Um Die Leistungsgrenzen Von Lithiumbatterien Neu Zu Definieren, Schlug Das Team Von Kang Jianqiang Von Der Technischen Universität Wuhan Ein Vereinfachtes Elektrochemisches Modell Auf Basis Von Ensemble-Lernen Vor.

Im Juli 2022 hatte der zeitlose männliche Gott Jimmy Lin einen Autounfall. Als professioneller Rennfahrer kam das von ihm gefahrene Tesla Model X während der Fahrt plötzlich von der vorgegebenen Spur ab und prallte gegen das Isolationsband am Straßenrand. Anschließend geriet das Fahrzeug in Brand und geriet beim Abschleppen des Rettungswagens erneut in Brand. Am Ende brannte das gesamte Auto bis auf den Rahmen aus. Als dieser Unfall gemeldet wurde, weckte er erneut die große Aufmerksamkeit der Menschen auf das Thema „Kollision und Brand von Fahrzeugen mit neuartiger Antriebskraft“.

Es versteht sich, dassDie Batterien der Tesla-Autos bestehen größtenteils aus Lithium-Ionen-Batterien.Es bietet die Vorteile einer hohen Energiedichte, einer hohen Leistungsdichte, einer langen Zykluszeit und eines geringen Memory-Effekts und wird seit einigen Jahren häufig im Bereich der Elektrofahrzeuge eingesetzt. Allerdings entspricht die Sprengkraft von Lithiumbatterien der einer kleinen Bombe. Ein unkontrolliertes thermisches Durchgehen der Batterie kann zu Explosionen und Bränden führen. Da Lithiumionen beim Entzünden außerdem verbrennungsfördernde Gase wie Sauerstoff erzeugen, kommt es zu einer Nachverbrennung und erneuten Verbrennung. Ist ein Feuer erst einmal ausgebrochen, ist es schwer, es zu löschen. daher,Die Gewährleistung eines sicheren Betriebs von Lithiumbatterien ist im Bereich der Elektrofahrzeuge ein schwieriges Problem, das gelöst werden muss.

Das elektrochemische Batteriemodell basiert auf dem chemischen Mechanismus innerhalb der Batterie. Es kann den Migrationsprozess von Lithiumionen effektiv modellieren und den kritischen Zustand der Batterie durch die Vorhersage von Daten wie der Spannung bestimmen. Dadurch wird sichergestellt, dass das eingebettete System den internen Zustand der Batterie in Echtzeit überwacht, ein plötzliches thermisches Durchgehen durch Überladung und Entladung, Alterung, erhöhten Innenwiderstand usw. verhindert und den sicheren Betrieb der Batterie gewährleistet. Herkömmliche elektrochemische Modelle verfügen jedoch über zahlreiche Parameter und komplexe Berechnungen, was ihre breite Anwendung in tatsächlichen Batteriemanagementsystemen einschränkt.

In diesem ZusammenhangDas Team von Kang Jianqiang von der Technischen Universität Wuhan schlug ein vereinfachtes elektrochemisches Modell für integriertes Lernen + FIE vor.Das Ensemble-Lernmodell basiert auf maschinellem Lernen und integriert den Discrete-Time-Realization-Algorithmus (DRA), die Fractional-Order-Pade´-Approximation (FOM) und die Three-Parameter-Parabolische Approximation (TPM). Durch die Vereinfachung des Migrationsprozesses von Lithiumionen in Elektrodenpartikeln kann die Änderung der Lithiumionenkonzentration auf der Oberfläche von Elektrodenpartikeln genau vorhergesagt werden.

Unter konstantem Strom und dynamischen BedingungenDas von den Forschern vorgeschlagene ELM kann eine genauere Spannungsvorhersage erreichen als einzelne DRA-, FOM- und TPM-Modelle und seine Rechenkomplexität ist viel geringer als die des quasi-zweidimensionalen Modells (Pseudo-2D, P2D).

