Linking Calendar and Cycle Ageing in Lithium-Ion Batteries through Consistent Parameterisation of an Electrochemical-Thermal-Degradation Model

该研究利用 PyBaMM 构建并参数化了一个电化学 - 热 - 退化耦合模型，通过系统分析 81 种不同工况（温度、倍率、静置荷电状态和放电深度）下的数据，成功预测了 NMC 锂离子电池在日历老化与循环老化共同作用下的容量衰减轨迹、剩余寿命及内部退化机制。

要点

这篇论文就像是在给锂电池做一场**“全身体检”和“寿命预测”**。作者试图搞清楚：为什么同样的电池，在不同的使用环境下，寿命会天差地别？

为了让你更容易理解，我们可以把锂电池想象成一个**“贪吃又容易受伤的猴子”，而电池容量就是它肚子里的“香蕉”**。

1. 核心故事：猴子、香蕉与“内鬼”

想象你有一群猴子（锂电池），它们每天要吃香蕉（放电）。

• 初始状态：每只猴子刚出生时，肚子里有 5 根香蕉（满容量）。
• 目标：我们想知道，过了一年或几年后，每只猴子还剩多少香蕉？
• 问题：香蕉是怎么没的？

在电池里，香蕉的消失不是被猴子吃掉的，而是被肚子里的**三个“内鬼”**偷走的。这篇论文就是研究这三个内鬼在不同环境下谁更猖狂：

1. 内鬼 A：SEI 膜生长（像“长茧”）
   • 比喻：猴子皮肤上长了一层茧。这层茧越厚，猴子活动越慢，而且茧本身会消耗香蕉。
   • 何时猖狂：在高温（像夏天）和高电量（肚子很饱）时，这层“茧”长得飞快。
2. 内鬼 B：锂镀层（像“消化不良”）
   • 比喻：猴子吃得太快（大电流充电），或者太冷（像冬天），食物（锂离子）来不及消化，直接堵在门口变成了硬块（金属锂）。这些硬块不仅占地方，还让猴子再也吃不到新香蕉。
   • 何时猖狂：在低温和快充时，这个内鬼最厉害。
3. 内鬼 C：活性材料损失（像“肌肉萎缩”）
   • 比喻：猴子每次剧烈运动（充放电），肌肉（电极材料）都会因为挤压而断裂、萎缩。
   • 何时猖狂：在深度放电（把肚子吃空）或剧烈运动时，肌肉萎缩得最厉害。

2. 作者做了什么？（建立“超级模拟器”）

以前的研究可能只盯着其中一个内鬼，或者只模拟一种天气。但这篇论文的作者 Ganesh Madabattula 做了一个超级模拟器（基于 PyBaMM 软件）：

• 它很聪明：它把上述三个“内鬼”的行为都写进了代码里，并且让它们互相打架、互相影响。
• 它很全面：作者模拟了81 种不同的生活场景（组合了不同的温度、充电速度、剩余电量、放电深度）。
  • 比如：在 10°C 的冷天，用 1 倍速快充，只放掉 50% 的电，然后让电池休息在 10% 的电量下……
  • 又比如：在 40°C 的热天，慢充，放掉 90% 的电，休息在 100% 的电量下……
• 它很真实：作者用真实的实验数据（LG M50 电池的数据）给这个模拟器“调教”过，确保它算出来的结果和现实世界差不多。

3. 发现了什么惊人的秘密？

秘密一：寿命不是固定的，看你怎么“养”

模拟结果显示，同样的电池，寿命可以从0.8 年（不到一年就废了）到14 年（超长待机）不等。

• 怎么养最长寿？ 就像人一样，别太热、别太饱、别太饿、别太累。
  • 如果你让电池在高温下保持 100% 满电（像让猴子在夏天吃撑了坐着不动），它死得最快（2 个月就剩 80% 容量了）。
  • 如果你让电池在低温下保持 30% 电量（像让猴子在冬天只吃半饱），它能活很久（1 年还能剩 93%）。

秘密二：有时候“少动”反而死得快？（日历老化 vs. 循环老化）

这是一个反直觉的发现：

• 场景：假设你在 25°C 或 40°C 的环境下。
• 情况 A：每天只跑一点点路（50% 放电深度），然后剩下 90% 的时间都在休息（保持高电量）。
• 情况 B：每天跑很远的路（90% 放电深度），休息时间短。
• 结果：情况 A（跑得少）的电池反而死得更快！
• 原因：因为跑得少，电池大部分时间都在“休息”（高电量状态）。这时候，“长茧”（SEI 膜）这个内鬼在休息时疯狂工作，偷走了大量香蕉。而跑得多的情况，虽然运动损伤大，但休息时间短，反而没给“长茧”太多机会。
• 但在 10°C 时：情况反转了！低温下“长茧”不活跃，反而是“消化不良”（锂镀层）和“肌肉萎缩”在运动时更严重，所以跑得多的（90% 放电）死得更快。

