CN116070437A - 锂电池表面温度建模方法、装置、计算机设备和存储介质 - Google Patents
锂电池表面温度建模方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116070437A CN116070437A CN202310067556.1A CN202310067556A CN116070437A CN 116070437 A CN116070437 A CN 116070437A CN 202310067556 A CN202310067556 A CN 202310067556A CN 116070437 A CN116070437 A CN 116070437A
- Authority
- CN
- China
- Prior art keywords
- lithium battery
- rkelm
- osrkelm
- time
- surface temperature
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 96
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 52
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 51
- 230000008569 process Effects 0.000 claims abstract description 26
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 239000013598 vector Substances 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 11
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000012549 training Methods 0.000 description 6
- 238000000926 separation method Methods 0.000 description 5
- 230000009466 transformation Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000002123 temporal effect Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000007786 learning performance Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 150000002641 lithium Chemical class 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Control Of Temperature (AREA)
- Power Sources (AREA)
Abstract
本申请涉及计算机技术领域，提供一种锂电池表面温度建模方法、装置、计算机设备和存储介质，所述方法包括：根据多层在线核超限学习机ML‑OSRKELM，通过堆叠多个在线顺序简化核极限学习机自动编码器OSRKELM‑AE创建深度网络，并利用所述深度网络将锂电池热过程的高维时空域转化为低维时域系数；基于所述低维时域系数，利用改进的在线顺序约简核极限学习机OS‑RKELM构建低阶时间模型；基于所述低阶时间模型，利用OS‑RKELM建立重构模型，并利用所述重构模型将锂电池热过程的时间域重构为原始时空域。
Description
技术领域
本申请涉及锂电池技术领域，尤其涉及一种锂电池表面温度建模方法、装置、计算机设备和存储介质。
背景技术
锂电池表面热过程可以被视为分布参数系统(DPSs)，其输入、输出甚至状态变量都依赖于空间位置和时间。通常，该类分布参数系统可以由具有复杂边界和初始条件的非线性偏微分方程(PDEs)很好地表示。然而，由于PDEs具有无限维、空间/时间耦合和非线性特性，直接将PDEs应用于过程分析、监视和过程控制是不现实的。
因此，从工程的角度出发，有必要提供一类简化的DPS建模方法来近似锂电池表面热过程。
发明内容
针对上述现有技术的不足，本申请提供一种锂电池表面温度建模方法、装置、计算机设备和存储介质。
一种锂电池表面温度建模方法，所述方法包括：
根据多层在线核超限学习机ML-OSRKELM，通过堆叠多个在线顺序简化核极限学习机自动编码器OSRKELM-AE创建深度网络，并利用所述深度网络将锂电池热过程的高维时空域转化为低维时域系数；
基于所述低维时域系数，利用改进的在线顺序约简核极限学习机OS-RKELM构建低阶时间模型；
基于所述低阶时间模型，利用OS-RKELM建立重构模型，并利用所述重构模型将锂电池热过程的时间域重构为原始时空域。
在本申请一个实施例中，所述改进的OS-RKELM利用误差缩减比选择支持向量。
在本申请一个实施例中，所述方法还包括：
通过正交化方法将OS-RKELM的核矩阵分解为一组正交基向量；
确定每一正交基向量的误差；
选择最大误差对应的支持向量作为OS-RKELM的支持向量，直到误差之和大于预设值时，确定所述改进的OS-RKELM。
