继前分享的锂电池数据

精品数据分享 | 锂电池数据集（一）新能源汽车大规模锂离子电池数据集

精品数据分享 | 锂电池数据集（二）Nature子刊论文公开锂离子电池数据

精品数据分享 | 锂电池数据集（三）西安交通大学（XJTU）电池数据集

精品数据分享 | 锂电池数据集（四）PINN+锂离子电池退化稳定性建模和预测

本期继续分享来自 Nature Energy 论文的锂电池公开数据集，划重点-数据集开源，代码开源！！！

1 开源数据集简介

1.1 论文团队合作机构介绍：

麻省理工-斯坦福-丰田研究中心是指一个由斯坦福大学和麻省理工学院与丰田研究院共同合作的研究机构。这个中心主要专注于电池技术的研究，特别是固态电解质的创新设计。他们利用生成式人工智能技术，结合机器学习和数据驱动的策略，旨在突破传统材料的局限，为下一代锂电池的开发提供新的可能性。该研究中心的成员包括麻省理工学院的Donald Sadoway教授及其团队，以及丰田研究院的研究人员。通过这种跨学科的合作，他们成功地创造出了一批新颖、多样化且具有潜在应用价值的聚合物电解质。这一成果不仅展示了人工智能在材料设计领域的强大潜力，也为固态聚合物电解质的发展注入了新的活力。

1.2 相关链接：

论文题目：《Data-driven prediction of battery cycle life before capacity degradation》

论文链接：

https://www.nature.com/articles/s41560-019-0356-8

数据集链接：

https://data.matr.io/1/projects/5c48dd2bc625d700019f3204

论文代码：

https://github.com/rdbraatz/data-driven-prediction-of-battery-cycle-life-before-capacity-degradation

1.3 如果您使用此数据集，请引用作者论文：

Severson et al., Data-driven prediction of battery cycle life before capacity degradation, Nature Energy, 4, 383–391 (2019).

注意：如果下载不了，后台回复”锂电池5“，可获取我们已经打包好的论文、数据集和代码！

2 电池数据集详细介绍

2.1 数据集来源介绍：

该数据集来自团队发表于 Nature Energy 的论文《Data-driven prediction of battery cycle life before capacity degradation》（基于数据驱动的电池寿命预测：在容量衰减前预测循环寿命）。该数据集包含 124 个商用锂离子电池，这些电池均在快速充电条件下循环至失效。电池为 磷酸铁锂（LFP）/石墨体系，由 A123 Systems 公司生产（型号：APR18650M1A）。实验在设定为 30°C 的强制对流恒温箱内进行，使用 48 通道的 Arbin LBT 电化学工作站对水平放置的圆柱形电池进行循环测试。每个电芯的额定容量为 1.1 Ah，额定电压为 3.3 V。

本研究的目标是优化锂离子电池的快速充电策略。因此，该数据集中的所有电池均采用一步或两步式快速充电策略进行充电。该策略的格式为 “C1(Q1)-C2”，其中 C1 和 C2 分别表示第一和第二恒流阶段，Q1 为两阶段电流切换时的荷电状态（SOC，%）。第二阶段恒流充电在 80% SOC 结束，随后进入 1C 恒流–恒压（CC–CV）充电阶段。充电的上、下截止电压分别为 3.6 V 和 2.0 V，与制造商提供的规格一致。所有电流阶段（包括快速充电阶段）均采用相同的截止电压设定。随着循环次数增加，电池可能在快速充电时提前达到上限电压，从而引入较长时间的恒压充电阶段。所有电芯在放电阶段均采用 4C 放电倍率。

2.2 数据集细节介绍：

整个数据集被划分为 三个“批次”（batch），每个批次包含约 48 个电芯。每个批次通过其“批次日期”（即测试开始日期）进行标识。不同批次之间存在一些实验细节上的差异，具体说明可参见各批次的独立说明页面。

数据提供了两种格式：

• 每个批次对应一个 MATLAB 结构体文件（struct）。该结构体是便捷的数据容器，便于访问每个循环的数据；可直接在 MATLAB 中加载，也可在 Python 中通过 h5py 包读取，并可使用提供的代码生成 Pandas DataFrame。

• 此外，每个电芯的原始数据也以 CSV 文件形式提供。需注意，CSV 文件中个别数据存在“测试时间（test time）”或“步骤时间（step time）”重置为零的错误，这些问题已在结构体文件中进行了校正。

温度测量通过在电芯外壳裸露部分粘贴 T 型热电偶（Type T thermocouple） 实现。热电偶通过 OMEGATHERM 201 导热胶与 Kapton 胶带固定。需注意，温度测量结果并非完全可靠，因为热电偶与电芯外壳的热接触程度可能存在显著差异，在循环过程中也可能出现接触丢失的情况。

电芯的内阻测量在充电至 80% SOC 时进行。具体做法为：施加 10 个幅值为 ±3.6C、脉冲宽度为 30 ms（2017-05-12 和 2017-06-30 批次） 或 33 ms（2018-04-12 批次） 的电流脉冲，并取平均值作为内阻。

以下仓库提供了用于在 MATLAB 或 Python 中加载该数据集的示例代码：
https://github.com/rdbraatz/data-driven-prediction-of-battery-cycle-life-before-capacity-degradation

用于生成图 4 的低倍率充电数据包括以下文件：

• initialdata_all.mat

• 2018-02-20_batchdata_updated_struct_errorcorrect.mat

• 2018-04-03_varcharge_batchdata_updated_struct_errorcorrect.mat

• finaldata_4.mat

• finaldata_6and8.mat

3  预处理代码与可视化

3.1 Python 案例代码

（1）读取数据

（2）可视化

3.2 Matlab 案例代码

4 代码、数据整理如下：

点击下方卡片获取代码！