从电动车到固定式储能：基于电化学阻抗谱的二寿命锂离子HAWKER蓄电池健康状态评估

精确评价二手锂离子电池的健康状况(SoH)对其在各二次使用场景中的适用性断定至关重要。电化学阻抗谱(EIS)被视为SoH预算的有效手段，该办法不只能辅佐健康状况评价，还可量化电池单体内部发生的退化形式。由于二手电池在细微应力条件下更易发生功能衰减，精确的SoH预算显得尤为重要。本研讨选用计算高效的极限树回归器(ETR)模型预算二手高能量软包电池的SoH。该模型在静态条件下练习并在动态条件下测验，展现出优异功能：最大均匀肯定误差为0.0024，均匀肯定百分比误差(MAPE)为0.0026。此外，本研讨选用分数阶等效电路模型拟合电化学阻抗谱，以辨认等效电路参数，进而确认电池单体内部的首要衰减形式（电导率下降、锂离子背包丢失及活性材料丢失）。

图文摘要

2024年第一季度，全球电池需求总量达到230吉瓦时（GWh）的前史峰值，其间电动汽车电池占比达72%。固定式储能商场亦呈现明显增加态势，同比涨幅接近40%。这一增加趋势预计将继续，2024年末全球电池总需求有望突破1太瓦时（TWh）[1]。二次使用电池（尤其是电动汽车退役电池改造的储能体系）为动力存储与资源办理供给了可继续解决方案。这些电池一般可保存约70-80%的原始容量[2,3]，可使用于多种场景，包含电网级储能[4]、住所动力体系，以及为电信设备和电动汽车充电站供给备用电源。此类电池的梯次使用不只延长了其使用寿命，还降低了对新电池生产的需求，然后减少了原材料挖掘与制造进程相关的环境影响[5]。此外，与全新电池体系相比，二次使用电池（second-life batteries）可明显降低成本，使其成为消费者和工业范畴经济可行的挑选[6]。精确猜测二次使用电池的健康状况（State of Health, SoH）关于保证其在新式使用中的牢靠性与安全性至关重要。SoH预算触及确认电池的剩下容量与整体健康状况，这关于防备故障和优化功能具有决定性含义。先进办法（例如将人工神经网络与卡尔曼滤波器相结合的技能）在供给牢靠的电池健康状况（SoH）猜测方面已展现出明显成效[7]。这些办法关于二手电池尤为重要，由于其功能会因前史使用情况和当前运转条件而发生明显差异。经过精确猜测SoH，可以更有效地办理二手电池，保证其高效整合至储能体系及其他使用场景，然后全面提升其归纳功效与使用寿命[8]。
了解电池退化现象关于精确预算电池健康状况(SoH)至关重要，但根据电池办理体系(BMS)中电压、电流和温度传感器的传统办法尚不充分[9]。电池内部的退化机制具有高度杂乱性，需求选用先进技能进行解析。现在学界选用破坏性和非破坏性两类办法在微观标准层面展开退化剖析。在非破坏性检测技能中[10]，电化学阻抗谱(EIS)因其能深入提醒电池内部进程而具有一起优势。该办法经过在宽频范围(kHz至mHz)施加小幅度电压或电流信号，并丈量电池的呼应特性[11]。这种技能可以有效辨认电解液分化、固体电解质界面膜(SEI)成长、电荷转移及电池内部分散等要害进程[12]。正常工况下电化学阻抗谱（EIS）特征的一致性使其成为锂离子电池健康状况（SoH）评价的牢靠办法。因此，本文选用EIS技能进行SoH评价，使用其鲁棒性和牢靠性优势。
电池的重复充放电循环不只会削弱其可用容量，还会增加内阻，导致功率和能量功能下降[9]。由于无法直接丈量电池健康状况(SoH)，促进学界广泛展开直接评价电池健康的研讨。研讨者选用的SoH评价办法首要包含根据物理的模型[13,14]、数据驱动模型[15,16]以及混合模型[17,18]。根据物理的模型依赖于电化学模型和等效电路模型，经过求解偏微分方程来了解电池内部发生的化学反应[19]。与根据物理的模型相比，等效电路模型更常用于电池状况估量[20]。这些办法一起促进了对电池健康状况和功能更精确、更全面的了解。
