多约束运行条件下大型LFP电池老化引起的压力特性与健康状态估计
《JOURNAL OF POWER SOURCES》:Aging-induced pressure characteristics and state-of-health estimation for large-format LFP batteries under multi-constraint operating conditions
【字体:
大
中
小
】
时间:2026年09月29日
来源:JOURNAL OF POWER SOURCES 8.4
编辑推荐:
## 主要贡献
- 构建了大尺寸方形LFP电池的多约束老化压力数据集。
- 分析了多种工作约束调节电池可逆压力的机制。
- 提出了一种新颖的电压-压力特征融合策略用于精确SOH估计,并在多种工况下得到充分验证。
## 1. 引言
大尺寸LFP电池凭借其卓越的安全性和成本
## 主要贡献
- 构建了大尺寸方形LFP电池的多约束老化压力数据集。
- 分析了多种工作约束调节电池可逆压力的机制。
- 提出了一种新颖的电压-压力特征融合策略用于精确SOH估计,并在多种工况下得到充分验证。
## 1. 引言
大尺寸LFP电池凭借其卓越的安全性和成本效益,已被广泛应用于大规模储能系统中,能够简化电池管理系统设计并提高储能系统的整体能量密度[1]。在充放电循环过程中,正负极材料的晶格相变引起动态偏摩尔体积变化[2],宏观上表现为周期性膨胀与收缩。受电池模组内机械约束的作用,这种体积形变进一步转化为显著的循环压力波动[3]。与小尺寸电芯相比,大尺寸电池具有更大的堆叠厚度,导致更明显的累积形变和独特的压力演化行为。因此,研究多约束条件下大尺寸LFP储能电池的循环压力老化特性,对于揭示压力演化机制和开发高精度压力融合状态健康度(SOH)估计方法具有重要意义。
传统的SOH估计方法主要依赖于容易获取的运行数据,如电压和电流[4,5]。近年来电池机械传感技术的进步,包括嵌入式应变传感器[[6], [7], [8]]和外部薄膜压力传感器[9],使得压力信号在实际应用中得到了实际利用。先前的研究已充分验证了机械信号用于锂离子电池老化诊断和SOH估计的可行性。现有工作已阐明了黏弹性行为(如蠕变和应力松弛)与电池退化之间的相关性[10],并验证了包括不可逆压力[[11], [12], [13]]、内部气压[14]和厚度形变拐点[15,16]在内的机械指标与容量衰减和锂储量损失之间存在强耦合关系。此外,多种压力衍生特征已被用于锂沉积检测[17,18]、老化模式识别[19]和多工况SOH估计[20,21],为基于机械信号的电池诊断建立了较为完整的理论和方法框架。
尽管先前的研究奠定了坚实基础,但大多数压力驱动的SOH估计研究集中在软包电池上,而具有更广泛工程适用性的大尺寸方形LFP电池仍未得到充分探索。由于方形电芯独特的包装结构和机械边界特征,现有方法无法直接迁移。此外,电池压力响应极易受到温度[22]、预紧力[11]、模组刚度[23]等因素的耦合效应影响。覆盖多约束工况的长期实验机械数据集仍然稀缺。各种边界条件如何影响基于压力特征的SOH估计器性能尚不清楚,相关方法的适用性和泛化能力的系统性验证也付之阙如。为填补这些研究空白,本工作开展了系统的老化实验,核心贡献为:(i)建立多约束测试矩阵,构建覆盖不同温度、预紧力和泡沫缓冲条件的方形大尺寸LFP电池机械数据集;(ii)系统比较和验证不同机械边界条件下纯电压模型、纯压力模型以及电压-压力融合模型的SOH估计性能。
本文组织结构如下。第2节详细介绍实验设置,包括机械约束夹具的设计与组装、电池压力测试平台的搭建、多约束测试矩阵的定义以及充放电测试方案。第3节介绍数据预处理、SOH标定、相关性分析,以及SOH估计算法和误差评估指标。第4节报告核心结果与分析:探讨多种约束下可逆/不可逆压力和容量退化的演化规律;比较电压和压力特征的老化相关变化;并基准测试不同模型的SOH估计性能。第5节总结主要结论并提出未来研究方向。
## 2. 实验
### 2.1 实验装置
图1a展示了本研究的实验装置,由机械夹具、温度试验箱(宁德众智,工作范围:?40 ~ +100 °C,精度:±2 °C)、电池测试柜(Stropower,输出电流:±300 A,精度:±0.05% FS;输出电压:1.5 ~ 6 V DC,精度:±0.05% FS)和数据采集仪器(Keysight DAQ970A,分辨率:6?位,直流电压精度:±0.003% FS)组成。嵌入电芯的机械夹具被放置在设定不同温度的温度试验箱中(为简化说明仅示一台)。粗黑实线表示连接充放电测试仪与方形电芯正负极的电缆、电压传感线和温度传感器。细红实线表示数据采集单元与压力传感器之间的信号线,蓝色线表示DAQ系统与主机之间的通信线。

图1b和c分别展示了机械约束夹具的设计细节和实物照片。该夹具采用钢板-螺栓系统夹紧方形电芯和压力传感器。采用邦川科技制造的电阻应变式压力传感器(测量范围:0 ~ 3 T;灵敏度:1.0 ~ 2.0 ± 0.1 mV/V;精度:0.1%FS;工作温度:?20 ~ 70 °C)。传感器标定和重复性验证的详细信息见补充材料S1。实验过程中,电芯以极耳朝上的方向放置,以模拟其在电池模组内的实际方向。电芯顶部比夹具顶部高出3 mm,以消除刚性端板对压力采集的干扰,如图1c中红色方框所示(该设置的理由和分析见第4.1节)。两个端板使用M16螺栓螺母组件紧固;选择半螺纹螺栓以减少组装过程中与钢板的刮擦和碰撞。在电芯与传感器之间插入浮动板,以缓解应力集中并在电芯表面实现均匀的面内压力分布。传感器使用M3螺栓固定在端板的几何中心。可在电芯与浮动板之间插入泡沫缓冲片,以调节模组级别的刚度。浮动板上加工有直径25 mm的通孔,与M16螺栓配合形成间隙配合装配,以消除摩擦效应。端板和浮动板均采用201不锈钢制造,高度与测试电芯相同。由于电芯顶部相对夹具高出3 mm,电芯底部不会与环境箱支撑底座摩擦。每块端板和浮动板的厚度均为20 mm。电芯膨胀时,钢板视为不可变形;它们仅水平平移并压缩压力传感器。受压时,传感器承载面的位移引起其内部惠斯通桥的应变驱动电阻变化,从而改变由数据采集(DAQ)系统记录的输出电压信号。
