Data-driven prediction of battery cycle life before capacity degradation

降级(电信) 电池(电) 电池容量 可靠性工程 磷酸铁锂 锂(药物) 非线性系统 泄流深度 容量损失 计算机科学 人工智能 工程类 功率(物理) 内分泌学 物理 电信 医学 量子力学
作者
Kristen Severson,Peter M. Attia,Norman Jin,Nicholas Perkins,Benben Jiang,Zi Yang,Michael H. Chen,Muratahan Aykol,Patrick Herring,Dimitrios Fraggedakis,Martin Z. Bazant,Stephen J. Harris,William C. Chueh,Richard D. Braatz
出处
期刊:Nature Energy [Nature Portfolio]
卷期号:4 (5): 383-391 被引量:1940
标识
DOI:10.1038/s41560-019-0356-8
摘要

Accurately predicting the lifetime of complex, nonlinear systems such as lithium-ion batteries is critical for accelerating technology development. However, diverse aging mechanisms, significant device variability and dynamic operating conditions have remained major challenges. We generate a comprehensive dataset consisting of 124 commercial lithium iron phosphate/graphite cells cycled under fast-charging conditions, with widely varying cycle lives ranging from 150 to 2,300 cycles. Using discharge voltage curves from early cycles yet to exhibit capacity degradation, we apply machine-learning tools to both predict and classify cells by cycle life. Our best models achieve 9.1% test error for quantitatively predicting cycle life using the first 100 cycles (exhibiting a median increase of 0.2% from initial capacity) and 4.9% test error using the first 5 cycles for classifying cycle life into two groups. This work highlights the promise of combining deliberate data generation with data-driven modelling to predict the behaviour of complex dynamical systems. Accurately predicting battery lifetime is difficult, and a prediction often cannot be made unless a battery has already degraded significantly. Here the authors report a machine-learning method to predict battery life before the onset of capacity degradation with high accuracy.
最长约 10秒,即可获得该文献文件

科研通智能强力驱动
Strongly Powered by AbleSci AI
更新
PDF的下载单位、IP信息已删除 (2025-6-4)

科研通是完全免费的文献互助平台,具备全网最快的应助速度,最高的求助完成率。 对每一个文献求助,科研通都将尽心尽力,给求助人一个满意的交代。
实时播报
1秒前
酷波er应助半夏彗采纳,获得10
2秒前
2秒前
shinysparrow应助挖掘机采纳,获得100
2秒前
老实憨厚的笑笑完成签到,获得积分10
3秒前
3秒前
3秒前
孙琳发布了新的文献求助10
4秒前
obcx完成签到,获得积分10
5秒前
桐桐应助wjx采纳,获得10
5秒前
variant完成签到,获得积分20
5秒前
陈依晴发布了新的文献求助10
6秒前
6秒前
wdlc发布了新的文献求助20
6秒前
开心发布了新的文献求助10
7秒前
科研通AI2S应助accept采纳,获得10
7秒前
7秒前
7秒前
老迟到的馒头完成签到,获得积分10
7秒前
8秒前
8秒前
lbw发布了新的文献求助10
8秒前
variant发布了新的文献求助10
8秒前
9秒前
小花花发布了新的文献求助10
9秒前
善学以致用应助孙琳采纳,获得10
9秒前
10秒前
11秒前
赞美太阳公公完成签到,获得积分20
11秒前
11秒前
孤独寻云发布了新的文献求助50
12秒前
catalyst完成签到,获得积分20
12秒前
12秒前
12秒前
12秒前
JamesPei应助淡然的夜柳采纳,获得10
12秒前
13秒前
炙热雅琴发布了新的文献求助10
13秒前
13秒前
半夏彗发布了新的文献求助10
13秒前
高分求助中
Picture Books with Same-sex Parented Families: Unintentional Censorship 700
ACSM’s Guidelines for Exercise Testing and Prescription, 12th edition 500
Nucleophilic substitution in azasydnone-modified dinitroanisoles 500
不知道标题是什么 500
Indomethacinのヒトにおける経皮吸収 400
Phylogenetic study of the order Polydesmida (Myriapoda: Diplopoda) 370
Effective Learning and Mental Wellbeing 300
热门求助领域 (近24小时)
化学 材料科学 医学 生物 工程类 有机化学 生物化学 物理 内科学 纳米技术 计算机科学 化学工程 复合材料 遗传学 基因 物理化学 催化作用 冶金 细胞生物学 免疫学
热门帖子
关注 科研通微信公众号,转发送积分 3975165
求助须知:如何正确求助?哪些是违规求助? 3519595
关于积分的说明 11198781
捐赠科研通 3255912
什么是DOI,文献DOI怎么找? 1798001
邀请新用户注册赠送积分活动 877343
科研通“疑难数据库(出版商)”最低求助积分说明 806298