Fragen & Antworten: Fortschritt im Lithium-Ionen-Batterie-Design für 10-Minuten-Schnellladen

Dr. Tanvir Tanim und sein Team am Idaho National Laboratory entwarfen Lithium-Ionen-Batterien, die in 10 bis 15 Minuten an einer Straßenladestation aufgeladen werden können. Sie entwickelten einen Machine-Learning-Algorithmus, der unerwünschte Lithium-Abscheidung detektiert, die unter diesen Bedingungen auftreten könnte.

Tech Briefs: Wie startete das Projekt?

Dr. Tanvir Tanim: Wir wurden in das Extreme Fast Charging Programm eingebunden, das 2017 vom Department of Energy Vehicle Technology Office gesponsert wurde. Das Ziel war, extremes Schnellladen (XFC) bei Lithium-Ionen-Batterien zu ermöglichen – 10 bis 15 Minuten Laden oder so – im Grunde, um das EV-Ladeerlebnis mit dem Tanken von Benzinfahrzeugen vergleichbar zu machen. Das ist eine der wichtigsten Überlegungen für Elektrofahrzeugkonsumenten.

Für dieses Programm testeten wir viele Lithium-Ionen-Batterien bei extrem schnellen Laderaten. Wenn man diese Batterien mit hohen Raten lädt, treten viele Probleme auf – Lithium-Abscheidung ist eines der größten. Batterien enthalten eine endliche Menge Lithium, also will man nicht, dass es beim Laden und Entladen verloren geht, man will, dass es zwischen Anode und Kathode hin und her zyklisiert. Beim Schnellladen kann das zyklierbare Lithium jedoch auf die Anodenoberfläche abgeschieden werden, was eine unerwünschte parasitäre Reaktion ist – das abgeschiedene Lithium kann nicht zurückgewonnen werden – während der Entladung kann es nicht zur Kathode zurückkehren.

Es gibt andere Probleme mit der Abscheidung. Wenn man sie nicht frühzeitig erkennt, wird sie weiter passieren und könnte zu einem katastrophalen Ereignis führen. Zum Beispiel könnte das abgeschiedene Li eine dendritische Form annehmen und wie eine Nadel von der Anode wachsen und den Separator durchstechen, was einen internen Kurzschluss erzeugt.

Also testeten wir viele Lithium-Ionen-Batterien, machten Designänderungen, testeten dann erneut, ob Lithium-Abscheidung stattfand. Zu dieser Zeit hatten wir jedoch keine gute Methode, die Abscheidung zu detektieren. Nach dem Test würden wir die Zelle aufreißen, um zu sehen, ob Abscheidung vorlag, oder zusätzliche Nachtests durchführen. Wir hatten keine wirklich solide elektrochemische Signatur-basierte Lithium-Abscheidungs-Detektionsmethode, aber wir lernten viel.

Dann wurden wir in ein anderes Programm eingebunden, genannt Physics-Based Machine Learning, ebenfalls von DOE finanziert. Das Ziel dieses Programms war, KI/Machine-Learning-basierte Algorithmen für eine zuverlässige Projektion der Batterielebensdauer zusammen mit der Identifikation der zugrundeliegenden Ursachen von Degradation zu entwickeln. Zu dieser Zeit hatten wir viele Daten gesammelt und ein umfassendes Verständnis verschiedener Degradationsmodi und -mechanismen generiert. Wir dachten, da wir all diese Daten haben und elektrochemische Signaturen kennen, die auf Lithium-Abscheidung zurückführen, warum formulieren wir das nicht einfach als Machine-Learning-Problem. Wir könnten die elektrochemischen Signaturen nutzen, Machine Learning einbringen und sehen, ob das uns helfen könnte, eine Strategie zur Detektion von Lithium-Abscheidung zu entwickeln.

