电动汽车动力电池研究展望:智能电池、智能管理与智慧能源*
2022-05-05王亚楠韩雪冰卢兰光冯旭宁李建秋欧阳明高
王亚楠,韩雪冰,卢兰光,冯旭宁,李建秋,欧阳明高
(清华大学,汽车安全与节能国家重点实验室,北京 100084)
1 电动汽车动力系统概述
1.1 现存关键问题
为助力“双碳”目标的实现,汽车电动化发展势在必行,动力电池是电动汽车动力系统的关键部件,亟需开展深入研究。本文中从智能电池、智能管理和智慧能源三大方向阐述当前动力电池系统发展面临的关键问题和主要需求,并从材料科学、物质科学到系统科学等多个层面展开评述动力电池系统感知、监测、管理直至能源互动的研究现状和发展趋势。
1.1.1 智能电池与主动控制
电池内部存在大量的复杂微观电化学反应,对电池的长期稳定运行有严重危害,电池外部传感如电流、电压和温度表现微弱、且存在滞后性,往往直到电池内部已因剧烈反应导致燃烧、爆炸时,电池管理系统(battery management system,BMS)才能监测到异常信号。带有多智能传感器的智能电池,可监测电池内部温度、电极电位、压力和气体等多种信号,从而可更精准地进行电荷状态估计和主动控制,是下一代电池的发展方向。针对各传感器信号的处理、分析及其在BMS中的作用,仍缺乏系统性的研究。此外,目前多数传感器仍寄生于电池外部,一方面是植入技术不成熟,另一方面是植入所带来的电池隐患难以排除,这些都是亟需解决的技术难题。
1.1.2 电池缺陷与安全监测
电池缺陷已成为电动汽车热失控的重要诱因。在生产端的缺陷未能被有效地识别,流入市场后触发随机性、突发性事故,目前无法通过测试进行评估,也缺少专门的质量管理手段来完全消除隐患。如何在生产端有效控制缺陷和识别预警亟待研究。在单体层面,内部缺陷区域可能已经触发热失控而没有外在显示。在模组层面,缺陷电池与正常电池在相同条件下可能呈现出截然不同的现象。在系统层面,现有算法主要聚焦于已知故障类型的分类或分级,而故障背后的缺陷类型缺少描述,对于故障的发展趋势和潜在风险无法准确分析。此外,缺陷引发电池热失控的机理(突发型热失控机理)尚不明确,并存在传感器布置数量少、数据的精度与同步性差、无法获取电池内部信息和传感器成本与寿命等问题。
1.1.3 电池衰退与智能管理
2023年即将退役的锂离子电池的总容量预计将达到48.09 GW·h,其后续处理方式关系到环境保护和资源循环再利用等,但电池的回收和梯次利用尚缺少对退役电池快速有效的检测、评价和筛选手段,如电池性能“跳水”问题。针对电池老化衰减和大规模退役电池的发生,适用于全气候全生命周期的电池智能管理技术亟需完善。现有建模技术如电化学模型、等效电路模型(equivalent circuit model,ECM)、数据驱动模型等,都存在各自的局限性,如电化学模型参数辨识问题、ECM的物理解释问题、数据驱动模型的过拟合、工况匹配和噪声干扰等问题。智能管理还须结合电池老化衰减过程进行充电管理、热管理和均衡管理,目前在线控制策略仍存在缺少电化学机理描述、精度不高和难以提前预测等问题。
1.1.4 电池储能与智慧能源
从加油到充电,车辆的能源补给方式产生巨大的变革,车辆也可成为移动的储能站。(1)在快充快换方面:锂离子电池快充的安全性不足,快充过程的产热问题严重,热管理系统设计困难,基础设施建设和运行成本过高;而换电式补给实现多站多车型兼容互换是最大的难点,换电车和电池的不可靠连接存在潜在安全风险,换电设备一次换电成功率相对较低。(2)在车站互动方面:充换电设施与屋顶光伏、建筑用能等构成能源补给微网;如何对上级电网、可再生能源发电、电动汽车充换电负荷间的能量进行优化调度,促进微网内部可再生能源的消纳和降低对电网冲击等亟需深入研究。(3)在车网协同方面:目前大范围大规模电动汽车调度技术的实时性有待验证,基础设施改造成本较高,缺乏有效市场机制和商业模式,很多充电接口和通信标准尚不支持车辆放电行为或高频切换的充放电模式。
1.2 主要需求
上述行业痛点与技术难点问题,为动力电池系统明确了需求,形成未来研究的聚焦点。
1.2.1 智能电池与主动控制
针对多种传感功能的传感器,亟需开发微型化、高稳定、低阻隔的植入电芯式器件。围绕无损植入式智能电池传感的核心,须优化传感器的材料与功能,开发智能传感系统的安全构建策略,搭建信号提取和无线传输功能,加强对电池安全的主动控制能力。此外,须考虑电池内部状态复杂性,从电池机理出发建立传感器信号与电池内部状态映射关系,研究多种信号协同估计方法。此外,在电池的主动控制方面,须研究对温度、电流和电压等协同控制的方法,在保证电池安全长寿运行的同时实现更优的动力性。
1.2.2 电池缺陷与安全监测
针对电池缺陷问题,须围绕电池缺陷致失效机理、安全边界和外在特征开展研究。须阐明全生命周期下缺陷发展过程与关键指标,建立缺陷诊断管理体系。基于电池缺陷相关机理与特征,强化现有诊断算法,对故障进行定量分析并预测故障的发展趋势。此外,须增加温度传感器的布置数量,提升现有传感器的数据精度、采样频率和数据同步性,并结合智能传感方向的研究与技术,布置诸如气体和形变等其他传感器,获取更多信息。