Darüber hinaus verwendeten die Forscher auch das Trägheitselement erster Ordnung (FIE), um die Migration von Lithiumionen in der Elektrodenlösung zu vereinfachen und die Lithiumionenkonzentration im Elektrolyten in der Nähe der positiven und negativen Stromkollektoren genau vorherzusagen.

Forschungshighlights:

• Es wird ein vereinfachtes elektrochemisches Modell des Ensemble-Lernens + FIE vorgeschlagen. Das Ensemble-Lernen integriert DRA, FOM und TPM und 3.500 s 1C-Konstantstromentladung können in 0,1676 s abgeschlossen werden.
• Bieten Sie umfassende technische Unterstützung für die Realisierung zukünftiger intelligenter Batteriemanagementsysteme (BMS).

Papieradresse:
https://www.cell.com/iscience/pdf/S2589-0042(24)00907-6.pdf

Drei experimentelle Annahmen zur Vereinfachung der komplexen Struktur von Batterien

Um die Berechnung elektrochemischer Modelle zu beschleunigen und die Struktur herkömmlicher elektrochemischer Modelle zu vereinfachen, schlugen die Forscher ein vereinfachtes elektrochemisches Modell (Einzelpartikelmodell) für Lithium-Ionen-Batterien vor und machten grundlegende Annahmen dazu.

Annahme 1:Die Batterieelektrode wird als einzelnes kugelförmiges Partikel betrachtet, und das elektrische Potenzial im gleichen Radius vom Mittelpunkt der Kugel ist gleich;
Annahme 2:Die Festphasendiffusion wird nur in radialer Richtung berücksichtigt;
Annahme 3:Der Lithiumionen-Porenwandfluss (Ji) ist in den Elektrodenpartikeln gleichmäßig.

Vcell ist die Zellenklemmenspannung; Uocv ist die Leerlaufspannung; η ist das Überpotential; Rohm ist der gesamte ohmsche Widerstand; I ist der Strom; ⍬ave ist die durchschnittliche Festphasenstöchiometrie

Im Einzelpartikelmodell wird davon ausgegangen, dass die Batterieklemmenspannung nur mit der Leerlaufspannung und dem Reaktionsüberpotential zusammenhängt, was die Rechenkomplexität des Modells erheblich reduziert.

Integriertes Lernen + FIE zur Vorhersage der Lithiumionenkonzentration in Festelektroden und Elektrolyten

Die Forscher schlugen ein integriertes Lern- und FIE-Modell vor.Unter anderem kann integriertes Lernen verwendet werden, um die Lithiumionenkonzentration in den Feststoffpartikeln der positiven und negativen Elektrode vorherzusagen, und FIE kann verwendet werden, um die Lithiumionenkonzentration in der Elektrolytphase vorherzusagen.

Ensemble-Lernen: Integration dreier Modelle zur genaueren Vorhersage der Lithiumionenkonzentration von Festphasenelektroden

Ensemble Learning Model (ELM) ist eine typische Technik des maschinellen Lernens und kann durch die Kombination mehrerer Modelle eine bessere Vorhersageleistung erzielen als jedes einzelne Modell.In der bisherigen Literatur haben der Discrete-Time-Realization-Algorithmus (DRA), die Fractional-Order-Pade´-Approximation (FOM) und die Three-Parameter-Parabolic-Approximation (TPM) eine gewisse Genauigkeit bei der Vorhersage der Lithiumionenkonzentration auf der Oberfläche von Elektrodenpartikeln gezeigt.

Um die Vorhersagegenauigkeit der Lithiumionenkonzentration in Elektrodenpartikeln weiter zu verbessern, integrierten die Forscher DRA, FOM und TPM mithilfe der Methode des gewichteten Durchschnitts und schlugen das ELM-Modell vor, dessen Ausgabegleichung wie folgt lautet:

*ELM-Ausgabegleichung; k1, k2 sind die Gewichtungskoeffizienten des Ensemble-Lernmodells

Experiment 1: Vorhersage der Lithiumionenkonzentration auf der Oberfläche der Festphasenelektrodenpartikel der negativen Elektrode

Unter Verwendung des P2D-Modells als Basiskontrollgruppe wurden die fünf verschiedenen Modelle DRA, FOM, TPM, ELM und P2D verglichen, um die Änderungen der Lithiumionenkonzentration auf der Oberfläche negativer Elektrodenpartikel vorherzusagen.

