Q&A: Lithium-ionen batterijontwerp verbeteren voor 10-minuten snelladen

Dr. Tanvir Tanim en zijn team bij Idaho National Laboratory ontwierpen lithium-ionen batterijen die in 10 tot 15 minuten op een wegkant oplaadstation opgeladen kunnen worden. Ze ontwikkelden een machine learning algoritme dat ongewenste lithium platering detecteert die onder deze omstandigheden kan optreden.

Tech Briefs: Hoe begon het project?

Dr. Tanvir Tanim: We werden betrokken bij het extreme fast charging programma, dat gesponsord werd door het Department of Energy Vehicle Technology Office in 2017. Het doel was om extreme fast charging (XFC) in lithium-ionen batterijen mogelijk te maken — 10 tot 15 minuten laden of zo — basisweg om de EV oplaaderervaring vergelijkbaar te maken met benzinevoertuigen' tankervaring. Dat is een van de grote overwegingen voor elektrische voertuigconsumenten.

Voor dat programma testten we veel lithium-ionen batterijen bij extreme snellaadsnelheden. Wanneer je deze batterijen met hoge snelheden laadt, loop je tegen veel problemen aan — lithium platering is een van de grote. Batterijen bevatten een eindige hoeveelheid lithium, dus je wilt niet dat het verloren gaat tijdens laden en ontladen, je wilt dat het heen en weer cycelt van anode naar kathode. Tijdens snelladen kan het cyclbare lithium echter op het anodeoppervlak geplateerd worden, wat een ongewenste parasitaire reactie is — het geplateerde lithium kan niet hersteld worden — tijdens ontlading kan het niet terugkeren naar de kathode.

Er zijn andere problemen met platering. Als je het niet vroegtijdig detecteert, zal het doorgaan en kan resulteren in een catastrofale gebeurtenis. Bijvoorbeeld, het geplateerde Li kan een dendritische vorm aannemen en als een naald uit de anode groeien en de scheider doorboren, wat een interne kortsluiting creëert.

Dus, we testten veel lithium-ionen batterijen, deden ontwerpwijzigingen, en testten opnieuw om te zien of lithium platering plaatsvond. Op dat moment hadden we echter geen goede manier om de platering te detecteren. Na testen zouden we de cel open scheuren om te zien of er platering was, of we zouden additionele post-testen doen. We hadden geen echt electrochemisch handtekening-gebaseerde lithium-plateringsdetectiemethode maar we leerden veel.

Toen werden we betrokken bij een ander programma, genaamd physics-based machine learning, ook gefinancierd door DOE. Het doel voor dat programma was om kunstmatige intelligentie/machine learning-gebaseerde algoritmen te ontwikkelen voor het verkrijgen van een betrouwbare projectie van batterijlevensduur samen met het identificeren van de onderliggende root causes van degradatie. Op dat moment hadden we veel data verzameld en een uitgebreid begrip gegenereerd van verschillende degradatiemodi en mechanismen. We dachten, aangezien we al die data hebben, en we electrochemische handtekeningen kennen die terugkoppelen aan lithium platering, waarom formuleren we dat niet in een machine learning probleem. We konden de electrochemische handtekeningen gebruiken, machine learning erin brengen, en zien of dat ons kon helpen een strategie te bedenken om lithium platering te detecteren.

Een ding leidde tot een ander, en we bereikten de conclusie dat dit een heel nette methode kon zijn voor het vroegtijdig detecteren van lithium platering, zonder de cel open te scheuren. De cel open scheuren en post-testen doen kost tijd, is duur, en vertraagt de batterijlevenscyclusontwikkeling.

Tech Briefs: Dus jouw methode was om bepaalde electrochemische handtekeningen te detecteren?

Tanim: Op dat moment hadden we tonnen electrochemische data, en een goed begrip van de fysica erachter verkregen. We identificeerden de sleutel electrochemische handtekeningen die teruggekoppeld konden worden aan lithium platering. Toen liepen we met die data, brachten machine learning erin, en losten het probleem op dat we op dat moment geformuleerd hadden.

Tech Briefs: Kun je me iets vertellen over welke specifieke soorten data je gebruikte?

Tanim: We waren primair gefocust op electrochemische data omdat je die gemakkelijk kunt verzamelen — in feite, tijdens testen kijken we altijd naar electrochemische handtekeningen om levensduur en prestatieproblemen in lithium-ionen batterijen te beschrijven. Typische handtekeningen zijn spanning, stroom, temperatuur, en zo voort. Je kunt die handtekeningen converteren in verschillende secundaire variabelen. Bijvoorbeeld, we keken naar ontladingscapaciteit en capaciteitsverval trends, hun lineariteit of non-lineariteit. Ook, de eind-van-lading rustspanning, eind-van-ontlading spanning en hoe ze veranderen over cycli, en in toevoeging, coulombische efficiëntie.

Tech Briefs: Wat betekent ontladingscapaciteit?

Tanim: Als je de batterij gebruikt, haal je energie eruit, dat noemen we ontlading. Een van de maten van capaciteit is ampere-uren.

Tech Briefs: Hoe zit het met capaciteitsverval?

