日期：
来源：研之成理收集编辑：研之成理
如今，锂离子电池（LIBs）以其优异的储能性能在人类社会的各个方面都发挥着至关重要的作用。自锂电产业蓬勃发展以来，如何开发和生产具有更好电化学性能的LIBs一直是学术界和产业界关注的焦点。然而，随着电极材料的潜力逐渐被开发到极限，一个同样重要的问题越来越受到重视，那就是如何有效地、安全地使用这些电池。要回答这个问题，需要深入了解LIBs在不同工作条件下的老化机理，监测荷电态（SOC）、健康状态（SOH）和内部物理化学参数（如内部温度/压力），进而实现实时的、定量的电池老化诊断。为了实现这些目标，开发原位以及工况下的电化学和非电化学技术对于准确检测电池的状态和衰减趋势具有重要意义。LIBs是一类复杂的电化学体系，包含了正极、负极、电解质、隔膜和集流体等组成部分。体系的复杂性导致了对电池老化过程中衰减机制进行解耦的困难。近年来各种先进的表征方法的迅速发展，极大地促进了对于LIBs衰减机制的理解。X射线技术、电子显微镜技术、滴定技术、核磁技术等物理表征手段表现出了强大的分析能力，然而它们大多是侵入性技术，而且需要昂贵的设备和特殊的测试模具。而诸如差分电压分析、容量增量分析等电化学表征方法则需要较长的测试时间，并且也很难实现实时检测。电化学阻抗谱（EIS）是一种在揭示电池内部电极动力学过程的非破坏性的方法。通过将老化过程中的阻抗演变与衰减机制相关联，EIS可以为老化过程中电池内部的变化提供重要的信息和依据。因此它也是电池老化研究中一个强大的诊断、预测和失效分析的工具。与物理表征及其他电化学表征方法相比，EIS具有几个独特的优势：首先，它在时域和频域上将电压和电流联系起来，从而获得LIBs中内部过程的动力学参数；其次，它是一种无损技术，可用于原位和工况下研究，监测电池循环期间的状态；此外，EIS可以根据弛豫时间有效地将复杂的电化学过程解卷积为一系列基本过程，且分辨率较高。虽然EIS具有强大的潜力，但目前很少有文章全面总结不同类型的电化学阻抗谱技术、以及它们在不同类型的电池老化研究中的应用。鉴于此，厦门大学杨勇教授课题组就经典EIS和动态EIS的工作原理、数据验证和建模方法（包括等效电路模型、弛豫时间分布和传输线模型）以及它们在LIBs老化研究中的应用进行了总结。文中系统性地总结了日历老化和不同加速老化条件下LIBs的EIS演变规律及相应的衰减机制分析，不同阻抗方法用于检测析锂和监测SEI生长，以及基于阻抗数据的机器学习方法用于电池状态预测。最后，提出了EIS在LIBs老化研究中进一步应用的挑战和前景。该综述文章以“Application of Electrochemical Impedance Spectroscopy to Degradation and Aging Research of Lithium-Ion Batteries”为题发表在期刊Journal of Physical Chemistry C上，课题组博士研究生胡文轩为本文第一作者。▲图1. 电化学阻抗谱技术在电池老化研究中的能力和应用步骤。经典的EIS测试需要在稳态或亚稳态的条件下进行。通常是对体系施加一个小振幅的不同频率的正弦扰动信号（图2a），来保证电流和电压间的线性关系。要得到质量合格的阻抗数据，需要满足线性、因果性和稳定性三大条件。除了通过实验的方法来验证阻抗数据的质量外，最常用的方法就是K-K验证。K-K验证，简单来说就是对于满足上述三大条件的阻抗测试得到的数据，应该能够使用实验测得的实部计算出虚部，反之亦然。这样就能够获得理论实（虚）部和实验测得实（虚）部之间的残差。需要注意的是，只有当所有频率点的残差都小于1%时，代表数据质量是可靠的，能够进行后续的ECM和DRT拟合。由于经典EIS存在弛豫时长、测试状态偏离工况的原因，动态EIS因其在工况测试方面的潜力越来越受到研究者们的重视。DEIS测得的数据更接近真实工作情况，并且能够暴露出一些隐藏的动力学信息，因而它被认为是揭示复杂电化学体系的一个很好的辅助手段。根据输入信号的差异，可将DEIS系统分为线性时变（LTV）系统和非线性时变（NLTV）系统两类。