锂电池容量增量（IC,Incremental Capacity）曲线处理--NASA与Oxford数据集

'''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

'''

之前处理的MIT数据集的IC曲线主要是从放电阶段的数据中提取的，这是由于其充电阶段为多阶段的快速充电策略，无法满足IC曲线导出的CCCV条件，而一些更老的数据集如NASA与Oxford电池数据集则是传统的CCCV策略，由此此篇博客我们开始从他们的充电阶段中提取出IC曲线，并讲解一些mat文件读取的注意事项。

NASA电池数据集

每个电池存储为单个的mat文件， 数据存储为充放电混存，因此需要提前将充电和放电周期分开，而每个周期内的数据有“Voltage_measured”,“Current_measured”，“Temperature_measured”，“Current_charge”，“Voltage_charge”，“Time”六个变量，数据结构读取为(B0005.cycle(1).data.Voltage_measured)，了解这种结构后方便后续我们读取操作。由于我们只提取IC曲线和放电容量，所以只需用到实际传感器采集的“Voltage_measured”,“Current_measured”和“Time”变量，而放电容量在放电片段直接有记录，无需复杂提取。

开始python部分的数据处理，使用loadmat读取mat数据，这里有个值得注意的是，当读取到“cycle”结构后，并不是如matlab中直接以矩阵结构展示，而是读取成了一个（1,1）的矩阵，我们需要进入矩阵才能索引列变量，所以有[0,0][0]的处理。

#data getin
matFilename = './dataset/B0005.mat'
Battery = scipy.io.loadmat(matFilename)
list(Battery.keys())
# 获取锂电池充电或放电时的测试数据
cycle_data=Battery['B0005']['cycle'][0,0][0]
charge=[]
for cycle in cycle_data:
    if cycle['type'] == 'charge':
                charge.append(cycle['data'])
print("充电循环次数：",len(charge))

#提取放电容量数据
capacity = []
for cycle in cycle_data:
    if cycle['type'] == 'discharge':
                capacity.append(cycle['data'][0,0]['Capacity'][0])
print("放电循环次数：",len(capacity))
plt.plot(capacity)
#与充电循环存在两个cycle差距，舍弃充电数据的第一个（电池准备操作，存在大的异常）和最后一个循环（这个循环没有放电数据）

得到的放电容量图如下,NASA的电池具有明显的容量增生情况，如果大家需要减少这种情况，可以采用核滤波或者EMD分解（这个比较常见用于处理容量增生情况）。

然后进行IC曲线的提取，这里我们设定一个最低的dV值，避免由于采样点过于密集导致dV过小，出现较大的异常值噪声，我们一般设置为0.004V，dQ使用梯形近似积分逼近实际情况，以下代码展示直接从源数据提取出的IC曲线情况。

#查看原始的IC曲线
plt.plot(figsize=(10,5))
for cyc in range (len(charge)):
    v=charge[cyc]['Voltage_measured'][0,0].T
    c=charge[cyc]['Current_measured'][0,0].T
    t=charge[cyc]['Time'][0,0].T
    v,c,t=np.squeeze(v),np.squeeze(c),np.squeeze(t)
    v,c,t=v.reshape(-1),c.reshape(-1),t.reshape(-1)
    #print(v.shape,c.shape,t.shape)
    step = 0.004  # 电压微分最小值,防止dV过小导致的噪声阶跃
    numV = len(v)  # 索引
    i = 0
    #补充一些边缘点的值，防止数值过大
    dV = [1000]
    Vind = [3.10]
    dQ = [0]
    while i < (numV - 2):
            diff = 0
            j = 0
            # 寻找符合电压微分最小值的间隔点
            while (diff < step and (i + j) < (numV - 1)):
                j += 1
                diff = abs(v[i + j] - v[i])
            # 检查是否到达下限,末尾反复波动，截止电压为3.4V
            #选择结束末尾的插值点
            if (diff < step or v[i] > 4.194):
                i += numV - 2
                continue
            else:
                dt = np.diff(t[i:i + j + 1])/3600  # 单位h小时
                ch_c1 = c[i:i + j + 1]
                dc = ch_c1[:-1] + np.diff(ch_c1) * 0.5  # 电流微分，每两个点取一个均值，单位A
                dQ.append(np.sum(dc * dt))
                dV.append(diff)
                Vind.append(v[i] * 0.5 + v[i + j] * 0.5)#取两个点的均值
                i += 1
                continue
    dV.append(dV[-1])
    Vind.append(4.20)
    dQ.append(dQ[-1])
    if (min(Vind)<3):
         continue
    dQdV = np.array(dQ) / np.array(dV)
    #去除相同V值对应的dQdV
    unique_V, unique_indices = np.unique(Vind, return_index=True)
    unique_dQdV = []
    for i in range(len(unique_V)):
        indices = np.where(Vind == unique_V[i])[0]
        mean_dQdV = np.mean(dQdV[indices])
        unique_dQdV.append(mean_dQdV)
    plt.plot(unique_V,unique_dQdV)
    #print(diff_v.shape,diff_t.shape,diff_c.shape)
    #plt.plot(range(len(dQdV)),dQdV)

可以看到IC曲线的特征较为明显的被处理出来了， 但部分循环存在异常，对于图中这种情况，只需对于V为4的点做一个限制，若dQ/dV<1,则使用前一个循环进行替代由此处理异常情况。

最终处理后的结果为，当然若觉得不够光滑，可自己选择合适的滤波窗口进行处理，尽量在特征保留和平滑中取得一个平衡

Oxford数据集

Oxford在python中读取仍有NASA读取时的问题，类似的处理方式进行操作就行，按照Oxford的数据结构进行处理即可。类似的处理后结果如图

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。