高倍率磷酸鐵鋰電池簡化機理建模與放電特性分析

嚴康為 龍鑫林 魯軍勇 柳應全 吳羿廷

高倍率磷酸鐵鋰電池簡化機理建模與放電特性分析

嚴康為 龍鑫林 魯軍勇 柳應全 吳羿廷

（艦船綜合電力技術(shù)國防科技重點實驗室（海軍工程大學） 武漢 430033）

高倍率磷酸鐵鋰電池的機理建模對電池設(shè)計與應用管理具有重要意義。針對當前機理模型存在全階形式復雜度高、簡化形式在高倍率下難擬合的問題，將簡化的準二維（P2D）電化學模型與雙狀態(tài)熱模型結(jié)合，建立電化學-熱耦合簡化機理模型，并通過參數(shù)辨識實現(xiàn)了模型在10～40高倍率、寬范圍下的實際放電曲線擬合?；诒孀R后的模型，分析了電池高倍率放電下外部曲線變化趨勢所反映的內(nèi)部演化機理，發(fā)現(xiàn)高倍率放電初期電池端電壓秒級的大幅度下降與液相鋰離子濃度分布的不均勻性有關(guān)，放電中期的端電壓回升來源于溫度上升導致的電池內(nèi)部各材料活性的不斷增強。

高倍率 磷酸鐵鋰電池 機理模型 液相擴散 端電壓回升

0 引言

以磷酸鐵鋰為正極材料的鋰離子電池以其優(yōu)異的電化學穩(wěn)定性和長壽命等優(yōu)點，廣泛應用于國防、航天、乘用車等領(lǐng)域各類對安全性、穩(wěn)定性要求較高的場合[1-4]。近年來針對電磁發(fā)射等特殊應用工況設(shè)計的高倍率磷酸鐵鋰電池，其額定放電倍率可達數(shù)十倍[5]，相比傳統(tǒng)5以下的磷酸鐵鋰電池有很大的倍率性能差異。目前對于這類電池的模型及放電特性的研究較少，不利于該類電池的優(yōu)化設(shè)計、應用和成組管理。

針對鋰離子電池的建模方法主要分為等效電路模型、數(shù)據(jù)驅(qū)動模型和電化學機理模型三類[6]。其中等效電路模型[7]利用電路元件的串并聯(lián)來模擬電池的外特性，具有模型簡單、計算量小的優(yōu)點，廣泛應用于各類電池管理系統(tǒng)中；數(shù)據(jù)驅(qū)動模型[8]利用機器學習方法構(gòu)建各外部量之間的映射函數(shù)，靈活性好，可方便擬合電池的外特性曲線；區(qū)別于這兩類側(cè)重于電池外部特性的模型，電化學機理模型通過一系列偏微分方程描述電池充放電過程中的電化學行為，可精確表征電池的內(nèi)部微觀量和外部宏觀量，是進行電池機理研究的必要途徑，其簡化模型也是未來電池應用研究的重要手段。目前，已有學者利用等效電路模型[9]和數(shù)據(jù)驅(qū)動模型[10-12]對高倍率磷酸鐵鋰電池進行了建模，但仍缺少從機理角度出發(fā)的建模研究和特性分析。

由J. Newman、M. Doyle等[13-14]提出的鋰電池準二維（Pseudo-two-Dimensions, P2D）電化學模型作為鋰離子電池機理仿真的經(jīng)典模型，具有很高的計算精度，但其涉及大量相互耦合的偏微分方程和材料參數(shù)，模型求解和參數(shù)辨識均具有相當大的難度，難以在電池實時管理和數(shù)字孿生等領(lǐng)域推廣應用。S. Santhanagopalan等[15]通過“單粒子”簡化，使P2D模型可在小于1的低倍率下快速計算，但簡化模型無法匹配電池高倍率的放電特性。進一步，一些學者[16-17]通過將界面反應凈電流密度簡化為均勻分布，成功擬合5以下鋰離子電池的放電曲線，但還缺乏更高倍率下的簡化機理建模。

