Skip to main content

Reproduction series of classic papers (I) : Nature Energy

论文简述​

论文原文

Data-driven prediction of battery cycle life before capacity degradation

麻省理工学院 Severson 等人在 Nature Energy 上发表了一项工作，通过开发一个数据驱动模型，仅仅利用早期循环数据， 就能对商用磷酸铁锂（LFP）电池的循环寿命作出精确预测，并公开了包含 124 个电池全生命周期数据的数据集，该商用电池数据集放电容量如图 1 所示。

图 1：磷酸铁锂电池前 1000 次循环的放电容量图

论文内容​

针对锂离子电池容量衰减在前 100 次循环中忽略不计问题，作者采用了一种考虑更大的循环数据集，包括高相关性特征的方法。数据相关性如图 2、3 所示。

图 2：基于前 100 个循环的放电容量的低相关性特征图。a. 循环寿命与第2次循环放电容量的关系 b. 循环寿命与第100次循环放电容量关系 c. 循环寿命与第 95-100 次放电容量曲线斜率关系
图 3：基于前 100 个循环的电压曲线的高相关性特征图。a. 第 100 次和第 10 次循环的代表性放电容量差异曲线 b. 124 个电池的第 100 次和第 10 次循环之间的放电容量曲线之差 c. 循环寿命作为 ΔQ100-10(V) 方差的函数关系

论文进行两项工作：（1）电池循环寿命预测；（2）电池高低寿命分类。

（1）针对锂离子电池循环寿命预测问题，作者使用弹性网络作为训练模型，并使用三个不同特征数据模型：“full”、“discharge”以及“variance”。 "variance"数据模型只使用ΔQ100-10(V)对数的方差进行预测，"discharge"模型使用了从前 100 个循环放电数据的电压和电流中获得的6个额外特征数据进行预测，"full"模型则考虑其中 9 个特征，预测结果如图 4 所示。

图 4：寿命预测结果模型指标

（2）针对锂离子电池循环寿命分类问题，作者以 550 次使用次数为界限，将电池分为"低寿命"和"高寿命"组。对于"variance"模型，获得 78.6% 的主测试精度。对于"full"模型，使用具有 8 个特征的数据，达到 92.7% 的主测试精度，如图 5 所示。

图 5：寿命分类结果模型指标

论文复现​

  1. 注册并登录伏龙AI平台

    伏龙电池 AI 开放平台

  2. 查看数据集

可直接从伏龙平台导入，点击“数据集管理”进行切换，再点击“预置数据集”，选中ID“154”的数据集，如下图所示：

  1. 选择算法模板

点击“算法开发”-“算法管理”，再点击“预置算法”进行切换，选中如下图所示算法。本教程中需要使用到 NatureEnergy-Severson2019data 算法，这里点击操作中的“Fork”将预置算法模板拷贝到“我的算法”中。

  1. 创建训练任务

点击“Fork”预置算法之后，切换到“我的算法”即可看到拷贝成功的 NatureEnergy-Severson2019data 算法模板。点击“创建训练任务”。

点击“创建训练任务”后，弹出如下界面，填写配置参数如下：

点击“开始训练”，界面会自动跳转到训练任务中的任务详情页，状态会变成“运行中”。

点击“运行日志”查看训练进展，当状态变成“运行完成”后，可以点击或下载“运行日志”查看训练效果。

从运行日志中我们可以看到本次训练的结果：在寿命预测中，"Full"模型误差为 15.11%，"Discharge"模型误差为 12.05%，"Variance"模型误差为 12.07%。在寿命分类中，"Variance"模型精度为 95.0%，"Full"模型精度为 65.0%。

  1. 算法参数优化

调整运行参数可以进行结果优化，如下图所示，本算法中可对"alpha_train"、"n_components"、"l1_ratio"三个参数进行修改，以提升预测精度。

总结​

通过对复现文档的学习，大家可以更直观地看到：通过巧妙的特征提取，即使是简单的模型也能精准地预测寿命，并且还可以动手实现。