使用时间序列分析对钠离子电池中离子扩散和荷电状态预测的数学建模

为什么更好的电池对日常生活至关重要

从手机和笔记本到电动汽车和电网级储能，现代生活越来越依赖可充电电池。当前以锂基电池为主，但锂相对稀缺且价格高昂。相比之下，钠廉价且储量丰富——想象普通食盐即可。本研究探讨通过将基于物理的数学模型与现代人工智能相结合，如何使钠离子电池更安全、寿命更长并更可靠地追踪电池实际剩余能量，即荷电状态（SOC）。

从锂到钠：一个有前景的替代方案

锂离子电池凭借高能量密度和长寿命推动了便携电子产品的繁荣。然而，关于资源可得性、成本和可持续性的担忧促使人们关注钠离子电池，它们以类似方式工作但使用更丰富的钠。钠离子技术仍在成熟，需要克服若干障碍才能大规模部署。其中最大的挑战之一是准确估计荷电状态（SOC）——本质上是电池的“油量表”。不准确的SOC估计会缩短电池寿命、减少电动汽车的续航里程，甚至带来安全风险。传统方法主要依赖电压测量来推断SOC，但在实际工况下电压可能有噪声或误导性。

观察电池内部离子的运动

为了建立更可信的“油量表”，作者从钠离子在电池固体电极内的微观物理出发。他们模拟钠离子如何在构成电极材料的小球状颗粒中扩散进出，使用经典的扩散方程。通过将该方程改写为无量纲形式，突出了控制离子运动速度和在充放电过程中累积位置的几个关键参数。研究团队没有完全依赖繁重的数值仿真，而是采用一种半解析技术——基于拉普拉斯的埃尔米特配点法（LT-HCM），以得到紧凑的离子浓度分布解析表达式。随后将这些解与一种经典的数值方案——有限差分法进行对比，结果高度一致，增强了扩散模型的可信度。

教神经网络“读懂”电池的生命体征

基于该物理模型，研究者生成了一个大规模且干净的数据集，展示在不同充电条件下离子浓度和SOC随时间的演化。他们将这些时间序列输入多种机器学习方法——包括支持向量回归、高斯过程回归和梯度提升树——但重点放在长短期记忆网络（LSTM）上，这是一种为处理序列设计的循环神经网络。LSTM学会了将随时间演化的离子浓度映射到负极和正极的SOC上。通过在不同数据分割上训练和测试并监测训练过程中的误差下降，研究表明LSTM捕捉到了扩散中更细微的长期趋势，这是更简单模型难以获取的。在所有测试方法中，LSTM对SOC的预测误差最低。

模型揭示的电池行为特征

这一物理与人工智能相结合的框架提供了钠离子在充放电过程中如何在电池内部重新分布的详细图景。在充电初期，离子缓慢进入负极，先在表面附近显著堆积，然后逐渐向内扩散。在较高电流下，离子堆积更快，产生更陡的浓度梯度和更高的内阻。随着电池接近充满，扩散变慢、内阻上升、SOC增长趋于平缓——这些特征在LT-HCM的解析解和LSTM的预测中都得以再现。在放电过程中则相反：SOC稳步下降，当一极接近耗尽而另一极接近饱和时，SOC会更迅速下坠，标志着可用容量的实际极限。

为钠离子电池带来更清晰、更智能的油量表

对非专业读者来说，关键结论是：将离子运动的数学描述与能够识别时间模式的学习算法结合，能得到更精确、更可靠的电池“油量表”。这种混合方法不再仅从电压推断SOC，而是更深入地读取电池内部状态，直接跟踪离子浓度和电荷分布。结果是以适度的计算代价实现高精度的SOC预测，有助于钠离子电池更安全地运行、延长寿命，并更好地整合到电动汽车和可再生能源系统中——使更可持续的电池未来更近一步。

引用: S., S., Srivastava, N. & Hristov, J. Mathematical modelling of ion diffusion and state of charge prediction in sodium ion batteries with time series analysis. Sci Rep 16, 7534 (2026). https://doi.org/10.1038/s41598-026-37522-x

关键词: 钠离子电池, 荷电状态, 电池建模, 机器学习, LSTM