在本申请一个实施例中，所述OS-RKELM具有遗忘因子的顺序更新方案。
在本申请一个实施例中，所述方法还包括：
利用遗忘因子对OS-RKELM输出权重进行更新。
在本申请一个实施例中，在所述深度网络中，使用OSRKELM-AE学习输出权值作为ML-OSRKELM的隐含层权重，ML-OSRKELM的每个隐含层的输出都用作下一个OSRKELM-AE的输入。
在本申请一个实施例中，当新的数据集到达时，对所述深度网络中的ML-OSRKELM的隐含层权重进行更新。
一种锂电池表面温度建模装置，其特征在于，所述装置包括：
转化模块，用于根据多层在线核超限学习机ML-OSRKELM，通过堆叠多个在线顺序简化核极限学习机自动编码器OSRKELM-AE创建深度网络，并利用所述深度网络将锂电池热过程的高维时空域转化为低维时域系数；
构建模块，用于基于所述低维时域系数，利用改进的在线顺序约简核极限学习机OS-RKELM构建低阶时间模型；
重构模块，用于基于所述低阶时间模型，利用OS-RKELM建立重构模型，并利用所述重构模型将锂电池热过程的时间域重构为原始时空域。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法实施例的步骤。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述方法实施例的步骤。
本申请通过将高维时空域直接转换为低维时域，避免对空间基函数(SBFs)进行选择；具备良好地在线学习能力；能够选择性地去除冗余信息的时空建模方法，实现锂电池表面热过程的预测。
附图说明
图1为本申请一个实施例中提供的锂电池表面温度建模方法的应用环境示意图；
图2为本申请一个实施例中提供的锂电池表面温度建模方法的流程示意图；
图3为本申请一个实施例中提供的ML-OSRKELM和OS-RKELM的时域转换和时空重构体系结构示意图；
图4为本申请一个实施例中提供的锂电池表面温度建模装置的结构框图；
图5为本申请一个实施例中提供的计算机设备的内部结构图。
具体实施方式
多年来，基于时间/空间分离的DPSs建模方法一直备受关注。传统的基于物理的时空分离方法，包括有限差分法、有限元法和谱方法。这些方法试图通过选择合适的空间基函数(SBFs)将复杂的PDEs转化为简单的常微分方程(ODEs)。相比而言，基于数据的时间/空间分离方法首先利用线性方法，包括Karhunen-Loeve方法和奇异值分解方法；或非线性方法，包括拉普拉斯特征映射和等量映射，将时空变量分离为SBFs和时间系数。然后开发了机器学习算法用于生成低阶时间模型。但是，上述方法通常是针对离线应用模型提出的。
由于未知的外部干扰和设定点的变化，电池表面热过程表现出时变特征。此外，PDEs中的一些物理参数(如比热系数和热过程中的热导率)也是时变的。传统的离线时间/空间分离方法由于建模过程通常是在相同的PDEs和相同的边界条件下进行，因此可能会在这类DPSs中失去效用。
为解决上述问题，本申请将提出以一种能够将高维时空域直接转换为低维时域，避免对SBFs进行选择；具备良好地在线学习能力；能够选择性地去除冗余信息的时空建模方法，实现锂电池表面热过程的预测。
为了使本申请的目的、技术方案及优点更加清楚明白，下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例，然而应当理解，可以以各种形式实现本申请而不应被这里阐述的实施例。
在本申请使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本申请。在本申请和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
需要说明的是，本申请实施例所涉及的术语“第一\第二”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本申请提供的锂电池表面温度建模方法，可以应用于如图1所示的应用环境中。图1为本申请一个实施例中提供的锂电池表面温度建模方法的应用环境示意图，其中，终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中，图2为本申请一个实施例中提供的锂电池表面温度建模方法的流程示意图，如图2所示，提供了一种锂电池表面温度建模方法，以该方法应用于图1的服务器为例进行说明，包括以下步骤：
步骤201，根据多层在线核超限学习机ML-OSRKELM，通过堆叠多个在线顺序简化核极限学习机自动编码器OSRKELM-AE创建深度网络，并利用所述深度网络将锂电池热过程的高维时空域转化为低维时域系数。
具体实现中，由于本申请是基于在线顺序约简核极限学习机(OS-RKELM)构建模型的，因此这里首先介绍OS-RKELM算法。假设训练集为
其中xk和yk分别为输入变量和输出变量。通过采用高斯核函数K(·，·)，具有S个支持向量
的OS-RKELM输出可表示为：
Y＝ΩSβ，ΩS：ΩSi，j＝K(xi，xj)，i＝1，…N，j＝1，…S (1)
其中，
是模型的输出矩阵，ΩS∈RN×s是约简内核矩阵，
是输出权重，K(x，xj)是第j个隐藏节点。通过最小化||ΩSβ-Y||，未知变量β可计算为：
其中，
是ΩS的伪逆，I是一个单位矩阵，C是一个正则化参数。最后，将OS-RKELM的输出函数fRKELM描述为：
在一个实施例中，所述改进的OS-RKELM利用误差缩减比选择支持向量。
