CN115524615A - 基于电池制浆工艺的材料参数组合预测电池性能的方法 - Google Patents
基于电池制浆工艺的材料参数组合预测电池性能的方法 Download PDFInfo
- Publication number
- CN115524615A CN115524615A CN202211222968.XA CN202211222968A CN115524615A CN 115524615 A CN115524615 A CN 115524615A CN 202211222968 A CN202211222968 A CN 202211222968A CN 115524615 A CN115524615 A CN 115524615A
- Authority
- CN
- China
- Prior art keywords
- hyper
- parameter combination
- target
- model
- battery performance
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000000463 material Substances 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000004537 pulping Methods 0.000 title claims abstract description 45
- 238000009826 distribution Methods 0.000 claims description 51
- 238000012549 training Methods 0.000 claims description 17
- 238000010586 diagram Methods 0.000 claims description 7
- 238000012360 testing method Methods 0.000 abstract description 11
- 238000013178 mathematical model Methods 0.000 abstract description 4
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 7
- 229910002804 graphite Inorganic materials 0.000 description 7
- 239000010439 graphite Substances 0.000 description 7
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 5
- 229910052744 lithium Inorganic materials 0.000 description 5
- 239000002002 slurry Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 239000002245 particle Substances 0.000 description 4
- 239000002033 PVDF binder Substances 0.000 description 3
- 239000011149 active material Substances 0.000 description 3
- 239000006258 conductive agent Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 229920002981 polyvinylidene fluoride Polymers 0.000 description 3
- 239000011230 binding agent Substances 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000003756 stirring Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 239000013077 target material Substances 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 239000013543 active substance Substances 0.000 description 1
- 239000000853 adhesive Substances 0.000 description 1
- 230000001070 adhesive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000002270 dispersing agent Substances 0.000 description 1
- 239000007772 electrode material Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
- G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C60/00—Computational materials science, i.e. ICT specially adapted for investigating the physical or chemical properties of materials or phenomena associated with their design, synthesis, processing, characterisation or utilisation
