本发明涉及电池研发领域，具体提供一种锂离子电池正极材料电压性能预测方法。
背景技术：
锂离子电池分布在我们生活中的每一个角落，其应用领域包括手机、平板电脑、智能手表、电动汽车、无人机以及各类其他电动工具。锂离子电池主要由正极材料、负极材料、隔膜和电解液等构成，正极材料在锂电池的生产总成本里占40％以上，材料性能直接影响锂离子电池的容量、寿命、能量密度、功率密度等性能，所以新型正极材料在下一代锂电池技术中占据核心地位。
锂离子电池正极材料的电压性能，是与锂离子电池这类新型能源材料导电能力、强度、寿命等密切相关的因素。我国每年生产的锂离子电池碳正极有几万吨，而目前生产的锂离子电池已经无法满足新时代设备对锂离子电池高电压性能的需求。当前的新材料研发主要是依靠研究人员的科学猜测和大量重复的尝试实验来完成，虽然有些材料可以做高通量实验或通过高通量计算工具进行计算。但是，这种计算模拟的准确性任然不高，而采用老旧的材料研制方法造成的后果是新材料的产出远远落后于新产品产出，常常需要10-20年的过程才能使新材料完成研发进行应用，根本无法满足新科技对新材料的需求。近年出现了使用人工智能方法预测材料性质的新技术，可以减少材料研发的盲目性，缩短材料的研发周期，且已经获得初步成效。但是，目前技术常常出现以下缺陷：一、部分模型训练需要超高配置的硬件支持，而低配置硬件会使致模型训练过程进行的十分艰难，如此便会极大的提高研发成本的投入。二、部分模型对数据数量和结构的要求过高，训练结果常常显示欠拟合，劲儿导致预测的精度较低。三、目前的预测模型均只适合预测特定的材料的特定性质，不具有普遍适用性。
为此，为了对现有技术中存在的技术缺陷进行改进，从而创造出本发明的预测方法。
技术实现要素：
本发明的目的在于克服上述缺陷，提供一种锂离子电池正极材料电压性能预测方法，有效的降低了预测过程中对数据量的需求，从而很好降低了运算的难度，进而降低了对硬件配置的要求，而达到降低研发成本的目的，还能很好的提高预测的覆盖范围和准确性。
一种锂离子电池正极材料电压性能预测方法，包括以下步骤：
(1)建立材料数据库并对各项材料的数据进行采集，同时建立训练集与测试集；
(2)构建bp神经网络模型，并将构建后的bp神经网络模型与数据库进行关联；
(3)为构建好的bp神经网络模型匹配算法，并对各项参数进行初始化设定，之后进行步骤(4)；
(4)通过数据库中的训练集对bp神经网络模型进行训练，并对训练结果进行确定，若训练结果不符合要求则返回步骤(3)，若训练结果符合要求则进行步骤(5)；
(5)通过bp神经网络模型对材料数据库中的各项材料数据进行采集与训练，并导出训练结果以及拟合度，同时得到最优的初始化设定值，进而完成学习的过程；
(6)通过步骤(5)所得的各项最优的初始化设定值完成对测试集的测试，在测试结果的拟合度达到预设值时则判定bp神经网络模型构建成功并进入步骤(7)，若测试结果的拟合度未达到预设值则再次返回步骤(3)；
(7)将构建成功的bp神经网络模型与新的材料数据库进行关联，并根据步骤(5)中得到的最优的初始化值完成初始化，最后开始对新的材料数据库中的各项材料数据进行测试。
步骤(1)中材料数据库中的材料为正极材料，该正极材料包括钴酸盐、锰酸盐、聚阴离子、硅酸盐、富锂锰基、三元层状以及无锂氟化金属。
步骤(1)中采集的材料的数据包括对材料进行高通量实验得到的结果数据以及对材料进行高通量计算得到的结果数据，每个材料对应一组数据结果，每组数据结果包括平均晶格电负性、晶体敛集率、亚晶格敛集率、平均直线路径宽度、锂离子键平均值、平均亚晶格相邻原子数、平均最小锂离子间隔距离、阴离子结构配位数、锂离子键标准偏差、阴离子体积、平均最小锂离子间隔距离以及锂离子临近原子个数这12项，且每个材料还具有一个标签值，该标签值为0或1，其中0代表电压性能差，1代表电压性能好；在步骤(1)中将对材料进行随机划分，并将其划分为测试集与训练集，其中测试集与训练集中的材料组数比例为1：9。
步骤(2)中所述的bp神经网络模型包括输入层、隐含层以及输出层，其中隐含层又包括第一隐含层和第二隐含层；上述的输入层、第一隐含层、第二隐含层以及输出层均由若干个神经元组成，其中，输入层的神经元个数为12个，第一隐含层的神经元个数为48个，第二隐含层的神经元个数为24个，输出层的神经元个数为2个。
步骤(3)中的算法包括作为激活函数的sigmoid函数和作为损失函数的交叉熵，其中，损失函数的最优化算法为梯度下降法；步骤(3)中需要进行初始化的参数又主要包括学习率、阈值、训练次数和训练步长，且采用一般权值和偏差选择高斯分布初始化。
步骤(4)中通过“输入-输出”训练集样本数据对数据库中的材料训练，具体的训练过程为：
(41)从数据库中抽取与训练步长相同的个数的材料，并将抽取的材料的12项数据结果分别通过12个输入层的神经元进行输入；
