Accurate battery lifetime prediction across diverse aging conditions with deep learning

要約

初期サイクルにおけるバッテリーセルの寿命を正確に予測することは、バッテリーの研究開発だけでなく、多数の下流アプリケーションにとっても非常に価値があります。
電極材料、動作条件、作業環境などのさまざまな条件が集合的に複雑な容量劣化挙動を決定するため、この作業はかなり困難です。
しかし、現在の予測方法は限られた経年変化条件下で開発および検証されているため、さまざまな経年変化条件への適応性に疑問が生じ、さまざまな条件下で収集された履歴データから十分なメリットを得ることができません。
ここでは、さまざまな経年変化条件に対​​応し、豊富な条件からのデータを活用することで、リソースが少ない条件下でも効果的な学習を促進できる、普遍的な深層学習アプローチを紹介します。
私たちの重要な発見は、単一セルの特性のみを考慮するのではなく、セル間の機能の違いを組み込むことで、バッテリー寿命予測の精度とそのクロスコンディションのロバスト性が大幅に向上するということです。
したがって、私たちは単一細胞モデリングと細胞間モデリングの両方に対応する総合的な学習フレームワークを開発します。
評価用に包括的なベンチマークが構築され、168 のサイクル条件にわたって 5 つの一般的な電極材料を使用した 401 個のバッテリー セルが含まれます。
私たちは、さまざまな老化条件にわたる学習において、最初の 100 サイクルを使用して 10% の予測誤差のみを達成し、低リソース学習を促進して、多くの場合、単一細胞モデリングの誤差をほぼ半分にする顕著な能力を実証します。
より広範には、さまざまな経年変化条件間の学習境界を打ち破ることにより、私たちのアプローチはリチウムイオン電池の開発と最適化を大幅に加速できる可能性があります。

要約(オリジナル)

Accurately predicting the lifetime of battery cells in early cycles holds tremendous value for battery research and development as well as numerous downstream applications. This task is rather challenging because diverse conditions, such as electrode materials, operating conditions, and working environments, collectively determine complex capacity-degradation behaviors. However, current prediction methods are developed and validated under limited aging conditions, resulting in questionable adaptability to varied aging conditions and an inability to fully benefit from historical data collected under different conditions. Here we introduce a universal deep learning approach that is capable of accommodating various aging conditions and facilitating effective learning under low-resource conditions by leveraging data from rich conditions. Our key finding is that incorporating inter-cell feature differences, rather than solely considering single-cell characteristics, significantly increases the accuracy of battery lifetime prediction and its cross-condition robustness. Accordingly, we develop a holistic learning framework accommodating both single-cell and inter-cell modeling. A comprehensive benchmark is built for evaluation, encompassing 401 battery cells utilizing 5 prevalent electrode materials across 168 cycling conditions. We demonstrate remarkable capabilities in learning across diverse aging conditions, exclusively achieving 10% prediction error using the first 100 cycles, and in facilitating low-resource learning, almost halving the error of single-cell modeling in many cases. More broadly, by breaking the learning boundaries among different aging conditions, our approach could significantly accelerate the development and optimization of lithium-ion batteries.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google