[发明专利]一种基于多时空宽度学习模型的锂电池温度实时预测模型以及构建方法

权利要求书

1.一种基于多时空宽度学习模型的锂电池温度实时预测模型的构建方法，其特征在于，具体包括如下步骤：

步骤S1，利用DPC算法，获取锂电池的热过程的多个局部域；

步骤S2，针对获取的不同的局部域，构建ST-BL模型，对电池内部的热动力学进行单独建模；

步骤S3，利用EL算法，使用加权和将ST-BL模型结合起来；

和/或，

步骤S4，根据新的输入数据确定需要更新的ST-BL模型并进行更新；

步骤S2具体包括如下步骤：

步骤S21：利用线性函数将输入数据X投影到特征空间中，转化为BL的特征节点z：

其中为映射特征的个数，z_n为第n个映射特征的特征节点，Γ(·)是一个线性映射函数，ω_n和β_n是随机生成的权重和偏差，所有映射特征的特征节点记为：

步骤S22：利用非线性激活函数随机生成增强节点，第q组增强节点h_q写成：

其中ξ(·)是一个非线性激活函数，和是相互独立随机生成的权重和偏差,m为总组数，所有增强节点定义为:

H≡[h₁，…，h_q，…，h_m]          (7)；

步骤S23：将所有特征节点和增强节点与输出直接关联，BL模型写成：

其中，W为连接输出权重；

步骤S24：采用岭回归求解权重W：

W＝(γI+(Q)^TQ)^-1(Q)^TA                           (9)，

其中，γ为岭回归参数，Q＝[Z|H]，A＝[y(1),…,y(L_k)]_T,y(t)是一个只包含时间信息的时间表示，L_k为样本数量，t＝1，…，L_k；

步骤S25：ST-BL模型表示如下：

其中，为ST-BL模型的预测输出，

其中a_τ和σ分别表示位置向量和核宽度，是随机选择的点a_τ的个数，该函数表示任意空间点S与a_τ之间的非线性关系。

2.根据权利要求1所述的构建方法，其特征在于，设采集的输入数据和时空温度为{u(t)，T(S_i，t)|i＝1，…，N，t＝1，…，L}，对输入数据集P＝{u(t)，t＝1，...，L}进行聚类，步骤S1具体包括如下步骤：

步骤S11：获取每个数据点的局部密度ρ_i，公式如下：

式中d_ij＝dist＝(u_i，u_j)为数据点u_i与u_j之间的欧氏距离，d_c0为截止距离；

步骤S12：获取每个数据点的密度距离δ_i：

步骤S13：得到ρ_i和δ_i后，构造一个ρ-δ决策图，利用ρ-δ决策图，DPC算法得到k个聚类中心；

步骤14：在获得k个聚类中心后，DPC将剩余的数据点分配到最近的局部密度比自己高的聚类中心；

步骤15：由DPC将输入数据和时空温度分别划分为k个局部域{[u¹(t)，T¹(S，t)]，…，[u^K(t)，T^K(S，t)]}，其中每个局部域表示电池的局部时空热动力学，k为局部域数。