(42)由输入层输入的各项数据结果在第一隐含层、第二隐含层以及输出层进行计算，并在输出层得出输出值，该输出即为材料的新的标签，在输出层将新的标签与原标签进行对比，即可得到训练样本的拟合度；
(43)判断步骤(42)的拟合度是否达到预设值，若达到预设值则进行步骤(5)，若未达到预设值则判断步骤(42)的训练次数是否达到训练次数的设定值，若达到训练次数的设定值则结束训练，若未达到训练次数的设定值则返回步骤(3)并调整阀值后再次初始化。
最优的学习率选取0.0001、阈值为0.3、训练次数为4000次、训练步长为50，且拟合度的预设值则为98％。
步骤(6)中对测试集的计算结果拟合度的预设值至少为96％。
本发明较现有技术相比，具有以下优点及有益效果：
本发明有效的降低了预测过程中对数据量的需求，从而很好降低了运算的难度，进而降低了对硬件配置的要求，而达到降低研发成本的目的，还能很好的提高预测的覆盖范围和准确性。
具体实施方式
下面结合实施例对本发明作进一步地详细说明，但本发明的实施方式并不限于此。
实施例
一种锂离子电池正极材料电压性能预测方法，包括以下步骤：
(1)建立材料数据库并对各项材料的数据进行采集，同时建立训练集与测试集；
材料数据库中的材料为正极材料，该正极材料包括钴酸盐、锰酸盐、聚阴离子、硅酸盐、富锂锰基、三元层状以及无锂氟化金属。
材料的数据包括对材料进行高通量实验得到的结果数据以及对材料进行高通量计算得到的结果数据，每个材料对应一组数据结果，每组数据结果包括平均晶格电负性、晶体敛集率、亚晶格敛集率、平均直线路径宽度、锂离子键平均值、平均亚晶格相邻原子数、平均最小锂离子间隔距离、阴离子结构配位数、锂离子键标准偏差、阴离子体积、平均最小锂离子间隔距离以及锂离子临近原子个数这12项，且每个材料还具有一个标签值，该标签值为0或1，其中0代表电压性能差，1代表电压性能好；在步骤(1)中将对材料进行随机划分，并将其划分为测试集与训练集，其中测试集与训练集中的材料组数比例为1：9。
(2)构建bp神经网络模型，并将构建后的bp神经网络模型与数据库进行关联；
所述的bp神经网络模型包括输入层、隐含层以及输出层，其中隐含层又包括第一隐含层和第二隐含层；上述的输入层、第一隐含层、第二隐含层以及输出层均由若干个神经元组成，其中，输入层的神经元个数为12个，第一隐含层的神经元个数为48个，第二隐含层的神经元个数为24个，输出层的神经元个数为2个。
(3)为构建好的bp神经网络模型匹配算法，并对各项参数进行初始化设定，之后进行步骤(4)；
算法包括作为激活函数的sigmoid函数和作为损失函数的交叉熵，其中，损失函数的最优化算法为梯度下降法；步骤(3)中需要进行初始化的参数又主要包括学习率、阈值、训练次数和训练步长，且采用一般权值和偏差选择高斯分布初始化。
最优的学习率选取0.0001、阈值为0.3、训练次数为4000次、训练步长为50。
(4)通过数据库中的训练集对bp神经网络模型进行训练，并对训练结果进行确定，若训练结果不符合要求则返回步骤(3)，若训练结果符合要求则进行步骤(5)；
通过“输入-输出”训练集样本数据对数据库中的材料训练，具体的训练过程为：
(41)从数据库中抽取与训练步长相同的个数的材料，并将抽取的材料的12项数据结果分别通过12个输入层的神经元进行输入；
(42)由输入层输入的各项数据结果在第一隐含层、第二隐含层以及输出层进行计算，并在输出层得出输出值，该输出即为材料的新的标签，在输出层将新的标签与原标签进行对比，即可得到训练样本的拟合度；
(43)判断步骤(42)的拟合度是否达到预设值，若达到预设值则进行步骤(5)，若未达到预设值则判断步骤(42)的训练次数是否达到训练次数的设定值，若达到训练次数的设定值则结束训练，若未达到训练次数的设定值则返回步骤(3)并调整阀值后再次初始化。
步骤(43)中拟合度的预设值至少为98％。
“输入-输出”为常规的训练方法，本领域技术人员无需通过创造性的劳动便能完成该训练，在此便不进行赘述。
(5)通过bp神经网络模型对材料数据库中的各项材料数据进行采集与训练，并导出训练结果以及拟合度，同时得到最优的初始化设定值，进而完成学习的过程；
(6)通过步骤(5)所得的各项最优的初始化设定值完成对测试集的测试，在测试结果的拟合度达到预设值时则判定bp神经网络模型构建成功并进入步骤(7)，若测试结果的拟合度未达到预设值则再次返回步骤(3)；
测试集的计算结果拟合度的预设值至少为96％。
(7)将构建成功的bp神经网络模型与新的材料数据库进行关联，并根据步骤(5)中得到的最优的初始化值完成初始化，最后开始对新的材料数据库中的各项材料数据进行测试。
如上所述，便可很好的实施本发明。