Combined film and pulse heating of lithium ion batteries to improve performance in low ambient temperature
作者: Habtamu Hailemichael, Beshah Ayalew
分类: eess.SY
发布日期: 2024-05-18
期刊: IFAC-PapersOnLine Volume 56, Issue 3, 2023, Pages 427-432
DOI: 10.1016/j.ifacol.2023.12.061
💡 一句话要点
结合薄膜加热与脉冲加热，提升锂离子电池在低温环境下的性能
🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture) 支柱八：物理动画 (Physics-based Animation)
关键词: 锂离子电池 低温性能 薄膜加热 脉冲加热 强化学习 电池预热 电化学模型
📋 核心要点
- 低温环境是锂离子电池性能的瓶颈，现有外部加热易产生温度梯度，内部加热速度慢。
- 论文提出结合薄膜电阻加热与双向脉冲加热，旨在实现快速且均匀的电池预热。
- 通过强化学习优化加热策略，实验表明该方法能有效提升低温下电池的加热效率。
📝 摘要（中文）
低温环境会显著降低锂离子电池（LIB）的充放电功率和能量容量，并因锂析出导致快速退化。为了解决这些问题，可以通过外部热源预热LIB，或利用LIB内部阻抗产生的热量。快速外部加热由于电池的低导热性会在LIB中产生较大的温度梯度，而内部阻抗加热（通常通过交流或脉冲充放电）虽然可以实现更均匀的温度分布，但速度相对较慢。本文研究了结合外部电阻薄膜加热和双向脉冲加热的潜力，以实现快速预热，同时避免产生陡峭的温度梯度。使用Doyle Fuller Newman（DFN）电化学模型和一维热模型对LIB进行建模，并使用强化学习（RL）同时优化脉冲电流幅度和薄膜电压。结果表明，在限制温度梯度的同时最大化温度上升速率的最佳策略是，薄膜加热在初始阶段占主导地位，为脉冲加热接管创造理想条件。此外，脉冲分量分担加热负荷，降低了辅助电源的能量等级。
🔬 方法详解
问题定义：论文旨在解决锂离子电池在低温环境下性能显著下降的问题，具体表现为充放电功率和能量容量降低，以及由于锂析出导致的电池快速退化。现有方法，如外部加热和内部阻抗加热，分别存在温度梯度大和加热速度慢的缺点，无法兼顾加热速度和均匀性。
核心思路：论文的核心思路是结合外部电阻薄膜加热和双向脉冲加热的优点。薄膜加热提供快速升温，而脉冲加热则有助于均匀温度分布。通过智能控制两种加热方式的比例，可以在快速预热的同时，避免产生过大的温度梯度。
技术框架：该方法的技术框架包括以下几个主要部分：1) 使用Doyle Fuller Newman (DFN) 电化学模型和一维热模型对锂离子电池进行建模，模拟电池的电化学和热行为。2) 采用外部电阻薄膜加热和双向脉冲加热作为两种加热方式。3) 使用强化学习 (RL) 算法，同时优化脉冲电流幅度和薄膜电压，以找到最佳的加热策略。
关键创新：论文的关键创新在于提出了一种结合外部薄膜加热和内部脉冲加热的混合加热策略，并使用强化学习算法进行优化。这种混合策略能够充分利用两种加热方式的优势，实现快速且均匀的电池预热。此外，使用强化学习自动寻找最佳加热策略，避免了人工调整参数的繁琐过程。
关键设计：在强化学习算法中，状态空间包括电池的温度、温度梯度等信息，动作空间包括薄膜电压和脉冲电流幅度。奖励函数的设计目标是最大化温度上升速率，同时限制温度梯度。具体而言，奖励函数可以设置为温度上升速率的线性函数，并对温度梯度超过阈值的情况进行惩罚。此外，为了保证电池的安全，还需要对脉冲电流幅度进行限制。
🖼️ 关键图片
📊 实验亮点
论文通过仿真实验验证了所提出的混合加热策略的有效性。结果表明，与单独使用薄膜加热或脉冲加热相比，该方法能够在更短的时间内将电池预热到目标温度，同时显著降低温度梯度。具体性能数据未知，但论文强调了强化学习优化后的加热策略能够充分发挥两种加热方式的优势。
🎯 应用场景
该研究成果可应用于电动汽车、无人机、储能系统等需要在低温环境下工作的锂离子电池供电场景。通过快速预热电池，可以显著提升这些设备在寒冷环境下的性能和可靠性，延长电池寿命，提高用户体验。未来，该技术有望进一步推广到其他类型的电池和储能设备中。
📄 摘要（原文）
Low ambient temperatures significantly reduce Lithium ion batteries' (LIBs') charge/discharge power and energy capacity, and cause rapid degradation through lithium plating. These limitations can be addressed by preheating the LIB with an external heat source or by exploiting the internal heat generation through the LIB's internal impedance. Fast external heating generates large temperature gradients across the LIB due to the low thermal conductivity of the cell, while internal impedance heating (usually through AC or pulse charge/discharging) tends to be relatively slow, although it can achieve more uniform temperature distribution. This paper investigates the potential of combining externally sourced resistive film heating with bidirectional pulse heating to achieve fast preheating without causing steep temperature gradients. The LIB is modeled with the Doyle Fuller Newman (DFN) electrochemical model and 1D thermal model, and reinforcement learning (RL) is used to optimize the pulse current amplitude and film voltage concurrently. The results indicate that the optimal policy for maximizing the rate of temperature rise while limiting temperature gradients has the film heating dominate the initial phases and create the ideal conditions for pulse heating to take over. In addition, the pulse component shares the heating load and reduces the energy rating of the auxiliary power source.