数据驱动的电池循环寿命预测在容量下降之前

精确地预测锂离子电池等复合物的寿命，对于加速技术开发至关重要。然而，多样化的老化机制，显着的装置变异性和动态操作条件仍存在重大挑战。我们生成一个由124个商业锂磷酸铁/石墨细胞组成的全面数据集，在快速充电条件下循环，具有广泛的不同循环，范围为150至2,300次循环。使用从早期循环的放电电压曲线尚未表现出容量劣化，我们将机器学习工具应用于通过循环寿命来预测和分类细胞。我们最好的模型实现了9.1％的测试误差，用于使用前100个循环定量预测循环寿命（从初始容量的中值增加0.2％）和使用前5个周期的4.9％测试错误，以将循环寿命分为两组。这项工作突出了与数据驱动建模结合的故意数据生成的承诺，以预测复杂动态系统的行为。