本文針對高倍率磷酸鐵鋰電池的簡化機理建模需求，建立了電化學-熱耦合簡化機理模型，通過參數(shù)辨識實現(xiàn)了模型在10～40高倍率、寬范圍下的實際放電曲線擬合，并基于辨識后的模型分析了電池端電壓在40高倍率放電初期秒級大幅度下降和中期回升的內(nèi)部機理。

1 P2D電化學模型及其簡化

圖1 鋰離子電池P2D模型結(jié)構(gòu)示意圖

Fig.1 Schematic diagram of Li-ion battery P2D model

表1 鋰離子電池電化學模型參數(shù)及符號含義

Tab.1 Li-ion battery electrochemical model parameters and symbolic meanings

（續(xù)）

注：下標s表示固相（solid phase），下標e表示液相（electrolyte phase），下標a表示負極（anode），下標sep表示隔膜（separator），下標c表示正極（cathode）。

圖2 簡化的凈電流密度分布

Fig.2 Simplified form of net current density

將式（3）代入式（A1）和式（A2），可得到排除坐標影響的固相擴散方程為

其邊界條件為

將式（3）代入式（A4）和式（A5），可得到解耦后的液相擴散方程為

其邊界條件為

將式（3）代入式（A14），可得到方向兩端靠近集流體位置處的固相電勢為

將式（3）代入式（A10）并沿方向積分，可得到兩端靠近集流體處的液相電勢之差為[16]

將式（3）代入式（A13），可得到兩端靠近集流體處的界面反應過電勢為

整理式（1）、式（8）～式（10），得到電池的端電壓

從式（11）可看出，電池的端電壓由五部分組成，分別對應開路電壓ocv、負極電化學極化過電勢p,a、正極電化學極化過電勢p,c、液相濃差極化過電勢d以及歐姆電壓降ohm，因此定義如下參數(shù)。

則式（11）可改寫為

式（13）即為簡化后的模型端電壓表達式，計算端電壓前需要先得到Li+固、液相分布，再計算電池開路電壓與極化情況。

2 熱模型及與電化學模型的耦合

2.1 雙狀態(tài)熱模型

雙狀態(tài)熱模型基于電芯平均溫度()和電池殼體溫度o()兩個集中參數(shù)狀態(tài)來表征測量的殼體溫度與內(nèi)部電芯溫度的差別[6]，模型結(jié)構(gòu)如圖3所示，相關(guān)的參數(shù)及符號含義見表2。

圖3 雙狀態(tài)熱模型結(jié)構(gòu)示意圖

表2 鋰離子電池熱模型參數(shù)及符號含義

Tab.2 Li-ion battery thermal model parameters and symbolic meanings

根據(jù)圖3可列寫傳熱方程[18]為

其中，電池放電過程中的產(chǎn)熱功率()可根據(jù)電模型輸出結(jié)果進行計算，即

2.2 電化學模型的熱耦合

電芯溫度對電化學參數(shù)s,a/c、e、a/c、ohm的影響可通過Arrhenius公式來修正[19]，即

式中，0為各電化學參數(shù)在25℃下的取值；a為各電化學參數(shù)隨溫度變化的活化能。

基于以上方程，整理簡化機理模型電化學-熱耦合計算流程如圖4所示。

圖4 簡化機理模型計算流程

3 模型求解與驗證

3.1 已知參數(shù)取值

簡化機理模型的參數(shù)可分為常數(shù)、電池設(shè)計參數(shù)和材料性能參數(shù)三類，其中常數(shù)、電池設(shè)計參數(shù)和部分材料參數(shù)可作為已知參數(shù)，取值列于表3。

表3 簡化機理模型已知參數(shù)取值

Tab.3 Known parameters of simplified mechanism model

石墨負極和磷酸鐵鋰正極的開路電動勢a/c與嵌鋰百分數(shù)a/c的關(guān)系可表示為[20]

3.2 計算節(jié)點劃分

式（4）、式（6）所對應的Li+固、液相擴散方程為偏微分方程，本文采用有限差分法（Finite Difference Method，F(xiàn)DM）對其進行離散化處理[22]。

