基于双尺度流形学习的锂离子电池热过程时空建模方法技术

本发明专利技术提供的一种基于双尺度流形学习的锂离子电池热过程时空建模方法，包括：根据流形学习方法，构造一组用于时间/空间分离的非线性空间基函数；采用Galerkin方法对非线性空间基函数进行截断，得到基于物理的时间模型；利用超限学习机对时间模型中存在的未知模型结构和参数进行评估学习；基于非线性空间基函数和时间模型，利用时空合成方法重构LIBs时空模型。本发明专利技术提供的一种基于双尺度流形学习的锂离子电池热过程时空建模方法，通过BFs学习方法同时考虑了局部和全局非线性流形结构信息，是的该方法优于基于局部线性嵌入LLE和基于等距映射ISOMAP的建模方法；适用于分布参数系统DPS的时空动态建模。

Time and space modeling method of lithium-ion battery thermal process based on two-scale manifold learning

The invention provides a time-space modeling method of lithium-ion battery thermal process based on two-scale manifold learning, which includes: according to the manifold learning method, constructing a set of nonlinear spatial basis functions for time / space separation; using Galerkin method to truncate the nonlinear spatial basis functions to obtain a physical based time model; using the overrun learning machine to study the existing time model Based on the non-linear spatial basis function and time model, the LIBS spatiotemporal model is reconstructed by the spatiotemporal synthesis method. The invention provides a time-space modeling method of lithium-ion battery thermal process based on two-scale manifold learning. The BFS learning method considers the local and global nonlinear manifold structure information at the same time. Yes, the method is superior to the modeling method based on local linear embedding LLE and isometric mapping Isomap; it is applicable to the time-space dynamic modeling of DPS.

