锂离子电池容量衰减和寿命预测的数据驱动模型制造技术

一种使用数据驱动的可预测建模来按寿命预测和分类电池单元的方法，其包括通过使电池单元在电压V1和电压V2之间循环来收集训练数据集；连续测量在循环过程中的电池单元电压、电流、壳温度、内阻；生成每个电池的电压曲线，其中电压曲线取决于给定循环的放电容量；使用来自放电电压曲线的数据计算单元电荷的循环至循环的演变，以输出单元电压相对于电荷的曲线Q(V)；生成ΔQ(V)的转换；使用该算法生成包括容量、温度、内阻的数据流的转换；应用机器学习模型以确定转换子集的组合以预测单元操作特性；以及应用机器学习模型以输出预测的电池操作特性。

Data Driven Model for Capacity Decay and Life Prediction of Lithium Ion Batteries

【技术实现步骤摘要】
锂离子电池容量衰减和寿命预测的数据驱动模型相关申请的交叉引用本申请要求2017年10月17提交的美国临时专利申请第62/573565号的优先权权益，其通过引用并入本文。专利
本专利技术大致上涉及电池寿命。更具体地，本专利技术涉及一种使用早期循环数据准确地预测电池单元(batterycell)寿命的方法，其不具有退化机制的先验知识。
技术介绍
离子电池由于其低且下降的成本、高能量密度和长循环寿命而被广泛应用于各种应用中。然而，与许多化学、机械和电子系统的情况一样，长电池循环寿命需要性能的延迟反馈，通常需要数月到数年。使用早期循环数据准确预测循环寿命将开启电池制造、优化和使用的新功能。例如，电池制造商可以加速单元(cell)开发周期，对新制造批次进行快速验证，并按照预期寿命对新生产的单元进行分级。此外，消费者电子产品和电动汽车的用户可以估计他们的电池预期寿命。最终，故障的早期预测能够实现高产出优化应用，诸如快速充电和形成循环，否则其将由于大量的时间和设备成本而难以处理。预测锂离子电池的容量衰减和/或循环寿命的任务是具有挑战性的，因为即使在控制操作条件时存在具有循环和广泛的可变性的非线性退化，但鉴于其广泛的实用性而至关重要。许多研究已经建模了锂离子电池的循环寿命。符合半经验模型来预测功率和容量损失的早期工作已经完成。从那时起，许多其他人已经提出了物理和半经验电池退化模型，这些模型解释了诸如固体电解质中间相的生长、锂电镀、活性材料损耗和阻抗增加等不同机制。电池管理系统中剩余使用寿命的预测通常依赖于这些机械和半经验模型。诸如库仑效率和阻抗谱的专业诊断测量也可以估计循环寿命。虽然这些化学和/或机制特定模型已显示出预测的成功，但鉴于许多退化模式及其与电池内热和机械的异质性的耦合，对描述在相关条件(例如，快速充电)下循环的完整单元的模型进行开发仍然具有挑战性。使用统计学和机器学习技术来预测循环寿命的方法是有吸引力的、与机制无关的替代方案。最近，计算能力和数据生成的进步已使得这些技术能够加速各种任务的进展，包括材料特性的预测、化学合成路线的识别以及用于能量储存和催化的材料发现。越来越多的文献应用机器学习技术，用于使用在实验室和现实世界条件下收集的数据来预测电池的剩余使用寿命。通常，这些工作在累积对应于沿着失效轨迹至少25％的退化的数据之后或在寿命开始时使用专门测量之后进行预测且不包括模型解释。由于典型的非线性退化过程(在早期循环中容量退化可忽略不计)以及迄今为止使用的跨越有限的寿命范围的相对较小的数据集，准确地早期预测具有显著地较小退化的循环寿命是具有挑战性的。例如，对于表现出非线性退化曲线的24个单元，在将80次循环的容量值与500次循环的容量值相关的组中，仅识别为弱相关(ρ＝0.1)。简而言之，改进最先进的预测模型的机会包括更高的准确性、更早的预测性、更大的可解释性以及对宽范围的循环条件的更广泛应用。所需要的是一种使用早期循环数据准确预测商用电池单元的循环寿命的方法，其不具有退化机制的先验知识。
技术实现思路
为了满足本领域的需要，提供了一种使用数据驱动的可预测建模来按寿命预测电池单元的方法，其包括通过使用电池循环仪器在电压V1和电压V2之间使多个电池单元循环来收集训练数据集，连续测量电池单元的物理特性，包括电池单元电压、电池单元电流、电池单元壳温度、循环期间每个电池单元的电池单元内阻；使用非暂时性计算机介质上的算法生成对于每个电池单元的电压曲线，其中电压曲线取决于对于给定循环的容量；使用来自电压曲线的数据计算电池单元电荷的循环至循环的演变，以输出电池电压相对于电荷的曲线Q(V)；使用该算法生成ΔQ(V)的转换；使用该算法生成数据流的转换包括容量、温度、内阻；使用该算法应用机器学习模型以确定转换的子集的组合以预测电池单元的操作特性；以及应用机器学习模型以输出循环的多个电池单元或者在之后时刻操作的附加的电池单元的预测的电池操作特性。根据本专利技术的一个方面，电池单元的物理特性包括电池单元电压、电池单元电流、电池单元壳温度或电池单元内阻。在本专利技术的另一方面，连续测量还包括使用光谱学测量的电化学阻抗，以及使用应变计测量的应力。在本专利技术的另一方面，ΔQ(V)的转换包括V1处的值或V2处的值。在本专利技术的又另一个方面，电池单元操作特性包括电池循环寿命，电池循环寿命的对数或电池性能的布尔分类，其中电池循环寿命包括循环寿命、能量或功率。根据本专利技术的另一方面，输出电池单元操作特性选自由寿命输出、预测的循环寿命输出的对数或电池性能输出的预测分类组成的组，其中电池寿命包括循环寿命、日历寿命、能量或功率。附图简述图1A-1F示出了本专利技术的实施例，包括：(1A)是对于LFP/石墨电池的前1000次循环的放电容量。如在整个公开内容中所做的，基于电池的循环寿命来度量(scale)每条曲线的颜色。(1B)是(1A)的详细视图，仅示出前100次循环。通过100次循环没有出现明确的循环寿命排名。(1C)是100次循环的健康状况的直方图。排除了最大退化(90％)的电池，以显示其余分布的细节。(1D)是作为2次循环的放电容量的函数的循环寿命。2次循环的容量和对数循环寿命的相关系数为-0.06。(1E)是作为100次循环的放电容量的函数的循环寿命。100次循环的容量和对数循环寿命的相关系数为0.27。(1F)是作为对于95至100次循环的放电容量曲线的斜率的函数的循环寿命。该斜率与对数循环寿命的相关系数为0.47。图2A-2C示出了本专利技术的实施例，包括：(2A)代表性单元的第100次和第10次循环的放电容量曲线。(2B)是对于124个单元，作为第100次和第10次循环之间的电压的函数的放电容量曲线的差值ΔQ100-10(V)。(2C)是绘制为对数坐标轴上ΔQ100-10(V)方差的函数的循环寿命，其相关系数为-0.93。在所有绘图中，颜色基于最终循环寿命确定。在c中，颜色与y轴是多余的。图3A-3C示出了用于基于特征的模型的若干实现的观察和预测的循环寿命。训练数据用于学习模型结构和系数值。测试数据用于评估模型的普遍性。初步测试和二次测试数据集是有区别的，因为后者是在模型开发之后生成的。垂直虚线指示何时相对于观察到的循环寿命进行预测。插图示出了初步和二次测试数据的残差(residual)(预测-观察)直方图。(3A)是仅使用ΔQ100-10(V)的对数方差的“方差”模型。(3B)是使用如表2所述的仅基于放电循环信息的六个特征的“放电”模型。(3C)是使用表2中描述的九个特征的“完整”模型。由于某些温度探针在实验过程中失去接触，因此从完整的模型分析中排除了四个单元。图4A-4L示出了用周期性慢诊断循环测试的三个单元的结果。在(4A-4C)中，曲线是使用慢循环的dQ/dV，在(4D-4F)为使用慢循环的dV/dQ，(4G-4I)为使用快循环的dQ/dV，(4J-4L)为使用快循环的ΔQ(V)。黑色实线是第一次循环(快循环的10次循环)，灰色虚线是101或100次循环(分别为快速和慢速)，且灰色粗线是寿命循环的结束(80％SOH)。对于ΔQ(V)，每100次循环添加灰色细虚线。使用慢循环观察到的模式与LAMdeNE和LLI一致。在快速充电期间，这些功能被抹去(smear本文档来自技高网...

【技术保护点】
1.一种使用数据驱动可预测建模来按寿命预测电池单元的方法，包括：a)通过使用电池循环仪器使多个电池单元在电压V1和电压V2之间循环来收集训练数据集；b)连续测量电池单元物理性质，所述电池单元物理性质包括电池单元电压、电池单元电流、电池单元壳温度、和电池单元内阻，或者在所述循环期间的每个所述电池单元的电池单元内阻；c)使用非暂时性计算机介质上的算法，为每个所述电池单元生成电压曲线，其中所述电压曲线取决于对于给定所述循环的容量；d)使用来自所述电压曲线的数据计算电池单元电荷的循序至循环的演变，以输出单元电压相对于电荷的曲线Q(V)，其中单元电压相对于电荷Q(V)的所述输出为ΔQ(V)；e)生成所述ΔQ(V)的转换；以及f)应用所述机器学习模型以输出所述循环的多个电池单元、或者在之后时刻操作的附加的电池单元的所述预测的电池操作特性。

【技术特征摘要】
2017.10.17 US 62/573,5651.一种使用数据驱动可预测建模来按寿命预测电池单元的方法，包括：a)通过使用电池循环仪器使多个电池单元在电压V1和电压V2之间循环来收集训练数据集；b)连续测量电池单元物理性质，所述电池单元物理性质包括电池单元电压、电池单元电流、电池单元壳温度、和电池单元内阻，或者在所述循环期间的每个所述电池单元的电池单元内阻；c)使用非暂时性计算机介质上的算法，为每个所述电池单元生成电压曲线，其中所述电压曲线取决于对于给定所述循环的容量；d)使用来自所述电压曲线的数据计算电池单元电荷的循序至循环的演变，以输出单元电压相对于电荷的曲线Q(V)，其中单元电压相对于电荷Q(V)的所述输出为ΔQ(V)；e)生成所述ΔQ(V)的转换；以及f)应用所述机器学习模型以输出所述循环的多个电池单元、或者在之后时刻操作的附加的电池单元的所述预测的电池操作特性。2.根据权利要求1的方法，其中所述电池单元的物理特性选自由电池单元...

【专利技术属性】
技术研发人员：K·A·西弗森，R·D·布拉茨，W·C·阙，P·M·埃笛亚，N·金，S·J·哈利斯，N·珀金斯，
申请(专利权)人：小利兰·斯坦福大学托管委员会，麻省理工学院，
类型：发明
国别省市：美国,US