CN112560282B - 电池电极层设计结果的筛选方法及计算机设备 - Google Patents
电池电极层设计结果的筛选方法及计算机设备 Download PDFInfo
- Publication number
- CN112560282B CN112560282B CN202011551398.XA CN202011551398A CN112560282B CN 112560282 B CN112560282 B CN 112560282B CN 202011551398 A CN202011551398 A CN 202011551398A CN 112560282 B CN112560282 B CN 112560282B
- Authority
- CN
- China
- Prior art keywords
- performance index
- pareto optimal
- optimal solutions
- group
- battery electrode
- 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.)
- Active
Links
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
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C10/00—Computational theoretical chemistry, i.e. ICT specially adapted for theoretical aspects of quantum chemistry, molecular mechanics, molecular dynamics or the like
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Battery Electrode And Active Subsutance (AREA)
Abstract
本申请涉及一种电池电极层设计结果的筛选方法及计算机设备,以电池电极的介观结构参数为设计变量,以互相制约的第一性能指标和第二性能指标为优化目标,获得多组帕累托最优解;估计介观结构参数的概率分布,进而对每一组帕累托最优解进行采样,获得每一组帕累托最优解对应的多个采样点;将每一组帕累托最优解对应的多个采样点输入至数值模型中进行仿真,获取每一组帕累托最优解对应的第一性能指标分布数据和第二性能指标分布数据,进而对电池设计结果进行评估。本申请利用介观结构参数的概率分布得到了随机分布的多个采样点,之后通过模型仿真得到第一性能指标的分布规律,进而可以挑选出最具有生产指导意义的设计方案。
Description
技术领域
本申请涉及电池设计技术领域,特别是涉及一种电池电极层设计结果的筛选方法及计算机设备。
背景技术
锂离子电池凭借其高能量密度、长循环寿命以及高放电电压等优势,广泛应用于3C电子、电动交通及储能电站等领域,随着锂离子电池技术的持续发展,客户对锂离子电池的各项性能指标提出了更高的需求。
一般来讲,电池设计的目的通常是使互相制约的性能同时达到最优,最典型的如同时使比能量和比功率达到最优,举例来说明比能量(Specific energy)和比功率(Specific power)的制约关系:电极厚度变厚可以使电池比能量提升,但会使比功率降低。而对互相制约的性能进行设计会得到多个最优解,举例来解释:电池设计往往会得到这样的两组设计(参数组合),即:设计一对应的比功率比设计二对应的比功率大,但是设计一对应的比能量比设计二对应的比能量小,同时这两个设计对应的比功率和比能量都大于其他设计对应的比功率和比能量,我们只能得出这两个设计比其他设计好的结论,而不能得出这两个设计中哪个更好,这时我们说这两个设计一样好。进一步推广,电池设计往往会出现多个这种一样好的设计方案,尤其是在使用基于优化算法的仿真方法对互相制约的性能进行优化设计时,一定会出现这样的多个最优解。这种对多个相互制约的优化目标(如比能量和比功率)同时进行优化的问题被称为多目标优化问题,在多目标优化中这些一样好的最优解被叫做帕累托(帕累托)最优解。如图1中的黑色三角形都是帕累托最优解,直观地理解这些解一样好,即:没有一个黑色三角形处于另一个黑色三角形的右上方。传统技术方案中,并不能在多个最优设计方案中挑选出最具有生产指导意义的设计方案。
发明内容
基于此,本申请针对上述技术问题,提供一种电池电极层设计结果的筛选方法及计算机设备。
本申请提供一种电池电极层设计结果的筛选方法,包括:
以电池电极的介观结构参数为设计变量,以互相制约的第一性能指标和第二性能指标为优化目标,获得多组帕累托最优解;
估计所述介观结构参数的概率分布;
根据所述介观结构参数的概率分布,对每一组帕累托最优解进行采样,获得所述每一组帕累托最优解对应的多个采样点;
将所述每一组帕累托最优解对应的多个采样点输入至数值模型中进行仿真,获取所述每一组帕累托最优解对应的所述第一性能指标分布数据和第二性能指标分布数据;
