★电池衰减不是玄学,是可以被精确预测的科学。
开过电动车的朋友一定有过这种体验:新车续航 500 公里,开两三年后只能跑 400 公里出头了。
这不是你的错觉。电池在使用过程中,确实在一刻不停地"变老"。
从工程角度来看,电池寿命 = 容量衰减 + 内阻增长。容量衰减意味着能存进去的电变少了,内阻增长意味着充放电效率变低了——两者的叠加效果,就是你感受到的续航缩水。
那么问题来了:能不能在电池装车之前,就准确预测它几年后的状态?
这就是电池寿命仿真要做的事。
目前行业里做电池老化预测,主要有三大技术流派:
第一派:经验半经验模型(车企最爱)
不用复杂的电化学公式,直接拿实验数据拟合曲线。把电池在不同温度、不同电量下的老化速度测出来,拟合出一套数学公式,仿真时直接套用。
这套方法的核心理念来自经典论文——John Wang 在 2010 年发表的《Cycle-life model for graphite-LiFePO₄ cells》,至今仍是业内的基础参考文献。
第二派:机理老化模型(学院派最爱)
直接用 P2D(准二维)电化学模型,模拟电池内部真实的物理化学过程:SEI 膜怎么生长、锂什么时候析出、活性材料怎么损失、电解液怎么分解……
第三派:数据驱动模型(新贵)
用神经网络、LSTM 等去拟合电池老化规律。有大数据时很强,但在样本有限的工程项目中落地还有难度。
目前车企和储能行业最主流的,是第一派——经验半经验模型。 简单、好用、够准,工程上几乎是最优选。
电池的衰老,是两条路径同时在走。
日历老化——你放着不开,它也在变老。主要由SOC和温度驱动。
典型测试矩阵:
循环老化——充放电过程中产生的损耗。影响因素更复杂:
用数学表达,总衰减就是两者之和:
★Q_loss_total = Q_loss_calendar + Q_loss_cycle
其中日历衰减的核心驱动项是SOC和温度T的阿伦尼乌斯型关系,循环衰减的核心驱动项是DOD,倍率和温度等因素的安时吞吐关系式。
基于电芯测试数据选取合适的老化模型,就可以进行相应公式的参数拟合,amesim、matlab等工具都可以实现此功能。amesim提供的公式是跟soc相关的,也是个解题思路,如下图。
日历老化模型在不同 SOC 下的仿真精度:
全工况最大误差控制在 3.4% 以内。对于电池老化这种长周期、多变量耦合的工程问题,这个精度已经相当能打。
一个真正能落地的电池寿命预测系统,远不止一个老化公式。它需要五个模块协同工作:
而且这五个模块不是单向的"串联",是双向耦合的:
★工况 → 电流 → 发热 → 温度变化 → 老化加速 → 内阻变大 → 同样电流下更热 → 温度更高 → 老化更快……
这是一个正反馈回路。只有五个模块联合仿真,才能真正回答那个终极问题:这块电池,在用户手上,到底能用几年?
除了回答"能用多久",这套仿真框架还能解决一系列工程问题:
电池寿命预测,听起来是个很窄的技术话题,但它直接影响着每个电动车用户的钱包——电池是整车最贵的部件,它的寿命决定了车辆的残值。
从一块电池的 HPPC 测试、到等效电路参数辨识、到老化模型标定、再到电-热-老化联合仿真——这是一个从"认识电池"到"预知电池"的完整工程链条。
而每一次仿真精度的提升,意味着车企可以更科学地设计质保策略,消费者可以更放心地买二手车,退役电池也能更合理地进入梯次利用。
让电池的老化从"大概"变成"精确",这就是电池寿命仿真的价值所在。
本文基于电池寿命仿真技术资料整理,仅供参考。