机械约束锂离子SSB蓄电池的压缩力预测模型

2026-10-13 21:56:29

摘要

电动汽车电池包中的锂离子电池（LIBs）在机械约束下组装，这些约束在运行过程中会施加压缩力。在运行期间，电池单体发生体积变化，导致厚度变化，即电池膨胀。在机械约束下产生的膨胀行为会引起力波动。预测力的数值至关重要，因为力不足会损害电气接触和结构稳定性，而力过大会加速结构退化并增加安全风险。然而，由于成本高、集成复杂以及可靠性问题，力传感器尚未得到广泛应用，这限制了力预测的实际应用。在本研究中，我们提出了一种耦合电化学-力学模型，用于预测与电池膨胀行为一致的压缩力，而无需在运行期间使用实时力传感器。该模型预测了初始外部压力为0.201 MPa时的压缩力演变，与实验结果相比，在1C放电和多相驱动循环条件下，平均绝对百分比误差（MAPE）分别为4.48%和7.02%。所开发的框架填补了机械约束下锂离子电池压缩力预测的现有空白。所提出的建模方法实现了电池模块的实时力监测，从而通过力预测和优化增强了安全评估能力。

1. 引言

向脱碳交通和可再生能源集成智能出行系统的转型，已使锂离子电池（LIBs）成为电动汽车（EVs）、固定式储能和车辆到电网应用的核心赋能技术[1,2,3]。随着电动汽车普及以实现全球减排目标，电池包需要在日益紧凑的模块设计中提供更高的能量密度、更长的使用寿命和更高的安全性。实现这些要求取决于模块内单个电池单元的可靠结构集成，其中机械约束在整个车辆运行寿命期间维持电气接触、尺寸稳定性和长期性能方面起着核心作用。 在实际的电池包中，电池单元在机械约束下集成到模块中，这些约束施加压缩力以维持接触和结构完整性 [4,5]。在运行过程中，电化学过程会导致体积膨胀，产生被称为电池膨胀的可逆和不可逆尺寸变化[6,7,8,9]。在机械约束系统中，由此产生的体积变化会对模组结构产生改变的压缩力[10,11,12]。该力的大小对电池性能和安全性至关重要[13,14]。力不足会削弱电气接触和机械稳定性[15,16,17,18]，而过大的力会加速包括电极开裂、隔膜变形以及导致内部短路和热失控等安全风险升高的副反应在内的退化机制[19,20,21]。因此，准确的力预测对于模组设计优化和安全评估至关重要，但由于成本高、集成复杂以及可靠性问题，力传感器尚未得到广泛应用[22] 解决这些实际局限性的一种有前景的方法是使用基于物理的电池模型，该模型能够从可测量的电信号中重建内部机械状态，而无需依赖专用传感器[23,24].
基于物理的模拟已成为锂离子电池设计以及探测无法直接测量内部状态的核心工具[25,26,27,28,29,30]。该研究领域可追溯至Newman及其合作者提出的多孔电极和浓溶液理论，用于模拟恒电流操作下的锂⁺传输[31,32]，这些理论已被扩展以捕捉多尺度下的机械降解现象[33,34]。Rieger等人通过将颗粒级应变与电池扩展相联系，开发了一个可逆溶胀预测框架[27,35]。在我们之前的工作中，我们开发了一个基于P2D的模型，能够预测机械约束下的电池厚度变化[23]。许多研究致力于理解锂离子电池中机械力的影响，通过经验、集总参数和日益增长的数据驱动方法提供了宝贵的见解[11,26,36,37,38,39,40]。然而，很少有研究明确将膨胀行为与不断变化的机械力联系起来，以实现力预测。在现有方法中，一些研究采用了机器学习方法[22,36]。Cai等人[22] 将机电耦合模型与机器学习相结合，在无需直接位移传感的情况下估算电池扩展，而 Kwak 等人 [36] 应用机器学习回归来预测压缩力随降解过程的演变。两种方法均能达到良好的预测精度，但通常依赖大量训练数据，且对底层电化学-力学机制的物理可解释性有限。现有文献中的一个显著空白是，在受限模块内，电池膨胀动力学与压缩力演变之间缺乏直接的机制联系。在此背景下，我们的工作提出了一种基于物理的电化学-力学框架，将膨胀行为与压缩力演变直接联系起来，从而实现了一个可解释且数据高效的压缩力预测模型。
本研究提出了一种电化学-力学耦合模型框架，用于预测电池单元的压缩力，该模型将电池膨胀行为与力演化直接关联。该框架集成了三个耦合组件：(i) 基于内阻测量值的预载荷力估算，(ii) 机械约束下的基于P2D的厚度预测，以及 (iii) 通过非线性刚度建模实现的动态力计算。所得模型利用电循环数据预测各种载荷剖面下的压缩力，从而实现实时力监测，无需在运行期间依赖位移和力传感器。该方法填补了实际电池管理所需的力估算空白，并为通过力预测和优化提升安全评估提供了潜力。

