基于数据驱动方法的电池性能深度分析
提出一种基于先期容量电压特征数据的电池寿命预测方法，在广泛不同充 / 放电速率和深度下，使用不超过 15% 的数据即可实现 15.1% 的平均绝对百分比误差，通过建立贝叶斯回归模型还可实现对超额样本的预测，文章同时提供了一个电池老化过程公共数据集，在电池的预防性维护、保修和电池设计制造方面具有重要意义。
Jul, 2023
利用物理信息机器学习方法，我们展示了一种可以通过电信号量化和可视化描述热力学和动力学相关性的时态损失，实现非破坏性降解模式表征，加速整个使用寿命轨迹的温度自适应预测，速度提高了 25 倍，准确率保持在 95.1％，这种研究为电池原型的降解提供了新的可能性。
Jun, 2024
电池是动态系统，受到电池设计、化学成分、制造和工作条件等复杂的非线性老化影响。预测电池的循环寿命和估算老化状态对于加快电池的研发和测试，以及进一步了解电池的退化过程非常重要。本教程首先概述了循环寿命预测的基本原理、机器学习和混合电池模型。然后，解释了从实验室测试数据中开发可解释的机器学习模型的典型流程，并且强调了机器学习模型所面临的挑战，以此来激发将物理学引入混合建模方法的动机，后者对于解读电池的老化轨迹至关重要，但需要更多的数据和进一步研究电池退化的物理学。本教程最后讨论了普适性和进一步的研究方向。
Apr, 2024
通过捕捉电池的老化状态和降解速率，本研究提出了一种方法来提高电池寿命的预测性能。该方法通过从电压松弛数据中提取等效电路模型的六个物理特征来指示老化状态，并通过从移动窗口内电压松弛曲线的差异或不同周期的容量 - 电压曲线的差异提取两个特征来捕捉降解速率。基于高斯过程构建了两个机器学习模型，分别用于描述这些物理特征与电池寿命之间的关系，用于寿命预测和分类。该方法在三种不同类型的 74 个电池单元的老化数据上进行了验证。实验结果显示，仅使用 3-12 分钟的采样数据，具有新特征的方法可以准确预测电池寿命，与基准方法相比，预测准确率提高了 67.09%。仅使用两个相邻周期的信息，电池被分为三组（长寿、中寿、短寿），整体准确率大于 90%，实现了退役电池的高效重新分组。
Aug, 2023
BatteryML 是一个一站式、全面、开源的平台，旨在统一数据预处理、特征提取和传统与先进模型的实施，以增强研究应用的实用性和效率。
Oct, 2023
利用不足的数据，比较了不同的机器学习算法和深度学习算法，发现使用手工特征的机器学习模型在预测锂离子电池的剩余寿命方面表现良好，尤其是 Random Forest Regressor 算法，可以实现平均 9.8% 的绝对百分比误差。相比之下，深度学习模型在小样本原始数据上表现不佳，手工特征的机器学习模型在预测锂离子电池寿命方面更为有效。
Dec, 2023
提出了基于深度学习的混合模型，从充电和放电松弛过程中提取与衰老相关的显著特征，通过合并历史容量衰减数据，动态地提供锂离子电池当前容量的估计和未来容量的预测。验证结果表明，在 0.25C 充电条件下，平均绝对百分比误差（MAPE）为 0.29％，显示了该模型在实际放松过程中的准确性，并与电池管理系统（BMS）中的历史容量记录相结合，从而更准确地预测容量下降。
Aug, 2023
通过 62 个商用高能型磷酸铁锂（LFP）电池的老化和重整实验，该论文使用机器学习模型预测电池寿命，并识别可恢复能力的重要指标，还发现了侧向锂非均匀性对可恢复容量损失的贡献，并通过等效电路模型和实验证明了锂非均匀性如何积累并导致可恢复容量损失，SHapley Additive exPlanations（SHAP）分析揭示了电池操作历史对容量恢复的显著影响。
Sep, 2023
用基于物理的方程和自注意力模型结合的新方法，通过早期循环数据预测商业锂铁磷图层石墨电池的循环寿命，并通过拟合容量损耗曲线到这个基于物理的方程，利用自注意力层重构整个电池的容量损耗曲线。我们的模型在预测更多信息（整个容量损耗曲线而不是循环寿命）的同时表现出与现有模型相当的性能，这提供了更强的稳健性和可解释性，我们的模型不需要针对不同的寿命周期重新训练，并且有物理直觉的支撑。
Apr, 2024