CN113312807B - 一种基于锂电池性能模拟环境的电解液配方推荐方法 - Google Patents

Abstract

本发明公开一种基于锂电池性能模拟环境的电解液配方推荐方法，所述锂电池性能模拟环境使用无梯度优化算法和机器学习算法，输入已有的电池电解液配方和实验结果来训练，所述锂电池性能模拟环境能够在给定电解液配方后模拟对应的实验结果；所述电解液配方推荐方法包括探索和利用两个阶段，探索阶段尽可能推荐数据密度小的电解液配方而非结果最优的电解液配方，因为密度小的点更有利于锂电池性能模拟环境的学习；当探索达到既定次数时进入利用阶段，所述利用阶段利用锂电池性能模拟环境推荐出最优电解液配方。本发明能够减少人力物力的投入，减少实验的迭代次数从而大大减少实验时间，在保证效果的同时降低电池生产成本。

Description

一种基于锂电池性能模拟环境的电解液配方推荐方法

技术领域

本发明涉及一种基于锂电池性能模拟环境的电解液配方推荐方法，其利用机器学习算法构建模拟环境，模拟锂电池设计过程中性能的变化，然后通过采样验证的方式推荐最优的电解液配方，属于工业智能制造技术领域。

背景技术

与其他类型的电池相比，锂电池具有重量轻、能量密度高等特点，正被应用于小型家电、IT设备、电动工具、电动汽车等诸多领域。锂电池大体可分为4个组成要素：正极、负极、电解液、隔膜，四者缺一不可。

其中，锂电池电解液是锂电池的“血液”，是离子传输的载体，在正负极之间起到传导锂离子的作用，为锂离子提供一个自由脱嵌的环境，是锂电池的关键组件之一。锂电池电解液一般由高纯度的有机溶剂、电解质锂盐、必要的添加剂等原料，在一定条件下，按一定比例配制而成的。好的电解液配方是锂离子电池获得高电压、高比能等优点的保证。锂电池在设计的过程中通过调整电解液中各类物料的配比，来使得电池最终的性能达到期望值，其中包含电池的直流阻抗（DCR）、产气等。在工业生产中，当测试环境、正负极材料、隔膜确定之后，需要尝试尽可能少的次数来找出电解液的最优配方，让锂电池的性能达标。此外，由于配方中不同物料的价格是不同的，在保证性能达标的同时还需尽可能降低原料成本。

目前，寻找电解液最优配方的方法大多是凭借人工经验任意给出几组初始电解液配方，然后直接进行实验，等实验结束后利用实验结果再次推荐几组新的电解液配方，通常需要反复进行多次实验后才能得到达标的电解液配方。然而，这一过程存在几个问题：

1）实验需要投入大量的人力物力。当电解液配方确定之后，相关实验人员需要对配方物料进行采购、装配等一系列操作之后组装成电池，由于实验误差、测试指标不同等因素，通常需要组装多个电池，然后将其在不同的实验室环境下进行测试，然后人工收集实验结果并处理。一轮实验费用通常高达数万元，而配方推荐是一个迭代优化的序列决策过程，获得一个合适的电解液配方往往需要十数次的迭代，导致实验费用更加高昂。

2）配方的选取高度依赖实验人员的经验。电解液配方的推荐问题类似于多目标优化问题，不光要考虑某个指标达标，更要看多个指标，并且通常为了保证多个指标同时达标，可能会牺牲一些指标的性能，从而找到一个平衡点。由于配方的选取是人工给定的，而人工经验通常由实验人员之间交流以及实验中的试错获取，难以形成数字化的经验，新入行从业人员的学习成本较高。最终电池性能的好坏完全取决于人工经验和运气。

3）迭代次数多导致实验时间过长。由于电池存在老化问题，衡量电池性能的指标中通常包含两个月后电池的性能，如第60天时电池产气的累计值和DCR值，这导致每轮实验都要持续数月之久，数轮迭代之后通常需要一两年。如果能够减少实验次数则可以加快电池生产速度。

