锂离子电池cv曲线分析：使用数据驱动技术

锂离子电池cv曲线分析：使用数据驱动技术特征工程是数据驱动方法的关键步骤。车载电池的充电过程相比于放电过程更平稳，目前研究通常在电池的充电过程中提取特征参数。本文详细列举了当前使用电池充电曲线的容量估计方法（附表1），根据所使用的电压曲线段分为（1）恒流法；（2）恒流恒压法及（3）弛豫电压法。其中恒流法和恒流恒压法相关研究较多，多种机器学习算法（支持向量机、相关向量机、随机森林回归、高斯过程回归及神经网络等）已用于构建特征参数与电池容量的关系。随着车用充电技术的快速发展，尤其面向快充需求，如采用高倍率、阶梯式变电流等充电策略（附录1）给恒流法（恒流恒压法）的应用带来一定的应用局限性。获取电池容量最直接、准确的方法是直接测量法，直接测量法是计算电池从“满充”状态到“放空”状态转移的电荷量。但是在实际应用中，动力电池的充电由外接充电桩完成，放电由驾驶员行为和环境的复杂性动态决定。动力电池的充放电过程具有不确定性与不完整性，直接测量法

4月27日，《自然·通讯》（Nature Communications）在线发表了同济大学电源系统智能管控团队题为“Data-driven capacity estimation of commercial lithium-ion batteries from voltage relaxation”的研究论文。https://www.nature.com/articles/s41467-022-29837-w。

研究亮点:

容量是动力电池管理技术中的一个重要参量，是电动汽车整车层面续航里程及电池系统层面状态估计与寿命预测的必要输入。

本研究借助数据驱动方法，提出了一种基于电池弛豫电压特征参数的容量估计方法。该方法以满充电后的当前弛豫电压信息为特征参数，实现动力电池容量估计误差（RMSE）为1.1%。通过构建迁移学习办法提升方法的泛化能力，在其他两款不同材料体系锂离子电池上进行了方法验证，验证得到的估计误差低于1.7%。提出的基于电池弛豫电压特征的容量估计方法具有不依赖电池历史信息和环境信息，不需要特定的电池测试条件和充电电压区间的优势。

本研究测试公开了三款不同材料体系商用锂离子电池长循环测试数据集，共包含130颗电池单体，每颗单体根据不同测试条件循环50~1400次，测试条件包含了3个温度点（25oC 35 oC 45oC），5个充放电倍率（0.25C 0.5C 1C 2C 4C）。数据开放获取链接为https://doi.org/10.5281/zenodo.6379165。

背景介绍：

动力电池管理的发展经历了以阈值保护、状态估计驱动以及安全与寿命为核心的三代管理技术，并向全生命周期、智能化管理发展。信息采集、状态估计与预测、自适应控制和最优化管理等是电池管理中的共性技术。电池容量是电池管理技术中的一个重要参量：在整车层面，当前状态下电池最大可用容量决定了电动汽车充电后的可持续行驶里程；在电池系统层面，电池容量是电池管理技术中很多关键状态的必要输入，也是电池健康、寿命的一个重要表征量。因此，准确地获取电池容量信息对其车载应用及管理至关重要。

获取电池容量最直接、准确的方法是直接测量法，直接测量法是计算电池从“满充”状态到“放空”状态转移的电荷量。但是在实际应用中，动力电池的充电由外接充电桩完成，放电由驾驶员行为和环境的复杂性动态决定。动力电池的充放电过程具有不确定性与不完整性，直接测量法不适合工程应用。电压作为电源系统的关键参数，已被研究表明包含电池的热力学和动力学信息。借助机器学习方法从电池电压中提取电池状态信息是当前的重要研究方向之一。数据驱动方法不要求理解电池内部机理，只需要从宏观特征参数中提取有效信息，具有简化分析的优势。但方法具有强数据依赖性，需要获取足够多且完善的数据。

特征工程是数据驱动方法的关键步骤。车载电池的充电过程相比于放电过程更平稳，目前研究通常在电池的充电过程中提取特征参数。本文详细列举了当前使用电池充电曲线的容量估计方法（附表1），根据所使用的电压曲线段分为（1）恒流法；（2）恒流恒压法及（3）弛豫电压法。其中恒流法和恒流恒压法相关研究较多，多种机器学习算法（支持向量机、相关向量机、随机森林回归、高斯过程回归及神经网络等）已用于构建特征参数与电池容量的关系。随着车用充电技术的快速发展，尤其面向快充需求，如采用高倍率、阶梯式变电流等充电策略（附录1）给恒流法（恒流恒压法）的应用带来一定的应用局限性。

弛豫电压法是使用切断电流后的电池静置电压作为特征参数，其不受限于电池充电策略的影响，并且据统计结果表明，车载电池到达满充状态的具有相对较高的发生概率。已有研究表明，电池的弛豫过程能够反应电池的衰减机理。但是受限于当前电池公开电池数据集包含弛豫电压信息较少，使用弛豫电压法进行电池容量估计的相关研究较少。基于上述分析，本文首先构建了具有不同材料体系的三款锂离子电池循环测试数据集如下表，数据集包含130颗电池单体，实验条件包含了3个温度点（25oC 35 oC 45 oC），5个充放电倍率（0.25C 0.5C 1C 2C 4C）。依托构建的电池数据集，开发了基于弛豫电压特征参数的电池容量估计方法。

图文导读：

图1 电池循环数据

通过电池循环测试，本文构建了三款商用锂离子电池的循环数据集，三款电池根据其正极材料命名为NCA电池，NCM电池和NCM NCA电池。如图1，某颗NCA电池循环第一圈的电流电压曲线（1a）；某颗NCA电池循环过程中弛豫电压变化（1b），本文中的特征参数即从阶段III中进行提取；三款电池的容量衰减分别对应于（1c） （1d）和（1e）；。图例CYX-Y/Z的含义：X为电池循环温度，X/Y对应充电/放电电流。研究以NCA电池数据作为方法构建的建模数据，使用ElasticNet XGBoost 和Support Vector Regression(SVR)作为基础模型（Base Model）。NCM电池和NCM NCA电池数据用于含迁移学习模型的方法验证数据。

图2 NCA电池弛豫电压特征参数与容量的关系图

使用数学统计学的方法，将NCA电池的每一条弛豫电压曲线量化为方差（Var）、偏度(Ske)、最大值(Max)、最小值(Min)、均值(Mean)及超值峰度(Kur)六个特征参数。在NCA电池进行的五种循环测试条件下，其弛豫电压的六个特征参数与电池容量的关系如图2所示。研究采用分层抽样的办法（讨论见附录2），即每种测试条件下，按照约4:1比例从数量上将电池分为训练集和测试集。使用XGBoost算法对上述六个特征参数的任意组合进行运算，根据交叉验证运算结果确定了(i j) = (7 1) = [Var Ske Max]的最优特征参数组合，如图3。

图3 不同特征参数组合下的估计精度热力图

使用[Var Ske Max]特征参数组合在不同的机器学习算法上进行运算分析，结果如图4a。提出的基于弛豫电压特征参数进行容量估计的方法在ElasticNet上精度较低，在XGBoost和SVR上效果类似，测试的误差（RMSE）均为1.1%。相应的容量真值和估计值对比见4b 4c 和4d。本数据集提供了电池的恒流（恒流恒压）充电电压数据，因此，本文将部分文献中提出的恒流法和恒流恒压法应用到本数据集上（详细讨论见附录3），对比结果如表2。

图4 NCA电池容量估计结果在三种基础模型上的精度对比图

本研究使用交流阻抗对三款商用电池的衰减机理进行了探讨。使用等效电路模型将电池衰减过程中阻抗的变化量化为欧姆内阻（R0）、SEI内阻（R1）和电化学迁移内阻（R2），结果如图5。电池内阻随测试条件的复杂差异变化证明了仅使用线性模型进行电池衰减研究的局限性。不同类型电池的内阻变化也呈现处一定的相似性，如R2均呈指数上升趋势，为后文迁移学习方法的应用提供可能。

图5 三款锂离子电池衰减过程中的阻抗变化规律

为提升建立的基于弛豫电压特征参数进行电池容量估计法的泛化性和普适性，本文在XGBoost和SVR两种算法的基础模型上，构建迁移学习模型，并在NCM电池和NCM NCA电池的数据集上进行了方法验证，验证结果如表3。研究设计了两种迁移学习模型：TL1是在基础模型后端增加容量线性变换层；TL2是在基础模型前段增加特征参数线性变换层。ZSL为零次学习（Zero-Shot Learning） No TL是直接使用新数据集重新进行全模型训练。用于迁移学习模型的训练数据占NCM电池和NCM NCA电池的数据集的比例分别为0.06%和0.35%(更多讨论见附录4)。可以看到使用基于SVR的TL2算法在两个新数据集上得到了1.7%的验证结果。相应的容量真值和估计值对比见图6。

图6 迁移学习方法TL2在NCM电池和NCM NCA电池上的验证结果图

总结：

本研究借助数据驱动方法，提出的基于弛豫电压特征参数进行电池容量估计的方法不依赖电池的历史信息和环境信息，具有不需要特定的电池测试条件和充电电压区间的优势。并构建迁移学习方法提升容量估计方法的泛化性和普适性。

本研究开源了130颗锂离子电池的循环测试数据及相关数据处理算法，供相关从业人员参考使用。研究为车载动力电池的多种应用场景及电源技术开发，如停车充电、换电、梯次利用寿命评估和寿命预测等方面提供新的研究思路和解决方向。

详细方法描述、验证及机理解析部分请参阅论文原文及附录：

Zhu J. Wang Y. Huang Y. et al. Data-driven capacity estimation of commercial lithium-ion batteries from voltage relaxation. Nat Commun 13 2261 (2022).

https://doi.org/10.1038/s41467-022-29837-w

https://www.nature.com/articles/s41467-022-29837-w