一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法技术

本发明专利技术公开了一种基于神经网络的锂电池复合电极锂离子传输的求解方法，包括构建神经网络结构、对锂电池电极进行建模、再选取合适的数据点输入神经网络结构中，设置恒流充电阶段以及恒压充电阶段的锂离子扩散的损失函数等步骤。实现了锂离子浓度的准确预测，生成恒压恒流充电条件下的浓度模型。本发明专利技术相较于传统方法易于操作、效率更高、效果更好。效果更好。效果更好。

【技术实现步骤摘要】
一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法


[0001]本专利技术涉及锂电池电极中的锂离子扩散传输领域，具体涉及一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法。

技术介绍

[0002]近年来，锂离子电池因其循环寿命长、储能能力强、无记忆效应、自放电小等优点而得到了广泛的应用。为了预测锂离子电池在多种工作模式下的行为，可将其分为两类:经验模型法和电化学模型法。经验模型法是基于以往的实验数据来预测电池的性能，而该方法不能确定基于物理的参数，也很难应用到其他类型的电池上。广泛使用的电化学模型法，它建立在电化学动力学和输运方程的基础上，已被广泛用于模拟锂离子电池的特性和反应。通过与实验数据的比较，很好地验证了预测结果。
[0003]随着人工智能的发展，深度学习已经逐渐发展成熟，广泛应用于各个领域。近年来，一种利用神经网络求解线性或非线性偏微分方程正、反问题的新框架在计算物理领域日益流行。这种新的神经网络方法对于预测电池的性能提供了新的思路，可以应用到电化学模型法中，更加便捷、高效地求解电极中锂离子的扩散行为。通过分析锂离子电池中的锂离子的扩散传输，从而有助于提高电化学储能装置和系统的性能。

技术实现思路

[0004]本专利技术的目的在于利用神经网络方法，提供锂电池复合电极锂离子传输模型的求解方法，可以准确预测各时间段内锂离子的浓度，更易实现锂电池电极的优化设计。
[0005]为实现上述目的，本专利技术采用的技术方案是：
[0006]本专利技术的一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法，包括以下步骤：
[0007]步骤一、构建神经网络结构，包括设置输入层、隐藏层、输出层以及激活函数和损失函数；
[0008]步骤二、对锂电池电极进行建模，将锂电池的电极按照扩散方程所需的各个参数，建立详细的数学模型，将其数学化，方便将相关参数代入神经网络之中；
[0009]作为本专利技术的一种实施方式，所述的步骤二的具体过程可以为：
[0010]第一步、对锂电池的电极尺寸进行建模。把电极的最大厚度设为X，把锂电池电极上一点距离电极边缘的距离设置为x，因此在厚度方向的计算域为x∈[0,X]；
[0011]第二步、对锂电池的充电时间进行建模。把电极的充电终止时间设为T，把充电时某一点的具体时间设置为t，因此在时间方向上的计算域为t∈[0,T]；
[0012]第三步、根据锂电池选用电极的锂离子的扩散性能进行建模。目前研制成功并得到应用的正极材料主要有钴酸锂、磷酸铁锂、锰酸锂、三元材料钴镍锰酸锂和钴镍铝酸锂等，而负极材料主要有石墨等。根据锂电池的电极材料确定锂离子的扩散系数D；
[0013]步骤三、锂电池电极厚度和充电时间范围内设置计算域为x∈[0,X]和t∈[0,T]，并在其中选取样本数据。需要在计算域内选取一定数量初始点、边界点以及内部点进行计算；
[0014]步骤四、设置恒流充电阶段的锂离子扩散的损失函数；
[0015]步骤五、计算恒流充电阶段的锂离子扩散情况；
[0016]步骤六、设置恒压充电阶段的锂离子扩散的损失函数；
[0017]步骤七、计算恒压充电阶段的锂离子扩散情况。
[0018]本专利技术的有益效果是：本专利技术采用一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法，提高了复合电极中锂离子扩散行为的求解效率，节省了求解时间，降低了求解过程的复杂运算。本专利技术通过建立基于神经网络的锂电池复合电极锂离子传输模型的求解方法，对网格生成进行了解耦，保持了较高的精度和效率。本专利技术提出的神经网络求解方法能够准确预测锂离子电池在不同充电条件下锂离子扩散过程中的瞬态行为。采用此方法，解决了锂离子在复合电极中的扩散问题，为优化复合电极提供了依据，能进一步提高电池性能。
附图说明
[0019]图1为本专利技术的基于神经网络的锂电池复合电极锂离子传输模型的求解方法的流程图。
具体实施方式
[0020]本专利技术的目的在于克服已有技术的缺点，提供一种快速、准确求解复合电极锂离子传输模型的新方法。
[0021]本专利技术的一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法，包括以下步骤：
[0022]步骤一、构建神经网络结构，包括设置输入层、隐藏层、输出层以及激活函数和损失函数；
[0023]步骤二、对锂电池电极进行建模，将锂电池的电极按照扩散方程所需的各个参数，建立详细的数学模型，将其数学化，方便将相关参数代入神经网络之中；
[0024]作为本专利技术的一种实施方式，所述的步骤二的具体过程可以为：
[0025]第一步、对锂电池的电极尺寸进行建模。把电极的最大厚度设为X，把锂电池电极上一点距离电极边缘的距离设置为x，因此厚度方向的计算域为x∈[0,X]；
[0026]第二步、对锂电池的充电时间进行建模。把电极的充电终止时间设为T，把充电时某一点的具体时间设置为t，因此在时间方向上的计算域为t∈[0,T]；
[0027]第三步、根据锂电池选用电极的锂离子的扩散性能进行建模。目前研制成功并得到应用的正极材料主要有钴酸锂、磷酸铁锂、锰酸锂、三元材料钴镍锰酸锂和钴镍铝酸锂等，而负极材料主要有石墨等。根据锂电池的电极材料确定锂离子的扩散系数D；
[0028]步骤三、锂电池电极厚度和充电时间范围内设置计算域为x∈[0,X]和t∈[0,T]，并在其中选取样本数据。需要在计算域内选取一定数量初始点、边界点以及内部点进行计算；
[0029]步骤四、计算恒流充电阶段的锂离子扩散的损失函数。恒流恒压充电方法是锂电池最常用的充电方法锂电池，即在充电过程中，首先进行恒流充电，再进行恒压充电。首先确定恒流条件下的锂离子扩散情况。恒流充电阶段的锂离子扩散方程为：其中c为锂离子在某一时间t，某一距离x上的浓度。电极的恒流充电可简化为初始浓度为零，恒定通量边界条件下充电。在x＝0处，对锂电池进行恒流充电，电流密度为δ。受恒定电流的作用，持续沿电极厚度进行扩散。在电极的集流器处，由于是金属等材料，锂离子不发生扩散。因此，在恒流条件下的损失函数为：
[0030][0031]式中，MSE
e
、MSE
b
和MSE
i
分别表示扩散方程残差、边界条件和初始条件对应的损失函数分量；N
b
、N
i
、N
e
分别表示在计算域边界、计算域t＝0的初始条件以及计算域内部的训练数据个数；δ为充电的电流密度；α和β表示加权系数，用于平衡损失函数的不同项，加快训练过程中的收敛速度；
[0032]步骤五、计算恒流充电条件下的锂离子扩散情况；
[0033]作为本专利技术的一种实施方式，所述的步骤五的具体过程可以为：
[0034]第一步、将选取的数据点输入步骤一构建好的神经网络中；
[0035]第二步、对神经网络的初始偏差和权重使用Xavier方案随机初始化，获得初始权重θ1和偏本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的锂电池复合电极锂离子传输模型的求解方法，其特征在于包括以下步骤：步骤一、构建神经网络结构，包括设置输入层、隐藏层、输出层以及激活函数和损失函数；步骤二、对锂电池电极进行建模，将锂电池的电极按照扩散方程所需的各个参数，建立详细的数学模型，将其数学化，方便将相关参数代入神经网络之中；作为本发明的一种实施方式，所述的步骤二的具体过程可以为：第一步、对锂电池的电极尺寸进行建模。把电极的最大厚度设为X，把锂电池电极上一点距离电极边缘的距离设置为x，因此厚度方向的计算域为x∈[0,X]；第二步、对锂电池的充电时间进行建模。把电极的充电终止时间设为T，把充电时某一点的具体时间设置为t，因此在时间方向上的计算域为t∈[0,T]；第三步、根据锂电池选用电极的锂离子的扩散性能进行建模。目前研制成功并得到应用的正极材料主要有钴酸锂、磷酸铁锂、锰酸锂、三元材料钴镍锰酸锂和钴镍铝酸锂等，而负极材料主要有石墨等。根据锂电池的电极材料确定锂离子的扩散系数D；步骤三、锂电池电极厚度和充电时间范围内设置计算域为x∈[0,X]和t∈[0,T]，并在其中选取样本数据。需要在计算域内选取一定数量初始点、边界点以及内部点进行计算；步骤四、计算恒流充电阶段的锂离子扩散的损失函数。恒流恒压充电方法是锂电池最常用的充电方法锂电池，即在充电过程中，首先进行恒流充电，再进行恒压充电。首先确定恒流条件下的锂离子扩散情况。恒流充电阶段的锂离子扩散方程为：其中c为锂离子在某一时间t，某一距离x上的浓度。电极的恒流充电可简化为初始浓度为零，恒定通量边界条件下充电。在x＝0处，对锂电池进行恒流充电，电流密度为δ。受恒定电流的作用，持续沿电极厚度进行扩散。在电极的集流器处，由于是金属等材料，锂离子不发生扩散。因此，在恒流条件下的损失函数为：式中，MSE
e
、MSE
b
和MSE
i
分别表示扩散方程残差、边界条件和初始条件对应的损失函数分量；N
b
、N
i
、N
e
分别表示在计算域边界、计算域t＝0的初始条件以及计算域内部的训练数据个数；δ为充电的电流密度；α和β表示加权系数，用于平衡损失函数的不同项，加快训练过程中的收敛速度；步骤五、计算恒流充电条件下的锂离子扩散情况；作为本发明的一种实施方式...

【专利技术属性】
技术研发人员：王强，冯露，张鹏飞，鲍泽峰，仝雨春，任志豪，
申请(专利权)人：天津大学，
类型：发明
国别省市：