本發(fā)明涉及一種電池性能預測方法，尤其涉及一種基于pinn的電池性能預測方法。

背景技術：

1、對于鋰離子電池而言，新正負極材料的開發(fā)一直是重中之中。正極材料包括磷酸鐵鋰(lfp)、三元鋰(ncm&nca)、鈷酸鋰(lco)，磷酸錳鐵鋰(lmfp)和錳酸鋰等。負極大多使用石墨，但又會添加適量硅。電解液的選取同樣至關重要。對于不同的正負極材料，需要適配不同的電解液配方。同時，為了提高電池的首效，也會在正負極運用補鋰技術。

2、每當開發(fā)一款新材料，就需要做大量的測試，包括了短期和長期測試，從而了解其首效，dcir，循環(huán)能力等性能。而一款材料，它是適用于儲能還是動力，該摻硅還是補鋰，適用于高溫還是低溫環(huán)境，適合大倍率充放電還是小倍率充放電，這些在做測試之前，都無從得知。即使對于具備測試能力的廠家，測試費用也是相當昂貴。而對于某些測試，甚至還經常需要委外進行。同時，對于部分長期測試，如存儲和循環(huán)測試，其測試時間常常以年為單位，這就造成了大量的經濟和時間成本。

技術實現(xiàn)思路

1、本發(fā)明提供了一種基于pinn的電池性能預測方法解決上述提到的技術問題，具體采用如下的技術方案：

2、一種基于pinn的電池性能預測方法，包含：

3、計算電解質、第一類型正極和負極的第一本征參數(shù)；

4、確定電解質、第一類型正極和負極的第一物理參數(shù)；

5、基于所述第一本征參數(shù)和所述第一物理參數(shù)，通過p2d模型計算得到電池性能參數(shù)；

6、搭建神經網絡模型，以所述第一本征參數(shù)和所述第一物理參數(shù)作為所述神經網絡模型的輸入，以所述電池性能參數(shù)作為所述神經網絡模型的輸出，對所述神經網絡模型進行訓練，并最終構建成第一pinn框架模型；

7、向所述第一pinn框架模型輸入第一本征參數(shù)和所述第一物理參數(shù)，得到第一預測性能參數(shù)。

8、進一步地，所述計算電解質、第一類型正極和負極的第一本征參數(shù)的具體方法為：

9、基于密度泛函理論和分子動力學計算電解質、第一類型正極和負極的第一本征參數(shù)。

10、進一步地，所述確定電解質、第一類型正極和負極的第一物理參數(shù)的具體方法為:

11、通過實驗測試得到電解質、第一類型正極和負極的第一物理參數(shù)。

12、進一步地，所述基于所述第一本征參數(shù)和所述第一物理參數(shù)得到電池性能參數(shù)的具體方法為：

13、將所述第一本征參數(shù)和所述第一物理參數(shù)輸入p2d模型得到所述電池性能參數(shù)。

14、進一步地，所述第一本征參數(shù)包括電導率和離子擴散系數(shù)；

15、所述第一物理參數(shù)包括粒徑、電解液濃度和厚度。

16、進一步地，所述電池性能參數(shù)和所述第一預測性能參數(shù)包括電壓和功率。

17、進一步地，所述第一類型正極為磷酸鐵鋰正極。

18、進一步地，所述基于pinn的電池性能預測方法還包含：

19、基于遷移學習對所述神經網絡模型進行調整。

20、進一步地，所述基于遷移學習對所述神經網絡模型進行調整的具體方法為：

21、計算電解質、第二類型正極和負極的第二本征參數(shù)；

22、確定電解質、第二類型正極和負極的第二物理參數(shù)；

23、將所述第二本征參數(shù)和所述第二物理參數(shù)作為所述神經網絡模型的輸入得到第二性能參數(shù)；

24、使用電解質、第二類型正極材料和負極對應的測試性能參數(shù)對所述神經網絡模型進行驗證，對隱藏層的權重參數(shù)進行調節(jié)，得到調整后的所述神經網絡模型，并最終構建成第二pinn框架模型；

25、向所述第二pinn框架模型輸入電解質、第二類型正極和負極的第二本征參數(shù)和第二物理參數(shù)，得到第二預測性能參數(shù)。

26、進一步地，所述第二類型正極為三元鋰正極。

27、本發(fā)明的有益之處在于所提供的基于pinn的電池性能預測方法，能夠通過訓練好的模型，對原有材料體系的電池性能進行預測，并還可以通過新開發(fā)的電池各項性能參數(shù)對原有模型進行調整，使其適應新開發(fā)的電池材料，對新開發(fā)的電池材料快速預測出其性能，可以大大減少在新電池體系開發(fā)過程中的人力物力成本。

技術特征：

1.一種基于pinn的電池性能預測方法，其特征在于，包含：

2.根據權利要求1所述的基于pinn的電池性能預測方法，其特征在于，

3.根據權利要求1所述的基于pinn的電池性能預測方法，其特征在于，

4.根據權利要求1所述的基于pinn的電池性能預測方法，其特征在于，

5.根據權利要求1所述的基于pinn的電池性能預測方法，其特征在于，

6.根據權利要求1所述的基于pinn的電池性能預測方法，其特征在于，

7.根據權利要求1所述的基于pinn的電池性能預測方法，其特征在于，

8.根據權利要求1所述的基于pinn的電池性能預測方法，其特征在于，

9.根據權利要求8所述的基于pinn的電池性能預測方法，其特征在于，

10.根據權利要求9所述的基于pinn的電池性能預測方法，其特征在于，

技術總結
本發(fā)明公開了一種基于PINN的電池性能預測方法，包含：計算電解質、第一類型正極和負極的第一本征參數(shù)；確定電解質、第一類型正極和負極的第一物理參數(shù)；基于第一本征參數(shù)和第一物理參數(shù)得到電池性能參數(shù)；搭建神經網絡模型，以第一本征參數(shù)和第一物理參數(shù)作為神經網絡模型的輸入，以電池性能參數(shù)作為神經網絡模型的輸出，對神經網絡模型進行訓練，并最終構建成第一PINN框架模型。本發(fā)明的基于PINN的電池性能預測方法，能夠通過訓練好的模型，對原有材料體系的電池性能進行預測，并還可以通過新開發(fā)的電池各項性能參數(shù)對原有模型進行調整，使其適應新開發(fā)的電池材料，對新開發(fā)的電池材料快速預測出其性能，可以減少在新電池體系開發(fā)過程中的人力物力成本。

技術研發(fā)人員：劉亞濛,柯昕佑,肖瑤
受保護的技術使用者：萬向一二三股份公司
技術研發(fā)日：
技術公布日：2025/5/15