[发明专利]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以及预测方法

权利要求书

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，基于第一模型确定时间系数a的获取方法，所述第一模型中的ML-KELM包括KELM-AE和ELM-AE，所述时间系数a为ELM-AE的时间系数；

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：

为重构的温度输出，S为温度传感器的空间位置，G(.)为K-ELM的函数形式，t为时间。

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_i^T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，j))，K(·)为KELM-AF的核函数。

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通过以下公式计算：

其中是ELM-AE的变换矩阵，M是变换矩阵后的维数，H＝g(ω_AEH_p-1+b_AE)为ELM-AE的隐含层的输出矩阵，ω_AE和b_AE为在区间[-1，1]随机生成的正交矩阵，H_p-1为所述KELM-AE中第p-1层隐含层的输出。

4.根据权利要求3所述的建模方法，其特征在于，重构模型为：

其中为重构的温度输出，G(.)为K-ELM的函数形式，a(t)为时间系数。