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/05—Accumulators with non-aqueous electrolyte
- H01M10/052—Li-accumulators
- H01M10/0525—Rocking-chair batteries, i.e. batteries with lithium insertion or intercalation in both electrodes; Lithium-ion batteries
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Chemical & Material Sciences (AREA)
- Materials Engineering (AREA)
- Manufacturing & Machinery (AREA)
- General Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了基于电池制浆工艺的材料参数组合预测电池性能的方法,所述方法通过获取目标预测模型,其中,目标预测模型包括若干子模型,若干子模型分别对应不同的模型参数组合;获取电池制浆工艺对应的待预测材料参数组合,将待预测材料参数组合输入目标预测模型,得到待预测材料参数组合对应的目标电池性能等级,其中,目标电池性能等级根据各子模型分别基于待预测材料参数组合输出的电池性能等级确定。本发明采用数学模型的方法代替手动试验,可以快速预测不同材料参数组合分别对应的电池性能等级,解决了现有技术中要针对各种材料的不同投入比例分别进行试验才能够判断不同材料比列对电池性能的影响,需要耗费大量的人力、时间成本。
Description
技术领域
本发明涉及模型预测领域,尤其涉及的是一种基于电池制浆工艺的材料参数组合预测电池性能的方法。
背景技术
在改善锂离子电池性能的过程中,研究人员大多把精力放在活性物质材料研究与改性上,常常忽视了导电剂、粘结剂形貌及其与活性物质之间相互作用。电极材料虽然能够决定电池性能所能达到的上限,但是电池制浆工艺过程将决定了电池性能的下限,因此应尽可能完善电池制浆工艺过程,使其性能下限趋近于性能上限。电池制浆工艺过程中,各种材料采用不同投入比例缩所生成的电池的性能不同。现有技术中通常要针对各种材料的不同投入比例分别进行试验才能够判断不同材料比列对电池性能的影响,需要耗费大量的人力、时间成本。
因此,现有技术还有待改进和发展。
发明内容
本发明要解决的技术问题在于,针对现有技术的上述缺陷,提供一种基于电池制浆工艺的材料参数组合预测电池性能的方法,旨在解决现有技术中要针对各种材料的不同投入比例分别进行试验才能够判断不同材料比列对电池性能的影响,需要耗费大量的人力、时间成本。
本发明解决问题所采用的技术方案如下:
第一方面,本发明实施例提供一种基于电池制浆工艺的材料参数组合预测电池性能的方法,其中,所述方法包括:
获取目标预测模型,其中,所述目标预测模型包括若干子模型,若干所述子模型分别对应不同的模型参数组合;
获取电池制浆工艺对应的待预测材料参数组合,将所述待预测材料参数组合输入所述目标预测模型,得到所述待预测材料参数组合对应的目标电池性能等级,其中,所述目标电池性能等级根据各所述子模型分别基于所述待预测材料参数组合输出的电池性能等级确定。
在一种实施方式中,所述目标预测模型预先经过训练,训练过程包括:
获取所述电池制浆工艺对应的若干材料参数组合和若干所述材料参数组合分别对应的实际电池性能等级;
将一个所述材料参数组合输入所述目标预测模型,得到所述目标预测模型输出的第一预测电池性能等级和各所述子模型分别输出的第二预测电池性能等级,其中,所述第一预测电池性能等级基于各所述第二预测电池性能等级确定;
根据所述第一预测电池性能等级、各所述第二预测电池性能等级以及该材料参数组合对应的所述实际电池性能等级,确定各所述子模型分别对应的损失值;
分别判断各所述子模型分别对应的所述损失值是否收敛至目标值;
若否,根据未收敛至所述目标值的所述子模型的所述损失值,对该子模型的初始模型参数组合进行修正,继续执行将一个所述材料参数组合输入所述目标预测模型,直至各所述子模型分别对应的所述损失值均收敛至所述目标值,得到已训练的所述目标预测模型。
在一种实施方式中,所述根据所述第一预测电池性能等级、各所述第二预测电池性能等级以及该材料参数组合对应的所述实际电池性能等级,确定各所述子模型分别对应的损失值,包括:
根据所述第一预测电池性能等级与该材料参数组合对应的所述实际电池性能等级之间的偏差,确定各所述第二预测电池性能分别对应的第一损失值;
根据各所述子模型分别对应的所述第二预测电池性能等级与所述第一预测电池性能等级之间的偏差,确定各所述子模型分别对应的第二损失值;
根据各所述子模型分别对应的所述第一损失值和所述第二损失值,确定各所述子模型分别对应的所述损失值。
在一种实施方式中,所述目标预测模型在训练之前还包括确定各所述子模型分别对应的目标超参数组合,各所述子模型分别对应的所述目标超参数组合的确定方法,包括:
获取若干超参数组合,其中,每一所述超参数组合包括不同类别的若干超参数;
根据各所述超参数组合,确定若干超参数组合分布图,其中,若干所述超参数组合分布图与若干所述超参数一一对应,每一所述超参数组合分布图中各所述超参数组合分别对应的目标超参数的数值相同,且各所述超参数组合基于所述目标超参数的数值大小规律分布,所述目标超参数为该超参数组合对应的所述超参数;
确定各所述超参数组合分布图分别对应的候选超参数组合,其中,每一所述超参数组合分布图中与所述候选超参数组合相邻的各所述超参数组合的模型性能等级均小于该候选超参数组合的模型性能等级;
