温州大学向家伟/吕东祯：电池累计寿命预测，成功搭建实验场景研究与现实场景应用之间的桥梁
本期受文章作者投稿给大家分享一个电池退化数据集。如果有故障诊断相关方向研究人员希望宣传自己研究成果，欢迎大家在公 众号后台与小编联系投稿，大家一起交流学习。最近，由温州大学的向家伟和吕东祯团队，与南卡罗来纳大学的Bin Zhang团队以及巴黎矿校的Enrico Zio团队在《Cell》子刊上发表了一项开创性的电池寿命预测技术，展示了在电池累计寿命预测领域的重大进展。这一技术创新引入了“累积使用寿命”的概念。该预测方法简化了模型中多种影响因素的耦合，使其能在不同的应用场景中迁移使用显著，提升了实验室研究与实际应用的衔接。在大规模迁移测试中，该方法不仅稳定提高了早期寿命预测的准确性（误差降至5%以下），还能在便携式设备上实现毫秒级的实时预测，显示出卓越的工程实用性。论文链接：通过点击本文左下角的阅读原文进行在线阅读及下载。论文基本信息论文题目：Battery cumulative life time prognostics to bridge laboratory and real-life scenarios论文期刊：Cell Reports(SCI一区Top)论文日期：2024.07论文链接: https://doi.org/10.1016/j.xcrp.2024.102164作者：Dongzhen Lyu(1, 5), Bin Zhang(2), Enrico Zio(3, 4), Jiawei Xiang(1), 机构：1 College of Mechanical and Electrical Engineering, Wenzhou University, Wenzhou, Zhejiang 325035, China2 College of Engineering and Computing, University of South Carolina, Columbia, SC 29208, USA3 MINES Paris, PSL University, 75272 Paris, France4 Energy Department, Politecnico di Milano, 20156 Milano, Italy通讯作者邮箱：lvdongzhen@hrbeu.edu.cn作者简介：吕东祯博士在锂电池寿命预测领域深耕近十年，自2020年起针对实车工况寿命预测中的技术瓶颈和应用难点进行了深入研究，开发了一系列工程方法，申请/授权7项中国专利、1项PCT国际专利、1项美国发明专利。专利技术曾被国内外多家研究机构采用近百台电动公交车进行示范性应用。针对实车场景下电池寿命预测研究的应用瓶颈，国内外多家研究机构于2023年12月开展合作，开发了一种基于累计里程量的寿命预测方法，成功采用60台电动公交车进行示范性应用。该方法采用累计里程量作为寿命指标来开发寿命预测方法，与吕东祯博士早在2021年7月15日提交的中国专利202110798763.5中的核心技术理念（其中权利要求1）保持一致。该示范性应用由北京理工大学、国家电动汽车工程研究中心，德国亚琛工业大学，尤利希-亚琛联合研究中心，明斯特亥姆霍兹研究所共同主导。同时受到了中国国家重点研发、中国自然科学基金联合重点项目、德国联邦政府和北莱茵州的共同资助。目录1 背景介绍2 研究出发点3 文章解析 3.1 全球规模最大、周期最长的性能退化实验 3.2 所开发的基于累积损耗特征的预测方法 3.3 惊人的一致性和迁移预测效果4 总结与展望5 课题组介绍1 背景介绍随着科技的不断进步，电池作为能源存储的重要组成部分，其寿命和性能预测成为了关键课题。传统的电池寿命预测方法多依赖于实验室条件下的测试，这些方法虽然精确，但在实际应用中往往难以反映电池在真实环境中的表现。因此，如何将实验室研究成果有效地转化为实际应用，成为了电池技术研究中的一大挑战。针对这一应用瓶颈问题，宁德时代新能源科技股份有限公司曾于2024年6月面向全球发布技术榜单：“基于实验条件下的电芯循环寿命预测已有不少研究，但是针对于实车工况下，真实使用场景、不同环境温度等影响因子的使用寿命预测，还缺乏真正的工程方法”。吕东祯博士在在该领域深耕数年，早在2020年10月份起就开始设计实施实车工况锂电池性能退化实验，针对这一技术瓶颈和应用难点进行了深入研究，面向实车工况开发了一系列工程方法并申请/授权7项中国专利、1项PCT国际专利、1项美国发明专利，有效应对了这一瓶颈问题。专利技术曾被国内外多家研究机构采用近百台电动公交车进行示范性应用。