1.2.3 电池衰退与智能管理
针对退役电池的回收和梯次利用,须开发快速有效的无损检测和筛选方法。同时,关于电池性能“跳水”机理目前还没有明确的定论,尚须开展研究。还须进一步开发相应的全生命周期管理技术,用于预测电池的寿命(“跳水时刻”)和优化电池使用工况。针对全气候全生命周期电池智能管理,在考虑电池老化衰减的情况下,改进电化学、等效电路和数据驱动等建模技术,开发可靠有效的与高精度寿命相关的关键状态估计方法,并结合智能传感和主动控制等方面的研究,完善在线充电管理、热管理和均衡管理策略。
1.2.4 电池储能与智慧能源
(1)对于充换补给:须开发高比能量锂离子电池及其全气候安全快充算法,开发宽温域管理技术和精准控温策略;探索大功率柔性充电技术,加快快充基础设施的普及程度;不断创新换电模式和换电装备技术,加强换电车辆和电池安全保障措施,研发大范围高精度车辆停车位置精确检测系统等。(2)对于车站互动:须探索能源补给微网多层级多时间尺度运行优化策略,在微网层级研究“源−网−荷−储”自适应协调控制方法,在系统层级研究上级电网与本地微网的动态互动算法。(3)对于车网协同:须设计大规模电动汽车接入电网的聚合算法,及其参与配网和大电网的调控策略,以保证电动汽车响应能够满足电网调节的需求;同时应发展低时延的响应技术和长寿命电池管理技术。
1.3 共性问题与关键技术
1.3.1 全生命周期流场分布
(1)物质能量流
在车用锂离子电池全生命周期演化过程中,物质与能量的流动形成从材料到系统又通过资源回收再生回到材料的链式闭环,即电池物质流(图1)。其中,以材料−单体−系统−整车−车辆运行−残值评估−回收−资源再生−材料为主线。
图1 车用锂离子电池全生命周期物质流
(2)数据信息流
随着数字化程度的加深,锂离子电池的物质流中还包含大量数据和信息流(图2)。大数据造就了伴随电池全生命周期不同类型、层级的数据,构成了电池单体、模组、整包甚至整车的数据画像。这些数据最终汇聚至云端平台作为优化管理的主要数据来源。
图2 车用锂离子电池全生命周期信息流
(3)流场综合管理
结合图1和图2,BMS设计须紧紧跟随全生命周期物质流和信息流的流动方向与分布,而如何充分利用积累数据和合理调控能量交换,是如今电动汽车动力系统的共性问题。对能量交换的合理优化,能够将电动汽车与充换电站、电网等互动,实现调峰调频、削峰填谷等功能;有效利用积累数据,建立城市甚至大区域的车辆数据库,挖掘机理相关特征,并结合数据驱动算法和数字孪生技术等,实现电池一致性分析、安全预警、寿命预测和残值评估等一系列多维度全方位的综合管理功能。
1.3.2 数字孪生技术
数字孪生技术充分利用物理模型、传感器采集信息和运行数据等,集成多学科、多物理量和多尺度的仿真过程,在虚拟空间中完成对实体锂离子电池全生命周期过程的映射,为车辆BMS构建高精度数字模拟模型,即虚拟电池模型(图3)。根据云端历史数据,基于平台的强大算力和存储空间构建电池孪生模型,能够大幅提升状态估计精度、安全预警能力和主动安全防护机制效率,与传统BMS技术相比,可更有效地减少前期开发过程中的实验量,缩短开发周期。
图3 基于数字孪生的电池管理
1.3.3 云边端构架
云−边−端构架正在推动BMS的发展。云计算物联网的出现,使BMS能够实现聚合大数据分析等功能。物理世界和虚拟世界之间的通信通常由终端、边缘和云组成的框架来实现,基于云−边−端构架的下一代BMS(图4)可提供传统BMS难以实现的高精度电池状态监测,并改善电池性能预测和其他复杂优化功能。
图4 云−边−端构架的下一代电池管理体系
2 智能电池与主动控制
2.1 智能感知
针对电池内部物理化学状态的识别,研究人员提供了多样的感知机制,期望借由更多物理化学信号的提取,帮助BMS以相对较少的测试数据,建立精简高效的主动控制策略(图5)。
图5 智能感知流程
2.1.1 温度
单体成组后组内温差加速电池组劣化,而在高倍率场景下将面临比单体更高的散热压力。因此,须将温度传感信号集成到BMS中实现温度状态的实时监控。但流道的快速降温设计使通道温度与实际温度存在弛豫现象和误差,影响温度探测的准确性,尤其针对突发型热失控,现有感知能力仍十分薄弱。对此,研究人员开展了植入式温度传感器的研究,例如利用柔性电子技术实现电压−电流−温度三合一的传感功能(图6(a)),以及将温度传感器制备到柔性衬底并植入集流体,实现棱柱电池内部原位多点的温度检测。
图6 动力电池植入式传感器方案示例
2.1.2 压力/应变