4）电池生产成本较高。当实验室中得到效果达标的电解液配方后，通常会进入批量生产环节。然而，由于配方中的物料可能存在相关性（即一些相对廉价的物料的组合可以媲美价格较高的物料）和冗余性（即某种物料的多少、甚至有无，并不影响电解液的最终效果），导致电池成本上升，而这部分的成本理论上是可以降低的。

发明内容

发明目的：由现有技术中存在的问题与不足可知，如何利用机器学习算法挖掘数据中的有用信息，减少人为的主观臆断，并且考虑成本因素来推荐最优的锂电池电解液配方尤为重要。本发明提供一种基于锂电池性能模拟环境的电解液配方推荐方法，其利用机器学习算法构建模拟环境，模拟锂电池设计过程中性能的变化，然后通过采样验证的方式推荐最优的电解液配方。

技术方案：一种基于锂电池性能模拟环境的电解液配方推荐方法，所述方法基于反复迭代的思想逐步求精。

所述锂电池性能模拟环境使用无梯度优化算法和机器学习算法，输入已有的电池电解液配方和实验结果来训练，所述锂电池性能模拟环境能够在给定电解液配方后模拟对应的实验结果。

所述电解液配方推荐方法包括探索和利用两个阶段，探索阶段尽可能推荐数据密度小的电解液配方而非结果最优的电解液配方，因为密度小的点更有利于锂电池性能模拟环境的学习；当探索达到既定次数时进入利用阶段，所述利用阶段利用锂电池性能模拟环境推荐出最优电解液配方。

所述的机器学习算法包含深度神经网络、随机森林、极端随机树等算法，用来学习所述的锂电池性能模拟环境；所述的无梯度优化算法包括贝叶斯优化、ZOOpt工具包优化等，用来寻找机器学习算法中最优的超参数，使用所述超参数训练得到的锂电池性能模拟环境能够使得在训练集上的损失最小；所述的机器学习算法超参数根据算法有所不同，如在神经网络中超参数包括学习率、网络层数、每层的神经元数量等，随机森林和极端随机树中超参数包括树的最大深度、在生成树时需要考虑的最大特征数量等；所述的电解液配方和对应电解液配方的实验结果大部分来自已批量生产的某种电池（可以为多种型号，记为电池A-Y，电池A-Y已经存在多组实验结果），极少部分来自待生产的某种电池（记为电池Z），我们希望将电池A-Y上的知识迁移到电池Z上，只用电池Z的少量数据对模型进行修正；在探索阶段给出电池Z的几组数据密度最低的电解液配方，实验人员在实验室环境下对推荐配方进行测试，得到实验结果，用该实验结果优化锂电池性能模拟环境；所述数据密度使用孤立森林进行计算；在利用阶段，完全基于锂电池性能模拟环境，给出当前锂电池性能模拟环境得到的最优的电解液配方。

所述的锂电池性能模拟环境能够模拟电解液配方的实验过程，输出锂电池性能指标结果值，以优化DCR初始值、60天累计产气和60天DCR这三个锂电池性能指标为例，可以根据实际需求增加或减少优化目标。

构建锂电池性能模拟环境具体包括以下步骤：

步骤101，准备数据。将电池的电解液配方、电池属性（如：电池型号、电压大小、电池材料等）加入数据集的特征中。

步骤102，选择无梯度优化算法和机器学习算法，设置机器学习算法的超参数的取值范围作为无梯度优化算法的参数，设置无梯度优化算法的优化轮数。

步骤103，接收无梯度优化算法传入的一组超参数，作为机器学习算法当前优化使用的超参数。

步骤104，考虑到模型迁移性问题，将现有电池的所有数据以及随机采样的待生产电池的多条数据，二者合并作为训练集，待生产电池中剩余的数据作为验证集。所述现有电池与待生产电池属于同一体系内的电池，锂电池的生产厂商会将电池划分为不同的体系，每个体系内的电池会有一定的相似性。所述所有数据包括电解液配方及对应的电池性能指标值。

步骤105，对训练集进行预处理。由于待优化目标所对应的数据列中存在部分空缺值，对于空缺值先使用空缺值所对应列的均值填充，然后训练两个放缩器将特征值和目标值分别归一化到[0, 1]。所述特征值指的是电解液配方，目标值指的是锂电池性能指标值。

