《Journal of Energy Chemistry》:Interpreting lithium-ion battery aging under fast-charging via data-driven physics and explainable machine learning
编辑推荐:
摘要快速充电会通过复杂的物理化学机制加速锂离子电池的老化,而这些机制在传统的基于数据的电池健康状态评估模型中并未得到充分体现。为解决这一可解释性缺陷,我们开发了一种基于先验知识且具有可解释性的工作流程,该流程结合了恒压阶段电流特征提取、物理加权主成分分析、XGBoost回归以及模
摘要
快速充电会通过复杂的物理化学机制加速锂离子电池的老化,而这些机制在传统的基于数据的电池健康状态评估模型中并未得到充分体现。为解决这一可解释性缺陷,我们开发了一种基于先验知识且具有可解释性的工作流程,该流程结合了恒压阶段电流特征提取、物理加权主成分分析、XGBoost回归以及模型归因分析方法。在45°C下,对12节LiNixCoyMnzO2(NCM)//石墨18650电池进行六种不同的充放电测试,从中提取出了18个恒压阶段电流特征。通过物理加权主成分分析,这些特征被转化为三个候选的潜在描述符,其中PC1和PC3经过进一步分析后被确定为用于预测电池健康状态的最终输入参数。由此构建的XGBoost模型能够准确预测电池健康状态,其均方根误差为0.0278,R2值为0.864。SHapley加性解释方法和XGBoost内在重要性分析均表明PC1是起主导作用的描述符,而PC3则提供了补充性的预测信息。通过对不同老化阶段和测试方案的归因分析,还发现在不同加速老化条件下,各描述符的表现存在差异。在所测试的六种方案中,C3D2方案(即3C充电和2C放电)在电池循环寿命、容量保持率以及老化速率之间取得了最佳平衡。本研究展示了一种透明的工作流程,可将恒压阶段电流描述符与可解释的电池健康状态预测以及基于归因分析的测试方案筛选相结合,适用于受控的加速老化数据集。
引言
由于具有高能量密度和长循环寿命,锂离子电池被广泛应用于电动汽车、便携式电子设备以及电网级储能系统中[1]、[2]。随着全球向碳中和目标的推进,对高性能电池的需求不断上升,尤其是在电动出行和可再生能源领域。快速充电技术为提升用户便利性和系统效率发挥了重要作用[3]、[4]。然而,高速充电会加速电池老化,缩短其使用寿命,甚至可能影响电池安全性[5]、[6]、[7]。例如,在LiFePO4//石墨电池中,以5C速率充电时的容量衰减速度可能是以1C速率充电时的40多倍,同时库仑效率也会显著下降,这充分体现了快速充电对电池反应可逆性的负面影响[8]。因此,了解这些复杂的电池老化过程对于实现有效的电池管理至关重要。
电池老化是由锂离子扩散受限、电极相变以及熵效应等多种相互作用共同导致的[9]、[10]、[11]、[12]。不同的充电方案会对这些机制产生不同影响。快速充电时的大电流可能会引发各种副反应,比如锂金属沉积、固体电解质界面层的持续生长以及电解质分解,这些都会加速电池容量损失并增加安全风险[13]、[14]。现有的基于数据的方法,包括机器学习模型,可以利用各种充放电阶段的运行数据来预测电池老化趋势[15]、[16]、[17]、[18]、[19]、[20]、[21]。但这些模型往往如同“黑箱”,难以让人理解其背后的物理机制[22]、[23]、[24],因此无法确定电池性能下降是由于扩散限制、结构相变还是熵效应所致。
虽然先进的原位诊断工具能够提供有关电池老化的机理信息,但它们成本高昂、结构复杂,且难以整合到实际的电池管理系统中[25]、[26]、[27]、[28]、[29]。因此,一种能够从易于获取的运行数据中分离并量化多种老化机制的可解释框架仍然十分必要[30]、[31]、[32]。
