随着全球对可再生能源需求的日益增长，电池作为储能系统关键技术的地位愈发凸显。然而，电池研发过程中面临着从材料原型到商业产品转化的重重挑战，电池原型验证效率低、研发成本高以及生产废料管理不善等问题制约着电池行业的可持续发展。
在电池制造领域，传统的容量校准方法在原型验证时需耗费大量时间。同时，制造的不一致性和电池老化的多样性，使得电池原型的性能评估变得极为复杂。为此，清华大学深圳国际研究生院张璇、周光敏、李阳团队提出了一种基于物理信息学习的电池衰减轨迹早期预测方法。该方法通过计算热力学和动力学参数，并将其关联至未来状态变化，从而实现对电池整个衰减轨迹的早期预测。与传统方法相比，该方法仅利用电池原型的早期循环数据（50次循环，占总寿命4%），即可达成95.1%全寿命平均预测准确率，将原型验证速度提升了至少25倍。
图1 研究概念图
图2 应用物理信息学习方法的动机、模型构建和部署
团队采用与电动汽车快速充电兼容的多步充电方案，范围从0.33C到3C，共包含9个步骤。其中的截止电压（U1-U9）代表每个荷电状态即SOC的充电接受程度，并在25℃、35℃、45℃和55℃四个温度下进行测试，如图3所示。
图3 原始数据集信息及可视化
团队基于电化学原理进行特征工程，核心思想是：大电流充电时动力学过程主导，小电流阶段时热力学过程主导。由此可得到代表热力学衰减和动力学衰减的特征，分别描述了与电流无关的材料不可逆衰减和与电流相关的电化学过程可逆衰减。
图4 可解释特征工程
所提出的物理信息学习模型分为三个步骤：首先，用可解释特征工程表达电池多维电化学过程；其次，用早期电化学过程数据推演后期尚未建立的电化学状态；最后，用推演后的电化学状态进行电池衰减曲线预测。实验采用多源域自适应设置（25℃和 55℃数据可用）并在35℃和45℃温度下预测，利用早期循环数据即可实现准确的全寿命衰减曲线预测。
图5 物理信息学习模型的统计学性能
团队通过数值模拟确认了多阶段充电方式在表达热力学和动力学衰减过程的电化学原理依据，并通过物理信息学习模型的特征重要性分析发现了热力学和动力学衰减在电池总衰减比例上吻合。这说明所提出的模型可以通过结合电化学原理和可获取的电流和电压信号表达电化学过程，从而实现非侵入式的电池衰减曲线预测。
图6 物理信息学习模型的电化学原理分析
团队分析了利用所提出的物理信息学习模型进行电池生产制造环节的劣品检测和废料回收的技术经济性。其中，重点分析了直接修复轻微衰减电池（健康状态即SOH>95%）的年利润、累计利润，以及不同SOH下回收的单位利润构成和环境能源影响。结果表明，所提出的模型对于生产制造环节的废料管理可持续性具有显著提升效果。
图7 物理信息学习模型的技术经济性分析
相关研究成果以“Non-destructive degradation pattern decoupling for early battery trajectory prediction via physics-informed learning”（基于物理信息学习的电池衰减轨迹早期预测）为题发表在Energy & Environmental Science上，并被选为封面论文。清华大学深圳国际研究生院2022级博士研究生陶晟宇为论文第一作者，2021级硕士研究生张梦天、2023级硕士研究生赵子曦为共同第一作者。合作者包括欣旺达动力科技股份有限公司徐中领博士、于文军博士、刘瑶俊团队，清华大学车辆与运载学院郝瀚副教授团队，格罗宁根大学能源与可持续发展研究所孙鑫助理教授，麻省理工学院化学工程学院车云弘博士和加州大学伯克利分校土木与环境学院Scott Moura副教授。清华大学车辆与运载学院2023级博士研究生李昊阳，深圳国际研究生院马睿飞对技术经济分析作出重要贡献。清华大学深圳国际研究生院张璇、周光敏、李阳副教授、重庆大学机械与运载工程学院胡晓松教授为共同通讯作者。该研究得到了山西省能源互联网研究院、清华大学深圳国际研究生院、深圳市鹏瑞基金会、广东省基础与应用基础研究基金等科研经费支持。
论文链接：https://doi.org/10.1039/D4EE03839H
关注公众号，获取更多欧洲招聘信息