根据所述第一性能指标分布数据和所述第二性能指标分布数据,对电池设计结果进行评估。
在其中一个实施例中,所述介观结构参数包括正极厚度、负极厚度、正极孔隙率、负极孔隙率、正极颗粒半径以及负极颗粒半径中的一种或者多种。
在其中一个实施例中,所述介观结构参数包括正极厚度、正极孔隙率和负极孔隙率。
在其中一个实施例中,所述第一性能指标为比能量,所述第二性能指标为比功率。
在其中一个实施例中,所述第一性能指标为比容量,所述第二性能指标为比功率。
在其中一个实施例中,所述介观结构参数的概率分布服从x~N(x*,diag(0.1x*)),其中x*为所述每一组帕累托最优解。
在其中一个实施例中,所述数值模型为电化学模型、热-电化学模型或者机械-热-电化学模型中的一种。
在其中一个实施例中,还包括:
根据所述第一性能指标分布数据和所述第二性能指标分布数据,计算所述每一组帕累托最优解对应的第一性能指标分布方差值和第二性能指标分布方差值;
对所述每一组帕累托最优解对应的所述第一性能指标分布方差值和所述第二性能指标分布方差值进行线性加和,以获得多个方差数据;
从获取的所述多个方差数据中选取最小方差,所述最小方差对应的帕累托最优解为最优设计方案。
在其中一个实施例中,利用实验或者仿真的方法获得所述多组帕累托最优解。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任一项所述的电池电极层设计结果的筛选方法的步骤。
上述电池电极层设计结果的筛选方法及计算机设备中,首先以电池电极的介观结构参数为设计变量,以互相制约的第一性能指标和第二性能指标为优化目标,获得多组帕累托最优解;其次估计所述介观结构参数的概率分布;再次根据所述介观结构参数的概率分布,对每一组帕累托最优解进行采样,获得所述每一组帕累托最优解对应的多个采样点;再次将所述每一组帕累托最优解对应的多个采样点输入至数值模型中进行仿真,获取所述每一组帕累托最优解对应的所述第一性能指标分布数据和第二性能指标分布数据;最后根据所述第一性能指标分布数据和所述第二性能指标分布数据,对电池设计结果进行评估。本申请在得到多组帕累托最优解后,利用介观结构参数的概率分布得到了随机分布的多个采样点,之后将采样点的值作为输入,通过模型仿真得到第一性能指标的分布规律,通过第一性能指标的分布规律可以得出生产误差对第一性能指标的影响,进而可以挑选出最具有生产指导意义的设计方案。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案,下面将对实施例或传统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申请的一些实施例,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为本申请一个实施例提供的帕累托最优解(黑色三角形)以及其他解(圆圈)对应的比能量和比功率示意图;
图2为本申请一个实施例提供的电池电极层设计结果的筛选方法流程示意图;
图3为本申请再一个实施例提供的采样点分布示意图;
图4为本申请一个实施例提供的采样以及仿真得到比能量的分布示意图;
图5为本申请一个实施例提供的比能量的分布示意图;
图6为本申请一个实施例提供的15组比能量分布对应的方差分布示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施的限制。
可以理解,本申请所使用的术语“第一”、“第二”等可在本文中用于描述各种元件,但这些元件不受这些术语限制。这些术语仅用于将第一元件与另一个元件区分。举例来说,在不脱离本申请的范围的情况下,可以将第一获取模块称为第二获取模块,且类似地,可将第二获取模块称为第一获取模块。第一获取模块和第二获取模块两者都是获取模块,但其不是同一个获取模块。
需要说明的是,当元件被称为“设置于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的,不是旨在于限制本申请。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。
基于此,请参见图2,本申请提供一种电池电极层设计结果的筛选方法。电池电极层设计结果的筛选方法包括:
S10,以电池电极的介观结构参数为设计变量,以互相制约的第一性能指标和第二性能指标为优化目标,获得多组帕累托最优解;
S20,估计所述介观结构参数的概率分布;
S30,根据所述介观结构参数的概率分布,对每一组帕累托最优解进行采样,获得所述每一组帕累托最优解对应的多个采样点;
S40,将所述每一组帕累托最优解对应的多个采样点输入至数值模型中进行仿真,获取所述每一组帕累托最优解对应的所述第一性能指标分布数据和第二性能指标分布数据;
S50,根据所述第一性能指标分布数据和所述第二性能指标分布数据,对电池设计结果进行评估。
