基于代理模型的锂电池优化设计方法及系统、装置、介质制造方法及图纸

本申请提供基于代理模型的锂电池优化设计方法及系统、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。池优化设计的效率。池优化设计的效率。

【技术实现步骤摘要】
基于代理模型的锂电池优化设计方法及系统、装置、介质


[0001]本申请属于锂电池
，涉及一种基于代理模型的锂电池优化设计方法及系统、装置、介质。

技术介绍

[0002]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。
[0003]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。
[0004]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。

技术实现思路

[0005]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系统、装置、介质，用于解决上述现有技术中存在的问题。
[0006]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。
[0007]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。
[0008]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。
[0009]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。
[0010]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。
[0011]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。
[0012]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系统，所述系统包括：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。
[0013]在第二方面的一种实现方式中，所述系统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。
[0014]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。
[0015]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。
[0016]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系统、装置、介质，具有以下有益效果：
[0017](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。
[0018](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
[0019]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。
[0020]图2A显示为本申请实施例中分类神经网络的结构示意图。
[0021]图2B显示为本申请实施例中拟合神经网络的结构示意图。
[0022]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。
[0023]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系统的结构示意图。
[0024]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系统的结构示意图。
[0025]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。
[0026]元件标号说明
[0027]4ꢀꢀꢀꢀꢀꢀꢀꢀ
基于代理模型的锂电池优化设计系统
[0028]41
ꢀꢀꢀꢀꢀꢀꢀ
模型构建训练模块
[0029]42
ꢀꢀꢀꢀꢀꢀꢀ
预测模块
[0030]43
ꢀꢀꢀꢀꢀꢀꢀ
循环优化模块
[0031]6ꢀꢀꢀꢀꢀꢀꢀꢀ
基于代理模型的锂电池优化设计装置
[0032]61
ꢀꢀꢀꢀꢀꢀꢀ
存储器
[0033]62
ꢀꢀꢀꢀꢀꢀꢀ
处理器
[0034]S1～S3
ꢀꢀꢀ
步骤
具体实施方式
[0035]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。
[0036]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：李倩，魏琼，严晓，赵恩海，顾单飞，江铭臣，陈思元，韦良长，
申请(专利权)人：上海玫克生储能科技有限公司，
类型：发明
国别省市：