在LTV系统中，为了近似地满足EIS频率响应的线性，通常会在测试条件方面进行妥协，以使得数据处理仍然基于经典EIS的线性框架。而在NLTV系统中，则会有意地暴露电池过程的非线性信息。由于经典EIS的线性框架不再适合这些类测试，需要不同的数学处理、模型和框架来验证和解释结果。LTV体系的DEIS技术有两类，分别是线性DEIS和单频DEIS。对于线性DEIS（图2b）, 输入电流信号通常是在交流信号上调制一个直流信号，以实现在充电或放电的同时进行阻抗测试。值得注意的是，线性DEIS中使用的频率范围通常会丢弃低频范围，以缩短测试时间。因为较短的测试时间可以减小测量过程中SOC的变化，从而保证数据质量。线性DEIS的数据也可以用K-K关系进行验证。而对于单频的DEIS（图2c），它是将一个单频的交流信号，叠加到直流信号上，以测量单一频率的阻抗在较大SOC范围内的变化。这种方法的优势在于能够监测特定的过程在整个SOC上的变化，但缺点是一次只能监测一个频率，因此其应用场景需要进行挑选，使用频率也需要进行预实验。NLTV体系的DEIS技术有两类，分别是非线性频率响应分析（NFRA）和奇次谐波随机相角-EIS（ORP-EIS）。NFRA（图2d）是使用一个大振幅的交流信号作为输入，然后收集高次谐波的信号。实验发现，一些物理过程的非线性响应是远弱于电化学过程的。Harting等通过三次谐波谱的一个局部极小值，可以实现电荷转移过程的SEI的离子传输过程的区分。但是该方法也存在难以定量、谱学与物理过程难以联系等问题。ORP-EIS（图2e）是将一个经过编码的复合正弦波交流信号叠加到直流电上，进而得到在充放电过程中连续的EIS谱，实现工况下的EIS测试。但是该方法也存在测试门槛较高、单次测试数据量太大、成本高的问题。▲图2. 不同阻抗技术的激励信号、输出响应和优缺点。对测得的EIS数据进行分析是最重要的步骤之一。在LIBs中，对于一个单电极，其可能包含的基础过程包括：尽管EIS在理想情况下可以在单个频谱中区分这些单独的过程，但其中许多过程在实际测量中会相互卷积和重叠。因此，通过建模对内部信息进行去卷积，实现对EIS数据的明确解释是一个关键问题。▲图3. LIBs常规的EIS谱图以及不同频率区间对应的过程。ECM是目前使用最广泛的EIS数据分析方法。它是一种先验性的方法。模型往往是基于使用者对电池化学体系的了解和对图谱形貌的先验知识进行构建，然后使用复非线性最小二乘（CNLS）拟合EIS数据，进而获得不同部分的阻抗。对于图3所示的LIBs常规的EIS图，根据频率区间可以分为三个部分：超高频区域的感抗、高频和中频区域的容抗以及低频区域的扩散阻抗。EIS和实轴的交点是体系的欧姆电阻。使用ECM法可以实现一个衰减模式（degradation modes）的诊断，即导电性损失（Conductivity Loss, CL）、活性锂损失（Loss of Lithium Inventory, LLI）和材质损失（Loss of Active materials, LAM）。计算公式如下：但是受ECM解耦EIS谱图分辨率的影响，该方法只能作为一种定性或是半定量的方法。尤其是对于电荷转移电阻（Rct）的变化应归属于LLI还是LAM，不同文献使用的方法也存在差别。因为影响Rct的衰减机制很多，将ECM拟合得到的一个Rct完全归为LLI或LAM本身就是存在一定误差的。除了解耦分辨率不高以外，ECM还存在建模过程受人为因素影响较大、模型与实际电化学体系并不是一一对应等问题。DRT是一种将EIS从频域转化为时域的时间尺度表征方法。它是以无数个串联的微分RC元件来拟合EIS谱，每个RC元件都有自己的时间常数。因此该方法不同于ECM，不是先验性的拟合方法。假设电池总的极化电阻为Rp，存在函数g（τ）使得Rp*g（τ）代表τ时刻电路的微分电阻，Rp*g（τ）即是弛豫时间分布函数DRT。通过该函数，将EIS从频域上的Nyquist图转换为时域上的DRT图。