[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

说明书

本发明提供了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，并确定时间系数a的获取方法；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：该建模方法能够对锂电池温度场预测模型的建模，通过所建的模型能够根据锂电池的输入数据准确地对温度场进行预测。

技术领域

本发明涉及电池温度场建模领域，尤其涉及一种基于多层核超限学习机的锂电池温度场在线时空建模方法以及预测方法。

背景技术

锂电池的温度场对电池的性能、使用寿命和安全性有较大影响。建立一个准确的温度场预测模型有助于实现锂电池温度的监控、管理和控制。然而，锂离子电池温度场属于一类时变的分布参数系统。在数学上，该类系统都能够使用偏微分方程及相关边界条件进行描述，但是该类系统具有时变及强非线性特性，系统输入/输出、系统边界和系统参数都会随时间和空间变化而变化。因此建立其快速、准确的温度预测模型具有较大的挑战。

近年来，基于时间/空间分离的方法已成功地应用于锂电子电池温度场等分布参数系统建模。在传统的基于时间/空间分离的方法中，有限差分法(FDM) 和有限元法(FEM)将锂离子电池的温度偏微分方程离散成有限维常微分方程，以获得良好的逼近。然而，上述方法仅适用于分布参数系统已知的情况，即需要其偏微分方程和相应的初始边界条件是准确已知的。由于电池的温度分布涉及一系列的复杂化学反应和传热、传质机理，其偏微分方程往往难以获取。为了解决系统未知的锂电池温度场建模问题，许多学者尝试采用基于空间基函数展开的纯数据驱动方法。首先，利用Karhunen-Loève(KL)分解、奇异值分解和局部非线性降维等学习方法从电池温度时空数据中构造出空间基函数。一旦获得了空间基函数后，相应的低维时间系数就可以从时空域分离出来。然后利用传统的机器学习算法，如最小二乘支持向量机、神经网络、高斯混合模型、建立系统输入与时间系数之间的函数关系。最后，通过时空综合方法重构出完整的温度分布。但是传统基于基函数展开的时间/空间分离方法都是在离线环境下建模。在现实中，电池系统的时变过程行为，包括电池的老化和未知的外部干扰，会导致离线模型无法适应未来环境的变化，从而无法提供准确的预测性能。

近年来，人们提出了各种在线时空建模方法弥补离线模型的缺陷。其中，基于KL的在线方法应用最为广泛。Lu等人开发了一种自适应KL的在线时空建模方法，实现温度场空间基函数的学习。Wang等人开发了一种增量KL分解方法，该方法可以递归地更新空间基函数和相应的时间模型。为了适应电池温度场的时变边界条件，Wang等人提出了一种基于滑动窗口的动态KL分解方法。尽管上述在线建模方法取得较好的进展，然而KL方法是一种忽略非线性信息的全局线性数据降维方法。因此，在强非线性系统中，它的建模精度难以令人满意。此外，KL方法的建模精度同样非常依赖空间基函数的选择。而没有工艺或专业知识很难得到空间基函数的最优组合。虽然一些基函数变换方法已经成功地用于选择最优的基函数变换，但这些方法只适用于定常和完全已知的系统。

发明内容

本发明的主要目的在于提供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，解决具有系统未知、非线性、时变特征的温度场预测问题。

为达到以上目的，本发明采用的技术方案为：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，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，并确定时间系数a的获取方法；