Vilka är kärnfaktorerna som påverkar livslängden för litiumbatterier?

Med den utbredda användningen av nya energifordon, energilagringskraftverk och bärbara elektroniska enheter har litiumbatterier blivit en oumbärlig kärnkomponent i våra liv. Nyckelindikatorn som bestämmer "räckvidden" och "livslängden" för dessa produkter-litiumbatteriets livslängd-har gradvis blivit ett fokus för uppmärksamhet. Cykellivslängden för ett litiumbatteri avser antalet cykler som ett batteri genomgår under en specifik laddning-urladdning tills dess användbara kapacitet minskar till 80 % av dess ursprungliga kapacitet.

Denna indikator påverkar inte bara direkt konsumentens användarupplevelse och driftskostnader utan har också en avgörande inverkan på den nya energiindustrins tekniska iteration och produktdesign. Idag kommer Battery Pioneer att heltäckande analysera den underliggande logiken i litiumbatteriets livslängd utifrån tre dimensioner: påverkande faktorer, prediktionsmetoder och praktiska tekniker, med ett enkelt språk för att hjälpa dig förstå denna nyckelteknologi!

Ett litiumbatteris cykellivslängd är inte ett fast värde utan påverkas av en kombination av faktorer, inklusive interna materialegenskaper, extern användningsmiljö och driftmetoder. Varje faktor fungerar som en dominoeffekt, som påverkar hela batteriet och direkt påverkar dess nedbrytningshastighet.

1. Inre material: Batteriets "inneboende gener", som bestämmer den övre gränsen för nedbrytning

Den interna strukturen hos litiumbatterier är komplex. Kärnmaterial som aktiva material för positiva och negativa elektroder, bindemedel, ledande ämnen, strömavskiljare, separatorer och elektrolyter genomgår irreversibel åldring och nedbrytning under långvarig cykling, vilket är den grundläggande orsaken till att batterikapaciteten försämras.

För material med positiva elektroder, med litiumjärnfosfat som ett exempel, leder långvarig -cykling till "gitterdistorsion" (en industriterm som hänvisar till förstörelsen av kristallstrukturen), vilket resulterar i en minskning av effektiviteten för insättning/extraktion av litium-joner. Enligt forskning från Li Yangs team inom *Energy Storage Science and Technology* 2023, efter 6000 cykler, expanderar den negativa elektrodvolymen för ett litiumjärnfosfatbatteri med 18 %, och SEI-filmen (fast elektrolytgränssnittsfilm, en viktig skyddsfilm för den negativa elektroden hos litiumförlustbatterier) tjocknar direkt tre gånger med aktiva förlustbatterier. litium. Dessutom kan elektrolytsönderdelning, separatoråldring och skada samt strömavtagarekorrosion påskynda försämringen av batteriets prestanda ur olika perspektiv, och tillsammans bestämma den "inneboende övre gränsen" för battericykelns livslängd.

2. Laddnings-/urladdningscykel: förvärvade användningsvanor, direkt accelererande eller fördröjande nedbrytning

Om material är de "inneboende generna", så är laddnings-/urladdningscykeln den "förvärvade vanan" som påverkar batteriets livslängd, inklusive tre kärndimensioner: laddnings-/urladdningsmetod, laddnings-/urladdningshastighet och avbrottsförhållanden, var och en stödd av tydliga vetenskapliga bevis.

Den "optimala laddningskurvan"-teorin som föreslagits av den amerikanske forskaren Maas ger viktig vägledning för att välja en laddningsmetod. Denna teori säger att den optimala laddningsströmmen för ett batteri gradvis minskar när laddningstiden ökar, vilket uttrycks av formeln I=I₀e⁻ᵅᵗ (där I är den acceptabla laddningsströmmen, I₀ är den initiala maximala strömmen, t är laddningstiden och är degraderingskonstanten). Laddning inom området under denna kurva minimerar batteriskador. Att överskrida detta intervall med laddningsströmmen förvärrar batteripolariseringen, minskar laddningseffektiviteten och orsakar allvarlig gasutveckling, vilket förkortar batteriets livslängd.

ACEY-BCT506-512Htestutrustning för batteriladdninganvänder moderna elektroniska övervaknings- och styrenheter istället för manuellt arbete för att övervaka realtidsspänningen, strömmen, kapaciteten, energin, formationstillståndet och andra parametrar för distribuerad batteribildning i realtid, diagnostisera och hantera fel, registrera och analysera relevant data, för att realisera obevakad och batchbearbetning i bildningsprocessen.

