麻省理工RichardD.Braatz团队《Joule》：仅需测前几圈就可以快速预测新的循环（充放电）协议的电池状态和寿命分布

Original 深水科技深水科技咨询 2021-12-24

背景介绍

电池的寿命预测对电池发展起到非常重要的作用，特别是一些新的电池体系和新的充放电协议，准确评估电池的状态和寿命无论对消费者购买意愿、电池厂售后保障和回收管理都有着重要意义。但是实际的电池寿命测试是一个高耗时高成本的问题，不仅仅受到电池的制造过程中均一性（也就是同一批次电池的差异和不同批次电池差异）的影响，也受到消费者使用情况的影响（不同的消费者、不同地区的消费者在使用电池习惯上都有显著差异），这就要求对电池进行大量长循环评估以便确定电池性能和寿命预估，这种高成本、高耗时的过程严重制约着电池的发展特别是新型电池体系如硅负极、富锂正极的商业化。

成果简介

鉴于此，麻省理工RichardD.Braatz团队在国际知名期刊joule上发表题为“Bayesianlearning for rapid prediction of lithium-ion battery-cyclingprotocols”的研究论文。他们通过将早期寿命预测与层次贝叶斯模型(HBM)相结合来实现这一目标，在不需要大量重复测试的情况下快速预测性能（寿命分布）。该方法应用于包括29种不同的快速充电协议的LiFePO₄/石墨的综合数据集。仅层次贝叶斯模型就提供了较高的协议寿命预测性能:在使用一个电池循环至故障时，总体测试平均出错率为6.5%。将层次贝叶斯模型与电池寿命预测模型相结合，仅使用3周循环测试数据就获得8.8%的测试误差。此外，还证明了HBM方法在NMC/石墨电池中的适用性。

图文导读

TOC图

图1基于不同充电协议的不同循环寿命电池的分层贝叶斯模型说明(不同颜色表示不同的电池寿命组)。

原文关于图片的解读：假设S是包含多个循环协议的堆栈。我们对几个协议进行了抽样，发现一些协议包含短寿命(红色)和超长寿命(绿色)电池，其他协议包含长寿命(黄色)和超长寿命(棕色)电池。我们现在遇到了一个新的循环协议——协议n，并从协议中抽取单个样本，观察该样本是一个中寿命(蓝色)电池。我们对能够预测电池寿命分布的能力感兴趣(如θ_n)。就其本身而言，单个样本提供的关于新协议的信息很少，但使用以前协议的经验可以为其推断提供更多信息。例如,(A)电池的寿命在每个循环协议是统一的(也就是说,α=0)，它假设所有使用协议n的电池的寿命都是中等(蓝色)和(B)每个协议的情况下拥有一个较大的电池寿命变动，level2上信息α和β从之前使用很少样本的（如只使用一个样本）预测电池寿命分布来学习，其中α是电池之间的整体差异，β是所有协议整体的寿命分布。

图三：用于循环协议寿命预测的电池寿命早期预测模型与分层贝叶斯方法的组合原理图

图四：以观测数(n)和电池差异性(α)为变量的用于将循环方案划分为两个方案组的HBM预测性能的函数

图五：HBM预测性能置信度85%、90%、95%、99.5%所需要的观测数目。

图六：LFP/石墨的充电ΔV特征

三大亮点

一、对于一个新的循环协议或者电化学体系仅仅前三圈性能就可以评估电池的性能和寿命分布等信息

原理如图一和图三所示，对于一个新的体系或者新的协议，如何利用最少的方式来评估其寿命分布呢？在一个新的循环协议下获得单个电池前三圈性能，这个信息虽然少，可以用来判断电池状态的信息也非常不准，不过不要紧，该团队借助于前面学习旧的协议的信息，通过旧的协议所挖掘的知识，来预测此电池性能和寿命，预测误差仅8.8%。

二、引入电池差异性α来解决实际电池不一致问题

大家知道，电池在制造过程中存在不一致问题，这种不一致的问题会给电池评估带来极大的困难，本文引入了一个电池差异性指标（图一），对于电池一致性好的，我们测试少量的电池就可以准确评估电池整体性能；而电池一致性不好的时候，需要大量测试。如图四和图五所示，需要的观测次数与HBM的预测置信度η呈对数线性关系，也就是说随着置信度η的增加，HBM为确保预测寿命准确所需要的观测数量大约正比于e^η的增加。这就意味着评估一下电池的一致性，就可以知道最小需要进行多少次测试就可以评估电池性能（图四和图五）。

三、引入ΔV特征解决实际使用过程非恒电流问题

大家都知道，实验室使用恒电流充放电检测电池性能，但是实际过程中用户的习惯使得电池的充放电不一样。本文引入ΔV特征来解决这一问题，对于之前大家常用的ΔQ评估而言，恒电流情况评估结果是一样的；但是对于非恒电流来说ΔV捕获了电池中的化学变化（如SEI生长变化和嵌入反应等等都能反映在ΔV中）。如图六LFP/石墨中ΔV与电池的寿命有很强的相关性，这也解决了充放电不一致情况下的性能和寿命预测。