根据各所述候选超参数组合,确定各所述子模型分别对应的所述目标超参数组合。
在一种实施方式中,所述确定各所述超参数组合分布图分别对应的候选超参数组合,包括:
根据每一所述超参数组合分布图中的一个所述超参数组合确定目标点;
判断与该目标点相邻的各点分别对应的模型性能等级是否大于该目标点对应的模型性能等级;
若与该目标点相邻的各点中任意一点对应的模型性能等级大于该目标点对应的模型性能等级,根据与该目标点相邻的各点中模型性能等级最高的点确定下一目标点;
继续执行判断与该目标点相邻的各点分别对应的模型性能等级是否大于该目标点对应的模型性能等级的步骤,直至该目标点相邻的各点分别对应的模型性能等级均小于该目标点对应的模型性能等级,将该目标点对应的所述超参数组合作为该超参数组合分布图对应的所述候选超参数组合。
在一种实施方式中,所述根据各所述候选超参数组合,确定各所述子模型分别对应的所述目标超参数组合,包括:
根据各所述候选超参数组合分别对应的模型性能等级,从若干所述超参数组合分布图中确定目标超参数组合分布图,其中,所述目标超参数组合分布图对应的所述候选超参数组合的模型性能等级最高;
对所述目标超参数组合分布图进行遍历,得到模型性能等级最高的前若干所述超参数组合,其中,前若干所述超参数组合的数量基于所述子模型的数量确定;
根据前若干所述超参数组合,一一对应地确定各所述子模型分别对应的所述目标超参数组合。
在一种实施方式中,所述目标电池性能等级根据各所述子模型分别对应的所述电池性能等级的平均值或者加权平均值确定。
第二方面,本发明实施例还提供一种基于电池制浆工艺的材料参数组合预测电池性能的装置,其中,所述装置包括:
获取模块,用于获取目标预测模型,其中,所述目标预测模型包括若干子模型,若干所述子模型分别对应不同的模型参数组合;
预测模块,用于获取电池制浆工艺对应的待预测材料参数组合,将所述待预测材料参数组合输入所述目标预测模型,得到所述待预测材料参数组合对应的目标电池性能等级,其中,所述目标电池性能等级根据各所述子模型分别基于所述待预测材料参数组合输出的电池性能等级确定。
第三方面,本发明实施例还提供一种终端,其中,所述终端包括有存储器和一个或者一个以上处理器;所述存储器存储有一个或者一个以上的程序;所述程序包含用于执行如上述任一所述的基于电池制浆工艺的材料参数组合预测电池性能的方法的指令;所述处理器用于执行所述程序。
第四方面,本发明实施例还提供一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述任一所述的基于电池制浆工艺的材料参数组合预测电池性能的方法的步骤。
本发明的有益效果:本发明实施例通过数学模型的方法代替手动试验,可以快速预测不同材料参数组合分别对应的电池性能等级,解决了现有技术中要针对各种材料的不同投入比例分别进行试验才能够判断不同材料比列对电池性能的影响,需要耗费大量的人力、时间成本。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明中记载的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的基于电池制浆工艺的材料参数组合预测电池性能的方法的流程示意图。
图2是本发明实施例提供的基于电池制浆工艺的材料参数组合预测电池性能的装置的内部模块图。
图3是本发明实施例提供的终端的原理框图。
具体实施方式
本发明公开了基于电池制浆工艺的材料参数组合预测电池性能的方法,为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
针对现有技术的上述缺陷,本发明提供一种基于电池制浆工艺的材料参数组合预测电池性能的方法,所述方法通过获取目标预测模型,其中,所述目标预测模型包括若干子模型,若干所述子模型分别对应不同的模型参数组合;获取电池制浆工艺对应的待预测材料参数组合,将所述待预测材料参数组合输入所述目标预测模型,得到所述待预测材料参数组合对应的目标电池性能等级,其中,所述目标电池性能等级根据各所述子模型分别基于所述待预测材料参数组合输出的电池性能等级确定。本发明采用数学模型的方法代替手动试验,可以快速预测不同材料参数组合分别对应的电池性能等级,解决了现有技术中要针对各种材料的不同投入比例分别进行试验才能够判断不同材料比列对电池性能的影响,需要耗费大量的人力、时间成本。
如图1所示,所述方法包括如下步骤:
步骤S100、获取目标预测模型,其中,所述目标预测模型包括若干子模型,若干所述子模型分别对应不同的模型参数组合。
具体地,为了快速确定电池制浆工艺中不同材料参数组合分别对应的电池性能,本实施例预先构建了目标预测模型,该目标预测模型中包括多个子模型,各子模型的模型参数组合互不相同,一起完成目标预测模型的预测任务,从而避免单一模型的输出数据可靠性低的问题。
在一种实现方式中,所述目标预测模型预先经过训练,训练过程包括:
步骤S10、获取所述电池制浆工艺对应的若干材料参数组合和若干所述材料参数组合分别对应的实际电池性能等级;
步骤S11、将一个所述材料参数组合输入所述目标预测模型,得到所述目标预测模型输出的第一预测电池性能等级和各所述子模型分别输出的第二预测电池性能等级,其中,所述第一预测电池性能等级基于各所述第二预测电池性能等级确定;
步骤S12、根据所述第一预测电池性能等级、各所述第二预测电池性能等级以及该材料参数组合对应的所述实际电池性能等级,确定各所述子模型分别对应的损失值;
步骤S13、分别判断各所述子模型分别对应的所述损失值是否收敛至目标值;
步骤S14、若否,根据未收敛至所述目标值的所述子模型的所述损失值,对该子模型的初始模型参数组合进行修正,继续执行将一个所述材料参数组合输入所述目标预测模型,直至各所述子模型分别对应的所述损失值均收敛至所述目标值,得到已训练的所述目标预测模型。
