锂离子扩散系数的数据融合方法技术

本发明专利技术公开了一种锂离子扩散系数的数据融合方法，包括以下步骤：获取基础数据，基础数据包括锂离子扩散系数值和对应的至少一特征变量值；基于基础数据，构建回归模型；获取某一场景下的用户数据，用户数据具有与基础数据相同的特征变量，用户数据包括用户变量值和对应的用户系数值，将用户变量值输入回归模型，得与用户变量值对应的目标系数值；将对应同一用户变量值的目标系数值和用户系数值比对，求解补偿值；基于补偿值修正回归模型，得输出模型；基于输出模型，获取与用户数据同一场景下的锂离子扩散系数值。通过该方法能够快速获取大量与用户数据同场景、同规律的锂离子扩散系数，满足锂电池性能仿真需求，提高仿真效率。提高仿真效率。提高仿真效率。

【技术实现步骤摘要】
锂离子扩散系数的数据融合方法


[0001]本专利技术涉及锂电池性能仿真领域，尤其涉及一种锂离子扩散系数的数据融合方法。

技术介绍

[0002]锂离子扩散系数是进行电池化学建模仿真必不可少的参数，在电池设计中具有极其重要的意义。在锂电池性能仿真过程中，用户需要输入锂离子扩散系数的大量数据，以测试锂电池性能的变化。现有获取锂离子扩散系数的方法包括电化学间接测定和物理直接测定。但通过实验测定锂离子扩散系数成本高，实验耗时长，由于多种因素的限制，使用户往往很难获取丰富全面的数据来驱动仿真。因此，现有获取锂离子扩散系数的过程，严重影响了锂电池性能仿真效率，使锂电池设计的成本增加。

