电池循环数据处理简单步骤（电压曲线，IC（容量增量）曲线，容量退化曲线）MIT数据举例

'''2024.3.28更新，这些是已经可以跑通的代码，大家自行取用

CALCE放电过程：CALCE电池数据CS2_35放电过程的IC曲线处理代码--对于异常值处理方式是直接舍弃

CALCE充电过程：CALCE电池数据CS2_35充电过程的IC曲线处理代码--对于异常值处理方式是使用前一个循环的数据进行替代

MIT放电过程：

MIT电池IC数据提取--替代补充版本

NASA充电过程：

NASA电池充电过程IC曲线与放电容量提取

Oxford充电过程：

Oxford充电过程IC曲线和放电容量曲线数据处理

这些对某一块电池进行的数据处理，不同电池不同处理方式，还需要自己理解后根据实际情况处理

'''

#数据集介绍

MIT数据集是当今世界上最大的开源数据集，包含124块快充策略工况的电池（其中一块电池老化很快，一般使用123块电池数据）感兴趣的可以了解出版物《Data-driven prediction of battery cycle life before capacity degradation》，数据地址：Experimental Data Platform (matr.io)

最近在做新的方向，重新处理了一下MIT数据集，才发现作者提供的代码自带转mat为pkl的python代码，mat数据中已经有作者简单计算的dQdV,想来当时要是早看到这个就不用自己去积分电流计算了，不过异常值处理思路还是一样的，也算积累经验了。废话不多说，开始正题。

#容量退化曲线

作者开源了部分加载数据的代码，可以简单了解数据情况，直观了解到异常值较为普遍，不过这种算较为简单的情况，数据的退化曲线较为平滑，能省去不少滤波的步骤。

​

图1

这里我先拿一块异常的电池做举例（b1c0）其退化情况如图2，阶跃异常和中途的数据波动噪声异常

​

图2

首先处理阶跃异常，设定阈值，通过diff判断，超过阈值的情况进行差值补充，一般是线性，但为了方便我直接使用前后的数据直接补充，处理结果展示如图3

#bats为数据结构，包含了所有电池的数据，bat_names为电池名称列表
name=bat_names[0]
threshold=0.05#突跃阈值
#去除突跃值
cycle_ind=bats[name]['summary']['cycle'].copy()
QD=bats[name]['summary']['QD'].copy()
QD_nor=QD.copy()
QD_nor[0]=QD_nor[1]#初始循环大部分cell存在突跃值，直接用后一个值代替
QD_diff=np.diff(QD_nor)
outliers = np.where(QD_diff > threshold)[0]

#使用前后循环补充，最好的方式是线性插值补充，但为了方便处理，我就直接这样了
while len(outliers) > 0:
    QD_nor[outliers+1]=QD_nor[outliers]
    QD_diff=np.diff(QD_nor)
    outliers = np.where(QD_diff > threshold)[0]
plt.plot(cycle_ind, QD,color='blue')
plt.plot(cycle_ind, QD_nor,color='red')

图3

随后使用savgol_filter滤波器滤掉噪声干扰，结果如图4，可以看到处理后的曲线平滑且无异常值

#滤波去除干扰，根据实际情况调整参数
window_size =155  # 窗口大小(处理原始数据）
poly_order = 3  # 多项式阶数
QD_S=list(savgol_filter(QD_nor, window_size, poly_order))
plt.plot(cycle_ind, QD_nor,color='red')
plt.plot(cycle_ind, QD_S,color='green')

图4

#IC曲线处理

先简单看一下IC曲线的原始情况如图5，噪声和阶跃同时存在，甚至还有一个循环特别异常（曲线绘制调整cycle范围后，判断在100cycle内）

图5

端口的异常很好处理，根据IC曲线的特性直接将端口附近十个值替代为平坦部分的大概均值就行，而大阶跃使用之前处理容量退化曲线的方法，一直使用前一个值补充，直到没有异常阶跃。小的噪声波动就使用滤波了，这里我常使用分段滤波，平坦部分我希望尽可能平滑，所以使用大窗口滤波，而峰区域小窗口或者不滤波尽可能保留特征。处理结果如图6

#IC曲线处理
i=100     #i!=0,因为第一行数据存在问题
dQdV=bats[name]['cycles'][str(i)]['dQdV'].copy()
dQdV_nor=np.array(dQdV.copy())
#dQdV数据的2.0V端存在突跃情况
dQdV_nor[-10:]=-0.05#曲线的平坦大部分值为-0.1
dQdV_nor[:10]=-0.05
#部分曲线存在突跃值，需要去除
threshold=-0.5
V_ind=np.array(bats[name]['Vdlin'].copy())
outliers = np.where(((V_ind < 2.70) | (V_ind > 3.30))&(dQdV_nor < threshold))[0]
while len(outliers) > 0:
    # 使用前一个值替换这些索引的值
    dQdV_nor[outliers] = dQdV_nor[outliers - 1]
    outliers = np.where(((V_ind < 2.70) | (V_ind > 3.30))&(dQdV_nor < threshold))[0]# & dQdV_nor < threshold)[0]