具体地,为了获得精确的预测结果,本实施例预先采用大量已知实际电池性能的材料参数组合对目标预测模型进行迭代训练,其中,每一材料参数组合包括但不限于钴酸锂颗粒的比面积,石墨颗粒的比面积,钴酸锂与石墨的质量比,石墨与PVDF质量比,浆料固态含量,搅拌时间,速率。由于每轮训练的过程相似,因此本实施例以一轮训练为例说明模型训练过程。针对每一轮训练,将该轮训练的材料参数组合输入目标预测模型中,各子模型分别根据该材料参数组合预测一个电池性能等级,即得到各子模型分别对应的第二电池性能等级,根据各第二电池性能等级综合确定一个电池性能等级,即得到目标预测模型输出的第一电池性能等级。通过比对第一电池性能等级、各第二电池性能等级与该轮训练对应的实际电池性能等级,可以判断各子模型的输出与真实值之间的差距,即得到各子模型的损失值。针对每一子模型,若该子模型的损失值未大于目标值,表示该子模型的精度未满足训练要求,则以该子模型的损失值为导向对该子模型进行模型参数修正。当所有子模型的损失值均收敛至目标值,表示目标预测模型的精度已满足训练要求,则停止训练。
在一种实现方式中,所述步骤S12具体包括如下步骤:
步骤S121、根据所述第一预测电池性能等级与该材料参数组合对应的所述实际电池性能等级之间的偏差,确定各所述第二预测电池性能分别对应的第一损失值;
步骤S122、根据各所述子模型分别对应的所述第二预测电池性能等级与所述第一预测电池性能等级之间的偏差,确定各所述子模型分别对应的第二损失值;
步骤S123、根据各所述子模型分别对应的所述第一损失值和所述第二损失值,确定各所述子模型分别对应的所述损失值。
具体地,本实施例的训练目标主要有两个,首先是要收敛目标预测模型的输出和真实值之间的差距。其次,由于目标预测模型的输出是基于各子模型的输出综合确定的,因此还需要收敛各子模型的输出之间的差距。因此针对每一子模型,通过计算目标预测模型输出的第一预测电池性能等级与实际电池性能等级之间的差距,以及该子模型输出的第二预测电池性能与第一预测电池性能之间的差距,综合确定该子模型的损失值。
在一种实现方式中,所述目标预测模型在训练之前还包括确定各所述子模型分别对应的目标超参数组合,各所述子模型分别对应的所述目标超参数组合的确定方法,包括:
步骤S20、获取若干超参数组合,其中,每一所述超参数组合包括若干超参数;
步骤S21、根据各所述超参数组合,确定若干超参数组合分布图,其中,若干所述超参数组合分布图与若干所述超参数一一对应,每一所述超参数组合分布图中各所述超参数组合分别对应的目标超参数的数值相同,且各所述超参数组合基于所述目标超参数的数值大小规律分布,所述目标超参数为该超参数组合对应的所述超参数;
步骤S23、确定各所述超参数组合分布图分别对应的候选超参数组合,其中,每一所述超参数组合分布图中与所述候选超参数组合相邻的各所述超参数组合的模型性能等级均小于该候选超参数组合的模型性能等级;
步骤S24、根据各所述候选超参数组合,确定各所述子模型分别对应的所述目标超参数组合。
在训练模型之前需要先确定各子模型最优的超参数组合,即目标超参数组合。具体地,首先根据子模型中各类超参数可能的取值组合出大量的超参数组合。然后对这些超参数组合进行分类,得到多个超参数组合的集合,每一集合中各超参数组合的指定类别的超参数的数值相同,即目标超参数的数值相同,不同集合分别对应的目标超参数的类别不同。需要说明的是,各集合中包含的超参数组合可以重叠也可以不重叠。针对每一集合,根据该集合中的各超参数组合生成一个超参数组合分布图,该超参数组合分布图中每一点代表一个超参数组合,且各点的分布规律符合目标超参数的数值递增或者递减规律。针对每一超参数组合分布图,在该超参数组合分布图中搜索出满足特定条件的点,即该点四周各个点所对应的模型性能等级均小于其本身,通过该点即得到该超参数组合分布图对应的候选超参数组合。各候选超参数组合分别代表其对应的超参数组合分布图中模型性能等级较高的组合,因此从各候选超参数组合中确定各子模型的目标超参数组合,以提升各子模型的模型效果。例如,可以根据子模型的数量,从各候选超参数组合中选择模型性能等级排前若干位的超参数组合,以得到各子模型的目标超参数组合。
举例说明,假设子模型中包含有超参数a、b、c,则根据超参数a、b、c分别可能的取值组合成多个超参数组合,并根据各超参数组合生成超参数组合分布A、B、C。其中,超参数组合分布A中的各超参数组合的超参数a的取值相同,超参数组合分布B中的各超参数组合的超参数b的取值相同,超参数组合分布C中的各超参数组合的超参数c的取值相同。
在一种实现方式中,所述步骤S23具体包括如下步骤:
步骤S231、根据每一所述超参数组合分布图中任意一个所述超参数组合作为目标点;
步骤S232、判断与该目标点相邻的各点分别对应的模型性能等级是否大于该目标点对应的模型性能等级;
步骤S233、若与该目标点相邻的各点中任意一点对应的模型性能等级大于该目标点对应的模型性能等级,根据与该目标点相邻的各点中模型性能等级最高的点确定下一目标点;
步骤S234、继续执行判断与该目标点相邻的各点分别对应的模型性能等级是否大于该目标点对应的模型性能等级的步骤,直至该目标点相邻的各点分别对应的模型性能等级均小于该目标点对应的模型性能等级,将该目标点对应的所述超参数组合作为该超参数组合分布图对应的所述候选超参数组合。
具体地,针对每一超参数组合分布图,将该超参数组合分布图中任意一个超参数组合对应的点作为目标点,然后判断该目标点相邻各点的模型性能等级与该目标点的模型性能等级的大小关系,若该目标点的模型性能等级并非是最大的,则将相邻各点中模型性能等级最高的点作为下一个目标点,并继续判断该目标点相邻各点的模型性能等级与该目标点的模型性能等级的大小关系,直至搜索到一个目标点能满足该目标点相邻的各点的模型性能等级均小于该目标点的模型性能等级,则停止搜索,将最终搜索到的目标点代表的超参数组合作为候选超参数组合。需要说明的是,本实施例的搜索方式并非采用的是遍历的方式,因此选取出的候选超参数组合可能并非是该超参数组合分布图中的最优组合,但是本实施例的搜索方式可以大大缩短搜索时间,且能搜索出较优组合。
在一种实现方式中,所述步骤S24具体包括如下步骤:
步骤S241、根据各所述候选超参数组合分别对应的模型性能等级,从若干所述超参数组合分布图中确定目标超参数组合分布图,其中,所述目标超参数组合分布图对应的所述候选超参数组合的模型性能等级最高;
步骤S242、对所述目标超参数组合分布图进行遍历,得到模型性能等级最高的前若干所述超参数组合,其中,前若干所述超参数组合的数量基于所述子模型的数量确定;
步骤S243、根据前若干所述超参数组合,一一对应地确定各所述子模型分别对应的所述目标超参数组合。
具体地,获取到各候选超参数组合以后,本实施例从中筛选出模型性能等级最高的超参数组合,并重新对该超参数组合对应的超参数组合分布图采用遍历的方式搜索,并根据子模型的数量选出模型性能等级最高的前若干个所述超参数组合,根据选出的超参数组合一一对应地确定各子模型的目标超参数组合。由于对各超参数组合分布图都采用遍历的方式搜索耗时太长,因此本实施例根据各候选超参数组合的模型性能等级大小选择一个目标超参数组合分布图,仅对该图采用遍历的方式搜索,在缩短整体搜索时间的同时,尽可能地为各子模型搜索到较优的超参数组合。
如图1所示,所述方法还包括如下步骤:
步骤S200、获取电池制浆工艺对应的待预测材料参数组合,将所述待预测材料参数组合输入所述目标预测模型,得到所述待预测材料参数组合对应的目标电池性能等级,其中,所述目标电池性能等级根据各所述子模型分别基于所述待预测材料参数组合输出的电池性能等级确定。
具体地,由于目标预测模型预先经过训练,已经学习了不同输入数据的特征与输出数据之间的对应关系,因此将待预测材料参数组合输入目标预测模型,各子模型即可根据输入的待预测材料参数组合分别输出一个电池性能等级,最后根据各子模型输出的电池性能等级确定目标预测模型输出的目标电池性能等级。以此避免单一模型对应预测结果的可靠性的影响。
在一种实现方式中,所述目标电池性能等级根据各所述子模型分别对应的所述电池性能等级的平均值或者加权平均值确定。
具体地,为了避免单一模型对应预测结果的可靠性的影响,本实施例采用各子模型的输出的平均值或者加权平均值来确定目标预测模型的输出,从而保障了目标预测模型的预测结果的可靠性。
在一种实现方式中,由于电池制浆工艺中通常以钴酸锂作为活性物质,以石墨作为导电剂,NMP作为溶剂,PVDF作为黏结剂和分散剂,因此待预测材料参数组合/各材料参数组合包括钴酸锂颗粒的比面积,石墨颗粒的比面积,钴酸锂与石墨的质量比,石墨与PVDF质量比,浆料固态含量,搅拌时间和速率等参数中的一种或者多种。每一所述材料参数组合对应的所述实际电池性能等级,通过该材料参数组合将活性物质和导电剂干燥混合,并添加黏结剂和溶剂。然后测试获得浆料黏度,其制成品极片的压缩性能,以及半电池的充放电循环性能,根据浆料黏度、压缩性能以及半电池的充放电循环性能综合确定该材料参数组合对应的实际电池性能等级。
在一种实现方式中,所述待预测材料参数组合包括多个,将多个所述待预测材料参数中所述电池性能等级最高的作为目标材料参数组合,根据所述目标材料参数组合确定电池制浆工艺中的操作参数。
基于上述实施例,本发明还提供了一种基于电池制浆工艺的材料参数组合预测电池性能的装置,如图2所示,所述装置包括:
获取模块01,用于获取目标预测模型,其中,所述目标预测模型包括若干子模型,若干所述子模型分别对应不同的模型参数组合;
预测模块02,用于获取电池制浆工艺对应的待预测材料参数组合,将所述待预测材料参数组合输入所述目标预测模型,得到所述待预测材料参数组合对应的目标电池性能等级,其中,所述目标电池性能等级根据各所述子模型分别基于所述待预测材料参数组合输出的电池性能等级确定。
基于上述实施例,本发明还提供了一种终端,其原理框图可以如图3所示。该终端包括通过***总线连接的处理器、存储器、网络接口、显示屏。其中,该终端的处理器用于提供计算和控制能力。该终端的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作***和计算机程序。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该终端的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现基于电池制浆工艺的材料参数组合预测电池性能的方法。该终端的显示屏可以是液晶显示屏或者电子墨水显示屏。
本领域技术人员可以理解,图3中示出的原理框图,仅仅是与本发明方案相关的部分结构的框图,并不构成对本发明方案所应用于其上的终端的限定,具体的终端可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一种实现方式中,所述终端的存储器中存储有一个或者一个以上的程序,且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于进行基于电池制浆工艺的材料参数组合预测电池性能的方法的指令。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
综上所述,本发明公开了基于电池制浆工艺的材料参数组合预测电池性能的方法,所述方法通过获取目标预测模型,其中,所述目标预测模型包括若干子模型,若干所述子模型分别对应不同的模型参数组合;获取电池制浆工艺对应的待预测材料参数组合,将所述待预测材料参数组合输入所述目标预测模型,得到所述待预测材料参数组合对应的目标电池性能等级,其中,所述目标电池性能等级根据各所述子模型分别基于所述待预测材料参数组合输出的电池性能等级确定。本发明采用数学模型的方法代替手动试验,可以快速预测不同材料参数组合分别对应的电池性能等级,解决了现有技术中要针对各种材料的不同投入比例分别进行试验才能够判断不同材料比列对电池性能的影响,需要耗费大量的人力、时间成本。
