AI+电芯应用合集

本系列合集旨在提供一个涵盖电芯与AI结合的一键即用的云上Notebook合集。标有 Logo的部分可以直接在Bohrium Notebook上打开。

Note: 介绍中的外部链接暂时无法在小程序中打开，如需了解请使用网页版打开。

一、介绍

关于锂电池、电化学和电芯的简单介绍：

什么是锂离子电池？

锂离子电池中电化学仿真的现状以及应用

EIS 阻抗谱介绍

知乎用户的文章合集： https://www.zhihu.com/column/c_1604824368676286464

电池电芯常见概念及其缩写：

1. State of charge (SOC) :充电状态（SOC）是指蓄电池使用一段时间或长期搁置不用后的剩余容量与其完全充电状态的容量的比值，常用百分数表示。其取值范围为0~1，当SOC=0时表示电池放电完全，当SOC=1时表示电池完全充满。

2. State of health（SOH）是表征电池老化程度与健康状况的关键指标，其通常定义为当前可用最大容量与出厂额定容量之间的比值。随着电池老化程度的加深，SOH逐渐降低，在SOH下降到80%时，电池衰减至寿命终止。

3. Electrochemical impedence spectroscopy（EIS）。它是在电化学电池处于平衡状态下（开路状态）或者某一稳定的直流极化条件下，按照正弦规律施加小幅度交流信号，研究的电化学的交流阻抗随频率的变化关系。广泛应用于锂离子电池、钠离子电池、燃料电池和腐蚀防护等领域，是一种常用的电化学检测数据。

4. Remaining useful life (RUL)是指在一定的充放电制度下，动力电池的最大可用容量衰减退化到某一规定的失效阈值所需要经历的循环周期数量。 RUL预测是一个基于动力电池历史数据运用一定的数学手段对其残值寿命进行预测计算的过程。

5. 等效电路模型(ECM) 是电池管理系统(BMS) 中常用的一种电池模型，用于监控和控制锂离子电池(LIB)。 因此，ECM 的准确性和复杂性非常重要。

6. 电池内部短路电流：Internal Short Circuit（ISC）

本目录中包含的Notebook大多基于Pytorch或Tensorflow工具包完成。这里也提供一些关于这二者的Notebook资料以供学习参考：

快速开始 TensorFlow2｜面向初学者的快速入门

快速开始 PyTorch｜使用 Python 建立深度学习模型

以及一些用到的机器学习技术学习资料：

D2L.AI｜《动手学深度学习》 Notebooks 目录

二、当前研究重点问题：基于AI方法的电池状态估计、寿命预测

1. SOC 估计

   1. 通过informer-LSTM估计LFP电池在应用工况下的SOC

2. SOH 预测

   1. 基于LSTM和GRU模型的SOH预测
   2. 基于部分无标签电池数据预测SOH [DNN]

3. RUL 预测

   1. Data Driven Model
      1. 基于电流电压特征的预测
      2. 基于时序数据的深度学习预测
      3. 基于时间和温度的动力电池剩余寿命RUL预测
   2. Mechanism and Data Driven Fusion Model
      1. 基于PINN的融合模型预测RUL和SOH

4. 电池老化过程分析

   1. 根据前期容量曲线预测电池的衰退轨迹
      1. 基于改进高斯过程动态模型的电池老化曲线预测
      2. 多任务预测电池容量和功率衰减
   2. 电池老化模式识别分类
      1. 基于卷积神经网络的锂电池老化模式分析
   3. 测化成流程对寿命的影响（缺）

三、AI对电池表征的应用

1. EIS 预测
   1. 基于充电数据预测EIS
   2. 使用四个特征频率下的阻抗预测全频段EIS
2. ECM模型预测
   1. 使用EIS数据预测ECM模型
3. 电池管理策略预测（缺）

四、公开数据集和引用其的相关文献

1. Stanford Capacity Degradation Dataset(TRI Dataset)
2. Cambridge EIS Dataset
3. NASA Dataset
4. Mendeley Datasets
   1. UNIBO Powertools Dataset
   2. LG 18650HG2 Li-ion Battery Data
   3. Panasonic 18650PF Li-ion Battery Data
5. CALCE Dataset