鋰離子電池電量會隨著使用次數的增加而逐漸降低。如果能利用早期循環數據對電池壽命進行準確預測，那無疑將會為電池生產、使用和優化帶來新的機遇。例如，電池制造商可以加快電池開發周期，快速驗證新的制造工藝，并按預期壽命對新電池進行分類。同樣，消費者也可以估計他們的電子產品中電池的預期壽命。如果要做到這些，我們不得不倚仗一個強大的靈魂：大數據。在本文中，美國麻省理工學院Richard D. Braatz等人開發了一個新的大數據驅動模型，在不分析電池衰減機理的情況下，僅僅利用早期循環數據，就能對商用磷酸鐵鋰（LFP）/石墨電池的循環壽命作出精確預測。

一、本文預測方法的準確性

1）作者提出了三個模型來預測循環壽命使用的候選特征集大小，第一個模型稱為“方差”模型，不考慮子集選擇，只使用ΔQ100-10(V)的對數方差進行預測。令人驚訝的是，僅使用這個模型會導致在主數據集上存在大約15%的平均誤差，在輔助數據集上存在大約11%的平均誤差。第二個“放電”模型考慮了從前100個循環放電期間的電壓和電流測量中獲得的額外信息進行預測，在13個特征集中，作者選擇了6個。第三個“完整”模型考慮了所有可用的特性，在這個模型中，20個特征集中有9個被選中。正如預期的那樣，通過增加額外特性，主測試平均誤差降低到7.5%，次測試平均誤差下降到10.7%；

2）為了適應工業規模，作者開發了一個邏輯回歸模型，將電池分為“低壽命”或“高壽命”組，只使用前五個循環圈數的數據對整體電池壽命進行預測。對于“方差”模型，作者僅使用第四和第五個周期之間的ΔQ5-4(V)，獲得88.8%的精度。對于“完整”模型，作者使用具有18個候選特征的邏輯回歸，以達到95.1%的預測精度。

二、 目前的預測模型有什么問題

早在以前，就有研究模擬過鋰電池的壽命，比如Bloom(J. Power Sources 101, 238–247 (2001))和Broussely(J. Power Sources 97–98, 13–21(2001))等人做過一些前期工作，通過構建擬合模型預測電池的功率和容量損耗。從那時起，許多作者都提出過一些物理模型，解釋了各種機制，比如固體電解質界面生長，鍍鋰現象，活性材料損耗和阻抗增加等。盡管這些物理/化學模型可以成功預測一些東西，但開發全電池循環壽命預測的模型仍舊困難重重，這是因為電池的衰減機理非常復雜，工作環境也非常復雜。

使用統計和機器學習來預測電池循環壽命是很有吸引力的，近年來，大數據生成技術的崛起，在科技前沿的各個領域都大展身手，包括預測材料性能、確定化學合成路線以及發現儲能和催化的材料等。目前已經有越來越多的文獻利用機器學習技術，對數據實現在線收集，并預測電池的剩余使用壽命。但是這些文章中采集的數據都比較小，而電池性能的衰減是典型的非線性退化過程，因此它們還做不到準確預測電池循環壽命。因此，想要做到準確預測，就必須對預測模型進行優化，包括更高的準確度、更早的預測、更大的可解釋性。

三、作者是如何實現更高準確預測的

在本文中，麻省理工學院Richard D. Braatz等人開發了一個新的大數據驅動模型，在不了解電池衰減機理的情況下，僅僅利用早期循環數據，就能對商用磷酸鐵鋰（LFP）/石墨電池的循環壽命作出精確預測。作者采用72種不同倍率下的快充，生成了124個電池組的數據集，直到電池容量降低至80%的額定容量。為了精確地預測循環壽命，作者僅使用前100個循環的數據，即可實現9.1%的預測誤差。

3.1 數據獲取

作者認為，鋰電池容量衰減的參數化是高維度的，因為它們有很多容量衰減機制。為了建立這一維度空間，作者在控制溫度（30℃）的室內，在不同的快速充電條件和相同的放電條件下（4℃至2.0V，其中1C為1.1A），對商用LFP/石墨電池（A123，APR18650M1A，額定容量1.1 Ah）進行測試。由于石墨負極在這些電池中占主導地位，因此這些結果對于其它石墨基鋰離子電池也是有用的。通過故意改變充電條件，作者生成了一個數據集，該數據集捕獲了電池大量的循環壽命信息——平均循環壽命為806，標準偏差為377。在控制室內溫度的同時，由于電池在充放電過程中產生的大量的熱量，電池溫度上下變化高達10℃，溫度的變化來自內阻和充電條件的變化。在循環過程中連續測量電壓、電流、電池溫度和內阻。該數據集包含大約96700個循環，就目前而言，本文的數據集是在受控條件下，商業鋰電池最大的公開可用數據集。

上圖a，b表示電池在前1000個循環中的放電容量，可以看到，在最初的100個循環中，容量衰減可以忽略不計，但是隨著時間的增加，容量衰減開始加速，正如我們經常在電子產品中觀察到的那樣。容量衰減的軌跡交叉說明了初始容量與循環壽命之間的弱關系，比如第二個循環（相關性ρ=?0.06，圖d）和第100個循環（ρ=0.27，圖e）的循環壽命對數，與第100個循環（ρ=0.47，圖f）附近的容量衰減率之間存在很弱的相關性。由于容量衰減曲線中的相關性很弱，因此其預測能力有限。作者隨后采用了一種新的數據驅動方法，該方法考慮了更大的循環數據，包括每個循環的全電壓曲線，以及電池內阻和溫度等附加測量。

3.2 機器學習和模型建立

作者使用機器學習方法建立了一個“早期預測模型”，在這個模型中，原始數據發生各種線性和非線性轉換，并生成一個規則化的線性框架，即彈性網絡。

為了捕捉單個電池在循環過程中的電化學演變，作者根據放電電壓曲線計算了幾個特征（上圖a）。具體地說，作者考慮了電量Q(V)隨著循環圈數的變化（備注：Q(V)是一個電壓函數，電壓是變量），因為放電電壓曲線是循環電壓的函數。由于每個周期的電壓范圍是相同的，因此作者將容量視為電壓的函數，而不是電壓視為容量的函數，即ΔQ30-20(V)=Q30(V) -Q20(V)。作者采集的數據集中ΔQ(V)曲線如上圖b所示，給出了第100和第10個周期之間的數據，即ΔQ100-10(V)。然后計算每個電池ΔQ(V)曲線的匯總統計數據，例如最小值、平均值和方差。每個匯總統計都是一個標量，它捕獲兩個周期之間電壓曲線的變化，而選擇這些匯總統計是因為它們具有預測能力，不代表它們具有物理意義。由于基于ΔQ100-10(V)的具有很高的預測能力，作者研究了三種不同的模型：(1)ΔQ100-10(V)的方差；(2)放電期間獲得的其它特征；(3)額外特性如溫度和內阻。“機器學習模型開發”部分中定義的兩個指標用于評估預測性能：均方根誤差（RMSE）、循環次數和平均百分比誤差。

3.3 早期預測模型的結果分析

作者提出了三個模型來預測循環壽命使用的候選特征集大小，第一個模型稱為“方差”模型，不考慮子集選擇，只使用ΔQ100-10(V)的對數方差進行預測。令人驚訝的是，僅使用這個模型會導致在主數據集上存在大約15%的平均誤差，在輔助數據集上存在大約11%的平均誤差。第二個“放電”模型考慮了從前100個循環放電期間的電壓和電流測量中獲得的額外信息進行預測，在13個特征集中，作者選擇了6個。最后，第三個“完整”模型考慮了所有可用的特性，在這個模型中，20個特征集中有9個被選中。正如預期的那樣，通過增加額外特性，主測試平均誤差降低到7.5%，次測試平均誤差下降到10.7%。詳細數據如上表所示。