考虑到g（τ）的定义，应存在g（τ）在整个时间尺度上的积分等于1，即DRT中所有峰积分应该等于总的极化电阻Rp。每个电极过程会在一定的时间范围内进行响应，在DRT曲线上显现出峰；峰的出现代表该过程开始对刺激响应，峰的消失代表该过程已弛豫完全。峰值所对应的时间即是该过程的时间常数，峰的面积对应该过程的阻值。每个时间常数可以对应体系中的一个过程。对于某一确定电化学体系中的同一过程，其时间常数是确定的，并且几乎不变。峰的时间常数的变化往往意味着对应过程的物质组成或结构发生了变化。由于不同的电化学过程具有不同的时间常数，DRT能够分离、可视化和量化体系中电化学过程，并且解耦的分辨率高于ECM。因此，DRT也是一种更好的电池老化诊断工具。由于该方法可以从全电池的EIS谱中对正极和负极的阻抗去卷积，从而实现衰减机制（degradation mechanisms）级别的诊断。在完成了峰识别后，复杂的EIS图可以去卷积为属于某一动力学过程的单独的峰。通过监测老化过程中峰的变化，可以量化不同降解机制对电池老化的贡献。▲图4. 不同衰减机制和模式的耦合关系及其导致的阻抗变化，以及ECM和DRT进行EIS谱去卷积的分辨率。虽然DRT在EIS数据分析和电池老化诊断方面具有很大的优势，但在使用时也存在一些问题。首先DRT对于EIS数据质量要求很高，小的噪声或误差都可能导致DRT结果出现较大的误差。因此，在使用DRT之前，必须通过KK验证确保原始数据的质量。此外，在DRT计算过程中形成的伪峰是另一个棘手的问题，可能导致不正确的建模结果。Wang等讨论了DRT伪峰的类型、来源和影响因素。他们将伪峰分为三种类型：（1）由于过拟合问题而产生的人工峰；（2）欠拟合问题导致的缺失峰和（3）移位峰。正则化参数、峰值强度均匀性和阻抗模型与伪峰值的产生有关。将阻抗谱进行分段拟合，可能是解决伪峰问题的一种方法。然而，目前还缺乏一种简单有效的方法或标准来评价DRT的过拟合程度。综上所述，进一步开发新的算法，提高DRT的精度，减少因人为选择拟合参数造成的误差，甚至实现“一键式”拟合，对于更好地应用DRT具有重要的作用。TLM是用于处理多孔电极阻抗问题的物理模型。对于简单的平板型电极/电解质界面，电化学行为由串联的RC元件和溶液的电阻组成（图5a）。TLM将多孔电极的整个界面看作是无数个微型平板界面相连构成。每个小界面都包含三个物理化学过程，分别是电极中的电子传导、电解质中的离子传导和界面反应。图5b-c展示了不同界面反应（非法拉第过程或法拉第过程）的相应TLM，每个RC元件模拟总孔表面纳米上发生的电化学反应。图5d显示了Li插层过程中的典型过程示意图和具有相应物理含义的TLM。根据电极中的界面，原理图可分为三个部分，即集流体/电解质界面、多孔电极/电解质界面和多孔隔膜/电解质界面，三个界面中的电子传导和离子扩散。TLM在评价多孔电极中的离子扩散电阻（Rion）和提取电极的离子电导率参数方面具有显著优势。因此，它是研究电池老化过程中结构分解的影响的有力工具，如电极中孔隙体积和迂曲度的变化。▲图5.（a）平板型电极-电解质界面和（b-c）多孔电极-电解质界面的电化学模型；（d）基于LIBs中典型的物理化学过程的传输线模型。日历老化研究是电池研究中一个重要但经常被轻视的问题。日历老化意味着仅对LIBs进行存储而不工作。由于没有发生电化学反应，性能下降是由电池化学中的副反应引起的。具体而言，主要的衰减机制包括电解液的消耗和分解、SEI和CEI的生长、过渡金属溶出和气体释放。存储温度、初始SOC和电池化学对日历老化的结果存在显著影响。图6展示了不同日历老化条件下的阻抗演变。在进行老化诊断时，RSEI和Rct分别用来作为衡量SEI生长和正极结构分解两种主要衰减机制占比的参考量。当存储温度提升时，SEI生长和正极过渡金属溶出的副反应会加剧，RSEI和Rct均会变大，但增大的比例受电池体系的影响较大，例如磷酸铁锂在较高温度下存储变化不大（图6c）。Li等研究了LCO的日历老化发现，高的初始SOC会引起较高的电极活性，会导致正极Rct的显著增大（图6b），这是由过渡金属的溶出、CEI的形成和孔隙堵塞引起的。