使用EIS和机器学习快速估计电池健康状况的数据集:培训和验证
Muhammad Rashid1, Mona Faraji-Niri1, Jonathan Sansom1
1WMG, University of Warwick, Gibbet Hill Road, Coventry, CV4 7AL, UK.
Data in brief
|June 29, 2023
概括
本研究详细介绍了一种加速电池测试方法,用于估计健康状况 (SOH). 这项研究为开发机器学习模型和电池管理系统提供了宝贵的数据.
科学领域:
- 电化学 电化学 电化学
- 材料科学 材料科学 材料科学
- 数据科学数据科学数据科学
背景情况:
- 准确的电池健康状况 (SOH) 估计对于可靠的电池管理系统 (BMS) 至关重要.
- 需要加速老化方法来有效地研究电池降解和预测SOH.
- 电化学阻抗光谱 (EIS) 提供了对电池内部状态的详细见解.
研究的目的:
- 用加速老化试验概述电池SOH估计的实验设计和方法.
- 收集和共享全面的老化和EIS数据,用于电池性能建模.
- 促进机器学习模型的开发,以便快速预测SOH.
主要方法:
- 圆柱形细胞通过电气循环老化到特定的SOH断点 (80-100%) 在25°C.
- 参考性能测试 (RPT) 在定义的老化阶段测量了容量减少.
- 电化学阻抗光谱 (EIS) 在各种电荷状态 (SOC) 级别和温度 (15°C,25°C,35°C) 上进行.
主要成果:
- 详细的数据集包括原始RPT和EIS文件,测量能量容量和SOH值.
- 处理EIS数据以提取与电池退化相关的关键特征.
- 收集的数据支持用于SOH估计的机器学习模型的训练.
结论:
- 提出的加速测试方法和相关数据对于电池SOH估计非常有价值.
- 这些数据可以创建和验证电池性能和老化模型.
- 这项工作支了电池管理系统高级控制算法的设计.
