基于大模型平台的锂电池电解质配方开发技术规范

ICS35.240.50CCSL67T/JSCN003—2025基于大模型平台的锂电池电解质配方开发技术规范Technicalspecificationforlithiumbatteryelectrolyteformuladevelopmentbasedonlargemodelplatform2025‑12‑31发布2026‑01‑31实施江苏省储能行业协会发布ⅠT/JSCN003—2025前言 Ⅲ引言 Ⅳ1范围 12规范性引用文件 13术语和定义 14参考架构 25通用要求 26基础大模型 26.1单模态 26.2多模态 27平台模块 37.1模块流程 37.2模块功能 38测评 48.1相关方测评 48.2独立第三方测评 49成熟度评估 49.1相关方评估 49.2独立第三方评估 4附录A（资料性）电解液配方示例 5附录B（资料性）大模型平台技术要求示例 6参考文献 8ⅢT/JSCN003—2025本文件按照GB/T1.1—2020《标准化工作导则第1部分：标准化文件的结构和起草规则》的规定起草。本文件由江苏省储能行业协会提出并归口。本文件起草单位：苏州深度新能源科技有限公司、北京卫蓝新能源科技股份有限公司、江苏卫蓝新能源电池有限公司、国家信息网络产品质量检验检测中心（江苏）、江苏省科学技术协会、苏州新中能源科技有限公司、苏州赛伍应用技术股份有限公司、湖州智电千帆科技有限公司、苏州大学、江苏省储能行业协会。王芳。ⅣT/JSCN003—2025引言大模型技术已成为人工智能发展的重要驱动力，在推动产业变革中扮演着关键角色。国内外人工智能相关机构已研发出百余种大模型产品，然而，这给用户有效评估人工智能产品的技术水平和服务能力带来了挑战。在本文件适用范围内，锂电池电解质涵盖固态、半固态和液态。因此，基于大模型平台的锂电池电解质配方有效性和预测精度，与其大模型平台属性、电解质材料选择、生产工艺、运输及使用条件密切相关。使用条件包括正常使用条件、可预见的误用条件和可预见的故障条件，以及影响其安全的环境条件（如本文件的推广实施，将有助于加快锂电池开发周期，提升效率，降低成本，并推动锂离子电池及其他类似产品的产业优化和迭代升级，实现高质量发展。本文件的发布机构提请注意，声明符合本文件时，可能涉及“一种基于大语言模型的锂电池电解液配方预测平台”（专利号：ZL202510513549.9）相关专利的使用。本文件的发布机构对于该专利的真实性、有效性和范围无任何立场。该专利持有人已向本文件的发布机构承诺，他愿意同任何申请人在合理且无歧视的条款和条件下，就专利授权许可进行谈判。该专利持有人的声明已在本文件的发布机构备案。相关信息可以通过以下联系方式获得：专利持有人：苏州大学地址：江苏省苏州市吴江区久泳西路1号（215000）请注意除上述专利外，本文件的某些内容仍可能涉及专利。本文件的发布机构不承担识别专利的责任。1T/JSCN003—2025基于大模型平台的锂电池电解质配方开发技术规范本文件规定了基于大模型平台的锂电池电解质配方开发参考架构、通用要求、基础大模型、平台模块、测评及成熟度评估。本文件适用于基于大模型平台的锂电池电解质配方开发设计、验证以及迭代优化。2规范性引用文件下列文件中的内容通过文中的规范性引用而构成本文件必不可少的条款。其中，注日期的引用文件，仅该日期对应的版本适用于本文件；不注日期的引用文件，其最新版本（包括所有的修改）适用于本文件。GB31241便携式电子产品用锂离子电池和电池组安全技术规范GB/T45288.1—2025人工智能大模型第1部分：通用要求SJ/T11723锂离子电池用电解液3术语和定义下列术语和定义适用于本文件。3.1大模型large‑scalemodel基于大量数据训练得到，具有复杂计算架构，能处理复杂任务，且具备一定泛化性的深度学习模型。