电池的呼吸作用使单体内部压力随SOC而变化,造成活性材料脱嵌锂前后的体积变化。此类内部压应力无法完全消除,且随着电池充放电的过程会对电池的输出性能和使用寿命产生影响。现有大部分研究是外置压力传感设备,较难及时检测到内部压力变化。因此,慕尼黑工业大学团队通过植入棱柱电池内部TPMS芯片进行实时高精度的气压测量(图6(b)),但该项工作仅仅定性描述了内部气体压力与SOC和老化程度等的非线性关系。智能电池设计须探索压力应变与电池安全状态、充放电状态和衰减程度的映射关系,但目前还没有针对电池内部过充、局部析锂等情况的内部压力分布探测方案,例如可采用柔性的薄膜式压力传感器,但其本身的稳定性有待提升。
2.1.3 光纤布拉格光栅传感器
光纤布拉格光栅(fibre bragg grating,FBG)传感器具有良好的抗腐蚀性、抗拉伸性、高介电性和耐高温性等,应用于电池内部物化环境具有明显的稳定性和良好的温度及应变的探测能力,可同时感知温度和应力的变化。Pecht团队将单根光纤传感器植入纽扣电池,而软包和圆柱等类型电池相比于纽扣电池具有结构优势,如植入LFP软包电池两层隔膜中间,或在圆柱电池中心位置植入。此外,可通过引入两根光纤共同工作对温度和应力的变化解耦。通过降低光纤尺寸,避免对电池结构和离子迁移的影响,FBG传感器对电池的原位在线监测可用于温度或压力模块的原型设计制作,开发最佳充电模式并提高安全性,并为热模型和状态预测方法提供可靠的验证。
2.1.4 气体
锂离子电池循环过程中会释放CH、H、CO等气体,揭示不同气体产生机制和产气检测可用于判定电池特定反应和工作状态。2018年,Kuhn团队针对大容量软包电池单体和电池模组进行了多物理信号监测下的热失控测试,所涉及的物理信号包括电池电压、温度、气体浓度、烟雾、绝缘电阻、应力和气体压力(图7)。但如何在结构封闭的单体电池内部植入气体传感器仍没有较好的解决方案。Hansen团队研究认为采用结构稳定的微米级铜丝生长氧化铜/氧化亚铜纳米线作为气体探测传感器植入到电池内部具有一定的可行性。
图7 开放空间电池模组多传感器融合测试结果[14]
2.1.5 植入式电位传感器
在锂离子电池研究中常采用参比电极测量电池液相电位,将参比电极植入电池中,为电池提供一个原位诊断工具,参比电极此时成为植入式电位传感器,并与被测电极构成测量控制回路。由于短路风险和狭窄的工作空间,参比电极的制作、实测和应用皆须考虑电解质的化学成份和极片几何形状设计等因素。常规类型的制作方法包括T型Swagelok接头装配法、参比电极植入法和原位沉积法等。在实际测试中,参比电极不可避免地会偏离热力学平衡势。因此,电势稳定的参比电极须具备较高的交换电流密度,以使其能快速建立和恢复平衡电位,并具有良好的可逆性。向电池内部植入参比电极,可对正、负极的电化学阻抗谱进行解耦分析,用于研究极片和电解液之间的界面反应等。可在不拆解电池的情况下,监测电池运行状态。此外,研究人员通常使用参比电极确定电池快充边界,优化充电策略等。
2.2 智能电池应用与主动控制
植入多类传感器的智能电池,可使其管理与控制得到简化或完善,从而为BMS更具实用性的安全可靠提供了更多可能性(图8)。压力传感器的布置位置较为灵活,软包电池可布置在电芯之间,而方壳电池可布置于电芯内部卷芯之间。在单体热失控初期副反应加剧,电池温度和压力信号都会上升,温度传感器和压力传感器配合进行有效预警和防止产生更严重的安全事故。另外,有研究表明,电池的压力会随着电池荷电状态(SOC)变化发生规律性变化,因此基于压力传感器的SOC估计或许会成为电池SOC估计技术的突破点。在实车运行过程中可能会形成热梯度,导致附于电池表面的温度传感器测温值与电芯内部真实温度产生较大差异。传统电池内部温度状态估计方法,如基于三维电池热模型、降阶模型温度估计,卡尔曼滤波器估计等具有不同精度和复杂度。内部植入温度传感器的智能电池,则可完全省去上述估计过程,直接测量电池内部温度。电池功率状态(SOP)的估计往往是基于SOC状态和温度状态进行查表,因此结合内置的电位传感器和温度传感器可进行更准确快捷的SOP估计。有团队研发了一种内部植入镍箔的极速自加热全气候电池,基于此电池的低温加热快充和常温快充都表现出充电速度和寿命上更可靠的控制优势。
图8 智能电池的应用
电池传感器结合分级电池模型可得到两电极电压,再通过闭环反馈可更精确地估计SOC;特别针对磷酸铁锂电池的电压“平台区”问题。电池剩余能量估计方法大部分是以电池SOC估计为基础,因此基于电位传感器还可进行更高精度的剩余能量估计。更进一步,可进行续驶里程的估计。针对电池管理和在线诊断,电池的老化机理可通过可用锂离子损失(LLI)、正负极活性材料损失(LAM)和内阻的变化获得,传统方法是利用双水箱模型端电压重构,而若使用电位传感器,则可直接测得正负极电位而省去模型的重构过程。电位传感器还可应用于析锂检测。锂枝晶的持续生长可能刺穿隔膜导致内短路进而诱发热失控,电位传感器可检测内短路电池的正负极电位的异常变化,以进行内短路的诊断。此外,电位传感器还可以用于过充电检测和辅助设计大倍率无析锂快充算法。
3 缺陷电池与安全监测
3.1 缺陷电池
目前针对电池存在的各类缺陷问题,现有研究主要基于已有的电池老化、析锂和内短路等机理,对缺陷局部影响和致失效过程进行解释性研究,而至今未见有对缺陷电池的整体性和系统性的研究报道。尚未建立各类缺陷与电池热失控事故之间的明确关联,还须对缺陷安全边界和全生命周期缺陷演化机制进行研究(图9)。
图9 缺陷电池主要研究与发展趋势
3.1.1 缺陷与热失控机理
极片缺陷与隔膜缺陷是电池生产缺陷的主要类型。极片可能发生材料缺失、材料团聚、杂质颗粒混入和极片撕裂等缺陷;隔膜可能发生闭孔、褶皱和隔膜裂纹等缺陷。不同类型的缺陷具有不同的理化机理与发展特征,在电池内部可能共同存在并相互影响。目前缺陷相关研究主要关注典型缺陷的复现与机理分析,其中材料缺失、杂质颗粒和隔膜闭孔是最主要的3类。(1)材料缺失即正负极极片活性材料局部的缺失,可能来源于涂层不均、挤压粘连、涂层破裂和涂层剥离等。材料缺失的直接影响是对应区域正负极活性材料比(N/P比)异常。正极材料缺失会导致邻近区域材料的嵌锂量变化大于正常区域,促进不可逆相变和过渡金属溶解等有害副反应的发生,加速材料老化。而溶解后的过渡金属还可能在负极沉积,加速负极老化。同理,负极材料缺失导致的嵌锂量变化和低电位会进一步在充电时导致析锂。缺陷区域正负极材料老化失去活性后,产生与材料缺失类似的效果,导致缺陷区域不断扩大进而加速电池整体的衰退。(2)隔膜闭孔即隔膜内部的孔隙封闭,失去传导锂离子的作用。主要诱因有:①隔膜制造过程中局部未能正常产生多孔结构;②局部挤压力过大,多孔状结构被压缩,孔隙封闭;③局部过热导致隔膜材料融化变形;④外来异物阻塞隔膜孔隙。隔膜闭孔发生后,两侧正负极材料无法直接参与反应。在充电时,缺陷区正极锂离子堆积,大量锂离子从缺陷区边缘绕行流向负极,使缺陷区边缘负极液相电位升高,缺陷边缘更易发生析锂。从实验验证角度,须人为制造闭孔隔膜进行测试找到几何特征−充电倍率的安全边界。除缺陷区边缘的直接析锂外,析出的锂也可能造成阻隔效应,导致缺陷区域扩大。(3)颗粒杂质可能来源于上游原料、切割环节的碎屑、加工设备磨损粉尘和焊接环节的焊渣等。颗粒杂质混入电池后,失效机理主要有直接机械损伤与间接金属枝晶两类。直接机械损伤即颗粒本体在外部压力作用下对极片和隔膜造成破坏。间接金属枝晶指混入正极的颗粒在高电位下发生电化学腐蚀溶解,而后在低电位的负极析出为金属枝晶,枝晶不断生长穿透隔膜引发内短路。当短路点温度超过隔膜崩溃温度,引发热失控。
3.1.2 缺陷识别技术
电池生产的多个环节均可能产生缺陷并流入市场,现有缺陷识别技术研究主要在生产线上开展,在使用环节的识别技术较少。在生产线上,主要的检测技术可以分为视觉方法和特殊设备两类。部分缺陷可体现为材料外观的异常,可通过机器视觉方法进行实时识别,例如基于实时光学图像,结合决策树等人工智能方法,实现对隔膜/极片的全检和对异常点的报警。除几何特征外,各类缺陷也包含其他可用于识别的特殊表现。例如,隔膜裂纹导致隔膜透气性改变,可采用气压检测方法。金属颗粒不直接造成短路时,可能存在尖端放电现象,对注液前干极片正负极施加高电压,金属颗粒将可能被击穿,以此实现缺陷识别,即HIPOT检测。对于已组装完成的电池,可以使用超声波或CT方法进行内部探伤,识别缺陷。以上方法均适用于生产线检测,车上的在线缺陷识别方法尚待研究。
3.2 安全监测
锂离子电池系统的安全预警主要是针对电池热失控的预警,目前车用BMS和绝大部分电池安全预警方法都是基于电−热信号。此外,也有相关研究根据气体、声音和形变等多传感器信号进行电池安全监测(图10)。
图10 安全预警方法主要分类
3.2.1 基于热失控机理的安全预警方法
基于热失控机理的安全预警方法以某种具体的热失控诱因作为检测目标,比如电化学诱因中的内短路、析锂,电诱因中的外短路或热诱因中的异常接触电阻。对于内短路检测,其检测原理可以概括为:基于电和热信号提取反映内短路的异常放电或异常产热的特征参数并报警。现有大部分内短路检测方法除受限于特定工况、特定电池组结构和特定电池数量外,还面临一个共同的不足:算法的有效性验证几乎都是通过并联短路电阻或用外短路代替内短路来实现,其本质是对并联等效电阻的检测,缺少内短路机理的支撑导致只适用于等效电阻定义范畴内的短路情况。对于析锂检测,其检测原理包括以下两种:(1)基于锂的重新嵌入过程引起的特征电压信号进行析锂检测,例如电池低温充电后的放电曲线的高电压平台,或充电析锂后的静置电压曲线的高电压平台,Ren等开发了基于充电后弛豫电压微分分析的电池充电析锂定量检测方法;(2)析锂副反应对电池衰减特征有不同程度的影响,通过对比可以判断电池是否析锂,例如容量衰减。现有析锂检测方法一方面受限于监控数据的缺失,另一方面受限于实际运行工况中很少出现恒流充放电情况,且容量、内阻和库伦效率等参数往往难以准确获取。
3.2.2 数据驱动的安全预警方法
数据驱动的安全预警不考虑具体的热失控诱因,而是通过大数据挖掘异常特征。主要分为两类:(1)基于信号分析提取异常值,如熵分析、小波变换、模态分解和相关性分析等,其中以香农熵应用最广泛;(2)机器学习,如聚类、神经网络、支持向量机等构建分类模型或回归模型用于安全预警。典型的输入特征有:电压的“电压偏差增量”和“累积偏差数”,实车大数据的电压、SOC、温度、车速和制动踏板行程等。数据驱动方法的一大局限为需要巨大的数据计算量和存储量,难以在现有车载BMS端部署。但目前很多整车厂都在搭建云端大数据平台,数据驱动的方法有望在此类平台上应用。另外,此类方法是从信息科学角度出发,算法本身与电池热失控机理脱钩,报警信号与电池安全状态难以建立明确的对应关系。
3.2.3 基于多传感器信号的安全预警
在电池的热失控过程中,根据2.1节可知,包括气体等多种类的特征信号需要对应的传感器来测量,而通过综合利用多传感器信号,有望实现更为有效的安全预警。Koch等对大容量软包电池单体和电池模组进行了多传感器信号测量下的密闭环境单体加热热失控实验和开放环境模组针刺实验。测量信号包括电压、温度、气体浓度、烟雾、绝缘电阻、应力和气体压力,结果表明各信号响应速度和显著程度在热失控发生前有所不同。Pannala等通过记忆合金短路触发热失控实验测试了压力传感器的信号响应。Su等针对电池储能应用场景,在标准储能集装箱中进行电池过充热失控实验,比较了多种气体浓度传感器、声音传感器对电池热失控的响应情况。目前基于多传感器信号的安全预警研究仍处在实验阶段,且实验往往采用加热、过充或针刺等较为剧烈的热失控触发方法,没有考虑到诸如内短路、析锂等更为隐蔽的热失控诱因。在实际使用中,还须解决传感器的成本、寿命、布置位置和信号传输方式等诸多问题。
4 寿命衰退与智能管理
4.1 电池回收与梯次利用
4.1.1 电池全生命周期循环与材料回收
部分锂离子电池退役后在特定场景下仍具有应用潜力,若对符合要求的退役电池进行梯次利用,可提高车用锂离子电池全生命周期价值。电池退役后,可根据其剩余能量和健康状况对其进行梯次利用或直接拆解并经过物理和化学过程回收贵金属元素(图11)。正极材料生产成本占电池生产总成本的1/3以上,因此,当前电池回收主要是针对正极材料,回收工艺可以分为火法冶金、湿法冶金和直接修复法等。
图11 锂离子电池全生命周期
(1)火法冶金回收工艺,即将电池在高温煅烧下处理,直接获得贵金属合金和其他副产物。大多数欧美电池回收企业主要采用该工艺路径,如Umicore,Accurec等。由于使用高温处理,工艺较为简单,处理成本低,但常常伴随高能耗、高排放,仍存在尾气收集处理等问题。(2)我国大多企业目前主要采用湿法冶金回收,将废旧电池尤其是其正极材料溶解于溶液中,经过萃取主要元素,获得纯度较高的元素提取液。使用该工艺的代表企业有邦普、国轩高科和华友循环等。该工艺能耦合火法冶金工艺,实现高纯度的元素提取,但也存在流程复杂、设备要求高和使用腐蚀性溶液导致大量废液难以处理等问题。(3)直接修复法是当前受到众多关注的回收方法,与上述工艺的区别在于利用已有金属元素进行材料再制备。依据电池材料性能衰退和失效机理,希望采用简单的物理方法处理废旧正极材料。该工艺具有工艺流程短、设备简单、污染较低和回收效率高等优势。
4.1.2 梯次利用的主要问题与技术难点
退役电池梯次利用的主要问题有:退役电池的分类、筛选和重组;梯次电池的全生命周期管理和安全风险评估。面临的技术难点包括:“跳水”机理分析、老化电池安全性演变、无损快速检测和电池延寿。针对退役电池检测,须根据健康状态和一致性,附加安全性和历史数据,对其进行全方位综合评估(图12)。
图12 退役电池检测思路
容量和内阻健康状态(SOHC、SOHR)的衰退程度影响梯次电池的可用性能,与退役电池残余价值关联;一致性是横向比较模组/电池包优劣的重要指标,可反映“短板”问题及电池历史服役强度。根据退役电池是否有历史数据,解决方案可划分为“黑箱”和“白箱”(图13)。白箱方案具有误差自修正和结果准确的优势,只需很少的退役检测即可实现电池性能的精准评估。黑箱方案须对电池进行全方位摸底测试,再通过经验预测电池寿命,对电池安全性难以评估。
图13 黑箱白箱方案与关键技术
退役电池进行梯次利用后,其在网运维也十分关键(图14)。需要关注“短板”电池的恶化情况,提前判断容量跳水问题,早期更换或维护问题模组;设立多层级安全报警机制,主动辨识+被动防护,保证电池稳定运行;以及通过运维大数据闭环分析,科学优化退役分选体系。
图14 梯次电池在网运维关键问题
4.2 全生命周期智能管理
4.2.1 电池模型
(1)电池动力模型
