【科研】NatureEnergy：大数据机器学习快速准确预测电池衰减
【研究背景】
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Richard D.Braatz教授课题组和伯克利国家实验室William C.Chueh教授课题组合作在Nature Energy上发表题为“Data-driven prediction of battery cycle life before capacity degradation”的最新研究成果。文章的第一作者为Kristen A.Severson以及Peter M.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(Variance model)，(2)放电中的其他特征(Discharge model)，(3)引入温度、阻抗等额外特征(Full model)。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。
