一种基于物理信息神经网络与SSA-ELM的电池模块温度预测方法技术

本发明专利技术公开了一种基于物理信息神经网络与SSA

【技术实现步骤摘要】
一种基于物理信息神经网络与SSA
‑
ELM的电池模块温度预测方法

：
[0001]本专利技术属于神经网络深度学习
，特别涉及一种基于物理信息神经网络与SSA
‑
ELM的电池模块温度预测方法。

技术介绍
：
[0002]随着科技的发展，电池已经被广泛应用在工业上，其中比较常见的是锂电池组。为了满足可靠、高效和安全的需求，需要进一步研发锂离子电池技术。电池的性能受到温度变化的影响，温度过高或者过低都会影响到电池内部的化学反应，从而影响工业器件的运行。为了解决这些问题，通过使用科学方法来预测某个时间电池模块内部温度，从而维持电池良好性能，保证工业稳定发展。
[0003]自从ELM(极限学习机)的概念被提出来，受到了广大研究者的欢迎，它颠覆了传统神经网络基于梯度的计算，把矩阵论的知识与最小二乘法结合起来，计算速度快。然而ELM的输入层与隐藏层的参数是随机生成的，这种随机性会影响预测的精度。
[0004]PINN物理信息神经网络，它最大的特点就是给神经网络层添加了先验知识，通过把物理方程的残差作为损失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于物理信息神经网络与SSA
‑
ELM的电池模块温度预测方法，其特征在于：其步骤为：S01、选择一个电池模块，根据特征因素历史数据采用互信息法分别计算各个特征因素与电池模块温度的互信息量估计值，互信息量估计值的大小反映特征因素与电池模块温度之间的相关度，通过对互信息量估计值设置阈值，将互信息量估计值超过阈值的特征因素的种类放入预设集合中；特征因素包括腔室温度、电压、电流、荷电状态；S02、将特征因素历史数据和对应的电池模块温度历史数据组成预训练数据集，其中特征因素历史数据和对应的电池模块温度历史数据都属于t时间以前的数据，采用SSA算法对ELM模型进行优化得到SSA
‑
ELM模型，将预训练数据集带入到SSA
‑
ELM模型中训练，训练内容为由矩阵求逆法求得SSA
‑
ELM模型中的神经元权重和阈值，训练完成后将预设集合中的特征因素输入到SSA
‑
ELM模型中，SSA
‑
ELM模型输出电池模块温度预测值Tem
t
；S03、构建物理信息神经网络PINN，物理信息神经网络PINN通过将电池模块的热平衡方程的残差作为损失函数，损失函数中存在两个未知变量，分别为电池模块温度收敛值、电池模块温度随时间变化的变量；测量损失函数中的参数值，将电池模块温度预测值Tem
t
作为电池模块温度收敛值的初始值，将电池模块温度收敛值的初始值和测量的参数值输入损失函数中，求得电池模块温度随时间变化的变量，然后再将电池模块温度随时间变化的变量输入损失函数中，该过程中产生电池模块温度随着时间变化的结果，求得该时间的电池模块温度收敛值；通过更新电池模块温度收敛值和电池模块温度随时间变化的变量，不断减小损失函数的值，直到损失函数收敛，最终得到该时间的电池模块温度收敛值最优解。2.根据权利要求1所述的基于物理信息神经网络与SSA
‑
ELM的电池模块温度预测方法，其特征在于：步骤S01中，互信息法表示电池模块温度与特征因素的相关性；特征因素表示为其中表示在t时间i(i＝1，2，3......N)个特征因素，N表示特征因素的数量；由于每个特征因素的多个历史数据处于不同的数量范围内，因此对每个特征因素历史数据进行归一化处理，数据归一化表示为：其中表示在t时间i个特征因素中的最大值，表示在t时间i个特征因素的最小值，表示在t时间i个特征因素的平均值；表示进行归一化处理后的i个特征因素；在时间t
‑
L(L>0)分别计算电池模块温度历史数据Ta
t
‑
L
与每种归一化之后的特征因素的互信息量估计值互信息的表达式表示为：其中x表示电池模块温度的变量分布，y表示特征因素的变量分布，p(x)和p(y)分别是
关于x和y的边缘概率分布函数，p(x，y)是x和y的联合概率分布函数；把式(2)中的互信息量估计值放置到一个集合Q1中，中，设置一个阈值β，将Q1中的互信息量估计值与阈值β进行比较，把Q1中大于阈值β的互信息量估计值放置到预设集合Q2中，由于互信息量估计值影响到电池模块温度的预测，并且互信息量估计值与特征因素对电池模块温度的影响程度成正相关，选择互信息量估计值在阈值以上的特征因素，预设集合Q2表示为：3.根据权利要求2所述的基于物理信息神经网络与SSA
‑
ELM的电池模块温度预测方法，其特征在于：步骤S02中，ELM模型是一种单隐层神经网络，网络结构由d个神经元的输入层、m个神经元的隐藏层、v个神经元的输出层，其中输入的预设集合Q2的长度d对应d个神经元；在训练过程中随机生成输入层与隐藏层的权重和阈值，输入层的权重矩阵w
j
＝[w
1 w2……
w
d
]
T
，输入层的阈值矩阵b
k
＝[b
1 b2……
b
d
]
T
，隐藏层的权重矩阵c
g
＝[c
1 c2……
c
m
]
T
，输出层输出的向量矩阵out
index
＝[out
1 out2……
out
v
]
T
，其中T代表矩阵的转置操作，w
d
表示输入层第j(j＝1,2,3
……
d)个神经元的权重，b
d
表示输入层第k(k＝1,2,3
……
d)个神经元的阈值，c
m
表示隐藏层第g(g＝1,2,3
……
m)个神经元的权重，out
v
表示输出层第index(index＝1,2,3
……
v)个神经元的输出。4.根据权利要求3所述的基于物理信息神经网络与SSA
‑
ELM的电池模块温度预测方法，其特征在于：步骤S02中，SSA算法在对ELM模型的优化的过程中，首先将输入层的权重矩阵w
j
与输入层的阈值矩阵b
k
＝[b
1 b2……
b
d
]
T
拼接成一个权重阈值矩阵Link
d*2
，在式(4)权重阈值矩阵中，每一行代表一个神经元具有的权重与阈值，分别计算每个神经元的适应度值，适应度值代表数据的质量，适应度值越高表明神经元生成的数据越有利于训练；适应度值的计算过程表示为：其中ADP
good
表示由适应度值组成的矩阵，adp(w
d
，b
d
)表示矩阵每一行代表不同神经元的适应度值，adp(
·
)表示计算适应度值的映射函数；SSA算法中包括探索者、跟踪者和侦察者，其中探索者迭代过程表示为：
其中Link矩阵是一个d行2列的权重阈值矩阵，表示在第cnt次迭代中第o行第p维的数据，p＝1表示...

【专利技术属性】
技术研发人员：朱路，吕聪，王靖智，花伟，刘媛媛，黄德昌，
申请(专利权)人：华东交通大学，
类型：发明
国别省市：