【技术实现步骤摘要】
本申请属于锂电池领域，具体涉及一种锂电池温度预测方法、存储介质和电子设备。
技术介绍
1、锂电池对温度变化敏感，在锂电池的充放电过程中，高温可能导致燃烧或爆炸，低温可能降低其可用能量和功率密度。因此，建立精确的锂电池温度在线预测模型具有重要意义，其能够便于电池控制、诊断和供热管理，并实时获取内部温度场分布。
2、现有的锂电池温度建模方法主要包括基于物理的建模方法和基于数据的建模方法，其中基于数据的建模方法中主要是通过基于数据的方法如karhunen-loève(kl)方法实现。在采用kl方法建立锂电池的温度模型中，其模型的精度依赖传感器的数量且需要完整数据集，而在实际环境中传感器故障以及数据缺失较为常见，从而影响了kl方法建模的准确性。
技术实现思路
1、本申请的一个专利技术目的在于，提供一种锂电池温度预测方法，通过少量传感器的稀疏数据集来建立锂电池的温度模型，从而降低模型对传感器的数量以及完整数据的依赖。
2、本申请的另一个专利技术目的在于，通过增量kl算法更新空间基函数从而提高运算效率，同时采用更新时间模型的权值方式提高预测精度。
3、本申请的又一个专利技术目的在于提供一种存储介质，其能够存储上述的锂电池温度预测方法。
4、本申请的在一个专利技术目的在于提供一种电子设备，在电子设备中能够存储和运行上述的锂电池温度预测方法。
5、根据本申请的实施例，第一方面提供了锂电池温度预测方法，包括：
6、通过m个传感器
7、将所述时空温度数据集t(z,t)划分为第一训练集和第二训练集，通过所述第一训练集在所述m个传感器中确定n个最优位置传感器，通过所述n个最优位置传感器近似替代所述m个传感器；
8、通过kl时空分离方法计算所述时空温度数据集t(z,t)的空间基函数和时间模型，从所述第二训练集中读取所述n个最优位置传感器的数据组成稀疏数据集ts，并对所述稀疏数据集ts补全，通过所述空间基函数和所述时间模型以及所述稀疏数据集ts计算每个时间点的预测温度并通过增量kl算法更新每个时间点的空间基函数以传递至下个时间点；
9、通过比较每个时间点的预测温度与每个时间的实际温度tis的误差，当误差超过阈值时更新当前时间点的时间模型的网络连接权值。
10、本申请的锂电池温度预防方法，预先通过m个传感器建立锂电池的全感知模型，从而构建时空温度数据集t(z,t)，在获取该数据集后能够从该数据集中优化获取n个最优位置传感器，通过n个最优位置传感器的采集的稀疏数据集，从而近似还原m个传感器采集的数据，以此来降低模型对于传感器数量的依赖。另外，在本申请中通过增量kl算法更新每个时间点的空间基函数，从而相比模型在每个时间点均需要对完整数据svd分解而言，提高了模型的运算效率，最后本申请中通过更新时间模型的网络权值的方式来提高模型的预测精度。
11、在一实施例中：
12、将所述m个传感器进行分区，并在每个区间内随机选择若干个传感器以组成所述n个传感器；
13、将kl时空分离方法计算每组所述n个传感器对应所述第一训练集时的空间基函数所在的平面sm与所述第一训练集的空间基函数所在的平面sl之间的距离作为适应度函数；
14、通过优化算法确定所述适应度函数最小时，对应的为所述n个最优位置传感器。
15、在一实施例中：
16、将m个传感器为第一热源区和第二热源区，在所述第一热源区分配m(m≤n)个传感器，在所述第二热源区分配(n-m)个传感器，使得每组包括n个传感器；
17、在(0,n)中随机产生n个正整数，并将产生的所述n个正整数分配给第一热源区的m，则每一组的所述第二热源区的传感器数量确定为(n-m)；
18、将kl时空分离方法计算每组所述n个传感器对应所述第一训练集时的空间基函数所在的平面sm与所述第一训练集的空间基函数所在的平面sl之间的距离作为适应度函数；
19、通过进化算法以平面sm和平面sl之间的距离最小作为目标函数进行搜索，在每次进化时，在相同的所述第一热源区和所述第二热源区的传感器分配方式中，在每一步优化中依次将每组获取的最优的传感器位置与其他组最差的传感器位置对应的适应度值比较，当所述最优的传感器位置对应的适应度值小于其他组所述最差的传感器位置对应的适应度值，将所述最优的传感器位置替换其他组所述最差的传感器位置；
