Batterie-Elektrochemie-Modellierung mit PDEs: vom Einzelteilchen bis zum Vollmodell

Die Modellierung der Batterieelektrochemie unter Verwendung von partiellen Differentialgleichungen (PDES) ermöglicht eine hochtreue Simulation des Lithium-Ionen-Zellverhaltens. Das Single Particle Model (SPM) bietet Recheneffizienz für Echtzeitanwendungen, während das Modell Doyle-Fuller-Newman (DFN) die volle Elektrolytdynamik für Hochleistungsszenarien erfasst. Dieser Leitfaden behandelt die maßgeblichen Gleichungen, die Implementierung mit FIPY und Validierungstechniken für beide Ansätze.

Vorstellung

Die Simulation von Lithium-Ionen-Batterien basiert auf physikbasierten Modellen, die die gekoppelten elektrochemischen Prozesse in der Zelle beschreiben. Diese Modelle bilden die Grundlage für Batteriemanagementsysteme (BMS), Designoptimierung und Leistungsvorhersage. Die Wahl zwischen vereinfachten und vollständigen Modellen besteht darin, Rechengeschwindigkeit gegen Genauigkeit zu traden – eine Entscheidung, die sich auf alles auswirkt, von eingebetteten Controllern bis hin zu Forschungssimulationen.

Dieser Artikel enthält eine praktische Anleitung zur Modellierung der Batterieelektrochemie mit PDEs, die Folgendes abdecken:

• Der mathematische Rahmen hinter P2D/DFN-Modellen
• Vereinfachungen, die zum Einzelteilchenmodell führen
• Implementierungsstrategien mit der FIPY Finite Volume Library
• Wann wählen Sie SPM versus DFN basierend auf Ihrer Anwendung?
• Häufige Herausforderungen bei der Parameterschätzung und -validierung

Das PDE-Framework: P2D/DFN-Modell

Das Pseudo-zweidimensionale (P2D) -Modell, auch bekannt als Doyle-Fuller-Newman (DFN), stellt den Goldstandard für die physikbasierte Batteriesimulation dar. Es erfasst Transportphänomene sowohl über die Zelldicke (x-Richtung) als auch innerhalb einzelner Elektrodenteilchen (R-Richtung), daher „Pseudo-2D“ [^1] [^2].

Kerngleichungen

Das vollständige P2D-Modell besteht aus 4 gekoppelten nichtlinearen PDEs, die Erhaltungsgesetze in Fest- und Elektrolytphasen beschreiben [^3][^4]:

1. Festphasendiffusion (Ficks zweites Gesetz)

Lithium-Interkalation in sphärischen aktiven Teilchen:

$$
frac{partial c_s}{partial t} = frac{d_s}{r^2} frac{partial}{partial r}left(r^2 c_s} { partial r} right)
$$

wo:

• $C_S$ = Feste Lithiumkonzentration (mol/m³)
• $d_s$ = Festphasen-Diffusivität (m²/s)
• $r $ = Radialkoordinate innerhalb des Teilchens

Grenzbedingungen:

• Zentrum ($ r = 0 $): $ frac { Partial c_s} { Partial r} = 0 $ (Symmetrie)
• Oberfläche ($r = r_s $): $ -d_s frac{partial c_s}{partial r} = frac{j_{li}}{f}$

2. Transport der Elektrolytkonzentration

Lithium-Ionen-Bewegung durch Elektrolytporen:

$$
varesilon_e frac{partial c_e}{partial t} = nabla cdot (d_{e,eff} nabla c_e) + frac{1 – t_0 ^+} {f} j_ {li}
$$

wo:

• $Varepsilon_E$ = Elektrolytporosität
• $C_E$ = Elektrolytkonzentration (mol/m³)
• $D_{E,Eff}$ = effektive Elektrolyt-Diffusivität (m²/s)
• $t_0^+$ = Kationenübertragungsnummer
• $j_{li}$ = Porenwandfluss (a/m²)

3. Festphasenpotential (Ohmsches Gesetz)

Stromfluss durch Elektrodenmatrix:

$$
i_s = -sigma_{eff} nabla phi_s, quad nabla cdot i_s = -j_{li}
$$

wo:

