麻省理工Joule：仅需跑三圈！贝叶斯学习快速预测锂离子电池循环寿命协议

影响电池效用和寿命的循环协议的优化是为电动汽车、智能手机等常见应用开发先进电池的关键。由于 (1) 参数空间的高维度，(2) 制造可变性高，以及 (3) 测试时间长，这种优化既昂贵又耗时。

在此，美国麻省理工学院Richard D. Braatz等人开发了数据驱动模型，通过将分层贝叶斯模型 (HBM) 方法与电池寿命早期预测模型相结合，使用仅持续3个循环的单个加速实验测试来快速预测锂离子电池循环协议。这种方法减少了迭代循环协议优化所需的测试时间和测试总数，即使与之前的数据驱动加速方法相比，总测试时间也减少了一个数量级。

HBM方法不仅能了解每个循环协议的寿命分布，而且能描述不同协议之间电池寿命可变性程度的抽象知识，以及协议的整体寿命分布，这使模型能够从很少的测量中推断新循环协议。作者采用包括29种不同快充协议的LFP/石墨电池的综合数据集进行验证，其中113个电池的循环寿命为 500~1200圈，将寿命终止定义为标准容量下降20%。

图1. 基于来自不同循环协议电池的分层贝叶斯模型图示

结果显示，从数据子集学习后，仅HBM方法就提供了高协议预测性能。在使用新循环协议进行一次全循环寿命测试后，对于任何新循环协议寿命预测的最佳测试平均百分比误差为5.7%，总体测试误差为 6.5%。通过将HBM方法与电池寿命预测模型相结合，仅3次循环测试后就实现了8.8%的新循环协议寿命预测的测试误差，比传统测试时间减少了99% 以上。

此外，作者使用该方法针对NMC/石墨电池的数据集进行了演示，与基准单级预测方法相比，仅3次循环后协议寿命预测的准确度提高了近两倍。

图2. HBM预测置信度85%、90%、95%、99.5%所需要的观测数目

Bayesian learning for rapid prediction of lithium-ion battery-cycling protocols, Joule 2021. DOI: 10.1016/j.joule.2021.10.010

华算科技推出了【机器学习+材料】零基础课程，针对零编程基础的化学、材料学工作者，先扎实学习当下最流行、与机器学习契合度最高的Python语言，再学习机器学习的基本算法，并对文献案例进行重现。课程包含大量实际操作内容，掌握编程神器Python与黑科技机器学习不再遥不可及。

 点击阅读原文，提交计算需求！