应当理解的是,本发明的应用不限于上述的举例,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (10)
1.一种基于电池制浆工艺的材料参数组合预测电池性能的方法,其特征在于,所述方法包括:
获取目标预测模型,其中,所述目标预测模型包括若干子模型,若干所述子模型分别对应不同的模型参数组合;
获取电池制浆工艺对应的待预测材料参数组合,将所述待预测材料参数组合输入所述目标预测模型,得到所述待预测材料参数组合对应的目标电池性能等级,其中,所述目标电池性能等级根据各所述子模型分别基于所述待预测材料参数组合输出的电池性能等级确定。
2.根据权利要求1所述的基于电池制浆工艺的材料参数组合预测电池性能的方法,其特征在于,所述目标预测模型预先经过训练,训练过程包括:
获取所述电池制浆工艺对应的若干材料参数组合和若干所述材料参数组合分别对应的实际电池性能等级;
将一个所述材料参数组合输入所述目标预测模型,得到所述目标预测模型输出的第一预测电池性能等级和各所述子模型分别输出的第二预测电池性能等级,其中,所述第一预测电池性能等级基于各所述第二预测电池性能等级确定;
根据所述第一预测电池性能等级、各所述第二预测电池性能等级以及该材料参数组合对应的所述实际电池性能等级,确定各所述子模型分别对应的损失值;
分别判断各所述子模型分别对应的所述损失值是否收敛至目标值;
若否,根据未收敛至所述目标值的所述子模型的所述损失值,对该子模型的初始模型参数组合进行修正,继续执行将一个所述材料参数组合输入所述目标预测模型,直至各所述子模型分别对应的所述损失值均收敛至所述目标值,得到已训练的所述目标预测模型。
3.根据权利要求2所述的基于电池制浆工艺的材料参数组合预测电池性能的方法,其特征在于,所述根据所述第一预测电池性能等级、各所述第二预测电池性能等级以及该材料参数组合对应的所述实际电池性能等级,确定各所述子模型分别对应的损失值,包括:
根据所述第一预测电池性能等级与该材料参数组合对应的所述实际电池性能等级之间的偏差,确定各所述第二预测电池性能分别对应的第一损失值;
根据各所述子模型分别对应的所述第二预测电池性能等级与所述第一预测电池性能等级之间的偏差,确定各所述子模型分别对应的第二损失值;
根据各所述子模型分别对应的所述第一损失值和所述第二损失值,确定各所述子模型分别对应的所述损失值。
4.根据权利要求2所述的基于电池制浆工艺的材料参数组合预测电池性能的方法,其特征在于,所述目标预测模型在训练之前还包括确定各所述子模型分别对应的目标超参数组合,各所述子模型分别对应的所述目标超参数组合的确定方法,包括:
获取若干超参数组合,其中,每一所述超参数组合包括不同类别的若干超参数;
根据各所述超参数组合,确定若干超参数组合分布图,其中,若干所述超参数组合分布图与若干所述超参数一一对应,每一所述超参数组合分布图中各所述超参数组合分别对应的目标超参数的数值相同,且各所述超参数组合基于所述目标超参数的数值大小规律分布,所述目标超参数为该超参数组合对应的所述超参数;
确定各所述超参数组合分布图分别对应的候选超参数组合,其中,每一所述超参数组合分布图中与所述候选超参数组合相邻的各所述超参数组合的模型性能等级均小于该候选超参数组合的模型性能等级;
根据各所述候选超参数组合,确定各所述子模型分别对应的所述目标超参数组合。
5.根据权利要求4所述的基于电池制浆工艺的材料参数组合预测电池性能的方法,其特征在于,所述确定各所述超参数组合分布图分别对应的候选超参数组合,包括:
根据每一所述超参数组合分布图中的一个所述超参数组合确定目标点;
判断与该目标点相邻的各点分别对应的模型性能等级是否大于该目标点对应的模型性能等级;
若与该目标点相邻的各点中任意一点对应的模型性能等级大于该目标点对应的模型性能等级,根据与该目标点相邻的各点中模型性能等级最高的点确定下一目标点;
继续执行判断与该目标点相邻的各点分别对应的模型性能等级是否大于该目标点对应的模型性能等级的步骤,直至该目标点相邻的各点分别对应的模型性能等级均小于该目标点对应的模型性能等级,将该目标点对应的所述超参数组合作为该超参数组合分布图对应的所述候选超参数组合。
6.根据权利要求4所述的基于电池制浆工艺的材料参数组合预测电池性能的方法,其特征在于,所述根据各所述候选超参数组合,确定各所述子模型分别对应的所述目标超参数组合,包括:
根据各所述候选超参数组合分别对应的模型性能等级,从若干所述超参数组合分布图中确定目标超参数组合分布图,其中,所述目标超参数组合分布图对应的所述候选超参数组合的模型性能等级最高;
对所述目标超参数组合分布图进行遍历,得到模型性能等级最高的前若干所述超参数组合,其中,前若干所述超参数组合的数量基于所述子模型的数量确定;
根据前若干所述超参数组合,一一对应地确定各所述子模型分别对应的所述目标超参数组合。
7.根据权利要求1所述的基于电池制浆工艺的材料参数组合预测电池性能的方法,其特征在于,所述目标电池性能等级根据各所述子模型分别对应的所述电池性能等级的平均值或者加权平均值确定。
8.一种基于电池制浆工艺的材料参数组合预测电池性能的装置,其特征在于,所述装置包括:
获取模块,用于获取目标预测模型,其中,所述目标预测模型包括若干子模型,若干所述子模型分别对应不同的模型参数组合;
预测模块,用于获取电池制浆工艺对应的待预测材料参数组合,将所述待预测材料参数组合输入所述目标预测模型,得到所述待预测材料参数组合对应的目标电池性能等级,其中,所述目标电池性能等级根据各所述子模型分别基于所述待预测材料参数组合输出的电池性能等级确定。
9.一种终端,其特征在于,所述终端包括有存储器和一个或者一个以上处理器;所述存储器存储有一个或者一个以上的程序;所述程序包含用于执行如权利要求1-7中任一所述的基于电池制浆工艺的材料参数组合预测电池性能的方法的指令;所述处理器用于执行所述程序。