可以理解的是,电池设计指通过调整电池电极的介观结构参数来满足设计性能要求,介观结构参数指正、负极厚度、正、负极颗粒半径以及正、负极孔隙率等。一般的性能要求有最大化比能量、比功率、比容量等。电池设计方法主要包括实验的方法和仿真的方法。基于实验的方法指人为选取多组参数组合,根据这些参数组合进行样本的制备,并对比不同参数组合下样本的性能;基于仿真的方法可以进一步细分为基于试验设计的方法和基于优化算法的方法,基于试验设计的仿真方法类似于基于实验的方法,也是人为选取多组参数组合,不同的是该方法通过模型来对比非实际样本的性能;基于优化算法的仿真方法指通过优化算法来找到使性能达到最佳的最优点。步骤S10中,可以通过实验或者仿真的电池设计方法,以电池电极的介观结构参数为设计变量,对互相制约的第一性能指标和第二性能指标进行优化设计,以获得多组帕累托最优解。可选地,所述介观结构参数包括正极厚度、负极厚度、正极孔隙率、负极孔隙率、正极颗粒半径以及负极颗粒半径中的一种或者多种。在一个可以实施的方式中,所述介观结构参数包括正极厚度、正极孔隙率和负极孔隙率。在一个可选地实施例中,所述第一性能指标为比能量,所述第二性能指标为比功率。在另一个可选地实施例中,所述第一性能指标为比容量,所述第二性能指标为比功率。
步骤S20中,由于制造误差的存在,最终生产出来的电池的介观结构参数(例如负极孔隙率εa、正极孔隙率εc以及正极厚度Tc)不会完全符合我们预设的值。为了获取介观结构参数的概率分布,可以假设设计变量在每组帕累托最优解附近服从正态分布,均值为每组帕累托最优解,标准差为最优解的10%,来模拟生产过程中的生产误差,即设计变量服从x~N(x*,diag(0.1x*)),其中x*为帕累托最优解。以介观结构参数为负极孔隙率εa、正极孔隙率εc以及正极厚度Tc为例,x*=[εa*,εc*,Tc*]。当然,获取介观结构参数的概率分布的方式并不局限于上述估计方式,还可以通过实验的方式或者其他任何可以实施的方式获取介观结构参数的概率分布。
步骤S30中,可以利用蒙特卡罗(Monte Carlo)方法对每组帕累托最优解按照介观结构参数的概率分布进行多次采样。某一组帕累托最优解的采样点如图3所示。图3为按照x~N(x*,diag(0.1x*))进行了400次正态分布采样获得采样点的分布图。
步骤S40中,所述数值模型为电化学模型、热-电化学模型或者机械-热-电化学模型中的一种。且所述数值模型适用于一维、二维、三维模型,只要可以获取所述第一性能指标分布数据和所述第二性能指标分布数据即可。
可实施地,所述数值模型为电化学模型。所述电化学模型的建立步骤可以为,建立包括负极集流体、负极、隔膜、正极和正极集流体五部分的一维几何模型,在一维几何模型上加载放电过程的微分或者偏微分方程,并进行网格剖分,计算描述放电过程的微分或偏微分方程,得到在不同设计方案下电池的放电电压曲线束。
可以理解的是,所述数值模型的构建过程并不限制于上述实现方式,还可以采用现有技术中的其它方式得到所述数值模型。
可以理解的是,步骤S50可以包括:
根据所述第一性能指标分布数据和所述第二性能指标分布数据,计算所述每一组帕累托最优解对应的第一性能指标分布方差值和第二性能指标分布方差值;
对所述每一组帕累托最优解对应的所述第一性能指标分布方差值和所述第二性能指标分布方差值进行线性加和,以获得多个方差数据;
从获取的所述多个方差数据中选取最小方差,所述最小方差对应的帕累托最优解为最优设计方案。
其中,对所述每一组帕累托最优解对应的所述第一性能指标分布方差值和所述第二性能指标分布方差值进行线性加和的公式可以是vari=k*vari,2+vari,1,其中,vari,1代表第一性能指标分布方差值,vari,2代表第二性能指标分布方差值,k代表调节系数,i代表第i组累托最优解。其中,k大于等于0。
可选地,将同一组获取的全部采样点输入至伪二维(Pseudo two dimensional,P2D)模型中进行仿真,并选择对参数变化最为敏感的比能量作为度量,得到比能量的分布规律,该步骤如图4所示。对某一组帕累托最优解对应的采样点进行仿真后得到的比能量的分布,如图5所示。对每一组帕累托最优解对应的采样点进行仿真,可以相应获得多组比能量的分布数据。之后,通过对比多组比能量的分布数据,可以对电池设计结果进行评估。
可选地,为了对比多组比能量的分布数据,可以根据所述比能量分布数据,计算所述每一组帕累托最优解对应的比能量分布方差值;从获取的多个方差数据中选取最小方差,所述最小方差对应的帕累托最优解为最优设计方案。具体地,可以对每一组比能量的分布数据进行数据处理,以获得每组比能量分布的方差,如图6,方差越小,说明比能量受生产误差的影响越小,进而可以得到方差最小的数据对应的帕累托最优设计被称为鲁棒设计,就是最具有生产指导意义的设计方案,即最佳设计方案。
本实施例中,首先以电池电极的介观结构参数为设计变量,以互相制约的第一性能指标和第二性能指标为优化目标,获得多组帕累托最优解;其次估计所述介观结构参数的概率分布;再次根据所述介观结构参数的概率分布,对每一组帕累托最优解进行采样,获得所述每一组帕累托最优解对应的多个采样点;再次将所述每一组帕累托最优解对应的多个采样点输入至数值模型中进行仿真,获取所述每一组帕累托最优解对应的所述第一性能指标分布数据和第二性能指标分布数据;最后根据所述第一性能指标分布数据和所述第二性能指标分布数据,对电池设计结果进行评估。本申请在得到多组帕累托最优解后,利用介观结构参数的概率分布得到了随机分布的多个采样点,之后将采样点的值作为输入,通过模型仿真得到第一性能指标的分布规律,通过第一性能指标的分布规律可以得出生产误差对第一性能指标的影响,进而可以挑选出最具有生产指导意义的设计方案。
本申请提供一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述实施例中任一项所述的电池电极层设计结果的筛选方法的步骤。
电池电极层设计结果的筛选方法包括:
S10,以电池电极的介观结构参数为设计变量,以互相制约的第一性能指标和第二性能指标为优化目标,获得多组帕累托最优解;
S20,估计所述介观结构参数的概率分布;
S30,根据所述介观结构参数的概率分布,对每一组帕累托最优解进行采样,获得所述每一组帕累托最优解对应的多个采样点;
S40,将所述每一组帕累托最优解对应的多个采样点输入至数值模型中进行仿真,获取所述每一组帕累托最优解对应的所述第一性能指标分布数据和第二性能指标分布数据;
S50,根据所述第一性能指标分布数据和所述第二性能指标分布数据,对电池设计结果进行评估。
可以理解的是,电池设计指通过调整电池电极的介观结构参数来满足设计性能要求,介观结构参数指正、负极厚度、正、负极颗粒半径以及正、负极孔隙率等。一般的性能要求有最大化比能量、比功率、比容量等。电池设计方法主要包括实验的方法和仿真的方法。基于实验的方法指人为选取多组参数组合,根据这些参数组合进行样本的制备,并对比不同参数组合下样本的性能;基于仿真的方法可以进一步细分为基于试验设计的方法和基于优化算法的方法,基于试验设计的仿真方法类似于基于实验的方法,也是人为选取多组参数组合,不同的是该方法通过模型来对比非实际样本的性能;基于优化算法的仿真方法指通过优化算法来找到使性能达到最佳的最优点。步骤S10中,可以通过实验或者仿真的电池设计方法,以电池电极的介观结构参数为设计变量,对互相制约的第一性能指标和第二性能指标进行优化设计,以获得多组帕累托最优解。可选地,所述介观结构参数包括正极厚度、负极厚度、正极孔隙率、负极孔隙率、正极颗粒半径以及负极颗粒半径中的一种或者多种。在一个可以实施的方式中,所述介观结构参数包括正极厚度、正极孔隙率和负极孔隙率。在一个可选地实施例中,所述第一性能指标为比能量,所述第二性能指标为比功率。在另一个可选地实施例中,所述第一性能指标为比容量,所述第二性能指标为比功率。
步骤S20中,由于制造误差的存在,最终生产出来的电池的介观结构参数(以介观结构参数为负极孔隙率εa、正极孔隙率εc以及正极厚度Tc为例)不会完全符合我们预设的值。为了获取介观结构参数的概率分布,可以假设设计变量在每组帕累托最优解附近服从正态分布,均值为每组帕累托最优解,标准差为最优解的10%,来模拟生产过程中的生产误差,即设计变量服从x~N(x*,diag(0.1x*)),其中x*为帕累托最优解,即x*=[εa*,εc*,Tc*]。当然,获取介观结构参数的概率分布的方式并不局限于上述估计方式,还可以通过实验的方式或者其他可以实施的方式获取介观结构参数的概率分布。
步骤S30中,可以利用蒙特卡罗(Monte Carlo)方法对每组帕累托最优解按照介观结构参数的概率分布进行多次采样。某一组帕累托最优解的采样点如图3所示。图3为按照x~N(x*,diag(0.1x*))进行了400次正态分布采样获得采样点的分布图。
步骤S40中,所述数值模型为电化学模型、热-电化学模型或者机械-热-电化学模型中的一种。且所述数值模型适用于一维、二维、三维模型,只要可以获取所述第一性能指标分布数据即可。
可实施地,所述数值模型为电化学模型。所述电化学模型的建立步骤可以为,建立包括负极集流体、负极、隔膜、正极和正极集流体五部分的一维几何模型,在一维几何模型上加载放电过程的微分或者偏微分方程,并进行网格剖分,计算描述放电过程的微分或偏微分方程,得到在不同设计方案下电池的放电电压曲线束。
可以理解的是,所述数值模型的构建过程并不限制于上述实现方式,还可以采用现有技术中的其它方式得到所述数值模型。
可选地,将同一组获取的全部采样点输入至伪二维(Pseudo two dimensional,P2D)模型中进行仿真,并选择对参数变化最为敏感的比能量作为度量,得到比能量的分布规律,该步骤如图4所示。对某一组帕累托最优解对应的采样点进行仿真后得到的比能量的分布,如图5所示。对每一组帕累托最优解对应的采样点进行仿真,可以相应获得多组比能量的分布数据。之后,通过对比多组比能量的分布数据,可以对电池设计结果进行评估。
可选地,为了对比多组比能量的分布数据,可以根据所述第一性能指标分布数据,计算所述每一组帕累托最优解对应的第一性能指标分布方差值;从获取的多个方差数据中选取最小方差,所述最小方差对应的帕累托最优解为最优设计方案。具体地,可以对每一组比能量的分布数据进行数据处理,以获得每组比能量分布的方差,如图6,方差越小,说明比能量受生产误差的影响越小,进而可以得到方差最小的数据对应的帕累托最优设计被称为鲁棒设计,就是最具有生产指导意义的设计方案,即最佳设计方案。
存储器作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例中的电池电极层设计结果的筛选方法对应的程序指令/模块。处理器通过运行存储在存储器中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述电池电极层设计结果的筛选方法。
存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序。存储数据区可存储根据终端的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器可进一步包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本实施例中,上述计算机设备实现上述电池电极层设计结果的筛选方法,首先以电池电极的介观结构参数为设计变量,以互相制约的第一性能指标和第二性能指标为优化目标,获得多组帕累托最优解;其次估计所述介观结构参数的概率分布;再次根据所述介观结构参数的概率分布,对每一组帕累托最优解进行采样,获得所述每一组帕累托最优解对应的多个采样点;再次将所述每一组帕累托最优解对应的多个采样点输入至数值模型中进行仿真,获取所述每一组帕累托最优解对应的所述第一性能指标分布数据和第二性能指标分布数据;最后根据所述第一性能指标分布数据和所述第二性能指标分布数据,对电池设计结果进行评估。本申请在得到多组帕累托最优解后,利用介观结构参数的概率分布得到了随机分布的多个采样点,之后将采样点的值作为输入,通过模型仿真得到第一性能指标的分布规律,通过第一性能指标的分布规律可以得出生产误差对第一性能指标的影响,进而可以挑选出最具有生产指导意义的设计方案。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (8)
1.一种电池电极层设计结果的筛选方法,其特征在于,包括:
以电池电极的介观结构参数为设计变量,以互相制约的第一性能指标和第二性能指标为优化目标,获得多组帕累托最优解;
估计所述介观结构参数的概率分布;
根据所述介观结构参数的概率分布,对每一组帕累托最优解进行采样,获得所述每一组帕累托最优解对应的多个采样点;
将所述每一组帕累托最优解对应的多个采样点输入至数值模型中进行仿真,获取所述每一组帕累托最优解对应的第一性能指标分布数据和第二性能指标分布数据;
根据所述第一性能指标分布数据和所述第二性能指标分布数据,计算所述每一组帕累托最优解对应的第一性能指标分布方差值和第二性能指标分布方差值;
对所述每一组帕累托最优解对应的所述第一性能指标分布方差值和所述第二性能指标分布方差值进行线性加和,以获得多个方差数据;
从获取的所述多个方差数据中选取最小方差,所述最小方差对应的帕累托最优解为最优设计方案。
2.根据权利要求1所述的电池电极层设计结果的筛选方法,其特征在于,所述介观结构参数包括正极厚度、负极厚度、正极孔隙率、负极孔隙率、正极颗粒半径以及负极颗粒半径中的一种或者多种。
3.根据权利要求1所述的电池电极层设计结果的筛选方法,其特征在于,所述第一性能指标为比能量,所述第二性能指标为比功率。
4.根据权利要求1所述的电池电极层设计结果的筛选方法,其特征在于,所述第一性能指标为比容量,所述第二性能指标为比功率。
5.根据权利要求1所述的电池电极层设计结果的筛选方法,其特征在于,所述介观结构参数的概率分布服从x~N(x*,diag(0.1x*)),其中x*为所述每一组帕累托最优解。
6.根据权利要求1所述的电池电极层设计结果的筛选方法,其特征在于,所述数值模型为电化学模型、热-电化学模型或者机械-热-电化学模型中的一种。
7.根据权利要求1所述的电池电极层设计结果的筛选方法,其特征在于,利用实验或者仿真的方法获得所述多组帕累托最优解。
8.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的电池电极层设计结果的筛选方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011551398.XA CN112560282B (zh) | 2020-12-24 | 2020-12-24 | 电池电极层设计结果的筛选方法及计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011551398.XA CN112560282B (zh) | 2020-12-24 | 2020-12-24 | 电池电极层设计结果的筛选方法及计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112560282A CN112560282A (zh) | 2021-03-26 |
CN112560282B true CN112560282B (zh) | 2021-08-03 |
Family
ID=75033551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011551398.XA Active CN112560282B (zh) | 2020-12-24 | 2020-12-24 | 电池电极层设计结果的筛选方法及计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112560282B (zh) |
