一种基于多层核超限学习机的锂电池温度场预测模型的建模方法、预测模型以及预测方法技术

本发明专利技术提供了一种基于多层核超限学习机的锂电池温度场预测模型的建模方法，其特征在于，包括如下步骤：步骤一：建立基于ML

【技术实现步骤摘要】
一种基于多层核超限学习机的锂电池温度场预测模型的建模方法、预测模型以及预测方法


[0001]本专利技术涉及电池温度场建模领域，尤其涉及一种基于多层核超限学习机的锂电池温度场在线时空建模方法以及模型。

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时变的分布参数系统。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，但是该类系统具有时变及强非线性特性，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】
1.一种基于多层核超限学习机的锂电池温度场预测模型的建模方法，其特征在于，包括如下步骤：步骤一：建立基于ML
‑
KELM对时间域进行非线性变换的第一模型，并确定时间系数a的获取方法；步骤二：建立基于K
‑
ELM的重构模型，并采用检测到的锂电池的第一训练数据采用步骤一中的时间系数a的获取方法计算出对应的时间系数，并将计算出的时间系数a输入到所述重构模型中对所述重构模型进行训练；步骤三：基于OS
‑
ELM建立在线低阶时序模型，对所述在线低阶时序模型进行训练和在线学习并更新在线低阶时序模型的输出权重；步骤四：在OS
‑
ELM模型在线学习完成后，根据更新后的输出权重计算预测的时间系数步骤五：将得到的预测的时间系数代入到步骤二中的重构模型中，即可实现对锂电池的温度场的预测：2.根据权利要求1所述的建模方法，其特征在于，所述ML
‑
KELM包括P
‑
1个KELM
‑
AE和1个ELM
‑
AE，P＞1，P
‑
1个KELM
‑
AE和1个ELM
‑
AE依次堆叠，每个KELM
‑
AE和ELM
‑
AE均具有输入层、隐含层和输出层，并且前一个KELM
‑
AE的输出层的输出作为后一个KELM
‑
AE的输入层的输入，每个KELM
‑
AE接收到的数据在隐含层进行处理并从输出层输出，所述KELM
‑
AE中第i层隐含层的输出和第i
‑
1层隐含层的输出之间的数值关系为：其中，g(
·
)为激活函数，H
i
为第i层隐含层输出，H
i
‑1是第i
‑
1层隐含层输出，当i＝1，则H
i
‑1＝T0，表示N个温度传感器检测的温度数据，N个温度传感器安装在锂电池的表面，L0为时间长度，每一层隐含层H
i
的维度为L0，S
N
是N个温度传感器的空间位置；Γ
iT
为第i层的变换矩阵，使用以下公式计算：其中，I为单位矩阵，C为正的常数，Ω为核矩阵，Ω＝HH
T
：Ω
i，j
＝K(T(S，i)，T(S，i))，K(
·
)为核函数。3.根据权利要求2所述的建模方法，其特征在于，所述时间系数a为ELM
‑
AE的时间系数，通过以下公式计算：通过以下公式计算：其中是ELM

【专利技术属性】
技术研发人员：黄镇泽，梁志勇，李志德，
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：