2 研究出发点测试并收集300个电池单体在实验室场景与现实应用场景下的性能退化数据。考虑了随机充放电电流、频率、深度以及多电池成组、环境温度的影响。该方法在建模过程中简化了多种影响因素的耦合作用，但反而却能够在多种应用场景之间实现相互迁移。在进行大规模迁移测试时，展示了持续稳定提升的早期寿命预测效果（最低误差低至5%）。在便携笔记本上实现了毫秒级的实时寿命预测能力，具有非常出色的工程实用性。3 文章解析3.1 全球规模最大、周期最长的性能退化实验实验过程共采用了两种类型的磷酸铁锂电池进行性能退化测试，分为A型和B型两种。其中A型电池具有1Ah的标称容量，共采用了150个A型电池。从中挑选了6个A型电池组成了两个3Ah的并联电池组。B型电池的标称容量为0.8Ah，共采用了150个B型电池。从中挑选了76个B型电池单体构成了18个电池组。其中包括2个1.6Ah的电池组，10个2.4Ah的电池组，8个4Ah的电池组。表 I. 不同电池单体和电池组的退化测试模式设定所有的电池单体和电池组均进行了性能退化测试，在标准模式、复杂模式或随机模式下进行了测试。表I详细列出了每种模式下的电池和电池组的具体数量。标准模式包括交替的完全充放电循环，使用额定的充放电设置；复杂模式用于模拟运行工况的复杂性；随机模式用于模拟运行工况的随机性。其中，随机模式在所有模式中占比最大，几乎所有处于随机模式的电池都有个性化的配置，使它们彼此不同。出于安全考虑，待测电池被放置在一个铝制的安全箱中，该安全箱没有进行隔热处理。这意味着昼夜温差和季节性温差会影响实验结果。因此，测试过程中还记录了实验期间的季节性温度变化，用以充分反映昼夜温度变化以及四季温度变化对电池性能的影响。图1. 电池单体及电池组的容量变化这项实验研究采用了大量的电池，每个电池分别经历了 500 次到 10000 次以上的充放电循环，全部电池单体和电池组的充放电循环次数的总和超过了 54.6 万次，测试时长的总和则超过 2600 万分钟。这项实验研究生成了超过200GB的退化实验数据，并且测试周期持续了 4 年（2020-2023 年），是目前世界上规模最大，最贴近实际运行工况，持续时间最长的电池退化实验，可以用于深入研究诸如日历老化和季节性温度影响等问题。在对实验结果进行分析后，图1展示了不同电池个体和电池组的测量容量与充放电循环次数的比较。其中不同的颜色用于区分不同的电池个体或电池组，很明显不同电池个体或电池组的数据是相互重叠的，充分展示它们之间的复杂差异。图2. 不同电池和电池组在不同测试模式下的容量变化虽然图2中展示了电池容量随充放循环次数的变化趋势，但很难从中发掘出清晰的规律。这是由于电池单体和电池组的退化过程之间存在着巨大的差异，同时不同测试模式也会导致明显的退化差异。3.2 所开发的基于累积损耗特征的预测方法现有的充电电池寿命预测方法大都是基于理想条件下的充电电池寿命测试。在试验测试中，充电过程和放电过程是在专业设备上交替执行的，故而可以保证充电过程和放电过程的完整性。也因此，传统的充电电池寿命预测方法大都采用充放电循环次数作为寿命。在实际应用中，充电电池的使用方式和频次取决于用户的随机使用习惯。而在这种随机充放电场景中，充电过程和放电过程大都是不连续且不完整的，因而所对应的退化数据具有很差的规律性，也非常难以进行分析。根据用户的使用习惯，在充电电池的使用过程中，可能其电量尚未完全用完时就会进行充电，或者其电量尚未完全充满时就需要进行放电使用。与此同时，放电过程中也可能会存在暂停和续接现象，例如需要暂时更换充电场所或充电场所内暂时的停电。此外，当用户的充电线发生接触不良现象时，可能会在短时间内产生数次极短的充电过程。对于手机来说，除非在关机状态下进行充电或存在软件设定，否则其充电过程必然同时伴随着耗电运行。对于便携式笔记本来说，可能会存在长期插电运行的使用场景，此时的充放电过程是难以界定的。故而在充电电池的实际应用过程中，基本不存在理想条件下的交替完整充放电设定，显然，以充放电循环次数为寿命是不准确且不合理的。充电电池的退化过程是非常复杂的，显然单独采用循环次数来描述退化过程是不准确且不合理的。在对前述复杂随机工况下的锂电池退化数据进行分析和研究后发现，采用累计损耗量作为寿命指标能够获取非常一致的退化趋势。由于并不是单单地对循环次数进行计数，这种方式在理论上显得更加的合理。图3. 采用累积放电量作为寿命指标3.3 惊人的一致性和迁移预测效果如图3所示，在采用累积放电量作为累计损耗寿命指标后，不同电池个体之间的退化一致性得到了显著的提升。图4. 采用累积放电量作为寿命指标后实现的高度一致退化趋势图4展示了应用累计损耗特征提取方法前后的领域差异。