秘密三：寿命曲线有三种形态

• 温和型（亚线性）：刚开始掉得快，后来变慢。像人年轻时精力旺盛，老了变慢。
• 平稳型（线性）：每天掉一点，很均匀。
• 猝死型（超线性/膝点）：前面看着挺好，突然某一天“咔嚓”一下，寿命断崖式下跌。这通常发生在电池被虐待（高温 + 快充 + 满电）的时候。

4. 这篇论文有什么用？

1. 给电动车和手机“算命”：
   以前我们只能猜电池还能用多久。现在，通过这种模型，我们可以根据你具体的开车习惯（是喜欢猛踩油门还是温柔驾驶？是喜欢充到 100% 还是随用随充？），精准预测你的电池还能用几年。
2. 指导电池设计：
   告诉工程师：如果想让电池在夏天用得更久，得想办法抑制“长茧”；如果想让它在冬天用得更久，得防止“消化不良”。
3. 省钱省资源：
   不需要真的把电池用到报废去测试（那太费钱了）。用这个模型跑 81 种情况，就能知道哪种使用方式最划算。

总结

这就好比作者给锂电池写了一本**《生存指南》**。他告诉我们：

• 别在高温下把电池塞得满满当当（那是给“长茧”内鬼送外卖）。
• 别在冬天狂按快充（那是给“消化不良”内鬼送机会）。
• 有时候，少用一点（减少循环），但如果让它一直高电量躺着，反而更伤电池。

这篇论文最大的贡献就是把这些复杂的“内鬼”打架过程，用一套统一的数学语言讲清楚了，让我们能更聪明地使用和管理电池。

技术摘要

以下是基于论文《Linking Calendar and Cycle Ageing in Lithium-Ion Batteries through Consistent Parameterisation of an Electrochemical–Thermal–Degradation Model》的详细技术总结：

1. 研究背景与问题 (Problem)

锂离子电池（LIBs）的寿命预测（剩余使用寿命 RUL 和健康状态 SoH）面临巨大挑战，主要原因在于电池内部多种退化机制（如 SEI 膜生长、锂析出、活性物质损失等）之间存在复杂的耦合相互作用。

• 核心难点：这些机制的相互作用高度依赖于使用条件（C 倍率、静置荷电状态 SoC、放电深度 DoD、温度）。现有的模型往往难以在不同工况下保持一致的参数化，导致无法准确预测不同使用场景下的容量衰减轨迹。
• 研究缺口：目前缺乏能够同时涵盖日历老化（Calendar Ageing）和循环老化（Cyclic Ageing），并能通过物理机制解释不同工况下退化模式竞争关系的综合电化学 - 热 - 退化模型。

2. 方法论 (Methodology)

本研究构建了一个基于物理的电化学 - 热 - 退化耦合模型，具体技术路线如下：

• 模型基础：

  • 采用 Doyle-Fuller-Newman (DFN) 伪二维（P2D）电化学模型。
  • 结合集总参数热模型（Lumped thermal model）。
  • 使用开源软件 PyBaMM 进行数值模拟。
  • 电池对象：LG M50 圆柱电池（NMC811 正极，石墨/硅复合负极）。

• 退化机制建模：
  模型耦合了三种主要退化机制：

  1. SEI 膜生长：负极与溶剂反应，受扩散和反应动力学限制（混合控制）。
  2. 锂析出（Lithium Plating）：负极表面的不可逆锂沉积，遵循 Butler-Volmer 动力学，受过电位和 SEI 膜厚度影响。
  3. 活性物质损失（LAM）：由颗粒内浓度梯度引起的机械应力导致，考虑了正负极的体积分数变化。

• 参数化策略 (Consistent Parameterisation)：

  • 基于 Kirkaldy 等人提供的 LG M50 电池实验退化模式分析（DMA）数据对模型参数进行标定。
  • 温度依赖性标定：
    • 高温 (40°C)：容量衰减主要由 SEI 生长主导。
    • 常温 (25°C)：由 SEI 生长和轻微的活性物质损失共同主导。
    • 低温 (10°C)：容量衰减主要由锂析出（LLI）和负极活性物质损失（LAM）主导。
  • 目标：在标准循环条件下（25°C, 0.33C），使模型预测的 80% SoH 寿命约为 500 次循环，以匹配数据手册。