Es ist ersichtlich, dass die ELM-Kurve näher an der P2D-Modellkurve liegt.Das heißt, ELM erreichte die beste Vorhersagegenauigkeit.

Die Verlustfunktion wird als der mittlere quadratische Fehler (RMSE) zwischen der Ausgabe des ELM-Modells und dem wahren Wert der Partikeloberfläche △cs,n~surf definiert. Man sieht, dassELM hat den niedrigsten RMSE, der nur 11,51 mol/m3 beträgt.

Experiment 2: Vorhersage der Lithiumionenkonzentration auf der Oberfläche der positiven Feststoffelektrodenpartikel

Unter Verwendung des P2D-Modells als Basiskontrollgruppe wurden die fünf verschiedenen Modelle DRA, FOM, TPM, ELM und P2D verglichen, um die Änderungen der Lithiumionenkonzentration auf der Oberfläche der positiven Elektrodenpartikel vorherzusagen.

Man sieht, dassDie Kurve von ELM liegt näher an der des P2D-Modells.Es zeigt die beste △cs,p~surf-Vorhersageleistung.

Wie aus der obigen Tabelle ersichtlich ist,ELM hat den kleinsten Vorhersagefehler, RMSE beträgt nur 0,6 mol/m3 und MAPE beträgt nur 1,66%.

FIE: Genauere Vorhersage der Lithiumionenkonzentration in der Elektrolytphase

Die Lithiumionenkonzentration im Elektrolyt in der Nähe der positiven und negativen Stromkollektoren wirkt sich direkt auf die Batteriespannung aus, die wiederum den Batteriezustand beeinflusst. daher,Die Forscher schlugen FIE vor, um die Änderungen der Lithiumionenkonzentration im Elektrolyten in der Nähe der Stromkollektoren der positiven und negativen Elektrode anzupassen.Das P2D-Modell wurde als Basiskontrollgruppe verwendet, um es mit den von FIE vorhergesagten Änderungen der Lithiumionenkonzentrationen in den Elektrolytphasen der positiven und negativen Elektrode zu vergleichen.

Experiment 1: Vorhersage der Änderung der Lithiumionenkonzentration im Elektrolyten in der Nähe des Stromkollektors der negativen Elektrode

Die obige Abbildung zeigt, dass die beiden Kurven nahe beieinander liegen. Im P2D-Modell schwankt die △ce,n-Kurve nach der Relaxationszeit aufgrund des ungleichmäßigen Flusses der Lithiumionen auf der Oberfläche der Elektrodenpartikel entlang der Dickenrichtung der Elektrode. Die Forscher waren zuvor davon ausgegangen, dass der Fluss der Lithiumionen über die Oberfläche der Elektrodenpartikel bei konstantem Strom konstant sei. Daher bleibt △ce,n nach der Relaxationszeit konstant.

*Die Relaxationszeit ist ein Maß für die Erholungskapazität der Batterie und charakterisiert die Fähigkeit der Batterie, von einem polarisierten Zustand in einen Gleichgewichtszustand zurückzukehren.

Experiment 2: Vorhersage der Änderung der Lithiumionenkonzentration im Elektrolyten in der Nähe des Stromkollektors der positiven Elektrode

Wie in der Abbildung oben gezeigt, ist im P2D-Modell die Schwankungsamplitude von △ce,p größer als die von △ce,n, da der Lithiumionenfluss auf der Oberfläche der positiven Elektrodenpartikel ungleichmäßiger verteilt ist als der Lithiumionenfluss auf der Oberfläche der negativen Elektrodenpartikel. Im Vergleich zum P2D-Modell erreicht FIE eine genaue Vorhersage von △ce,p mit einem RMSE von 39,136 mol/m3.