技术实现思路

[0003]为了克服现有技术中的缺陷，本专利技术实施例提供了一种锂离子扩散系数的数据融合方法，通过该方法能够快速获取大量与用户数据同场景、同规律的锂离子扩散系数，满足锂电池性能仿真需求，提高仿真效率。
[0004]为达到上述目的，本专利技术采用的技术方案是：一种锂离子扩散系数的数据融合方法，包括以下步骤：获取基础数据，所述基础数据包括锂离子扩散系数值和对应的至少一特征变量值；基于所述基础数据，构建回归模型；获取某一场景下的用户数据，所述用户数据具有与所述基础数据相同的特征变量，所述用户数据包括用户变量值和对应的用户系数值，将用户变量值输入所述回归模型，得与所述用户变量值对应的目标系数值；将对应同一用户变量值的目标系数值和用户系数值比对，求解补偿值；基于所述补偿值修正所述回归模型，得输出模型；基于所述输出模型，获取与所述用户数据同一场景下的锂离子扩散系数值。
[0005]利用实验室中现有的大量实验数据构建回归模型，从而在某一场景下，利用少量的用户数据，基于回归模型的趋势，获取大量与用户数据具有相同场景下的锂离子扩散系数，驱动后续的性能仿真，提高锂电池性能仿真效率，降低锂电池设计的成本。
[0006]其中，某一场景是指所述用户数据相对所述基础数据的分布规律。以下例举部分场景进行说明。场景一：用户数据的多个点呈集中分布，且位于所述基础数据的上方或下方。场景二：用户数据的多个点分散分布，且均位于所述基础数据的上方或下方。场景三：用户数据的多个点集中在所述基础数据中。场景四：用户数据的多个点分散在所述基础数据中。场景五：用户数据的多个点位于所述基础数据的两侧，且在每一侧呈集中分布。场景六：用户数据的多个点位于所述基础数据的两侧，且在每一侧呈分散分布。场景七：用户数据的
多个点位于所述基础数据的两侧，且大部分用户数据的点集中于基础数据的一侧。场景八：用户数据的多个点位于所述基础数据的两侧，且大部分用户数据的点分散于所述基础数据的一侧。锂电池的使用环境，如温度变量是影响用户数据分布规律的因素之一。
[0007]进一步的，还包括：在构建回归模型后，基于所述回归模型生成多个第一测试数据；基于多个所述第一测试数据，利用L2损失函数计算第一测试数据和基础数据的误差值；在误差值大于预设指标时，重新构建回归模型。
[0008]进一步的，还包括：在得到所述输出模型后，基于所述输出模型生成多个第二测试数据；基于多个所述第二测试数据，利用L2损失函数计算第二测试数据和用户数据的误差值；利用L2损失函数计算模型输出的预测值和基础数据或用户数据的真实值间的误差值，在误差值大于预设值时，重新构建模型，保证模型能够更为准确的映射锂离子扩散系数和特征变量间的关系，进而更为准确的获取与用户数据具有同一场景下的锂离子扩散系数。
[0009]进一步的，获取基础数据包括：基于数据库中的实验数据，对其去除异常数据，得标准数据，所述标准数据中锂离子扩散系数和特征变量间具有线性规律；所述异常数据包括不符合线性规律的数据及强相关特征。锂离子扩散系数和特征变量间具有线性规律是指锂离子扩散系数随特征变量的改变呈现某种规律变化。
[0010]将标准数据中的特征变量值进行预处理，得基础数据。
[0011]进一步的，将用户变量值输入所述回归模型，包括：将用户变量值与特征变量值进行相同的预处理；将预处理后的用户变量值输入所述回归模型。
[0012]进一步的，所述预处理包括归一化处理或one
‑
hot处理。归一化处理是一种简化计算的方式，即将有量纲的表达式，经过变换，化为无量纲的表达式，成为标量。使得预处理的数据被限定在一定的范围内，从而消除异常数据导致的不良影响。one
‑
hot处理，即独热编码，又称一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。
[0013]在实际使用中，需要对实验数据进行分析，根据实验数据的分布规律选择合适的处理方式。如具体可采用MinMax归一化，Normalize归一化等。在处理过程中需要确保数据均匀分布，根据数据的量级采用不同的处理方式，如对数据稀疏的位置插入数据。
[0014]进一步的，将对应同一用户变量值的目标系数值和用户系数值比对，求解补偿值，包括：将对应同一用户变量值的目标系数值和用户系数值相减得差值；由多个差值计算平均值，将平均值作为补偿值。
[0015]进一步的，所述特征变量包括环境温度、锂离子浓度，还可包括其他与锂离子扩散系数具有线性规律的特征变量。
[0016]在所述基础数据中包括一特征变量时，所述回归模型为一元方程，且获取的用户数据也包括同样的一特征变量（用户变量）和与特征变量对应的锂离子扩散系数（用户系数）。在所述基础数据中包括多个特征变量时，所述回归模型为多元方程，且获取的用户数据也包括同样的多个特征变量（用户变量）和与特征变量对应的锂离子扩散系数（用户系数）。
[0017]由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：本专利技术利用实验室中现有的大量实验数据构建回归模型，从而在某一场景下，利用少量的用户数据，基于回归模型的趋势，获取大量与用户数据具有相同场景下的锂离子扩散系数，驱动后续的性能仿真，提高锂电池性能仿真效率，降低锂电池设计的成本。
[0018]为让本专利技术的上述和其他目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附图式，作详细说明如下。
附图说明
[0019]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有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专利技术的一些实施例，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。
[0020]图1是本专利技术实施例中由实验数据绘制的关于锂离子扩散系数随锂离子浓度变换的散点图；图2是本专利技术实施例中由基础数据绘制的关于锂离子扩散系数随锂离子浓度变换的散点图；图3是本专利技术实施例中输出模型效果验证图。
具体实施方式
[0021]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锂离子扩散系数的数据融合方法，其特征在于，包括以下步骤：获取基础数据，所述基础数据包括锂离子扩散系数值和对应的至少一特征变量值；基于所述基础数据，构建回归模型；获取某一场景下的用户数据，所述用户数据具有与所述基础数据相同的特征变量，所述用户数据包括用户变量值和对应的用户系数值，将用户变量值输入所述回归模型，得与所述用户变量值对应的目标系数值；将对应同一用户变量值的目标系数值和用户系数值比对，求解补偿值；基于所述补偿值修正所述回归模型，得输出模型；基于所述输出模型，获取与所述用户数据同一场景下的锂离子扩散系数值。2.根据权利要求1所述的锂离子扩散系数的数据融合方法，其特征在于，还包括：在构建回归模型后，基于所述回归模型生成多个第一测试数据；基于多个所述第一测试数据，利用L2损失函数计算第一测试数据和基础数据的误差值；在误差值大于预设指标时，重新构建回归模型。3.根据权利要求1或2所述的锂离子扩散系数的数据融合方法，其特征在于，还包括：在得到所述输出模型后，基于所述输出模型生成多个第二测试数据；基于多个所述第二测试数据，利用L2损失函数计算第二测试数据和用户数据的误差值；在误差值大于预设指标时，重新构建回归模型。4.根据权利要求1所述的锂离子扩散...

【专利技术属性】
技术研发人员：蔡彦辉，陈新虹，
申请(专利权)人：苏州易来科得科技有限公司，
类型：发明
国别省市：