步骤106，使用机器学习算法在训练集上进行训练，使用均方误差（MSE）对机器学习算法进行优化，得到所述的锂电池性能模拟环境。

步骤107，将验证集用所述的两个放缩器归一化到[0, 1]。

步骤108，用学习到的锂电池性能模拟环境对验证集进行评估，得到锂电池性能指标的平均绝对误差（MAE）。

步骤109，循环步骤104-108多次（循环次数可根据设备算力情况进行调整），统计锂电池性能指标的平均绝对误差的均值作为当前超参数训练出的锂电池性能模拟环境的整体评估结果。锂电池性能指标的平均绝对误差的均值越小说明模拟环境与真实环境的差距越小，即当前超参数学习到的锂电池性能模拟环境越好。

步骤110，使用验证集上的损失优化无梯度优化算法模型。

步骤111，循环步骤103-110直到达到无梯度优化算法优化轮数，得到最优的超参数及其对应的锂电池性能模拟环境。

所述的电解液配方推荐是先在给定的电解液配方中每种物料的范围内采样多组可能的电解液配方。在探索阶段，利用孤立森林计算采样电解液配方的密度，迭代几次，选取密度最低的几个采样电解液配方作为推荐配方，具体过程包含以下步骤：

步骤301，列出电池的电解液配方的所有物料，在给定的范围内对每种物料进行均匀采样，得到可能的电解液配方。

步骤302，将已知的电池的电解液配方作为初始的训练集。

步骤303，利用孤立森林算法在训练集上进行训练，得到密度估计模型。

步骤304，利用密度估计模型估计采样电解液配方的密度，选择密度小的电解液配方作为推荐配方之一，同时将其加入训练集。

步骤305，反复迭代步骤303-304，直到达到预定的配方推荐数量。

步骤306，实验人员在实验室环境下对推荐配方进行测试，得到实验结果。

步骤307，利用实验结果优化锂电池性能模拟环境。

步骤308，反复迭代步骤302-307，直到达到预定的探索次数。

步骤309，得到最终锂电池性能模拟环境。

所述探索阶段的电解液配方推荐结果被拿到实验室中进行测试，得到真实的锂电池性能指标值，将推荐配方加入训练集，机器学习算法根据实验得到的真实的锂电池性能指标值和锂电池性能模拟环境输出的预测值进一步修正锂电池性能模拟环境的仿真程度。用修正后的锂电池性能模拟环境再次预测采样得到的电解液配方，得到锂电池性能指标的模拟值，再次选择采样密度小的电解液配方作为推荐配方。反复迭代多次直至推荐的电解液配方完全满足生产要求或模拟环境收敛。

当探索阶段结束后最终锂电池性能模拟环境则学习完成。进入利用阶段，该阶段完全基于锂电池性能模拟环境，首先将采样的电解液配方数据输入至锂电池性能模拟环境中进行模拟，得到锂电池性能指标的模拟值，然后选取模拟值最优的几组电解液配方作为推荐配方。这里最优指的是既能使得锂电池性能指标达标，又使得配方成本较低。具体的配方推荐过程包含以下步骤：

步骤401，列出电池的电解液配方的所有物料，在给定的范围内对每种物料进行均匀采样，得到可能的电解液配方。

步骤402，用上述最终锂电池性能模拟环境评估采样出的电解液配方，得到锂电池性能指标的模拟值。

步骤403，计算每条电解液配方的成本。

步骤404，根据需求，对锂电池性能指标的结果和成本加权求和，对电解液配方进行排序，给出推荐的电解液配方。每个归一化后的性能指标权重为1，成本权重为性能指标个数。例如：当锂电池性能指标为DCR初始值、60天累计产气和60天DCR时，这三个指标的权重均为1，成本权重为3。

所述机器学习算法使用均方误差作为损失函数进行优化。损失函数的计算公式为：

其中x,y~D表示从采样空间D中采样训练集电解液配方x和对应的实验得到的锂电池性能指标值y，n表示机器学习算法在每次优化时使用的样本数量，f表示使用的机器学习算法，向其输入特征值（电解液配方），输出预测结果（锂电池性能指标值）。

