CN116306288A - 基于代理模型的锂电池优化设计方法及***、装置、介质 - Google Patents
基于代理模型的锂电池优化设计方法及***、装置、介质 Download PDFInfo
- Publication number
- CN116306288A CN116306288A CN202310274472.5A CN202310274472A CN116306288A CN 116306288 A CN116306288 A CN 116306288A CN 202310274472 A CN202310274472 A CN 202310274472A CN 116306288 A CN116306288 A CN 116306288A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- design
- model
- proxy model
- variables
- 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
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 179
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 179
- 238000013461 design Methods 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims description 47
- 238000005457 optimization Methods 0.000 claims description 34
- 238000004590 computer program Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 7
- 239000003795 chemical substances by application Substances 0.000 description 12
- 238000010586 diagram Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 7
- 238000007796 conventional method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 5
- 229910001416 lithium ion Inorganic materials 0.000 description 5
- 239000007791 liquid phase Substances 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000007790 solid phase Substances 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000012938 design process Methods 0.000 description 3
- 238000013401 experimental design Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000007774 positive electrode material Substances 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Charge And Discharge Circuits For Batteries Or The Like (AREA)
Abstract
本申请提供基于代理模型的锂电池优化设计方法及***、装置、介质,所述基于代理模型的锂电池优化设计方法包括:构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数;将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数。本申请使用代理模型来对多个锂电池设计变量进行处理以预测锂电池的性能参数,可快速输出结果,缩短电池设计的时间,提高锂电池优化设计的效率。
Description
技术领域
本申请属于锂电池技术领域,涉及一种基于代理模型的锂电池优化设计方法及***、装置、介质。
背景技术
锂离子电池已广泛应用于从消费电子产品到电动汽车的各种应用领域。为了满足日益增长的对电池更高的能量和功率能力、耐久性和安全性的需求,锂离子电池的设计已经成为避免任何意外性能损失的关键。基于实验的电池设计既费时又昂贵。相比之下,基于仿真的设计不仅更高效,还可以更深入地了解控制电池性能的机制。
目前锂电池的设计大体可以分为两类:高功率型电池和高能量型电池。能量型电池以高能量密度为特点,主要用于高能量输出;功率型电池以高功率密度为特点,主要用于瞬间高功率输入、输出的电池。不同类型的电池,在设计过程中需要考虑的因素不同,如何定量的衡量锂电池设计过程中不同参数的设置是一个非常重要的课题。
