国防科技大学孙巍巍、李宇杰Carbon Neutral.: 锂离子电池日历寿命预测模型研究进展

在碳中和的背景下，新能源发展迅速，特别是锂电池，已成功商业化。近年来，锂离子电池的日历寿命研究因民用新能源汽车、能源管理系统和军用贮备电源等领域的迫切需求而备受关注。由于锂离子电池日历寿命研究的长耗时特性，需要通过极端条件(高温和高荷电状态等)加速日历老化，并建立合适的模型预测其在实际服役条件下的日历寿命。因此，为了实现日历寿命的精准预测，研究人员对日历寿命预测建模做了大量的工作。

锂离子电池的寿命可分为长期静置贮存的日历寿命和经历连续充放电循环的循环寿命，以及综合考虑日历和循环的综合。其中，日历寿命的定义为：电池在一定的温度和荷电状态下长期贮存，电池性能衰减一定值(通常是容量衰减20%)时所经历的时间。作为一个复杂的系统，锂离子电池在使用过程中日历和循环老化通常是同时发生的，老化过程中的性能衰减原因并不单一。因此，为了更好地理解和评估电池寿命及其老化机制，需要单独讨论两种寿命。然而，目前有关锂离子电池寿命的相关研究，几乎都集中于循环寿命和综合寿命，单独对日历寿命的分析较少。随着新能源电动汽车领域的快速发展，锂离子电池的日历老化过程越来越受到重视，希望减小日历过程对电车使用寿命的影响；在能源管理系统领域，日历寿命一直是锂离子电池组一项重要的指标；在军用贮备电池领域，也一直希望能够用能量密度更高的锂离子电池替代一次贮备电池，以提升贮备电源的灵活性。以上几个领域，特别是后两个，对锂离子电池的日历寿命进行独立研究往往更加重要。锂离子电池在合适的贮存条件下，其日历寿命可达数十年甚至更多，显然不太可能在实验室条件下完成实际工作状况锂离子电池的日历寿命测试。因此，需要从日历老化的影响因素入手，极端化某些贮存参数，获得加速日历老化的数据集，通过模型化方法拟合日历数据，得到合适的模型，以预测实际服役环境中电池的日历寿命。

国防科技大学空天科学学院材料科学与工程系能源材料与器件研究团队孙巍巍副研究员、李宇杰教授、刘双科副教授、郑春满教授等人联合火箭军工程大学朱宇豪讲师、王渲军教授等人系统总结了目前锂离子电池日历寿命预测的建模方法，同时给出了电池日历寿命预测的一般流程和日历老化的影响因素。传统的日历寿命模型可分经验模型、机理模型以及经验-机理结合模型，近几年已经有研究人员将机器学习引入日历寿命预测，发展出了相应的知识-数据驱动模型。该工作从寿命预测模型的角度为锂离子电池日历寿命延长提供了一定的借鉴参考。

1、文章总结了日历寿命预测的一般流程及模型发展历程。

2、对现有的日历寿命模型进行了详细的总结并从传统模型和机器学习模型两个角度进行了合理的分类。

3、分析了不同模型在日历寿命预测上的优劣势。

要点1：锂离子电池日历寿命预测一般流程及模型分类研究

图1：锂离子电池日历寿命预测一般流程及日历模型发展概述。

图1(a-d)中锂离子电池日历寿命的一般流程，其中可分为日历数据获取、数据处理、模型拟合和日历寿命预测。图1(g-h)显示了模型的简要分类，(i, h)展示了传统经验模型、机理模型、经验-机理结合模型以及机器学习模型的发展(一个点代表一篇对应的研究在时间轴上的位置)及模型数量对比。

图2：日历寿命预测模型分类。

图2日历寿命预测模型的分类，传统模型发展从经验到机理，再到经验-机理结合，发展循序渐进；机器学习按照常理来说应该也经历从数据驱动到知识驱动，再到知识-数据驱动，但现有的研究中，似乎跳过了纯数据驱动的日历寿命预测过程，直接到了知识-数据驱动阶段。

要点2：传统日历寿命模型研究

图3：经验日历模型(a-d)基于电池容量衰减数据的经验模型，(e-f)基于电池阻抗增加数据的经验模型。

图3a展示了日历寿命的多项式经验模型拟合，图3（b, f）展示了根式模型拟合，图3（c, g）展示了根式和线性结合的模型拟合，图3（d, e）基于三维模型分析了日历寿命。

图4：机理日历模型。

图4a分析了日历老化过程中的SEI增长模型。图a（1）展示了开路电压下存储SEI的变化，图a（2）显示了负极石墨表面SEI膜的形成过程及形貌模拟，图a（3）为寿命开始(BOL)和不同SOC下存储后石墨表面的SEI厚度变化。图4b是一种结合了电、热和老化的DREMUS混合机理模型。图4c为一种结合SEI增长和P2D的混合机理模型。图4d是一种伪二维(P2D)机理模型。

图5：一种汽车和深空应用的锂离子电池日历老化经验-机理结合建模。

图5（a-d）展示了四种不同类型的锂离子电池的经验-机理结合的日历老化图，图5（e-g）分析了基于该模型预测的电池在对应服役环境下的日历寿命。

要点3：机器学习及模型对比研究

图6：已经应用于日历老化建模的机器学习模型。

图6a是一种基于自动相关性确定核函数的高斯过程回归模型(GPR)。图6b是一种常规的神经网络模型(NN)。图6c是一种结合了转移概念的支持向量回归模型(SVR)。图6d是极端梯度提升模型(XGBoost)的简单决策树。图6e是一种结合了转移概念的循环神经网络模型(RNN)。图6f是RNN的变体模型门控循环单元(LSTM)。

图7：不同模型预测日历寿命的精度对比。

图7（a, b）展示了一种只能特征选择的数据处理策略和该策略应用于不同的机器学习模型预测锂离子电池日历寿命(与传统特征选择相比)的平均绝对误差(MAE)和预测精度提升。图7c展示了三种不同的神经网络在日历寿命预测方面的精度比较。图7d展示了两种机器学习模型人工神经网络(ANN)和极端梯度提升(XGB)预测六种不同类型的锂离子电池日历寿命的平均绝对误差。图7e分析了传统机理模型(等效电路模型ECM)、经验-机理结合模型(半经验模型SEM)和机器学习模型(数据驱动模型DDM)的性能指标(平均绝对误差MAE、均方根误差RMSE和平均绝对百分比误差MAPE)。

本文对锂离子电池日历寿命建模进行了综述。总结了传统的日历寿命建模方法(经验模型，机理模型，经验-机理结合模型)及基于机器学习的日历寿命建模方法。整体来说，经验和机理模型只在日历寿命的研究早期使用，前者受限于预测精度，后者受限于复杂程度，目前均已逐渐淘汰。经验-机理结合模型自出现就一直活跃在锂离子电池日历寿命预测领域，结合了前两者的优势，应用最为广泛，且一定程度上已经能很好的满足日历寿命的预测。机器学习的出现，使得数据处理更为简单，拟合次数不受限制，且在少样本量的情况下也能在一定范围内预测锂离子电池的日历寿命，成为今后的该领域研究的重点方向。本文从模型预测的角度出发，对日历寿命延长具有一定的指导作用。

虽然日历寿命的相关研究仍然较少，但从模型角度对日历寿命的研究已经较为全面，后续的发展只需要加强不同机器学习算法的应用，找到算法-锂离子电池种类的最佳对应关系，或者找到一种对各种电池日历老化均有较好拟合度的普适算法。也可以开发更为先进的算法得到更好的普适性。锂离子电池日历寿命延长的相关研究，还要从电池材料本身出发，针对电极，电解液，隔膜等组分进行调控，结合日历寿命的预测，更好的挖掘日历老化机理。还可以结合更先进的表征手段，对日历过程中的微观损耗进行定量分析，以表征宏观日历性能的变化。

第一作者：潘涛

国防科技大学空天科学学院材料科学与工程系硕士研究生，导师李宇杰教授和孙巍巍副研究员。邮箱：pantao@nudt.edu.cn.

第一作者：李宇杰

国防科技大学空天科学学院材料科学与工程系教授，博士生导师。2003年获兰州大学学士学位，2010年获国防科技大学博士学位。主要研究方向是能源材料和器件，包括长贮存锂电池、高功率锂电池、正极材料和宽温域电解质等。邮箱：yujieli@nudt.edu.cn.

通讯作者：刘双科

国防科技大学空天科学学院材料科学与工程系副教授，硕士生导师。2010年获湖南大学学士学位，2012年获国防科技大学硕士学位，2016年获国防科技大学博士学位。主要研究方向为能源材料和器件，包括锂硫电池、锂金属电池、硅基阳极和柔性电池。邮箱：liushuangke@nudt.edu.cn.

通讯作者：郑春满

国防科技大学空天科学学院材料科学与工程系教授，博士生导师。2000年获国防科技大学学士学位。博士毕业于国防科技大学材料科学与工程专业，师从李效东教授。主要研究方向为能源材料及器件，包括锂离子电池、锂硫电池及相关能源材料和微纳米电极材料。邮箱：zhengchunman@nudt.edu.cn.

通讯作者：孙巍巍

国防科技大学空天科学学院材料科学与工程系副研究员。2008年获武汉大学材料物理学士学位，2015年获武汉大学材料物理与化学博士学位。先后入选国家“博士后创新人才支持计划”（又称“博新计划”）、国防科技大学高层次创新人才培养计划。主要研究方向为能源材料及器件，包括高压正极材料、锂金属负极材料、锂硫电池等。邮箱：wwsun@nudt.edu.cn.

Carbon Neutralization是温州大学与Wiley共同出版的国际性跨学科开放获取期刊，立志成为综合性旗舰期刊。期刊于2022年创刊，名誉主编由澳大利亚新南威尔士大学Rose Amal院士担任，主编由温州大学校长赵敏教授和温州大学碳中和技术创新研究院院长侴术雷教授担任，编委会由来自10个国家和地区的26名国际知名专家学者组成，其中编委会19位编委入选2024年度全球“高被引科学家”。且期刊已被ESCI、DOAJ数据库收录。

Carbon Neutralization重点关注碳利用、碳减排、清洁能源相关的基础研究及实际应用，旨在邀请各个领域的专家学者发表高质量、前瞻性的重要著作，为促进各领域科学家之间的合作提供一个独特的平台。

MaterialsViews