由于機理模型涉及較多難以直接獲取材料的性能參數(shù)，可采用遺傳算法[23]、粒子群算法[24]等智能搜索算法進行參數(shù)辨識，這要求模型的單次運算時間不能過長。圖5展示了不同等距節(jié)點數(shù)下的負極固相與正極固相Li+濃度沿方向的分布，可以看出當節(jié)點數(shù)較少時，隨著計算節(jié)點的增加，固相Li+濃度分布有較為明顯的變化。較多節(jié)點可更為精確地描述Li+濃度分布，但也會增加模型單次運算時間，因此，選取負極固相計算節(jié)點數(shù)s,a=20，正極固相計算節(jié)點數(shù)s,c=25。圖6為不同節(jié)點數(shù)下的液相Li+濃度沿方向的分布，其中負極、隔膜與正極區(qū)域的節(jié)點數(shù)相同，節(jié)點在各區(qū)域內(nèi)為等距分布，可以看出計算節(jié)點數(shù)的變化對各節(jié)點處的液相Li+濃度影響較小，因此可在運行搜索算法時選取液相計算節(jié)點數(shù)e=3×3，在需要更為細致地觀察液相Li+濃度分布時再增加節(jié)點數(shù)量。

圖5 不同節(jié)點數(shù)下沿r方向的固相Li+濃度分布

Fig.5 Solid phase Li+ concentration along r-direction with various number of nodes

圖6 不同節(jié)點數(shù)下沿x方向的液相Li+濃度分布

3.3 未知參數(shù)辨識

采用粒子群（Particle Swarm Optimization, PSO）算法對未知參數(shù)進行辨識[25-26]，所采用的適應度函數(shù)為

式中，X為模型仿真輸出值；real,i為實際測量值；PSO算法辨識以()取值最小為目標。

由于簡化機理模型的輸出量中包含電池端電壓與殼體溫度o兩個可與實際測量值匹配的物理量，且考慮到辨識的參數(shù)需要適應不同放電倍率下的結(jié)果，因此采用如圖7所示的辨識方法，即先以(o,40C)最小作為目標，以實際測量的OCV-SOC曲線及40放電倍率下的電池端電壓40C,real、輸出電流40C,real、殼體溫度o,40C,real作為輸入，對熱模型的參數(shù)進行初步辨識；將辨識的熱模型參數(shù)代入簡化機理模型中，再以(40C)最小作為目標，以40C,real、40C,real作為輸入，對所有未知參數(shù)進行辨識；最后以10放電倍率下的(10C)最小作為目標，以10C,real、10C,real作為輸入，對已辨識的參數(shù)進行低倍率的修正。

圖7 PSO辨識參數(shù)流程

表4為采用PSO算法進行辨識的各參數(shù)的取值范圍、辨識結(jié)果與敏感度，敏感度根據(jù)各參數(shù)在取值范圍內(nèi)變動時對適應度()的影響來確定，具體方法為：保持其他參數(shù)恒定，在第個參數(shù)的取值范圍內(nèi)等距取個值，計算每個值對應的適應度f()以及標準偏差Std()為

其中，熱模型參數(shù)T,i、T,o、T,i、T,o根據(jù)殼體溫度敏感度來評判，Std()＞1K定義為“高敏感”，在0.1～1K之間的定義為“敏感”；其他未知參數(shù)根據(jù)端電壓敏感度來評判，Std()＞10mV定義為“高敏感”，在1～10mV之間的定義為“敏感”，小于1mV的參數(shù)定義為“低敏感”[27]。

表4 PSO辨識參數(shù)的取值范圍、結(jié)果及敏感度

Tab.4 Parameter ranges, results and sensitivities of PSO identification

（續(xù)）

注：“***”代表“高敏感”，“**”代表“敏感”，“*”代表“低敏感”。

3.4 模型驗證

采用高倍率磷酸鐵鋰電池10～40的實際放電曲線驗證簡化機理模型的有效性，所使用的鋰電池測試系統(tǒng)的電流控制精度為±0.1%，電壓檢測誤差小于1mV，采樣頻率100Hz；溫度檢測誤差小于0.1℃，采樣頻率1Hz，實驗時的環(huán)境溫度為23.1℃。電池從滿電開始放電，直至端電壓降為2.5V后停止，圖8為10～40放電的仿真與實測曲線。