锂电池电化学模型中,P2D模型从多孔电极理论出发,可以对整个电池结构进行模拟,通常用于优化电极厚度、空隙率、颗粒尺寸等重要电极参数。但是直接从P2D模型出发,进行锂电池的设计需要求解耦合的偏微分方程,耗时长,消耗资源多,直接进行电池设计存在计算成本高的困难。
发明内容
本申请的目的在于提供一种基于代理模型的锂电池优化设计方法及***、装置、介质,用于解决上述现有技术中存在的问题。
第一方面,本申请提供一种基于代理模型的锂电池优化设计方法,所述方法包括:构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数;将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数。
在第一方面的一种实现方式中,所述代理模型为基于神经网络的代理模型。
在第一方面的一种实现方式中,所述代理模型包括分类神经网络和拟合神经网络,所述分类神经网络用于对所述多个锂电池设计变量的设计组合值进行分类以输出所述多个锂电池设计变量的设计组合值是否有效,所述拟合神经网络用于对有效的所述多个锂电池设计变量的设计组合值进行拟合以输出所述锂电池性能参数。
在第一方面的一种实现方式中,所述至少一个锂电池性能参数包括锂电池能量和锂电池功率中的至少一个。
在第一方面的一种实现方式中,所述方法还包括:基于预测获得所述锂电池性能参数与设计需求进行比对并调整所述多个锂电池设计变量的设计组合值并采用所述代理模型进行再次预测,循环执行直至满足设计需求。
在第一方面的一种实现方式中,训练所述代理模型包括对所述分类神经网络和所述拟合神经网络分别进行训练。
第二方面,本申请提供一种基于代理模型的锂电池优化设计***,所述***包括:模型构建训练模块,被配置为构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数;预测模块,被配置为将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数。
在第二方面的一种实现方式中,所述***还包括循环优化模块,所述循环优化模块被配置为基于预测获得所述锂电池性能参数与设计需求进行比对并调整所述多个锂电池设计变量的设计组合值并采用所述代理模型进行再次预测,循环执行直至满足设计需求。
第三方面,本申请提供一种基于代理模型的锂电池优化设计装置,所述装置包括:存储器,被配置为存储计算机程序;以及处理器,被配置为调用所述计算机程序以执行根据本申请第一方面所述的基于代理模型的锂电池优化设计方法。
第四方面,本申请提供一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被执行以实现根据本申请第一方面所述的基于代理模型的锂电池优化设计方法。
如上所述,本申请所述的基于代理模型的锂电池优化设计方法及***、装置、介质,具有以下有益效果:
(1)本申请使用代理模型来对多个锂电池设计变量进行处理以预测锂电池的性能参数,可快速输出结果,缩短电池设计的时间,提高锂电池优化设计的效率。
(2)本申请基于分类神经网络和拟合神经网络构建了代理模型,首先可以多个锂电池设计变量的设计组合进行分类,确定该组设计变量是否符合实际物理意义,其次当设计变量有效时,可以快速的输出该组设计变量对应的电池的锂电池性能参数,保证代理模型的预测准确性以及速度,与常规的求解P2D电化学模型的方法相比,代理模型的时间主要耗费在神经网络的训练上,一旦训练完成,可以快速的输出结果,而传统方法例如有限元,求解一组变量的时间通常是几分钟,在电池制造和设计中,参数组合通常需要多次试验,常规方法会耗费大量时间,本申请提供了一种缩短电池设计周期的方法。
附图说明
图1显示为本申请一实施例中基于代理模型的锂电池优化设计方法的流程图。
图2A显示为本申请实施例中分类神经网络的结构示意图。
图2B显示为本申请实施例中拟合神经网络的结构示意图。
图3显示为本申请另一实施例中基于代理模型的锂电池优化设计方法的流程图。
图4显示为本申请一实施例中基于代理模型的锂电池优化设计***的结构示意图。
图5显示为本申请另一实施例中基于代理模型的锂电池优化设计***的结构示意图。
图6显示为本申请一实施例中基于代理模型的锂电池优化设计装置的结构示意图。
元件标号说明
4 基于代理模型的锂电池优化设计***
41 模型构建训练模块
42 预测模块
43 循环优化模块
6 基于代理模型的锂电池优化设计装置
61 存储器
62 处理器
S1~S3 步骤
具体实施方式
以下通过特定的具体实例说明本申请的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本申请的其他优点与功效。本申请还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本申请的精神下进行各种修饰或改变。需说明的是,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
需要说明的是,以下实施例中所提供的图示仅以示意方式说明本申请的基本构想,遂图式中仅显示与本申请中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制,其实际实施时各组件的型态、数量及比例可为一种随意的改变,且其组件布局型态也可能更为复杂。
本申请提供了一种基于代理模型的锂电池优化设计方法及***、装置、介质。本申请使用代理模型来对多个锂电池设计变量进行处理以预测锂电池的性能参数,可快速输出结果,从而能够实现不同锂电池设计变量组合下的锂电池性能参数的预测,以缩短电池设计的时间。
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行详细描述。
如图1所示,本实施例提供一种基于代理模型的锂电池优化设计方法,所述方法包括如下步骤S1和步骤S2。
在步骤S1中,构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数。
本申请重点关注电池制造过程中可控的变量。具体来说,在本实施例中,在锂电池设计过程中只关注正极,关注的锂电池设计变量通常是电极固有的性质,本实施例选取正极厚度、正极固相体积分数、正极Bruggeman系数、正极活性物质颗粒半径、充放电倍率C以及初始液相锂离子浓度6个变量作为锂电池设计变量。
锂电池的设计分为能量性电池和功率性电池,为了衡量设计的电池是否符合功率或者能量的需求,锂电池性能参数包括锂电池能量和锂电池功率中的至少一个。
在一优选的实施例中,所述代理模型为基于神经网络的代理模型,包括分类神经网络和拟合神经网络,所述分类神经网络用于对所述多个锂电池设计变量的设计组合值进行分类以输出所述多个锂电池设计变量的设计组合值是否有效,所述拟合神经网络用于对有效的所述多个锂电池设计变量的设计组合值进行拟合以输出所述锂电池性能参数。
如图2A所示为分类神经网络的示意图,分类神经网络包括输入层、隐藏层和输出层。
在一优选的实施例中,输入层为上述确定的6个锂电池设计变量,隐藏层包括10个神经元,隐藏层使用sigmoid激活函数,输出层使用softmax函数用来分类,输出形式为0表示参数组合违背物理意义不可用,输出1表示参数组合在物理意义范围内可用。
如图2B所示为拟合神经网络的示意图,拟合神经网络的结构与分类神经网络的结构类似,包括输入层、隐藏层和输出层。
在一优选实施例中,拟合神经网络的输入是分类神经网络中输出为1对应的参数组合,隐藏层是10个神经单元,激活函数是sigmoid函数,输出层使用线性函数用来拟合计算得到锂电池能量和/或功率。
在如图2B所示的实施例中,输出层为2层,同时输出锂电池能量和锂电池功率2个锂电池性能参数。需要说明的是,在其他实施例中也可调整网络中输出层为1层,从而输出1个锂电池性能参数,可为锂电池能量或锂电池功率中任意一个,根据设计需要而定。
在步骤S1中训练所述代理模型包括对所述分类神经网络和所述拟合神经网络分别进行训练。
具体训练过程包括:
(1)训练数据的获取
首先,在确定锂电池设计变量后,依据实际使用的电池,查阅相关文献,给出对应变量的大致范围。然后基于拉丁超立方体抽样生成900组实验设计变量,这900组实验设计变量中包括有效变量组合,标签是1,也,包括无效变量组合,标签为0,0和1这两个标签是人工判断后加上的,生成的这些数据是为了训练后面的分类神经网络。
进一步地,为了训练拟合神经网络,需要通过仿真获取有效锂电池设计变量组合下的锂电池性能参数,具体包括:
基于伪二维电化学模型的物理化学理论基础对锂电池进行数值建模,具体来说,伪二维模型包含四个偏微分方程以及一个代数方程;四个偏微分方程分别是固相电势,固相传质,液相电势和液相传质,代数方程为巴特勒福尔默(Butler-Volmer)方程。通过上述五大方程,可以精确的刻画锂电池内部时间空间上的物理化学状态量。除了上述方程之外,在边界上还需要进行限制并给出相应的边界条件,如初始时刻的锂离子浓度,固液交界处物理量连续等。
选择合适的数值方法对步骤一中的偏微分方程进行数值求解。常用的数值方法包括有限差分、有限元、有限体积等。其中有限差分最容易实现、易于编程,但是是条件稳定的;有限元方法不仅求解精度高,而且可以适应任何复杂形状。为了保证训练数据的精度,这里我们选择有限元方法进行求解P2D模型中的偏微分方程。有限元方法求解完成后,可以得到大量数据。记录每次仿真实验中的输入参数值(有效锂电池设计变量组合)以及输出电压值。
通过下式计算锂电池能量和/或锂电池功率:
其中,P为锂电池功率,E为锂电池能量,I为输入电流,V为输出电压,m为锂电池质量,其中锂电池质量是集电流器、分离器和电极的质量综合,td是电池放电到最低电压所需时间。
由此,计算得到的锂电池能量和/或锂电池功率作为训练拟合神经网络的标签值。
(2)训练分类神经网络
分类神经网络的训练需要用到上述900组实验变量。这900组实验变量是有对应标签的,这些标签是0或者1,0表示该6个参数组合违背实际物理意义不可用,1表示6个参数的组合在物理意义范围内可用。训练时将900组实验变量按照训练集和验证集8:2进行划分,训练集和验证集彼此相互独立,没有交叉。训练集的目的是为了分类输入变量是否在物理范围内,验证集为例评估神经网络一的分类能力。720组数据用来训练分类神经网络,另外180组实验变量用来验证分类神经网络的训练是否准确,当准确度达到95%以上,分类神经网络的训练结束。
(3)训练拟合神经网络
上述900组实验设计变量,经过分类神经网络完成分类后,输出结果对应为1的参数组合是符合实际物理意义的。将输出结果对应为1的参数组合作为步拟合神经网络的输入。输出结果为1的参数组合首先使用伪二维模型进行仿真求解,同时记录每组参数集的输入电流I和输出电压V。求解得到的数值解依然按照训练集和验证集8:2的比例划分,训练集用来拟合数据样本以得到锂电池能量和/或锂电池功率,验证集用来评估拟合神经网络拟合真实数据的能力。
由此,完成了代理模型的训练以使得代理模型能够对多个锂电池设计变量进行处理以预测锂电池的性能参数。
在步骤S2中,将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数。
在该步骤S2中采用步骤S1训练好的代理模型进行锂电池性能参数的预测,即只需要将锂电池设计变量的设计组合值输入至代理模型即可得到锂电池能量和/或锂电池功率数据,由此判断锂电池设计变量的组合是否满足实际需要。在一具体实施例中,锂电池设计变量包括正极厚度、正极固相体积分数、正极Bruggeman系数、正极活性物质颗粒半径、充放电倍率C以及初始液相锂离子浓度6个变量,将该6个变量的设计值输入至代理模型进行预测,得到锂电池能量和/或电池功率数据,以基于预测得到的锂电池能量和/或电池功率数据判断该6个变量的设计值是否满足实际需求。需要说明的是,当6个变量的设计值违背物理意义不可用时,代理模型中的分类神经网络将直接输出0,不再进行数据拟合得到锂电池性能参数。
如图3所示,在另一优选的实施例中,本实施例提供一种基于代理模型的锂电池优化设计方法,所述方法包括如下步骤S1至步骤S3。
在步骤S1中,构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数。
在步骤S2中,将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数。
上述步骤S1和步骤S2的具体方案与前述一些优选的实施例中一致,此处不再赘述。
在步骤S3中,基于预测获得所述锂电池性能参数与设计需求进行比对并调整所述多个锂电池设计变量的设计组合值并采用所述代理模型进行再次预测,循环执行直至满足设计需求。
在步骤S3中,通过将预测得到的锂电池性能参数与设计需求进行比对并调整设计变量的大小重复进行预测,可以非常方便的调节对应参数范围,从而实现电池设计需求,大大降低电池设计中确定变量范围的时间。
本申请使用代理模型来对多个锂电池设计变量进行处理以预测锂电池的性能参数,可快速输出结果,缩短电池设计的时间。进一步地,本申请基于分类神经网络和拟合神经网络构建了代理模型,首先可以多个锂电池设计变量的设计组合进行分类,确定该组设计变量是否符合实际物理意义,其次当设计变量有效时,可以快速的输出该组设计变量对应的电池的锂电池性能参数,保证代理模型的预测准确性以及速度,与常规的求解P2D电化学模型的方法相比,代理模型的时间主要耗费在神经网络的训练上,一旦训练完成,可以快速的输出结果,而传统方法例如有限元,求解一组变量的时间通常是几分钟,在电池制造和设计中,参数组合通常需要多次试验,常规方法会耗费大量时间,本申请提供了一种缩短电池设计周期的方法。
本申请实施例所述的考基于代理模型的锂电池优化设计方法的保护范围不限于本实施例列举的步骤执行顺序,凡是根据本申请的原理所做的现有技术的步骤增减、步骤替换所实现的方案都包括在本申请的保护范围内。
本申请实施例还提供一种基于代理模型的锂电池优化设计***,所述基于代理模型的锂电池优化设计***可以实现本申请所述的基于代理模型的锂电池优化设计方法,但本申请所述的基于代理模型的锂电池优化设计方法的实现装置包括但不限于本实施例列举的基于代理模型的锂电池优化设计***的结构,凡是根据本申请的原理所做的现有技术的结构变形和替换,都包括在本申请的保护范围内。
如图4所示,本实施例提供一种基于代理模型的锂电池优化设计***,所述基于代理模型的锂电池优化设计***4包括模型构建训练模块41和预测模块42。模型构建训练模块41被配置为构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数;预测模块42被配置为将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数。
如图5所示,本实施例提供一种基于代理模型的锂电池优化设计***,所述基于代理模型的锂电池优化设计***4包括模型构建训练模块41和预测模块42,还包括循环优化模块43。模型构建训练模块41被配置为构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数;预测模块42被配置为将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数;
所述循环优化模块43被配置为基于预测获得所述锂电池性能参数与设计需求进行比对并调整所述多个锂电池设计变量的设计组合值并采用所述代理模型进行再次预测,循环执行直至满足设计需求。
