Nature Communications:基于机器学习的锂离子电池阻抗谱退化模式识别
北2北
在消费电子以及电动汽车等储能领域中，预测锂离子电池健康状态和剩余有效寿命是一项十分具有挑战性的技术问题。近日，英国法拉第研究所Ulrich Stimming与卡文迪许实验室Alpha A. Lee等将锂离子电池电化学阻抗谱与高斯过程机器学习技术相结合创建了一种精确的电池预测系统。
本文要点
1) 作者考虑到电化学阻抗谱是一种简单高效且无损的电化学手段并且其中蕴含着丰富的电池状态相关信息，因此它们收集了2000多个不同健康状态、不同充放电状态和不同温度下的商品化锂离子电池的电化学阻抗谱并以此为基础建立了迄今为止最大的阻抗谱数据库。然后利用高斯过程模型将整体阻抗谱结果作为输入信息，在不需要进一步数据处理的基础上系统就能够自动确定哪些阻抗谱体现出了电池退化性能衰减的相关信息。即便在不了解电池具体工况的情况下该模型也能够准确预测电池的剩余寿命。
2) 研究人员还发现这种基于高斯过程机器学习的手段能够准确测试电池的容量。他能够从单一的电化学阻抗谱中在电池寿命的任意位置得到不同温度下其循环容量的剩余有效寿命。从方法评价来看，这种基于电化学阻抗谱的机器学习技术相比要利用放电曲线的传统手段的准确性更高而且可以针对特定频率信息进行分析。
Yunwei Zhang et al, Identifying degradation patterns of lithium ion batteries from impedance spectroscopy using machine learning, Nature Communications, 2020
DOI: 10.1038/s41467-020-15235-7
https://www.nature.com/articles/s41467-020-15235-7
版权声明：
本平台根据相关科技期刊文献、教材以及网站编译整理的内容，仅用于对相关科学作品的介绍、评论以及课堂教学或科学研究，不得作为商业用途。