电池模型可以分为电化学模型、ECM和数据驱动模型(表1)。(1)电化学模型中,伪二维(pseudo−two−dimensional,P2D)模型能较为完整地反映电池内部机理,但其求解计算量较大,难以应用于实时BMS;单检子模型(single particle model,SPM)是P2D最为广泛应用的简化版本,但该模型仅适用于低倍率放电(小于C/2);为适用于高倍率放电工况,通过增加液相锂离子浓度分布的描述,提出增强SPM(enhanced SPM,eSPM)。(2)ECM 结构简单,计算量小,是目前电池在线状态估计过程中应用最为广泛的模型,如1RC和2RC;ECM中的RC环节只能代表固定时间常数的线性特性,而无法充分描述实际电池的全频域响应特性和非线性行为,尤其在低SOC区域模型精度较差;针对以上问题,有研究考虑电池电化学特性提出了基于物理的 ECM。(3)数据驱动模型,其中LR、EL、KNR算法由于无法描述电池退化过程只适用于简单建模场景;深度学习(deep learning,DL)算法较强的非线性建模能力,适用于处理电池的时序大数据,其中RNN可描述时序数据的长期相关性,但易出现梯度消失的问题,可通过改进得到长短期记忆神经网络(LSTM)解决此问题,而CNN通过卷积运算将电池特征进行分解和重组,进而提取有效信息,鲁棒性和稳定性更佳。
表1 锂电池主要建模方法
(2)电池衰减模型
现有锂离子电池寿命衰减模型可以分为经验模型、半机理模型和机理模型(表2)。3类模型目标都是预测电池容量减少和内阻增加的寿命衰减情况。目前工程应用受限于参数标定难度而一般采用经验模型,但由于经验模型为开环模型且参数和不同工况下的自适应性非常有限。因此,研究人员提出了无模型的容量/内阻估计方法,如模糊逻辑的卡尔曼滤波法和数据驱动法等,更进一步可将经验模型与无模型方法结合,实现电池寿命的闭环融合在线预测。
表2 电池衰减模型分类
4.2.2 状态估计
用于表征锂离子电池的电量、容量、能量、功率和安全状态等关键维度的对应状态表示为SOX,如SOC、SOH、能量状态(SOE)、功率状态(SOP)和安全状态(SOS)等(图15)。这些状态的估计方法可分为无模型和基于模型的方法。无模型方法结构简单,如SOC的安时积分法、开路电压法和数据驱动算法等,基于模型方法大部分以表1和表2中的模型为基础,设计观测器或卡尔曼滤波器实现状态估计。目前在实际车载BMS中对多类状态估计普遍采用的是简单、计算量小的查表对照方法。为提高精度,逐渐采用研究最为广泛的基于ECM的卡尔曼滤波系列方法。而现有状态估计还存在几个方面的不足:(1)尚未充分考虑电池耐久性的影响,如单体衰减和系统衰减;(2)在不同工况条件下的自适应性较差;(3)多状态联合估计结合方式单一。因此,估计方法将朝着机器学习和数据驱动算法的方向发展,或开发机器学习与基于模型方法融合的混合算法,以期实现高精度的多SOX估计。
图15 动力电池多状态估计与管理
4.2.3 智能管理
(1)充电管理
在电池运行过程中,充电时间、充电导致的容量衰退和充电效率通常是相互矛盾的。现有充电策略主要分为3类:(1)多阶段恒流−恒压充电策略,采用算法优化阶段次数、电流幅值和阶段时长;(2)基于ECM充电策略,目前部分研究采用ECM提高充电策略性能,然而ECM无法反映电池电化学机理,致使其未能充分利用电池容量和功率;(3)基于机理模型的充电策略,为实现无析锂的无损快充,研究人员尝试采用机理模型。由于电化学−热−老化耦合模型无法直接应用,有研究采用简化降阶模型实现全生命周期充电控制,以平衡充电时间和性能衰退。
(2)热管理
电池包热管理包括高温冷却和低温预热。这里主要阐述电池高温冷却技术。根据冷却介质的不同,目前高温冷却可以分为空气冷却、液体冷却和相变材料冷却,前两者分别适用于小倍率和大倍率场景。冷却效果取决于结构布局、流道设计和冷却控制策略。现有研究大部分关注于控制策略,如模糊逻辑、协同管理和神经网络等机器学习算法。相变材料可以在相变过程中吸收和释放热量,但难以满足大倍率放电场景。目前正探索混合冷却方式,如空气−相变材料和液体−相变材料,充分利用流体给相变材料散热,提高热管理性能。
(3)均衡管理
均衡管理包括均衡结构和均衡策略两个方面。均衡电路主要分为能量消耗型(被动均衡)和能量转移型(主动均衡)。耗能电路由于成本低、控制简单,广泛用于电动汽车均衡管理中。均衡策略可以电压、SOC、容量等多个组合指标为基础。在实际均衡管理中通常采用基于电压的策略,但均衡效率会受到限制。基于SOC的均衡策略以保持SOC一致为目标,可以最大化电池包的容量。基于容量的均衡策略根据总容量、可充电容量和可放电容量,缩短充电时间并增加可用容量。然而SOC和容量无法直接测量,且其估计准确性易受各种因素,如模型精度、老化程度和温度等的影响。
5 电池储能与智慧能源
5.1 快充快换
5.1.1 电动汽车快充系统
电动汽车的快充系统是要求短时间内实现车载电池包的快速能量补给。在电动汽车行业中,存在快充系统(充电功率超过50 kW)和超级充电系统(10 min充电里程增加200英里)的不同定义。为避免电动汽车高比能量锂离子电池大功率充电过程负极析锂、容量衰减和安全问题发生(图16),可从以下方面入手:(1)设计兼顾功率的能量型电池。负极析锂和电池过热是限制充电过程的重要因素,且大容量电池内部存在电位和温度的不均衡特性,因而须设计最优充电曲线,开发电池快充的能力。(2)车−桩系统的合理设计是电动汽车快充的保障。电动汽车的电压平台正逐步向800~1 000 V发展。热管理系统则须解决大功率充电的产热和环境适应性问题。大功率充电会造成充电系统的高产热功率和过温问题。将充电桩和电池系统进行一体化热管理也是一种可行方案。同时,大功率充电还须匹配低温预热技术。目前的可行方法包括:①采用自加热电池实现全气候应用,温升速率可达到60℃/min。②基于电池包分组的车载电机有源激励加热方法,成本低,实车实测温升达到6℃/min以上。③采用充电桩激励交变电流加热电池包的方案,根据充电桩功率不同可实现4~10℃/min的温升速率。(3)充电站建设。充电站的建设须增加建站地点的输配电容量,且运行过程中避免产生过大的功率冲击威胁电力系统稳定性。为实现充电站功率负荷的平稳,可以在充电站配备储能电池,调节电站功率波动。
图16 快充快换技术问题、解决方案和应用场景对比
5.1.2 电动汽车快换系统
换电模式全天候对电池进行补电,大大缩短了等待时间,而车电分离大大降低了新能源车辆的购置成本,有效延缓电池衰减,减少对电网的冲击。目前国内外换电技术均可实现乘用车3 min换电,商用车5 min换电。由于能量补充快,车电分离等技术优势,换电车辆市场已初具规模,前景可期。然而,目前的换电技术还存在多车型不兼容互换,形成“换电孤岛”;换电站数量少,换电等待时间长;换电行业标准化程度低,制造成本高等问题,严重制约了换电模式电动汽车的发展和推广。另外,乘用车快换电池和车的松散结构连接,换电车的安全问题也不容忽视。须从以下几方面实现技术突破:(1)制定完善的互换系列标准,使各个“换电孤岛”形成互联互通互换的网络化基础设施。(2)创新换电模式。采用双机器人协同换电,研发配套的高速换电机器人和协同调度控制系统,最终实现急速“闪换”。(3)智能检测技术。提高车辆停位检测精度,使一次换电成功率接近100%。(4)换电安全技术。建立基于电池状态数据分析的故障预警算法,建设换电车辆安全监控平台。通过车联网实现电池和车24 h自动安全预警与应急处置,确保车辆、电池和驾乘人员的安全。
5.2 车站互动
5.2.1 充换电互补能源系统
为解决可再生能源消纳与大规模电动汽车充电的双重难题,发展快充与快换耦合的多类型电动汽车能源补给微网(图17),并将其作为配电网的重要支撑部分,是一项可行的解决措施与战略方向。快充区通过大功率快充桩为乘用车进行短时、快速热管理或补电,快速换电区为商用车、重型货车等车辆提供换电服务。目前,依据时间尺度和控制对象的差异,电动汽车能源补给微网控制包括变流器层级的动态控制、多变流器间协调和系统层级的能量管理(图18),如下垂控制和规则控制等。现有微网能量管理优化策略的难点在于,可再生能源的间歇性、多变性和充电负荷的随机性,应从通信结构、时间尺度和算法等角度进行改进,结合优化问题的时变性、非线性和随机性,提升能量管理策略的最优性、实时性和鲁棒性。
图17 光储充换智能微网系统
图18 “光−储−充−换”微网分层控制结构
此外,微网运行在并网模式下,参与大电网互动,为大电网提供削峰填谷和频率调节等电力辅助服务。此时,微网能量管理策略的设计须结合大电网服务需求和微网内部运行效益,例如以微网效益优化进行“二次协调”,以及利用价格激励优化区域充换电微网运行,以减小负荷峰谷差等。
5.2.2 光储充互补能源系统
除集中式充电站外,住宅区和工作单位也是电动汽车补电的重要场所。随着新能源发电比例的快速增长,形成建筑光伏一体化的趋势,屋顶光伏−电动汽车−建筑负荷构成建筑微网(见图19)。电动汽车作为移动储能装置,通过双向能量调节,既可充电并消纳光伏发电能量,也可为建筑负荷提供电能补给。建筑微网与电网互动的优化可通过调节建筑微网中不同组成部件及其控制策略,例如动态调整电动汽车充放电倍率以提升光伏能量利用率,根据光伏发电和家庭负荷曲线设计模式划分策略,以及对变频空调进行虚拟同步机改造进而参与微网互动等方法。
图19 光储充互补能源系统示意图
5.3 车网协同
5.3.1 电动汽车与电网协同的必要性
根据《节能与新能源汽车技术路线图2.0》预测,2030年新能源汽车销量将达到汽车总销量的40%~50%,总保有量达到8 000万辆,年用电量将达3 000亿kW·h,相当于2030年全国预测用电量9.87万亿kW·h的3%。到十四五末期,随着交通电气化的加速,将有超过2 000万辆电动汽车的充电负荷接入电网,充电总功率将超过1亿kW,带来海量分布式新增冲击负荷,将给电网安全运营和经济调度带来巨大挑战。在发电侧,存在电源容量与负荷平衡问题。在配电侧,存在电能质量问题,具体包括:谐波污染、电压偏差、变压器过载、三相电压不对称和电压纹波。
车网互动(vehicle to grid,V2G)技术被认为是构建新型智慧电力系统的重要组成部分(见图20)。车网互动的发展能激活海量分布式储能资源,对于电力系统规划和碳减排具有重要作用。与无序充电或单独的智能有序充电相比,V2G能降低用电功率峰值,降低电力系统新增投资甚至将新增投资转为负值,将碳排放也变为负值。然而,车网互动减碳潜力与发电结构密切相关,文献[112]的测算表明,在煤炭发电装机仍大于40%的情景下,V2G反而会造成额外的碳排放。
