一种基于多层宽度学习系统的锂电池温度场预测模型的建模方法技术方案

本发明专利技术提供了一种基于多层宽度学习系统的锂电池温度场预测模型的建模方法，具体包括如下步骤：步骤一

【技术实现步骤摘要】
一种基于多层宽度学习系统的锂电池温度场预测模型的建模方法


[0001]本专利技术涉及锂电池温度预测领域，尤其涉及一种基于多层宽度学习系统的锂电池温度场预测模型的建模方法
。

技术介绍

[0002]锂电池的温度场对电池的性能
、
使用寿命和安全性有较大影响，建立一个准确的温度场预测模型有助于实现锂电池温度的监控
、
管理和控制
。
然而，锂离子电池温度场属于一类具有强非线性的分布参数系统，在数学上，该类系统都能够使用偏微分方程及相关边界条件进行描述，但是该类系统输入
/
输出
、
系统边界和系统参数都会随时间和空间变化而变化
。
因此建立其快速
、
准确的温度预测模型具有较大的挑战
。
[0003]近年来，基于时间
/
空间分离的方法已成功地应用于锂电子电池温度场等分布参数系统建模
。
在传统的基于时间
/
空间分离的方法中，有限差分法
(FDM)
和有限元法
(FEM)
将锂离子电池的温度偏微分方程离散成有限维常微分方程，以获得良好的逼近
。
然而，上述方法仅适用于分布参数系统已知的情况，即需要其偏微分方程和相应的初始边界条件是准确已知的
。
由于电池的温度分布涉及一系列的复杂化学反应和传热
、
传质机理，其偏微分方程往往难以获取
。
为了解决系统未知的锂电池温度场建模问题，许多学者尝试采用基于空间基函数展开的纯数据驱动方法
。
首先，利用
Karhunen
‑
Lo
è
ve(KL)
分解
、
奇异值分解和局部非线性降维等学习方法从电池温度时空数据中构造出空间基函数
。
一旦获得了空间基函数后，相应的低维时间系数就可以从时空域分离出来
。
然后利用传统的机器学习算法，如最小二乘支持向量机
、
神经网络
、
高斯混合模型，建立系统输入与时间系数之间的函数关系
。
然而
KL
方法是一种忽略非线性信息的全局线性数据降维方法
。
因此，在强非线性系统中，它的建模精度难以令人满意
。
此外，
KL
方法的建模精度同样非常依赖空间基函数的选择
。
而没有工艺或专业知识很难得到空间基函数的最优组合
。
虽然一些基函数变换方法已经成功地用于选择最优的基函数变换，但这些方法只适用于定常和完全已知的系统
。

