鋰離子電池在便攜式能源、新能源汽車領域、以及大規模儲能系統中都有廣泛的應用。在各種能源系統中，都存在著電池壽命的衰減。使用電池早期循環的數據來準確的預測電池的使用壽命，將會為電池生產和大規模使用創造新的機遇。在此前的研究中，多種物理化學模型和半經驗模型被用來研究電池循環中的反應以及變化，并據此進行電池壽命的預測：包括SEI的生長，鋰離子的沉積，活性物質衰減，阻抗增加等等過程。這些研究往往僅考慮電池中單一的，或者少數反應過程。在實際應用的電池體系中，電極反應往往和熱力學、力學過程耦合，電池不同的充放電使用條件（快充等），這些復雜的反應過程加大了預測全電池壽命的難度。

近年來，大數據和機器學習等數據分析處理的信息技術日漸成熟，信息技術被廣泛應用到材料分析領域：預測材料性質、判斷化學反應路徑、能源催化等新材料的發現等等。將先進的數據分析處理的信息技術與材料研發相結合，極大地推動了材料科學的快速發展。電池循環壽命預測的及時性、準確性一直是傳統電池壽命預測研究中的難點，將機器學習和大數據分析引入電池壽命預測，無疑會更早、更快、更準地進行電池壽命預測。

【成果簡介】

近日，麻省理工學院的RichardD.Braatz教授課題組和伯克利國家實驗室WilliamC.Chueh教授課題組合作在NatureEnergy上發表題為“Data-drivenpredictionofbatterycyclelifebeforecapacitydegradation”的最新研究成果。文章的第一作者為KristenA.Severson以及PeterM.Attia。在該項研究中，作者發展了一種新的電池壽命預測模型，可以更為準確地預測商業化磷酸鐵鋰和石墨全電池的使用壽命。作者用72種快速充放電條件使得電池容量降低為額定容量的80%，收集了124個不同使用壽命的電池組數據。作者提出的預測模型僅僅使用前100圈的循環數據，可以實現對于電池誤差的較為準確的預測（預測誤差僅為9.1%）。此外，當僅僅使用前5圈數據進行電池長短壽命的定性預測時，模型預測誤差僅為4.9%。

【圖文導讀】

圖1(a)LFP/Graphite全電池前1000圈的放電容量圖，(b)LFP/Graphite全電池前100圈的放電容量圖，(c)第100圈與第2圈不同容量比值的電池統計；不同圈數與電池壽命的相互關系：(d)第二圈，(e)第100圈，(f)95-100圈

【數據收集】

在實際使用的鋰電池中，電池的容量衰減是多個物理化學過程耦合在一起的，復雜的衰退機制以及不同的裝配、使用條件使得鋰電池容量衰減的參數化是復雜的、高緯度的。為了建立這種高緯度的數據空間，作者使用商業化的磷酸鐵鋰/石墨全電池（A123，APR18650M1A，額定容量為1.1Ah）進行測試，將溫度控制在30℃，使用不同的快速充放電條件對電池進行循環。通過改變不同的充放電倍率，作者獲得了大量的電池循環壽命信息：循環壽命范圍在150到2300圈之間，電池的平均循環壽命為806，標準偏差為377。盡管控制了測試溫度，電池內部在充放電循環時熱量的逐漸累積使得部分電池的溫度仍然有高達10℃的變化。作者獲得總計96700圈的電池數據，是目前文獻中最大的已公開的商業化電池循環數據集。

圖1a展示了電池前1000圈的放電容量曲線，圖1b的前100圈放電容量曲線顯示出了容量幾乎沒有衰減，但隨著循環次數的增加，電池的容量衰減加快。電池的壽命的對數與電池的初始容量有著弱關系：與第二圈的相關性為-0.06，與第100圈的相關性為0.27，接近100圈時為0.47。這種較弱的相互關系使得利用初始循環數據來預測電池壽命的難度加大。作者隨后采用了新的基于數據驅動的方法和模型，在作者的研究中，全電壓曲線、電池阻抗以及電池工作溫度都被采集并加以應用。

圖2(a)循環壽命較高的電池第10圈和第100圈的放電容量圖，(b)Q100-Q10與V的數據關系曲線，(c)ΔQ100-10(V)方差與循環壽命關系

【機器學習方法】

基于此前獲得的大量數據，作者使用機器學習方法建立了新的電池壽命早期預測模型：原始數據經過線性、非線性轉換生成‘彈性網絡’。模型可以根據放電容量電壓曲線的特征來預測電池的循環壽命。如圖2a所示，在放電容量電壓曲線中，每一圈的電壓曲線都有著區別，將容量視為電壓的函數Q(V)。圖2b展示了Q100-Q10與V的數據關系曲線，作者隨后總結了這些數據的最小值、平均值和方差等等。這些數據并沒有明顯的物理意義，這些數據因為具有預測電池壽命的特征而被用到作者的模型中。基于這些數據，作者使用了三種不同的模型來進行研究：(1)使用方差(Variancemodel)，(2)放電中的其他特征(Dischargemodel)，(3)引入溫度、阻抗等額外特征(Fullmodel)。在所有的模型中，都只使用了前一百圈的電池循環數據。機器學習模型中定義了兩個矩陣來評估預測的準確性：均方根方差以及平均百分比誤差。

圖3三種模型結果分析：(a)Variance模型，(b)Discharge模型，(c)Full模型

表1不同模型的預測結果

【電池壽命早期預測模型】

作者提出了三種進行電池壽命早期預測的模型：Variance，Discharge以及Fullmodel。如圖3和表1所示，在只使用方差的Variance模型中，在主數據集上存在15%的平均百分比誤差，在輔助數據集上存在11%的平均百分比誤差；Discharge模型考慮了前一百圈的放電電壓和電流信息，作者選取了13個特征集中的6個，將誤差分別降低到10.1%以及8.6%；Full模型綜合考慮了放電過程中的各種可用特性，將誤差分別降到了7.5%和10.7%。

作者進一步對比前人文獻中的預測模型以及naive模型。本文中的預測模型在僅適用前100圈早期循環的電池循環數據，使用相關容量增加0.2%的中位數，對電池的循環壽命實現了準確的預測。與其他的預測模型相比，將預測精度提高了25%。鋰電池的生產中，往往需要對電池進行循環壽命的快速可靠分揀，作者進一步提出了基于前5圈電池循環數據的壽命預測模型，對電池高低循環壽命進行預測。如表2所示，作者使用ΔQ5-4(V)的數據依據前文中的提到的三種模型來預測電池壽命，Variance方差模型可以達到88.8%的預測精度，Full模型可以達到95.1%的高準確度。

表2基于前5圈預測電池循環壽命結果

圖40.1C倍率不同循環圈數的：(a-c)dQ/dV曲線，(d-f)dV/dQ曲線；4C倍率不同循環圈數的：(g-i)dQ/dV曲線；(j-l)預測壽命與實際壽命

【壽命早期預測模型的合理性】

作者使用電池早期循環的快速充放電數據，對電池壽命進行了較為準確的預測。作者又研究了適用于低倍率充放電循環的電池壽命預測模型。為了研究去鋰化負極LAMdeNe對于電池壽命預測的影響，作者使用不同倍率(4C、6C和8C)的充電速率和恒定的4C放電倍率進行電池循環，并將這些數據與低倍率0.1C的電池在第10圈、第101圈以及電池循環壽命結束時的放電過程的dQ/dV和dV/dQ數據進行對比（圖4）。dQ/dV以及dV/dQ的變化與充電時鋰嵌入石墨而引起的電壓變化相對應，并且隨著充電倍率增加，從第1圈到第100圈曲線偏移程度增加。LAMdeNe在早期的循環中沒有明顯的容量衰減，本文中的基于放電容量電壓曲線特征的預測模型相比于其他基于容量循環曲線的預測模型準確性更高。

圖5預測誤差與循環圈數周期指數的關系.

作者進一步進行了回歸分析，研究ΔQ(V)受周期指數的影響。作者研究了基于主數據集僅使用Qi(V)-Qj(V)的方差模型，如圖5所示，該模型在i>60時不敏感，使用更早的周期進行壽命早期預測也同樣適用。

【總結與展望】

基于大數據和機器學習的電池壽命早期預測模型可以及時、準確地對電池壽命進行可靠預測，在鋰電池研發、生產、使用中具有十分廣闊的應用前景。在本文的研究工作中，作者收集了大量的不同充放電條件的商業化磷酸鐵鋰/石墨全電池的循環數據，并使用電池早期循環的數據建模，在不深入研究電池內部反應、衰退機理的情況下有效而準確地對電池壽命了進行了預測。本文的研究將先進的信息技術應用到復雜電池系統的研究中，對于今后電池的研發具有指導意義。