如何掌控电池老化

电池老化模型用于预测电芯随时间和使用过程中容量与功率的衰减规律。相关性模型通过拟合实测数据建立，适用于有数据支撑的场景。基于物理机理的老化模型则能识别衰减背后的机制，从而对未经测试工况下的老化电芯进行仿真。然而，目标并非单纯地对老化进行建模，而是尽快完成电池系统的定型并投入量产，同时确保不存在任何老化问题。这只有将测试与模型相结合才能实现，因为测试时间无法覆盖所需声明的全部使用寿命。正因如此，Batemo 的方法将测试与建模有机结合。

循环老化源于充放电过程。日历老化在电芯静置期间发生，取决于温度、荷电状态和时间。对于一天中大部分时间处于静置状态的产品，日历老化可能占主导地位。测试方案必须同时涵盖两者，因为有利于其中一种的运行策略并不总是有利于另一种。

老化测试需要数月乃至数年，因为电芯必须经历您希望预测的实际磨损过程。加速测试可缩短时间，但会改变测试条件。典型测试矩阵通常力求在六个月内完成测试，这本身也带来一些问题。为加快进程，Batemo 老化数据库可立即提供初步估算，Batemo 可为您的结果提供参照背景。在此基础上，我们将提出测试方案，并建立测试与模型之间的最优关联，帮助您更早实现量产发布。

需谨慎使用。基于相关性的方法仅在数据拟合范围内准确，而实际所需范围通常超出已有数据。基于物理过程构建的模型在测试点之外仍具有意义。关键场景必须通过测试加以验证，因为其他方式均不可靠。

影响老化的六大因素：温度范围、高荷电状态持续时间、放电深度、充电倍率、放电倍率和循环次数。本页计算器将根据您的运行策略，对这些因素的老化风险进行从极低到极高的评级。这是一项筛查工具，而非寿命预测：它帮助您确定首先需要关注的因素。

在198个经过验证的电芯中，模型中位偏差为0.8 %，以验证实验为基准进行测量。Batemo为其模型提供质量保证：如果您能找到一款精度更高的电池电芯模型，我们将全额退款。我们在本网站每个电芯页面上公布每个模型的精度，并为每个模型提供Excel报告，详细展示其在验证工况下的精度。