在上述图4和图5的实施例中,模型构建训练模块41构建的代理模型为基于神经网络的代理模型,包括分类神经网络和拟合神经网络,所述分类神经网络用于对所述多个锂电池设计变量的设计组合值进行分类以输出所述多个锂电池设计变量的设计组合值是否有效,所述拟合神经网络用于对有效的所述多个锂电池设计变量的设计组合值进行拟合以输出所述锂电池性能参数。分类神经网络和拟合神经网络分别进行训练,其训练方法在上述一些优选实施例中已经详细说明,此处不再赘述。
如图6所示,本实施例提供一种基于代理模型的锂电池优化设计装置,所述基于代理模型的锂电池优化设计装置6包括:存储器61,被配置为存储计算机程序;以及处理器62,被配置为调用所述计算机程序以执行上述基于代理模型的锂电池优化设计方法。
优选地,所述存储器61包括:ROM、RAM、磁碟、U盘、存储卡或者光盘等各种可以存储程序代码的介质。
优选地,所述处理器62可以是通用处理器,包括中央处理器(Central ProcessingUnit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital Signal Processor,简称DSP)、专用集成电路(Application SpecificIntegrated Circuit,简称ASIC)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
在本申请所提供的几个实施例中,应该理解到,所揭露的***、装置或方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅是示意性的,例如,模块/单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或单元可以结合或者可以集成到另一个***,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
作为分离部件说明的模块/单元可以是或者也可以不是物理上分开的,作为模块/单元显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块/单元来实现本申请实施例的目的。例如,在本申请各个实施例中的各功能模块/单元可以集成在一个处理模块中,也可以是各个模块/单元单独物理存在,也可以两个或两个以上模块/单元集成在一个模块/单元中。
本领域普通技术人员应该还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
本申请实施例还提供了一种计算机可读存储介质。本领域普通技术人员可以理解实现上述实施例的方法中的全部或部分步骤是可以通过程序来指令处理器完成,所述的程序可以存储于计算机可读存储介质中,所述存储介质是非短暂性(non-transitory)介质,例如随机存取存储器,只读存储器,快闪存储器,硬盘,固态硬盘,磁带(magnetic tape),软盘(floppy disk),光盘(optical disc)及其任意组合。上述存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。该可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如数字视频光盘(digital video disc,DVD))、或者半导体介质(例如固态硬盘(solid state disk,SSD))等。
本申请实施例还可以提供一种计算机程序产品,所述计算机程序产品包括一个或多个计算机指令。在计算设备上加载和执行所述计算机指令时,全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机或数据中心进行传输。
所述计算机程序产品被计算机执行时,所述计算机执行前述方法实施例所述的方法。该计算机程序产品可以为一个软件安装包,在需要使用前述方法的情况下,可以下载该计算机程序产品并在计算机上执行该计算机程序产品。
上述各个附图对应的流程或结构的描述各有侧重,某个流程或结构中没有详述的部分,可以参见其他流程或结构的相关描述。
上述实施例仅例示性说明本申请的原理及其功效,而非用于限制本申请。任何熟悉此技术的人士皆可在不违背本申请的精神及范畴下,对上述实施例进行修饰或改变。因此,举凡所属技术领域中具有通常知识者在未脱离本申请所揭示的精神与技术思想下所完成的一切等效修饰或改变,仍应由本申请的权利要求所涵盖。
Claims (10)
1.一种基于代理模型的锂电池优化设计方法,其特征在于,所述方法包括:
构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数;
将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数。
2.根据权利要求1所述的基于代理模型的锂电池优化设计方法,其特征在于,所述代理模型为基于神经网络的代理模型。
3.根据权利要求2所述的基于代理模型的锂电池优化设计方法,其特征在于,所述代理模型包括分类神经网络和拟合神经网络,所述分类神经网络用于对所述多个锂电池设计变量的设计组合值进行分类以输出所述多个锂电池设计变量的设计组合值是否有效,所述拟合神经网络用于对有效的所述多个锂电池设计变量的设计组合值进行拟合以输出所述锂电池性能参数。
4.根据权利要求1所述的基于代理模型的锂电池优化设计方法,其特征在于,所述至少一个锂电池性能参数包括锂电池能量和锂电池功率中的至少一个。
5.根据权利要求1所述的基于代理模型的锂电池优化设计方法,其特征在于,所述方法还包括:基于预测获得所述锂电池性能参数与设计需求进行比对并调整所述多个锂电池设计变量的设计组合值并采用所述代理模型进行再次预测,循环执行直至满足设计需求。
6.根据权利要求3所述的基于代理模型的锂电池优化设计方法,其特征在于,训练所述代理模型包括对所述分类神经网络和所述拟合神经网络分别进行训练。
7.一种基于代理模型的锂电池优化设计***,其特征在于,所述***包括:
模型构建训练模块,被配置为构建并训练代理模型,所述代理模型的输入包括多个锂电池设计变量,所述代理模型的输出包括至少一个锂电池性能参数;
预测模块,被配置为将所述多个锂电池设计变量的设计组合值输入至所述代理模型以预测获得所述锂电池性能参数。
8.根据权利要求7所述的基于代理模型的锂电池优化设计***,其特征在于,所述***还包括循环优化模块,所述循环优化模块被配置为基于预测获得所述锂电池性能参数与设计需求进行比对并调整所述多个锂电池设计变量的设计组合值并采用所述代理模型进行再次预测,循环执行直至满足设计需求。
9.一种基于代理模型的锂电池优化设计装置,其特征在于,所述装置包括:
存储器,被配置为存储计算机程序;以及
处理器,被配置为调用所述计算机程序以执行根据权利要求1至6中任意一项所述的基于代理模型的锂电池优化设计方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被执行以实现根据权利要求1至6中任意一项所述的基于代理模型的锂电池优化设计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310274472.5A CN116306288A (zh) | 2023-03-20 | 2023-03-20 | 基于代理模型的锂电池优化设计方法及***、装置、介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310274472.5A CN116306288A (zh) | 2023-03-20 | 2023-03-20 | 基于代理模型的锂电池优化设计方法及***、装置、介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116306288A true CN116306288A (zh) | 2023-06-23 |
Family
ID=86832058
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310274472.5A Pending CN116306288A (zh) | 2023-03-20 | 2023-03-20 | 基于代理模型的锂电池优化设计方法及***、装置、介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116306288A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095775A (zh) * | 2023-10-18 | 2023-11-21 | 江西五十铃汽车有限公司 | 一种固态锂电池材料设计方法、***、存储介质及计算机 |
CN118070366A (zh) * | 2024-04-25 | 2024-05-24 | 深圳市峰和数智科技有限公司 | 新能源电池多孔电极的结构生成方法、装置、介质及设备 |
-
2023
- 2023-03-20 CN CN202310274472.5A patent/CN116306288A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117095775A (zh) * | 2023-10-18 | 2023-11-21 | 江西五十铃汽车有限公司 | 一种固态锂电池材料设计方法、***、存储介质及计算机 |
CN118070366A (zh) * | 2024-04-25 | 2024-05-24 | 深圳市峰和数智科技有限公司 | 新能源电池多孔电极的结构生成方法、装置、介质及设备 |
CN118070366B (zh) * | 2024-04-25 | 2024-07-05 | 深圳市峰和数智科技有限公司 | 新能源电池多孔电极的结构生成方法、装置、介质及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116306288A (zh) | 基于代理模型的锂电池优化设计方法及***、装置、介质 | |
Thomitzek et al. | Simulating process-product interdependencies in battery production systems | |
He et al. | State of health estimation of lithium‐ion batteries: A multiscale G aussian process regression modeling approach | |