恒压充电阶段的电流信号具有很高的参考价值,因为在这一阶段,电池处于较高的电压和电量状态,此时扩散现象和界面效应最为显著[33]、[34]、[35]、[36]、[37]。Ko等人利用高斯过程回归模型,以恒压充电阶段的电压数据以及20秒段的电流数据作为输入,同时预测电池的电量状态和健康状态。该模型的平均绝对误差分别为电量状态的1%和健康状态的2.5%。此外,研究还表明,延长输入数据的持续时间可以提高预测精度,而采样间隔对模型性能的影响则相对较小[38]。不过,目前大多数研究都只关注单一的老化机制,尚未出现能够整合特征提取、降维处理以及机理分析的综合性框架。
在本研究中,我们的目标并非提出新的机器学习算法,而是开发一种基于先验知识且具有可解释性的工作流程,以便利用易获取的恒压阶段电流数据来分析快速充电条件下的电池老化问题。我们将这一工作流程应用于在加速老化条件下运行的典型LiNixCoyMnzO2(NCM)//石墨18650电池数据集,研究了如何将通过统计方法提取的电流特征整理成具有物理意义的潜在组分,以及这些潜在组分的模型归因结果在不同老化阶段和充放电方案下有何差异。因此,本研究通过一个实际案例,展示了基于机理理解的电池诊断工作流程,重点体现了在所研究的 数据集中,如何实现特征的透明表示、预测结果的准确评估以及基于归因分析的测试方案比较。
章节要点
数据准备
本研究使用了12节规格相同的市售18650锂离子电池(索尼公司生产),详细参数见表S1。所有的老化测试都在45°C的恒定环境温度下进行,实验中使用了强制风干箱(DHG-9070A)来加速电池老化,从而在合理的时间内揭示其背后的老化机制[39]。这些电池被安装在一个四线柱状测试装置中,然后通过Landt(CT-3001B)电池测试系统进行循环测试(见图)。
物理导向型潜在描述符的构建
通过物理加权主成分分析,将这些相互关联的恒压阶段电流特征转化为一组简化的、基于先验知识的潜在描述符。图2(a)展示了18个恒压阶段电流特征的相关性热图,从中可以看出,无论是同一类别的特征之间,还是不同物理先验特征组之间的相关性都相当高。同一类型的特征之间存在较强的内部相关性,这说明它们共同反映了电流特征的整体波动情况和复杂性。此外,
结论
本研究开发了一种基于先验知识且具有可解释性的机器学习工作流程,可用于分析快速充电条件下的锂离子电池老化情况,该流程以恒压阶段电流特征为分析依据。从每个完整的老化循环中提取出18个电流特征,并将其按照物理先验特征组进行分类。通过物理加权主成分分析,这些特征被转化为三个候选的潜在描述符,而进一步分析后确定PC1和PC3是用于预测电池健康状态的最具通用性的输入参数。
CRediT作者贡献说明
张欣怡:论文撰写——初稿撰写、可视化处理、软件应用、实验研究、数据整理、概念构思。 王慧红:可视化处理、软件应用。 刘月政:论文撰写——审稿与编辑。 毛佳乐:数据整理。 刘伟:项目监督、资金筹集。 程浩:论文撰写——审稿与编辑、项目监督、资金筹集。 陆颖颖:论文撰写——审稿与编辑、项目监督、资金筹集。
利益冲突声明
作者声明,他们不存在任何可能影响本文研究结果的已知财务利益关系或个人关系。
致谢
本研究得到了中国国家自然科学基金(项目编号:22578392、22408324)以及浙江省自然科学基金(项目编号:LZ26B030003、LQ24B030002)的支持。同时,我们也感谢苏州实验室开放研究基金(项目编号:SZLAB-1308-2024-ZD008)提供的资助。
张欣怡目前是浙江大学化学与生物工程学院的研究生,师从陆颖颖教授。她于2026年获得浙江大学硕士学位,2023年从天津大学化学工程与技术专业获得学士学位。她的研究方向主要为电池健康状态评估以及电池剩余寿命预测。
Xinyi Zhang|Huihong Wang|Yuezheng Liu|Jiale Mao|Wei Liu|Hao Cheng|Yingying Lu