所述无梯度优化算法被用来寻找机器学习算法中最优的超参数和模拟环境，计算公式为：

其中x _val 和y _val 表示验证集的特征和真实值，m表示优化轮数，每轮使用一组超参数 训练机器学习模型，θ ₁,θ ₂,…,θ _m表示不同的超参数，

表示使用不同超 参数训练出的机器学习模型，

为最优的机器学习模型，即本发明所述的锂电池性能模 拟环境。

一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现上述的基于锂电池性能模拟环境的电解液配方推荐方法。

一种计算机可读存储介质，该计算机可读存储介质存储有执行上述的基于锂电池性能模拟环境的电解液配方推荐方法的计算机程序。

综上所述，本发明提供了一种基于锂电池性能模拟环境的电解液配方推荐方法，此项技术可应用于电池设计制造等领域，包括但不限于锂电池电解液配方的推荐。利用该方法能够有效减少实验次数和实验成本，得到的推荐配方在性能指标上有所提升，并且能够显著降低电解液配方价格，进一步降低生产成本。

有益效果：与现有技术相比，本发明提供了一种基于锂电池性能模拟环境的电解液配方推荐方法。所述方法基于反复迭代的思想逐步求精。所述锂电池性能模拟环境通过本发明所提供的机器学习算法，可以模拟出电解液配方到得出实验结果的过程。所述方法会在模拟环境中尝试多组电解液配方，探索阶段尽可能推荐数据密度小的配方而非结果最优的配方，因为密度小的点更有利于模拟环境的学习；当探索达到既定次数时进入利用阶段，该阶段利用模拟环境推荐出性能达标、成本最低的电解液配方。本发明所提供的电解液配方推荐方法能够减少人力物力的投入，不过度依赖实验人员的经验，直接从历史数据中学习可量化、可迁移的模拟环境，减少实验的迭代次数从而大大减少实验时间，在保证效果的同时降低电池生产成本。本发明可应用于电池设计制造等领域，具有广泛的应用前景。

附图说明

图1为本发明实施例使用无梯度优化算法和机器学习算法训练锂电池性能模拟环境的流程示意图；

图2为本发明实施例中数据集划分示意图；

图3为本发明实施例中探索阶段电解液配方迭代推荐、优化模拟环境流程示意图；

图4为本发明实施例中利用阶段基于模拟环境的电解液最优配方推荐示意图。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明提供了一种基于锂电池性能模拟环境的电解液配方推荐方法。在所述方法中，通过无梯度优化算法和机器学习算法在历史数据上学习锂电池性能模拟环境，模拟出电解液配方到得出实验结果的过程。方法会采样多组电解液配方，并在模拟环境中模拟出关注的三个锂电池性能指标值，最终推荐出性能达标、成本最低的电解液配方。

图1所示的是使用无梯度优化算法和机器学习算法训练锂电池性能模拟环境流程示意图，模拟环境能够模拟电解液配方的实验过程，输出锂电池性能指标结果值，本实施例中以优化DCR初始值、60天累计产气和60天DCR这三个锂电池性能指标为例，可以根据实际需求增加或减少锂电池性能指标。构建锂电池性能模拟环境具体包括以下步骤：

步骤101，准备数据。将电池的品牌（如电池A、电池B……电池Z）从0开始依次编号，相同品牌的电池具有相同的编号，将编号信息加入数据集的特征中。

步骤102，选择无梯度优化算法和机器学习算法，人工凭经验给定机器学习算法的超参数的取值范围作为无梯度优化算法的参数，设置无梯度优化算法的优化轮数。

步骤103，接收无梯度优化算法传入的一组超参数，作为机器学习算法当前优化使用的超参数。

步骤104，考虑到模型迁移性问题，此处使用电池A-Y的所有数据，并在电池Z中只随机采样5条数据，合并二者作为训练集，电池Z中剩余的数据作为验证集。

步骤105，对训练集进行预处理。由于待优化目标所对应的数据列中存在部分空缺值，对于空缺值先使用空缺值所对应列的均值填充，然后训练两个放缩器将特征值和目标值分别归一化到[0, 1]。

步骤106，使用机器学习算法在训练集上进行训练，使用均方误差（MSE）对机器学习算法进行优化，得到所述的模拟环境。

步骤107，将验证集用上述的两个放缩器归一化到[0, 1]。

步骤108，用学习到的模拟环境对验证集进行评估，分别得到三个指标（DCR初始值、60天累计产气和60天DCR）的平均绝对误差（MAE）。

步骤109，循环步骤104-108多次（循环次数可根据设备算力情况进行调整），统计三个指标的平均绝对误差的均值作为当前超参数训练出的模拟环境的整体评估结果。指标的平均绝对误差的均值越小说明模拟环境与真实环境的差距越小，即当前超参数学习到的模拟环境越好。

步骤110，使用验证集上的损失优化无梯度优化算法模型。

步骤111，循环步骤103-110直到达到无梯度优化算法优化轮数的上限，得到最优的超参数及其对应的模拟环境。

图2所示的是数据集划分示意图，数据集包含训练集和验证集。由于需要考虑锂电池性能模拟环境在不同电池型号之间的迁移能力，即假设有一些已批量生产的某几种同体系内的电池（记为电池A-Y）的电解液配方和实验结果及极少量的待生产的某种电池（记为电池Z）的数据，最终要使得模型在电池Z上的效果好。我们希望模拟环境能够先学习电池A-Y的映射关系，然后只用电池Z的少量数据对模型进行修正即可将电池A-Y知识迁移到电池Z上。因此，在划分数据集时不能使用传统的划分方法，本例中的划分过程具体包括以下步骤：

步骤201，将电池A-Y的全部数据加入训练集。这里的数据指电解液配方和实验结果数据。

步骤202，在电池Z中随机采样部分数据加入训练集，与步骤201加入的数据共同构成总训练集。

步骤203，将电池Z的剩余未采样数据作为验证集。

图3所示的是探索阶段电解液配方迭代推荐、优化模拟环境流程示意图。首先在给定范围内采样多组可能的电解液配方。在探索阶段，利用孤立森林计算采样配方的密度，迭代几次，选取密度最低的几个采样作为推荐配方，具体过程包含以下步骤：

步骤301，列出电池Z的电解液配方的所有物料，在给定的范围内对每种物料进行均匀采样，得到可能的电解液配方。

步骤302，将已知的电池Z的电解液配方作为初始的训练集。

步骤303，利用孤立森林算法在训练集上进行训练，得到密度估计模型。

步骤304，利用密度估计模型估计采样配方的密度，选择密度最小的配方作为推荐配方之一，同时将其加入训练集。

步骤305，反复迭代步骤303-304，直到达到预定的配方推荐数量。

步骤306，实验人员在实验室环境下对推荐配方进行测试，得到实验结果。

步骤307，利用实验结果优化模拟环境。

步骤308，反复迭代步骤302-307，直到达到预定的探索次数。

步骤309，得到最终模拟环境。

探索阶段的电解液配方推荐结果被拿到实验室中进行测试，得到真实的三个指标值，将其加入训练集，机器学习算法根据实验得到的真实值和模拟环境输出的预测值进一步修正模拟环境的仿真程度。用修正后的模拟环境再次预测采样得到的电解液，得到三个指标的模拟值，再次选择最优的电解液配方作为推荐。反复迭代多次直至电解液配方完全满足生产要求或模拟环境收敛。

图4所示的是利用阶段基于模拟环境的电解液最优配方推荐示意图。当探索阶段结束后最终模拟环境则学习完成。进入利用阶段，该阶段完全基于该模拟环境，首先将采样数据输入至模拟环境中进行模拟，得到三个指标的模拟值，然后选取模拟值最优的几组电解液配方作为推荐。这里最优指的是既能使得三个待优化指标达标，又使得配方成本较低。需要指出的是，本发明仅以三个指标和成本为例，可以根据需求进行调整。具体的配方推荐过程包含以下步骤：