对电芯施加预设的初始载荷后,将电芯-夹具组件放入环境箱中48 h以进行应力松弛。期间环境箱保持关闭,同时连接电芯充放电电缆和传感器信号线。循环测试前,将环境箱设定为目标温度并稳定至少6 h,以确保电芯完全热平衡。达到热平衡后,将电芯完全放电。然后通过小增量调节紧固螺栓,使电芯压力收敛至预设初始载荷附近。循环过程中,电芯体积膨胀和收缩,受机械约束作用与压力传感器交互。DAQ系统读取传感器电压信号,并在主机上实时显示。压力值由传感器的标定电压-压力关联计算得出。
### 2.2 老化条件
本研究共采用22个规格相同的方形磷酸铁锂(LFP)电芯,每个额定容量为280 Ah。详细规格见表1。表中列出的"标称压力"由制造商在出厂测试中施加的夹持载荷换算而来,如官方电池数据表中所述。数据表中标注的夹持载荷为300 kgf。基于电池的承力面积(206.8 mm × 174.3 mm),计算得出标称压力为0.08 MPa(小数点后第二位之后截断)。
| 类型 | 方形电芯 |
|---|---|
| 正极 | 磷酸铁锂(LFP,LiFePO?) |
| 负极 | 石墨 |
| 额定容量 | 280 Ah |
| 标称压力 | 0.08 MPa(300 kgf) |
| 上限电压 | 3.65 V |
| 下限电压 | 2.5 V |
| 尺寸 | 206.8 mm × 174.3 mm × 71.5 mm |
为获取不同热条件下的电芯老化数据集,设置了五个环境温度等级(0、10、25、45和60 °C)。为在较宽范围内探究潜在的压力效应并保持标称压力在设计压力范围内,在60 °C循环的电芯上施加了五个预紧力等级(0.05、0.10、0.15、0.20和0.25 MPa),从0.05 MPa开始以0.05 MPa为增量。此外,对于60 °C测试的电芯,在0.10、0.15、0.20和0.25 MPa预紧压力下,额外制备了插入3 mm厚泡沫缓冲片的重复样本,以评估泡沫缓冲层对电芯压力响应的影响。详细的循环老化条件和对应的样本标识见表2。在该命名法中,"00-010-2"表示在0 °C、预紧压力0.10 MPa下测试的第二颗电芯,其他标签遵循相同规则。标识中带"F"的样本代表装配有泡沫缓冲片的电芯。
| 条件 | 温度(°C) | 预载(MPa) | 电芯1 | 电芯2 |
|---|---|---|---|---|
| 1 | 0 | 0.10 | 00-010-1 | 00-010-2 |
| 2 | 10 | 0.10 | 10-010-1 | 10-010-2 |
| 3 | 25 | 0.10 | 25-010-1 | 25-010-2 |
| 4 | 45 | 0.10 | 45-010-1 | 45-010-2 |
| 5 | 60 | 0.10 | 60-010-1 | 60-010-2 |
| 6 | 60 | 0.05 | 60-005-1 | 60-005-2 |
| 7 | 60 | 0.15 | 60-015-1 | 60-015-2 |
| 8 | 60 | 0.20 | 60-020-1 | 60-020-2 |
| 9 | 60 | 0.25 | 60-025-1 | 60-025-2 |
| 10 | 60 | 0.05(泡沫) | 60-010-F/1 | — |
| 11 | 60 | 0.15(泡沫) | 60-015-F/1 | — |
| 12 | 60 | 0.20(泡沫) | 60-020-F/1 | — |
| 13 | 60 | 0.25(泡沫) | 60-025-F/1 | — |
所有电芯连接至测试系统,按照预定义的充放电方案循环。循环期间,电池测试仪和数据采集仪器持续记录压力、电压、电流、容量和温度。压力信号以10 Hz采样,其他信号以1 Hz采集。在数据处理前,将1 Hz信号通过选取每第10个数据点进行降采样,使其采样率与压力测量一致。所有测试电芯采用统一的充放电方案。每完成100个循环进行一次基准性能测试(RPT);详细步骤列于表3。充放电C率、静置时间、热稳定化策略和RPT容量测量流程在所有测试条件下保持一致。注意,步骤12和13在RPT 1和RPT 2中被省略,这导致低温条件下电芯无法完全放电。在实验中发现该问题后,从RPT 3开始,每次RPT之前增加了一个0.2C放电序列(步骤12和13),以确保电芯完全放电。
| 步骤 | 操作 | 跳变条件 |
|---|---|---|
| 1 | 280 A恒流放电 | 2.5 V |
| 2 | 静置 | 1800 s |
| 3 | 56 A恒流恒压充电 | 3.65 V,14 A |
| 4 | 静置 | 1800 s |
| 5 | 56 A恒流放电 | 2.5 V |
| 6 | 静置 | 1800 s |
| 7 | 280 A恒流充电 | 3.65 V |
| 8 | 静置 | 900 s |
| 9 | 280 A恒流放电 | 2.5 V |
| 10 | 静置 | 900 s |
| 11 | 循环步骤7至10 | 100个循环 |
| 12 | 56 A恒流放电 | 2.5 V |
| 13 | 静置 | 1800 s |
| 14 | 56 A恒流恒压充电 | 3.65 V,14 A |
| 15 | 静置 | 1800 s |
| 16 | 56 A恒流放电 | 2.5 V |
| 17 | 静置 | 1800 s |
| 18 | 循环步骤7至17 | 综合容量和实验成本考虑 |
