研究低温浸渍对锂离子电池和钠离子电池性能的影响，并结合机器学习技术进行容量优化

《Journal of Energy Storage》：Investigation of cryogenic immersion effects on Li-ion and Na-ion batteries performance coupled with machine learning for capacity optimization

电池低温处理对锂离子和钠离子电池性能的影响及机器学习预测研究。

　　随着全球人口的增长，能源需求迅速上升，促使人们寻找可持续且可靠的能源解决方案。化石燃料目前提供了全球约84%的能源，并可能在未来几年内仍然是主要来源，尽管可再生能源正在快速发展。能源需求的增加以及应对气候变化的紧迫性，进一步凸显了向太阳能和风能等可再生能源转型的重要性。然而，这些可再生能源的稳定性依赖于高效的储能系统，特别是在低能生产期间。电池储能系统（BESS）作为满足可再生能源需求的一种解决方案，已经成为各种应用的核心，从电动汽车到大规模储能系统。可充电电池因其环保优势、灵活性和能量转换效率，被认为是最佳选择之一。

锂离子（Li-ion）和钠离子（Na-ion）电池是目前最受研究和开发的可充电电池技术。这些电池通过在阳极和阴极之间转移锂离子或钠离子来实现充放电功能。锂离子电池以其高能量密度和长循环寿命而闻名，广泛应用于消费电子、电动汽车和可再生能源存储等领域。然而，锂离子电池依赖于锂资源，而锂不仅价格昂贵，而且供应有限。相比之下，钠离子电池（SIBs）提供了一种有前景的替代方案，因为钠资源丰富且成本低廉，使其更具可持续性和潜在的经济性。虽然钠离子电池通常比锂离子电池具有较低的能量密度，但持续的研究正在致力于提升其性能。

损坏、缺陷或处于寿命末期（EOL）的电池在运输和存储过程中存在严重的风险，如热失控、火灾和爆炸。为减少这些风险，使用液氮（LN?）进行快速冷冻（CFF）已成为一种实际解决方案。液氮可以迅速将电池冷却至-196°C，从而停止电化学反应，防止热失控，即使在极端条件下也能有效工作。将电池浸入液氮中也有助于研究极端低温对电池材料和性能的影响，因为它创造了强烈的热梯度，可能对内部组件产生影响。这一过程不仅对安全至关重要，也对物流有益。传统的危险电池运输需要昂贵的防爆容器，而经过液氮处理的电池可以在不使用此类设备的情况下满足国际安全标准。此外，液氮冷冻有助于保持电池结构，支持未来的再利用或回收，符合循环经济的原则。因此，理解不同液氮浸入时间对电池性能的影响，对于确保安全和持续功能至关重要。

已有多个研究探讨了锂离子和钠离子电池在低温下的性能表现。例如，Zhang等人发现，在低于-10°C的温度下，锂离子电池的电荷转移电阻显著增加，尤其是在放电状态下，使得充电变得更加困难。在低于0°C的温度下，锂离子电池因锂离子扩散能力下降而面临容量损失、安全风险和循环寿命缩短的问题。Chen等人研究发现，低温暴露会加速锂离子电池的容量退化，尤其是在高充放电速率或长时间暴露的情况下，这主要是由于阴极颗粒开裂和死锂形成所致。与锂离子电池类似，钠离子电池在低温下也表现出显著的性能下降，限制了其在恶劣天气条件下的应用。这种性能下降主要是由于电解液电阻增加和固体电解质界面（SEI）的不稳定性所致。Wang等人开发了一种基于醚类的电解液配方，能够在-150°C下保持稳定并支持有效的SEI形成。他们的研究表明，这些电解液使钠金属电池在-80°C的温度下实现稳定的长期循环，显著提高了钠离子电池在极端环境下的可行性。

低温处理涉及将材料暴露在极低温度下，这可能对其性能产生显著影响。尽管人们对低温电池性能的研究兴趣日益增加，但大多数先前研究集中在中等低温条件下的性能分析，而对极端低温条件（如接近液氮温度，约-196°C）下的影响研究仍不充分。在这些极端低温条件下，电池的整体性能，如容量、循环寿命和充电效率，可能会受到严重影响。

