XJTU battery dataset

XJTU电池数据集包含6个批次，总计55个电池。并非所有文章都使用所有电池，因此定义了一个简写来指示文章中使用的电池，格式为Bxby。Bx表示第x批次，by表示该批次中的第y个电池，All表示所有电池。

The XJTU Battery Dataset consists of 6 batches, totaling 55 individual batteries. Not all studies utilize all the batteries included in this dataset, thus a shorthand notation is defined to specify the batteries employed in a given study, following the format `Bxby`. Here, `Bx` denotes the x-th batch, `by` denotes the y-th battery within that batch, and `All` refers to all batteries.

原始信息汇总

XJTU电池数据集文章汇编与总结

数据集概述

• 数据集名称： XJTU电池数据集
• 数据集组成： 包含6批次共55个电池。
• 电池标识： 使用Bxby格式表示，其中Bx表示第x批次，by表示该批次中的第y个电池。
  • 示例：
    • B1b1表示第1批次的第1个电池；
    • B1表示第1批次的所有电池；
    • B2b1-b4表示第2批次的第1至第4个电池。

训练和测试模式

• 类型1： 在同一电池上进行训练和测试，使用早期数据进行训练，后期数据进行测试，记为Train A and Test A，简称AA。
• 类型2： 在不同电池上进行训练和测试，记为Train A and Test B，简称AB。

SOH估计结果总结

电池	模型名称	模式	MSE	RMSE	MAE	MAPE	R<sup>2</sup>	详情	论文链接	非迁移学习	迁移学习
B1b1	HHO-LSTM-FC	AA	-	0.0078	0.0065	-	0.9422	Yang et al.	link	✅	✅
All	CNN^1	AB	0.000161	-	0.0085	0.00926	0.9187	Wang et al.	link	✅	❌
All	LSTM^1	AB	0.000117	-	0.0079	0.00861	0.9407	Wang et al.	link	✅	❌
All	GRU^1	AB	0.0000983	-	0.0071	0.00776	0.9503	Wang et al.	link	✅	❌
All	MLP^1	AB	0.000139	-	0.0078	0.00844	0.9331	Wang et al.	link	✅	❌
All	Attention^1	AB	0.000135	-	0.0087	0.00950	0.9317	Wang et al.	link	✅	❌

SOH估计详细结果

Yang et al. (2024)

• 使用的电池： B1b1
• 估计模式：
  1. 在NASA的B6和B7电池上进行预训练，然后在B1b1的前30%数据上进行微调，最后在B1b1上进行测试。
  2. 在B1b1的前70%数据上进行训练，然后在B1b1上进行测试。
• 结果：

模型	RMSE	MAE	R<sup>2</sup>	模式
HHO-LSTM-FC-TL(B6)	0.0037	0.0029	0.9941	1
HHO-LSTM-FC-TL(B7)	0.0034	0.0027	0.9952	1
HHO-LSTM-FC	0.0078	0.0065	0.9422	2

Wang et al. (2024)

• 使用的电池： All
• 模型测试： 在三种输入类型（所有充电数据、部分充电数据、特征）和三种归一化方法下，对五种深度学习模型进行基准测试。
• 结果： 图片展示了使用特征作为输入和[-1,1]归一化的五种模型的结果，所有结果放大了1000倍。其他结果可在原文中找到。

RUL预测结果总结

• 数据集中未提供具体的RUL预测结果表格。

搜集汇总

数据集介绍

构建方式

XJTU电池数据集由6个批次组成，共计55个电池。每个批次中的电池数据被详细记录，并根据其在批次中的位置进行编号，格式为`Bxby`，其中`Bx`表示第x批次，`by`表示该批次中的第y个电池。数据集的构建过程中，不仅记录了电池的基本信息，还详细记录了电池的健康状态（SOH）和剩余使用寿命（RUL）的预测结果。这些数据通过多种深度学习模型进行处理，包括LSTM、CNN、GRU等，以评估不同模型在电池健康状态估计和剩余使用寿命预测中的表现。

特点

XJTU电池数据集的特点在于其详细的分批次记录和多维度的数据分析。每个电池的数据不仅包括基本的充电和放电信息，还涵盖了电池的健康状态和剩余使用寿命的预测。此外，数据集支持两种训练和测试模式：一种是同一电池上的训练和测试（AA模式），另一种是不同电池之间的训练和测试（AB模式）。这种设计使得数据集在评估模型性能时具有高度的灵活性和广泛的应用场景。

使用方法

使用XJTU电池数据集时，研究者可以根据需要选择不同的电池批次和电池编号进行数据分析。数据集提供了详细的预处理代码库，帮助用户快速准备数据。在模型训练和测试过程中，可以选择AA或AB模式，以评估模型在不同条件下的表现。此外，数据集还提供了多种深度学习模型的基准测试结果，供研究者参考和比较。使用该数据集时，建议引用相关文献，以确保数据的正确使用和学术诚信。

背景与挑战

背景概述

XJTU电池数据集是由西安交通大学（XJTU）的研究团队创建的，主要用于锂离子电池的健康状态（SOH）和剩余使用寿命（RUL）的预测研究。该数据集包含了6个批次共55个电池的详细数据，涵盖了电池的充放电循环、电压、电流和温度等关键参数。自2024年发布以来，该数据集已成为电池健康管理领域的重要资源，特别是在深度学习和物理信息神经网络的应用中。主要研究人员包括王福金（Wang Fujin）等，他们的研究成果在《Nature Communications》等顶级期刊上发表，显著推动了电池健康预测技术的发展。

当前挑战

XJTU电池数据集在构建和应用过程中面临多项挑战。首先，电池数据的多样性和复杂性使得数据预处理和特征提取变得尤为困难。其次，不同批次和电池之间的性能差异要求模型具有高度的泛化能力，以确保在不同条件下的一致性预测。此外，数据集的规模相对较小，限制了深度学习模型的训练效果，尤其是在需要大量数据支持的复杂模型中。最后，电池健康状态的实时监测和预测需要高效的算法和计算资源，以满足实际应用中的实时性要求。

常用场景

经典使用场景

在电池健康状态（SOH）和剩余使用寿命（RUL）预测领域，XJTU电池数据集被广泛应用于开发和验证各种机器学习模型。经典的使用场景包括利用深度学习技术，如长短期记忆网络（LSTM）、卷积神经网络（CNN）和门控循环单元（GRU），对电池的SOH进行精确估计。此外，数据集还支持跨电池的训练和测试模式（AB模式），以评估模型在不同电池间的泛化能力。

实际应用

在实际应用中，XJTU电池数据集为电池管理系统（BMS）的开发和优化提供了宝贵的数据资源。通过利用该数据集训练的模型，可以实现对电池健康状态的实时监测和预测，从而提高电池的使用效率和安全性。此外，该数据集还支持电池的故障诊断和维护策略优化，为电动汽车、储能系统等领域的电池管理提供了技术支持。

衍生相关工作

基于XJTU电池数据集，已衍生出多项经典工作。例如，Wang等人（2024）利用该数据集开发了基于物理约束的神经网络模型，实现了对锂离子电池降解的稳定建模和预测。此外，Yang等人（2024）通过迁移学习技术，提高了电池健康状态估计的准确性。这些工作不仅丰富了电池管理领域的研究内容，还为相关技术的实际应用奠定了基础。