基于早期老化数据在变工况下预测电池寿命
机器学习
2024-04-23 v2 机器学习
摘要
准确的电池寿命预测对于预防性维护、质保以及改进电芯设计与制造十分重要。然而，制造差异和依赖使用的退化使寿命预测具有挑战性。本文中，我们研究从早期寿命的容量-电压数据中提取的新特征，以预测在广泛变化的充电倍率、放电倍率与放电深度下循环的电芯寿命。特征提取自在循环期间定期安排的参考性能测试（即低倍率完整循环）。早期寿命特征捕捉电芯的健康状态以及组件级退化模式的变率，其中一些与电芯寿命强相关。利用由 225 个在宽泛条件下老化的镍锰钴/石墨锂离子电芯生成的新数据集，我们展示了对于分布内电芯的寿命预测，对大多数电芯使用不超过前 15% 的数据即达到 15.1% 的平均绝对百分比误差。使用分层贝叶斯回归模型的进一步测试显示外推性能提升，对分布外电芯达到 21.8% 的平均绝对百分比误差。我们的方法凸显了利用锂离子电芯退化模式的领域知识指导特征工程的重要性。此外，我们向社区提供了一个新的公开电池老化数据集，其中电芯循环至低于其额定容量的 80%。
引用
@article{arxiv.2307.08382,
title = {Predicting Battery Lifetime Under Varying Usage Conditions from Early Aging Data},
author = {Tingkai Li and Zihao Zhou and Adam Thelen and David Howey and Chao Hu},
journal= {arXiv preprint arXiv:2307.08382},
year = {2024}
}