Baserat på denna teori har olika laddningsmetoder distinkta fördelar och nackdelar: Konstant strömladdning, särskilt i senare skeden, kan leda till överdriven ström och intern gasutveckling; konstant spänningsladdning, med sin initiala höga strömtopp, skadar direkt batteriet. Konstant ström/konstant spänningsladdning och stegvis konstant strömladdningsmetoder övervinner dessa nackdelar och har blivit vanliga laddningsmetoder. Även om omvänd pulsladdning kan eliminera polarisering, har den en negativ inverkan på batteritiden och används ännu inte i stor utsträckning.

Laddnings-/urladdningshastigheten och avstängningsförhållandena är lika kritiska. Högre urladdningshastigheter resulterar i snabbare kapacitetsförlust: efter 300 cykler vid 0,5C, 1C och 2C hastigheter är kapacitetsförlusthastigheterna 10,5 %, 14,2 % respektive 18,8 %. Detta beror på att laddning och urladdning med hög-hastighet gör att litiumjondiffusion släpar efter, vilket leder till koncentrationspolarisering och accelererar förstörelsen av elektrodmaterialstrukturer och förtjockningen av SEI-filmen. Laddningsavstängningsspänningen- är lika viktig: att öka laddningsavbrottsspänningen- för litiumkoboltoxidbatterier från 4,2V till 4,9V (K. Maher et al., 2024 *Chinese Journal of Electrochemistry*) orsakar en "fasövergångsmaterialstruktur" (en fasförändring av elektroderna) kristallstruktur), vilket direkt leder till en minskning av livslängden på mer än 50 %.

3. Temperatur: En kritisk miljövariabel; både höga och låga temperaturer skadar batterierna.

Temperatur: 2024 *White Paper on Cycle Life of Power Batteries* från Institute of Physics, Chinese Academy of Sciences, visar att den optimala driftstemperaturen för litiumbatterier är 25±5 grader. Över 50 grader bryts SEI-filmen ned tre gånger snabbare; under -10 grader minskar elektrolytens jonledningsförmåga med 80 %, vilket resulterar i en betydande minskning av batterikapaciteten.

Konsistens: (2023, *Journal of Automotive Engineering*) tester visar att batterier med en enda-cellslivslängd på 1200 cykler bara uppnår 191 cykler efter att ha satts ihop till ett batteripaket-detta är den "svagaste länken"-effekten i batteripaket, där ett batterisystem drar ner hela batteriet.

Livslängdstestning av litium-jonbatterier tar ofta månader eller till och med år, vilket resulterar i extremt höga kostnader och inte uppfyller de snabba kraven på produktutveckling, kvalitetsinspektion och underhåll. Därför har upprättandet av vetenskapliga livsförutsägelsemodeller blivit ett hett forskningsämne i branschen. För närvarande kan vanliga prediktionsmetoder delas in i tre kategorier baserat på informationskällor, var och en med sina egna fördelar, nackdelar och tillämpliga scenarier.

ACEY energispar-battericykeltestareär designad för ett omfattande utbud av åldringstester av batteripaket, lämpliga för olika typer inklusive ternärt, litiumjärnfosfat, bly-syra, nickel-metallhydrid och nickel-kadmium. Utrustningen är idealisk för batteritillverkande företag för att testa batterimoduler under produktion, såväl som för detektering av högströmsladdning och urladdning i EV/HEV-batterisystem. Den används också för hög-laddnings- och urladdningstester, batteriprestandabedömningar och dagligt underhåll av batterimoduler i batterifabriker och laddningsstationer.

1. Förutsägelse baserad på kapacitetsförsämringsmekanismer:Förstå den interna essensen, hög noggrannhet men hög inträdesbarriär

Kärnan i denna metod är en djup förståelse av de fysikalisk-kemiska reaktionsmekanismerna inom batteriet. Genom att etablera matematiska modeller för att beskriva nyckelprocesser som aktiv litiumförlust, SEI-filmtillväxt och elektrodmaterialfasövergångar kan batterilivslängden förutsägas.

2. Förutsägelse baserad på karakteristiska parametrar:Balansera bekvämlighet och noggrannhet genom externa signaler

Den här metoden kräver ingen-djupgående utforskning av interna mekanismer utan använder snarare förändringar i övervakningsbara karakteristiska parametrar under batteriets åldrande för att indirekt härleda batteriets livslängd. För närvarande är den mest använda karakteristiska parametern elektrokemisk impedansspektroskopi (EIS). Elektrokemisk impedansspektroskopi (EIS) kan spegla ett batteris interna impedanstillstånd i detalj och har hög prediktionsnoggrannhet. Testutrustningen är dock känslig för yttre störningar, och spektralanalys kräver specialiserad kunskap. Däremot är pulsimpedansmätning enklare att använda och snabbare, vilket gör den lämplig för online-tidsövervakning och visar breda tillämpningsmöjligheter i batterihanteringssystem (BMS) för nya energifordon.