10.一种计算机可读存储介质,其上存储有多条指令,其特征在于,所述指令适用于由处理器加载并执行,以实现上述权利要求1-7任一所述的基于电池制浆工艺的材料参数组合预测电池性能的方法的步骤。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222968.XA CN115524615A (zh) | 2022-10-08 | 2022-10-08 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
PCT/CN2022/137739 WO2024073935A1 (zh) | 2022-10-08 | 2022-12-08 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
US18/393,634 US20240125856A1 (en) | 2022-10-08 | 2023-12-21 | Method for predicting battery performance based on combination of material parameters of battery pulping process |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211222968.XA CN115524615A (zh) | 2022-10-08 | 2022-10-08 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115524615A true CN115524615A (zh) | 2022-12-27 |
Family
ID=84700676
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211222968.XA Pending CN115524615A (zh) | 2022-10-08 | 2022-10-08 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20240125856A1 (zh) |
CN (1) | CN115524615A (zh) |
WO (1) | WO2024073935A1 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024073935A1 (zh) * | 2022-10-08 | 2024-04-11 | 深圳先进技术研究院 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
Family Cites Families (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9508347B2 (en) * | 2013-07-10 | 2016-11-29 | Tencent Technology (Shenzhen) Company Limited | Method and device for parallel processing in model training |
TWI597511B (zh) * | 2016-12-23 | 2017-09-01 | Chen Tech Electric Mfg Co Ltd | Battery life cycle prediction model building method |
CN106842045B (zh) * | 2017-01-20 | 2023-04-28 | 北京理工大学 | 一种基于自适应权重方法的电池多模型融合建模方法和电池管理*** |
CN108089135B (zh) * | 2017-12-22 | 2021-03-30 | 广州市香港科大***研究院 | 一种基于极限学习模型的电池状态预测***及其实现方法 |
US11281969B1 (en) * | 2018-08-29 | 2022-03-22 | Amazon Technologies, Inc. | Artificial intelligence system combining state space models and neural networks for time series forecasting |
CN111340245B (zh) * | 2020-02-26 | 2022-07-12 | 支付宝(杭州)信息技术有限公司 | 一种模型训练方法及*** |
CN111626098B (zh) * | 2020-04-09 | 2023-04-18 | 北京迈格威科技有限公司 | 模型的参数值更新方法、装置、设备及介质 |
CN113723615A (zh) * | 2020-12-31 | 2021-11-30 | 京东城市(北京)数字科技有限公司 | 基于超参优化的深度强化学习模型的训练方法、装置 |
EP4281916A1 (en) * | 2021-01-19 | 2023-11-29 | Telefonaktiebolaget LM Ericsson (publ) | Method and system to predict network performance using a hybrid model incorporating multiple sub-models |
CN113392983B (zh) * | 2021-06-29 | 2023-01-13 | 中国科学院自动化研究所 | 自动机器学习的超参数自适应寻优优化***和方法 |
CN113592019B (zh) * | 2021-08-10 | 2023-09-15 | 平安银行股份有限公司 | 基于多模型融合的故障检测方法、装置、设备及介质 |