## 3. 方法
### 3.1 老化数据获取
SOH由容量衰减量化,定义如式(1)所示:
$$SOH = \frac{Q}{Q_0} \times 100\% \tag{1}$$
其中,$Q$表示当前放电容量,$Q_0$表示第一个循环的放电容量。早期的化成/调理效应可能导致各电芯之间的归一化差异。因此,采用第一个循环的测量容量作为所有测试电芯的归一化基准。
等效全循环(EFC)表示按第一个循环放电容量校准的累积循环次数,定义如式(2)所示:
$$EFC = \frac{Q_{tct}}{2Q_0} \tag{2}$$
其中,$Q_{tct}$表示总容量吞吐量(包括诊断循环)。
可逆压力定义为充电过程中某一时刻的压力与同一充电过程起始压力之间的差值。
不可逆压力增量指给定循环的充电起始点与第一个循环的充电起始点之间的压力差。
### 3.2 老化分析与数据处理方法
由于LFP材料具有线性锂化依赖的体积变化特性,全电池的压力拐点数与源于石墨相变的体积变化率拐点强烈相关[24]。本工作同步进行电压信号比较,以论证基于压力的电池老化分析的合理性。LFP电芯表现出极其平坦的电压平台,因此石墨相变点及其老化驱动偏移无法直接从原始电压曲线中识别。增量容量(IC)曲线[25,26]和微分电压(DV)曲线[27]是广泛采用的分析工具。这些曲线通过对容量-电压曲线沿各自轴求导得出,以放大可辨识的数据特征。
IC曲线的峰位对应于电压平台位置,而峰高反映了电压平台的长度[28]。对于DV曲线,峰位标记了石墨相变点[29],而峰高则提供了有关电池内部均匀性的信息[30]。3.2.1. DV曲线处理差分电压(DV)曲线的自变量为容量,这使其能够与压力曲线在共用横坐标下直接比较。直接对原始电压曲线进行数值梯度计算会产生噪声较大的DV数据。因此,需要进行噪声抑制和信号增强,以解析出明显的中心峰[28,31]。在此,采用Savitzky-Golay(S-G)算法对原始DV数据进行平滑处理。该方法能有效抑制噪声,同时保留信号的峰高和形态特征。S-G滤波器在长度为m的滑动窗口内执行局部最小二乘多项式拟合。本工作使用二阶多项式,如公式(3)所示:(3) y^(k) = a0 + a1*k + a2*k^2 其中 k ∈ [-p, p] 为窗口内的相对位置,p = (m?1)/2 为半窗大小,a0、a1、a2 为由最小二乘法确定的系数。平滑值由公式(4)的卷积给出:(4) y~j = ∑(从h=?p到p) ch * y(j+h) 其中 y~j 为第j点的平滑值,h 表示以j为中心的窗口内各点的索引,ch 为由窗长m和多项式阶数唯一确定的S-G卷积系数,y(j+h) 为窗口内第h点的原始数据。实际计算中采用半窗长度 p=20,窗长敏感性分析见补充信息S2。DV曲线的峰检测准则:对DV数据进行步长为1的数值梯度计算。在梯度由正转负的过零点处识别局部极大值(即峰位)。3.2.2. 压力曲线处理LFP电池的压力曲线呈现出显著的峰谷特征,直接反映了石墨负极的相变行为,为使用压力信号进行老化路径识别提供了理论支持。原始压力数据直接用于分析,无需额外平滑处理。压力曲线的峰谷检测准则:为了在相同的差分平滑条件下检测压力极大值和极小值,压力曲线经求导后,使用相同的S-G配置(半窗长p = 20,窗长敏感性分析见补充信息S2)进行平滑,生成dP/dQ(DP)曲线。DP信号由正转负过零处定义为压力曲线的极大值点。DP信号由负转正过零处定义为压力曲线的极小值点。3.2.3. IC曲线处理为与基于压力特征的SOH估算进行基准比较,从增量容量(IC,dQ/dV)曲线中提取的峰位特征被用作电压衍生特征。由于Savitzky-Golay算法要求自变量点均匀分布,因此无法采用与DV曲线相同的流程来获取IC曲线(见补充信息S2)。IC曲线由原始充电电压-容量数据计算得到。首先,将电压-容量数据插值到2.5 ~ 3.65 V范围内、步长为0.002 V的均匀电压网格上。然后,在插值后的容量序列上对电压网格进行数值梯度计算(步长=1),以生成IC数据。对IC数据进行数值梯度分析,在梯度由正转负的过零位置确定局部极大值(峰位)。3.3. 相关性分析方法采用Pearson相关分析来量化从电池测试数据集中提取的各老化指标之间的相关性。对于两个随机变量X和Y,Pearson相关系数ρX,Y量化其线性相关程度[20],计算如公式(5)所示:(5) ρX,Y = Cov(X,Y) / (σX * σY) 其中 Cov(X,Y) 表示X和Y之间的协方差,σX和σY分别表示X和Y的标准差。ρX,Y作为衡量特征与容量之间相关性的便捷指标。3.4. SOH估算算法电池老化特征通常存在多重共线性及严重的特征冗余问题,容易在使用传统最小二乘回归时导致过拟合。单独使用Lasso(L1)正则化模型在特征选择上稳定性较差,而单独的Ridge(L2)正则化无法剔除无关老化特征。弹性网络(Elastic Net,EN)集成了L1和L2正则化的双重约束,在自适应特征筛选与稳定模型求解之间取得平衡[32]。因此,本工作采用弹性网络模型来估算电池的SOH。建立线性模型以表征老化特征与SOH估算值之间的关系,如公式(6)所示:(6) y^i = w^T * xi 其中 yi 为第i个电池的SOH估算值,xi 为第i个电池的p维特征向,w 为反映各特征权重的p维系数向。弹性网络通过求解稀疏系数向量来实现模型拟合,其损失函数如公式(7)所示:(7) w^ = arg min_w ||y ? X*w||^2_2 + λ*P(w) 其中 arg min_w 函数表示使目标函数最小化的w值,y 为真实SOH值的n维向量,X 为n×p的特征矩阵,λ 为非负标量正则化强度系数,用于控制整体过拟合抑制强度。公式(7)右侧第一项通过最小二乘法实现,如公式(8)定义:(8) ||y ? X*w||^2_2 第二项 P(w) 如公式(9)所示:(9) P(w) = ((1?α)/2)*||w||^2_2 + α*||w||_1 右侧两项分别对应弹性网络的L1和L2正则化项。α 为正则化混合比例系数,取值范围为α∈[0,1],用于平衡L1和L2惩罚项的贡献。弹性网络需要同时优化两个关键超参数:正则化强度系数λ和混合系数α。为获得最优超参数组合,采用基于树结构帕尔森估计器(TPE)的贝叶斯优化进行超参数搜索[33]。正则化系数λ在预定义搜索范围内对数尺度采样,而混合系数α在指定区间内搜索。模型训练过程中,当目标函数的对偶间隙小于容差阈值10^-4时,视为达到收敛。同时设定最大迭代次数为20作为辅助终止准则,以确保优化稳定。3.5. 估算结果评估方法为定量评估SOH估算性能,采用均方根误差(RMSE)和平均绝对百分比误差(MAPE)作为误差指标。RMSE反映预测值与真实值之间的整体偏差,对大误差较为敏感。MAPE以相对误差形式表征预测精度,消除了量纲和量级影响。两种指标的组合可实现对拟合性能的全面评估。计算公式分别如公式(10)和公式(11)所示:(10) RMSE = √((1/n) * ∑(i=1到n) (y^i ? yi)^2) (11) MAPE = (1/n) * ∑(i=1到n) |y^i ? yi|/|yi| × 100% 其中 n 为样本数,yi 为真实值,y^i 为估算值。4. 结果与讨论4.1. 不同工况下的可逆压力电池可逆压力源于充放电循环过程中电极体积膨胀与外部机械约束之间的相互作用。电极体积变化源于锂离子嵌入和脱出过程中正负极活性材料颗粒的膨胀和收缩。图2a–c给出了展示电池、压力传感器和机械约束夹具之间相互作用的水平截面示意图。电池截面被简化为由负极-隔膜-正极组成的单层结构,压力传感器用弹簧模型表示。当电池膨胀时,电池推动浮板压缩传感器;当电池收缩时,浮板在传感器作用下向电池方向回移。所标示的传感器压力等于钢板对传感器施加力的轴向分量。图2. 不同工况下BOL充电过程中电池的可逆压力。(a) 电池端盖完全夹在夹具钢板之间;(b) 电池端盖伸出钢板之外;(c) 夹具装配有泡沫缓冲片;(d) 端盖伸出距离对可逆压力的影响;(e) 不同温度条件下的可逆压力;(f) 不同预紧力条件下的可逆压力;(g) 泡沫缓冲片配置下的可逆压力。当棱柱形电池端盖完全夹在钢板之间且无向外伸出(图2a)时,刚性端盖阻碍了钢板对电池施加均匀载荷,导致电池表面、钢板与传感器加载面之间的平行度较差。浮板与电池表面之间出现间隙,产生不均匀的表面应力分布,并降低了等效模量[34]。在此情况下可能出现以下问题:(1) 由于间隙存在,电池膨胀无法有效转化为钢板位移,导致压力测量出现异常。(2) 电池底部附近易形成应力集中,导致内部电流分布不均[35],并可能触发局部锂沉积[36]。(3) 平行度不良导致浮板平面与传感器轴向之间偏离90°,形成角度θ。传感器仅测量钢板力的分量,进一步扭曲了压力读数。因此,为获取电池真实的可逆压力信号,端盖不应被钢板夹持,而必须伸出钢板之外。类似实验装置可在参考文献[14,37]的照片中观察到。正式老化测试之前,表征了端盖伸出距离对压力测量的影响,结果如图2d所示。该图比较了端盖伸出距离为0、1、2和3 mm时,在1C恒流充放电循环(5 min静置间隔,预紧力=2000 N)过程中的可逆压力曲线。当端盖完全被钢板夹持(伸出0 mm)时,可逆压力幅值较低,且无法复现LFP电池特有的充电压力三阶段特征("升-降-升")。放电末端出现异常尖峰(以红色圆圈标注),该现象归因于电池体积收缩时钢板与传感器加载面平行度改善而产生的附加力分量。随着伸出距离增加,可逆压力幅值逐渐增大,典型的充电三阶段压力特征逐渐显现,放电末端的异常尖峰逐渐减弱。当伸出距离为3 mm时,放电末端的伪峰完全消失。在此条件下,电池表面、钢板与传感器加载面之间的平行度满足实验要求,浮板平面与传感器轴向之间的角度θ等于90°(图2b),电池表面承受均匀载荷。此时传感器报告的压力有效且对应于作用于电池表面的等效集中压力。进一步使用受载荷电池面积(203.8 mm × 174.3 mm)计算面可逆压力。图2e ~ f比较了三组电池的可逆面压力:在0.10 MPa预紧力下不同温度条件的电池、60°C下不同预紧力条件的电池以及60°C下装配泡沫缓冲片的电池。所绘压力曲线取自第一周期RPT测试中完整的CCCV充电段。显然,在较高温度和较大预紧力下可逆压力幅值更高。较大的可逆压力幅值对应于更大的传感器加载面位移和更大的电池净体积膨胀。电池体积膨胀表征电池对外部约束的抵抗能力。对于给定的模组刚度,更大的电池膨胀表明电极活性材料颗粒的体积变化主要向外释放,而非压缩电池内部空隙,这对应于更高的电池等效模量[38]。不同预紧力、温度和泡沫缓冲条件下等效模量变化的原因分别讨论如下。不同预紧力条件:增加外部压缩压力会进一步压缩电池厚度方向的内部空隙。过量电解液沿垂直于预紧载荷方向流动,电池孔隙率降低[39],多尺度内部接触更紧密[40]。粘结剂在压实后表现出更高的模量和强度[41],共同提升了电池等效模量。不同温度条件:电池表现为粘弹性体。机械压缩引发由内部电解液流动驱动的应力松弛[11]。电解液粘度η遵循Arrhenius关系[42]:(12) η = η0 * exp(Ea / (R*T)) 其中 η0 为前置指数因子,Ea 为粘性流动活化能,R 为通用气体常数,T 为绝对温度。温度升高降低电解液粘度,加快应力松弛动力学。在预加载阶段,高温测试的电池表现出显著的应力松弛,并经历多次压力调节周期(见补充信息S3),从而获得更高的实际压缩度和更大的等效模量。此外,低温电池的压力峰谷特征不够明显。该现象初步归因于较高电解液粘度导致整体膨胀速率减缓。泡沫缓冲条件:泡沫缓冲片安装在电池与浮板之间(图2c)。