Kärnfördelen med denna metod är att den balanserar noggrannhet och bekvämlighet, vilket inte kräver någon komplex mekanistisk analys, vilket gör den lämplig för tekniska tillämpningar. Emellertid, dess nackdelar inkluderar behovet av omfattande experimentell verifiering av korrelationen mellan karakteristiska parametrar och livslängd, skillnader i mönster mellan olika batterityper och utrymme för förbättring av dess universalitet.

3. Datadriven-förutsägelse:Förlitar sig på stora datamönster, enkelt och praktiskt men begränsat av data

Denna metod involverar inte batteriets interna mekanismer. Istället samlar den in en stor mängd battericykeltestdata och använder maskininlärning, statistisk analys och andra algoritmer för att bryta mönster och trender i data för att bygga en prediktiv modell. För närvarande inkluderar vanliga modeller tidsseriemodeller (som AR-modeller), artificiella neurala nätverk (ANN) och korrelationsvektormaskiner (RVM). AR-modellen (Analog-Regression) är en linjär modell som härleder det aktuella tillståndet baserat på historiska data. Batterikapacitetsförsämring uppvisar dock ett icke-linjärt samband med antalet cykler. Därför har Luo et al. föreslog en förbättrad icke-linjär AR-modell genom att introducera en accelererad degraderingsfaktor, vilket avsevärt förbättrade prediktionsnoggrannheten.

Artificiella neurala nätverk (ANN) är typiska icke-linjära modeller, sammansatta av flera neuroner. De kan hantera komplexa relationer som involverar flera variabler och stark koppling, vilket gör dem väl-lämpade för att hantera osäkerheter i förutsägelser av batteriprestanda. Relevance Vector Machines (RVM) tillhör dataregressionsanalysmetoder. De kan kontrollera över- och underanpassning genom att justera parametrar och ge probabilistiska resultat, vilket ger större flexibilitet och tillförlitlighet.

Fördelarna med denna metod är dess enkelhet och breda användbarhet. Det kräver ingen-djupgående kunskap om batteriets interna struktur; en modell kan byggas med tillräckliga historiska data. Men dess nackdelar är också uppenbara: förutsägelseeffekten beror mycket på datakvalitet och täckning. Om data är partisk eller inte täcker viktiga driftsförhållanden, kan förutsägelseresultaten ha stora fel och kan inte förklara grundorsaken till livslängdsförsämring.

Att behärska följande praktiska tekniker kan effektivt bromsa nedbrytningshastigheten för litiumbatterier, vilket gör dem mer hållbara:

• Temperaturkontroll är nyckeln:Undvik långvarig exponering av batteriet för temperaturer över 50 grader. På sommaren, undvik direkt solljus på nya energifordon och se till att energilagringsenheterna avleder ordentlig värme. På vintern, undvik långvarig drift av batteriet under -10 grader; förvärmning rekommenderas före användning.

• Skonsam laddning och urladdning:Använd skonsamma laddningsmetoder som konstant ström/konstant spänning eller stegvis konstant strömladdning när det är möjligt, undvik snabb laddning och urladdning med hög-hastighet. Vid daglig användning, undvik att helt tömma batteriet (djupurladdning) eller förvara det fulladdat under längre perioder. Att bibehålla batterinivån mellan 20 % och 80 % är mer gynnsamt för att förlänga batteritiden.

• Välj högkvalitativa-batterier:När du köper nya energiprodukter ska du prioritera produkter från välrenommerade varumärken med bra-encellskonsistens och rimlig värmeavledningsdesign, som CATL och EVE Energy, för att minska risken för batterinedbrytning från källan.

Bakom livslängden för litiumbatterier ligger den tvärvetenskapliga integrationen av materialvetenskap, elektrokemi, värmeledning och systemteknik. Att förstå de påverkande faktorerna hjälper oss att bättre utnyttja litiumbatteriprodukter; Att behärska prediktionsmetoderna kan stödja tekniska uppgraderingar i branschen.

Oavsett om det är frågan om räckviddsförsämring som vanliga konsumenter är oroade över, eller de tekniska genombrotten som eftersträvas av industriutövare, är litiumbatteriernas livslängd ett kärnämne som inte kan undvikas.

Kontakta nu