CN114548368B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN114548368B
CN114548368B CN202210063002.XA CN202210063002A CN114548368B CN 114548368 B CN114548368 B CN 114548368B CN 202210063002 A CN202210063002 A CN 202210063002A CN 114548368 B CN114548368 B CN 114548368B
Authority
CN
China
Prior art keywords
model
elm
output
kelm
lithium battery
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210063002.XA
Other languages
English (en)
Other versions
CN114548368A (zh
Inventor
黄镇泽
梁志勇
李志德
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangzhou Gangkeda Technology Co ltd
Guangdong Product Quality Supervision And Inspection Institute Guangzhou Electric Safety Inspection Institute Of State Bureau Of Quality And Technical Supervision Guangdong Provincial Test And Certification Institute Hua'an Laboratory
Original Assignee
Guangzhou Gangkeda Technology Co ltd
Guangdong Product Quality Supervision And Inspection Institute Guangzhou Electric Safety Inspection Institute Of State Bureau Of Quality And Technical Supervision Guangdong Provincial Test And Certification Institute Hua'an Laboratory
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangzhou Gangkeda Technology Co ltd, Guangdong Product Quality Supervision And Inspection Institute Guangzhou Electric Safety Inspection Institute Of State Bureau Of Quality And Technical Supervision Guangdong Provincial Test And Certification Institute Hua'an Laboratory filed Critical Guangzhou Gangkeda Technology Co ltd
Priority to CN202210063002.XA priority Critical patent/CN114548368B/zh
Publication of CN114548368A publication Critical patent/CN114548368A/zh
Application granted granted Critical
Publication of CN114548368B publication Critical patent/CN114548368B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/36—Arrangements for testing, measuring or monitoring the electrical condition of accumulators or electric batteries, e.g. capacity or state of charge [SoC]
    • G01R31/367—Software therefor, e.g. for battery testing using modelling or look-up tables
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02E60/10—Energy storage using batteries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Secondary Cells (AREA)

Abstract

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
Figure DDA0003479077960000011
步骤五：将得到的预测的时间系数
Figure DDA0003479077960000012
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：
Figure DDA0003479077960000013
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。

Description

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
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；
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
Figure GDA0003803596750000021
步骤五：将得到的预测的时间系数
Figure GDA0003803596750000022
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：
Figure GDA0003803596750000023
优选地，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：
Figure GDA0003803596750000031
其中，g(·)为激活函数，Hi为第i层隐含层输出，Hi-1是第i-1层隐含层输出，当i＝1，则Hi-1＝T0，
Figure GDA0003803596750000032
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Hi的维度为L0，SN是N个温度传感器的空间位置；
Figure GDA0003803596750000033
为第i层的变换矩阵，使用以下公式计算：
Figure GDA0003803596750000034
其中，I为单位矩阵，C为正的常数，Ω为核矩阵，Ω＝HHT：Ωi，j＝ K(T(S，i)，T(S，i))，K(·)为核函数。
优选地，所述时间系数a为LM-AE的时间系数，通过以下公式计算：
Figure GDA0003803596750000035
Figure GDA0003803596750000036
其中
Figure GDA0003803596750000037
是ELM-AE的变换矩阵，M是变换矩阵后的维数， H＝g(ωAEHp-1+bAE)为ELM-AE的隐含层的输出矩阵，ωAE和bAE为在区间 [-1，1]随机生成的正交矩阵。
优选地，重构模型为：
Figure GDA0003803596750000038
其中
Figure GDA0003803596750000039
为重构的温度输出，G(.)为K-ELM的函数形式，a(t)为时间系数。
优选地，所述OS-ELM模型为：
Figure GDA0003803596750000041
其中
Figure GDA0003803596750000042
为预测的时间系数，
Figure GDA0003803596750000043
为OS-ELM模型；
所述步骤三包括如下步骤：
步骤3.1：将初始训练集
Figure GDA00038035967500000419
输入到在线顺序超限学习机的模型中以对 OS-ELM模型进行训练，得到初始输出权值
Figure GDA0003803596750000044
Figure GDA0003803596750000045
Figure GDA0003803596750000046
其中
Figure GDA0003803596750000047
是一个可逆矩阵，
Figure GDA0003803596750000048
为正则化项，I为单位矩阵，C为正的常数，HOS，0＝[h(z(2))T，...，h(z(L0))T]T是隐含层的输出， h(z(i))＝g(ωosz(i)+bos)，ωos为输入权重，bos为偏差，ωos和bos在区间[-1，1] 内随机生成，AOS，h＝[a(2)；…；a(L0)]为OS-ELM模型输出，所述初始训练集
Figure GDA0003803596750000049
其中
Figure GDA00038035967500000410
a(t)为时间系数， u为锂电池的输入数据。
优选地，所述步骤三还包括如下步骤：
步骤3.2：将多组新的数据块依次输入到所述OS-ELM模型中，获得更新的输出权重。
优选地，所述更新的输出权重通过以下方式获取：
步骤3.2.1：将第一组新的数据块
Figure GDA00038035967500000411
输入到OS-ELM模型中，得到输出权重
Figure GDA00038035967500000412
Figure GDA00038035967500000413
其中
Figure GDA00038035967500000414
步骤3.2.2：根据上述
Figure GDA00038035967500000415
的计算方式，当第K个数据块输入到OS-ELM模型时，
Figure GDA00038035967500000416
Figure GDA00038035967500000417
Figure GDA00038035967500000418
Figure GDA0003803596750000051
为更新后的输出权重。
与现有技术相比，本发明具有以下有益效果：
1)通过本发明的建模方法所建的模型能够根据锂电池的输入数据准确地预测锂电池的温度场，能够有效地减少锂电池上温度传感器的数据；
2)本发明设计了一种基于核的多层超限学习机(ML-KELM)，用于时空域的非线性转换。该技术将多个核超限学习机自动编码器(KELM-AEs)和一个原始的超限学习机自动编码器(ELM-AE)整合在一起，形成深度网络，本方法设计的模型能够直接将温度时空域转化为时间域，解决以往技术在空间基函数选择上的困难。
3)引入了在线顺序超限学习机(OS-ELM)对时间动态进行建模，利用新到达的样本更新模型参数，即基于OS-ELM的时间模型参数在线更新策略，通过OS-ELM，该方法能够适应工作条件的即时变化。
附图说明
图1是本发明的模型构造图；
图2是本发明的ML-LELM的原理图；
图3是本发明的验证例一中的温度传感器在锂电池上的放置图；
图4是本发明的验证例一中锂电池的输入电流和工作电压曲线图；
图5(a)是本发明的验证例一中标记为“○”的温度传感器预测的温度曲线；
图5(b)是本发明的验证例一中标记为“○”的温度传感器预测的误差曲线；
图6(a)是本发明的验证例一中5150s时的传感器测量的温度分布；
图6(b)是本发明的验证例一中5150s时的传感器预测的温度分布；
图6(c)是本发明的验证例一中5750s时的传感器测量的温度分布；
图6(d)是本发明的验证例一中5750s时的传感器预测的温度分布。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例，本领域技术人员可以想到其他显而易见的变型。
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，采用如下步骤：
步骤一：建立基于ML-KELM(多核超限学习机)对时间域进行非线性变换的第一模型。
ML-KELM包括P-1个核极限学习机自编码器KELM-AE和1个极限学习机自编码器ELM-AE，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。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：
Figure GDA0003803596750000061
其中，g(·)为激活函数，Hi为第i层隐含层输出，Hi-1是第i-1层隐含层输出，当i＝1，则Hi-1＝T0，
Figure GDA0003803596750000062
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Hi的维度为L0，SN是N个温度传感器的空间位置；第 i层的变换矩阵
Figure GDA0003803596750000063
使用下式计算：
Figure GDA0003803596750000064
其中，I为单位矩阵，C为正的常数，Ω为核矩阵，Ω＝HHT：Ωi，j＝ K(T(S，i)，T(S，i))，K(·)为核函数。
为了能够对1至p-1层形成的高阶模型进行降维，通过以下公式获取 ELM-AE的时间系数
Figure GDA0003803596750000065
Figure GDA0003803596750000066
Figure GDA0003803596750000067
其中
Figure GDA0003803596750000068
是ELM-AE的变换矩阵，M是降维后的维数，H＝g(ωAEHp-1+ bAE)为ELM-AE的隐含层的输出矩阵，ωAE和bAE在区间[-1，1]随机生产的正交矩阵。
步骤二：建立基于核超限学习机(K-ELM)的重构模型。
重构模型为：
Figure GDA0003803596750000071
其中
Figure GDA0003803596750000072
为重构的温度输出，G(.)为K-ELM的函数形式，a(t)为步骤一中得到的时间系数。通过训练样本得到时间系数a，通过得到的时间系数a对重构模型进行训练，所述训练样本为通过温度传感器检测到的多组温度数据。
步骤三：基于在线顺序超限学习机(OS-ELM)建立在线低阶时序模型。
在线顺序超限学习机的模型为：
Figure GDA0003803596750000073
其中
Figure GDA0003803596750000074
为预测的时间系数，
Figure GDA0003803596750000075
为OS-ELM模型。分两步对OS-ELM模型进行训练和学习：
步骤3.1：将初始训练集
Figure GDA0003803596750000076
输入到在线顺序超限学习机的模型中以对 OS-ELM模型进行训练，得到初始输出权值
Figure GDA0003803596750000077
Figure GDA0003803596750000078
其中
Figure GDA0003803596750000079
是一个可逆矩阵，
Figure GDA00038035967500000710
为正则化项，I为单位矩阵，C 为正的常数，HOS，0＝[h(z(2))T，...，h(z(L0))T]T是隐含层的输出，h(z(i))＝g(ωosz(i)+bos)，ωos为输入权重，bos为偏差，ωos和bos在区间[-1，1]内随机生成，AOS，h＝[a(2)；…；a(L0)]为模型输出，所述初始训练集
Figure GDA00038035967500000711
其中
Figure GDA00038035967500000712
Figure GDA00038035967500000713
在训练时，可以将da＝du＝1，L0＞nOS，h，nOS，h是隐含节点的个数。a(t)为时间系数，由温度传感器采集的温度数据组成训练样本集计算得到，u为锂电池的输入数据，u(t)＝[I(t)，U(t)]，I为输入电流，U为工作电压，并且a(t)为t时刻的时间系数，u(t)为t时刻的锂电池的输入数据。并且在训练时，将计算得到的时间系数a(t)作为预测的时间系数
Figure GDA00038035967500000714
步骤3.2：将多组新的数据块依次输入到所述在线顺序超限学习机的模型中，获得新的输出权重。
具体地，将第一组新的数据块
Figure GDA00038035967500000715
输入到OS-ELM模型中，得到新的输出权重：
Figure GDA00038035967500000716
Figure GDA0003803596750000081
Figure GDA0003803596750000082
Figure GDA0003803596750000083
其中ΔHOs，1＝[h(z(L0+1))T，...，h(z(L0+L1))T]T是
Figure GDA00038035967500000820
的隐含层输出， AOS，1＝[a(L0+1)；…；a(L0+L1)]为OS-ELM模型输出。
根据Woodbury公式，POS，1可表示为：
Figure GDA0003803596750000084