• $sigma_{eff}$ = effektive elektronische Leitfähigkeit (s/m)
• $Phi_S$ = Festes Potential (V)

4. Elektrolytphasenpotential

Ionentransport im Elektrolyt:

$$
I_E = -Kappa_{eff} nabla phi_e + frac{2kappa_{eff}rt}{f}(1 – t_0^+) nabla ln c_e, quad nabla cdot i_e = j_{li}
$$

wo:

• $kappa_{eff}$ = effektive Ionenleitfähigkeit (s/m)
• $Phi_E$ = Elektrolytpotential (V)
• $R$ = universelle Gaskonstante (8,314 J/(mol·K))
• $T$ = Temperatur (K)
• $f $ = Faradaysche Konstante (96485 c/mol)

Kopplung durch Butler-Volmer-Kinetik

Der Reaktionsfluss $J_{li}$ koppelt Feststoff und Elektrolyt über elektrochemische Kinetik:

$$
j_{li} = a_s i_0 left[expleft(frac{alpha_a F eta}{RT}right) – expleft(-frac{alpha_c F eta}{RT}right) right]
$$

wo:

• $a_s$ = spezifischer Grenzflächenbereich (m²/m³)
• $i_0$ = Wechselstromdichte (A/m²)
• $alpha_a, alpha_c$ = anodische/kathodische Übertragungskoeffizienten
• $ eta = phi_s – phi_e – u (c_s) $ = Überpotential (v)
• $U(C_S)$ = Leerlaufspannung (V), Funktion der Oberflächenkonzentration

Terminalspannung ergibt sich aus der Potentialdifferenz über der Zelle:

$$
v(t) = phi_s(l,t) – phi_s(0,t) – r_{film} i_{app}(t)
$$

wobei $ L $ die gesamte Zelldicke ist und $ r_ {film} $ Kontaktwiderstände [^5].

Randbedingungen

Richtige Randbedingungen sind für gut gestellte PDE-Probleme unerlässlich [^6]:

Das vollständige P2D-System umfasst 17 gekoppelte PDEs und algebraische Gleichungen , wenn sowohl Elektroden als auch Elektrolyt und mehrere Teilchen berücksichtigt werden [^7].

Vereinfachter Ansatz: Einzelteilchenmodell (SPM)

Das Einzelteilchenmodell (SPM) reduziert die Rechenkosten durch zwei wesentliche Vereinfachungen [^8][^9]:

1. Gleichförmige Stromverteilung: Jede Elektrode wird durch ein einzelnes sphärisches Teilchen repräsentiert, wobei eine gleichmäßige Reaktionsstromdichte über die Elektrodendicke hinweg angenommen wird.
2. Vernachlässigte Elektrolytdynamik: Elektrolytkonzentration und potentielle Gradienten werden gleichmäßig oder konstant angenommen.

Mathematische Vereinfachung

Das SPM behält nur die Festphasendiffusions-PDE für jede Elektrode bei:

$$
frac{partial c_s}{partial t} = frac{d_s}{r^2} frac{partial}{partial r}left(r^2 c_s} { partial r} right)
$$

Die Klemmenspannung vereinfacht:

$$
v(t) = u(c_{s,surf}^{pos}) – u(c_{s,surf}^{neg}) – r_{int} cdot i_{app}(t)
$$

wobei $ r_ {int} $ ein stückiger Innenwiderstand ist (oft konstant oder empirisch).

Computational Advantage: SPM reduziert das System von 17 gekoppelten Gleichungen auf im wesentlichen 2 Diffusions-Pdes (eine pro Elektrode), Schnittsimulationszeit um 10-100× [^10].

Wann sollte SPM verwendet werden?

SPM ist geeignet für [^11]:

• Batteriemanagementsysteme (BMS): Echtzeit-SoC/SOH-Schätzung auf Embedded-Hardware
• Low-to-moderate C-Rates: < 1C Entladung, bei denen die Elektrolytkonzentrationsschwankungen minimal sind
• Controller-Design: Schnelle Iteration während der Algorithmusentwicklung
• Vorläufige Designstudien: Schnelle Parameter-Sweeps vor dem vollständigen DFN

Genauigkeitsgrenzen : SPM erfaßt bei hohen Geschwindigkeiten, Elektrolytverarmungseffekten und lokalisierten Konzentrationsgradienten nicht die Spannungsabsackung. Bei 3C-Lade- oder leistungsintensiven Anwendungen überschreiten Fehler 5-10% [^12].