注1：即大规模深度学习模型。注2：大模型的参数量由其功能和模态决定，一般不低于1亿。大模型训练使用的数据总量受参数量的影响，达到收敛的大模型的参数量的对数与其训练数据总量的对数成正比。3.2锂离子电池lithium‑ioncell依靠锂离子在正极和负极之间移动实现化学能与电能相互转化的装置，并被设计成可充电的形式。注：该装置包括电极、隔膜、电解质、容器和端子等。3.3电解质electrolyte存在于正负电极之间的离子导电、电子绝缘的介质，在电池内部充放电过程中，为锂离子（Li⁺)在正极和负极之间往返迁移提供传输通道同时阻止电子直接通过，实现锂电池化学能与电能的高效可逆转换。注：电解质属于锂电池的核心组成部分，包含固态、半固态及液态（即电解液）多种形式。典型的电解液配方示例见附录A中表A.1。2T/JSCN003—20254参考架构图1功能视角下的大模型参考架构5通用要求大模型平台通用技术要求应符合GB/T45288.1—2025中5.1、5.2、5.3的规定。基于大模型平台开发的锂电池电解质配方所生产的液态电解质，即锂离子电池电解液，应符合SJ/T11723的规定。基于大模型平台开发的锂电池电解质配方所生产制造的锂电池，应符合GB31241的规定。6基础大模型6.1单模态单模态大模型符合以下要求：a）应提供单模态数据的特征提取；b）应具备至少1种单模态理解能力，单模态理解能力见GB/T45288.2中给出的理解能力维度；c）宜具备至少1种单模态生成能力，单模态生成能力见GB/T45288.2中给出的生成能力维度。6.2多模态多模态大模型符合以下要求：3T/JSCN003—2025a）应提供多模态数据的特征提取；b）应具备至少1种多模态理解能力，多模态理解能力见GB/T45288.2中给出的理解能力维度；c）宜具备至少1种多模态生成能力，多模态生成能力见GB/T45288.2中给出的生成能力维度。7平台模块7.1模块流程大模型服务平台包括数据获取模块、配方预测模块、轨迹模拟模块、配方性质计算模块及配方输出模图2服务平台架构7.2模块功能7.2.1配方生成大模型平台结合化学规则约束和强化学习策略，能够根据电解质的元素组成类别和溶剂/添加剂类型等，高效生成合理的分子结构和分子比例作为候选配方。同时，利用配方-性质关联数据库作为监督信号，融合序列损失函数与性质预测损失函数进行训练，确保预测的配方不仅结构合理，而且性质接近实际测量值。7.2.2模型构建平台通过分子动力学模拟，根据预测的配方构建初始模拟盒子，并经过能量最小化、预平衡等步骤，最终计算得到实际性能指标。此外，根据满足电池模型阈值的配方预构建电池模型，模拟电池材料的电化学反应动力学轨迹，计算离子迁移能垒、界面阻抗参数等关键性能指标，为配方的进一步优化提供可靠的数据支持。7.2.3智能化预测平台基于大语言模型的训练过程，能够收集满足电池模型阈值的配方组成及体系性质，通过大语言模型进行预测，输出优化后的配方组成与比例，实现配方的智能优化（见附录B）。4T/JSCN003—20258测评8.1相关方测评将大模型能力分为理解能力和生成能力两大类，涵盖单模态（文本、图像、音频）和多模态（图文、文音、图音、图文音）多个维度。针对测评指标：理解能力测评指标包括文本分类、信息抽取、数学推理、因果推理等31项和生成能力测评指标包括摘要总结、机器翻译、文本改写等17项具体执行，出具测评记录或报告。8.2独立第三方测评委托第三方有资质（CMA或CNAS）机构进行，依据GB/T45288.2测评方法执行测评，涵盖测评数据集要求、测评环境和工具设置，以及测评方法的实施流程，包括自动化测试、人工测试和使用大模型作为裁判进行测试三种方式，出具测评报告或者检验检测报告。9成熟度评估9.1相关方评估将大模型服务分为大模型平台服务、大模型开发定制服务、大模型推理及运营服务三类构建服务能力框架。