电解质的安全性对于电池的可持续性具有至关重要的作用，目前电解质配方中仍主要使用易燃有机分子。然而，提高电解质的安全性通常会牺牲电池成本和电化学性能。
基于此，研究团队展示了一种电解质，其在钾离子电池和锂离子电池中实现了阻燃性能、成本优势和出色的循环性能的完美结合。研究人员通过引入市场上Novec 7300冷却液和Daikin-T5216的氟化液体和非极性溶剂，来控制常用的甘醚溶剂的可燃性。
经过配方优化后的电解质具有出色的化学和热稳定性，不会燃烧，并且可以在-75至80摄氏度的宽工作温度范围内工作。当这种电解质应用于钾金属电池时，K||K电池可以循环使用超过12个月，而K||石墨电池在经过2,400次循环后仍保持93%的初始容量。
即使在恶劣条件下(N/P = 1.08, E/C = 3.0 g Ah−1)，18650锂离子电池循环200次以上的容量保持率也高达96.7%。此外，这种低成本的电解质配方为电解质设计提供了新的空间，几乎可以很好地平衡电池可持续性所涉及的所有因素。研究背景由于电动汽车和大型电网中的广泛应用，对安全耐用电池的需求日益增加。然而，电池安全问题限制了它们的进一步发展和广泛采用，其中包括枝晶生长、有限的工作温度范围和热失控风险等问题。
这些问题取决于电池内部的过程，因此开发新的化学物质来改善电池内部的过程至关重要。电解质是一个关键问题，因为它与金属阳极之间会发生寄生反应，导致一系列技术问题，如不可逆的阳极循环、固体-电解质界面(SEI)开裂、多孔涂层和金属枝晶的形成。工程无机物主导的SEI可以优化电化学性能，因此有很多研究致力于将无机元素氟引入电解质中。然而，大多数氢氟碳化合物具有较高的全球变暖潜能值和臭氧消耗潜能值，这与电池行业的可持续发展不一致。因此，需要开发清洁的氟源来实现可持续电解质的发展。
为了满足工业界和学术界对于融合电化学、材料科学、力学、热力学和 AI 技术多学科知识与技能的复合型人才的需求，特举办此次研修课程。本次培训主办方为北京软研国际信息技术研究院，承办方互动派（北京）教育科技有限公司，会议会务合作单位为北京中科万维智能科技有限公司。
|
专题一 (直播5天) |
（详情内容点击上方名称查看） 2025年11月01日-11月02日 2025年11月08日-11月10日 |
|
|
专题二 (直播4天) |
COMSOL仿真与人工智能融合——锂电池电化学仿真与优化实战 （详情内容点击上方名称查看） 2025年10月25日-10月26日 |
|
|
专题三 (精品录播) |
（详情内容点击上方名称查看） |
|
|
专题四 (精品录播) |
（详情内容点击上方名称查看） |
|
|
专题五 |
（详情内容点击上方名称查看） |
|
|
专题六 |
（详情内容点击上方名称查看） |
|
培训对象
汽车工业、电力工业、自动化技术、BMS算法开发、电池系统研发、新能源汽车工程、储能系统管理、环境科学与资源利用、计算机软件及应用等专业和领域的科研人员、工程师、及相关行业从业者、跨领域研究人员。
COMOSL电化学讲师
由国内某高校教授带领研究小组讲授。该小组一直致力于多物理场耦合力学相关研究，迄今发表 SCI 论文 80 余篇，主要包括 International Journal of Heat and Mass Transfer，Journal of The Electrochemical Society，Journal of Energy Storage 和 Journal of Applied Mechanics 等期刊。主持国家自然科学基金等科研项目。
擅长领域：多孔介质多物理场耦合建模、锂离子电池电化学仿真分析和 AI 优化设计等。
智能化电池管理讲师
由国家“双一流”建设高校、“985工程”和“211工程”重点高校副教授/博导及其团队成员讲授，长期从事动力电池系统安全管理研究的理论和关键技术开发。在《eTransportation》、《Applied Energy》、《Energy》等JCR一区SCI期刊发表论文50余篇，其中十余篇先后入选“ESI全球高被引论文”。担任多个期刊青年编委，担任40余个SCI期刊的审稿人专家。
COMSOL仿真与人工智能融合——锂电池电化学仿真与优化实战
|
目录 |
主要内容 |
|
基于COMSOL的锂离子电池电化学建模与仿真 |
1. 电化学多物理场耦合模型基本理论 (1) 电化学基本模型 (2) 电化学-热两场耦合模型 (3) 电化学-热-力-副反应耦合模型 2. COMSOL中电化学模型建模实操 (1) 电化学模型（锂离子电池模块）的建模 (2) 放电现象结果可视化 3. COMSOL中电化学-热耦合模型建模实操 (1) 电化学-热（传热模块）模型的建模 (2) 产热现象结果可视化 4. COMSOL中锂离子电池容量衰减仿真实操 (1) 在COMSOL中实现副反应过程的耦合计算 (2) 循环过程中容量衰减的结果可视化 |