具体实现中，由公式(3)可知，支持向量XS的选择尤其重要，为了提高模型性能，本申请提出了一直利用误差缩减比方法(err)选择支持向量的策略。
在一个实施例中，所述方法还包括：
通过正交化方法将OS-RKELM的核矩阵分解为一组正交基向量；
确定每一正交基向量的误差；
选择最大误差对应的支持向量作为OS-RKELM的支持向量，直到误差之和大于预设值时，确定所述改进的OS-RKELM。
具体实现中，首先将所有样本X＝[x1，…，xN]作为公式(1)中的支持向量，然后将核矩阵Ω∈RN×N表示为：
其中，Ki(X)是Ω的第i行。
通过改进的Gram-Schmidt方法，可以将Ω分解为一组正交基向量Wi：
Ω＝WA (5)
其中，W∈RN×N是正交矩阵，A∈RN×N是三角矩阵。各向量Wk(k＝1，...，N)的err可由下式得到：
然后，直接选择最大err对应的支持向量为XS，或者每次在XS中加入err最大的支持向量，直到误差err之和达到以下条件：
其中，θ∈(0，1)为阈值，j1为err最大的支持向量。
上述锂电池表面温度建模方法中，设计了一种支持向量的选择策略，能及时地去除冗余的训练数据，且隐藏节点数低于初始化数据，使得模型结构更加精简，降低了模型在使用大量训练数据时的复杂性。
在一个实施例中，所述OS-RKELM具有遗忘因子的顺序更新方案。
在一个实施例中，所述方法还包括：
利用遗忘因子对OS-RKELM输出权重进行更新。
具体实现中，假设初始训练集为
根据公式(8)，选取S个支持向量时，OS-RKELM的初始权重由
和
获得，其中下标0表示关于D0的初始矩阵。当一个新的数据块
到达时，输出权重β1可以计算为：
其中，ΩS，1和Y1分别为约简的关于D1的核矩阵和输出矩阵。引入遗忘因子ω∈(0，1)，则公式(9)重写为：
其中，
综上所述，当第(m+1)块数据
到达时，输出权重βm+1可以更新为：
上述锂电池表面温度建模方法中，提出了一种带遗忘因子的顺序更新方案，可以利用新到达的数据对映射后的时域和重构后的时空域进行更新，应用于强非线性时变DPSs时，能充分反映数据的时效性，它比传统离线方法具有更好的建模性能。
在一个实施例中，在所述深度网络中，使用OSRKELM-AE学习输出权值作为ML-OSRKELM的隐含层权重，ML-OSRKELM的每个隐含层的输出都用作下一个OSRKELM-AE的输入。
具体实现中，定义为输入信号为
其中I(t)为电池的输入电流，U(t)为相应的电压，t为时间，L0为采集数据的截止时间；
为温度数据，T(Z，t)为E个空间位置的温度输出Z＝[Z1，...，ZE]。
OSRKELM-AE是一种特别的OS-RKELM，其输入等于输出，它的目标是训练ML-OSRKELM所有隐含层的参数。与公式(2)中的OS-RKELM类似，有了初始数据后，OSRKELM-AE的输出权重可表示为：
其中，
为输出权重(下标0为初始矩阵，上标i为第i个隐层)，
为具有Si个支持向量的核矩阵，
为输出矩阵。当第(m+1)个数据块到达时，输出权重可更新为：
图3为本申请一个实施例中提供的ML-OSRKELM和OS-RKELM的时域转换和时空重构体系结构示意图，如图3所示，本申请根据ML-OSRKELM，通过堆叠多个OSRKELM-AE创建深度网络(时域转换和时空重构体系结构)，所提出的ML-OSRKELM叠加P个OSRKELM-AEs实现时域变换。
上述锂电池表面温度建模方法中，建立了基于ML-OSRKELM的时域变换模型，可以直接将数据从时空域转换为时域，比传统的时空分离方法更好地反映非线性自由度。
ML-OSRKELM首先根据公式(12)使用OSRKELM-AE学习输出权值
作为第1隐含层参数。随后可得到第1隐含层的输出：
其中，g(·)为激活函数。由于每个隐含层的输出都用作下一个OSRKELM-AE的输入，设
然后易得每个隐含层的输出：
当然，第P层的节点数M必须满足M＜E。
在一个实施例中，当新的数据集到达时，对所述深度网络中的ML-OSRKELM的隐含层权重进行更新。
具体实现中，当新的数据集
到达时，隐含层参数
使用公式(13)逐层更新。然后隐含层输出表示为：
最后，得到时间系数：
步骤202，基于所述低维时域系数，利用改进的在线顺序约简核极限学习机OS-RKELM构建低阶时间模型。
具体实现中，建立时间模型的目的是用OS-RKELM模拟输入信号u(t)和低维a(t)之间的关系。
其中，
为模型输出，f2(·)为时间模型，da和du分别为最大输入滞后和最大输出滞后。
这里，OS-RKELM使用R(t)＝[u(t-1)，a(t-1)](假设在da＝du＝1)作为输入，a(t)作为输出。假设训练数据集
根据公式(2)可得到初始输出权重
然后，当新的数据集
到达时，可以通过公式(11)更新输出权重
最后，时间模型可以表示为：
其中，
是支持向量。
步骤203，基于所述低阶时间模型，利用OS-RKELM建立重构模型，并利用所述重构模型将锂电池热过程的时间域重构为原始时空域。
具体实现中，建立重建模型的目的是将时间域重构为原始时空域，利用得到的
根据OS-RKELM进行原始时空域重建：
其中，
为重构输出，f3(·)为重构函数。
在这一步中同样使用S-RKELM，其中a(t)作为输入，T(Z，t)作为输出。通过类似的过程，可以使用到达的数据对重构模型的输出权重进行初始化和更新。最后，重构模型表示为：
其中，
为输出权值，
为重构模型的支持向量。在OS-RKELM中，实时的时空数据可以更新重构的时空域和时空模型。