由于泡沫吸收了部分电芯体积膨胀,传感器加载平面的位移不再等于电芯厚度增量;相反,它反映的是"电芯+泡沫"组件的总膨胀量。由于软质泡沫组分,该组件的整体模量远低于裸露电芯的模量,从而降低了可逆压力的量级。例如,电芯60-010-F的可逆压力量级保持在0.02 MPa以下(图2g),低于电芯60-010-1测得的约0.04 MPa(图2f)。同时,压力量级的减小反过来削弱了电芯内部的界面接触。
**4.2 容量衰减与不可逆压力增长**
图3a~f展示了三组电芯的SOH随EFC的退化以及不可逆压力增量随SOH的变化:不同温度下0.10 MPa压力条件电芯、60°C下不同预紧力水平电芯、以及60°C泡沫缓冲电芯。实心符号表示RPT过程中获取的数据点,实线连接相邻数据点。
不同温度下的实验结果表明,25°C循环的电芯表现出中等退化速率,而高温和低温条件均加速容量衰减(图3a)。0°C测试的电芯容量衰减最快,随后依次为60°C、45°C和10°C。图3b显示,60°C和0°C电芯的不可逆压力上升在早期循环即出现,并贯穿后续退化过程。不可逆压力的积累源于电芯厚度增加推动浮动板并压缩传感器加载平面。一般而言,高温加速电解质分解。锂离子与分解产物反应形成SEI组分,快速消耗可逆锂库存并导致容量损失[43]。同时,SEI生长引入不可逆的电极体积膨胀,产生多尺度应变并导致永久性电芯厚度增量。在低温循环下,不可逆锂沉积容易发生[44]。相应地,电芯厚度增长可归因于SEI形成与不可逆锂沉积的综合作用。相比之下,在10°C、25°C和45°C循环的电芯表现出极不显著的不可逆压力增长。值得注意的是,45°C电芯在早期循环中显示出轻微的不可逆压力下降,暂归因于装配相关效应和逐渐的蠕变效应。
下载:下载高分辨率图像(904KB)下载:下载完整尺寸图像
**图3** 不同工况下的容量衰减与不可逆压力增长。(a)不同温度下的容量退化;(b)不同温度下的不可逆压力增长;(c)不同预紧力水平下的容量退化;(d)不同预紧力水平下的不可逆压力增长;(e)泡沫缓冲电芯的容量退化;(f)泡沫缓冲电芯的不可逆压力增长。
不同预紧力条件的结果表明,在所研究范围内,预紧力对大型储能电芯的容量衰减影响有限。所有测试电芯的SOH均随EFC次数近似线性下降,且斜率相当(图3c)。总体而言,0.15 MPa压力下的电芯表现出最佳容量保持率。图3d展示了五种预紧力水平下电芯在老化期间的不可逆压力增长。一般而言,在相同SOH值下,容量保持率更好的电芯表现出更大的不可逆压力增量。不同预紧力下电芯之间的SOH衰减和不可逆压力增长的主要差异出现在早期循环阶段。例如,电芯60-020-1、60-025-1和60-025-2遭受快速初始阶段容量衰减,同时伴随缓慢的不可逆压力上升。此行为归因于装配不完善导致的电芯面内压力不均匀,从而恶化内部界面接触并诱发蠕变效应。随着循环进行,蠕变逐渐消退,容量衰减速率恢复正常水平。
对于泡沫缓冲测试,泡沫缓冲片主要改变不可逆压力的演化。图3e表明,与无泡沫对应物相比(图3d),插入泡沫在不同程度上缓解了不可逆压力增长。多孔泡沫吸收部分电芯体积膨胀并缓解模组内部的长期压力积累。所有泡沫缓冲电芯在早期循环中都经历了不可逆压力下降(图3f中的灰色虚线箭头)。这一现象源于泡沫蠕变:在机械载荷作用下,多孔泡沫结构逐渐塌陷,推动浮动板向电芯方向移动,降低传感器报告的压力。电芯60-010-F、60-015-F和60-020-F表现出明显的早期循环不可逆压力降低,同时伴随快速容量衰减。这一趋势类似于电芯60-020-1、60-025-1和60-025-2,归因于泡沫材料的长期蠕变。然而,电芯60-025-F实现了明显更好的容量保持率和与无泡沫电芯相当的更快不可逆压力增长。推测泡沫在初始预紧载荷下达到接近最大压缩状态,从而削弱了其缓冲和蠕变主导响应。需要强调的是,每个泡沫缓冲条件仅包含一个重复样本,未进行重复验证。上述解释因此作为假设提出。详细的机理研究超出本工作范围,需要进一步探索。
此前多项研究报告在不同预紧力下存在显著不同的容量衰减曲线[11,23]。高机械载荷下加速的容量退化被解释为长期疲劳驱动的SEI断裂-再形成过程加速活性锂消耗。在本工作所研究压力范围内未观察到此类行为。该发现表明,对于大型棱柱形LFP电芯,0.05 MPa至0.25 MPa范围内的预紧力对电芯容量保持率影响甚微。
**4.3 代表性工况下的压力演化**
本节选取电芯60-010-1(图4)和电芯00-010-1(图5)作为代表性实例,分析典型测试条件下的压力演化行为。
下载:下载高分辨率图像(873KB)下载:下载完整尺寸图像
**图4** 电芯60-010-1的电压与压力特征随老化的演化。(a)电压曲线;(b)微分电压(DV)曲线;(c)压力曲线;(d)dP/dQ(DP)曲线;(e)DV与压力曲线之间的对应关系;(f)基于电压特征和压力特征计算的LLI和LAM值。
下载:下载高分辨率图像(876KB)下载:下载完整尺寸图像
**图5** 电芯00-010-1的电压与压力特征随老化的演化。(a)电压曲线;(b)微分电压(DV)曲线;(c)压力曲线;(d)dP/dQ(DP)曲线;(e)DV与压力曲线之间的对应关系;(f)基于电压特征和压力特征计算的LLI和LAM值。
图4a展示了电芯60-010-1的RPT充电电压特征演化。随电芯老化,电压曲线除右端向左偏移外,形态变化不大。DV曲线中的特征峰解析出原始电压数据中的隐藏特征,在图4b中依次标注为①、②、③和④。循环过程中这些峰位偏移极小,表明活性材料损失轻微,主导老化机制为SEI膜生长引起的锂库存损失[11]。
与电压曲线右端左移一致,充电压力曲线在老化过程中沿纵轴也呈现整体向上偏移(图4c)。这表明压力曲线演化携带的信息比电压曲线演化更为丰富。除已有文献报道的不可逆压力上升外[11,45],三段式压力特征的峰幅和斜率随退化变得更加显著,这可从图4d中dP/dQ曲线偏离水平基线的增大中直观观察到。该现象暂归因于老化过程中电解质消耗与SEI层积累的综合作用。电解质减少削弱了液相的缓冲效应,致密的SEI占据内部空隙,导致电芯等效模量增加。
