《RENEWABLE & SUSTAINABLE ENERGY REVIEWS》：Lithium-ion battery aging: An integrated review of mechanisms, multi-scale modelling, and physics-informed health prediction
编辑推荐：
摘要锂离子电池（LIB）的老化是一个复杂的跨尺度多物理场现象，对电池的性能、寿命和安全运行构成了挑战。本文提出了一项整体性综述，将基础老化机理、多尺度建模和最新的健康状态预测方法联系起来。首先，阐明了内因与外因老化因素，重点强调了主导机理转换的关键运行阈值。例如，在固定C/3
摘要
锂离子电池（LIB）的老化是一个复杂的跨尺度多物理场现象，对电池的性能、寿命和安全运行构成了挑战。本文提出了一项整体性综述，将基础老化机理、多尺度建模和最新的健康状态预测方法联系起来。首先，阐明了内因与外因老化因素，重点强调了主导机理转换的关键运行阈值。例如，在固定C/3倍率下，同一LFP/石墨电芯的45 °C为其主导机理由锂损失转变为正极退化的阈值；而在固定25 °C下，该阈值为4C。这些阈值并非普适常数，而是随运行条件和电芯设计而变化。在此基础上，提出了加速老化测试的设计策略，以确保生成具有物理代表性的数据集。其次，评估了跨原子尺度、电化学尺度和系统层级的多尺度建模策略。重点突出了将分子动力学和DFT中异构SEI能量势垒嵌入电化学模型，作为提高参数化精度的关键，同时展示了电池模型、热模型和老化模型之间的耦合以提升框架保真度。最后，对基于模型、数据驱动和物理信息混合方法的健康状态（SOH）和剩余使用寿命（RUL）预测方法进行了定量基准测试。物理信息神经网络降低了RUL预测误差（仅使用早期循环特征即可将平均绝对相对误差从5.71%降至3.19%），并在数据稀缺条件下减少了数据需求，而发现学习可将验证时间缩短最多98%。云边协同架构被认为是实际BMS部署中最有前景的架构。文章提供了下一代电池管理系统开发的选型指南。
引言
锂离子电池（LIBs）已成为全球向电气化、碳中和与零排放转型的基石。这些电池已被广泛应用于电动汽车（如比亚迪刀片电池[1]、特斯拉4680大圆柱电芯[2]、宁德时代麒麟电池[3]）、便携式电子设备、医疗设备和固定式电网级储能系统（由多个独立系统运营商使用，如纽约、宾夕法尼亚、新泽西和马里兰，以支持能源及辅助服务）[[4], [5], [6], [7], [8], [9]]。其主导地位源于高能量密度、高效率（接近100%）和长循环寿命[6,10]。来自太阳能光伏（PV）、风能和潮汐能的 Renewable Electricity（RE）发电正在迅速重塑全球能源格局，进一步放大了对基于LIB的储能系统的战略需求。LIB的应用也已扩展到新兴自主系统，包括无人机和人形机器人，这些领域对能量密度、循环寿命和安全性的要求具有独特挑战性。然而，尽管具有上述优势，LIB在长期运行中不可避免地会出现一些缺陷，如性能退化，表现为容量衰减、阻抗上升以及潜在安全隐患（如内短路（ISC）和热失控）[[11], [12], [13]]。随着LIB部署规模的扩大，准确的电池健康管理 and 寿命预测已成为限制电池系统可靠性和可行性的关键瓶颈[14,15]。
LIB的老化机理涉及复杂的化学反应和物理现象。在老化过程中，在电极-电解质界面持续发生各种副反应，如固体电解质界面（SEI）增长、锂沉积和活性物质溶解[[16], [17], [18]]。同时，温度、充放电倍率（C-rate）、放电深度（DOD）、荷电状态（SOC）、机械压力和湿度等多种外部因素影响电池老化机理[[19], [20], [21], [22]]。因此，电池退化是一个高度非线性过程，内部电化学副反应与外部应力因素之间存在复杂耦合[23,24]。这些耦合相互作用使得准确的状态估计和寿命预测极具挑战性。
为了量化这些复杂机理并实现电池健康预测，电池老化建模和健康预测策略已快速发展以延长电池生命周期[25]。为评估电池老化，开发了多种先进的建模方法：从揭示界面动力学的原子模拟（如密度泛函理论DFT、分子动力学MD等）[26]，到提供机理洞察的电化学模型（如准二维模型P2D）[27]，再到用于车载状态估计的降阶模型（如等效电路模型ECM、经验模型）[28]。在此基础上，电池健康预测方法已分支为基于模型的方法和基于数据的方法[29]。然而，一个持续的困境在于如何在预测保真度和计算效率之间取得平衡，尤其是在预测非线性的老化拐点时[30]。
尽管已有大量综述论文涉及电池老化技术的特定方面，但将基础机理、多尺度建模与实际健康预测联系起来的整体框架仍然支离破碎。如表1所示，现有文献通常聚焦于孤立领域。例如，一些综述广泛集中讨论退化机理，但忽略了实际运行中通常遇到的耦合应力的协同效应。另一些则强调用于BMS应用的系统级电池老化模型或用于机理理解的电化学模型，但忽视了理解界面动力学所需的原子级洞察。
因此，本综述在一个统一的框架内整合了老化机理、多应力效应、多尺度建模方法和最新的健康预测方法。主要贡献如下：
- 1.
全面阐述了老化机理，独特地量化了单一外部应力和耦合应力的协同效应。重要的是，综述了关键运行阈值以确保机理一致性，为有效数据集生成和可靠建模提供了严格的物理边界。
- 2.
系统综述了多尺度老化模型，从原子级模拟扩展到电化学模型和系统级模型。此外，讨论了电池模型、热模型和老化模型之间的相互作用和耦合关系以提升保真度。
- 3.
聚焦于电池健康预测与管理，本综述定量考察了先进的诊断方法，并建立了明确的选型指南，涵盖基于模型的方法、基于数据的方法和混合方法。
章节摘要
电池老化基础
LIB通常由电解质、隔膜、正极和负极材料及其各自的集流体（正极为铝，负极为铜）组成[41]。在这些电化学系统中，大部分锂离子在充放电循环中嵌入多孔电极基体中。具体而言，电解质作为锂离子在电极间传输的介质，而隔膜则作为物理屏障防止直接的电极接触。
电池、热生成和老化的多维建模方法
LIB的数学模型主要分为等效电路模型（ECMs）和基于多物理场的机理模型，两者在复杂度、计算需求和预测保真度方面存在显著差异。ECMs在很大程度上依赖于数据集，而机理模型依赖于控制方程的求解器[89]。本节将重点讨论机理模型的方法，因其具有高保真度和准确性。
电池健康预测与管理
先进的电池健康预测和管理对于确保运行安全和延长电池寿命至关重要。在第3节讨论的多尺度模型基础上，本节系统综述了关键电池健康指标、先进的诊断方法以及通往智能BMS的新兴挑战和未来趋势。
展望与挑战
尽管在表征老化机理和开发高保真模型方面取得了重大进展，但微观物理现实与宏观模型表征之间仍存在巨大鸿沟。因此，未来研究必须解决以下机理和建模方面的基本挑战。
当前的建模方法通常是割裂的：原子模型运行在纳米和纳秒尺度，而系统模型则运行在厘米和秒尺度。
结论
本综述对锂离子电池老化提供了整体性综合，涵盖基础退化机理、加速老化测试设计、多尺度建模和健康预测方法。总体而言，主要洞察和贡献总结如下：
首先，将电池老化阐述为由热力学不稳定性与动力学限制共同驱动的多物理场耦合现象。热力学不稳定性指局部条件下发生退化反应的热力学驱动力。
利益冲突声明
作者声明不存在已知的可能影响本文所报告工作的竞争性经济利益或个人关系。
致谢
本研究由日本JST SICORP 资助（项目编号JPMJSC23C5）。
蒋紫淇｜伊东隆哉｜林杰｜Franti?ek Mik?ík｜宫崎隆彦｜金永德｜Kyaw Thu
九州大学 综合科学研究科 先进环境科学与工程系，日本福冈县嘉木贺市嘉木贺苑6-1，邮编816-8580
