精品数据分享 | 锂电池数据集（八）CALCE电池数据集-圆柱形电池

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

精品数据分享 | 锂电池数据集（五）麻省理工-斯坦福-丰田研究中心电池数据集

精品数据分享 | 锂电池数据集（六）基于深度迁移学习的锂离子电池实时个性化健康状态预测

精品数据分享 | 锂电池数据集（七）同济大学电池数据集

本期继续分享CALCE电池数据集，数据集主页：

https://calce.umd.edu/battery-data

1前言

CALCE电池团队愿意与世界各地的研究小组和公司合作。我们提供对锂离子电池实验测试数据的开放访问，其中包括连续的全循环和部分循环、存储、动态驾驶曲线、开路电压测量和阻抗测量。电池形状因素包括圆柱形、袋形和棱柱形，化学成分包括LCO、LFP和NMC。这些测试的数据可用于电池状态估计、剩余使用寿命预测、加速电池退化建模和可靠性分析。下面介绍了每个电池和每个测试的描述。出于出版目的使用这些数据应包括对CALCE文章的引用，这些文章描述了为生成数据而进行的实验（建议引用）。如果您有任何疑问或有兴趣将您的数据贡献给电池数据集，请联系Michael Pecht教授。

2 圆柱形电池-数据集介绍

2.1 INR 18650-20R电池

（1）数据描述：

（2）数据和测试说明：

电池荷电状态（SOC）估计是电池管理系统（BMS）的一项关键功能，因为准确估计SOC对于确保电动汽车的安全性和可靠性至关重要。一种广泛使用的SOC估计技术是基于电池开路电压（OCV）的在线推断。低电流OCV和增量电流OCV测试是观察OCV-SOC关系的两种常见方法，是SOC估计技术的重要组成部分。

我们进行了一项实验，在三个不同的温度下运行这两个OCV测试，并在此基础上比较和评估两个SOC估计器的跟踪精度、收敛时间和鲁棒性。此外，还提出了四个动态测试，一个用于估计器参数识别，另外三个用于估计器性能评估。

比较结果表明，在环境温度方面，估计器2（基于增量OCV测试）具有更高的跟踪精度，并且对不同的负载条件和不同的SOC初始值比估计器1（基于低电流OCV测试的）更具鲁棒性。因此，建议使用增量OCV测试来预先确定BMS中电池SOC在线估计的OCV SOC。所执行测试的数据可在下面下载。

（3）低电流OCV：

低电流OCV测试使用小电流（例如C/20、C/25）对电池进行充电和放电，使相应的端子电压接近OCV。测试执行步骤如下：

• 以1C的恒定电流将电池充电至4.2V的截止电压

• 在恒压下充电，直到电流降至0.01C

• 现在以C/20的恒定速率放电，直到电压降至2.5V

• 以C/20的恒定速率完全充电至4.2V

• 在0°C、25°C和45°C下记录为OCV的充电和放电过程的平均电压。

数据说明（作为示例）：

样品2的温度为25°C。

• 数据主要用于以下两个步骤：“3.现在以C/20的恒定速率放电，直到电压降至2.5V；4.以C/20的恒定速率完全充电至4.2V”

• 开始时的尖峰（步骤索引1-4）是一个充电过程（休息步骤索引1，充电步骤索引2-3），以确保在从低电流放电测试中收集数据之前电池完全充电。

• 该开始部分使用1A/0.1A（0.5C/0.05C，2000mAh）CCCV（恒流恒压）充电曲线，而不是0.1A（0.05C，2000 mAh）CC。

• 步骤索引4（也称为步骤索引9）是电阻测量步骤，因此只有一个数据点有负电流。

• 此外，0A的步骤通常来自休息期。休息期是特别必要的，但根据焦点的不同，数据可能会被忽略。

• 如果只对C/20（0.1A）CC部分感兴趣，则可以删除步骤索引1-4、9（可能也是静止的）中的数据。

（4）增量电流OCV：

增量OCV测试包括许多SOC间隔和休息期，之后观察具有相应SOC的OCV。使用插值方法在SOC区间内获得了OCV曲线的额外数据点。测试执行步骤如下：

• 将电池完全充电至100%SOC

• 现在，每10%SOC使用负脉冲电流弛豫持续时间进行放电

• 按照相同的程序再次充电，但使用正脉冲电流

• 应用平均和线性插值步骤来获得OCV-SOC

• 在0°C、25°C和45°C下的曲线。

动态测试剖面图：

该测试包括不同的动态电流剖面，如动态应力测试DST、联邦城市驾驶计划FUDS、US06高速公路驾驶计划和北京动态应力试验BJDST。 所有测试均在0°C、25°C和45°C下进行，电池电量分别为80%和50%。

上述数据文件已在以下论文中引用：

[1] Influence of different open circuit voltage tests on state of charge online estimation for lithium-ion batteries.
Fangdan Zheng, Yinjiao Xing, Jiuchun Jiang, Bingxiang Sun, Jonghoon Kim, Michael Pecht, Applied Energy, 183, pp.513–525, 2016.

[2] State of Charge Estimation of Lithium-Ion Batteries Using the Open-Circuit Voltage at Various Ambient Temperatures.
Yinjiao Xing, Wei He, Michael Pecht and Kwok Leung Tsui, Applied Energy, 113, pp.106-115, 2014.

[3] State of Charge Estimation for Li-Ion Batteries Using Neural Network Modeling and Unscented Kalman Filter-based Error Cancellation.
Wei He, Nicholas Williard, Chaochao Chen, Michael Pecht , International Journal of Electrical Power & Energy Systems, 62, pp.783-791, 2014.

2.2 A123电池

（1）数据描述：

（2）数据和测试说明：

​

环境温度是影响电池SOC估计准确性的重要因素，对于电动汽车（EV）的剩余行驶里程预测和电池的最佳充电/放电控制至关重要。估计SOC的一种广泛使用的方法是开路电压（OCV）。然而，OCV-SOC取决于环境温度，这可能会导致电池SOC估计误差。为了解决这个问题，我们使用A123电池进行了一项实验，其中我们使用了两个动态测试：动态应力测试（DST）和联邦城市驾驶计划（FUDS），前者用于识别模型参数，而后者用于验证SOC估计的性能。测试如下：

• 运行两次动态充放电测试：DST和FUDS，温度范围为0°C至50°C，间隔10°C。

• 在0°C至50°C的温度范围内运行低电流OCV-SOC测试，间隔10°C。

• 使用DST测试结果创建的模型开发OCV-SOC的估计方法。

• 用FUDS测试结果验证估计方法。

备注

每个温度下的数据文件包含三个剖面的测量结果：DST、US06和FUDS。以下是一个示例：

从DST剖面、US06剖面和FUDS剖面测量了从左到右的三组数据。下载的文件名“A123_DST-US06-FUDS-20”也表明了这一点。

上述数据文件已在以下论文中引用：

[1] State of Charge Estimation of Lithium-Ion Batteries Using the Open-Circuit Voltage at Various Ambient Temperatures.
Yinjiao Xing, Wei He, Michael Pecht and Kwok Leung Tsui, Applied Energy, 113, pp.106-115, 2014.

[2] State of Charge Estimation for Li-Ion Batteries Using Neural Network Modeling and Unscented Kalman Filter-based Error Cancellation.
Wei He, Nicholas Williard, Chaochao Chen, Michael Pecht , International Journal of Electrical Power & Energy Systems, 62, pp.783-791, 2014.