Family Cites Families (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10177398B2 (en) * | 2010-11-23 | 2019-01-08 | Eocell Ltd | Li-ion battery capacity and voltage prediction using quantum simulations |
CN104463374A (zh) * | 2014-12-23 | 2015-03-25 | 国家电网公司 | 一种分布式电源优化配置的方法及系统 |
US20200225655A1 (en) * | 2016-05-09 | 2020-07-16 | Strong Force Iot Portfolio 2016, Llc | Methods, systems, kits and apparatuses for monitoring and managing industrial settings in an industrial internet of things data collection environment |
CN206313488U (zh) * | 2016-12-26 | 2017-07-07 | 苏州绿恺动力电子科技有限公司 | 一种锂电池安全管理系统 |
CN107813718A (zh) * | 2017-09-30 | 2018-03-20 | 中车青岛四方机车车辆股份有限公司 | 一种车载燃料电池混合动力系统设计方法和装置 |
JP6895083B2 (ja) * | 2017-11-29 | 2021-06-30 | トヨタ自動車株式会社 | 非水系二次電池 |
CN108629446A (zh) * | 2018-04-13 | 2018-10-09 | 昆明理工大学 | 考虑含分布式电源配电网可靠性的充电站选址定容方法 |
US11373019B2 (en) * | 2018-07-16 | 2022-06-28 | Xplicit Computing, Inc. | Scalable convention for data properties in numerical computing |
CN111125894A (zh) * | 2019-12-13 | 2020-05-08 | 清华大学 | 电池最宜容量的确定方法及系统 |
CN111475956B (zh) * | 2020-04-13 | 2020-12-22 | 清华大学 | 电池设计方法、评估电池设计的方法及计算机设备 |
CN111597719A (zh) * | 2020-05-19 | 2020-08-28 | 华南理工大学 | 一种基于电热与热失控耦合模型的动力电池仿真方法 |
CN111931339B (zh) * | 2020-07-06 | 2021-04-23 | 清华大学 | 锂离子电池电化学模型电极层结构参数的确定方法 |
CN111950161B (zh) * | 2020-08-18 | 2021-07-20 | 清华大学 | 优化电池正极参数的方法、电池设计方法及计算机设备 |
CN112052593A (zh) * | 2020-09-07 | 2020-12-08 | 北京交通大学 | 一种电池运行特性及故障模拟仿真运行平台及其运行方法 |
CN112072769A (zh) * | 2020-09-11 | 2020-12-11 | 烟台大学 | 蓄电池/超级电容器耦合电源系统及功率分配控制方法 |
-
2020
- 2020-12-24 CN CN202011551398.XA patent/CN112560282B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112560282A (zh) | 2021-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | State-of-charge estimation tolerant of battery aging based on a physics-based model and an adaptive cubature Kalman filter | |
CN106842045B (zh) | 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系统 | |
Xiong et al. | A data-driven based adaptive state of charge estimator of lithium-ion polymer battery used in electric vehicles | |