图4e以RPT 5为例,展示电压曲线与压力曲线之间的相关性。灰色曲线表示未经平滑处理的原始DV数据,其噪声严重,阻碍了对相变位置的准确识别。蓝色曲线表示噪声抑制后的平滑DV数据,具有明显的特征峰。相比之下,以相同采样率获取的原始压力信号具有定义良好的峰谷,无需额外平滑处理。压力曲线的峰谷位置用黑色虚线标记。DV曲线的峰③和④与压力曲线的峰谷一一对应,共同标记了石墨负极的相变边界(峰④对应LiC?? [14])。石墨锂化相变序列在图4e中示意;红色箭头指示连续的锂化阶段。最终阶段的不完全锂化代表锂库存损失(LLI)。
对于LFP电芯,正极的活性材料损失几乎不发生。相应地,可采用dV/dQ曲线上的峰④来量化LLI和负极LAM。峰④与充电截止点之间水平距离的减小反映LLI,而峰④与充电起始点之间水平距离的减小表征负极LAM。类似地,压力曲线上的谷值也可采用类似方式量化LLI和负极LAM。以RPT 1作为初始状态,电芯在不同残余容量状态下的LLI和LAM值计算结果见图4f。其中,V-LAM和V-LLI表示基于电压特征的结果,P-LAM和P-LLI对应通过压力特征计算的值。基于压力特征的算结果与基于电压特征的算结果具有良好的一致性,证明其作为电芯老化模式诊断指标的可行性。
图5a描绘了电芯00-010-1的RPT充电电压特征演化。随着老化进行,充电电压曲线右端向左偏移,恒压(CV)充电持续时间延长。RPT 1和RPT 2中观察到的过高初始电压源于电芯放电不完全:在每次RPT之前,电芯在循环老化条件下以1C放电,而低温下较大的极化阻止了完全放电。从RPT 3开始,在每次RPT充电序列之前增加了0.2C初步放电步骤,以实现电芯完全放电并消除该伪差(见第2.2节)。DV曲线中仅解析出三个峰(①、②和④)(图5b)。在低温下,离子传输动力学显著迟缓,电压平台之间的转变变得不明显[46],这解释了峰③的消失。排除前两次RPT循环的测量伪差后,老化过程中峰①和②表现出轻微左移,而峰④发生显著左移。石墨相关电压平台的缩短表明负极活性材料损失。
随老化,压力曲线的谷值位置和端点均向左上方偏移(图5c),与DV曲线中观察到的左移同步。随着退化进行,恒流(CC)充电期间压力曲线第三段的斜率持续上升(反映为图5d中CC充电后期DP曲线的异常增加)。Wang等人[47]和Huang等人[18]之前的报告将这种异常的dP/dQ上升与负极锂沉积联系起来。相应地,我们假设除正常的石墨锂化外,低温电芯的负极还发生了锂沉积,加速了压力曲线增长。在CV充电阶段出现明显的压力下降(图5c中虚线圈内高亮显示,附有放大视图;对应区域在图5d中也已标记),这可能与负极内部锂的重新嵌入有关。需要注意的是,观察到的压力特征仅与上述老化机制指标一致。缺乏独立的支持性测量,这些特征不能作为所提出机理的直接实验证据。此外,低温压力曲线所有三段的倾斜度随老化变得更加显著,表明电芯等效模量增加。
图5e以RPT 9为例,展示电压曲线与压力曲线之间的相关性。DV特征峰④位于压力最低点的左侧。由于低温条件下扩散迟缓,早期嵌入的锂离子改变负极电位;然而,部分锂离子仍在传输中。在负极内充分的锂化膨胀发展之前,正极经历脱锂驱动的收缩,导致压力谷值位置的滞后。石墨锂化相变序列在图5e中示意,红色箭头表示连续的锂化阶段。浅灰色区域代表由死锂等围堵在石墨颗粒周围的副反应产物引起的活性材料损失。第三阶段压力段内深灰色外缘区域表示与异常压力增长相关的锂沉积。以RPT 4作为初始参考状态,不同残余容量状态下计算的LLI和LAM值汇总于图5f。
该电芯的整体容量退化受到锂存量损失和负极活性材料损失两方面的可比贡献。综上所述,充电压力曲线不仅能够识别石墨相变位置的集中区域并量化负极活性材料损失的严重程度,还能捕捉电池老化过程中由机械效应引起的弹性模量变化,并间接反映电解液消耗和副反应产物的积累。因此,从充电压力曲线中提取的特征可用于SOH估计。
4.4. 老化特征的选择与相关性分析
为实现基于压力特征的SOH估计,选取充电压力曲线的起始点、终止点和拐点作为老化特征提取的参考标记点(图6c)。起始点、峰值、谷值和终点处的压力值分别记为P?、P?、P?和P?。P?、P?和P?相对于其前一标记点的绝对压力差定义为A?、A?和A?,代表特征压力幅度。P?、P?、P?与其前一标记点之间的充电容量差定义为Q?、Q?和Q?,代表区间长度。
下载:下载高分辨率图片(677KB)
下载:下载全尺寸图片
图6. 老化特征定义与相关性分析。(a)和(b)基于电压的特征;(c)基于压力的特征;(d)各特征与SOH之间的相关系数;(e)各特征之间的两两互相关系数。
为了与基于压力特征的SOH估计进行基准对比,从IC曲线的特征峰构建基于电压的特征(图6b)。按升序排列的三个主要IC峰对应的电压分别记为U?、U?和U?(分别对应A?、A?和A?)。这三个峰的幅值分别记为IC?、IC?和IC?,反映电压平台长度(分别对应Q?、Q?和Q?)。为与压力特征数量匹配,将初始充电电压定义为U?(对应P?,图6a)。因此,分别获得七个基于压力和电压信号的老化特征,这些特征分布在三个相同区间内(区间1、区间2和区间3,图6a),以保证在数量和物理含义上一一对应。
对所有实验样本提取特征,计算每个特征与SOH之间的皮尔逊相关系数,如图6d所示。在所有特征中,IC?与SOH的绝对相关系数最大(≈0.895),其次是Q?(≈0.828)。除IC?外,大多数基于电压的特征与SOH的相关性较低。对于基于压力的特征,除Q?外,A?、A?和P?也与SOH表现出较高的相关性。与电压信号不同,压力信号表现出多个与SOH相关的特征。