CN113655385B (zh) * | 2021-10-19 | 2022-02-08 | 深圳市德兰明海科技有限公司 | 锂电池soc估计方法、装置及计算机可读存储介质 |
CN114047452B (zh) * | 2022-01-13 | 2022-05-13 | 浙江玥视科技有限公司 | 一种确定电池循环寿命的方法及装置 |
CN115524615A (zh) * | 2022-10-08 | 2022-12-27 | 深圳先进技术研究院 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
-
2022
- 2022-10-08 CN CN202211222968.XA patent/CN115524615A/zh active Pending
- 2022-12-08 WO PCT/CN2022/137739 patent/WO2024073935A1/zh unknown
-
2023
- 2023-12-21 US US18/393,634 patent/US20240125856A1/en active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024073935A1 (zh) * | 2022-10-08 | 2024-04-11 | 深圳先进技术研究院 | 基于电池制浆工艺的材料参数组合预测电池性能的方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2024073935A1 (zh) | 2024-04-11 |
US20240125856A1 (en) | 2024-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220373601A1 (en) | Battery Performance Prediction | |
CN111695301A (zh) | 电池电荷状态的预测方法及预测装置、存储介质、设备 | |
US20240125856A1 (en) | Method for predicting battery performance based on combination of material parameters of battery pulping process | |
CN108334900B (zh) | 动力电池的分类模型的生成方法及***、分类方法及*** | |
Che et al. | Semi-supervised self-learning-based lifetime prediction for batteries | |
CN112883531A (zh) | 锂离子电池数据处理方法、计算机设备和存储介质 | |
JP2019090792A (ja) | バッテリーセルフォーメーションおよびサイクリング手順の自律的スクリーニングおよび最適化 | |
CN112305438A (zh) | 电池内阻的测量方法、装置、终端及存储介质 | |
WO2023226358A1 (zh) | 一种储能电池包的荷电状态预测方法 | |
Chayambuka et al. | Physics-based modeling of sodium-ion batteries part II. Model and validation | |
CN116297020A (zh) | 一种锂电池浆料粘度预测方法、***及其电子设备 | |
CN112084459A (zh) | 电池充放电循环寿命的预测方法、装置、电子终端、及存储介质 | |
CN115032540A (zh) | 锂离子电池健康状态估计方法、装置、设备及介质 | |
CN117174899B (zh) | 一种氟化碳正极材料制备方法 | |
Guo et al. | Self-adaptive neural network-based fractional-order nonlinear observer design for state of charge estimation of lithium-ion batteries | |
CN108717165A (zh) | 基于数据驱动法的锂离子电池soc在线预测方法 | |
Chu et al. | Adaptive fitting capacity prediction method for lithium-ion batteries | |
CN116930769A (zh) | 一种基于双向生成式对抗神经网络的锂电池建模方法 | |
CN116203431A (zh) | 汽车蓄电池剩余电量百分比预测方法、装置、设备及介质 | |
CN114462294A (zh) | 一种两阶段代理模型辅助参数估计方法以及*** | |
CN114076899A (zh) | 电池寿命的分档预估方法、装置、设备、***及介质 | |
Plett | Reduced-order multi-modal model of SEI layer growth for management and control of lithium-ion batteries | |
CN115470742B (zh) | 一种锂离子电池建模方法、***、设备及存储介质 | |
EP4321883A1 (en) | Method and system for specifying a target battery cell | |
CN113075552B (zh) | 一种电池的作业方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |