【技术实现步骤摘要】
三元正极材料产品性能与烧结能耗多目标优化方法及系统
[0001]本专利技术涉及三元正极材料的工业制备
，尤其公开了一种三元正极材料产品性能与辊道窑烧结能耗的多目标优化方法及系统。
技术介绍
[0002]锂离子电池具有高比容量、无污染等优点，是未来最重要的储能装置之一，从而引起研究热潮。正极材料是锂离子电池的重要组成部分，对电池的工作电压、容量、寿命和安全性等性能有很大的影响，其成本占电池总成本的30％～40％。制备高容量、倍率性能好、使用周期长和价格低廉的高性能正极材料成为近年来的重要研发任务。
[0003]我国提出“2030碳达峰、2060碳中和”的目标，大力发展新能源是实现“双碳”的重要途径。清洁能源需要与之匹配良好的储能设备才能使新能源的供给更加稳定可靠，因此研发能量密度高、寿命长、环境友好的电池非常重要。锂离子电池属于环境友好的电池，代替传统能源可以降低碳排放，但是许多工厂忽略了工艺制备中高碳排放情况，生产成本高居不下且造成能源浪费，因此降低三元正极材料制备过程中辊道窑的烧结能耗，成为节能减排的重点目标...
【技术保护点】
【技术特征摘要】 【专利技术属性】
1.一种三元正极材料产品性能与烧结能耗多目标优化方法，其特征在于，包括以下步骤：根据生产所需要的三元正极材料最终成品的产品性能特点，建立基于数据驱动的RBF神经网络模型，预测特定生产温度下的产品性能；根据三元正极材料制备过程中辊道窑烧结环节的特点，依据实际工艺对烧结过程进行分段，并分段建立反应的能耗模型，综合构建总生产能耗，预测特定生产温度下的生产能耗；根据给定的基于RBF神经网络的产品粒径预测模型、由多段能耗模型综合构成的生产能耗预测模型、以及实际生产的约束条件，建立三元正极材料的多目标优化模型；依据三元正极材料多目标优化模型中的特点，针对基本状态转移算法进行改进，采用搜索策略进行生产温度的迭代演化，获得三元正极材料制备过程中保证产品性能并降低能耗的最优生产温度的模拟结果。2.如权利要求1所述的三元正极材料产品性能与烧结能耗多目标优化方法，其特征在于，所述根据生产所需要的三元正极材料最终成品的产品性能特点，建立基于数据驱动的RBF神经网络模型，预测特定生产温度下的产品性能的步骤包括：统计不同的实际烧结温度下，一次颗粒粒径的最终生长结果，并根据粒径生长实验的数据和资料，分析影响一次颗粒粒径生长的因素；根据资料及数据分析，实际生产中辊道窑各温区温度主导了一次颗粒粒径的生长，根据温度与粒径的因果关系，建立基于数据驱动的RBF神经网络预测模型和基于RBF神经网络的产品粒径预测模型；所述根据资料及数据分析，实际生产中辊道窑各温区温度主导了一次颗粒粒径的生长，根据温度与粒径的因果关系，建立基于数据驱动的RBF神经网络预测模型和基于RBF神经网络的产品粒径预测模型的步骤中，采用K
‑
means聚类算法，确定合适的网络初始中心考虑数据分布采用方差度量优化法求取隐含层神经元基函数的宽度σ
i
；宽度的选择考虑每个聚类簇内样本的分布密度；方差代表样本分布的稠密程度，计算每个聚类的方差S
i
：其中，S
i
为每个聚类的方差，size(C
i
)为属于聚类中心μ
i
的样本数；C
i
为子样本集合；dist为欧式距离，x为在子样本范围内除聚类中心外的个体；为网络初始中心；中心宽度的计算公式为：其中，σ
i
为隐含层神经元基函数的宽度，S
i
为每个聚类的方差，k代表子样本的总数；基于中心和宽度σ
i
，隐含层第i个节点的径向基函数为：其中，h
i
(x)为径向基函数；||
·
||为欧式范数，x为在子样本范围内除聚类中心外的个
体；为神经元中心，σ
i
为神经元宽度；应用最小二乘法求得隐含层与输出层的权值参数w，输出层第k个节点的输出为：其中，y
k
(x)为输出层第k个节点的输出，h
i
(x)为第i个神经元的径向基函数，w
ki
为隐含层第i个节点到输出层第k个节点的连接权重，w
k0
为输出层第k个节点的偏差项；m代表隐含层节点总数；输出层节点k的误差函数如下式所示：其中，E
k
为输出层节点k的误差函数，y
k
(x)为输出层第k个节点的输出，y
d,k
为节点k的期望输出。3.如权利要求1所述的三元正极材料产品性能与烧结能耗多目标优化方法，其特征在于，所述根据三元正极材料制备过程中辊道窑烧结环节的特点，依据实际工艺对烧结过程进行分段，并分段建立反应的能耗模型，综合构建总生产能耗，预测特定生产温度下的生产能耗的步骤中，针对辊道窑整体能耗的建模，从能量分析出发，将总能耗包括热能E1，风机能耗E2以及辊道传动能耗E3；针对辊道窑热能分析出发，不同的工作区间有不同的能量变化；从升温区内的第i个温区能量变化情况来看，能量传入包括硅碳棒加热能量Q
i1
、高温区传入能量Q
i2
、匣钵及物料带入能量Q
i3
；能量流失包括水分蒸发吸收能量Q
i4
、气氛抽出带走能量Q
i5
、向低温区传递能量Q
i6
、匣钵及物料带走能量Q
i7
及炉壁散热Q
i8
，则升温区单温区能量变化为E
up
：E
up
＝Q
i1
+Q
i2
+Q
i3
‑
Q
i4
‑
Q
i5
‑
Q
i6
‑
Q
i7
‑
Q
i8
其中，E
up
为升温区单温区能量变化，Q
i1
为硅碳棒加热能量，Q
i2
为高温区传入能量，Q
i3
为匣钵及物料带入能量，Q
i4
为水分蒸发吸收能量，Q
i5
为气氛抽出带走能量，Q
i6
为向低温区传递能量，Q
i7
为匣钵及物料带走能量，Q
i8
为炉壁散热；根据实际生产工艺可知，恒温段时期相邻温区之间无温差，原料不发生水蒸发，故恒温区单温区能量变化为E
cons
：E
cons
＝Q
i1
+Q
i3
‑
Q
i5
‑
Q
i8
其中，E
cons
为恒温区单温区能量变化，Q
i1
为硅碳棒加热能量，Q
i3
为匣钵及物料带入能量，Q
i5
为气氛抽出带走能量，Q
i8
为炉壁散热；整个生产过程中由于通入气体，依据经验公式，风机频率与转速的1.7次方成正比，风机能耗E2计算公式为：E2＝n
fan
*Δt*PP＝a*N
1.7
其中，E2为风机能耗，n
fan
、Δt、Q、P、a、N分别为风机个数、间隔时长、实际功率、转换系数和电机转速。整个生产过程中由于传送带持续运送匣钵及物料，根据能量守恒，辊道窑电机引起的传动能耗E3转换为匣钵及物料的动能及摩擦消耗，计算公式为：E3＝n(μmgΔx+mv2/2)
其中，min f1代表第一个最小化优化目标，min f2代表第二个最小化优化目标，f(T,V,f,P)为非线性项，与温度T、电压V、风机频率f和窑压P相关，同样采用RBF神经网络进行预测；f
RBF
(T
1up
,T
1down
,T
2up
,T
2down
,
…
T
20up
,T
20down
)为产品粒径预测的表达式，其输入变量为辊道窑内所有温区的温度。5.如权利要求1所述的三元正极材料产品性能与烧结能耗多目标优化方法，其特征在于，所述依据三元正极材料多目标优化模型中的特点，针对基本状态转移算法进行改进，采用搜索策略进行生产温度的迭代演化，获得三元正极材料制备过程中保证产品性能并降低能耗的最优生产温度的模拟结果的步骤包括：在三元正极材料的烧结过程中，选择各温区烧结温度作为决策变量，以产品性能和生产能耗为优化目标，实际生产条件为约束；在第一阶段内，一个温度搜索种群忽略实际生产约束，另一个温度搜索种群考虑生产约束，两个种群分别搜索各自问题的最优解集并将搜索过程中的最优解存储在外部档案，待收敛后转入第二阶段；在第二阶段内，每个档案将被视为第二阶段的初始群体，此后将两个种群产生的子代合并，进行共同搜索，达到真实帕累托前沿；第一种群将从不可行域出发，第二种群从可行域出发，两个种群交流信息，协作探索可能区域，最终收敛到真实帕累托前沿，外部存档集内存储搜索过程中找到的最优决策变量T
i
。6.一种三元正极材料产品性能与烧结能耗多目标优化系统，其特征在于，包括：第一建立模块(10)，用于根据生产所需要的三元正极材料最终成品的产品性能特点，建立基于数据驱动的RBF神经网络模型，预测特定生产温度下的产品性能；第二建立模块(20)，用于根据三元正极材料制备过程中辊道窑烧结环节的特点，依据实际工艺对烧结过程进行分段，并分段建立反应的能耗模型，综合构建总生产能耗，预测特定生产温度下的生产能耗；第三建立模块(30)，用于根据给定的基于RBF神经网络的产品粒径预测模型、由多段能耗模型综合构成的生产能耗预测模型、以及实际生产的约束条件，建立三元正极材料的多目标优化模型；获取模块(40)，用于依据三元正极材料多目标优化模型中的特点，针对基本状态转移算法进行改进，采用搜索策略进行生产温度的迭代演化，获得三元正极材料制备过程中保
证产品性能并降低能耗的最优生产温度的模拟结果。7.如权利要求6所述的三元正极材料产品性能与烧结能耗多目标优化系统，其特征在于，所述第一建立模块(10)包括：统计分析单元(11)，用于统计不同的实际烧结温度下，一次颗粒粒径的最终生长结果，并根据粒径生长实验的数据和资料，分析影响一次颗粒粒径生长的因素；建立单元(12)，用于根据资料及数据分析，实际生产中辊道窑各温区温度主导了一次颗粒粒径的生长，根据温度与粒径的因果关系，建立基于数据驱动的RBF神经网络预测模型和基于RBF神经网络的产品粒径预测模型；所述建立单元(12)中，采用K
技术研发人员：陈宁，刘锐，郭宇骞，桂卫华，阳春华，陈嘉瑶，谢沐言，徐晓东，
申请(专利权)人：中南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。