2. 模型开发

该建模框架采用多尺度方法，预测锂离子电池在机械约束下电化学循环过程中的力演化。该模型集成了三个关键组件：(i) 基于混合脉冲功率特性(HPPC)测试的预紧力预测(第2.1节)，(ii) 基于压力相关参数的电池厚度变化预测(第2.2节)，以及(iii) 通过压缩测试获得的弹簧刚度表征(第2.3节)。循环过程中的力演化随后通过基本关系式将这三个组件耦合确定，详见公式(1)：
dt_cycling = F_preload + dt_(P) × k
(1)
其中F_cycling代表电化学循环过程中的总力，F_preload表示在进行任何电循环之前，模块组装时施加到电池上的预紧力，dt_(P)是循环过程中施加机械压力下的电池厚度变化，并且k代表弹簧刚度。该框架能够预测整个循环过程中的厚度和力变化，而无需实时力传感器。

2.1. 预载荷预测

在机械约束配置中施加于电池单元的预紧力，通过改变电极孔隙率、界面接触电阻和离子传输路径，直接影响内部电化学-力学状态[17,41]。这些压缩引起的结构变化表现为内部电阻的可测量变化，为无需实时传感器的预紧力估算提供了基础[22]。为了建立施加力与电阻抗之间的定量关系，在系统变化的预紧条件下对新鲜电池进行混合脉冲功率特性（HPPC）测试。每个脉冲的内阻R根据瞬时电压响应，利用欧姆定律按公式(2)计算：[42]
R = |U_{pre_pulse} − U_{post_pulse}|/I_pulse
(2)
其中U_{pre_pulse}是脉冲前休息期间测得的平衡电压（通常对最后60个测量点取平均值以最小化噪声），U_{post_pulse}是在发生欧姆降和初始极化后的放电脉冲末端测得的电压，并且I_pulse是施加的脉冲电流幅值。U_{pre_pulse}表示在给定SOC和施加压缩下的开路电压，而U_{post_pulse}捕捉了在短时间尺度上欧姆电阻、电荷转移极化和浓度极化的综合影响。在每个SOC水平下进行多次充放电脉冲可获得用于平均的统计数据，从而增强测量对噪声和瞬态效应的鲁棒性。
在不同预紧力下获得的内阻测量结果揭示了预紧力与电阻之间的函数关系。该关系通过校准实验经验性地确定，实验中电池在受控预紧力下进行测试，同时监测HPPC响应。通过对表征数据进行回归分析，该函数形式F_preload = f(R) 是直接推导出来的，从而能够根据测得的电阻值估计预紧力。给定一个电阻R通过HPPC测试获得，相应的预紧力可以直接使用该建立的函数关系[22,43]计算，并表示为公式(3)：

上一篇：由电磁感应加热和侧向加热触发的锰基复合正极材料SSB蓄电池热失控特性

下一篇：电动汽车基于用户画像的长期SSB蓄电池健康状态预测与配对行为反事实分析