ICL电池老化数据集

该数据集由伦敦帝国学院（ICL）生成，包含40个来自LG Chem的NMC 811/石墨-SiOx圆柱形电池，每个电池具有5 Ah的标称容量。数据集根据不同的充电状态（SoC）窗口（或放电配置文件）分为5个实验。每个实验包含在3个不同的环境温度（10°C、25°C和40°C）下老化的电池数据。数据集中包含循环容量和参考性能测试（RPT）中的容量数据。数据集用于验证基于曲率的拐点识别方法的有效性，并分析电池老化过程中的拐点和起始点。

This dataset was generated by Imperial College London (ICL). It comprises 40 cylindrical batteries of LG Chem NMC 811/graphite-SiOx chemistry, each with a nominal capacity of 5 Ah. The dataset is divided into 5 experiments based on distinct state of charge (SoC) windows (or discharge profiles). Each experiment contains data from batteries aged at three different ambient temperatures: 10°C, 25°C, and 40°C. The dataset includes both cycle capacity data and capacity data obtained from Reference Performance Tests (RPTs). This dataset is used to validate the effectiveness of curvature-based inflection point identification methods, and to analyze inflection points and onset points during battery aging processes.

搜集汇总

数据集介绍

构建方式

ICL电池老化数据集由伦敦帝国理工学院构建，包含40个LG Chem生产的NMC 811/石墨-SiOx圆柱形电池（型号GBM50T2170，标称容量5 Ah）。数据集根据不同的充电状态（SoC）窗口或放电曲线分为5个实验，每个实验包含在3种不同环境温度（10°C、25°C和40°C）下老化的电池数据。实验4中的8个电池采用统一的0.3C CC-CV充电步骤充电，并使用全球统一轻型车测试规程（WLTP）驾驶曲线从100% SoC放电至0% SoC。数据集提供了循环容量（0.3C充电，10°C）和参考性能测试（RPTs）中的容量（C/10放电，25°C）测量数据。

特点

ICL电池老化数据集的特点在于其多样化的实验条件和全面的数据覆盖。数据集不仅涵盖了不同SoC窗口和温度条件下的电池老化数据，还特别关注了在现实驾驶曲线下的电池性能退化。实验4中的两个电池在容量衰减曲线上出现了“膝盖”现象，这可能是由于负极锂镀层在低温（10°C）循环条件下导致的。此外，数据集还提供了电池内部降解模式（如锂库存损失LLI、负极活性材料损失LAM NE和正极活性材料损失LAM PE）的估计数据，为研究电池降解机制提供了丰富的信息。

使用方法

ICL电池老化数据集的使用方法主要包括数据预处理、膝盖点识别和降解模式分析。首先，需要对循环容量数据进行归一化和平滑处理，使用Savitzky-Golay滤波器消除噪声。随后，通过计算离散容量衰减曲率，结合时间序列分割算法（如FLUSS算法）识别膝盖点和膝盖起始点，将电池降解过程分为三个离散阶段。最后，利用功率谱密度估计方法（如Welch方法）对近似容量衰减曲率进行频谱分析，探究其与电极材料相变点的相关性。数据集适用于电池寿命预测、降解诊断和先进控制策略的开发。

背景与挑战

背景概述

ICL电池老化数据集由英国帝国理工学院（Imperial College London）于2024年创建，主要研究人员包括Huang Zhang和Torsten Wik等。该数据集聚焦于锂离子电池在真实驾驶工况下的老化行为研究，包含40个NMC 811/石墨-SiOx圆柱形电池在不同荷电状态窗口和环境温度下的循环测试数据。其核心科学价值在于通过容量衰减曲率分析，揭示了电池退化过程中的膝点现象与电极材料相变的关联性，为电池管理系统（BMS）的退化诊断算法开发提供了关键实验依据，对电动汽车和电网储能系统的寿命预测技术发展具有重要推动作用。

当前挑战

该数据集需解决两大核心挑战：在领域层面，锂离子电池容量衰减曲线的膝点识别存在非线性动态特征提取困难、多退化模式耦合干扰等问题；在构建层面，实验需精准控制不同温度（10°C/25°C/40°C）和WLTP驾驶工况的协同老化条件，同时解决参考性能测试（RPT）与循环容量数据的时序对齐难题。数据集特别突出了低温循环导致的锂析出现象，这对数据采集系统的电压/温度同步监测精度提出了极高要求。

常用场景

经典使用场景

ICL电池老化数据集在锂离子电池退化诊断研究中具有重要应用价值。该数据集通过模拟真实驾驶工况下的电池老化过程，记录了NMC 811/石墨-SiOx圆柱电池在不同荷电状态窗口和环境温度下的循环容量数据。研究人员可利用该数据集验证基于曲率的容量拐点识别方法，分析电池退化过程中的关键特征点，为电池管理系统中的退化诊断功能开发提供可靠数据支持。数据集中的WLTP驾驶工况数据尤其适用于电动汽车电池老化行为研究。

实际应用

在实际工程领域，该数据集支持电动汽车和电网储能系统的电池健康管理应用。基于数据集的曲率分析方法已成功应用于不同化学体系电池的拐点识别，包括LFP/石墨和NMC 811/石墨电池。该方法通过早期预测电池容量拐点，可优化电池充电策略，延长电池使用寿命。数据集提供的温度梯度老化数据尤其适用于寒带地区电动汽车电池管理算法的开发，为电池二次寿命评估提供了重要参考依据。

衍生相关工作

该数据集催生了多项电池健康诊断领域的创新研究。基于数据集验证的曲率分析方法衍生出容量拐点早期预测算法，相关成果发表于《Journal of Power Sources》。数据集还被用于电极材料相变点偏移研究，通过增量容量分析揭示了相变点与容量衰减曲率波动的强相关性。Kirkaldy等人利用该数据集开展的商业21700电池循环老化研究，为电池退化机理分析建立了新的基准。这些工作共同推动了数据驱动型电池健康管理技术的发展。