【技术实现步骤摘要】
基于双尺度流形学习的锂离子电池热过程时空建模方法
本专利技术涉及锂离子电池热过程研究
，更具体的，涉及一种基于双尺度流形学习的锂离子电池热过程时空建模方法。
技术介绍
可充电锂离子电池(LIBs)具有高比能、高能量密度和低环境污染等优点，近年来逐渐成为电动汽车(EVs)和混合动力汽车(HEVs)的动力源[1][2]。然而，它们还没有被广泛应用于汽车工业，这是因为温度效应将限制电池的性能[3]-[5]。当电池充电或放电时，它们会通过电化学反应和欧姆加热而产生热量。相反，产生的热量会影响电池的安全性、寿命和性能。因此，电池应在适当的工作温度范围内工作。最终，这取决于一个精确的温度分布模型。因此，建立准确、有效的温度分布模型对其热管理具有重要意义。在数学上，热过程是一个典型的抛物型分布参数系统(DPS)，由一组偏微分方程(PDEs)和非齐次边界条件进行描述[6]。该系统是时空耦合的，其参数在空间和时间上都是变化的，不能直接用于在线估计和控制[7][8]。此外，由于具有无穷维特性，这类系统的建模通常需要无限多的传感器，这在实际过程中是不可能的[9]。因此，这类系统的建模具有很大的挑战。LIBs的热过程从机理的角度来看，遵循基本的传热规律，为此人们对LIB的热模型进行了大量的研究，根据电池的物理过程建立了它的热模型。在这些方法中，建立了由多个常微分方程(ODEs)组成的数学模型来分析锂钴氧化物电池的热行为[10]。针对圆柱电池，建立了等效电路电模型与双态热模型相结合的电热模型[11]。这两个子模型的未知参数可以分别识别。研究了一种非线性能量平衡模型，该模型与等效电路模型耦合，可以在大范围工作范围内工作[12]。上述模型对于在线应用来说是简单有效的。然而，它们是忽略空间信息的集中模型[13]。因此，它们只能估算一个或两个温度值，而不适合用于EVs或HEVs的大型电池。由于集总模型的不足，将电化学模型集成在一起的分布式模型被广泛地应用于描述整个工作领域的热动力学。其中，[14]提出了一种基于有限差分法(FDM)的分布式热电化学模型。由于考虑了厚度方向的温差，该模型非常适合叠层电池的应用。也有人提出了一种考虑电池电热行为的多物理解析模型，以用于邮袋式电池[14]。实验数据也验证了分析结果的正确性。此外，还建立了基于电化学物理过程的降阶电池热模型，该模型的输出与实验结果非常吻合[15]。这些方法都具有较好的建模性能。然而，在其建模过程中忽略了电化学行为的不确定性机制。此外，它们往往导致较高的计算量，使其难以用于在线相关应用。为了解决上述问题，获得原始系统的有限维近似模型对于实际应用是非常重要的。在这一思想的推动下，基于时间/空间分离的LIBs建模方法得到了广泛的研究[16]-[18]。针对忽略厚度的二维电池，提出了一种基于Karhunen–Loève(KL)的时空分布模型[19]。该模型计算量小，适合在线应用。然而，KL方法是一种线性方法，在模型降维过程中不能保留非线性空间信息。因此，针对一维电池和二维电池，分别提出了局部线性嵌入(LLE)[20][21]和等距映射(ISOMAP)[22]的非线性模型约简方法。这两种方法在模型降维过程中都能保留原始空间的非线性空间结构信息。通过与其他典型方法的对比实验，验证了提出模型具有较高的精度和较好的模型性能。但是，局部线性嵌入(LLE)和等距映射(ISOMAP)这两种方法，无论是全局的还是局部的，都只能保留单一的非线性空间信息，往往导致流形结构图的构造不够完善。这将导致学习空间基函数(BFs)时缺少部份的非线性流形结构信息。
技术实现思路
本专利技术为克服现有的锂离子电池热过程的建模方法存在计算量大、得到的流形结构图的构造不够完善的技术缺陷，提供一种基于双尺度流形学习的锂离子电池热过程时空建模方法。为解决上述技术问题，本专利技术的技术方案如下：基于双尺度流形学习的锂离子电池热过程时空建模方法，包括以下步骤：S1：根据流形学习方法，构造一组用于时间/空间分离的非线性空间基函数；S2：采用Galerkin方法对非线性空间基函数进行截断，得到基于物理的时间模型；S3：利用超限学习机对时间模型中存在的未知模型结构和参数进行评估学习；S4：基于非线性空间基函数和时间模型，利用时空合成方法重构LIBs时空模型。其中，所述步骤S1的具体过程包括：S11：构造邻图和补充图，表示原始空间中的流形结构；S12：计算局部线性权值和最短路径；S13：计算非线性空间基函数。其中，所述步骤S11具体为：构造K-最近邻图G，给定任意两点T(:,ti)和T(:,tj)，若T(:,tj)是T(:,ti)的K-最近邻，则采用一个边将它们相连，否则就不连接；当邻图G构造完成时，补充图Gs也完成了；在邻图G中若有两个点不连通，则在图Gs中在它们之间添加边；导出由邻图G和补充图Gs构成的完整的图，表示原始空间中的流形结构。其中，所述步骤S12具体为：在邻图G中，计算局部权值W，以便重构最佳任意点，导出相应的矩阵M；在补充图Gs中，计算最短路径以及相应的矩阵其中，所述步骤S13具体为：S131：因局部非线性流形结构保留从K-最近邻图G结构开始，对于给定的任意数据T(:,ti)，使用其K-最近邻的线性加权组合形成进行构造，构造的误差表示为：其中，上述误差方程在以下约束条件下最小化：(1)若T(:,tj)不是T(:,ti)的K-最近邻，那么Wij＝0；为了保持流形结构，低维嵌入时间系数a(t)与误差方程具有相同的形式，具体表示为：其中，所述ai(t)＝(φi(S),T(S,t)),i＝1,...,n，φi(S)表示非线性空间基函数，T(S,t)表示LIB的时空分布温度；因此方程ε(W)转化优化问题：S132：根据邻图G和补充图Gs构成的完整的图，将优化问题表示为：其中dn(a(ti),a(tj))是在低维嵌入空间中a(ti)和a(tj)之间的欧几里德距离；dM(T(:,ti),T(:,tj))是在矩阵M中T(:,ti)和T(:,tj)之间的近似测地距离；S133：定义DA表示欧氏距离矩阵，则将优化问题fopt表示为：其中，H为中心矩阵，具体为：是L2矩阵形式，则由于为估计矩阵，则将优化问题表示为最大化问题：S134：对最大化问题进行优化，表示为：其中，α和β是平衡局部和全局非线性空间信息权重的尺度因子，定义约束条件φTTTTφ＝1，消除模型简化过程中的任意缩放因子，则得到：利用广义特征值问题的最大特征值解，得到令上述方程最大化的非线性空间基函数BFs，具体为：其中，所述步骤S2具体包括以下步骤：S21：根据LIB基本传热方程及LIB的时空分布温度表达式，得到方程残差，具体表示为：其中，k0＝kx/(ρc),k1＝ky/(ρc),k2＝1/(ρc)；ρ(kg/m3)和c(J/kg℃)分别是LIB的密度和比热容，Q为热源；S22：根据Galerkin方法，有：∫Rφj(S)dΩ＝0；其中Ω是空间操作域，则有：联系到LIB基本传热方程及LIB的时空分布温度表达式，有：∫k2Qn(S,t)φj(S)dΩ＝k2qj(t)；其中qi(t)是Q的低维表示；结合步骤S22上述公式，替换下标i和j，得到方程：其中，S23：将ai(t)的离散本文档来自技高网...