#对平坦区域大窗口滤波
window=125
poly_order=2
forward=np.where(V_ind<2.70)[0]
backward=np.where(V_ind>3.25)[0]
dQdV_S=dQdV_nor.copy()
dQdV_S[forward]=list(savgol_filter(dQdV_S[forward], window, poly_order))
dQdV_S[backward]=list(savgol_filter(dQdV_S[backward], window, poly_order))
#峰值区域小滤波
window=5
poly_order=3
#peak=np.where((V_ind>2.69)&(V_ind<3.31))[0]
#dQdV_S[peak]=list(savgol_filter(dQdV_S[peak], window, poly_order))
#dQdV_S=list (savgol_filter(dQdV_S, window, poly_order))
plt.plot(V_ind,dQdV,color='red')
plt.plot(V_ind,dQdV_S,color='green')

图6

我们之前看到有一个cycle存在很异常的值，图5的蓝色曲线，可以明显看到IC的峰值与其他的cycle不在同一个范围，我们采用剔除策略，然后看一下前100个cycle的情况如图7，明显没有异常值了

for i in range (1,100):
    dQdV=bats[name]['cycles'][str(i)]['dQdV'].copy()
    
    dQdV_nor=np.array(dQdV.copy())
    #dQdV数据的2.0V端存在突跃情况
    dQdV_nor[-10:]=-0.05#曲线的平坦大部分值为-0.1
    dQdV_nor[:10]=-0.05
    #部分曲线存在突跃值，需要去除
    threshold=-0.5
    V_ind=np.array(bats[name]['Vdlin'].copy())
    outliers = np.where(((V_ind < 2.70) | (V_ind > 3.30))&(dQdV_nor < threshold))[0]
    while len(outliers) > 0:
        # 使用前一个值替换这些索引的值
        dQdV_nor[outliers] = dQdV_nor[outliers - 1]
        outliers = np.where(((V_ind < 2.70) | (V_ind > 3.20))&(dQdV_nor < threshold))[0]# & dQdV_nor < threshold)[0]
    if (min(dQdV_nor)>-6):
            continue
    #对平坦区域大窗口滤波
    window=135
    poly_order=3
    forward=np.where(V_ind<2.70)[0]
    backward=np.where(V_ind>3.25)[0]
    dQdV_S=dQdV_nor.copy()
    dQdV_S[forward]=list(savgol_filter(dQdV_S[forward], window, poly_order))
    dQdV_S[backward]=list(savgol_filter(dQdV_S[backward], window, poly_order))
    #峰值区域小滤波
    window=15
    poly_order=3
    #peak=np.where((V_ind>2.69)&(V_ind<3.31))[0]
    #dQdV_S[peak]=list(savgol_filter(dQdV_S[peak], window, poly_order))
    # dQdV_S=list (savgol_filter(dQdV_S, window, poly_order))
    #plt.plot(V_ind,dQdV_nor)
    plt.plot(V_ind,dQdV_S)
    #plt.plot(V_ind,dQdV)

图7

#电压曲线处理

这里我们举例处理MIT数据的放电曲线，充电曲线是类似的思想处理，简单看一下前100cycle情况如图8。

图8

首先分析曲线下方的0.0的横线，这是由于数据记录是整个cycle记录的，充放电都在同一个list中，而放电容量QD在充电阶段都是0，而电压在整个工作区间变化，我们只需要截取QD非0区段即可；黄线的很明显的阶跃，可能是研究人员整理数据时，不小心将电流数据I放到QD中了（判断依据是所有电池到达80%SOC后会进行1C速率的CCCV的充电策略，电流基本不会改变多少）；蓝色曲线的异常可能是将Qc计入QD了，即将充电容量Q_charge错误整理到QD了，知道这些异常原因，我们可以使用diff判断等方法排除异常值了，处理代码如下，最终结果如图9所示，展示200cycle看看情况。

x=0
i=0
while(x<200):
    i+=1
    Q=bats[name]['cycles'][str(i)]['Qd'].copy()
    V=bats[name]['cycles'][str(i)]['V'].copy()
    no_zero=np.where(Q>0.00001)[0][0]
    Q=Q[no_zero:]
    V=V[no_zero:]
    Q[0]=0
    if (max(Q)>1.2) or (max(abs(np.diff(Q)))>1):
        continue
    x+=1
    plt.plot(V,Q)

图9

#结束

至此，基本电池数据处理的简单流程已经展示完了，核心思想是理解异常值的产生，根据实际情况去处理，但仍需保留曲线的特征。

 欢迎批评指正，如果本文对您有帮助，顺手点赞收藏关注博主，谢谢您的阅读。

本文仅供参考，引用请标注来源，禁止copy。