上述锂电池表面温度建模方法中，在多层在线建模框架中引入核技巧，将该方法扩展为基于核的深度在线学习模型，提高了模型的非线性学习性能。
下面以32Ah Li(NiCoMn)O2三元锂电池的热过程实验为例，以解释本申请的实施方式及验证本申请的性能和有效性。实验装置包括电池热系统(BTS)集成电池测试仪、两台主机和热室。将电池置于热室中，环境温度保持在23℃。然后，BTS根据给定的电流给电池充电/放电。30个热传感器均匀分布在电池表面，采集时空温度数据T(Z，t)，Z＝[Z1，…，Z30]，其中一部分热传感器用于模型识别，其他热传感器用于模型验证。
本实验通过运行两个连续的城市测功机驾驶计划(UDDS)循环来激发热动力学，这两个循环代表了城市复杂多变的驾驶条件，采集输入信号：电流I(t)和产生的电压V(t)。
以Δt＝1s为样本区间，共采集2740组数据，包括输入信号u(t)＝[I(t)，Y(t)]和温度T(Z，t)。第一批1240组用于模型训练；剩下的1500组用于模型验证。此外，在样本中加入振幅为0.1的白噪声，以评估模型的鲁棒性。验证数据被划分为固定大小为10的顺序块。也就是说，有150个更新步骤。模拟过程如下：
对于第i步(i＝1，...，150)，该方法首先根据第i-1步学习到的模型参数预测热分布。然后，当第i个数据块到达时，更新模型参数。
在模拟之前，将输入信号和温度归一化为[-1，1]。对于所有模型，选择参数σ＝2的高斯核函数作为SPD核，正则化参数C设为210，遗忘因子ω为0.85。其他超参数设置如下：
对于ML-OSRKELM，隐含层数P为3，第P层的节点数M为5，g(·)为tansig激活函数。对于ML-OSRKELM和OS-RKELM的前两个隐含层，将阈值θ设置为0.05，以权衡精度和计算效率。采用预测误差e(Z，t)、时间归一化绝对误差(TNAE)、空间归一化绝对误差(SNAE)和均方根误差(RMSE)四个指标进行精度分析。
其中，预测误差e(Z，t)的表达式如下：
时间归一化绝对误差的表达式如下：
空间归一化绝对误差的表达式如下：
均方根误差的表达式如下：
与基于ML-KELM方法的预测误差相比，本申请方法的预测误差基本在-0.15～0.1之间，接近黑零基线。结果表明，该方法具有较高的局部温度预测精度。为了进一步评估在线学习性能，输出每个更新步骤预测的热分布的RMSE进行分析，由于只更新时间模型，当输入信号发生剧烈变化时，基于ML-KELM的方法不稳定。相比之下，所有涉及的模型都可以根据新到达的数据块进行更新，本申请提出的方法非常有效。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本申请并不受所描述的动作顺序的限制，因为依据本申请，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于优选实施例，所涉及的动作并不一定是本申请所必须的。
在一个实施例中，图4为本申请一个实施例中提供的锂电池表面温度建模装置的结构框图，如图4所示，提供了一种锂电池表面温度建模装置，该装置包括转化模块401、构建模块402和重构模块403，其中：
转化模块401用于根据多层在线核超限学习机ML-OSRKELM，通过堆叠多个在线顺序简化核极限学习机自动编码器OSRKELM-AE创建深度网络，并利用所述深度网络将锂电池热过程的高维时空域转化为低维时域系数；
构建模块402用于基于所述低维时域系数，利用改进的在线顺序约简核极限学习机OS-RKELM构建低阶时间模型；
重构模块403用于基于所述低阶时间模型，利用OS-RKELM建立重构模型，并利用所述重构模型将锂电池热过程的时间域重构为原始时空域。
在本申请一个实施例中，所述改进的OS-RKELM利用误差缩减比选择支持向量。
在本申请一个实施例中，所述装置还包括：
分解模块，用于通过正交化方法将OS-RKELM的核矩阵分解为一组正交基向量；
确定模块，用于确定每一正交基向量的误差；
选择模块，用于选择最大误差对应的支持向量作为OS-RKELM的支持向量，直到误差之和大于预设值时，确定所述改进的OS-RKELM。
在本申请一个实施例中，所述OS-RKELM具有遗忘因子的顺序更新方案。
在本申请一个实施例中，所述装置还包括：
更新模块，用于利用遗忘因子对OS-RKELM输出权重进行更新。
在本申请一个实施例中，在所述深度网络中，使用OSRKELM-AE学习输出权值作为ML-OSRKELM的隐含层权重，ML-OSRKELM的每个隐含层的输出都用作下一个OSRKELM-AE的输入。
在本申请一个实施例中，当新的数据集到达时，对所述深度网络中的ML-OSRKELM的隐含层权重进行更新。
关于锂电池表面温度建模装置的具体限定可以参见上文中对于锂电池表面温度建模方法的限定，在此不再赘述。上述锂电池表面温度建模装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述各方法实施例中的步骤。
本申请可以应用于计算机设备，如可以执行程序的智能手机、平板电脑、笔记本电脑、台式计算机、机架式服务器、刀片式服务器、塔式服务器或机柜式服务器(包括独立的服务器，或者多个服务器所组成的服务器集群)等。图5为本申请一个实施例中提供的计算机设备的内部结构图，如图5所示，本实施例的计算机设备50至少包括但不限于：可通过系统总线相互通信连接的存储器51、处理器52。需要指出的是，图5仅示出了具有存储器、处理器组件的计算机设备，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。存储器(即可读存储介质)包括闪存、硬盘、多媒体卡、卡型存储器(例如，SD或DX存储器等)、随机访问存储器(RAM)、静态随机访问存储器(SRAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、可编程只读存储器(PROM)、磁性存储器、磁盘、光盘等。
在一些实施例中，存储器可以是计算机设备的内部存储单元，例如该计算机设备的硬盘或内存。在另一些实施例中，存储器也可以是计算机设备的外部存储设备，例如该计算机设备上配备的插接式硬盘，智能存储卡(SmartMedia Card，SMC)，安全数字(SecureDigital，SD)卡，闪存卡(Flash Card)等。当然，存储器还可以既包括计算机设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于计算机设备的操作系统和各类应用软件。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。处理器在一些实施例中可以是中央处理器(Central Processing Unit，CPU)、控制器、微控制器、微处理器、或其他数据处理芯片。该处理器通常用于控制计算机设备的总体操作。本实施例中，处理器用于运行存储器中存储的程序代码或者处理数据，以实现一种锂电池表面温度建模方法。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。
以上仅为本申请的优选实施例，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。
Claims (10)
1.一种锂电池表面温度建模方法，其特征在于，所述方法包括：
根据多层在线核超限学习机ML-OSRKELM，通过堆叠多个在线顺序简化核极限学习机自动编码器OSRKELM-AE创建深度网络，并利用所述深度网络将锂电池热过程的高维时空域转化为低维时域系数；
基于所述低维时域系数，利用改进的在线顺序约简核极限学习机OS-RKELM构建低阶时间模型；
基于所述低阶时间模型，利用OS-RKELM建立重构模型，并利用所述重构模型将锂电池热过程的时间域重构为原始时空域。
2.根据权利要求1所述的锂电池表面温度建模方法，其特征在于，所述改进的OS-RKELM利用误差缩减比选择支持向量。
3.根据权利要求2所述的锂电池表面温度建模方法，其特征在于，所述方法还包括：
通过正交化方法将OS-RKELM的核矩阵分解为一组正交基向量；
确定每一正交基向量的误差；
选择最大误差对应的支持向量作为OS-RKELM的支持向量，直到误差之和大于预设值时，确定所述改进的OS-RKELM。
4.根据权利要求1所述的锂电池表面温度建模方法，其特征在于，所述OS-RKELM具有遗忘因子的顺序更新方案。
5.根据权利要求4所述的锂电池表面温度建模方法，其特征在于，所述方法还包括：
利用遗忘因子对OS-RKELM输出权重进行更新。
6.根据权利要求1所述的锂电池表面温度建模方法，其特征在于，在所述深度网络中，使用OSRKELM-AE学习输出权值作为ML-OSRKELM的隐含层权重，ML-OSRKELM的每个隐含层的输出都用作下一个OSRKELM-AE的输入。
7.根据权利要求6所述的锂电池表面温度建模方法，其特征在于，当新的数据集到达时，对所述深度网络中的ML-OSRKELM的隐含层权重进行更新。
8.一种锂电池表面温度建模装置，其特征在于，所述装置包括：
转化模块，用于根据多层在线核超限学习机ML-OSRKELM，通过堆叠多个在线顺序简化核极限学习机自动编码器OSRKELM-AE创建深度网络，并利用所述深度网络将锂电池热过程的高维时空域转化为低维时域系数；
构建模块，用于基于所述低维时域系数，利用改进的在线顺序约简核极限学习机OS-RKELM构建低阶时间模型；
重构模块，用于基于所述低阶时间模型，利用OS-RKELM建立重构模型，并利用所述重构模型将锂电池热过程的时间域重构为原始时空域。
9.一种计算机设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7任一项所述的方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310067556.1A CN116070437B (zh) | 2023-01-13 | 2023-01-13 | 锂电池表面温度建模方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310067556.1A CN116070437B (zh) | 2023-01-13 | 2023-01-13 | 锂电池表面温度建模方法、装置、计算机设备和存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116070437A true CN116070437A (zh) | 2023-05-05 |
| CN116070437B CN116070437B (zh) | 2023-11-21 |
Family
ID=86181652
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310067556.1A Active CN116070437B (zh) | 2023-01-13 | 2023-01-13 | 锂电池表面温度建模方法、装置、计算机设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116070437B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094211A (zh) * | 2023-07-27 | 2023-11-21 | 重庆易储科技有限公司 | 一种基于超限学习机的锂电池健康状态模型的建模方法以及预测方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114548368A (zh) * | 2022-01-20 | 2022-05-27 | 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） | 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、预测模型以及预测方法 |
| CN114638156A (zh) * | 2022-02-25 | 2022-06-17 | 香港科技大学 | 一种锂电池温度预测方法、装置、设备及存储介质 |
| CN114692494A (zh) * | 2022-03-17 | 2022-07-01 | 广东工业大学 | 一种锂电池温度场在线建模方法及系统 |
-
2023
- 2023-01-13 CN CN202310067556.1A patent/CN116070437B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114548368A (zh) * | 2022-01-20 | 2022-05-27 | 广东产品质量监督检验研究院（国家质量技术监督局广州电气安全检验所、广东省试验认证研究院、华安实验室） | 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、预测模型以及预测方法 |
| CN114638156A (zh) * | 2022-02-25 | 2022-06-17 | 香港科技大学 | 一种锂电池温度预测方法、装置、设备及存储介质 |
| CN114692494A (zh) * | 2022-03-17 | 2022-07-01 | 广东工业大学 | 一种锂电池温度场在线建模方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| DAWEI SONG等: "Lithium-Ion Battery Life Prediction Method under Thermal Gradient Conditions", 《ENERGIES》 * |
| 吕州等: "基于LLE-OS-ELM 的锂离⼦电池热过程在线建模", 《电池》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117094211A (zh) * | 2023-07-27 | 2023-11-21 | 重庆易储科技有限公司 | 一种基于超限学习机的锂电池健康状态模型的建模方法以及预测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116070437B (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ma et al. | Partially‐coupled gradient‐based iterative algorithms for multivariable output‐error‐like systems with autoregressive moving average noises | |
| Zhang et al. | Recursive parameter estimation and its convergence for bilinear systems | |
| Wang et al. | Parsimonious extreme learning machine using recursive orthogonal least squares | |
| Sun et al. | Adaptive control of time‐varying uncertain non‐linear systems with input delay: a Hamiltonian approach | |
| Zhang et al. | Genetic pattern search and its application to brain image classification | |
| CN109242212A (zh) | 一种基于变模式分解与长短记忆网络的风电预测方法 | |
| CN109635245A (zh) | 一种鲁棒宽度学习系统 | |
| Peng et al. | Multi-step-ahead host load prediction with gru based encoder-decoder in cloud computing | |
| 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 | |
| Zhai | Decentralised output‐feedback control for a class of stochastic non‐linear systems using homogeneous domination approach | |
| CN114692501A (zh) | 基于多精度深度神经网络的气动数据融合方法及设备 | |
| Zhou et al. | Online regularized and kernelized extreme learning machines with forgetting mechanism | |
| CN114334028A (zh) | 基于图神经网络的不定3d结构生成方法、系统及存储介质 | |
| Yi et al. | Intergroup cascade broad learning system with optimized parameters for chaotic time series prediction | |
| Lu et al. | An adaptive neural architecture search design for collaborative edge-cloud computing | |
| Kumamoto et al. | Singular-value-decomposition analysis of associative memory in a neural network | |
| Khan et al. | Double parallel feedforward neural network based on extreme learning machine with L1/2 regularizer | |
| CN116959600A (zh) | 分子状态预测方法、装置和存储介质 | |
| CN115577573B (zh) | 同步发电机输出电流的预测方法、装置、设备和存储介质 | |
| Cui et al. | Recursive parameter and state estimation methods for observability canonical state‐space models exploiting the hierarchical identification principle | |
| Maraoui et al. | System approximations based on Meixner‐like models | |
| CN116028891A (zh) | 一种基于多模型融合的工业异常检测模型训练方法和装置 | |
| Zhu et al. | Multilayer online sequential reduced kernel extreme learning machine-based modeling for time-varying distributed parameter systems | |
| CN115129029A (zh) | 基于子领域适配字典学习的工业系统故障诊断方法和系统 | |
| Wei et al. | Improved model identification for non-linear systems using a random subsampling and multifold modelling (RSMM) approach |
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 | ||
| CP03 | Change of name, title or address | ||
| CP03 | Change of name, title or address |
Address after: Room 01, Room 401, No. 5 Sixing Street, Huangge Town, Nansha District, Guangzhou City, Guangdong Province, 511466 Patentee after: Guangzhou Guoke Electric Technology Co.,Ltd. Country or region after: China Patentee after: Chongqing Research Institute of Wuhan University of Technology Address before: Room 305, 3rd Floor, Building F, No. 2 Xingye Road, Jiuwangmiao Village, Nansha District, Guangzhou City, Guangdong Province, 510000 Patentee before: Guangzhou gangkeda Technology Co.,Ltd. Country or region before: China Patentee before: Chongqing Research Institute of Wuhan University of Technology |