图6e总结了各特征之间的两两皮尔逊相关系数。IC?与Q?之间存在高度互相关,因为这两个量都与从LiC??相到截止电压的充电持续时间有关。电压特征U?、U?和U?之间观察到强烈的互相关,这源于石墨固有的锂化电位,并受到石墨负极固有物理性质的约束。对于基于压力的特征,P?、A?和A?之间存在强烈的互相关。一方面,初始充电压力调节电池的等效模量,并进一步放大可逆压力的幅度。另一方面,不可逆压力的累积与电池老化耦合;老化后的电池具有更高的模量,因此产生更大的可逆压力幅度。A?与(P?、A?、A?)之间的弱相关主要源于Q?的约束。Q?在老化过程中减小,进而调节A?的幅度。
4.5. SOH估计结果
为评估模型在未见过运行条件下的泛化能力,本文采用留一条件交叉验证方法。数据集由13个不同的运行条件组组成。每次迭代中,保留一个条件组作为测试集,其余12个条件组用于模型训练。所有预处理、归一化、特征选择和超参数调优步骤仅在训练子集上进行。该循环迭代进行,直到所有13个条件组都作为测试集使用。获得各条件对应的估计误差指标,以定量表征模型在不同运行场景下的适应能力。对三种特征配置进行比较评估:仅电压特征(7个特征)、仅压力特征(7个特征)和电压与压力融合特征(14个特征)。
同时,将六种代表性算法——线性回归(LR)、Lasso回归、Ridge回归、支持向量回归(SVR)[48]、随机森林(RF)[49]和LightGBM(LGB)[20]——与弹性网络(EN)模型进行比较,以评估算法在电池SOH估计中的适用性。LR、Lasso和Ridge是经典线性模型。SVR可通过核函数捕获弱非线性关系,适用于样本量有限且特征维度较低的场景。作为典型的集成学习模型,RF能够建模复杂的非线性特征交互,被广泛用作强非线性基线。LightGBM是一种高效的基于树的模型,建立在梯度提升和源自随机森林框架的正则化机制之上[32],代表最先进的非线性学习方法。为保证比较的公平和严格性,所有七个模型均采用相同的数据集划分规则和交叉验证方案进行评估。图7d和e总结了不同模型在13个条件组上的平均估计误差(平均误差计算时每个条件赋予等权重,以下同)。
下载:下载高分辨率图片(934KB)
下载:下载全尺寸图片
图7. SOH估计结果。电芯60-005-2的SOH估计结果:(a)仅使用电压特征、(b)仅使用压力特征、(c)电压-压力特征融合;(d)所有运行条件下的RMSE和(e)MAPE;(f)排除泡沫缓冲条件后的RMSE和(g)MAPE;(h)不同充电区间的RMSE和(i)MAPE。
从RMSE结果来看,对于所有模型,仅压力特征以及电压-压力融合特征配置的估计性能均优于仅电压特征配置。线性模型在仅压力特征和电压-压力融合设置下表现出特别优异的性能。根据MAPE结果,非线性模型在仅压力特征情况下表现退化,这表明压力特征随SOH的变化趋势倾向于遵循线性关系。总体而言,采用融合电压-压力特征的EN模型达到了最低的平均估计误差。
对于EN模型,按温度、预紧力和泡沫缓冲条件分组的误差分解总结在表4中,其中每个报告值表示相应条件下样本的平均RMSE。表5列出了按所有条件下SOH区间分组的误差分解,呈现所有样本的平均RMSE。详细的误差分解图见补充信息S4。
表4. 按温度、预紧力和泡沫缓冲条件分组的误差(RMSE)分解。
| 条件 | 温度(°C) | 预紧力(MPa) | 电压 | 压力 | 电压+压力 |
|------|------------|--------------|------|------|----------|
| 1 | 0 | 0.10 | 3.149 | 2.160 | 2.285 |
| 2 | 10 | 0.10 | 1.566 | 1.353 | 0.799 |
| 3 | 25 | 0.10 | 1.863 | 0.590 | 0.476 |
| 4 | 45 | 0.10 | 0.681 | 0.961 | 0.353 |
| 5 | 60 | 0.10 | 2.682 | 2.483 | 2.178 |
| 6 | 60 | 0.05 | 1.199 | 0.632 | 0.661 |
| 7 | 60 | 0.15 | 1.112 | 1.743 | 1.413 |
| 8 | 60 | 0.20 | 1.747 | 1.223 | 1.422 |
| 9 | 60 | 0.25 | 1.585 | 0.498 | 0.979 |
| 10 | 60 | 0.05(泡沫) | 1.306 | 2.254 | 2.396 |
| 11 | 60 | 0.15(泡沫) | 1.956 | 2.972 | 2.974 |
| 12 | 60 | 0.20(泡沫) | 2.113 | 2.734 | 2.843 |
| 13 | 60 | 0.25(泡沫) | 1.431 | 0.423 | 0.508 |
表5. 按所有条件下SOH区间分组的误差(RMSE)分解。
| SOH区间 | 电压 | 压力 | 电压+压力 |
|---------|------|------|----------|
| 95-100% | 1.527 | 1.129 | 1.144 |
| 90-95% | 1.079 | 1.199 | 1.156 |
| 85-90% | 1.569 | 1.592 | 1.551 |
| 80-85% | 3.169 | 2.095 | 1.115 |
根据误差指标,在仅电压、仅压力和电压-压力融合配置下,低温和高温条件均观察到较高的整体RMSE值。在10°C至45°C的温度范围内获得了相对优越的估计精度。预紧压力也影响模型的预测性能。除了0.15 MPa的情况外,在其他所有预紧力条件下,纳入压力特征后平均误差均降低。对于泡沫缓冲条件(除0.25 MPa组外),仅压力特征和电压-压力融合配置下的估计误差相较于仅电压基线有所增加。如4.2节所讨论,电芯60-025-F根据容量保持率和不可逆压力增长表现出良好的机械载荷和有限的泡沫蠕变。因此推断泡沫结构会干扰基于压力特征的SOH估计。不同SOH区间上的估计结果显示,随着退化的进展,仅电压和仅压力方案的平均估计误差均上升。相比之下,电压-压力融合方案在所有SOH范围内保持稳定的性能。