Eins führte zum anderen, und wir gelangten zu dem Schluss, dass dies eine sehr schöne Methode zur frühzeitigen Detektion von Lithium-Abscheidung sein könnte, ohne die Zelle aufreißen zu müssen. Das Aufreißen der Zelle und Nachtests dauern, sind teuer und verzögern die Batterielebenszyklus-Entwicklung.

Tech Briefs: Also war Ihre Methode, bestimmte elektrochemische Signaturen zu detektieren?

Tanim: Zu dieser Zeit hatten wir Tonnen elektrochemischer Daten und ein gutes Verständnis der Physik dahinter gewonnen. Wir identifizierten die wichtigsten elektrochemischen Signaturen, die auf Lithium-Abscheidung zurückgeführt werden konnten. Dann rannten wir mit diesen Daten, brachten Machine Learning ein und lösten das Problem, das wir zu dieser Zeit formuliert hatten.

Tech Briefs: Könnten Sie mir etwas über die speziellen Arten von Daten erzählen, die Sie verwendeten?

Tanim: Wir konzentrierten uns primär auf elektrochemische Daten, weil man sie leicht sammeln kann – in der Tat suchen wir während des Testens immer nach elektrochemischen Signaturen, um Lebensdauer- und Leistungsprobleme bei Lithium-Ionen-Batterien zu beschreiben. Typische Signaturen sind Spannung, Strom, Temperatur usw. Man kann diese Signaturen in verschiedene sekundäre Variablen umwandeln. Zum Beispiel schauten wir auf Entladekapazität und Kapazitätsverfall-Trends, ihre Linearität oder Nichtlinearität. Auch die End-of-Charge-Ruhe-Spannung, End-of-Discharge-Spannung und wie sie sich über das Zyklieren ändern, und zusätzlich der coulombische Wirkungsgrad.

Tech Briefs: Was bedeutet Entladekapazität?

Tanim: Wenn Sie die Batterie nutzen, entnehmen Sie Energie, das nennen wir Entladung. Ein Maß für Kapazität ist Amperestunden.

Tech Briefs: Wie sieht es mit Kapazitätsverfall aus?

Tanim: Eine neue Batterie hat eine bestimmte Kapazität – sagen wir eine Amperestunde. Mit Zyklieren wird diese Kapazität abnehmen. Kapazitäts- (oder Energie-) Verfall ist der prozentuale Rückgang. In normalen Fällen wird der Abnahmetrend ziemlich linear sein, besonders in den initialen Zyklen. Aber mit Lithium-Abscheidung ist der Trend sehr nichtlinear – höhere Verfallsrate am Anfang und weniger Verfall später.

Lithium-Abscheidung kann unter verschiedenen Bedingungen auftreten. Neben Schnellladen kann sie auftreten, wenn man eine Batterie bei unter Null Grad auflädt, oder wenn es alterungsbedingte Ungleichgewichte in der Batterie gibt. Die Signaturen könnten nicht für all diese Abscheidungsbedingungen gleich empfindlich sein. Also identifizierten wir die empfindlichsten Signaturen für Schnellladen und nutzten sie, um unseren Machine-Learning-Algorithmus zu entwickeln.

Tech Briefs: Was sind die Signaturen, die Sie verwendeten?

Tanim: Wir fanden, dass die empfindlichsten Signaturen für Schnellladen Trends waren, wie die Zellenkapazität abfiel, linear oder nichtlinear, End-of-Charge-Ruhe-Spannung und coulombischer Wirkungsgrad.

Wir fanden auch, dass zwei prominente Signaturen, die andere berichtet haben, dQ/dV und dV/dt, unter Schnellladebedingungen nicht sehr empfindlich waren, es sei denn, es gab sehr aggressive Abscheidungssituationen.

Tech Briefs: Könnten Sie coulombischen Wirkungsgrad erklären?

Tanim: Coulombischer Wirkungsgrad ist das prozentuale Verhältnis von Entladekapazität geteilt durch Ladekapazität.

Tech Briefs: Wie messen Sie Kapazitätsverfall?

