Das Zyklisieren von Lithium-Ionen-Batterien führt nicht nur zu einem Kapazitätsabfall, sondern verändert auch die Form der Leerlaufspannungskurve (OCV) aufgrund des Verlusts an aktivem Material (LAM) und des Verlusts an Lithiuminventar (LLI). Um diese Veränderung zu modellieren, haben wir kürzlich ein neuartiges empirisches Kalenderalterungsmodell vorgeschlagen, das auf den Gesundheitszustand der Komponenten (s) und nicht nur auf den Kapazitätsschwund parametrisiert ist.
Forschungspapiere
Mechanistisches Zyklusalterungsmodell für die Leerlaufspannungskurve von Lithium-Ionen-Batterien
Mechanistisches Zyklusalterungsmodell für die Leerlaufspannungskurve von Lithium-Ionen-Batterien
Die Autoren: Alexander Karger, Julius Schmitt, Cedric Kirst, Jan Singer, Leo Wildfeuer, Andreas Jossen
Höhepunkte
- Empirischer Algorithmus für Degradationsraten ermöglicht erstes mechanistisches Zyklusalterungsmodell
- Die Degradationsraten für alle Komponenten hängen hauptsächlich von DOD, SOC und Temperatur ab
- Die Modellierung von gealterten OCV-Kurven reduziert den Spannungsfehler um den Faktor 8, verglichen mit keiner Aktualisierung.
- Die vorhergesagten Werte für den Kapazitätsabfall weisen einen durchschnittlichen Fehler von 1,04 % bei den Validierungsdaten auf.
- Versteckte Degradation der Elektroden erklärt nicht den Beginn des nichtlinearen Kapazitätsabfalls
Das Zyklisieren von Lithium-Ionen-Batterien führt nicht nur zu einem Kapazitätsabfall, sondern verändert auch die Form der Leerlaufspannungskurve (OCV) aufgrund des Verlusts an aktivem Material(LAM) und des Verlusts an Lithiuminventar(LLI). Um diese Veränderung zu modellieren, haben wir kürzlich ein neuartiges empirisches Kalenderalterungsmodell vorgeschlagen, das auf den Gesundheitszustand der Komponenten (s) und nicht nur auf den Kapazitätsschwund parametrisiert ist.
In dieser Arbeit stellen wir ein mechanistisches Alterungsmodell für die Zyklusalterung vor, das eine Vorhersage des Kapazitätsabfalls, der Änderung der OCV-Kurve und der Degradation der Komponenten ermöglicht. Das Modell wird anhand von Zyklusdaten von 59 handelsüblichen Lithium-Ionen-Batterien mit NCA-Kathode und Silizium-Graphit-Anode parametrisiert, die für 2500 äquivalente Vollzyklen unter verschiedenen Bedingungen gezykliert wurden. Wir schlagen einen schrittweisen Ansatz vor, um die wichtigsten Spannungsparameter zu identifizieren, die LLI und LAM verursachen, wobei wir auch zwischen dem Verlust von zugänglichem Graphit und Silizium in der Mischanode unterscheiden. Die Abhängigkeit von Spannungsparametern wird mit linearen Kombinationen von Exponentialfunktionen modelliert, und das Modell sagt den Kapazitätsabfall mit mittlerem absolutem Fehler(MAE) voraus.
Für alle Testbedingungen ist LLI der dominierende Degradationsmodus, und der Verlust an zugänglichem Graphit ist vernachlässigbar. Rekonstruierte OCV-Kurven reduzieren die mittlere Spannungs-MAE um den Faktor 8, verglichen mit der Nicht-Aktualisierung der OCV.
Zugriff auf das Papier hier.
Weitere Artikel
Nicht-destruktive Bestimmung des Elektrodenpotenzials und der Leerlaufspannung bei Lithium-Ionen-Batterien
In dieser Veröffentlichung erweitern wir ein hochmodernes Modell des offenen Stromkreispotentials von Elektroden für Blend-Elektroden und inhomogene Lithiumionen. Wir führen einen zweistufigen Optimierungsalgorithmus ein, um die offenen Parameter des Elektrodenmodells anhand von Messungen zu schätzen, die auf der Ebene der vollständigen Zelle mit modernsten Prüfgeräten durchgeführt wurden.
Mechanistisches Kalenderalterungsmodell für Lithium-Ionen-Batterien
In dieser Arbeit stellen wir ein neuartiges mechanistisches Kalenderalterungsmodell für eine kommerzielle Lithium-Ionen-Zelle mit NCA-Kathode und Silizium-Graphit-Anode vor. Das mechanistische Kalenderalterungsmodell ist ein halb-empirisches Alterungsmodell, das auf den Gesundheitszustand der Komponenten und nicht auf die Kapazität parametrisiert ist.
Messansätze für die thermische Impedanzspektroskopie von Li-Ionen-Batterien
Die Leistung, Lebensdauer und Sicherheit von Batterien hängen stark von der Temperatur ab. Angesichts der hohen Nachfrage nach Leistung ist das Wärmemanagement immer wichtiger geworden.
Über die Autoren
Alexander Karger
Alexander Karger ist Batterie- und Machine-Learning-Ingenieur bei TWAICE, wo er an der Entwicklung modernster Batteriemodelle für das elektrische, thermische und Alterungsverhalten arbeitet. Gleichzeitig promoviert er am Lehrstuhl für Elektrische Energiespeichertechnik von Prof. Dr.-Ing. Andreas Jossen an der Technischen Universität München (TUM) und publiziert regelmäßig seine neuesten Erkenntnisse. Er hat einen Master in Luft- und Raumfahrttechnik und studierte an der TUM und der Universität Stuttgart. Seine Karriere umfasst Erfahrungen bei Porsche und GE Aviation. Er ist seit 2019 bei TWAICE tätig, ursprünglich um seine Masterarbeit abzuschließen.
Auf Linkedin verbinden
Cedric Kirst
Prof. Jan Singer
Dr. Jan Singer ist Engineering Manager bei TWAICE, wo er sich hauptsächlich mit Labormessungen und Batteriemodellen beschäftigt. Bevor er 2019 zu TWAICE kam, war er wissenschaftlicher Mitarbeiter am Lehrstuhl für Elektrische Energiespeichersysteme, Institut für Photovoltaik, Universität Stuttgart, Deutschland. Während seines Promotionsstudiums unter der Leitung von Prof. Dr.-Ing. Kai Peter Birke konzentrierte er sich auf den Nachweis von elektrochemischen Effekten, die durch Volumendehnungen induziert werden, und die Entwicklung neuer zerstörungsfreier Charakterisierungsmethoden für Lithium-Ionen-Zellen. Seine berufliche Laufbahn begann er 2006 als Mechatroniker bei Harman/Becker Automotive Systems. Im Jahr 2012 schloss er sein Bachelorstudium an der Hochschule Ulm ab. 2015 machte er an der Universität Stuttgart seinen Master of Science.
Auf Linkedin verbinden