锂沉淀风险与充电控制的挑战
前言：锂离子电池（LIBs）由于其高比能量和高比容量等吸引人的特点，在电动交通领域迅速受到欢迎。随着电动汽车（EVs）和LIB的使用迅速增长，过去几年见证了对电池管理系统（BMS）进行广泛研究，包括状态估计、健康预测和故障诊断。
追求最大充电速度存在违反关键物理限制的风险，同时可能导致意外的热量/应力积聚和副反应。在最糟糕的情况下，这可能导致效果下降、快速损耗甚至安全风险。
充电控制已经成为广泛研究的课题，产生了多种解决方案，可分为两个基本类别。第一组是启发式的基于规则的方法，这些方法是无模型的常用方法，广泛应用于实际应用中。
恒流-恒压（CCCV）充电协议及其多种版本，如多阶段恒流（MCC）、多阶段CCCV和提升充电，都是众所周知的选择。尽管这些方法复杂度低，但它们是经验性的，缺乏对电池动力学和物理限制的充分了解。
这些方法在充电速度、电池安全性和耐久性方面都远未达到最佳状态。这促使研究第二类方法，即基于模型的策略。
一些研究通过使用高精度电池模型来解决充电安全性问题，利用多孔电极电化学模型和双态热模型进行收集了大量的训练和测试数据，并构建了LSTM（长短期记忆）模型。
电流、电压、电荷状态和表面温度等参数可以用来预测不同情况下的阳极电位。他们没有考虑到电池健康状况对电池模型参数的影响，而且使用的电化学模型复杂，很难获取参数值。
利用阳极过电位观测器实时监测充电过程中的锂沉积状态，并实时调整电流，以确保锂电池不处于耗锂状态。为了确保参数识别结果的精确性和通用性，选择了16个表现相似的电池，并将其均匀分成两组。
两组电池在不同的环境温度下进行参数识别。第一组在5℃、15℃、25℃和35℃下进行识别，而第二组在10℃、20℃、30℃和40℃下进行识别。
参数识别的结果被用作模拟模型的输入，该模型生成了在不同温度下的电池端电压的模拟曲线以及相应的误差曲线。
误差曲线中显示了一个放大的部分，其中计算电压和记录电压之间的差异最显著。模拟中的大部分不准确性发生在电流激励突变点。
本研究仅考虑了20%到80%的SoC范围，以确定安全边界和快速充电策略。这个决策基于LIBs的欧姆内阻在SoC低于20%时会显著增加的事实。
目前进行高速充电可能会导致欧姆极化过电位显著增加，从而阻碍锂离子电池（LIBs）内部的化学过程，导致其总体容量下降。
如果电池的电荷状态（SoC）超过80%，使用快速充电可能会导致电压升高，使电池达到最大容量，并使负极更容易发生锂沉淀，这已经被观察到。
当负极电位相对于参考电极Li/Li+低于0 V时，定义电池发生锂沉淀。使用模型模拟在一定温度下，从20%到80%的SoC下，负极电位随SoC变化的曲线。
利用改进的遗传算法使用SP+模型生成不同工况下的充电策略，与1C-CCCV和6C-CCCV充电策略进行对比。目标是展示所提出的充电策略能够在充电过程中减少热量产生，同时缩短充电时间。
结论：在对电动车充电控制进行了深入研究并通过对不同温度下的电池进行参数识别，建立了模拟模型并生成了电池端电压和误差曲线。提出了一种改进的遗传算法，并将其与传统的1C-CCCV和6C-CCCV充电策略进行了比较。
在考虑了电池的健康状况和电荷状态对充电策略的影响情况下，建立了电池的安全边界。为电动车充电控制提供了一种改进的充电策略，并提出了充电过程中的安全边界。
这对于推动电动交通的发展，提高电池的性能和可靠性具有重要意义。未来的研究可以进一步探索其他充电控制方法，并在实际应用中进行验证和优化。
