一种具有时空误差补偿的锂电池温度预测模型的建模方法与流程

本发明涉及锂电池温度预测领域，尤其涉及一种具有时空误差补偿的锂电池温度预测模型的建模方法。

背景技术：

1、锂离子电池因具有高电压平台、高能量密度、高功率密度、高转换效率及无污染等优势被广泛使用。然而，锂电池的温度对其性能影响较大，过温不仅降低电池的性能和寿命，还会诱发电池热失控，甚至爆炸，造成灾难性的后果，准确的锂电池温度预测模型能够有效提高电池热管理性能、同时降低事故风险。

技术实现思路

1、本发明的主要目的在于提供一种具有时空误差补偿的锂电池温度预测模型的建模方法，通过建立预测模型，能够准确地对锂电池的温度进行预测。

2、为达到以上目的，本发明采用的技术方案为：一种具有时空误差补偿的锂电池温度预测模型的建模方法，具体包括如下步骤：

3、步骤一、构建基于多层极限学习机的锂电池温度预测模型，锂电池温度预测模型用于对锂电池温度进行预测；

4、步骤二、建立整合karhunen-loève模型和elm模型的锂电池温度时空误差补偿模型，锂电池温度时空误差补偿模型用于计算所述锂电池温度预测模型在预测锂电池温度时产生的误差；

5、步骤三、结合所述锂电池温度预测模型和锂电池温度时空误差补偿模型，得到具有时空误差补偿的锂电池温度预测模型。

6、优选地，步骤一具体包括如下步骤：

7、步骤11、通过堆叠多个无监督极限学习机自编码器elm-ae来创建多层极限学习机ml-elm，实现高维的温度时空数据到低维时间数据的转换，步骤11具体包括如下步骤：

8、步骤111、计算第一层elm-ae的隐含层的输出h1：

9、 h1＝g(a·t+b)       (1)；

10、 ata＝i,btb＝1,       (2)；

11、其中a＝[a1,…,an1]是连接输入节点和隐含节点的正交随机权重,b＝[b1,…,bn1]表示隐含神经元的正交随机偏差，g(·)是隐含层的激活函数，t是时空数据t(s,t)的矩阵表示形式，t(s,t)＝[t(s1,t),…t(si,t),…,t(sn,t)]，i＝1,2,…,n，n为温度传感器的数量，为整数，si为第i个温度传感器在锂电池上的位置，t(s,t)为t时刻所有位置上温度传感器的温度；t＝1,2,…,l，t为时间，l为采用t(s,t)的时间长度，即采集训练样本的时长；

12、对于elm-ae的压缩表示学习，输出权重β1可通过以下公式计算：

13、

14、其中i为单位矩阵，c1为第一层elm-ae的岭参数，h＝h1为第一层elm-ae的隐含层的输出矩阵；

15、步骤112、计算第i层elm-ae的输出hi：

16、 hi＝g((βi)thi-1),i＝2,…,k       (4)；

17、其中hi是第i层elm-ae的隐含层的输出矩阵，βi为第i层elm-ae的隐含层的输出权重，第i-1层elm-ae的隐含层的输出矩阵且为第i层elm-ae的隐含层的输入矩阵，k为elm-ae的总层数；

18、步骤113、获取第k层elm-ae的输出y(t)：

19、 y(t)＝g((βk)thk-1)，              (5)；

20、y(t)为高维数据t(s,t)的低维表示，βk为第k层elm-ae的隐含层的输出权重。

21、优选地，所述步骤一还包括步骤12，用k-elm以y(t)作为其输入数据来重构高维时空数据t(s,t)：

22、 ω＝hht:ωi,j＝h(y(i))h(y(j))＝ke(y(i)y(j))          (6)，

23、其中ke(y(i)y(j))是一个核函数，ω为核矩阵；ωi,j为核矩阵第i行第j列元素，i和j为时间，k-elm的输出矩阵表示如下：

24、

25、其中，i为单位矩阵，c为k-elm的岭参数，hk-elm为k-elm的隐含层矩阵，即为t(s,t)重构后的高维时空数据。

26、优选地，所述步骤一还包括步骤13，采用elm模型建立时序动态模型：

27、

28、其中，为elm模型的预测结果，p和q是输入和输出信号的最大延迟，u(t)＝[x1(t),x2(t)]为电池在时间t的输入信号，x1(t)和x2(t)分别为电流和电压，aelm和belm为在区间[-1,1]中随机生成的矩阵，

29、

30、优选地，所述步骤一还包括步骤14，对岭参数ci进行优化，ci为第i层elm-ae的岭参数，具体包括如下步骤：

31、步骤141、设ml-elm中任一层elm_ae有初始训练集原始模型表示为:

32、

33、其中，z＝[z1,…,zk]t，是用于将z转换为的转换矩阵；

34、步骤142、从中删除一个验证样本zt，公式(10)变为：

35、

36、步骤143、步骤143、确定式(10)和式(11)之间的关系，将表示为已知参数β、h和移除的样本zt的函数，β∈{β1,β,…,βk}：

37、步骤1431、的逆矩阵表示为：

38、

39、步骤1432、根据sherman-morrison公式，式(12)使用下式计算：

40、

41、步骤1433、输出权重表示为：

42、

43、其中是矩阵的第i个对角元素，et是使用原始模型的zt的预测误差；

44、步骤1433、floo-cv算法的误差可表示为：

45、

46、步骤1434、采用下式对ci进行优化，得到ci的最优值：

47、

48、步骤1435、将步骤1434得到的ci代入到公式(7)中。

49、优选地，所述步骤二具体包括如下步骤：

50、步骤21、定义重构误差te(s,t):

51、

52、步骤22、利用karhunen-loève模型实现空间/时间分离，将时空误差te(s,t)解耦成空间基函数集φi(s)和相应的时间系数yei(t)，即：

53、

54、其中n为模型的阶，未知的时间系数yei(t)使用elm模型来近似，具体流程如下：

55、步骤221、使用karhunen-loève模型学习空间基函数集φi(s)，即通过求解以下最小优化问题：

56、

57、

58、其中是内积；

59、步骤222、目标函数(19)可以转化为以下特征值问题：

60、cδi＝λiδi          (20)，

61、其中，为矩阵c的第τ行第k列元素，δi＝[δ1i,δ2i,…,δli]t是第i个特征向量，其特征值为λi，δ1i,δ2i,…,δli为δi的l个元素；

62、步骤s223、利用能量分析方法，可以通过下式构造最终的空间基函数集：

63、

64、步骤s224、通过elm模型估计时间系数可以表示为:

65、

66、其中m是elm的隐含层节点数，和aim分别是输出权重和输入权重，him(·)是每个隐含层节点的激活函数，bim是阈值参数；

67、步骤225、结合公式(21)和公式(22)得到误差补偿模型：

68、

69、步骤三、得到的具有时空误差补偿的锂电池温度预测模型为：

70、

71、与现有技术相比，本发明具有以下有益效果：

72、1)本发明的锂电池温度预测模型可以通过检测锂电池输出的电流和电压的大小就能实现对整个电池表面温度的预测，不需要采用温度传感器，非常的方便；

73、2)本发明建立了基于karhunen-loève(kl)的elm模型，以补偿重构误差，大大提高了模型的精度和鲁棒性；

74、3)由于本发明提出的模型使用了ml-elm网络结构，因此具有较高的计算效率和较小的计算复杂度，能够满足实际应用需求；

75、4)本发明提出的建模框架不需要锂电池热过程的本构方程，而是从训练数据中隐式学习时空动态，因此，可以扩展到其他工业过程应用