【技术保护点】
1.基于双尺度流形学习的锂离子电池热过程时空建模方法，其特征在于：包括以下步骤：S1：根据流形学习方法，构造一组用于时间/空间分离的非线性空间基函数；S2：采用Galerkin方法对非线性空间基函数进行截断，得到基于物理的时间模型；S3：利用超限学习机对时间模型中存在的未知模型结构和参数进行评估学习；S4：基于非线性空间基函数和时间模型，利用时空合成方法重构LIBs时空模型。

【技术特征摘要】
1.基于双尺度流形学习的锂离子电池热过程时空建模方法，其特征在于：包括以下步骤：S1：根据流形学习方法，构造一组用于时间/空间分离的非线性空间基函数；S2：采用Galerkin方法对非线性空间基函数进行截断，得到基于物理的时间模型；S3：利用超限学习机对时间模型中存在的未知模型结构和参数进行评估学习；S4：基于非线性空间基函数和时间模型，利用时空合成方法重构LIBs时空模型。2.根据权利要求1所述的基于双尺度流形学习的锂离子电池热过程时空建模方法，其特征在于：所述步骤S1的具体过程包括：S11：构造邻图和补充图，表示原始空间中的流形结构；S12：计算局部线性权值和最短路径；S13：计算非线性空间基函数。3.根据权利要求2所述的基于双尺度流形学习的锂离子电池热过程时空建模方法，其特征在于：所述步骤S11具体为：构造K-最近邻图G，给定任意两点T(:,ti)和T(:,tj)，若T(:,tj)是T(:,ti)的K-最近邻，则采用一个边将它们相连，否则就不连接；当邻图G构造完成时，补充图Gs也完成了；在邻图G中若有两个点不连通，则在图Gs中在它们之间添加边；导出由邻图G和补充图Gs构成的完整的图，表示原始空间中的流形结构。4.根据权利要求3所述的基于双尺度流形学习的锂离子电池热过程时空建模方法，其特征在于：所述步骤S12具体为：在邻图G中，计算局部权值W，以便重构最佳任意点，导出相应的矩阵M；在补充图Gs中，计算最短路径以及相应的矩阵5.根据权利要求4所述的基于双尺度流形学习的锂离子电池热过程时空建模方法，其特征在于：所述步骤S13具体为：S131：因局部非线性流形结构保留从K-最近邻图G结构开始，对于给定的任意数据T(:,ti)，使用其K-最近邻的线性加权组合形成进行构造，构造的误差表示为：其中，上述误差方程在以下约束条件下最小化：若T(:,tj)不是T(:,ti)的K-最近邻，那么Wij＝0；为了保持流形结构，低维嵌入时间系数a(t)与误差方程具有相同的形式，具体表示为：其中，所述ai(t)＝(φi(S),T(S,t)),i＝1,...,n，φi(S)表示非线性空间基函数，T(S,t)表示LIB的时空分布温度；因此方程ε(W)转化优化问题：S132：根据邻图G和补充图Gs构成的完整的图，将优化问题表示为：其中dn(a(ti),a(tj))是在低维嵌入空间中a(ti)和a(tj)之间的欧几里德距离；dM(T(:,ti),T(:,tj))是在矩阵M中...

【专利技术属性】
技术研发人员：徐康康，杨海东，印四华，朱成就，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：广东,44