在锂离子电池建模中，等效电路模型(ECM)选用电压源、电阻器、电感器和电容器等电气元件来表征充放电特性[21]。经过近似模拟电池的动态行为，ECM能有效捕捉电流-电压(I-V)特性及瞬态呼应。这类模型可分为频域模型和时域模型[22]。根据I-V呼应数据的时域模型由于计算效率优势，一般更适用于实践工程使用。另一方面，频域模型使用电化学阻抗谱（EIS）数据，经过宽频范围内的精确丈量来剖析电池的电化学阻抗特性[23]。常见的等效电路模型包含阻容网络模型[24]、非线性等效电路模型[25]以及戴维南模型[26]。尽管这类模型结构简略且杂乱度较低，但由于电池内部效果机理的杂乱性及工况条件的多变性，等效电路模型在精确表征电池动态健康特征方面仍存在局限性。此外，不同类型电池内部参数存在明显差异，这阻碍了根据等效电路模型的健康状况估量办法在不同电池间的普适性推行。
根据电化学阻抗谱（EIS）的锂离子电池健康状况（SoH）预算办法首要可分为两类：根据模型的办法与数据驱动办法[27]。根据模型的办法（如等效电路模型（ECM）办法或根据物理原理的电化学办法）需经过求解偏微分方程完成。而数据驱动办法的优势在于模型可以自主从前史数据规律中学习并猜测未来数值。Y. Zhang等[28]选用高斯进程回归（GPR）模型根据EIS数据完成容量预算。YH Lin等[29]提出了根据物理信息的深度学习结构用于预算电池容量。Q. Zhang等[30]提出了一种概率模型，该模型以电荷转移阻抗、温度和SoC作为输入参数来预算SoH。锂离子电池的退化是一个极点杂乱的进程，其受多种条件影响，包含充放电倍率、环境温度、电池内部温度、存储时的SoC状况，以及充放电进程中循环深度等要素。由于电池在动态条件下的行为存在差异，开发适用于多种动态条件的老化模型极具挑战性。虽然文献中已有针对首循环电池的电化学阻抗谱建模办法，但现有模型存在空白——这些模型仅考虑电动汽车使用中阅历首循环的电池，而未能对阅历二次循环的电池进行电化学阻抗谱建模。由于二次循环电池具有多样化的衰减前史，其健康状况建模面对许多挑战。关于这类电池而言，精确预算健康状况好不容易，由于针对新电池规划的办法或许无法适应其一起的衰减特性。现在文献中没有建立高能量二次循环电池的电化学阻抗谱建模办法。
本文开发了一种根据集成办法（称为极点决策树回归器）的低计算量机器学习模型，用于电池健康状况（SoH）预算。特征是从与电池SoH高度相关的电化学阻抗谱（EIS）曲线中，在特定频率下精心提取的。该模型根据16个在稳定工况下老化的电池单元数据进行练习，并选用全球一致轻型车测验循环（WLTC）工况，对2个在动态工况下老化的不同电池单元进行测验。第一批测验电池单元处于实践行驶工况中，因此选用2个电池单元在动态工况下进行SoH预算。此外，本研讨还对导电性衰减、锂背包丢失及活性材料损耗等首要退化形式进行了定量剖析。论文的首要贡献可概括如下。

• 1.
  从一辆电池健康状况不知道且具有不同道路使用前史的电动汽车中，共提取18个s-life电池单体，在不同界说的条件下进行老化测验以生成鲁棒性数据集。
• 2.
  根据电化学阻抗谱数据，开发了一种选用集成办法的机器学习模型，用于预算电池在恒流和动态工况下的健康状况。
• 3.
  建立了一个等效电路模型来拟合数据，以确认跟着电池随时刻老化，哪些退化形式会被扳机触发。