步骤401，列出电池的电解液配方的所有物料，在给定的范围内对每种物料进行均匀采样，得到可能的电解液配方。

步骤402，用上述最优的模拟环境评估采样出的电解液配方，得到三个指标的模拟值。

步骤403，计算每条电解液配方的成本。

步骤404，根据需求，对三个指标的结果和成本加权求和，对电解液配方进行排序，给出最终推荐的电解液配方。

综上所述，本发明提供了一种基于锂电池性能模拟环境的电解液配方推荐方法，此项技术可应用于电池设计制造等领域，包括但不限于锂电池电解液配方的推荐。本发明所提供的机器学习算法可以学习得到锂电池性能模拟环境，模拟出电解液配方到得出实验结果的过程。本发明提出的方法会在一定范围内采样得到多组可能的电解液配方，通过模拟环境模拟出电解液配方的指标值，最终推荐出性能达标、成本最低的电解液配方。本发明所提供的电解液配方推荐方法能够减少人力物力的投入，不过度依赖实验人员的经验，直接从历史数据中学习可量化、可迁移的模拟环境，减少实验的迭代次数从而大大减少实验时间，在保证效果的同时降低电池生产成本。本发明可应用于电池设计制造等领域，具有广泛的应用前景。

显然，本领域的技术人员应该明白，上述的本发明实施例的基于锂电池性能模拟环境的电解液配方推荐方法各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。

本发明提供了一种基于锂电池性能模拟环境的电解液配方推荐方法的思路，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (8)

1.一种基于锂电池性能模拟环境的电解液配方推荐方法，其特征在于，所述锂电池性能模拟环境使用无梯度优化算法和机器学习算法，输入已有的电池电解液配方和实验结果来训练；所述锂电池性能模拟环境能够在给定电解液配方后模拟对应的实验结果；

所述电解液配方推荐方法包括探索和利用两个阶段，探索阶段推荐数据密度小的电解液配方；当探索达到既定次数时进入利用阶段，所述利用阶段利用锂电池性能模拟环境推荐出最优电解液配方；所述数据密度小的电解液配方指的是几组数据密度最低的电解液配方；最优指的是既能使得锂电池性能指标达标，又使得配方成本较低；

所述的电解液配方推荐是先在给定的电解液配方中每种物料的范围内采样多组可能的电解液配方；在探索阶段，利用孤立森林计算采样电解液配方的密度，迭代几次，选取密度最低的几个采样电解液配方作为推荐配方；

使用无梯度优化算法和机器学习算法构建锂电池性能模拟环境中，设置机器学习算法的超参数的取值范围作为无梯度优化算法的参数，设置无梯度优化算法的优化轮数；接收无梯度优化算法传入的一组超参数，作为机器学习算法当前优化使用的超参数；

所述探索阶段的电解液配方推荐结果被拿到实验室中进行测试，得到真实的锂电池性能指标值，将推荐配方加入训练集，机器学习算法根据实验得到的真实的锂电池性能指标值和锂电池性能模拟环境输出的预测值进一步修正锂电池性能模拟环境的仿真程度；用修正后的锂电池性能模拟环境再次预测采样得到的电解液配方，得到锂电池性能指标的模拟值，再次选择数据密度小的电解液配方作为推荐配方；反复迭代多次直至推荐的电解液配方完全满足生产要求或锂电池性能模拟环境收敛；

当探索阶段结束后最终锂电池性能模拟环境则学习完成；进入利用阶段，该阶段完全基于锂电池性能模拟环境，首先将采样的电解液配方数据输入至锂电池性能模拟环境中进行模拟，得到锂电池性能指标的模拟值，然后选取模拟值最优的几组电解液配方作为推荐配方；具体过程如下：