成熟度等级划分为基础应用级、协同优化级、深度赋能级三级，从硬件、软件及工具链、平台综合、数据资源、模型生产定制、模型推理、平台应用、运营赋能等多个维度，开展评估，出具评估记录或者评估报告。9.2独立第三方评估委托第三方有资质（CMA或CNAS）机构进行，依据GB/T45288.3开展大模型服务能力量化评分及成熟度等级判定，为服务提供方和需求方对大模型平台、模型定制及推理运营服务的能力进行全面评估，出具评估报告或者成熟度等级证书。A5T/JSCN003—2025（资料性）电解液配方示例电解液配方示例见表A.1。表A.1电解液配方示例组分类型典型成分质量分数范围溶剂EC/DMC/EMC30%~50%锂盐LiPF₆10%~15%添加剂VC/FEC1%~5%6T/JSCN003—2025（资料性）大模型平台技术要求示例B.1模块性能B.1.1数据采集层支持电解液成分（溶剂类别：碳酸酯类/醚类/砜类，锂盐类型：LiPF6/LiTFSI/LiFSI，添加剂浓度范围0.01%~10%）、电化学性能（离子电导率0.1mS/cm~20mS/cm、氧化电位≥4.5V参比Li+/Li、库伦效率≥99.5%）、试验条件（温度范围-40℃~100℃、氩气环境氧含量<1×10-6）等多维度数据实时采集。兼容主流实验设备数据接口（JSON/CSV/API采用OPC-UA协议实现设备层通信，数据采集频率≥5s/次，支持MQTT协议实时上传云端。B.1.2数据预处理层B.1.2.1数据清洗数据清洗包括异常值过滤（3σ原则结合箱线图分析）、缺失值插补（KNN算法k=5或随机森林迭代填补噪声消除采用小波变换（db4基函数）。B.1.2.2标准化处理标准化处理包括归一化（Min-Max用于浓度参数，Z-Score用于电化学参数特征工程包括PCA降维（累计方差贡献率≥85%）、t-SNE可视化（困惑度30~50数据增强采用SMOTE算法（过采样率B.1.2.3建立数据质量评估体系建立数据质量评估体系：信噪比≥30dB，特征间皮尔逊相关性系数>0.8，时间序列数据动态时间规整（DTW）对齐误差<0.1%。B.1.3模型层B.1.3.1生成性AI模型基于Transformer-XL（序列长度1024）的分子生成框架，支持SMILES/SELFIES编码（分子量范围50u~500u集成强化学习（PPO算法）进行配方优化，生成候选配方需满足化学基本规则（lgP≤5、氢键供体≤5等）。B.1.3.2优化算法多目标优化（NSGA-Ⅱ种群规模≥100，交叉概率0.8）结合贝叶斯优化（GP-UCB采集函数，Expect-edImprovement阈值≥0.05集成Pareto前沿分析（超体积指标HV≥0.7）。7T/JSCN003—2025B.1.4高通量平台整合B.1.4.1自动化实验设备六轴机械臂（重复定位精度±5μm）驱动移液系统（量程0.1μL~1000μL集成原位红外光谱仪（分辨率不低于4cm-1）的高通量测试平台，温控模块（帕尔贴效应控温±0.1℃)。B.1.4.2实时反馈系统生成-测试-优化闭环需实现24h3轮迭代，异常工况自动触发FTA故障树分析，人机交互界面满足GAMP5规范（审计追踪功能保留≥10年数据）。B.2平台数据B.2.1通则数据不少于1000条（包含材料配方、性能及工艺参数、表征谱图数据且满足符合FAIR原则的数据≥95%，噪声去除率达到99%，在不同应用场景下的预测准确性R2≥0.9。B.2.2数据质量关键参数（如Li+迁移数、SEI膜阻抗）缺失时自动触发补测流程，时间戳对齐采用PTP精密时钟协议（主从时钟偏差<1μs）。B.2.3数据库要求采用混合存储架构：MongoDB分片集群（3节点副本集）存储非结构化光谱数据，PostgreSQL时序数据库（TimescaleDB插件）记录