Erweiterte SPM (SPME)

Das Einzelteilchenmodell mit Elektrolyt (SPME) fügt eine plumped Elektrolytdynamik-Gleichung hinzu, die SPM und DFN überbrückt. Es erfasst moderate Elektrolytkonzentrationsschwankungen ohne vollständige PDE-Behandlung und bietet eine bessere Genauigkeit bei ~ 2-3 × den Kosten von SPM [^13].

Volle Treue: Doyle-Fuller-Newman (DFN) Modell

Das DFN-Modell implementiert eine vollständige Theorie der porösen Elektroden, die den Transport sowohl in festen als auch in flüssigen Phasen über den Zellstapel löst [^1] [^2].

Komplettes PDE-System

Der DFN behält alle vier PDE-Familien bei:

1. Feststoffdiffusion (2 PDEs: Anode + Kathodenteilchen)
2. Elektrolytkonzentration (1 PDE über Zelldicke)
3. Festpotential (2 PDES: Anode + Kathode)
4. Elektrolytpotential (1 PDE über Zelldicke)

Plus algebraische Einschränkungen:

• Butler-Volmer Kinetik auf Partikeloberflächen
• Kirchhoff Spannungsgesetz für Klemmenspannung
• Aktuelle Naturschutzgrenzen

Gesamt: ~ 6-8 PDEs in Abhängigkeit von der Formulierung (einige Kombinations- / Eliminierungsvariablen).

Wenn DFN erforderlich ist

Verwenden Sie DFN für [^14]:

• Anwendungen mit hoher Rate: > 2C-Lade-/Entladung, wo Elektrolyt-Gradienten dominieren
• Detailliertes Elektrodendesign: Optimierung der Dicke, Porosität, Partikelgrößenverteilung
• Alterung und Degradation: SEI-Wachstum, Lithiumbeschichtung hängen von den örtlichen Gegebenheiten ab
• Thermische Kopplung: Temperaturgradienten interagieren mit elektrochemischen Prozessen
• Validierungsreferenz: Benchmarking mit reduzierter Ordnung mit High-Fidelity-Wahrheit

Berechnungskosten : DFN-Simulationen können 10-100 × langsamer sein als SPM, was eine sorgfältige numerische Optimierung (implizite Schemata, adaptive Vernetzung) erfordert [^15].

Implementierung mit FIPY

fPy ist ein Open-Source-Python-Finite-Volumen-Solver, ideal für Batterie-PDEs aufgrund seiner flexiblen Netzhandhabung und der eingebauten Diffusions-/Reaktionsbegriffe [^16].

Einrichten des P2D-Problems

Eine minimale FIPY-Implementierung folgt diesen Schritten:

from fipy import CellVariable, Grid2D, TransientTerm, DiffusionTerm

# 1. Define 2D mesh (x: cell thickness, r: particle radius)
mesh = Grid2D(dx=dx, dy=dr, nx=100, ny=50)

# 2. Create solution variables
c_s = CellVariable(name="solid_concentration", mesh=mesh, hasOld=True)
phi_s = CellVariable(name="solid_potential", mesh=mesh)
c_e = CellVariable(name="electrolyte_concentration", mesh=mesh)
phi_e = CellVariable(name="electrolyte_potential", mesh=mesh)

# 3. Define governing equations
eq_s = (TransientTerm(var=c_s) == 
       DiffusionTerm(coeff=D_s, var=c_s))

eq_phi_s = (ImplicitSourceTerm(coeff=sigma_eff, var=phi_s) == 
            -j_Li)  # reaction source

# 4. Add boundary conditions
c_s.faceGrad.constraint = ...  # particle surface flux
phi_s.constraint[boundary_id] = ...  # applied voltage

# 5. Time stepping
for step in range(num_steps):
    c_s.updateOld()
    eq_s.solve(var=c_s, dt=dt)
    # ... solve coupled equations sequentially or fully coupled

Praktische Implementierungstipps

Basierend auf der Referenzimplementierung FVBattpy [^17]:

1. Mesh-Strategie: Verfeinern Sie nahe Elektroden-/Elektrolyt-Grenzflächen, wo Gradienten steil sind
2. Kopplungsansatz: Verwenden Sie Blockiterative Solver (Gauss-Seidel) oder Newton-Raphson für die vollständige Kopplung
3. Zeitschritt: Adaptive Zeitsteuerung während der Transienten; Explizite Schemata für die Diffusion instabil
4. Initialisierung: Beginnen Sie mit dem Gleichgewicht (OCV), um die Divergenz des Solver zu vermeiden
5. Parameterdateien: Speichern Sie Materialeigenschaften in strukturierter Konfiguration (YAML/JSON) zur Reproduzierbarkeit

Komplettes FIPY-Beispiel

Das fvbattpy gitHub-Repository bietet eine vollständige P2D-Implementierung mit:

• Mehrschichtgeometrie (Anode|Separator|Kathode)
• Butler-Volmer-Reaktionskinetik
• Parametersätze für gängige Chemie (NMC, LFP, Graphit)
• Simulationstreiber für Konstantstrom-/Spannungsprofile
• Visualisierung und Nachbearbeitung

Dieser Referenzcode zeigt Best Practices für die Handhabung:

• Variable Materialeigenschaften (konzentrationsabhängige Diffusivität)
• Bewegte Grenzprobleme (Partikelschwellung)
• Wärmekupplungserweiterungen

Modellvergleich: SPM vs. DFN

Der Kompromiss zwischen Speed und Genauigkeit bestimmt die Modellauswahl [^11][^12]:

Entscheidungsrahmen

Folgen Sie diesem Flussdiagramm für die Modellauswahl:

High-power application (>2C)? ──Yes──> Use DFN
       │
      No
       │
Real-time embedded control? ──Yes──> Use SPM or SPMe
       │
      No
       │
Parameter estimation available? ──No──> Start with SPM, validate later
       │
      Yes
       │
Computational budget充足? ──Yes──> Use DFN for highest fidelity
       │
      No
       │
Use SPMe (middle ground)

Empfehlung: Benchmarkieren Sie Ihr gewähltes Modell immer vor der Bereitstellung mit experimentellen Daten oder einer vertrauenswürdigen DFN-Simulation [^14].

Praktische Herausforderungen

Parameterschätzung

PDE-Modelle erfordern zahlreiche physikalische Parameter [^18]:

• Solid-Phase: $D_S$, $A_S$, $I_0$, $U(C)$-Kurve
• Elektrolyte: $D_{E,Eff}(varepsilon)$, $kappa_{eff}(varepsilon, c_e)$, $t_0 ^+$
• Geometrische: Elektrodendicken, Teilchenradien, Porositäten
• Transport: Brüggeman-Exponenten für effektive Eigenschaften

Schlüsselherausforderungen [^19]:

1. Überparametrierung: Verschiedene Parameterkombinationen erzeugen ähnliche Spannungsausgänge, was eine eindeutige Identifizierung erschwert
2. Zustandsabhängigkeit: Parameter variieren je nach SOC, Temperatur, Alterung; erfordern umfassende Datensätze
3. Messschwierigkeit: Einige Parameter (z.
4. Rechenaufwand : Jede Parameterbewertung erfordert eine vollständige PDE-Lösung; Optimierungsschleifen werden teuer

Maßnahmestrategien:

• Sensitivitätsanalyse: Identifizieren und schätzen Sie nur einflussreiche Parameter; Andere aus der Literatur reparieren
• Modelle mit reduzierter Ordnung: Verwenden Sie SPM / SPME für die Parameterschätzung und übertragen Sie dann auf DFN
• Hybrid-Methoden: Kombinieren Sie physikbasierte Modelle mit maschinellen Learning-Surrogaten für eine schnellere Optimierung
• Mehrstufen-Schätzung: Schätzen Sie zuerst plumped Parameter (Innenwiderstand), dann elektrochemische [^20]

Computerkostenmanagement

Volle DFN-Lösungen bleiben teuer. Strategien zur Laufzeitverkürzung:

1. Mesh-Optimierung: Grobnetz im Separator, verfeinert in Elektroden; 1d statt voll 2d
2. Zeitschritt: adaptives $delta t$ (groß im Gleichgewicht, klein bei Transienten)
3. Solver-Auswahl: Verwenden Sie implizite (BDF) Schemata; PETSC für parallele Lösung
4. Reduktion der Modellreihen: Richtige orthogonale Zerlegung (PoD) oder Ersatzmodellierung
5. Hardwarebeschleunigung: GPU-Portierte Solver (CUDA-fähige FIPY-Varianten)

Für typische 1C-Simulationen läuft optimierte DFN in 5-30 Minuten auf modernen CPUs; SPM wird in Sekunden [^21] abgeschlossen.

Modellvalidierung und Überprüfung

V&V stellt sicher, dass Ihre Simulation der Realität entspricht [^22][^23]:

Verifikation (Gleichungen richtig lösen):

• Code-Überprüfung und Unit-Tests
• Vergleichen Sie mit analytischen Lösungen (z. B. Diffusion mit konstantem Fluss)
• Unabhängigkeitsstudien (verfeinern, bis die Ergebnisse konvergieren)
• Degenerierte Fälle: Nullstrom, voll aufgeladene/entladene Zustände

Validierung (Lösen der richtigen Gleichungen):

• Vergleichen Sie simulierte Spannung / Strom mit experimentellen Zyklusdaten
• Verwenden Sie Standardprofile: USABC, FUDs, DST Drive Cycles
• Fehlermetriken: rmse < 50 mV für Spannung; Mape < 2% für SoC
• Parameter-Unsicherheitsquantifizierung: Konfidenzintervalle bei Vorhersagen

Empfohlenes Validierungsprotokoll:

1. Statische Tests: OCV-Charakterisierung, HPPC (Hybrid Puls Power Charakterisierung) für Widerstand
2. Dynamische Tests: Konstantstromentladungen mit mehreren C-Rate (0,2C, 1C, 2C)
3. Temperaturvariation: Wiederholen Sie bei 10°C, 25°C, 40°C, um die thermische Kopplung zu testen
4. Alterungsdaten: Track Capacity Fade über 100+ Zyklen für Verschlechterungsmodelle

Tools: MATLAB/Simulink Battery Toolbox, Pybamm oder benutzerdefinierte FIPY-Skripte mit experimentellem Datenimport.

Fazit und nächste Schritte

Die Modellierung der Batterieelektrochemie mit PDEs bietet eine starke Brücke zwischen Grundphysik und praktischer Technik. Die Wahl zwischen SPM und DFN hängt von Ihrem spezifischen Kompromiss zwischen Recheneffizienz und Simulationstreue ab:

• SPM: Echtzeit-BMs, Controller-Prototyping, schnelle Design-Exploration
• DFN: High-Fidelity-Validierung, detaillierte Designoptimierung, Alterungsstudien

Erste Schritte:

1. Experiment mit Pybamm: Bietet gebrauchsfertige SPM-, SPME- und DFN-Implementierungen mit umfangreichen Parameterbibliotheken [^24]
2. Entdecken Sie FVBattpy: Studieren Sie den FIPY-basierten P2D-Code zur Anpassung und Erweiterung
3. Benchmark Ihre Anwendung: Validieren Sie Modellvorhersagen anhand Ihrer spezifischen Zellchemie und Betriebsbedingungen
4. Master-Parameter-Schätzung: Investieren Sie in experimentelle Charakterisierung oder verwenden Sie öffentliche Datensätze (z. B. NASA-Batteriedaten)
5. V&V-Workflow implementieren: Erstellen Sie automatisierte Tests, um die Modellverschlechterung im Laufe der Zeit zu erfassen