Figure GDA0003803596750000085
然后通过以下公式计算
Figure GDA0003803596750000086
Figure GDA0003803596750000087
Figure GDA0003803596750000088
Figure GDA0003803596750000089
Figure GDA00038035967500000810
Figure GDA00038035967500000811
Figure GDA00038035967500000812
根据上述
Figure GDA00038035967500000813
的计算方式，当第K个数据块(最后一个)输入到OS-ELM模型时，
Figure GDA00038035967500000814
Figure GDA00038035967500000815
Figure GDA00038035967500000821
步骤四：在OS-ELM模型在线学习完成后，通过以下公式得到预测的时间系数
Figure GDA00038035967500000816
Figure GDA00038035967500000817
步骤五：将得到的预测的时间系数
Figure GDA00038035967500000818
代入到步骤二中的重构模型中，即可得到锂电池的温度场：
Figure GDA00038035967500000819
在完成建模之后，通过将获取的电池的电流、电压等数据输入到完成训练和学习的OS-ELM模型中，并将OS-ELM模型的输出数据输入到步骤二中的重构模型中即可得到整个锂电池的温度场，不需要在锂电池的每个位置都设置温度传感器。
验证例一
以60Ah LiFePO4/石墨锂电池的热过程为例，如图3(a)所示，在锂离子电池表面均匀分布有20个热电偶。其中，19个带有“X字”标志的传感器用于模型识别，其余带有“○”标志的传感器用于模型验证。如图3(b)所示，实验装置包括电池热系统(BTS)、电池库、测量模块和计算机。为充分激发电池温度，输入电流和产生的工作电压作为系统的输入信号u(t)＝[I(t)，U(t)]，I(t)为输入电流；U(t)为工作电压，两者输入如图4所示。
在样本间隔Δt＝1s的情况下，整个实验共采集了5900组温度测量数据，每组包含20个由热电偶采集的温度数据。前4900组温度测量值用于初始模型训练，后1000组测量值用于在线学习。所涉及的所有核函数均选为参数σ＝1 的径向基本函数(RBF)；所有的激活函数g(·)均为tansig激活函数；ML-KELM和 OS-ELM中的C值都设置为25；在算法学习之前，所有数据，包括温度数据、输入数据需事先都归一化为[-1，1]之间。
实验用的ML-KELM包含了4层隐含层，前3层隐含层采用KELM-AE进行建模，最后一层采用ELM-AE建模。在最后一层隐含层中，从范围[-1，1]中随机产生正交输入权值ωAE，从范围[0，1]中随机产生正交偏差bAE，其隐含层节点数设M＝5。设置所有参数后，将使用4900个训练样本(L0＝4900)计算时间系数
Figure GDA0003803596750000091
然后使用方程
Figure GDA0003803596750000092
来训练基于K-ELM的重构模型。最后，利用时间系数和相应的输入信号
Figure GDA0003803596750000093
可以初始化低阶时序模型。对于OS-ELM，隐含层节点数设置为nOS，h＝50；分别在[-1，1]和[0，1]的范围内随机选取输入权重ωOS和偏差bOS。
在初始模型建立之后，最后1000组温度测量值及其对应的输入信号被用作新到达的数据来进行在线学习。假设新数据以一个接一个的数据块形式到达，固定的块大小为Lk+1＝5。因此，有200个连续的块，每次一个块到达，ML-KELM 将计算相应的时间系数。OS-ELM会根据新的时间系数及输入信号更新输出权值，然后预测未来时间长度W＝5的时间系数。最后，基于K-ELM对预测的时间系数进行重构
Figure GDA0003803596750000101
图5显示了未进行更新处理的初始模型与本发明的模型的预测性能对比。显然，本发明的模型在局部位置的预测误差小于初始模型。图6表示在5150s 和5750s时，所提出的在线模型对电池表面温度分布预测，两个时间点的实际温度分布与预测的温度分布基本一致。可以看出，本发明的模型可以很好地预测瞬时电池温度场的整体温度分布。
验证例二
该验证例将本发明的模型与其他时空模型进行了比较，其它模型包括基于KL的ELM模型(KL-ELM)、KL-OS-ELM和基于时间相关的增量式KL (t-incremental KL)。所有模型都在相同的实验条件和实验参数下进行对比分析，对比结果如表I所示。在相同的初始数据下训练，表I中KL-ELM、KL-OS-ELM 和t-incremental KL对训练过程的均方误差和时间表现相似。值得注意的是，在测试过程中，KL-ELM的均方误差最差，而所需要的时间最短，这是因为KL-ELM 是一种离线建模方法。因此，即使具有最佳的时间性能，它也不适合时变电池温度建模。表I还表明，本发明的
Figure GDA0003803596750000102
Figure GDA0003803596750000103
为均方根误差)小于KL-OS-ELM和 t-incremental KL。由于需要在大数据集下计算统一的变换矩阵，因此本发明在训练过程中所消耗的时间比其他方法要长。相反，它在测试过程中执行时间更短，接近于KL-OS-ELM，因为它在更新过程中只需要执行几个简单的矩阵操作。
表I性能比较
Figure GDA0003803596750000104
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是本发明的原理，在不脱离本发明精神和范围的前提下本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明的范围内。本发明要求的保护范围由所附的权利要求书及其等同物界定。

Claims (8)

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
Figure FDA0003803596740000011
步骤五：将得到的预测的时间系数
Figure FDA0003803596740000012
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：
Figure FDA0003803596740000013
Figure FDA0003803596740000014
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：
Figure FDA0003803596740000015
其中，g(·)为激活函数，Hi为第i层隐含层输出，Hi-1是第i-1层隐含层输出，当i＝1，则Hi-1＝T0，
Figure FDA0003803596740000016
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Hi的维度为L0，SN是N个温度传感器的空间位置；Γi T为第i层的变换矩阵，使用以下公式计算：
Figure FDA0003803596740000021
其中，I为单位矩阵，C为正的常数，Ω为核矩阵，Ω＝HHT：Ωi，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：
Figure FDA0003803596740000022
Figure FDA0003803596740000023
其中
Figure FDA0003803596740000024
是ELM-AE的变换矩阵，M是变换矩阵后的维数，H＝g(ωAEHp-1+bAE)为ELM-AE的隐含层的输出矩阵，ωAE和bAE为在区间[-1，1]随机生成的正交矩阵，Hp-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：
Figure FDA0003803596740000025
其中
Figure FDA0003803596740000026
为重构的温度输出，G(.)为K-ELM的函数形式，a(t)为时间系数。
5.根据权利要求4所述的建模方法，其特征在于，所述OS-ELM模型为：
Figure FDA0003803596740000027
其中
Figure FDA0003803596740000028
为预测的时间系数，
Figure FDA0003803596740000029
为OS-ELM模型；
所述步骤三包括如下步骤：
步骤3.1：将初始训练集
Figure FDA00038035967400000210
输入到在线顺序超限学习机的模型中以对OS-ELM模型进行训练，得到初始输出权值
Figure FDA00038035967400000211
Figure FDA00038035967400000212
其中
Figure FDA00038035967400000213
是一个可逆矩阵，
Figure FDA00038035967400000214
为正则化项，I为单位矩阵，C为正的常数，HOs，0＝[h(z(2))T，...，h(z(L0))T]T是隐含层的输出，h(z(i))＝g(ωosz(i)+bos)，ωos为输入权重，bos为偏差，ωos和bos在区间[-1，1]内随机生成，AOS，h＝[a(2)；…；a(L0)]为OS-ELM模型输出，所述初始训练集
Figure FDA0003803596740000031
其中
Figure FDA0003803596740000032
a(t)为时间系数，u(·)为锂电池的输入数据。
6.根据权利要求5所述的建模方法，其特征在于，所述步骤三还包括如下步骤：
步骤3.2：将多组新的数据块依次输入到所述OS-ELM模型中，获得更新的输出权重。
7.根据权利要求6所述的建模方法，其特征在于，所述更新的输出权重通过以下方式获取：
步骤3.2.1：将第一组新的数据块
Figure FDA0003803596740000033
输入到OS-ELM模型中，得到输出权重
Figure FDA0003803596740000034
Figure FDA0003803596740000035
其中
Figure FDA0003803596740000036
其中ΔHOs，1＝[h(z(L0+1))T，...，h(z(L0+L1))T]T是
Figure FDA0003803596740000037
的隐含层输出，ΔAOS，1＝[a(L0+1)；…；a(L0+L1)]；
步骤3.2.2：根据上述
Figure FDA0003803596740000038
的计算方式，当第K个数据块输入到OS-ELM模型时，
Figure FDA0003803596740000039
Figure FDA00038035967400000310
Figure FDA00038035967400000311
为更新后的输出权重。
8.一种基于多层核超限学习机的锂电池温度场预测方法，其特征在于，采用权利要求7的建模方法进行建模得到预测模型，在预测时，将锂电池的输入数据作为所述OS-ELM模型的输入。
CN202210063002.XA 2022-01-20 2022-01-20 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 Active CN114548368B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210063002.XA CN114548368B (zh) 2022-01-20 2022-01-20 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210063002.XA CN114548368B (zh) 2022-01-20 2022-01-20 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

Publications (2)

Publication Number Publication Date
CN114548368A CN114548368A (zh) 2022-05-27
CN114548368B true CN114548368B (zh) 2022-10-11

Family

ID=81671621

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210063002.XA Active CN114548368B (zh) 2022-01-20 2022-01-20 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

Country Status (1)

Country Link
CN (1) CN114548368B (zh)

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116227650B (zh) * 2022-12-06 2023-10-10 广州港科大技术有限公司 一种基于正交增强型局部保持投影算法的锂电池温度分布预测模型构建方法
CN116258059B (zh) * 2022-12-30 2023-09-29 广州港科大技术有限公司 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
CN116304672B (zh) * 2023-01-03 2024-01-05 广州港科大技术有限公司 一种基于t-SNE和BLS的锂电池热过程非线性时空预测模型以及构建方法
CN116070437B (zh) * 2023-01-13 2023-11-21 广州港科大技术有限公司 锂电池表面温度建模方法、装置、计算机设备和存储介质
CN117034747B (zh) * 2023-07-25 2024-04-09 广州港科大技术有限公司 一种基于olpp和rvflnn的储能锂离子电池温度场预测模型的建模方法以及预测方法
CN116735146B (zh) * 2023-08-11 2023-10-13 中国空气动力研究与发展中心低速空气动力研究所 一种建立气动力模型的风洞实验方法及系统
CN117252088B (zh) * 2023-08-20 2024-03-19 吕洲 一种基于多层宽度学习系统的锂电池温度场预测模型的建模方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110571492A (zh) * 2019-09-16 2019-12-13 中国检验检疫科学研究院 储能电池热管理装置和方法
CN111595485A (zh) * 2020-05-07 2020-08-28 广东工业大学 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法
CN111625995A (zh) * 2020-05-25 2020-09-04 广东工业大学 一种集成遗忘机制和双超限学习机的在线时空建模方法
CN111829688A (zh) * 2019-03-27 2020-10-27 中南大学 一种锂离子电池工作过程中的温度场分布预测方法
CN112800675A (zh) * 2021-01-27 2021-05-14 广东工业大学 一种基于kpca和elm的时空分离分布参数系统建模方法
CN113722877A (zh) * 2021-07-14 2021-11-30 广东工业大学 一种对锂电池放电时温度场分布变化进行在线预测的方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113203953B (zh) * 2021-04-02 2022-03-25 中国人民解放军92578部队 基于改进型极限学习机的锂电池剩余使用寿命预测方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111829688A (zh) * 2019-03-27 2020-10-27 中南大学 一种锂离子电池工作过程中的温度场分布预测方法
CN110571492A (zh) * 2019-09-16 2019-12-13 中国检验检疫科学研究院 储能电池热管理装置和方法
CN111595485A (zh) * 2020-05-07 2020-08-28 广东工业大学 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法
CN111625995A (zh) * 2020-05-25 2020-09-04 广东工业大学 一种集成遗忘机制和双超限学习机的在线时空建模方法
CN112800675A (zh) * 2021-01-27 2021-05-14 广东工业大学 一种基于kpca和elm的时空分离分布参数系统建模方法
CN113722877A (zh) * 2021-07-14 2021-11-30 广东工业大学 一种对锂电池放电时温度场分布变化进行在线预测的方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Kernel-Based Multilayer Extreme Learning Machines for Representation Learning;Chi Man Wong;《IEEE》;20161229;全文 *
ML-KELM: A Kernel Extreme Learning Machine Scheme for Multi-Label Classification of Real Time Data Stream in SIoT;Fangfang Luo;《IEEE》;20210420;全文 *
基于动态内热源特性的车用锂离子动力电池温度场仿真及试验;刘霏霏;《机械工程学报》;20160630;第52卷(第8期);全文 *

Also Published As

Publication number Publication date
CN114548368A (zh) 2022-05-27

Similar Documents

Publication Publication Date Title
CN114548368B (zh) 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
CN110119854B (zh) 基于代价敏感lstm循环神经网络的稳压器水位预测方法
CN116306248B (zh) 基于时空非线性误差补偿模型的锂电池温度场预测方法
CN110083125B (zh) 一种基于深度学习的机床热误差建模方法
CN114638156A (zh) 一种锂电池温度预测方法、装置、设备及存储介质
CN111595485A (zh) 一种基于降阶模型的锂离子电池在线温度分布观测器设计方法
CN113378939B (zh) 基于物理驱动神经网络的结构数字孪生建模与参数识别法
CN112800675A (zh) 一种基于kpca和elm的时空分离分布参数系统建模方法
CN112734002A (zh) 一种基于数据层和模型层联合迁移学习的寿命预测方法
CN111143968A (zh) 一种质子交换膜燃料电池变遗忘因子递推子空间辨识方法
CN116894180B (zh) 一种基于异构图注意力网络的产品制造质量预测方法
CN114169091A (zh) 工程机械部件剩余寿命的预测模型建立方法及预测方法
CN116774086B (zh) 一种基于多传感器数据融合的锂电池健康状态估计方法
CN117035001A (zh) 一种基于Kriging插值的转换力传感器温度补偿方法
CN116070437B (zh) 锂电池表面温度建模方法、装置、计算机设备和存储介质
CN117289652A (zh) 一种基于多元宇宙优化的数控机床主轴热误差建模方法
CN115455347A (zh) 一种mems加速度计混合误差建模补偿方法
CN111625995B (zh) 一种集成遗忘机制和双超限学习机的在线时空建模方法
CN117252088B (zh) 一种基于多层宽度学习系统的锂电池温度场预测模型的建模方法
CN111210877B (zh) 一种推断物性参数的方法及装置
CN113804833A (zh) 基于凸集投影和极限学习机的电子鼻漂移通用校准方法
CN117034747B (zh) 一种基于olpp和rvflnn的储能锂离子电池温度场预测模型的建模方法以及预测方法
Li et al. A Sequential Network-model Alliance Module for Lithium-ion Battery Temperature Prediction
CN114389736B (zh) 一种基于长短期记忆网络的时间同步安全监测方法及系统
CN114297940B (zh) 确定非稳态储层参数的方法及装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant