电容估计和膝盖点预测使用电化学阻抗光谱来通过机器学习对金属电池降解
Qianli Si1,2, Shoichi Matsuda2,3, Yasunobu Ando4
1Department of Nanoscience and Nanoengineering, Faculty of Science and Engineering, Waseda University, 3-4-1 Okubo, Shinjuku-ku, 169-8555, Japan.
概括
本研究介绍了一种机器学习 (ML) 框架,使用电化学阻抗光谱 (EIS) 来预测金属电池 (LMB) 的降解. 这些模型准确地预测了电池的健康状况和老化,增强了管理策略.
科学领域:
- 材料科学 材料科学 材料科学
- 电化学 电化学 电化学
- 数据科学数据科学数据科学
背景情况:
- 金属电池 (LMB) 提供高能量密度,但遭受复杂的降解,阻碍性能预测.
- 准确的健康监测对于可靠的运行和先进的电池管理系统至关重要.
研究的目的:
- 开发一种机器学习 (ML) 框架,用于预测容量退化和检测LMBs中的膝盖点 (KP).
- 使用电化学阻抗光谱 (EIS) 数据与ML相结合,用于增强电池预测.
主要方法:
- 开发了一个机器学习框架,将EIS数据与XGBoost算法集成在一起.
- 沙普利添加式扩张 (SHAP) 分析确定了影响退化预测的关键阻抗特征.
- 输入数据通过选择基于SHAP值的关键频率点来优化.
主要成果:
- ML模型准确地估计了容量退化,并在LMB中检测了KP.
- 与扩散过程相关的低频阻抗组件对于容量估计至关重要.
- 高频阻抗特征主导了KP检测,与电荷传输电阻有关.
- 优化的模型显示了可比或改进的准确性与减少数据复杂性.
结论:
- 基于EIS的ML模型提供了对LMB健康和衰老的准确预测.
- SHAP分析为降解机制提供了有价值的见解.
- 该框架通过改进的预测来增强电池管理策略.