20、当达到迭代次数后，将n组优化的结果进行排序，从而得到n个最优位置传感器，同时获取最优的分配值m。
21、在一实施例中：
22、在划分所述第一热源区和所述第二热源区时根据所述锂电池的热源强度或者热源范围中的至少一个为指标对所述m个传感器划分为不同区域。
23、在一实施例中：
24、在所述采样时间点ti+1，通过所述n个最优位置传感器采集的数据恢复的完整数据为所述ti时刻的数据svd后近似表示为：
25、ti≈φiσivit
26、其中φi为ti时刻的特征矩阵，σi为ti时刻的协方差矩阵，vit为ti时刻的权值向量；
27、则所述ti+1时刻的数据svd近似表示为：
28、
29、其中q表示ti+1时刻采集的数据的特征矩阵；wi+1表示ti+1时刻采集的数据的权重矩阵；r表示ti+1时刻采集的数据的协方差矩阵；
30、其中：
31、
32、表示为ti+1时刻的特征矩阵，表示为ti+1时刻的协方差矩阵，表示为ti+1时刻的权重矩阵，则ti+1时刻的数据svd近似表示为：
33、
34、则ti+1时刻的空间基函数表示为
35、在一实施例中：
36、当所述比较每个时间点的预测温度与每个时间的实际温度tis的误差超过阈值时，通过当前新数据的增量更新时间模型的网络连接权值；
37、新输入数据为时间模型为m个增强节点和n组特征映射节点的初始网络则新输入数据的隐层输出为:
38、ax＝[φ(xawe1+βe1),…,φ(xawen+βen)|
39、
40、其中，为新增数据的特征映射节点组，wei,whj,βei和βhj为权重参数，更新后的输入矩阵为：
41、
42、
43、其中，
44、则更新后的网络权值为：
45、
46、ya为xa对应的系统输出，其中xa为全感知条件下采样数据，ya为稀疏数据条件下补全的数据。
47、在一实施例中：所述第一训练集与所述第二训练集分别占比所述时空温度数据集t(z,t)的50％；或/和,在每个采样时间点中，在获取稀疏数据集ts后，将缺失的数据通过置零的本文档来自技高网...
【技术保护点】
1.一种锂电池温度预测方法，其特征在于，包括：
2.根据权利要求1所述的锂电池温度预测方法，其特征在于：
3.根据权利要求2所述的锂电池温度预测方法，其特征在于：
4.根据权利要求3所述的锂电池温度预测方法，其特征在于：
5.根据权利要求3所述的锂电池温度预测方法，其特征在于：
6.根据权利要求5所述的锂电池温度预测方法，其特征在于：
7.根据权利要求1所述的锂电池温度预测方法，其特征在于：
8.根据权利要求1所述的锂电池温度预测方法，其特征在于：
9.一种存储介质，其特征在于，所述存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由处理器加载并执行以实现如权利要求1～8中任一项所述方法。
10.一种电子设备，其特征在于，所述电子设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、所述至少一段程序、所述代码集或指令集由所述处理器加载并执行以实现如权利要求1～8
...【技术特征摘要】
1.一种锂电池温度预测方法，其特征在于，包括：
2.根据权利要求1所述的锂电池温度预测方法，其特征在于：
3.根据权利要求2所述的锂电池温度预测方法，其特征在于：
4.根据权利要求3所述的锂电池温度预测方法，其特征在于：
5.根据权利要求3所述的锂电池温度预测方法，其特征在于：
6.根据权利要求5所述的锂电池温度预测方法，其特征在于：
7.根据权利要求1所述的锂电池温度预测方法，其特征在于：
8.根据权利要求1所述的锂...
【专利技术属性】
技术研发人员：范竞敏，蔡睿，徐康康，张卓勤，
申请(专利权)人：广东工业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。