图20 车网协同层级架构、运营模式与发展展望
5.3.2 电动汽车与电网协同的主要方式
(1)电动汽车接入配电网与微电网
电动汽车接入后,能够改善配网负荷、电能质量和运行经济性。在改善配网负荷方面,美国NREL研究表明,电动汽车大规模接入(渗透率超过50%)并采取有序充电,则几乎不需要发电侧的新增装机。在改善电能质量和运行经济性方面,有研究测算在丹麦使用简单充电计划的系统成本为263欧元/车辆/年,而智能充电车辆的系统成本为36 欧元/车辆/年,节省 227 欧元/车辆/年。文献[115]中引入基于消费者经验数据的行为模型,表明有序充电可以降低发电成本,每辆车每年能带来50−70美元的经济效益;且当电动汽车占比超过20%时,有序智能充电才能发挥较为显著的作用。
(2)电动汽车接入大电网
电动汽车和锂离子电池原理上符合一次调频和二次调频的功率支撑逻辑。一次调频可以通过集中式聚合的电动汽车实现,也可以通过分布式的下垂控制实现。二次调频须进行无差调节,一般在调频控制器中增加积分环节即可实现,但此时对电动汽车提供的能量也有更高要求,须长时间补充造成频率偏差的功率缺口。在新能源和电力电子占比逐渐提高的电网系统中,维持频率稳定除需要电池参与调频环节外,在受到冲击后的第一时间提供虚拟惯量,降低频率变化率和最大波动值将是电网稳定更核心的因素。理想状况下,锂离子电池和电力电子设备应在100 ms~2 s内参与并介入频率波动过程,才能有效地将频率变化率抑制在各个标准的允许范围内。电池本身的特性如最大功率、SOC和SOE等也将制约虚拟惯量的支撑效果。
5.3.3 车网互动的关键环节
(1)关键技术
①低时延通信:需要有统一开发的通信标准,部分车网协同应用(如调频)对通信的实时性要求高,响应时间和实时性分别要在15~30 s和1~3 s范围内。车−桩通信是车−桩−网通信链条上必经环节,其响应时间与实时性必须至少维持在百毫秒级内。②双向电力电子模块:双向DC−DC被认为是目前高压直流充电平台发展趋势下,未来V2G设备的重要支持装置。而在日本的日产公司等采用的交流桩系统中,双向DC−AC则是关键的环节。③长寿命电池:亟需深入研究电池在调峰、调频辅助服务下复杂的衰减特性。④优化调度策略:需要聚合商(aggregator)代表电动汽车集群,通过有效的调度策略,参与日前和实时阶段的电能和辅助服务市场。
(2)市场机制建设
在多市场主体的参与方面,文献[120]中考虑到电动车作为分布式储能系统参与电网调频服务,将车辆作为充放电决策的独立参与主体和聚合商进行博弈,通过智能定价给车主和聚合商带来收益,并满足电网稳定调节的需求。文献[121]中研究了车主和运营商之间签订合同的模式对车主参与V2G意愿的影响,认为相比于传统的预先签订长期合同的方式,聚合商可以采用“现用现付”或预先支付的方式以降低车主的不确定性,从而提升用户参与V2G的意愿。文献[122]中通过在德国的调查,研究了参与V2G与否的个人、技术和经济因素,结果表明“里程焦虑”是用户参与V2G的主要顾虑,消除这类担忧后即使没有很高的报酬也能实现V2G的高参与率。
6 结论与展望
汽车电动化是我国乃至全世界汽车的必然趋势,动力电池系统是关键核心部件,亟需从多个层面开展推进。
在智能电池与主动控制方面,考虑阻隔效应的影响,借助柔性电子技术、先进通信技术,设计植入式无线传输的柔性分布式多信号集成传感器和相应的反馈控制系统将会是下一代BMS轻量化设计与颠覆性发展的关键。
在电池缺陷与安全监测方面,须结合实际制造工艺,进一步分析不同类型不同程度缺陷对应的失效边界,研究缺陷全生命周期演化机制与建模,探索超声、CT、HIPOT、视觉等生产线检测技术,并结合先进传感技术与大数据和人工智能算法,形成可靠的全流程电池安全监测方法。
在电池衰退与智能管理方面,须面向电池全生命周期多阶段应用,从机理研究出发,结合云边端技术、智能算法,形成云端到车端自上而下的管理体系,并在全生命周期维度上,强调管理闭环,增强老化管理、梯次利用和电池回收各环节,形成单体−系统−整车−使用−老化−退役−梯次−回收−再生−材料−单体的全链条闭环智能管理。
在电池储能与智慧能源方面,目前处于前期探索阶段,随着新能源车的飞速发展和可再生能源比例的提升,须在源网荷储各层面,开发先进电力电子技术和分层控制优化算法,考虑充换协同、风光消纳、多能互补和多车聚合,结合大数据和人工智能等,探索兼顾鲁棒性、实时性和最优性的车−站−网多层级多时空尺度运行优化策略,构建多微网协同和与大电网动态互动的能源智能调度系统,实现电力−能源−交通的智慧互联。
感谢作者所在的清华大学车辆与运载学院电池安全实验室的成员李立国、郭东旭、李亚伦、诸斐琴、苏安宇、侯玉昆、王得鹏、孙道明、潘岳、许晓东、袁悦博、魏一凡和毛烁源在本文撰写过程中的协助。