混合脉冲功率表征(hybrid pulse power characterization, HPPC,1C、20s脉冲,5–7个SoC点,10/25/40°C三温度)获得FC、NE、PE的欧姆电阻与DC电阻。研究采用两阶段分析框架:第一阶段以残差化置换检验评估DM是否携带超越老化进度的非冗余电阻信息;第二阶段以支持向量回归(support vector regression, SVR)评估特征集消融、老化路径迁移和温度外推三个递进场景的预测性能。物理信息SVR(physics-informed SVR, PI-SVR)嵌入可学习Arrhenius层,把温度依赖从特征向量中抽出并转化为变换空间中的内插问题。研究定义了8个特征集(X1–X8),从仅运行条件、加入SoHC、加入三个DM、加入FC电阻特征直至全集。所有评估采用逐电池(leave-one-cell-out, LOCO)GroupKFold交叉验证防止信息泄漏。
主要结果如下:
依赖老化路径的退化与电阻演化:六条路径产生明显不同的DM轨迹。CALacc达到最高LLI(32.0%)和SoHC=69%且伴高LAMPE(26%);CYCfull与3N3F的LAMPE分别达26%和23%,但LLI较低;所有路径LAMNE均接近零(-1.6%~1.8%)。PE DC电阻平均约是NE的4.8倍,且PE变化范围远大于NE。
降解模式与电极电阻的相关性:各路径内LAMPE与PE DC电阻的Spearman相关系数超过0.96;NE无单一主导DM,LAMNE仅在部分路径领先(ρ=0.37–0.49),跨路径还存在Pearson符号反转,说明NE电阻受多因素共同决定。
降解模式信息的统计显著性:12个配置的绝对显著性检验全部通过(p≤0.002),增量显著性检验7/12通过,其中PE通过5/6、NE为2/6。NE的DM映射需要非线性函数(线性模型增量检验p=0.615未通过,多项式p=0.011通过),PE线性模型即足够(p=0.001)。
特征集消融:在分布内消融中,DM将NE的1?R2从0.175(X2)降至约0.105,是单一最大提升;PE从0.274降至0.012,降幅超一个数量级。全集X8下NE的RMSE=0.38Ω、MAPE=10.4%,PE的RMSE=0.38Ω、MAPE=2.1%。PE的低误差部分源于PE在FC信号中的结构主导地位。
老化路径迁移:以CAL+CYCfull训练、四条未见路径测试时,NE在X8的1?R2从0.101升至0.163,属部分迁移;PE在仅用DM时严重失效(X4的1?R2从0.012恶化至0.945),加入FC电阻特征后恢复至0.003(RMSE=0.46Ω、MAPE=3.0%)。CALacc因高LLI且远离训练分布而最难预测。
温度插值与外推:标准SVR对NE在未见温度下1?R2超过1(预测差于目标均值),PI-SVR将RMSE降低25–44%,但仍存在一个场景无法达到正R2。对PE,40°C留出时SVR的RMSE=1.24Ω,PI-SVR降至0.42Ω(66%),MAPE从17.4%降至4.6%。
讨论指出,电极不对称性有三个来源:PE电阻由R
FCDC?R
NEDC残差获得,FC特征天然编码PE目标;PE目标范围宽约15倍,信噪比更高;NE电阻受SEI增长、石墨活性物损失及过渡金属溶解/再沉积等方向相反的过程共同塑造,需非线性刻画。路径迁移失败归因于LAMPE的非唯一性——CALacc与CYCfull的LAMPE几乎相同(25.7% vs. 26.4%),但PE电阻增量相差近三倍(9.4Ω vs. 26.0Ω);LLI可部分区分这两种状态,但训练数据未覆盖高LLI×高LAMPE区域。Arrhenius层对PE温度外推效果显著,说明该归纳偏置在本数据集中有效。研究局限性包括无post-mortem数据、无法区分训练覆盖不足与特征表示不完整、PAT-Cell格式与商业电池的差距,以及化学体系有限。总体而言,这些发现表明降解模式组成与电极分辨电阻之间的联系超出了共享老化进程所能解释的范围;当包含FC电阻特征时,可在分布内、路径迁移和温度外推设置中实现精确的PE预测和有意义的NE趋势估计;物理信息Arrhenius层将该精度扩展至未见温度;剩余差距与训练覆盖不足和特征表示不完整一致,区分两者相对贡献是下一步关键工作。