[发明专利]一种基于ISOMAP的锂电池热工艺时空建模方法

摘要

本发明公开了一种基于ISOMAP的锂电池热工艺时空建模方法，步骤一，搭建锂电池充放电控制平台，步骤二，得到锂电池在循环充放电条件下的温度分布随时间变化的时空数据，步骤三，上位机使用ISOMAP算法对步骤二采集到的时空数据中学习一个表征空间非线性特征的正交映射函数。ISOMAP方法是一种全局非线性技术，可以利用高维数据的局部几何结构来揭示其内部的非线性流形结构，并保留原始数据在低维空间的拓扑结构。从固有配置来看，ISOMAP将比PCA方法更有效地减小非线性DPS的模型，并且模型精度高。

主权项

1.一种基于ISOMAP的锂电池热工艺时空建模方法，其特征在于：步骤一，搭建锂电池充放电控制平台，在锂电池的表面均匀布置多个温度传感器，并由数据采集装置将每个温度传感器采集到的温度数据传输给上位机，所述锂电池和电池测试柜电连接，由电池测试柜向所述锂电池提供输入信号，使锂电池循环进行充放电；步骤二，上位机统计所有温度传感器的温度数据，得到锂电池在循环充放电条件下的温度分布随时间变化的时空数据，并将所述时空数据定义为：{T(S，tk)|S∈Ω，S＝1，...，nS；k＝1，...，nt}其中，nS表示时空数据在空间方向的数据点个数，nt表示时空数据在时间方向的数据点个数；步骤三，上位机使用ISOMAP算法对步骤二采集到的时空数据中学习一个表征空间非线性特征的正交映射函数；步骤四，上位机使用ISOMAP算法，通过所述正交映射函数对高维的所述时空数据进行时空变量分离，从而得出与所述正交映射函数对应的低维时序数据，实现所述时空数据的时空分离和模型递减；步骤五，上位机通过神经网络模型来逼近低维时序数据的动态特性，从而生成低维时序动态模型，并且通过极限学习机(Extreme Learning Machine，ELM)来训练低维时序动态模型，以辨识低维时序动态模型的参数；步骤六，上位机通过整合所述正交映射函数和所述低维时序动态模型，时空合成获得锂电池在循环充放电条件下的温度时空分布模型。