技术实现思路

[0004]本专利技术的主要目的在于提供一种基于多层宽度学习系统
(ML
‑
BLS)
的锂电池温度场预测模型的预测方法，以解决上述技术问题
。
[0005]为达到以上目的，本专利技术采用的技术方案为：一种基于多层宽度学习系统的锂电池温度场预测模型的建模方法，其特征在于，具体包括如下步骤：
[0006]步骤一
、
基于多层宽度学习系统的时空分离方法，将温度分布变量转换为时间系数；
[0007]步骤二
、
根据步骤一得到的时间系数，建立了基于核超限学习机的低阶时序模型，反映电池电流
、
电压与时间系数间的函数关系；
[0008]步骤三
、
根据所述函数关系，建立基于宽度学习系统的时空重构模型，实现时间系
数到温度分布变量的重构
。
[0009]优选地，步骤一具体包括如下步骤：
[0010]步骤
11、
多层宽度学习系统创建一个
P
层隐含层的学习网络，在第一层隐含层中，使用公式
(1)
生成
n1个映射节点：
[0011]M
i
＝
φ
(TW
ei
+b
ei
)
，
ꢀꢀ
(1)
[0012]其中，
M
i
为第
i
个映射节点，
i
＝
1,
…
,n1，
W
ei
和
b
ei
分别为第
i
个映射节点随机生成的输入权值和偏置，
φ
(
·
)
为激活函数，联合所有生成的映射节点，映射节点矩阵表示为
M
＝
[M1,
…
,Mn1],,s
i
为分布在锂电池表面的第
i
个温度传感器的位置，在锂电池表面共均匀分布有
N
个温度传感器，
T(S
i
,t)
为位于
S
i
位置处的温度传感器在
t
时刻检测到的温度值，
t
＝
1,
…
,L
；
[0013]步骤
12、
使用公式
(2)
生成
n2个增强节点：
[0014]E
j
＝
φ
(MW
hj
+b
hj
)
，
ꢀꢀ
(2)
[0015]其中，
E
j
为第
j
个增强节点
(j
＝
1,
…
,n2)
，
W
hj
和
b
hj
分别为第
j
个增强节点随机生成的输入权值和偏置，联合所有生成的增强节点，增强节点矩阵表示为将映射节点和增强节点串联并表示为
S
＝
[M,E]；
[0016]步骤
13、
使用公式
(3)
求解多层宽度学习系统的第一层隐含层的输出权值
β1：
[0017][0018]其中，
λ
为正则化系数；
[0019]步骤
14、
对公式
(3)
求导，即可解出
β1：
[0020]β1＝
(S
T
S+
λ
I)
‑1S
T
T
，
ꢀꢀ
(4)
[0021]其中，
I
为单位矩阵；
[0022]步骤
15、
计算多层宽度学习系统的第一层隐函层输出矩阵
H1使用公式
(5)
计算
[0023][0024]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于多层宽度学习系统的锂电池温度场预测模型的建模方法，其特征在于，具体包括如下步骤：步骤一
、
基于多层宽度学习系统的时空分离方法，将温度分布变量转换为时间系数；步骤二
、
根据步骤一得到的时间系数，建立了基于核超限学习机的低阶时序模型，反映电池电流
、
电压与时间系数间的函数关系；步骤三
、
根据所述函数关系，建立基于宽度学习系统的时空重构模型，实现时间系数到温度分布变量的重构
。2.
根据权利要求1所述的建模方法，其特征在于，步骤一具体包括如下步骤：步骤
11、
多层宽度学习系统创建一个
P
层隐含层的学习网络，在第一层隐含层中，使用公式
(1)
生成
n1个映射节点：
M
i
＝
φ
(TW
ei
+b
ei
)
， (1)
其中，
M
i
为第
i
个映射节点，
i
＝
1,
…
,n1，
W
ei
和
b
ei
分别为第
i
个映射节点随机生成的输入权值和偏置，
φ
(
·
)
为激活函数，联合所有生成的映射节点，映射节点矩阵表示为
S
i
为分布在锂电池表面的第
i
个温度传感器的位置，在锂电池表面共均匀分布有
N
个温度传感器，
T(S
i
,t)
为位于
S
i
位置处的温度传感器在
t
时刻检测到的温度值，
t
＝
1,
…
,L
；步骤
12、
使用公式
(2)
生成
n2个增强节点：
E
j
＝
φ
(MW
hj
+b
hj
)
， (2)
其中，
E
j
为第
j
个增强节点
(j
＝
1,
…
,n2)
，
W
hj
和
b
hj
分别为第
j
个增强节点随机生成的输入权值和偏置，联合所有生成的增强节点，增强节点矩阵表示为将映射节点和增强节点串联并表示为
S
＝
[M,E]
；步骤
13、
使用公式
(3)
求解多层宽度学习系统的第一层隐含层的输出权值
β1：其中，
λ
为正则化系数；步骤
14、
对公式
(3)
求导，即可解出
β1：
β1＝
(S
T
S+
λ
I)
‑1S
T
T
， (4)
其中，
I
为单位矩阵；步骤
15、
计算多层宽度学习系统的第一层隐函层输出矩阵
H1使用公式
(5)
计算步骤
16、
在计算出
H1后，将
H1代替
T
计算公式
(1)
‑
(5)
，得到多层宽度学习系统的第二层隐函层输出矩阵
H2：步骤
17、
反复执行根据步骤
11
‑
步骤
16
并将得到的第
i
层隐含层的输出矩阵
H
i
代替
T
计算
第
i+1
层隐含层的输出矩阵
H
i+1
，直到得到第
p
层的隐含层的输出矩阵
H
p
：步骤
18、
得到时间系数
3.
根据权利要求2所述的建模方法，其特征在于，步骤二具体包括如下步骤：步骤
21、
设
Z(t)
＝
[u(t),a(...

【专利技术属性】
技术研发人员：吕洲，
申请(专利权)人：广州港科大技术有限公司，
类型：发明
国别省市：