CN112666480B (zh) | 一种基于充电过程特征注意力的电池寿命预测方法 | |
CN112666479B (zh) | 一种基于充电循环融合的电池寿命预测方法 | |
Zhang et al. | Intelligent state of charge estimation of battery pack based on particle swarm optimization algorithm improved radical basis function neural network | |
Tian et al. | 3-D temperature field reconstruction for a lithium-ion battery pack: A distributed Kalman filtering approach | |
CN112180258B (zh) | 电池平均库伦效率的测定方法、装置、介质、终端、及*** | |
CN113177290B (zh) | 基于深度代理模型归一化的卫星组件温度场预测方法 | |
Zahid et al. | Machine learning an alternate technique to estimate the state of charge of energy storage devices | |
Xing et al. | State-of-charge estimation for Lithium-Ion batteries using Kalman filters based on fractional-order models | |
US20140136169A1 (en) | Systems and methods for improving battery performance | |
CN115840144A (zh) | 电池仿真计算方法、装置、计算机设备和存储介质 | |
Yao et al. | A multi-model feature fusion model for lithium-ion battery state of health prediction | |
Li et al. | A hybrid convolutional neural network-long short term memory for discharge capacity estimation of lithium-ion batteries | |
CN117175664B (zh) | 基于使用场景的储能充电设备输出功率自适应调节*** | |
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 | |
Zhu et al. | A novel fast estimation and regroup method of retired lithium‐ion battery cells | |
Chen et al. | A bias correction based state-of-charge estimation method for multi-cell battery pack under different working conditions | |
Li et al. | Synthetic thermal convolutional‐memory network for the lithium‐ion battery behaviour diagnosis against noise interruptions | |
Yun et al. | An integrated framework for minimization of inter lithium‐ion cell temperature differences and the total volume of the cell of battery pack for electric vehicles | |
CN115951236B (zh) | 锂电池状态监测方法及***、装置、存储介质 | |
Shen et al. | Simultaneous model selection and parameter estimation for lithium‐ion batteries: A sequential MINLP solution approach | |
Taralova et al. | Derivation and numerical validation of a homogenized isothermal Li-ion battery model | |
Wang et al. | A conditional random field based feature learning framework for battery capacity prediction |
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 |