机器学习（ML）作为一种有用的工具，正在电池研究中崭露头角，特别是在预测电池健康状况、循环寿命和故障检测方面。Zou等人开发了一个机器学习框架，利用成形数据对电池质量进行分类并预测其寿命。该模型在分类任务中达到了89.74%的准确率，在寿命预测中误差率为5.45%，为电池生产中的质量控制和性能预测提供了一种经济有效的途径。Chatterjee等人引入了一种基于支持向量机（SVM）和无迹卡尔曼滤波器（UKF）的锂离子电池故障检测方法。UKF通过减少噪声来提高电量状态（SOC）的估计精度，而SVM用于检测短路现象。Celik等人利用早期循环数据和机器学习来预测锂离子电池的循环寿命。Stock等人在锂离子电池生产中应用机器学习进行早期质量预测，成功地将电池按循环寿命分类，准确率达到了97%。机器学习在预测电池容量、健康状况、循环寿命和故障检测方面展现出巨大潜力，但在极端低温条件下对电池性能的预测仍处于探索阶段。这些条件可能会显著影响锂离子和钠离子电池的容量表现。

本研究旨在探讨液氮浸入对新电池和循环电池（使用过的电池）的影响，其中循环电池的容量低于其初始值的80%。研究利用机器学习模型来预测不同浸入时间对电池容量的影响，同时分析循环电池的性能变化。此外，通过X射线衍射（XRD）和扫描电子显微镜（SEM）进行结构分析，以研究电池形态和电极结构的潜在变化。这些分析为理解液氮温度对锂离子和钠离子电池整体行为和性能的影响提供了有价值的见解，有助于其在低温条件下的再利用、再制造和安全运输。

在本研究中，新电池和循环电池在液氮浸入后均表现出电压下降的趋势。电压的迅速下降表明，随着温度的降低，电化学活动显著减缓。更具体地说，液氮温度会大幅降低锂离子和钠离子的离子电导率和扩散速率。这种影响可能导致电池在低温条件下的性能下降。然而，新电池在液氮浸入后仅表现出电压和容量的微小变化，而循环电池则表现出更显著的性能变化，其容量损失更为严重。这种差异可以归因于循环电池的健康状况（SoH）下降，使其在极端低温条件下的性能更不稳定。

对于新电池，液氮浸入后其电压和容量仅受到轻微影响。锂离子电池在浸入初期表现出电压轻微下降，但其容量保持相对稳定，直到长时间浸入后才出现下降。而钠离子电池则在浸入后表现出电压和容量的微小下降。能量效率和能量密度在两种电池类型中均有所降低。相比之下，循环电池在浸入后表现出更显著的性能变化，其容量损失比新电池更大，这主要由于其健康状况下降。

结构分析显示，新电池在液氮浸入后未出现显著的形态变化，但钠离子电池在浸入180分钟后的衍射峰表现出一定的变化。这表明，尽管液氮处理不会导致电池结构的明显破坏，但钠离子电池在长时间浸入后可能经历一些材料层面的变化。机器学习模型，特别是深度神经网络（DNN），在预测电池容量方面表现出优异的性能。对于锂离子电池，DNN模型的R2值达到1.00，均方根误差（RMSE）为0.001；对于钠离子电池，R2值为0.002，均方根误差为0.002。这些结果表明，机器学习在预测电池容量方面具有较高的准确性。

本研究建议，5分钟的液氮浸入时间足以产生明显的性能变化，而进一步的浸入并不会带来更显著的效果。这一结论为电池在低温条件下的安全运输和再利用提供了重要依据。通过控制样品在室温下的表现，可以更清晰地对比液氮处理后的变化。因此，合理选择浸入时间对于确保电池的安全性和功能性至关重要。同时，机器学习模型的应用为预测和评估电池在极端低温下的性能提供了有力支持，有助于优化电池管理策略和提高再利用效率。