Tanim: Een nieuwe batterij heeft een bepaalde capaciteit — laten we zeggen één ampere-uur. Met cycli, gaat die capaciteit afnemen. Capaciteits- (of energie-) verval is het percentage van afname. In normale gevallen zal de afnametrend tamelijk lineair zijn, met name in de initiële cycli. Maar met lithium platering is de trend zeer non-lineair — hogere vervalsnelheid aan het begin en minder verval later.

Lithium platering kan onder verschillende omstandigheden optreden. Naast snelladen, kan het optreden als je een batterij laadt bij sub-nul temperatuur, of als er verouderingsgerelateerde onbalansproblemen in de batterij zijn. De handtekeningen zijn misschien niet gelijk gevoelig voor al die plateringsomstandigheden. Dus, we identificeerden de meest gevoelige handtekeningen voor snelladen en gebruikten ze om ons machine learning algoritme te ontwikkelen.

Tech Briefs: Wat zijn de handtekeningen die je gebruikte?

Tanim: We vonden dat de meest gevoelige handtekeningen voor snelladen trends waren in hoe de celcapaciteit vervalde, lineair of non-lineair, eind-van-lading rustspanning, en coulombische efficiëntie.

We vonden ook dat twee prominente handtekeningen die anderen gerapporteerd hebben, dQ/dV en dV/dt, niet erg gevoelig waren onder snellaadomstandigheden, tenzij er erg agressieve plateringssituaties waren.

Tech Briefs: Kun je coulombische efficiëntie uitleggen?

Tanim: Coulombische efficiëntie is het percentage ratio van ontladingscapaciteit gedeeld door laadcapaciteit.

Tech Briefs: Hoe meet je capaciteitsverval?

Tanim: Je moet wat testen doen. Op labschaal, wanneer we de batterij cyclen, kunnen we een bepaalde cyclus kiezen om de laad- of ontladingscapaciteit te meten. Van stroom en tijd kunnen we de capaciteit in ampere-uren berekenen. Nu als je hetzelfde proces herhaalt naarmate de batterij degradeert, kun je de capaciteit in een verouderde toestand vinden en daaruit het percentage verval berekenen (het capaciteitsverval ten opzichte van de verse toestand).

Tech Briefs: Heeft u geëxperimenteerd met verschillende laadprotocollen?

Tanim: Om lithium platering te vermijden kun je het batterijontwerp op verschillende manieren wijzigen: je kunt materialen veranderen, je kunt elektrodeontwerp veranderen of diverse andere aspecten van het batterijontwerp, zoals het elektrolyt.

Je kunt ook de bedrijfsomstandigheden of laadprofielen veranderen. Bijvoorbeeld, je kunt verschillende laadprotocollen proberen en ze vergelijken met een baseline. Bijvoorbeeld, in plaats van constant current/constant voltage, kun je multistep of andere laadprotocollen proberen. En je kunt ook temperatuur veranderen.

Onze methode voor het detecteren van lithium platering zal toepasbaar zijn ongeacht ontwerpwijzigingen of laadprotocollen.

Tech Briefs: Hoe zie je dit geïmplementeerd?

Tanim: Er zijn twee scenario's waarbij deze methode een waardevolle bijdrage zal leveren. Het eerste is voor gebruik door onderzoekswetenschappers in een lab. Deze methode zal ons sneller vertellen of onder de gegeven bedrijfsomstandigheden lithium platering ofwel gebeurt of niet — we hoeven de cel niet open te scheuren of enige post-testanalyse te doen. Alleen de electrochemische handtekening zal ons vertellen of lithium platering gebeurt voor dit specifieke ontwerp en bedrijfsomstandigheid. Dat kan binnen 10 tot 25 cycli gedaan worden. Het laat ons weten of we het ontwerp van de batterijen moeten wijzigen — we willen dat zo snel mogelijk identificeren. We kunnen dan teruggaan, het ontwerp heritereren, en de test opnieuw doen om te zien of we in de juiste richting bewegen.

Electrochemische handtekeningen, met enige wijziging en verdere verificatie, kunnen ook geïmplementeerd worden in een batterijbeheersysteem aan boord van een elektrisch voertuig alsook in stationaire toepassingen waar lithium-ionen batterijen gebruikt worden. OEMs of batterijfabrikanten verzamelen al de meeste van deze handtekeningen. Als baseline gebruikend, kunnen we, misschien niet in een vroege levenscyclus, misschien een paar jaar de weg op, de gebruiker waarschuwen dat hoewel de batterij aan het begin van zijn leven prima was, er iets veranderd is, en lithium platering begonnen is te gebeuren. "Omdat er nu lithium platering is, is dit een vroege waarschuwing dat je iets aan de batterij moet doen."

Tech Briefs: Kun je een gok wagen over hoe snel dit gecommercialiseerd kan worden?

Tanim: We hebben een voorlopig octrooi op dit en we werken aan het indienen van het volledige octrooi heel snel. We zoeken ook naar samenwerkingskansen om het verder te ontwikkelen en we zien veel interesse van private bedrijven. Ook heeft DOE een technologiecommercialisatiefonds waar we met andere private industrieën kunnen samenwerken en het verder verbeteren en demonstreren voor onboard toepassingen, maar ik wil je geen bepaalde gok geven.

Een bewerkte versie van dit interview verscheen in de december 2021 editie van Tech Briefs.