以电芯60-005-2为例,在仅电压、仅压力和电压-压力融合特征设置下,EN模型的SOH估计结果分别绘制在图7a、b和7c中。为解决小样本条件下构建预测分布的困难,利用所有交叉验证测试残差构建预测区间(PI),以量化SOH估计的不确定性。假设模型残差服从零均值高斯分布。计算所有测试样本的残差标准差,并基于正态分布性质构建95%预测区间,如图7a~c中的粉色阴影区域所示。估计的SOH值聚集在置信区间中心附近,表现出可靠的估计性能。
如4.1节所分析,插入泡沫将测量对象从裸电芯变为"电芯+泡沫"组件,这大幅扭曲了获取的压力读数。相应地,排除四个泡沫缓冲条件,对剩余九个条件进行留一条件交叉验证,以调查模型精度是否受测量组件的影响。整体估计误差如图7f和g所示。移除泡沫缓冲数据集后,所有模型的仅压力和电压-压力融合预测误差均降低,线性模型的改善尤为显著。这证实了基于压力的SOH估计精度取决于结构一致性。实际模组应用应考虑气凝胶层和水冷板等组件引起的压力扰动。
为评估使用分段充电数据的估计性能,按照相同的验证流程研究了图6a中定义的三个分段。各分段对应的特征列于表6中。使用EN模型对九个无泡沫条件的分段数据进行留一条件交叉验证,各分段的平均估计误差总结在图7h和i中。对于所有三个分段范围(区间1~3),基于压力的特征均实现了优于基于电压特征的估计性能。如图6d和e所示,与电压相关的特征存在严重的多重共线性,信息高度重叠,这限制了模型可获取的独立有效信息量。同时,电压信号对极化效应敏感,在多重约束条件下表现出特征漂移。相比之下,同一区间内的压力幅值和容量偏移特征反映不同的退化机制,如其相关系数符号相反所示,且特征间冗余度较低。某些线性相关性较弱的压力特征仍携带非线性退化信息,在弹性网络正则化下可补偿主要特征的预测残差。对于区间3,尽管最优电学特征IC?与SOH具有0.895的高线性相关系数,高于最佳压力特征Q?的0.828,但负相关的A?可补充Q?并提高预测精度。此外,压力信号对充放电极化不敏感,在可变热边界条件下表现出更优异的鲁棒性。因此,在每个分段范围内,基于压力的模型均提供了整体更好的性能。
表6. 不同充电区间的特征。
| 空电芯 | 区间1 | 区间2 | 区间3 |
|--------|-------|-------|-------|
| 电压 | U?, U?, IC? | U?, IC? | U?, IC? |
| 压力 | P?, A?, Q? | A?, Q? | A?, Q? |
需要注意的是,本文中的所有电芯均在温度箱内进行循环,SOH估计使用标准化的RPT数据进行。未考虑运行温度和电流倍率的波动。受实验条件限制,实际电池模组中的内部温度梯度、压力重新分布、传感器老化和机械耦合均未进行研究或验证。因此,所提出的方法存在一定局限性,仅适用于受控的诊断测试场景。为探索动态运行条件对压力特征的影响,补充了一组短周期动态测试并进行了讨论,如图8所示。在变电流条件下,压力和电压曲线均发生畸变。对于压力信号,P?值上移,降低了相关特征A?和A?的幅度。相比之下,P?的幅度表现出弱的倍率依赖性,因此A?几乎不变。对于电压信号,高电流引起极化,使电压平台展宽并改变初始充电电压,从而严重降低所有七个基于电压的特征。即使微小的电流扰动也会改变电压曲线形状(图8b和c中的蓝色电压曲线,显示电流激励引起的电压极化)。虽然通过小电流激励下的短期电压差计算内阻可支持SOH估计,但此类方法超出了本文的范围。与电压信号相比,压力信号对微小的电流扰动不敏感。图8b和c中的黑色压力曲线在微小电流激励下显示可忽略的变化。只要充放电程序覆盖对应于压力拐点的石墨相变阶段,无论电压范围还是变电流运行模式,都可以观察到明显的压力极大值和极小值(图8f和g),证明了压力信号的鲁棒性。因此,在多种充电条件下提取压力特征能够进一步扩展所提出的方法。
下载:下载高分辨率图片(482KB)
下载:下载全尺寸图片
图8. 不同电流条件下的压力和电压曲线。
5.
结论
本工作针对大型棱柱形磷酸铁锂电池进行了多约束条件下的长期老化实验,系统研究了边界条件(环境温度、预加载力和泡沫缓冲)对循环压力演变和 SOH 估计的影响,并验证了压力特征融合算法在大型电池健康评估中的有效性。研究发现,受各种边界条件影响,电池的不可逆压力并非随老化单调增加,而是呈现出复杂的动态演变特征。同时,磷酸铁锂电池可逆压力的极值范围及相应的压差与电池 SOH 高度相关,可作为高精度老化评估的有效特征。交叉验证下的 SOH 估计结果表明,与仅电压模型相比,电压 - 压力融合模型能显著提高估计精度。需明确的是,该方法仅适用于标准化的受控 RPT 诊断充电条件。该方法尚不适用于泡沫缓冲模块的复杂约束场景,且其在实际复杂动态电流运行条件下的有效性和稳定性尚未得到验证。未来研究将聚焦于动态运行条件,探索基于压力的特征的老化识别能力,并进一步提高基于压力的 SOH 估计方法的工程适用性和泛化能力。
CRediT 作者贡献声明
Shuaibang Liu:撰写 – 原稿,可视化,调查,形式分析。Xiaoyu Li:撰写 – 审阅与编辑,方法论。Peiqiang Zhao:验证,软件。Fangming Wu:资源,调查。Hao Li:数据管理。Jiuchun Jiang:项目管理,资金获取。Wenwei Wang:撰写 – 审阅与编辑。Xiao-Guang Yang:撰写 – 审阅与编辑,概念化。
Shuaibang Liu|Xiaoyu Li|Peiqiang Zhao|Fangming Wu|Hao Li|Jiuchun Jiang|Wenwei Wang|Xiao-Guang Yang
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号