Referenzen

[^1]: Doyle, M., Fuller, T. F. & Newman, J. (1993). Modellierung der galvanostatischen Ladung und Entladung der Lithium-/Polymer-/Insertionszelle. Journal of the Electrochemical Society, 140(6), 1526-1533.
[^2]: Newman, J. & Thomas-Alyea, K. E. (2012). Elektrochemische Systeme (3. Aufl.). Wiley.
[^3]: Zhu, G., et al. (2024). Ein vereinfachtes elektrochemisches Modell für Lithium-Ionen-Batterien. Journal of Energy Chemistry, 90, 521-533.
[^4]: Li, Y., et al. (2022). Ein PDE-Modellvereinfachungsrahmen für Festkörperbatterien. Chalmers University.
[^5]: Moura, S. J., et al. (2015). Schätzung und Steuerung von Batterie-Elektrochemie-Modellen. CDC-Tutorial.
[^6]: Chen, Z., et al. (2022). Poröse Elektrodenmodellierung und ihre Anwendungen auf Li-Ionen-Batterien. Physik von Flüssigkeiten, 34(8).
[^7]: Manzie, C. et al. (2015). Vereinfachungstechniken für PDE-basierte Li-Ionen-Batteriemodelle. Australische Kontrollkonferenz.
[^8]: He, W., et al. (2024). Ein erweitertes Einteilchenmodell von Lithium-Ionen-Batterien. Journal of Energy Storage, 92, 112-129.
[^9]: Li, J., et al. (2017). Ein Einzelteilchenmodell für Lithium-Ionen-Batterien mit Elektrolytdynamik. Journal of the Electrochemical Society, 164(4), A755-A764.
[^10]: Perez, H. E., et al. (2016). Optimales Laden von Batterien über ein einzelnes Partikelmodell. IEEE-Transaktionen zur Steuerungssystemtechnik, 24(3), 952-964.
[^11]: Brosa Planella, F., et al. (2022). Ein Kontinuum von physikbasierten Lithium-Ionen-Batteriemodellen. Journal of Physics: Energie, 4(2), 022001.
[^12]: Ali, H.A.A., et al. (2024). Ein Vergleich zwischen physikbasierten Li-Ionen-Batteriemodellen. Computer & Chemical Engineering, 108, 108-125.
[^13]: Xue, C. et al. (2023). Ein verbessertes Einzelteilchenmodell unter Verwendung eines physikinformierten neuronalen Netzwerks. Batterien, 9(10), 511.
[^14]: Paten, I. B., et al. (2026). Dual-Continuum-Modelle von Lithium-Ionen-Batterien sind schnell und genau. Journal of the Electrochemical Society, 193(1), 011504.
[^15]: Xu, S. et al. (2025). Optimale Konvergenz bei der semidiskreten Fehleranalyse des Finite-Elements für das Doyle-Fuller-Newman-Modell. IMA Journal of Numerical Analysis.
[^16]: FIPY-Handbuch. Nationales Institut für Standards und Technologie. 2024.
[^17]: Gopalakrishnan, K. et al. (2020). fvbattpy: P2D-Newman-Modell mit FIPY. Github.
[^18]: Guo, F., et al. (2026). Optimierung der Parameterschätzung für elektrochemische Batteriemodelle. Journal of Power Sources, 625, 234-248.
[^19]: Kolluri, S. et al. (2022). Ein Tank-in-Serie-Ansatz zur Schätzung von Parametern für Batteriemodelle. Journal of the Electrochemical Society, 169(4), 040553.
[^20]: Moura, S. J., et al. (2015). PDE-Schätzungstechniken für fortschrittliche Batteriemanagementsysteme. Amerikanische Kontrollkonferenz.
[^21]: Sachsenweger, T., et al. (2026). Chargefabrica: Ein Python-basiertes Finite-Differenz-Tool für die Batteriesimulation. Journal of Physics: Materialien, 9(1), 025009.
[^22]: Horiba Fuelcon (2007). Tests zur Überprüfung der Lebensdauer der Batterietechnologie.
[^23]: Foles, A., et al. (2022). Validierung eines kommerziellen Lithium-Ionen-Akkupackmodells. Open Research Europe, 2, 15.
[^24]: PYBAMM-Dokumentation. Python-Batterie Mathematische Modellierung. 2025.