圖8 仿真與實測曲線

從圖8中可看出不同放電倍率下的模型仿真結(jié)果與實測結(jié)果基本吻合。由于模型參數(shù)在辨識訓練時主要依靠40高倍率的放電數(shù)據(jù)，因此高倍率下的擬合效果優(yōu)于低倍率下，各倍率下的模型平均誤差情況見表5。

表5 不同放電倍率下的模型平均誤差

Tab.5 Model average errors at various discharge rates

4 電池放電特性分析

盡管簡化機理模型無法達到全階模型描述電化學現(xiàn)象的細致程度，但由于其所用公式基于電化學原理推導，且模型參數(shù)經(jīng)過了實際數(shù)據(jù)的辨識，因此仍具有一定的電化學分析意義，可基于簡化機理模型進行高倍率磷酸鐵鋰電池放電特性的研究。

觀察圖8a可發(fā)現(xiàn)，排除放電末期因電量較低而導致的端電壓快速下降，高倍率磷酸鐵鋰電池的端電壓在10、20低倍率放電時整體較為平緩，但在30、40高倍率放電時呈現(xiàn)出明顯的先下降后回升的現(xiàn)象。為分析此現(xiàn)象所對應的電池內(nèi)部機理，通過式（12）、式（13）分解出10與40放電時除開路電壓外可能對電池端電壓造成影響的各極化項成分，如圖9所示，可看出40放電時的各極化項相比10放電時均有明顯的上升，且極化過電壓主要由歐姆電壓降ohm、正極電化學極化過電勢p,c以及液相濃差極化過電勢d構(gòu)成，負極電化學極化對端電壓的影響似乎很微弱，從表4在25℃下的負極界面反應常數(shù)a,0及其活化能a_a兩個參數(shù)較低的端電壓敏感度中也可印證這一猜測，但不排除這是由于a,0取值范圍的局限性造成的。

圖9 不同倍率放電時的電池極化情況

從圖9b中可看出，40放電時電池端電壓初期的下降主要與d和p,c的增加有關(guān)，其中d的增加來自高倍率放電下不均勻的液相Li+濃度分布，放電初期Li+的液相電遷移與濃差擴散無法及時補充正極反應帶來的Li+損失與消耗負極反應帶來的Li+生成，直至20s左右形成動態(tài)平衡，如圖10所示，從而造成顯著的液相濃差極化過電勢d。正極電化學極化過電勢p,c在10與40放電初期呈現(xiàn)出不同的變化趨勢，這與正極處的固/液相Li+濃度有關(guān)。低倍率放電時，由于液相Li+濃度的變化較小，因此p,c主要受正極固相Li+濃度的影響，隨著固相Li+濃度的增長，正極固液界面反應逐漸活躍，交換電流密度0隨之增長，帶來放電初期p,c的逐漸下降；高倍率放電時，正極液相Li+濃度明顯降低，引起0的降低，從而導致p,c的不斷上升，直至液相Li+的消耗與補充達到平衡。

圖10 不同倍率下放電20s時的液相Li+濃度分布

對于高倍率放電中期的端電壓回升，從圖9b中可看出主要與ohm和d的下降有關(guān)。高倍率放電的中后期，電池溫升較大，造成各熱耦合電化學參數(shù)s,a/c、e、a/c、ohm有較為明顯的變化，如圖11所示，也即Li+的固/液相分布趨向均勻、正/負極界面反應更加容易進行、電流路徑上各處的材料導電性增強，從而造成影響端電壓的各極化項均有不同程度的減弱，其中，p,c雖然在放電中期有下降趨勢，但受正極固相Li+濃度趨于飽和的影響，下降幅度較小，且在末期出現(xiàn)小幅回升。

圖11 40C放電時各熱耦合電化學參數(shù)的變化情況

5 結(jié)論

本文對高倍率磷酸鐵鋰電池進行了簡化機理建模，利用實驗曲線驗證了模型的有效性，并基于模型簡要分析了電池高倍率下的放電特性，得出以下兩點結(jié)論：

1）高倍率放電初期電池端電壓秒級的大幅度下降主要與液相Li+濃度分布的不均勻性有關(guān)，電池優(yōu)化設(shè)計時應對該方面加強關(guān)注，機理模型簡化時不可忽略Li+的液相電遷移與濃差擴散作用。

2）高倍率放電中期的電池端電壓回升與溫度的快速上升有關(guān)，針對高倍率電池的放電過程建模時需要考慮溫度對電池放電特性的影響。

下一步將從機理模型的角度進一步研究高倍率磷酸鐵鋰電池的充放電特性和循環(huán)壽命特性，并探索更適合該類電池及實際應用工況的機理模型簡化方法。

附 錄

標準的P2D模型由以下五部分組成。

1）固相擴散方程

邊界條件滿足

其中

2）液相擴散方程

邊界條件滿足

其中

3）固相電勢方程

邊界條件滿足

其中

4）液相電勢方程

邊界條件滿足

其中

5）Butler-Volmer方程

其中

[1] 龍鑫林, 魯軍勇, 魏靜波, 等. 鋰電池儲能在電磁發(fā)射中的應用[J]. 國防科技大學學報, 2019, 41(4): 66-72.

Long Xinlin, Lu Junyong, Wei Jingbo, et al. Application on lithium batteries for electromagnetic launch[J]. Journal of National University of Defense Technology, 2019, 41(4): 66-72.

[2] 王榘, 熊瑞, 穆浩. 溫度和老化意識融合驅(qū)動的電動車輛鋰離子動力電池電量和容量協(xié)同估計[J]. 電工技術(shù)學報, 2020, 35(23): 4980-4987.

Wang Ju, Xiong Rui, Mu Hao. Co-estimation of lithium-ion battery state-of-charge and capacity through the temperature and aging awareness model for electric vehicles[J]. Transactions of China Electrotechnical Society, 2020, 35(23): 4980-4987.

[3] 焦東升, 王海云, 朱潔, 等. 基于離散Fréchet距離的電動汽車電池健康狀態(tài)診斷方法[J]. 電力系統(tǒng)保護與控制, 2016, 44(12): 68-74.

Jiao Dongsheng, Wang Haiyun, Zhu Jie, et al. EV battery SOH diagnosis method based on discrete Fréchet distance[J]. Power System Protection and Control, 2016, 44(12): 68-74.

[4] 連湛偉, 石欣, 克瀟, 等. 電動汽車充換電站動力電池全壽命周期在線檢測管理系統(tǒng)[J]. 電力系統(tǒng)保護與控制, 2014, 42(12): 137-142.

Lian Zhanwei, Shi Xin, Ke Xiao, et al. The whole life cycle on-line detection and management system of power battery in the electric vehicle charging and exchanging station[J]. Power System Protection and Control, 2014, 42(12): 137-142.

[5] Long Xinlin, Lu Junyong, Wu Yiting, et al. Research on high rate lithium-ion batteries for electromagnetic launcher[C]//2019 22nd International Conference on Electrical Machines and Systems (ICEMS), Harbin, China, IEEE, 2019: 1671-1675.

[6] 胡曉松, 唐小林. 電動車輛鋰離子動力電池建模方法綜述[J]. 機械工程學報, 2017, 53(16): 20-31.

Hu Xiaosong, Tang Xiaolin. Review of modeling techniques for lithium-ion traction batteries in electric vehicles[J]. Journal of Mechanical Engineering, 2017, 53(16): 20-31.

[7] 宮明輝, 烏江, 焦朝勇. 基于模糊自適應擴展卡爾曼濾波器的鋰電池SOC估算方法[J]. 電工技術(shù)學報, 2020, 35(18): 3972-3978.

Gong Minghui, Wu Jiang, Jiao Chaoyong. SOC estimation method of lithium battery based on fuzzy adaptive extended Kalman filter[J]. Transactions of China Electrotechnical Society, 2020, 35(18): 3972- 3978.

[8] 劉曉程, 王建明, 王武. 基于數(shù)據(jù)驅(qū)動的鋰電池隨機動態(tài)系統(tǒng)建模[J]. 電氣技術(shù), 2015, 16(5): 17-21. Liu Xiaocheng, Wang Jianming, Wang Wu. Modeling of lithium-ion battery stochastic dynamic system based on data-driven[J]. Electrical Engineering, 2015, 16(5): 17-21.

[9] 張振宇, 汪光森, 聶世雄, 等. 脈沖大倍率放電條件下磷酸鐵鋰電池荷電狀態(tài)估計[J]. 電工技術(shù)學報, 2019, 34(8): 1769-1779.

Zhang Zhenyu, Wang Guangsen, Nie Shixiong, et al. State of charge estimation of LiFePO4battery under the condition of high rate pulsed discharge[J]. Transactions of China Electrotechnical Society, 2019, 34(8): 1769-1779.

[10] 李超然, 肖飛, 樊亞翔, 等. 基于卷積神經(jīng)網(wǎng)絡的鋰離子電池SOH估算[J]. 電工技術(shù)學報, 2020, 35(19): 4106-4119.

Li Chaoran, Xiao Fei, Fan Yaxiang, et al. An approach to lithium-ion battery SOH estimation based on convolutional neural network[J]. Transactions of China Electrotechnical Society, 2020, 35(19): 4106-4119.

[11] 李超然, 肖飛, 樊亞翔, 等. 基于門控循環(huán)單元神經(jīng)網(wǎng)絡和Huber-M估計魯棒卡爾曼濾波融合方法的鋰離子電池荷電狀態(tài)估算方法[J]. 電工技術(shù)學報, 2020, 35(9): 2051-2062.

Li Chaoran, Xiao Fei, Fan Yaxiang, et al. A hybrid approach to lithium-ion battery SOC estimation based on recurrent neural network with gated recurrent unit and Huber-M robust Kalman filter[J]. Transactions of China Electrotechnical Society, 2020, 35(9): 2051- 2062.

[12] 李超然, 肖飛, 樊亞翔, 等. 一種基于LSTM-RNN的脈沖大倍率工況下鋰離子電池仿真建模方法[J]. 中國電機工程學報, 2020, 40(9): 3031-3042.

Li Chaoran, Xiao Fei, Fan Yaxiang, et al. An approach to lithium-ion battery simulation modeling under pulsed high rate condition based on LSTM-RNN[J]. Proceedings of the CSEE, 2020, 40(9): 3031-3042.

[13] Doyle Marc, Fuller Thomas F, Newman John. Modeling of galvanostatic charge and discharge of the lithium/polymer/insertion cell[J]. Journal of the Electrochemical Society, 1993, 140(6): 1526-1533.

[14] Doyle Marc, Newman John. Comparison of modeling predictions with experimental data from plastic lithium ion cells[J]. Journal of the Electrochemical Society, 1996, 143(6): 1890-1903.

[15] Santhanagopalan Shriram, White Ralph E. Online estimation of the state of charge of a lithium ion cell[J]. Journal of Power Sources, 2006, 161(2): 1346-1355.

[16] Prada E, Domenico D Di, Creff Y, et al. Simplified electrochemical and thermal model of LiFePO4-graphite Li-ion batteries for fast charge applications[J]. Journal of the Electrochemical Society, 2012, 159(9): A1508-A1519.

[17] 龐輝. 基于電化學模型的鋰離子電池多尺度建模及其簡化方法[J]. 物理學報, 2017, 66(23): 312-322.

Pang Hui. Multi-scale modeling and its simplification method of Li-ion battery based on electrochemical model[J]. Acta Physica Sinica, 2017, 66(23): 312-322.

[18] Lin Xinfan, Perez Hector E, Mohan Shankar, et al. A lumped-parameter electro-thermal model for cylindrical batteries[J]. Journal of Power Sources, 2014, 257(1): 1-11.

[19] Mao Jing, Tiedemann William, Newman John. Simulation of temperature rise in Li-ion cells at very high currents[J]. Journal of Power Sources, 2014, 271(20): 444-454.

[20] Safari M, Delacourt C. Modeling of a commercial graphite/LiFePO4cell[J]. Journal of the Electrochemical Society, 2011, 158(5): A562-A571.

[21] Val?en, Lars Ole, Reimers Jan N. Transport properties of LiPF6-based Li-ion battery electrolytes[J]. Journal of the Electrochemical Society, 2005, 152(5): A882-A891.

[22] Diwakar Vinten D. Towards efficient models for lithium ion batteries[D]. Cookeville, USA: Tennessee Technological University, 2009.

[23] Forman Joel C, Moura Scott J, Stein Jeffrey L, et al. Genetic identification and fisher identifiability analysis of the Doyle-Fuller-Newman model from experimental cycling of a LiFePO4cell[J]. Journal of Power Sources, 2012, 210(15): 263-275.

[24] Rahman Md Ashiqur, Anwar Sohel, Izadian Afshin. Electrochemical model parameter identification of a lithium-ion battery using particle swarm optimization method[J]. Journal of Power Sources, 2016, 307(1): 86-97.

[25] Wu Jiangling, Sun Xiaodong, Zhu Jianguo. Accurate torque modeling with PSO-based recursive robust LSSVR for a segmented-rotor switched reluctance motor[J]. CES Transactions on Electrical Machines and Systems, 2020, 4(2): 96-104.

[26] 徐正清, 肖艷煒, 李群山, 等. 基于靈敏度及粒子群算法的輸電斷面功率越限控制方法對比研究[J]. 電力系統(tǒng)保護與控制, 2020, 48(15): 177-186.

Xu Zhengqing, Xiao Yanwei, Li Qunshan, et al. Comparative study based on sensitivity and particle swarm optimization algorithm for power flow over-limit control method of transmission section[J]. Power System Protection and Control, 2020, 48(15): 177-186.

[27] Zhang Liqiang, Lü Chao, Hinds Gareth, et al. Parameter sensitivity analysis of cylindrical LiFePO4battery performance using multi-physics modeling[J]. Journal of the Electrochemical Society, 2014, 161(5): A762-A776.

Simplified Mechanism Modeling and Discharge Characteristic Analysis of High-Rate LiFePO4Battery

Yan Kangwei Long Xinlin Lu Junyong Liu Yingquan Wu Yiting

（National Key Laboratory of Science and Technology on Vessel Integrated Power System Naval University of Engineering Wuhan 430033 China）

Mechanism modeling of high-rate LiFePO4battery is very important to guide the design and application of battery. However, the full order mechanism model has high complexity, and the simplified form fits bad in high-rate currently. To solve these problems, a simplified electrochemical thermal coupling mechanism model was established by combining the simplified pseudo-two-dimensions (P2D) electrochemical model with the two-state thermal model. Through parameter identification, the model can well fit the actual battery discharge curves in a wide range of 10～40high rate. Based on the identified model, the internal evolution mechanism corresponding to the trend of external curves under high-rate discharge was analyzed. The results show that: the seconds level sharp decrease of battery terminal voltage in the high-rate discharge initial period is related to the heterogeneity of Li+concentration distribution in the electrolyte phase, and the recovery of the terminal voltage in the intermediate period is due to the increasing activity of internal materials caused by the temperature rise.

High-rate, LiFePO4battery, mechanism model, electrolyte phase diffusion, terminal voltage recovery

10.19595/j.cnki.1000-6753.tces.201206

TM912

國家自然科學基金（51925704, 51877214, 51907203）、湖北省自然科學基金（2019CFB371, 2019CFB373, 2020CFB341）和中國博士后特別資助基金（2019T120972）資助項目。

2020-09-12

2021-04-20

嚴康為 男，1996年生，博士研究生，研究方向為電磁發(fā)射技術(shù)。E-mail：yan_kangwei@163.com

龍鑫林 男，1982年生，副研究員，碩士生導師，研究方向為電磁發(fā)射技術(shù)及蓄電池儲能技術(shù)。E-mail：longxinlin1982@163.com（通信作者）

（編輯 郭麗軍）