一种基于超限学习机的锂电池健康状态模型的建模方法以及预测方法技术

本发明专利技术提供了一种基于超限学习机的锂电池健康状态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】
一种基于超限学习机的锂电池健康状态模型的建模方法以及预测方法


[0001]本专利技术涉及锂电池健康状态预测领域，尤其涉及一种基于超限学习机的锂电池健康状态模型的建模方法以及预测方法
。

技术介绍

[0002]锂电池由于其能量密度高
、
可循环利用等优点，已在电动汽车和中小型无人飞行器等领域上得到了广泛的应用
。
然而，随着锂电池使用时间的增加，性能衰减不可避免
。
当锂电池的老化时，容易出现本体的膨胀
、
变形，甚至引发燃烧爆炸事故等安全问题
。
建立准确的锂电池健康状态
(SOH)
预测模型有助于提高电池的高效管理，实时监控电池使用状况，以此延长电池的使用寿命，减少事故发生的概率
。
但是由于锂电池工作过程属于一类强非线性系统，涉及一系列的物理
/
化学反应，使得锂电池健康状态建模存在很大的困难
。
[0003]目前关于锂电池健康状态的预测方法可以划分为三类：
(1)
直接测量方法；
(2)
基于模型的方法；
(3)
数据驱动方法
。
其中，直接测量方法主要使用原始测量数据来估计电池锂电池健康状态，然而该类方法是一类静态方法，测量时需要卸下电池，采用相关设备单独测量，因此只适用于实验室条件下进行，无法直接运用于实际当中
。
基于模型的方法主要用于重现电池的动态行为，通过建立一个电池等效电路模型，将测量到的电池信号
(
电压
、
电流
、
温度等
)
与电池锂电池健康状态联系起来，然而目前电池等效电路并没有形成统一形式，采用不同等效电路模型往往造成不同的锂电池健康状态预测结果
。
数据驱动方法通过使用与锂电池健康状态相关的变量数据建立电池锂电池健康状态模型，能够克服电池的物理规律难以建立的问题，但此类方法大多采用较为复杂的算法进行建模，导致运行时间慢，无法满足实时应用需求
。

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超限学习机的锂电池健康状态模型的建模方法以及预测方法，利用超限学习机的优势，提到了预测的精度，降低了预测的难度
。
[0005]为达到以上目的，本专利技术采用的技术方案为：一种基于超限学习机的锂电池健康状态预测模型的建模方法，具体包括如下步骤：
[0006]步骤一
、
确定
ELM
模型的输出函数：
[0007][0008]其中，表示连接隐含层中第
i
个隐藏节点到输出层的输出权重向量，表示连接第
i
个隐藏节点和输入层的输入权向量，
η
i
表示第
i
个隐藏节点的阈值，
ω
i
·
u
t
表示
ω
i
和
u
t
的内积，输入权向量
ω
i
为随机产生的向量，阈值
η
i
为随机产生的数值，
G(
·
)
表示隐层的输出激活函数，
t
＝
1,2,3,
…
,L
，
L
为学习样本数量，
N
为
ELM
模型中的隐藏节点的数量，
u
t
＝
[SOC,U
OCV
,R],y
t
＝
[C,SOH]，
SOC
为电池充电状态，
U
OCV
为电池开路电压，
R
为锂电池的直流内阻，
C
为电池容量，
SOH
为电池健康状态；
[0009]步骤二
、
将学习样本输入到公式
(1)
中，计算得到
β
i
；
[0010]步骤三
、
将计算得到的
β
i
代入到公式
(1)
中即得到了预测模型
。
[0011]优选地，步骤二具体包括如下步骤：
[0012]步骤
21、
将公式
(1)
转化为矩阵乘积的形式：
[0013]H
·
β
＝
Y,(2)
[0014]其中，
[0015][0016][0017]矩阵
H
表示
ELM
模型的隐含层输出矩阵，其中第
i
列表示隐含层第
i
个节点的输出向量，第
j
行表示在第
j
个时间点隐含层的输出向量；
[0018]步骤
22、
对公式
(2)
求逆获得：
[0019][0020]其中表示矩阵
H
的
Moore
‑
Penrose
广义逆；
[0021]步骤
23、
引入正则化项则最终输出权重可使用下式计算：
[0022][0023]其中，
I
为单位矩阵，
C
b
为正则化参数
。
[0024]步骤
24、
将预先采集的学习样本
SOC、U
ocv
、R、C、SOH
输入到公式
(7)
中求出
[0025]本专利技术还提供了一种基于超限学习机的锂电池健康状态的预测方法，其特征在于，具体包括如下步骤：
[0026]步骤一
、
获取锂电池
t
时刻的充电状态
SOC、
开路电压
U
ocv
、
直流电阻
R
；
[0027]步骤二
、
将步骤一检测到
t
时刻的
SOC、U
ocv
、R
输入以下模型中，得到预测结果：
[0028][0001]其中，表示连接隐含层中第
i
个隐藏节点到输出层的输出权重向量，表示连接第
i
个隐藏节点和输入层的输入权向量，
η
i
表示第
i
个隐藏节点的阈值，
ω
i
·
u
t
表示
ω
i
和
u
t
的内积，输入权向量
ω
i
为随机产生的向量，阈值
η
i
为随机产生的数值，
G(本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于超限学习机的锂电池健康状态预测模型的建模方法，具体包括如下步骤：步骤一
、
确定
ELM
模型的输出函数：其中，表示连接隐含层中第
i
个隐藏节点到输出层的输出权重向量，表示连接第
i
个隐藏节点和输入层的输入权向量，
η
i
表示第
i
个隐藏节点的阈值，
ω
i
·
u
t
表示
ω
i
和
u
t
的内积，输入权向量
ω
i
为随机产生的向量，阈值
η
i
为随机产生的数值，
G(
·
)
表示隐层的输出激活函数，
t
＝
1,2,3,
…
,L
，
L
为学习样本数量，
N
为
ELM
模型中的隐藏节点的数量，
u
t
＝
[SOC,U
OCV
,R],y
t
＝
[C,SOH]
，
SOC
为电池充电状态，
U
OCV
为电池开路电压，
R
为锂电池的直流内阻，
C
为电池容量，
SOH
为电池健康状态；步骤二
、
将学习样本输入到公式
(1)
中，计算得到
β
i
；步骤三
、
将计算得到的
β
i
代入到公式
(1)
中即得到了预测模型
。2.
根据权利要求1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、
将公式
(1)
转化为矩阵乘积的形式：
H
·
β
＝
Y,(2)
其中，其中，其中，矩阵
H
表示
ELM
模型的隐含层输出矩阵，其中第
i
列表示隐含层第
i
个节点的输出向量，第
j
行表示在第
j
个时间点隐含层的输出向量；步骤
...

【专利技术属性】
技术研发人员：吕洲，何波，宋连，
申请(专利权)人：武汉理工大学重庆研究院，
类型：发明
国别省市：