硅碳负极锂离子电池电热耦合多目标优化快充策略研究

【编辑推荐】本研究针对硅碳(SiC)负极锂离子电池(LIBs)快充过程中的体积膨胀与温升问题，创新性提出基于电热耦合模型（ANN辅助1-RC等效电路+集总热模型）的多目标优化方法（粒子群算法），通过最小化充电时间与最高温升实现循环寿命提升。实验验证显示优化策略可使商用4.02Ah SiC电池厚度膨胀降低23%，为下一代高容量电池快充技术开发提供新范式。

　　

Highlight

本研究亮点在于开发了集成电-热-膨胀监测的闭环测试系统，通过动态脉冲充电实验揭示SiC负极电池在3C快充条件下的非线性极化特性。创新采用人工神经网络(ANN)动态修正等效电路模型(ECM)参数，使电压预测误差控制在±15mV（0.37%满量程），温度预测精度达±0.8°C。

Methodology

如图1所示，该电热耦合多目标优化框架包含三阶段：

1. 特征测试设计：基于智能手机典型充电场景，设计多速率恒流恒压(CC-CV)与脉冲充电组合实验，捕获SOC 20-80%关键区间的动态响应；

2. 模型构建：1-RC ECM模拟电压动态（R_Ω=3.2mΩ，R_ct=1.8mΩ@25°C），集总热模型计算瞬态温升（热容C_th=48.2J/K）；

3. 优化验证：采用改进粒子群算法(PSO)求解Pareto前沿，最优策略使3C充电温升降低12.4°C，膨胀率减少19%。

Experimental

使用4.02Ah商用软包电池（SiC-石墨混合负极，SiC占比5wt%），在NEWARE测试系统上执行阶梯式充放电协议。独创的激光测厚模块（精度±1μm）实时监测阳极膨胀，红外热像仪（FLIR A655sc）同步采集表面温度场分布。

ECM-thermal coupling model construction

通过0.1C-3C多速率数据训练，确定最优ANN结构为[3-8-3]（输入层：SOC/T/I；隐含层：8神经元）。关键发现：SiC组分导致R_ct呈现显著SOC依赖性（ΔR>200% @SOC<30%），这是传统石墨负极模型未体现的特性。

Conclusions

本方法使SiC电池在300次快充循环后容量保持率提升至92.7%（对照组86.4%），证实通过协同优化充电电流曲线与温度管理可有效抑制SEI膜破裂再生循环。该框架可扩展应用于其他高容量电极体系。