在实现碳中和的长期目标下，锂电池在人类社会发展中发挥着越来越核心的作用。准确而有效的电池健康状态(SOH)预测对于确保安全可靠的操作仍然至关重要。此外，随着提高电池能量密度的需求不断增长，开发新型、高能量密度的电池系统，如锂金属电池，具有至关重要的意义。通常，通过测量电池寿命和SOH的实验来评估其性能，从而帮助新型电池系统的发展和进化。
然而，这种过程通常需要较长的评估周期，这不可避免地阻碍了电池开发人员和用户的高效生产、使用和优化。另一方面，信息学和数据科学的滋养为电池预测带来了新的机遇。
这些数据驱动或基于机器学习的方法显示出巨大的潜力，可以揭示早期周期电池退化数据中的隐藏信息，并对其未来性能进行预测。到目前为止，大多数电池预测的数据驱动方法都集中在预测商用锂离子电池的性能上，这通常需要由高质量数据组成的大型数据集。然而，在探索新型电池系统(如锂金属电池)时，由于数据集大小和数据质量相当有限，这些方法不太适合。
因此，开发一种可通用的电池预测方法是非常重要的，该方法与小数据集兼容，并且可以承受质量受损的数据。
最近，来自电子科技大学基础与前沿科学研究所的刘新燕教授和彭洪杰教授领导的团队开发了一种可推广的在线方法，可以预测实验室组装的锂金属电池的容量退化轨迹。该方法利用时间序列分解方法从电池放电曲线中提取有物理意义的特征，仅使用其早期退化数据实现单个电池的在线预测，而无需构建大型、高质量的离线训练集。
该方法的鲁棒性和可泛化性还允许在由电池架构和循环条件不同的电池组成的质量受损数据集上进行演示，在寿命结束(定义为80%容量保留的循环次数)和退化轨迹预测方面具有卓越的准确性，平均误差分别为8.2%和2.8%。最后，本工作中制定的特征也被证明可以提供物理见解，将其纳入先进的电池表征方法可以进一步帮助理解电池退化机制，并启发开发更好的电池。
作品名为“一种可推广的、数据驱动的在线方法来预测锂电池的容量退化轨迹”发表于能源化学杂志。本工作得到了北京理工大学黄佳琪教授课题组的实验数据支持。
这项工作主要集中在预测由层状氧化物阴极和有机液体电解质组成的锂金属电池的循环性能(图1a)。图1b-c进一步比较了两种典型NCM |锂电池的循环性能和放电电压曲线。值得注意的是，两种LMBs的循环性能虽然在后期有显著差异，但在早期循环中几乎没有区别。相比之下，它们的放电曲线已经开始偏离。这样的比较激发了利用流量曲线进行特征化的概念。
这种方法的框架概述在图2中。首先，利用黄土法(STL)对放电电压曲线进行季节和趋势分解，将放电电压曲线分解为三个时间分量，即趋势分量(即长期变化)、季节分量(即(准)周期变化)和残差(随机噪声)。从这两个主要组件进一步制定了功能。
趋势分量通过其均值(trend_mean)，而所有的季节性曲线均与初始周期的季节性曲线进行比较，并将其差值的积分面积(seasonality_area)作为形状演化的度量(图2a)。然后，利用自回归综合移动平均方法(ARIMA)，可以将获得的特征外推到未来的周期(图2b)。采用约束多元线性回归将特征与其表观容量相关联(图2c)。
电池循环性能如图3a所示。结果表明，随着电池相关参数如阴极、阳极、电解质和循环速率的变化，其循环稳定性会有明显的偏差。图3b显示了一个示例电池的预测结果，使用其早期循环数据，直到容量保持95%、92%和90%。总的来说，预测的轨迹与实际的实验测量有合理的一致性，随着数据的增加，预测的精度也在提高。当使用90%保留率数据时，容量轨迹和寿命结束预测误差分别为0.9%和3.3%。在图3c-d中，将整体模型性能与Severson等人先前提出的基准方法进行了进一步比较(Nat. Energy 2019, 4,383)。
在基准法中，容量差的方差nth和1圣周期(n为周期数)作为替代放电曲线相关特征。值得注意的是，基准方案大多高估了电池寿命，而基于stl的方法与实验表现出更好的一致性，突出了该方法在预测实验室组装电池的循环性能方面的价值。此外，两者trend_mean而且seasonality_area特征被发现是高度相关的(电)化学在工作电池，遗漏任何被发现会导致预测精度的降低。
的trend_mean而且seasonality_area特征分别反映了电池内部阻抗增长和电压分布的形状变化，在电池退化过程中涉及不同的(电)化学过程。上述方法可以进一步与先进的表征技术(如三电极测量)相结合，为了解LMBs的降解化学开辟新的机会。
https://www.sciencedirect.com/science/article/abs/pii/S2095495621006665
来源:https://phys.org/partners/science-china-press/