其中，其中黑色数据代表源域，红色的数据代表目标域。在采用循环次数作为寿命指标时（如图4a、图4b所示），源域中各个电池单体和电池组的总循环次数都比较少，均低于1000次循环，目标域中各个电池单体和电池组的总循环次数则较高，部分电池甚至超过了13,000次，这充分说明了源域和目标域之间的显著差异。在采用累计损耗特征提取方法进行处理之后（如图4a、图4b所示），黑色数据仍然代表源域，红色数据则代表目标域。从中可见，源域和目标域之间的领域差异明显减少了。这为本文所开发的寿命预测方法提供了坚实的实际基础。表 II. 不同方法在迁移应用场景下的早期预测误差对比表II展示了传统的预测方法在迁移预测场景下的早期预测效果，包括平均百分比误差和平均绝对误差。很明显，在采用本文所开发的预测方法后，A型电池目标域上的平均百分比误差从52.3%降至12.8%；B型电池目标域上的平均百分比误差从57.5%降至13.50%。此处需注意，传统的基于循环次数的寿命预测方法在源域（即实验室场景）中的预测误差也低至11.4%，但是在目标域（即实际场景）中高达52.3%，难以在实际场景中进行工程应用。此外，本文所开发的预测方法还遵循了简单实用和高效计算的原则，采用了非常高效的GPR技术，因此非常适合在便携式笔记本上进行计算。此外，所有方法在模型训练阶段的耗时都不超过1秒，并且预测耗时始终保持在10毫秒以下。训练阶段使用了源域中所有的电池数据进行模型训练，测试阶段同时预测了目标域内全部电池单体和电池组的失效寿命。执行运算的笔记本仅配备了AMD Ryzen 7840H处理器、16 GB内存，没有配置独立的图形处理芯片GPU。4 总结与展望本项目开发的方法将实验室场景中学到的电池退化模型成功应用于复杂的半充半放实际车辆场景下的电池寿命预测，并且实现了多种复杂工况之间的相互迁移。图5具体总结展示了本项目实验研究的全面性，并且客观展示了所提出解决方案的卓越性能。本项目的实验验证长达4年之久，并且其中设置的测试模式非常繁多，既包括贴合实验室场景的标准模式，也包括多因素耦合下的复杂模式，还包括贴合真实场景的随机模式，包括但不限于采用随机的充放电频次，随机的充放电时长，随机的充放电电流大小，随机的充放电深度等。与此同时，还考虑了昼夜变化所导致的高频低幅温度变化，以及四季变化所导致的低频高幅温度变化。本项目的实验研究共采用了两种型号的电池，各自均是同一批次，但是不同电池的仓储搁置时间是不同的，因此也考虑了复杂日历退化效益的影响。图5. 应用累计耗损特征提取方法前后的邻域差异5 课题组介绍该实验研究中全部电池单体和电池组的充放电循环次数总计超过了 54.6 万次，测试时长总计超过 2600 万分钟，是目前世界上规模最大，最贴近实际运行场景，持续时间最长的电池退化实验。对应的实验数据已经被命名为“WZU随机电池退化数据”，并面向全球开源共享。相关数据和代码的访问和使用权限遵循知识共享署名-禁止演绎 4.0 国际许可协议（CCBY-ND 4.0）。在使用或向他人分享这些数据或代码时，请务必采用统一的命名格式“WZU随机电池退化数据”（英文版本为 "Wenzhou Randomized BatteryData"），并引用以下来源文章：Dongzhen Lyu et al., BatteryCumulative Lifetime Prognostics to Bridge Laboratory and Real-Life Scenarios,Cell Reports Physical Science (2024), https://doi.org/10.1016/j.xcrp.2024.102164在分享数据或代码时，必须保持数据集的原始完整性，并提供直接访问原始数据的链接；严禁进行任何修改、处理、重组或重新打包。请务必访问下述链接获取许可协议的全文。X_MOL主页：https://www.x-mol.com/groups/DongzhenLyuResearchGate：https://www.researchgate.net/profile/Dongzhen-LyuGitHub：https://github.com/lvdongzhen/Wenzhou-Randomized-Battery-DataOnedrive：https://1drv.ms/f/s!AnQLciP1URipksZQPfoVLhdf67Y8mg如有任何疑问需要澄清，请联系吕东祯博士。电子邮箱:lvdongzhen@hrbeu.edu.cn 客官，球球再点个广告，再走吧~ 点击左下角阅读原文，即可在线阅读论文。来源：故障诊断与python学习
