大数据机器学习快速准确预测电池衰减

锂离子电池在便携式能源、新能源汽车领域、以及大规模储能系统中都有广泛的应用。在各种能源系统中，都存在着电池寿命的衰减。使用电池早期循环的数据来准确的预测电池的使用寿命，将会为电池生产和大规模使用创造新的机遇。在此前的研究中，多种物理化学模型和半经验模型被用来研究电池循环中的反应以及变化，并据此进行电池寿命的预测：包括SEI的生长，锂离子的沉积，活性物质衰减，阻抗增加等等过程。这些研究往往仅考虑电池中单一的，或者少数反应过程。在实际应用的电池体系中，电极反应往往和热力学、力学过程耦合，电池不同的充放电使用条件（快充等），这些复杂的反应过程加大了预测全电池寿命的难度。

近年来，大数据和机器学习等数据分析处理的信息技术日渐成熟，信息技术被广泛应用到材料分析领域：预测材料性质、判断化学反应路径、能源催化等新材料的发现等等。将先进的数据分析处理的信息技术与材料研发相结合，极大地推动了材料科学的快速发展。电池循环寿命预测的及时性、准确性一直是传统电池寿命预测研究中的难点，将机器学习和大数据分析引入电池寿命预测，无疑会更早、更快、更准地进行电池寿命预测。

【成果简介】

近日，麻省理工学院的RichardD.Braatz教授课题组和伯克利国家实验室WilliamC.Chueh教授课题组合作在NatureEnergy上发表题为“Data-drivenpredictionofbatterycyclelifebeforecapacitydegradation”的最新研究成果。文章的第一作者为KristenA.Severson以及PeterM.Attia。在该项研究中，作者发展了一种新的电池寿命预测模型，可以更为准确地预测商业化磷酸铁锂和石墨全电池的使用寿命。作者用72种快速充放电条件使得电池容量降低为额定容量的80%，收集了124个不同使用寿命的电池组数据。作者提出的预测模型仅仅使用前100圈的循环数据，可以实现对于电池误差的较为准确的预测（预测误差仅为9.1%）。此外，当仅仅使用前5圈数据进行电池长短寿命的定性预测时，模型预测误差仅为4.9%。

【图文导读】

图1(a)LFP/Graphite全电池前1000圈的放电容量图，(b)LFP/Graphite全电池前100圈的放电容量图，(c)第100圈与第2圈不同容量比值的电池统计；不同圈数与电池寿命的相互关系：(d)第二圈，(e)第100圈，(f)95-100圈

【数据收集】

在实际使用的锂电池中，电池的容量衰减是多个物理化学过程耦合在一起的，复杂的衰退机制以及不同的装配、使用条件使得锂电池容量衰减的参数化是复杂的、高纬度的。为了建立这种高纬度的数据空间，作者使用商业化的磷酸铁锂/石墨全电池（A123，APR18650M1A，额定容量为1.1Ah）进行测试，将温度控制在30℃，使用不同的快速充放电条件对电池进行循环。通过改变不同的充放电倍率，作者获得了大量的电池循环寿命信息：循环寿命范围在150到2300圈之间，电池的平均循环寿命为806，标准偏差为377。尽管控制了测试温度，电池内部在充放电循环时热量的逐渐累积使得部分电池的温度仍然有高达10℃的变化。作者获得总计96700圈的电池数据，是目前文献中最大的已公开的商业化电池循环数据集。

图1a展示了电池前1000圈的放电容量曲线，图1b的前100圈放电容量曲线显示出了容量几乎没有衰减，但随着循环次数的增加，电池的容量衰减加快。电池的寿命的对数与电池的初始容量有着弱关系：与第二圈的相关性为-0.06，与第100圈的相关性为0.27，接近100圈时为0.47。这种较弱的相互关系使得利用初始循环数据来预测电池寿命的难度加大。作者随后采用了新的基于数据驱动的方法和模型，在作者的研究中，全电压曲线、电池阻抗以及电池工作温度都被采集并加以应用。

图2(a)循环寿命较高的电池第10圈和第100圈的放电容量图，(b)Q100-Q10与V的数据关系曲线，(c)ΔQ100-10(V)方差与循环寿命关系

【机器学习方法】

基于此前获得的大量数据，作者使用机器学习方法建立了新的电池寿命早期预测模型：原始数据经过线性、非线性转换生成‘弹性网络’。模型可以根据放电容量电压曲线的特征来预测电池的循环寿命。如图2a所示，在放电容量电压曲线中，每一圈的电压曲线都有着区别，将容量视为电压的函数Q(V)。图2b展示了Q100-Q10与V的数据关系曲线，作者随后总结了这些数据的最小值、平均值和方差等等。这些数据并没有明显的物理意义，这些数据因为具有预测电池寿命的特征而被用到作者的模型中。基于这些数据，作者使用了三种不同的模型来进行研究：(1)使用方差(Variancemodel)，(2)放电中的其他特征(Dischargemodel)，(3)引入温度、阻抗等额外特征(Fullmodel)。在所有的模型中，都只使用了前一百圈的电池循环数据。机器学习模型中定义了两个矩阵来评估预测的准确性：均方根方差以及平均百分比误差。

图3三种模型结果分析：(a)Variance模型，(b)Discharge模型，(c)Full模型

表1不同模型的预测结果

【电池寿命早期预测模型】

作者提出了三种进行电池寿命早期预测的模型：Variance，Discharge以及Fullmodel。如图3和表1所示，在只使用方差的Variance模型中，在主数据集上存在15%的平均百分比误差，在辅助数据集上存在11%的平均百分比误差；Discharge模型考虑了前一百圈的放电电压和电流信息，作者选取了13个特征集中的6个，将误差分别降低到10.1%以及8.6%；Full模型综合考虑了放电过程中的各种可用特性，将误差分别降到了7.5%和10.7%。

作者进一步对比前人文献中的预测模型以及na？ve模型。本文中的预测模型在仅适用前100圈早期循环的电池循环数据，使用相关容量增加0.2%的中位数，对电池的循环寿命实现了准确的预测。与其他的预测模型相比，将预测精度提高了25%。锂电池的生产中，往往需要对电池进行循环寿命的快速可靠分拣，作者进一步提出了基于前5圈电池循环数据的寿命预测模型，对电池高低循环寿命进行预测。如表2所示，作者使用ΔQ5-4(V)的数据依据前文中的提到的三种模型来预测电池寿命，Variance方差模型可以达到88.8%的预测精度，Full模型可以达到95.1%的高准确度。

表2基于前5圈预测电池循环寿命结果

图40.1C倍率不同循环圈数的：(a-c)dQ/dV曲线，(d-f)dV/dQ曲线；4C倍率不同循环圈数的：(g-i)dQ/dV曲线；(j-l)预测寿命与实际寿命

【寿命早期预测模型的合理性】

作者使用电池早期循环的快速充放电数据，对电池寿命进行了较为准确的预测。作者又研究了适用于低倍率充放电循环的电池寿命预测模型。为了研究去锂化负极LAMdeNe对于电池寿命预测的影响，作者使用不同倍率(4C、6C和8C)的充电速率和恒定的4C放电倍率进行电池循环，并将这些数据与低倍率0.1C的电池在第10圈、第101圈以及电池循环寿命结束时的放电过程的dQ/dV和dV/dQ数据进行对比（图4）。dQ/dV以及dV/dQ的变化与充电时锂嵌入石墨而引起的电压变化相对应，并且随着充电倍率增加，从第1圈到第100圈曲线偏移程度增加。LAMdeNe在早期的循环中没有明显的容量衰减，本文中的基于放电容量电压曲线特征的预测模型相比于其他基于容量循环曲线的预测模型准确性更高。

图5预测误差与循环圈数周期指数的关系.

作者进一步进行了回归分析，研究ΔQ(V)受周期指数的影响。作者研究了基于主数据集仅使用Qi(V)-Qj(V)的方差模型，如图5所示，该模型在i>60时不敏感，使用更早的周期进行寿命早期预测也同样适用。

【总结与展望】

基于大数据和机器学习的电池寿命早期预测模型可以及时、准确地对电池寿命进行可靠预测，在锂电池研发、生产、使用中具有十分广阔的应用前景。在本文的研究工作中，作者收集了大量的不同充放电条件的商业化磷酸铁锂/石墨全电池的循环数据，并使用电池早期循环的数据建模，在不深入研究电池内部反应、衰退机理的情况下有效而准确地对电池寿命了进行了预测。本文的研究将先进的信息技术应用到复杂电池系统的研究中，对于今后电池的研发具有指导意义。