Cen et al. | Lithium‐ion battery SOC/SOH adaptive estimation via simplified single particle model | |
Chun et al. | Adaptive exploration harmony search for effective parameter estimation in an electrochemical lithium-ion battery model | |
CN111475956B (zh) | 电池设计方法、评估电池设计的方法及计算机设备 | |
CN114264964B (zh) | 一种电池容量评估的方法、装置、设备及介质 | |
CN115453377B (zh) | 基于电化学-热-老化与三维降阶的电池组寿命预测方法 | |
Chen et al. | A novel combined estimation method of online full‐parameter identification and adaptive unscented particle filter for Li‐ion batteries SOC based on fractional‐order modeling | |
Takyi-Aninakwa et al. | Enhanced multi-state estimation methods for lithium-ion batteries considering temperature uncertainties | |
CN112580284A (zh) | 一种混合电容器等效电路模型及在线参数辨识方法 | |
Gopalakrishnan et al. | A composite single particle lithium-ion battery model through system identification | |
Lin et al. | Lithium-ion battery state of charge/state of health estimation using SMO for EVs | |
CN114757026B (zh) | 一种全工况多尺度动力锂电池电化学耦合建模方法 | |
Xu et al. | Open-circuit voltage curve reconstruction for degrading lithium-ion batteries utilizing discrete curve fragments from an online dataset | |
Xin et al. | A novel state of charge estimation method for ternary lithium batteries based on system function and extended kalman filter | |
CN109840353B (zh) | 锂离子电池双因素不一致性预测方法及装置 | |
Du et al. | State-of-charge estimation for second-life lithium-ion batteries based on cell difference model and adaptive fading unscented Kalman filter algorithm | |
Sun et al. | A novel online identification algorithm of lithium‐ion battery parameters and model order based on a fractional order model | |
CN112560282B (zh) | 电池电极层设计结果的筛选方法及计算机设备 | |
Gödde et al. | Modelling the charging probability of electric vehicles as a gaussian mixture model for a convolution based power flow analysis | |
CN116774045A (zh) | 一种基于hho-svr的锂电池健康状态预测方法 | |
CN116224070A (zh) | 一种基于ocv-soc模型的全温度锂离子电池ocv评估方法及系统 | |
Sun et al. | Online model identification method of vanadium redox flow battery based on time-varying forgetting factor recursive least squares | |
Tamilselvi et al. | Capacity fade modeling of Li-ion battery using evolutionary algorithm |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |