[论文解读] Predicting Battery Lifetime Under Varying Usage Conditions from Early Aging Data

Tingkai Li, Zihao Zhou+3 more|arXiv (Cornell University)|Jul 17, 2023

Advanced Battery Technologies Research被引用 6

一句话总结

本文提出了一种机器学习框架，利用在不同使用条件下进行的低速率完整循环的早期容量-电压数据，预测锂离子电池寿命。通过从前15%的循环数据中提取退化敏感特征，并应用分层贝叶斯建模，该方法在分布内电池上实现了15.1%的平均绝对百分比误差（MAPE），在分布外电池上实现了21.8%的MAPE，通过领域知识驱动的特征工程，展现出对不同应力条件的鲁棒性。

ABSTRACT

Accurate battery lifetime prediction is important for preventative maintenance, warranties, and improved cell design and manufacturing. However, manufacturing variability and usage-dependent degradation make life prediction challenging. Here, we investigate new features derived from capacity-voltage data in early life to predict the lifetime of cells cycled under widely varying charge rates, discharge rates, and depths of discharge. Features were extracted from regularly scheduled reference performance tests (i.e., low rate full cycles) during cycling. The early-life features capture a cell's state of health and the rate of change of component-level degradation modes, some of which correlate strongly with cell lifetime. Using a newly generated dataset from 225 nickel-manganese-cobalt/graphite Li-ion cells aged under a wide range of conditions, we demonstrate a lifetime prediction of in-distribution cells with 15.1% mean absolute percentage error using no more than the first 15% of data, for most cells. Further testing using a hierarchical Bayesian regression model shows improved performance on extrapolation, achieving 21.8% mean absolute percentage error for out-of-distribution cells. Our approach highlights the importance of using domain knowledge of lithium-ion battery degradation modes to inform feature engineering. Further, we provide the community with a new publicly available battery aging dataset with cells cycled beyond 80% of their rated capacity.

研究动机与目标

• 实现无需等待寿命终点测试即可快速、准确预测锂离子电池寿命。
• 解决由于制造差异和使用条件导致的电池退化高度可变性问题。
• 开发一种仅使用早期数据（前15%的循环）预测全生命周期寿命的方法，适用于不同充电速率、放电速率和放电深度。
• 通过分层贝叶斯建模提升对分布外条件的泛化能力。
• 为社区提供225节镍锰钴氧化物/石墨电池的公开数据集，这些电池已老化至额定容量的80%以下。

提出的方法

• 从早期循环期间定期安排的低速率完整循环（容量-电压曲线）中提取特征，重点关注基于导数的度量，如ΔdQ/dV，以捕捉退化模式。
• 定义电池级别的特征，例如3.60–3.90 V窗口内ΔdQ/dV的均值，该特征与退化速率和寿命相关。
• 应用分层贝叶斯回归（HBR）对电池级别参数（截距、斜率、噪声）进行建模，基于平均循环应力（Stress_avg）设定聚类级别先验，实现在不同应力条件下的迁移学习。
• 采用两级分层结构：一级模型对单个电池寿命进行预测，参数具有不确定性；二级模型对不同应力聚类中这些参数的分布进行建模。
• 通过后验预测分布传播回归系数不确定性和测量噪声，对预测结果进行不确定性校准。
• 使用新生成的数据集对模型进行验证，该数据集包含225个电池，在120种不同的充电速率、放电速率和放电深度组合下进行循环，数据收集至容量保持率80%。

Figure 1: High-level overview of our approach. Unlike existing approaches for early prediction, we extract features from periodic reference performance tests instead of regular cycling data. In this example, we extract a feature from a partial voltage window of incremental capacity that is highly co

实验结果

研究问题

• RQ1 是否可以利用早期容量-电压数据，在广泛变化的使用条件下高精度预测电池寿命？
• RQ2 从早期循环数据中提取的退化敏感特征，如何与不同应力剖面下的实际电池寿命相关联？
• RQ3 分层贝叶斯建模是否能通过利用应力聚类间的共享结构，提升对分布外电池的预测性能？
• RQ4 对锂离子电池退化机理的领域知识在多大程度上可增强寿命预测的特征工程？
• RQ5 在仅使用早期数据（前15%的循环）的情况下，模型能否在不依赖每种新条件下的全生命周期数据的前提下，泛化到具有不同老化特征的电池？

主要发现

• 该模型仅使用前15%的循环数据，即在分布内电池上实现了15.1%的平均绝对百分比误差（MAPE）预测寿命。
• 对于分布外电池，分层贝叶斯模型实现了21.8%的MAPE，表明相比标准模型具有更好的泛化能力。
• 3.60–3.90 V窗口内ΔdQ/dV的均值特征与寿命表现出强相关性，尤其在按平均循环应力（Stress_avg）分层后更为显著。
• 基于Stress_avg的聚类揭示了寿命变异性的两个来源：不同聚类间差异源于使用条件，聚类内差异源于制造和测试设备的变异性。
• 分层贝叶斯建模成功捕捉了预测中的不确定性，聚类3的后验分布更宽——表明由于该应力区域训练数据有限，不确定性更高。
• 后验预测分布实现了稳健的不确定性量化，误差条准确反映了模型不确定性和测量不确定性。

Figure 2: Overview of battery aging test conditions and capacity data. a , 3D scatter plot showing train-test split and cycling conditions used – each point represents conditions for a group of four cells, and marker color indicates a data subset used to generate prediction results in Sec. 2 . b , D