他们提出在较低SOC时SEI的生长在电池性能衰减机制中占主导，而高SOC下正极的衰减占主导。此外，日历老化对于电池后续循环性能的影响（图6d）也是一个具有重要现实意义的问题。Zhang等发现日历老化过程中正极的衰减会加速后续循环过程中正极的衰减速率，而日历老化过程中生成的SEI并不会加速后续循环过程中SEI的生长速率。▲图6不同的日历老化影响因素下阻抗的演变：（a）温度；（b）SOC；（c）正极；（d）日历老化后再进行循环老化。LIBs在正常工作条件下具有数年的寿命。为了评估LIBs的质量，加速老化是在相对较短的时间内测量电池寿命的关键问题。通过使用不同的加速应力，如高温、高充放电倍率、过充、过放，可以使电池提前到达寿命终点。然而，在较为严苛的加速条件下，电池的老化过程可能会显著偏离正常工作的情况。因此根据加速条件的类型，可将加速老化分为正常加速老化和异常加速老化。前者应满足的前提是，主要衰减机制或模式与正常老化相比变化较小，或在寿命计算中能够量化和补偿偏差部分。由于EIS可以进行原位的衰减机制诊断，是评估加速老化条件的必要技术。提高温度可以加速电极的动力学，但同时也会增加副反应的速度。提高充电倍率也是一种常见的加速老化方法，但是高的充电倍率可能会导致析锂。探究不同充电SOC区间或不同充电倍率下的析锂边界是一个具有重要现实意义的问题。Raj等通过探究不同充电SOC区间和倍率下阻抗的变化找到了析锂边界（图7b）。提高放电倍率的效果如图7c所示。在放电倍率从0.5C增大到2C时，RSEI的增大占主导，Rct变化不大。但当放电倍率增大到3C时，Rct显著上升。说明增大放电倍率主导的衰减机制会由SEI生长到某个临界点转变为正极的结构破坏。此外，由于提高温度能够加速电极的动力学，将高温和高倍率耦合也是一种具有前景的加速老化方法。Wu等通过阻抗和物理表征发现将温度从25℃提高到45℃可以将析锂边界从3C提高到5C。综上，EIS在评估加速老化协议方面能够发挥重要作用。▲图7.不同的正常加速老化条件下阻抗的演变：（a）温度；（b）充电倍率；（c）放电倍率；（d）高温和高倍率耦合。在异常加速老化条件下，老化过程明显偏离正常的循环老化过程。研究这些情况有助于了解电池失效的机理，抑制电池工作过程中出现的意外的异常加速老化。Carter等通过在正负极构建温度梯度进行加速老化（图8a），发现当负极温度较低时会发生析锂，发现导致阻抗显著上升，容量快速衰退。Li等探究了过充的条件下阻抗的变化，发现了分段式的阻抗演变（图8b）。前期存在平台，阻抗和容量变化不明显。但在后续阶段Rct和Rw迅速上升，伴随着容量的快速衰减。说明正极对于高电压的耐受力会逐渐减弱并最终导致结构破坏，LAM占主导。Liu等探究了过放过程的加速老化效应。通过使用三电极体系，可以发现正极在循环前后的EIS几乎没有发生变化，而负极的阻抗显著增大。这说明过放条件下负极SEI的变化（破坏—再生成）是主导的衰减机制。此外，提高压力也会改变电池的阻抗，进而影响老化过程（图8d）。综上，加速应力对电池老化过程的影响不同，导致不同的衰减模式和阻抗演化。正常的加速老化条件，如高充放电倍率和温度进行耦合，可以线性加速容量衰减，衰减机制的变化较小，从而实现在短时间内估计电池的正常寿命。而异常加速老化条件会导致电池快速失效，具有不同的主导的衰减机制。EIS不仅可以评估正常加速老化协议的边界条件，还可以揭示不同衰减机制对电池故障的主要原因和贡献。▲图8 不同的异常加速老化条件下阻抗的演变：（a）析锂；（b）过充；（c）过放；（d）压力。LIBs在苛刻的工作条件下（如快充、低温充电或过充）充电或长期循环充电时会发生析锂现象。当析锂严重时，析出的锂金属会刺穿SEI层，与电解质反应形成新的SEI层，导致LLI和不可逆的容量损失。析锂不仅会导致性能衰减，还可能造成严重的安全隐患。因此，开发一种无损、实时监测和定量析锂的方法，对于发展预防析锂的方法、提高LIBs的使用安全性、预测LIBs剩余可用寿命具有重要意义。针对表征析锂过程的阻抗方法，作者将已有的表征思路总结为以下三类：（1）直接观测析锂和石墨负极的电荷转移反应竞争所导致的阻抗变化；（2）观测基于静置状态的化学回嵌导致的阻抗变化；（3）使用间接法观测析锂导致的其他变化，如SEI生长、双电层电容增大等。根据不同文献报告的结果，析锂所导致的石墨负极阻抗变化有以下共性的观点：（1）析出的锂暴露在电解液中会导致形成新的SEI层，伴随着RSEI的升高;（2）电荷转移过程电阻减小，双层电容增大;（3）电荷转移过程的时间常数会发生微小的变化，对应于DRT中峰值的偏移。▲图9.不同的阻抗方法进行析锂探测的原理示意图：（a）对比析锂前后DRT中Rct峰的偏移作为析锂标志；（b）在弛豫过程中化学嵌锂导致的EIS演变；（c）电压降得到的Ri随SOC变化趋势中的转折点作为析锂标志；（d）快充过程中RSEI显著增大的起始点作为析锂标志；（e）双电层电容显著增大的起始点作为析锂标志。SEI可以保护石墨负极，防止其与电解液持续反应，因而对于电池的性能起到了至关重要的作用。除了这些积极作用外，SEI的生长也是电池性能衰减的主要机制之一。它会消耗锂库存和电解液、阻碍离子扩散、增大电极的电阻。EIS是表征SEI最强力的工具之一，它使得研究者们能够简单地就获得SEI层的电阻和电容，因此被广泛地应用于表征SEI性能、评估新电解液、监控SEI演变。如图10a所示，Steinhauer等人使用原位EIS和DRT方法，通过在前两个周期中以0.1 V的等距离电压间隔进行EIS测量来监测SEI形成过程。此外，EIS和物理表征耦合的策略在将SEI的电化学数据与其组成相联系上起着至关重要的作用。Xu等将飞行时间二次离子质谱（TOF-SIMs）与EIS相结合，研究了正极溶出的Ni2+对SEI成分、结构和阻抗演化的影响。SEI的厚度被认为是定量诊断电池老化过程中状态的一个很好的指标。然而，要对SEI进行原位观察是非常困难的，更不用说在老化过程中对SEI厚度的演变进行原位监测了。EIS可以无损地获得SEI的电阻和电容，是一种有前景的间接方法。然而，由于其结构不均匀，将其电学性质转化为准确的厚度仍然是一个棘手的问题。要完成这个目标一方面需要更符合实际情况的阻抗模型（如图10d中的传输线模型）和SEI生长模型，另一方面，也需要了解SEI中的组分及介电常数等参数。▲图10.（a）石墨负极在首次和第二次锂化过程的EIS和DRT图谱；（b）充电和放电过程前50圈的差分EIS图谱；（c）TOF-SIMS和EIS联用表征SEI的组成和阻抗；（d）SEI的传输线模型。近年来，机器学习（ML）在LIBs和其他储能应用中发挥了越来越重要的作用。由于EIS能反映LIBs内部信息，且与电池状态高度相关，可作为机器学习的输入数据，得到SOC、SOH估计和RUL预测的数据驱动模型。由于在随机加速条件下测量老化行为相当困难，因此构建基于阻抗的SOH估计模型至关重要。通常，数据驱动模型的性能在很大程度上取决于ML算法、数据的质量和数量以及特征提取。本文主要关注不同类型的初始数据、特征提取方法及其对模型性能的影响。目前存在三类特征提取方法，分别是：由模型在训练过程中自己寻找特征（不人为提取特征）、以ECM模型参数作为特征、以某确定频率的阻抗作为特征。Jiang等比较了三种不同的特征选取方法，发现以定频阻抗作为输入数据的模型具有最优的预估精度（RMSE=0.93%）、训练速度（0.45 s）和置信区间（MSD=0.66%）。此外，以Rohm、RSEI、CSEI、Rct和Cdl五个ECM参数作为输入数据的模型也具有相近的性能，两者均优于无特征输入的模型。说明目前人为选择的特征能更好地反映电池的状态。然而，有些问题需要考虑。首先，虽然基于单频阻抗的方法具有最好的估计性能，但它在很大程度上取决于所选频率对特定退化模式的代表性。一旦频率失去了代表性，误差就会变得很大。电池的老化程度和老化方式也会导致主导衰减机制的改变和时间常数的变化。目前的ML模型很少考虑老化条件，如充放电速率、温度等。其次，DRT目前还很少用于机器学习模型，因为在数据导入方面存在较大的困难。由于DRT是一个时域连续函数，如何过滤有价值的数据是一个棘手的问题。尽管如此，毫无疑问DRT在该应用中有巨大的潜力。第三，将放电曲线与阻抗数据相结合进行机器学习，可以获得更好的估计性能。放电曲线可以反映电极材料的热力学性质，而EIS反映了电极材料的动力学性质。它们的组合可以作为电池状态的“指纹”。此外，ORP-EIS是一种具有潜力的SOC估计方法，因为它可以得到阻抗对SOC的连续函数。▲图11三类特征提取方法为基于机器学习的电池状态预测提供了数据驱动的来源。综上所述，本文综述了EIS的原理、测量、验证、模拟及其在LIBs性能衰减和老化研究中的应用进展。对于经典EIS，测量应满足线性、稳定性和因果性三大条件，以保证数据的质量。由于EIS数据模拟依赖于原始数据的可靠性，因此KK验证应该作为阻抗数据发表前的一个标准的检验方式。此外，还介绍了几种典型的动态EIS技术，并对ECM、DRT、TLM等常用模拟方法及其在电池老化诊断中的应用进行了介绍和比较。DRT可以看作是EIS的一种上位替代的拟合方法，它具有更强的定量能力，和更高的分辨率来实现衰减机制诊断。而TLM作为一种物理模型，在分析多孔电极以及孔隙率变化对电池衰减的影响方面具有很大的优势。EIS在LIBs衰减和老化研究中的应用进展主要从以下三个方面进行了总结。首先，系统性地综述了日历老化和加速老化等不同老化条件下EIS的演变。EIS不仅可以诊断LIBs在不同老化条件下的衰减机制，而且可以很好地确定正常加速老化协议的边界条件，用于快速电池寿命测试。其次，详细介绍了电化学阻抗技术在析锂和SEI生长这两种主要衰减机制中的应用。工况DEIS技术在实时检测工作状态下电池析锂的发生方面具有很大的潜力，其中Rct、Cdl和RSEI可作为不同策略下的指标。最后，从输入数据和特征提取的角度，介绍了基于阻抗的机器学习数据驱动模型，用于SOC、SOH估计和RUL预测。采用ECM参数法和定频阻抗法进行特征提取，模型预测性能较好。在开发先进的EIS技术以估计电池状态和安全边界方面，有几个具有挑战性的问题:（1）发展在正常工作的锂离子电池中以较低检测限进行工况下析锂检测的方法。当前的析锂边界探测方法多是在低温、快充、过充的条件下实现的。然而，在电池正常老化的过程中尽早的检测到析锂的发生依然是一个挑战，这对于实现电池的安全使用和纠正电池状态具有重要意义。（2）在电池工作或老化期间，通过operando EIS实现SEI厚度监测。虽然EIS可以很方便地提取电池老化过程中SEI层电阻和电容的变化，但是很难在电学参数和SEI的厚度之间建立一个准确的、可靠的关系。（3）将特征提取的阻抗数据与老化条件相结合，构建ML模型。目前，机器学习在日历老化研究中还很少使用。考虑到日历老化研究所需的时间长度，ML将是未来研究中不可或缺的工具。此外，如何将DRT结果引入到ML模型中，以实现更高的精度也是一个挑战。（4）发展可靠的大容量电池以及电池组的EIS测量方法。虽然阻抗技术在用于实验室研究的小尺寸电池中已经非常成熟，但由于成本限制和技术难度，很难获得大容量电池甚至电池组的EIS。（5）开发更准确、高效的DRT算法和拟合评估方法。需要注意的是，虽然EIS在解耦不同电极过程、探究电池动力学信息、预测电池SOC和SOH方面具有强大的能力，我们仍然需要将它和其他的物理表征手段进行交叉验证，以确保相关结论的坚实性和可靠性。Wenxuan Hu, Yufan Peng, Yimin Wei, Yong Yang*, Application of Electrochemical Impedance Spectroscopy to Degradation and Aging Research of Lithium-Ion Batteries, J. Phys. Chem. C, 2023,https://doi.org/10.1021/acs.jpcc.3c00033https://yanggroup.xmu.edu.cn/更多科研作图、软件使用、表征分析、SCI 写作、名师介绍等干货知识请进入后台自主查询。