电池究竟是什么？电池技术来自何方，走向何处？
来源：宝鄂实业
2019-04-15 20:08
点击量：次
十年让锂电池储电量翻倍，成本减半
在第四期青创联盟线上研讨会上，哥伦比亚大学材料系助理教授杨远从材料学的角度回顾了电池的历史、现状以及未来发展方向。
在研讨开始，杨远教授介绍了材料科学的历史和研究热点。他介绍了人类的发展史可以说是一部材料发展史。无论从石器时代到青铜时代还是如今的硅时代（电子产品大量使用硅材料）。
据杨远教授统计，过去20年，诺贝尔物理奖和化学奖得主有四分之一来自材料领域，足见人们的重视程度。
随着数字时代的到来和人类开始对可持续发展愈加重视，电池的应用领域正不断扩大。
人们对电池性能提出了更高的要求，比如人们需要待机时间更久的手机、续航里程更长的汽车、太阳能和风能的大规模储能需求、可穿戴设备如心脏起搏器（通常10年一换，有了更好的电池可以一辈子不换）等。
这么多的应用场景也就向电池的能量密度、使用寿命、安全性、生产和使用成本等方面提出了新挑战。
以时下最常用的锂离子电池为例，杨远教授介绍称现在锂离子电池的能量密度已经达到250Wh/kg。未来10-15年的目标是将其能量密度从250Wh/kg提高到500Wh/kg，成本也下降到现在的一半。
为了达到这一目标，杨远教授介绍了未来电池的两个发展方向。一个方向，使用新的材料，比如负极用锂金属代替商用石墨，正极使用高镍的三元材料或者硫。
另一个方向是用纯固态电解质替代液态电解液，以提高电池的容量和安全性。
杨远教授还指出，有些媒体报道称“石墨烯电池能让电动车五分钟充满电，一次跑1000公里”。这一说法是过分夸张的。让锂离子电池能量翻倍，更加切实可行。
杨远教授还介绍了如何通过同步辐射光源，也就是比普通X光强上亿倍的光源，来给电池照相，看到电池在充放电中的变化、找到电池的缺陷。把这些照片和大数据以及AI相结合，可以了解电池材料和器件的性能，进而更好的了解电池的内部特征。
在报告的最后，杨远教授介绍了自己的两个研究方向：
1.金属锂枝晶的生长。锂金属电池的安全隐患主要因为金属锂在使用过程中会产生枝晶，枝晶可能会刺穿正负电极中间的塑料隔膜，进而造成短路引发电池着火。通过研究锂枝晶的生长过程进而找到解决方案，提升锂电池的安全性。
2.制作柔性电池。通过把电池做成类脊椎状结构，然后把硬的部分和软的部分连接起来，可增加电池的柔性。可以用于柔性电子产品，例如智能手表的表带，柔性显示屏等等。
同步辐射光源+大数据+AI+新材料
一同参加青创联盟线上研讨会的青创联盟成员还有美国阿贡国家实验室物理学家同时也是本次研讨会的主持人周华、清华大学计算机系副教授崔鹏、休斯顿大学电气工程及材料科学工程系副教授姚彦。
几位专家就如何提高电池能力密度和寿命等专业领域进行了探讨，具体内容如下：
杨远：如果下一代同步辐射光源亮度增强数十倍，能否检测到电解液中的轻元素？研究会有哪些帮助？同步辐射光源对电池研究会有哪些帮助，如何利用它来全面地表征电池的反应？
周华：轻元素是个物理本质上地问题，光源更亮可能帮助不大。因为X-Ray是基于电子的，锂和氢这种轻的元素，光源强度再强在本质上帮助不大。但是亮度增加带来了一些新的技术，如基于相干成像的一些成像和动力学的手段。
电池体系比较复杂，电池性能的失效过程是有相关性的，一个区的失效和另一个区的失效可能有一定的关联性。在未来的一些关联上的相干X射线会提供一定的帮助。
在时间尺度上可以用更快的方式拍照，看得更精准一些。同时聚焦也更容易，成像会更三维和动态，对电池这些复杂的体系来说表征就更容易，而且未来的表征会更多元化。
杨远：如果人工提取一些具有物理含义的特征，然后把它作为一个参数把谱线输入到数据模拟里面，如何使用数据分析来预测电池的性能？
崔鹏：如果说我们的唯一目标就是要做一个预测。比如说就是想预测电池到底哪个部分是坏的，哪是好的，或者是说它的性能到底是能够达到多少。
在训练数据量足够的情况下，比如提取一千万条谱线再选择六个参数（噪音水平、峰位、峰高等），再加上比较好的一些机器学习的算法。我相信会比现在的这六个参数的性能要好。
但如果还要知道为什么，machine learning就没有办法去告诉他到底为什么会这样。在百万量级的参数空间里我们没有办法很好的去解释这个模型。
但通过大规模数据的驱动，我们能发现一些原来经典学科推理不出来的一些动力学的定律。那这个方向和电池这种交叉性的研究可能会贴得更近一些。
在这种情境下我们要能够从大规模数据里面去发现一些新的定律出来。这就要依赖于一些新的一些模式或定律的发现，进而能够促进电池性能上有进一步的提升。
杨远：电池电解液离子的分布以及锂枝晶的生长速度和表面的离子分布的相关性研究，有没有简单的方法把电池数据和图像读取进去，然后利用deep learning 自动地去找一些特征的feature？
崔鹏：原来我们处理图像的方式是人为的定义一些特征，比如抽取谱线的角点，抽取这里面的SIFT或者Gabor、小波等特征。然后设计出来一个维度相对可控的特征集，就可以在一个合适的尺度范围内找到一个合理的解。
但deep learning如果不抽取任何特征，把千万条谱线全部输入进去，会带来一个问题就是空间维度非常高。
所以deep learning要成功必须要有两个因素：第一个就是你的数据量要充分；第二个就是你的算力要足够到能够处理这么大规模的数据和这么高维的空间。
周华：如何开发具有更高能量密度、更长寿命，更便宜和安全的电池？
姚彦：首先提到高能量密度、长寿命、更便宜、更安全，其实这几个方面都很重要。但是现在还没有任何一种电池同时满足这四方面的要求，所以完全是根据具体的应用场合。
比如说电动汽车对高能量密度要求更高，对安全性要求更高。比如在大规模风能或太阳能的储能方面对价格和安全性要求更高。
安全性其实不光是电极材料的问题，还涉及到电解质的问题。所以现在全世界范围内都比较热的全固态电池、水系电池都是新的研究方向。
现有的锂离子电池的价格虽然大幅下降，但用到大规模储能上还是有很大挑战。现在很多电极材料含有钴和镍，这些元素在地球上的产量是有限的而且受到地缘政治影响，价格波动非常大。
所以在过去这几年中，中国电动汽车发展非常快。从2015年的15万辆到去年是70万辆，今年有可能更多，所以就要考虑到是不是有足够的锂、镍或者钴来支撑这么多电动车的需求。
所以我们要开发新的材料体系，比如说用钠或镁，亦或是不用含钴镍的金属，而是用地球上更丰富的元素来做新的电池。
但是，未来4-5年里，锂离子电池在电动汽车领域仍然会占据统治地位（95%以上的市场份额）。因为，它仍然是能力密度最高的一种电池。