|
人工智能与多物理场耦合电化学模型的融合 |
1. 人工智能与多物理场耦合电化学模型的融合基础 (1) 人工智能、传统机器学习、深度机器学习的基本概念 (2) 机器学习算法简介 (3) COMSOL与人工智能的结合方法简介 2. COMSOL与PyCharm软件（Python）结合使用实操 (1) 通过COMSOL进行后处理，并导出数据 (2) 训练神经网络模型，并进行验证 3. 基于COMSOL仿真数据与人工智能的电池性能预测案例实操 (1) 利用PyCharm对COMSOL导出数据进行可视化分析 (2) 训练神经网络模型，并进行验证 4. 锂电池设计（结构和参数）优化案例实操 (1) 对COMSOL导出数据进行预处理，并训练机器学习代理模型和验证 (2) 通过优化算法和代理模型进行优化设计 |
机器学习驱动的智能化电池管理技术与应用
|
目录 |
主要内容 |
|
电池管理技术概述 |
1. 电池的工作原理与关键性能指标 2. 电池管理系统的核心功能 3. BMS的软件开发要点：SOC估计、SOH估计、剩余寿命预测 |
|
人工智能机器学习 基础 |
1. 人工智能的发展 2. 机器学习的关键概念 3. 机器学习在电池管理中的应用案例介绍 |
|
人工智能在电池荷电状态估计中的应用 |
1. 荷电状态估计方法概述 2. 基于支持向量机的SOC估计 （1）锂电池测试及数据集 （2）基于SVM的估计框架 （3）模型验证和讨论 3.基于神经网络的SOC估计 （1）锂电池数据集 （2）基于BP/CNN/LSTM神经网络的估计框架 （3）不同输入的对比分析 （4）不同工况/温度的精度验证 3. 基于迁移学习的 SOC 估计 （1）锂电池测试及数据集 （2）基于深度迁移学习的SOC估计 （3）多温度下 SOC 估计验证 （4）多老化点下 SOC 估计验证 实例讲解1：基于支持向量机的SOC估计 实例讲解2：基于神经网络的SOC估计 实例讲解3：基于迁移学习的SOC估计 
|
|
人工智能在电池健康状态估计中的应用 |
1. 健康状态估计方法概述 2. 人工智能技术在电池单体SOH预估中的应用 （1）健康因子提取 （2）构建人工智能模型 （3） 模型训练与超参数优化 （4）电池系统健康状态 3. 满充满放恒定工况下基于机器学习的电池SOH估计 （1）健康因子提取 （2）健康因子相关性分析 （3）基于机器学习的电池SOH估计 4. 多阶恒流/片段恒流工况下的 SOH 估计方法 （1） 锂离子电池老化数据集 （2）SOH健康特征提取 ① 电池公开数据集老化试验 ② 电池增量容量曲线提取 ③ 电压序列构建方法 ④ 电压序列相关性分析 （3）健康特征提取 （4） 基于神经网络的电池SOH估计方法 5. 动态放电工况下基于模型误差谱的 SOH 估计方法 （1）方法基本原理及框架 （2）数据集及参数辨识 （3）模型误差面积提取 （4）老化特征及工况特征融合 （5）模型训练及验证 6. 基于云端大数据的电池SOH估计 （1）数据预处理 （2）容量标签构建 （3）容量估算框架 （4）多场景验证及测试 实例讲解1：满充满放恒定工况下的电池SOH估计 
实例讲解2：多阶恒流/片段恒流工况下的电池 SOH 估计 实例讲解3：动态放电工况下基于模型误差谱的 SOH 估计 
实例讲解4：基于实车运行大数据的电池 SOH 估计 
|
|
人工智能在电池寿命预测和衰后性能预测中的应用 |
1. 锂离子电池状态、轨迹及特性预测概述 2. 基于传统机器学习SVR的电池剩余寿命预测 （1）数据集介绍 （2）特征提取及估计框架 （3）方法验证及讨论 3. 基于深度学习的电池RUL联合预测方法 （1）电池数据集介绍 （2）特征提取及估计框架 （3）方法验证及讨论 4. 基于机器学习的电池SOH和RUL联合预测方法 （1）数据集介绍 （2）研究框架和方法 （3）结果分析与验证 5. 基于数据驱动的电池衰退轨迹预测方法 （1）数据集及数据预处理 （2）特征工程与退化敏感特征提取 （3）数据集构建与划分 （4）模型选择与训练 （5）轨迹预测与评估优化 实例讲解1：基于支持向量回归的寿命预测方法 实例讲解2：基于深度学习的寿命预测方法 实例讲解3：基于机器学习的健康状态及寿命联合预测方法 实例讲解4：基于深度学习的电池衰退轨迹预测方法 
|
|
人工智能在电池热失控预警中的应用 |