• 模拟工况：

  • 日历老化：9 种组合（3 种温度 × 3 种静置 SoC）。
  • 混合老化（循环 + 日历）：81 种组合（3 种温度 × 3 种 C 倍率 × 3 种静置 SoC × 3 种 DoD）。模拟策略为每天 1 次循环，其余时间静置在指定 SoC。

3. 主要结果 (Key Results)

3.1 日历老化特性

• 趋势：容量衰减随温度升高和静置 SoC 升高而显著增加。
• 极端案例：在 40°C 和 100% SoC 下，电池在约 2 个月内容量即降至 80% SoH 以下；而在 10°C 和 30% SoC 下，12 个月后容量仍保持在 93% SoH 以上。
• 主导机制：高温高 SoC 下，SEI 生长是容量损失的主要来源。

3.2 混合老化与寿命预测

• 寿命范围：在 81 种工况组合下，电池达到 75% SoH 的循环寿命预测值介于 0.8 年到 14 年 之间。
• 衰减轨迹类型：根据工况不同，容量衰减呈现三种形态：
  • 亚线性 (Sub-linear)：温和工况下。
  • 线性 (Linear)：中等工况下。
  • 超线性/加速 (Super-linear/Knee-type)：激进工况下（如低温高倍率或高温高 SoC），出现“膝点”效应，导致寿命骤降。
• 复杂性与不可泛化性：无法将 SoH 或 RUL 简单外推至单一工况。相同的 SoH 历史可能对应完全不同的剩余寿命（例如，4 年时两个不同工况的电池 SoH 均为 0.88，但后续寿命差异巨大）。

3.3 日历老化与循环老化的竞争效应 (Competing Effects)

这是本研究的核心发现之一，揭示了不同工况下主导机制的转换：

• 高温 (25°C, 40°C)：
  • 在低 DoD (50%) 工况下，由于循环时间短，电池在一天中大部分时间处于静置状态，导致日历老化（SEI 生长） 占主导地位，容量损失反而比高 DoD (90%) 工况更严重。
  • 此时，SEI 生长是容量损失的主要贡献者。
• 低温 (10°C)：
  • 日历老化效应微弱。
  • 高 DoD (90%) 工况下，由于锂离子扩散慢，颗粒内应力大，导致活性物质损失 (LAM) 和锂析出加剧，容量衰减速度快于低 DoD 工况。
  • 此时，循环老化（LAM 和锂析出）占主导地位。

3.4 其他变量影响

• 静置 SoC：降低静置 SoC（如从 100% 降至 10%）可显著延长寿命，特别是在高温下，因为它抑制了日历老化。
• C 倍率：高倍率（1C）在高温下可能因增强扩散而略微缓解锂析出，但在低温下会加剧应力和析出。

4. 关键贡献 (Key Contributions)

1. 一致的参数化框架：提出了一种基于实验退化模式分析（DMA）数据的参数化策略，成功将 SEI、锂析出和活性物质损失三个机制在电化学 - 热模型中统一，使其在不同温度下能正确反映主导机制的转换。
2. 揭示竞争机制：首次通过物理模型详细量化了日历老化与循环老化在不同温度、DoD 和静置 SoC 下的竞争与耦合效应。特别是解释了为何在某些条件下（如高温低 DoD），减少循环次数反而加速了电池老化（因为静置时间变长，日历老化主导）。
3. 大规模数据集生成：生成了涵盖 81 种混合老化工况、9 种日历老化工况和 3 种标准循环工况的模拟数据集（包括 SoH、RUL 及各退化机制的具体贡献量），并公开可用。
4. 模型验证与预测：证明了基于物理的模型在预测不同使用模式下的容量衰减轨迹（亚线性、线性、超线性）方面的优越性，优于纯数据驱动模型。

5. 意义与展望 (Significance)

• 电池管理系统 (BMS)：该研究为开发更精准的 BMS 算法提供了理论依据，表明仅依靠当前 SoH 无法准确预测 RUL，必须结合历史工况（温度、SoC、DoD 分布）来评估内部退化机制的累积损伤。
• 电池设计：揭示了不同工况下的主要失效模式（如低温需关注锂析出和机械应力，高温需关注 SEI 生长），有助于针对性地优化电池材料和结构设计。
• 数据驱动模型训练：公开的大规模物理模拟数据可作为“物理信息数据驱动模型”（Physics-informed Data-driven Models）的训练集，弥补实验数据难以覆盖所有工况的不足。
• 未来工作：作者计划利用更多实验数据进一步验证模型在不同使用模式下的预测准确性。

总结：该论文通过构建一个高度参数化的电化学 - 热 - 退化模型，成功解耦并量化了锂离子电池在复杂工况下的日历与循环老化机制，揭示了退化机制随环境条件变化的动态竞争关系，为电池寿命的精准预测和管理提供了重要的物理机制洞察。