多温度下的钠离子电池老化数据集

本数据集包含了53个商业圆柱形钠电池在0℃、25℃、35℃和45℃四个不同温度下的老化数据，以及两个电池模块的数据。数据集通过实验室测试获得，记录了电池在充放电过程中的电流、电压和容量信息。这些数据被用于训练和验证一个深度学习模型，该模型能够基于部分充电曲线同时预测电池的SOC和SOH。

This dataset contains aging data of 53 commercial cylindrical sodium-ion batteries under four distinct temperatures (0°C, 25°C, 35°C, and 45°C), alongside data from two battery modules. Collected via laboratory testing, this dataset records the current, voltage, and capacity data of the batteries during charging and discharging cycles. This dataset is utilized to train and validate a deep learning model that can simultaneously predict the State of Charge (SOC) and State of Health (SOH) of batteries based on partial charging curves.

搜集汇总

数据集介绍

构建方式

多温度下的钠离子电池老化数据集构建采用了实验室内53个商用钠离子电池单体和两个电池模块的循环测试数据。测试在0℃、25℃、35℃和45℃四个温度条件下进行，通过LAND系统记录每个循环的电流、电压和容量信息。充电过程采用恒流-恒压（CC-CV）协议，恒流阶段以5A电流从约2.15V充电至4V，恒压阶段维持4V直至电流降至0.5A。数据采集过程中，通过滑动窗口策略将完整充电曲线分割为128个数据点的连续片段，每个片段覆盖3810秒的充电过程，并采用零值填充和归一化处理确保数据一致性。

特点

该数据集的核心价值体现在三个方面：多温度维度的老化特征捕获、高精度充电曲线记录以及模块化验证数据。温度变量覆盖了0-45℃的典型工作范围，每个温度组包含不同批次的电池样本，最大循环数从66次至1040次不等，完整记录了容量随循环次数的衰减轨迹。数据特点包括：1）电压和电流时间序列以30秒固定频率采样，保留完整的电化学动态信息；2）通过第三循环容量归一化定义健康状态（SOH），有效规避前两循环的活化效应；3）包含实验室环境差异导致的充电曲线变异，如不同测试系统（Arbin与LAND）的数据差异，增强了数据的现实代表性。

使用方法

该数据集适用于深度学习框架下的电池状态联合预测研究。典型应用流程包括：1）数据预处理阶段，将原始电流电压按公式(2a)(2b)归一化至[0,1]区间，并通过滑动窗口生成128维输入特征；2）模型训练时，采用卷积神经网络（CNN）与神经常微分方程（NODE）的混合架构，其中CNN提取局部充电曲线特征，NODE块优化特征表示；3）对于SOC预测，直接处理单个充电片段；对于SOH/容量预测，需通过公式(4)聚合同循环所有片段的特征，并拼接温度嵌入特征。验证时可采用留出法，如将35℃数据作为独立测试集，其余温度按7:1:2划分训练/验证/测试集。该数据架构特别支持迁移学习研究，如将单体训练的模型应用于模块数据预测时，只需将总电流电压按并联数等比例缩放即可。

背景与挑战

背景概述

多温度下的钠离子电池老化数据集由中山大学、香港应用科技研究院、香港科技大学及德国拜罗伊特大学的研究团队联合构建，旨在解决钠离子电池（SIBs）健康状态（SOH）和电荷状态（SOC）预测中数据稀缺的核心问题。相较于锂离子电池（LIBs），SIBs因钠离子半径较大、电极材料差异及电化学窗口特性，其退化机制更为复杂，传统LIBs模型难以直接迁移。该数据集通过实验采集53个单电池在0℃、25℃、35℃和45℃下的老化数据，并结合模块测试，填补了SIBs领域高质量老化数据的空白，为开发高精度数据驱动模型提供了关键支撑。其创新性地利用部分充电曲线预测多参数的方法，显著提升了电池管理系统的实用性和可扩展性。

当前挑战

该数据集面临的挑战主要体现在两方面：领域问题层面，钠离子电池的退化机制受温度影响显著，且其电极材料与锂离子电池存在本质差异，导致传统模型迁移困难，需开发专用预测框架；数据构建层面，实验需严格控制多温度环境下的循环测试条件，而不同批次电池的容量衰减曲线存在非线性和温度依赖性，增加了数据标准化难度。此外，模块化电池的串联/并联配置使得单电池电压/电流数据难以直接获取，需通过算法重构输入特征，这对模型的泛化能力提出了更高要求。

常用场景

经典使用场景

多温度下的钠离子电池老化数据集在电池健康状态（SOH）和充电状态（SOC）预测领域具有重要应用价值。该数据集通过在不同温度条件下（0℃、25℃、35℃和45℃）对53个商用钠离子电池进行循环测试，记录了电流、电压和容量等关键参数。这些数据为研究钠离子电池在不同温度下的老化行为提供了丰富的信息，特别是在预测电池的剩余使用寿命和实时充电状态方面。数据集的使用场景包括电池管理系统的优化、电池寿命预测模型的开发以及电池性能在不同环境条件下的评估。

解决学术问题

该数据集解决了钠离子电池研究领域中的多个关键学术问题。首先，它填补了钠离子电池老化数据公开可获取性不足的空白，为研究人员提供了宝贵的数据资源。其次，数据集通过多温度条件下的测试，揭示了温度对钠离子电池老化行为的复杂影响，为理解其降解机制提供了实验依据。此外，数据集支持开发高精度的SOC和SOH预测模型，如论文中提出的结合神经常微分方程和二维卷积神经网络的框架，显著提升了预测的准确性和鲁棒性。这些成果对推动钠离子电池在实际应用中的可靠性和安全性具有重要意义。

衍生相关工作

该数据集衍生了多项经典研究工作，特别是在机器学习和深度学习应用于电池状态预测的领域。论文中提出的结合神经常微分方程（NODE）和二维卷积神经网络（CNN）的框架，为电池SOC和SOH的同步预测提供了新思路。这一方法不仅在钠离子电池上表现出色，还被推广应用于其他类型的电池系统。此外，数据集的公开促进了更多研究团队开发基于数据驱动的电池状态预测模型，推动了电池管理技术的进步。这些衍生工作进一步验证了数据集在学术研究和工业应用中的广泛影响力。