1. 电池热失控预警方法概述 2. 算法数据集介绍:电池故障数据来源 3. 基于无监督聚类算法（KMeans）的电池现实故障检测方法 （1）KMeans聚类方法 （2）基于聚类方法的检测框架 （3）检测结果集讨论 4. 基于无监督聚类算法（DBSCAN）的电池现实故障检测方法 （1）DBSCAN聚类方法 （2）基于聚类方法的检测框架 （3）检测结果集讨论 5. 基于局部离群因子的电池系统故障智能诊断方法 （1）LOF 算法核心原理 （2）特征选择及逻辑判断准则 （3）结果分析及验证 6. 基于深度学习的电池系统智能故障诊断方法 （1）神经网络诊断框架 （2）结果分析及验证 实例讲解1：基于KMeans的异常电芯检测 实例讲解2：基于DBSCAN的异常电芯检测 实例讲解3：基于LOF的异常电芯检测 实例讲解4：基于深度学习的异常电芯检测 
|
COMSOL电化学专题
1. 掌握COMSOL锂离子电池电化学建模仿真技术，包括多场耦合电化学分析。
2. 掌握机器学习在锂离子电池性能预测、优化设计等方面的应用。
3. 通过案例实践，提升COMSOL实操能力和解决复杂科学/工程问题的能力。
智能电池管理专题
1. 深度技术融合，聚焦前沿应用：
☆ 核心特色在于将机器学习（ML）与人工智能（AI）技术（SVM, BP/CNN/LSTM, 迁移学习， SVR, KMeans, DBSCAN, LOF, 深度学习）深度、系统地应用于电池管理（BMS）的核心痛点问题：SOC估计、SOH估计、剩余寿命预测（RUL）、热失控预警。
☆ 覆盖了从基础原理到最新研究趋势（如迁移学习、云端大数据分析、深度学习联合预测）的应用，体现了技术的前沿性和综合性。
2. 理论与实践高度结合，案例驱动：
☆ 大量实例讲解是最大亮点之一。课程在SOC、SOH、RUL、热失控预警等每个核心应用模块后，都有具体的技术实例（如“基于支持向量机的SOC估计”、“基于深度学习的寿命预测方法”、“基于实车运行大数据的电池SOH估计”、“基于深度学习的异常电芯检测”等）。确保学员不仅能理解理论，更能直观掌握实现路径和评估方法。
☆ 内容设计上强调“数据集-特征工程-模型构建-训练优化-验证评估”的完整技术链条，符合工程实践逻辑。
3. 覆盖电池管理全生命周期关键环节：
☆ 培训内容系统性强，围绕电池管理的核心任务展开：
状态感知： SOC（多种ML方法）、SOH（单体/系统，不同工况）。
寿命管理： RUL预测（传统ML/深度学习/联合预测）、退化轨迹预测。
安全预警：热失控/故障诊断（多种无监督学习及深度学习方法）。
☆ 提供了从单体到系统、从实验室工况到实车动态工况、从新电池到老化电池的全面视角。
4. 强调方法对比与场景适应性：
☆ 在关键问题上（如SOC估计、SOH估计、故障检测）不局限于单一方法，对比讲解多种主流ML/AI技术（如SVM vs神经网络vs迁移学习；KMeans vs DBSCAN vs 深度学习等）
☆ 特别关注不同应用场景：如SOH估计部分专门区分了“满充满放恒定工况”、“多阶恒流/片段恒流工况”、“动态放电工况”、“云端大数据”等不同场景下的方法，体现了技术选型与场景的强关联性。
5. 结构清晰，层次递进
☆ 课程从电池管理基础和AI/ML基础讲起，确保学员具备必要的背景知识。
☆ 核心部分按应用领域（SOC->SOH->RUL->安全） 组织，逻辑清晰。
☆ 在每个应用领域内，通常遵循 “概述->传统/基础方法->先进/复杂方法（深度学习、迁移学习、联合预测）->实例验证” 的递进结构，便于学员逐步深入。
01.
时间地点
机器学习驱动的智能化电池管理技术与应用
2025年11月01日-11月02日
2025年11月08日-11月10日
在线直播（授课5天）
COMSOL仿真与人工智能融合——锂电池电化学仿真与优化实战
2025年10月18日-10月19日
在线直播（授课2天）
02.
增值服务
1、凡报名学员将获得本次培训课件及案例模型文件；
2、培训结束可获得所学专题课程全部无限次回放视频；
3、价格优惠：
优惠一：2025年10月9日前报名缴费可享受200元早鸟价优惠；
优惠二：参加过我单位举办的其它课程的老学员，可享受额外200元优惠；
3、参加培训并通过考试的学员，可以获得：北京软研国际信息技术研究院培训中心颁发的专业技能结业证书。
03.
报名费用
（含报名费、培训费、资料费）
机器学习驱动的智能化电池管理技术与应用：￥4900 元/人
COMSOL仿真与人工智能融合——锂电池电化学仿真与优化实战：￥2300 元/人
【注】费用提供用于报销的正规机打发票及盖有公章的纸质通知文件；北京中科万维智能科技有限公司作为本次会议会务合作单位，负责注册费用收取和开具发票，可开具会议费发票和发送会议邀请函；
04.
报名方式