Tanim: Man muss Tests durchführen. Im Labormaßstab, wenn wir die Batterie zyklieren, können wir einen bestimmten Zyklus wählen, um seine Lade- oder Entladekapazität zu messen. Aus Strom und Zeit können wir die Kapazität in Amperestunden berechnen. Wenn man denselben Prozess wiederholt, während die Batterie altert, kann man die Kapazität im gealterten Zustand finden und davon den prozentualen Verfall berechnen (den Kapazitätsverfall bezüglich des Neuzustands).

Tech Briefs: Haben Sie mit verschiedenen Ladeprotokollen experimentiert?

Tanim: Um Lithium-Abscheidung zu vermeiden, kann man das Batteriedesign auf verschiedene Weisen modifizieren: Man kann Materialien ändern, Elektrodendesign oder mehrere andere Aspekte des Batteriedesigns, wie das Elektrolyt.

Man kann auch die Betriebsbedingungen oder Ladeprofile ändern. Zum Beispiel kann man verschiedene Ladeprotokolle ausprobieren und sie mit einem Baseline vergleichen. Statt konstantem Strom/konstanter Spannung kann man mehrstufige oder andere Ladeprotokolle versuchen. Und man kann auch die Temperatur ändern.

Unsere Methode zur Detektion von Lithium-Abscheidung wird unabhängig von Designänderungen oder Ladeprotokollen anwendbar sein.

Tech Briefs: Wie sehen Sie die Implementierung?

Tanim: Es gibt zwei Szenarien, durch die diese Methode einen wertvollen Beitrag leisten wird. Das erste ist die Nutzung durch Forschungwissenschaftler im Labor. Diese Methode wird uns schneller sagen, ob unter den gegebenen Betriebsbedingungen Lithium-Abscheidung entweder stattfindet oder nicht – wir müssen keine Zelle aufreißen oder andere Nachanalysen durchführen. Nur die elektrochemische Signatur wird uns sagen, ob Lithium-Abscheidung für dieses spezielle Design und diese Betriebsbedingung passiert. Das kann innerhalb von 10 bis 25 Zyklen geschehen. Es lässt uns wissen, ob wir das Batteriedesign modifizieren müssen – wir wollen das so früh wie möglich identifizieren. Wir können dann zurückgehen, das Design überarbeiten und den Test wiederholen, um zu sehen, ob wir in die richtige Richtung gehen.

Elektrochemische Signaturen, mit einigen Modifikationen und weiterer Verifikation, können auch in einem Batteriemanagementsystem an Bord eines Elektrofahrzeugs sowie in stationären Anwendungen implementiert werden, wo Lithium-Ionen-Batterien verwendet werden. OEMs oder Batteriehersteller sammeln bereits die meisten dieser Signaturen. Als Baseline können wir, vielleicht nicht im frühen Lebenszyklus, vielleicht ein paar Jahre später, den Nutzer warnen, dass obwohl die Batterie am Anfang ihres Lebens in Ordnung war, sich etwas geändert hat und Lithium-Abscheidung begonnen hat. „Da es jetzt Lithium-Abscheidung gibt, ist dies eine frühe Warnung, dass Sie etwas an der Batterie tun sollten.“

Tech Briefs: Könnten Sie schätzen, wie bald dies kommerzialisiert werden könnte?

Tanim: Wir haben ein vorläufiges Patent darauf und arbeiten an der Einreichung des vollständigen Patents sehr bald. Wir suchen auch nach Kooperationsmöglichkeiten, um es weiterzuentwickeln, und sehen viel Interesse von privaten Unternehmen. Auch DOE hat einen Technology Commercialization Fund, wo wir mit anderen privaten Industrien kooperieren und es weiter verbessern und für Onboard-Anwendungen demonstrieren können, aber ich möchte keine bestimmte Schätzung abgeben.

Eine bearbeitete Version dieses Interviews erschien in der Dezember-2021-Ausgabe von Tech Briefs.