Zusammenfassend:Das von den Forschern vorgeschlagene integrierte Lernen kann die Lithiumionenkonzentration von Festelektroden präzise vorhersagen und weist eine bessere Vorhersagefähigkeit auf als ein einzelnes Modell. Das FIE-Modell kann auch die Lithiumionenkonzentration in der Elektrolytphase genau vorhersagen.

Ensemble-Lernen sagt Spannung genauer voraus

Experiment 1: Vergleich der Spannungsvorhersagen verschiedener Modelle

Die Forscher führten Konstantstrom-Entladungssimulationen an LiMn2O4/Kohle-Batterien bei Raten von 0,5 C, 1 C und 2 C durch und verglichen die Ergebnisse und Fehler der Spannungsvorhersage mithilfe von fünf Modellen: ELM, DRA, FOM, TPM und P2D.

Gemäß der obigen Abbildung liegen die Spannungskurven der Modelle DRA, FOM, TPM und P2D bei einer Entladerate von 0,5 C sehr nahe an denen des P2D-Modells. Unter 1C und 2C Entladeraten,Die ELM-Spannungskurve liegt näher an der P2D-Spannungskurve.

Wie in der obigen Tabelle gezeigt, hat das ELM-Modell den kleinsten RMSE und MAPE und den niedrigsten Spannungsfehler. Mit zunehmender Entladerate nehmen die Spannungsfehler dieser vier Typen zu. Zusammenfassend:Das vorgeschlagene ELM erreicht eine bessere Spannungsvorhersage über einen größeren Strombereich.

Experiment 2: Vergleich der Rechenkomplexität verschiedener Modelle

Die Forscher führten Entladungssimulationen mit konstantem Strom bei einer Rate von 1C durch und verglichen die Berechnungszeiten verschiedener Modelle. Da sowohl DRA als auch FOM nur zwei Zustandsraumgleichungen zweiter Ordnung haben, ist die Berechnungsgeschwindigkeit höher. Das FOM ist etwas langsamer, das ELM benötigt nur 0,1676 s, um 3.500 s einer 1C-Konstantstromentladung abzuschließen, und die Berechnungsgeschwindigkeit des P2D-Modells ist viel langsamer als bei anderen Modellen.
Der Entladetest ist ein wichtiges Mittel zur Beurteilung der Batterieleistung.

Experiment 3: Überprüfung der Wirksamkeit des ELM-Modells unter dynamischen Bedingungen

Um die Wirksamkeit des ELM-Modells unter dynamischen Bedingungen zu überprüfen, führten die Forscher dynamische FUDS-Simulationen an verschiedenen Modellen durch. Die Ergebnisse zeigen, dass die Spannungskurven von DRA, FOM, TPM und ELM dem P2D-Modell nahe kommen, da die Stromänderungsrate in der FUDS-Dynamik die meiste Zeit gering ist.

Wie in der obigen Tabelle gezeigt,ELM erreicht von diesen Modellen die genaueste Spannungsvorhersage.Es gibt nur einen RMSE von 4,48 mV und einen MAPE von 0,097%.

KI garantiert die Sicherheit von Lithiumbatterien im Zuge der grünen Transformation

Im Zuge des allgemeinen Trends zur „Kohlenstoffneutralität und zum Erreichen des CO2-Peaks“ haben die Länder begonnen, sich mit der Umgestaltung ihrer Energiesysteme zu befassen, und alle Lebensbereiche haben sich aktiv in Richtung einer kohlenstoffarmen und nachhaltigen Entwicklung gewandelt. Lithiumbatterien sind die erste Wahl unter den umweltfreundlichen Batterien und werden häufig in Energiespeichersystemen, Elektrofahrrädern, Elektrofahrzeugen, militärischer Ausrüstung, der Luft- und Raumfahrt und anderen Bereichen eingesetzt.

Obwohl Lithiumbatterien aufgrund ihrer Vorteile wie hoher Energiedichte und langer Lebensdauer häufig gewählt werden, können sie bei unsachgemäßer Verwendung oder Qualitätsproblemen eine ernsthafte Gefahr für Leben und Sicherheit der Bevölkerung darstellen. So brach beispielsweise im Juni 2023 in einem Elektroautogeschäft in Chinatown, Manhattan, New York City, ein Feuer aus, bei dem vier Menschen starben und drei verletzt wurden. Ursache war eine thermische Explosion beim Laden von Lithiumbatterien.Es ist dringend erforderlich, auf die Sicherheit von Lithiumbatterien zu achten.

Darüber hinaus wird die Leistungsminderung von Lithiumbatterien durch viele Faktoren wie Umgebungstemperatur und Lade- und Entladebedingungen beeinflusst. Herkömmliche physikalische Modelle basieren auf begrenzten elektrochemischen Gesetzen und es ist schwierig, den internen Zustand der Batterie effektiv zu bewerten. In diesem Zusammenhang zeichnet sich die KI-Technologie durch ihre leistungsstarken Funktionen zur Datenverarbeitung und Merkmalsextraktion aus.Einige Leute in China haben bereits relevante Untersuchungen zur Sicherheit von AI+-Lithiumbatterien durchgeführt.

Im Jahr 2023 entwickelten die Universität Nanjing und der Lithiumbatteriehersteller Durapower ein Brand- und Explosionsmanagementsystem (FXMS), das dazu beiträgt, die Sicherheit von Lithiumbatterien zu erhöhen und ihre Lebensdauer zu verlängern. Das System nutzt die Digital-Twin-Technologie, um echte Batterien zu replizieren und die Batterieleistung mithilfe virtueller Modelle zu überwachen, die den Zustand der Batterie in den nächsten fünf Jahren vorhersagen können.Es hilft dem Personal festzustellen, wann Batterien ausgetauscht werden müssen, mit einer Vorhersagegenauigkeit von bis zu 95%.

Die Hauptfunktion digitaler Zwillinge besteht darin, Echtzeitdaten aus der realen Welt zu sammeln, maschinelles Lernen und Analysetechnologien zur Verarbeitung der Daten zu verwenden, die Reaktionen und Situationen, die Objekte in der realen Welt hervorrufen können, zu simulieren und vorherzusagen und anschließend ihre Leistung zu untersuchen.

Im März 2024 schlug das Team von Associate Professor Wan Jiayu von der Puyuan School of Future Technology der Shanghai Jiao Tong University eine halbüberwachte Lerntechnologie namens Partial Bayesian Co-Training (PBCT) vor, die die kostengünstigen und reichlich vorhandenen, nicht gekennzeichneten Daten, die während des Lebenszyklus von Lithiumbatterien generiert werden, voll ausnutzt. Durch das Extrahieren verborgener Informationen aus den Daten wird das Verständnis der zugrunde liegenden Datenmuster vertieft. Im Vergleich zu bestehenden MethodenDurch PBCT konnte die Genauigkeit der Lebenserwartungsvorhersage um bis zu 20% verbessert werden.Und es fallen fast keine zusätzlichen Kosten für die Datenerfassung an. (Klicken Sie hier für Details: Die Genauigkeit der Vorhersage der Lebensdauer von Lithiumbatterien wurde durch 20% verbessert! Das Team der Shanghai Jiaotong University hat eine halbüberwachte Lernmethode (PBCT) veröffentlicht, um versteckte Informationen aus nicht gekennzeichneten Daten zu extrahieren.)

Von digitalen Zwillingen bis hin zum halbüberwachten Lernen haben technologische Fortschritte innovativere Lösungen hervorgebracht und neue Möglichkeiten für die zukünftige Entwicklung des Energiesektors eröffnet.

Quellen:
https://www.zaobao.com/news/singapore/story20231108-1448759
https://m.163.com/dy/article/J3