锂沉澱風險與充電控制的挑戰
前言：锂離子電池（LIBs）由于其高比能量和高比容量等吸引人的特點，在電動交通領域迅速受到歡迎。随着電動汽車（EVs）和LIB的使用迅速增長，過去幾年見證了對電池管理系統（BMS）進行廣泛研究，包括狀态估計、健康預測和故障診斷。
追求最大充電速度存在違反關鍵實體限制的風險，同時可能導緻意外的熱量/應力積聚和副反應。在最糟糕的情況下，這可能導緻效果下降、快速損耗甚至安全風險。
充電控制已經成為廣泛研究的課題，産生了多種解決方案，可分為兩個基本類别。第一組是啟發式的基于規則的方法，這些方法是無模型的常用方法，廣泛應用于實際應用中。
恒流-恒壓（CCCV）充電協定及其多種版本，如多階段恒流（MCC）、多階段CCCV和提升充電，都是衆所周知的選擇。盡管這些方法複雜度低，但它們是經驗性的，缺乏對電池動力學和實體限制的充分了解。
這些方法在充電速度、電池安全性和耐久性方面都遠未達到最佳狀态。這促使研究第二類方法，即基于模型的政策。
一些研究通過使用高精度電池模型來解決充電安全性問題，利用多孔電極電化學模型和雙态熱模型進行收集了大量的訓練和測試資料，并建構了LSTM（長短期記憶）模型。
電流、電壓、電荷狀态和表面溫度等參數可以用來預測不同情況下的陽極電位。他們沒有考慮到電池健康狀況對電池模型參數的影響，而且使用的電化學模型複雜，很難擷取參數值。
利用陽極過電位觀測器實時監測充電過程中的锂沉積狀态，并實時調整電流，以確定锂電池不處于耗锂狀态。為了確定參數識别結果的精确性和通用性，選擇了16個表現相似的電池，并将其均勻分成兩組。
兩組電池在不同的環境溫度下進行參數識别。第一組在5℃、15℃、25℃和35℃下進行識别，而第二組在10℃、20℃、30℃和40℃下進行識别。
參數識别的結果被用作模拟模型的輸入，該模型生成了在不同溫度下的電池端電壓的模拟曲線以及相應的誤差曲線。
誤差曲線中顯示了一個放大的部分，其中計算電壓和記錄電壓之間的差異最顯著。模拟中的大部分不準确性發生在電流激勵突變點。
本研究僅考慮了20%到80%的SoC範圍，以确定安全邊界和快速充電政策。這個決策基于LIBs的歐姆内阻在SoC低于20%時會顯著增加的事實。
目前進行高速充電可能會導緻歐姆極化過電位顯著增加，進而阻礙锂離子電池（LIBs）内部的化學過程，導緻其總體容量下降。
如果電池的電荷狀态（SoC）超過80%，使用快速充電可能會導緻電壓升高，使電池達到最大容量，并使負極更容易發生锂沉澱，這已經被觀察到。
當負極電位相對于參考電極Li/Li+低于0 V時，定義電池發生锂沉澱。使用模型模拟在一定溫度下，從20%到80%的SoC下，負極電位随SoC變化的曲線。
利用改進的遺傳算法使用SP+模型生成不同工況下的充電政策，與1C-CCCV和6C-CCCV充電政策進行對比。目标是展示所提出的充電政策能夠在充電過程中減少熱量産生，同時縮短充電時間。
結論：在對電動車充電控制進行了深入研究并通過對不同溫度下的電池進行參數識别，建立了模拟模型并生成了電池端電壓和誤差曲線。提出了一種改進的遺傳算法，并将其與傳統的1C-CCCV和6C-CCCV充電政策進行了比較。
在考慮了電池的健康狀況和電荷狀态對充電政策的影響情況下，建立了電池的安全邊界。為電動車充電控制提供了一種改進的充電政策，并提出了充電過程中的安全邊界。
這對于推動電動交通的發展，提高電池的性能和可靠性具有重要意義。未來的研究可以進一步探索其他充電控制方法，并在實際應用中進行驗證和優化。