步骤401，列出电池的电解液配方的所有物料，在给定的范围内对每种物料进行均匀采样，得到可能的电解液配方；

步骤402，用最终锂电池性能模拟环境评估采样出的电解液配方，得到锂电池性能指标的模拟值；

步骤403，计算每条电解液配方的成本；

步骤404，根据需求，对锂电池性能指标的结果和成本加权求和，对电解液配方进行排序，给出推荐的电解液配方。

2.根据权利要求1所述的基于锂电池性能模拟环境的电解液配方推荐方法，其特征在于，所述的电解液配方和对应电解液配方的实验结果数据包括两部分；其中一较多部分来自已批量生产的某种电池的电解液配方和对应电解液配方的实验结果，一较少部分来自待生产的某种电池的电解液配方和对应电解液配方的实验结果；将较多部分的电解液配方和对应电解液配方的实验结果数据的知识迁移到待生产的某种电池上，只用较少部分来自待生产的某种电池的电解液配方和对应电解液配方的实验结果数据对锂电池性能模拟环境进行修正；在探索阶段给出待生产的某种电池的几组数据密度最低的电解液配方，在实验室环境下对密度最低的电解液配方进行测试，得到实验结果，根据实验结果优化锂电池性能模拟环境；在利用阶段，完全基于锂电池性能模拟环境，给出当前锂电池性能模拟环境得到的最优的电解液配方。

3.根据权利要求1所述的基于锂电池性能模拟环境的电解液配方推荐方法，其特征在于，所述数据密度使用孤立森林进行计算得到。

4.根据权利要求1所述的基于锂电池性能模拟环境的电解液配方推荐方法，其特征在于，所述的锂电池性能模拟环境能够模拟电解液配方的实验过程，输出锂电池性能指标结果值，所述锂电池性能指标包括DCR初始值、60天累计产气和60天DCR。

5.根据权利要求1所述的基于锂电池性能模拟环境的电解液配方推荐方法，其特征在于，构建锂电池性能模拟环境具体包括以下步骤：

步骤101，准备数据；将电池的电解液配方、电池属性加入数据集的特征中；

步骤102，选择无梯度优化算法和机器学习算法，设置机器学习算法的超参数的取值范围作为无梯度优化算法的参数，设置无梯度优化算法的优化轮数；

步骤103，接收无梯度优化算法传入的一组超参数，作为机器学习算法当前优化使用的超参数；

步骤104，将现有电池的所有数据以及随机采样的待生产电池的多条数据，二者合并作为训练集，待生产电池中剩余的数据作为验证集；

步骤105，对训练集进行预处理；由于待优化目标所对应的数据列中存在部分空缺值，对于空缺值先使用空缺值所对应列的均值填充，然后训练两个放缩器将特征值和目标值分别归一化到[0, 1]；

步骤106，使用机器学习算法在训练集上进行训练，使用均方误差对机器学习算法进行优化，得到所述的锂电池性能模拟环境；

步骤107，将验证集用所述的两个放缩器归一化到[0, 1]；

步骤108，用学习到的锂电池性能模拟环境对验证集进行评估，得到锂电池性能指标的平均绝对误差；

步骤109，循环步骤104-108多次，统计锂电池性能指标的平均绝对误差的均值作为当前超参数训练出的锂电池性能模拟环境的整体评估结果；

步骤110，使用验证集上的损失优化无梯度优化算法模型；

步骤111，循环步骤103-110直到达到无梯度优化算法优化轮数，得到最优的超参数及其对应的锂电池性能模拟环境。

6.根据权利要求1所述的基于锂电池性能模拟环境的电解液配方推荐方法，其特征在于，探索阶段电解液配方迭代推荐、优化锂电池性能模拟环境具体过程包含以下步骤：

步骤301，列出电池的电解液配方的所有物料，在给定的范围内对每种物料进行均匀采样，得到可能的电解液配方；

步骤302，将已知的电池的电解液配方作为初始的训练集；

步骤303，利用孤立森林算法在训练集上进行训练，得到密度估计模型；

步骤304，利用密度估计模型估计采样电解液配方的密度，选择密度最小的电解液配方作为推荐配方之一，同时将其加入训练集；

步骤305，反复迭代步骤303-304，直到达到预定的配方推荐数量；

步骤306，实验人员在实验室环境下对推荐配方进行测试，得到实验结果；

步骤307，利用实验结果优化锂电池性能模拟环境；

步骤308，反复迭代步骤302-307，直到达到预定的探索次数；

步骤309，得到最终锂电池性能模拟环境。

7.一种计算机设备，其特征在于：该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-6中任一项所述的基于锂电池性能模拟环境的电解液配方推荐方法。

8.一种计算机可读存储介质，其特征在于：其上存储有计算机程序，其中所述计算机程序被处理器执行时，实现如权利要求1-6中任一项所述的基于锂电池性能模拟环境的电解液配方推荐方法。

Images