作者將本文中使用早期周期數據對循環壽命的預測性能，與之前的文獻中的na?ve模型進行比較。在本文中，使用相關容量增加0.2%的中位數，通過早期循環的電壓曲線，對電池的循環壽命實現了準確的預測。而以前報導的模型，在預測精度上與本文相差25%。如果使用之前報導的模型對電池平均周期壽命進行預測，則主要和次要測試集的平均誤差分別約為30%和36%。

為了適應工業規模，作者還在非常低的循環圈數下，對循環壽命進行預測，盡管在這種情況下精度可能有些許偏差。作者開發了一個邏輯回歸模型，將電池分為“低壽命”或“高壽命”組，只使用前五個循環圈數的數據對整體電池壽命進行預測。對于“方差”模型，作者僅使用第四和第五個周期之間的ΔQ5-4(V)，獲得88.8%的預測精度。對于“完整”模型，作者使用具有18個候選特征的邏輯回歸，以達到95.1%的預測精度。以上結果在上表中進行匯總，可以看出，該邏輯回歸手段說明了ΔQ(V)的預測能力，即使只使用前幾個周期的數據，也能預測電池的循環壽命。

3.4 性能預測合理化

通過上述數據，作者認為，從早期循環放電電壓曲線得出的特征，對電池循環壽命具有良好的預測性能，甚至在容量衰減開始之前就可以可靠預測。作者將出現在放電電壓曲線中的退化模式與接近壽命結束時的快速容量衰減聯系起來，使這一觀察結果更合理化。

為了研究去鋰化負極LAMdeNE的對預測準確性的影響，作者對不同的充電速率（4 C、6 C和8 C）和恒定的放電速率（4 C）循環的電池進行了額外實驗，包括在第1圈、100圈和循環壽命結束時的緩慢循環。將C/10下（上圖，第1行和第2行）的電池放電曲線的導數進行比較，并將第10圈、101圈和循環壽命結束（第3和第4行）時的ΔQ(V)進行比較?？梢钥吹?，循環中觀察到的dQ/dV和dV/dQ的變化對應于充電期間鋰儲存在石墨中電位的變化。隨著充電速度的增加，從第1個循環到第100個循環的位移量也隨之增加。這些觀察結果合理地解釋了為什么使用基于放電曲線的特征模型，比僅使用容量衰減曲線的特征模型誤差更低，因為LAMdeNE在早期循環中沒有表現出容量衰減。

最后，作者還進行了額外的分析，以了解在回歸設置中ΔQ(V)的特征選擇受周期指數的影響。作者研究了僅使用主要測試數據集的Qi(V) –Qj(V)方差單變量線性模型，如上圖所示。可以看出，該模型對i>60的索引方案不是很敏感，表明使用更早的周期進行精確預測周期壽命是完全可能的。作者假設，模型對索引方案的不敏感性意味著周期數的線性退化，而周期數通常為LAM模式。

四、小結

大數據建模是一種很有前景的鋰離子電池診斷和預測方法，在鋰離子電池的開發、制造和優化中有著潛在新興的應用。在本文中，作者利用早期循環放電數據建立了預測模型，以顯示在快速充電條件下，商用LFP/石墨電池在循環后的使用壽命。在回歸設置中，作者使用前100個循環，得到的預測誤差僅為9.1%；在分類設置中，作者使用前5個周期的數據，預測誤差僅為4.9%。使用該模型，即便對電池的化學原理和衰減機制沒有了解，也能達到精確預測。從廣義上講，該工作強調了將數據生成和數據驅動建模相結合，在理解和開發鋰離子電池等復雜系統中具有廣闊的前景。

KristenA. Severson, Peter M. Attia, Norman Jin, Nicholas Perkins, Benben Jiang, ZiYang, Michael H. Chen, Muratahan Aykol, Patrick K. Herring, Dimitrios Fraggedakis, Martin Z. Bazant, Stephen J. Harris, William C. Chueh & Richard D. Braatz, Data-driven prediction of battery cycle life before capacity degradation, Nature Energy, 2019, DOI:10.1038/s41560-019-0356-8