[发明专利]一种锂电池温度场在线建模方法及系统

说明书

本发明公开一种锂电池温度场在线建模方法及系统。首先，使用KL方法对时空数据进行时空分离，分别得到空间基函数与时间系数；其次，运用宽度学习网络，对时间系数进行训练，得到锂电池温度场的离线模型；然后使用宽度学习的增量学习算法，对离线模型的网络权重进行更新，建立起锂电池温度场的在线模型，最后将得到的预测时间系数与空间基函数进行重构，即可得到最终的预测模型对数据进行预测。本发明对锂电子电池温度场进行建模，并利用宽度学习优越的增量学习算法对进行模型在线更新，使其适应系统时变行为，解决了具有系统未知、非线性、时变特征的温度场预测问题。

技术领域

本发明涉及锂电池温度场的测试技术领域，特别是涉及一种锂电池温度场在线建模方法及系统。

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。

近年来研究的时空建模方法有很多。其中，基于时空分离的建模方法已被广泛应用，证明了分布参数系统(DPSs)建模的可行性和实用性。时空分离法的主要思想是假设时空变量可以分解为一个基于傅里叶变换的主空间基函数序列和相应的时间系数。因此，可以使用基于物理或基于数据的算法分别学习空间基函数和时间系数。

对于空间基函数的学习，在已知系统的偏微分方程描述的情况下，常用的方法是谱方法，该方法可以获得具有代表性的空间基函数用于时空分离和合成。然而，这种方法往往要求系统具有规则的空间域和齐次边界条件。在许多工业过程中，由于缺乏足够的物理信息和不确定性，对偏微分方程的准确描述往往是完全未知的。在这种情况下，基于数据的算法非常适合于空间基函数的优化学习。Karhunen-Loève(KL)方法被称为主成分分析法(PCA)或本征正交分解法(POD)，已被广泛应用于各种时空建模相关的研究，是一种有效的空间基函数学习方法。

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。但是传统的时空建模方法主要是在离线环境下开发的。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。这就需要使用新来的样本进行时空模型在线更新以保持满意的性能。

一些人提出在线顺序极限学习机(OS-ELM)来实现对实时采集的数据进行在线预测。然而对于普通的OS-ELM来说，它认为新旧样本的是等价，采用等权值处理，实际上是不科学的。随着新样本的不断加入，模型应该更加关注新样本对权值的影响，而削弱旧样本的影响，即模型应该更加专注于当前数据的影响，而忽略历史数据的影响。对此问题，Lu等人通过引入遗忘因子，人为的减小历史样本的数值达到削弱旧样本影响的目的，构建一种F-OSELM的预测模型。然而该算法引入的遗忘因子加剧了病态矩阵求逆产生的问题，导致整个算法趋于不稳定。因此，目前亟需一种新的锂电子电池温度场建模方式，以解决具有系统未知、非线性、时变特征的温度场预测问题。

发明内容

本发明提供一种锂电池温度场在线建模系统，对具有强时空耦合性、系统未知特征的锂电子电池温度场进行建模，并利用宽度学习优越的增量学习算法对进行模型在线更新，使其适应系统时变行为，解决了具有系统未知、非线性、时变特征的温度场预测问题。

本发明的技术方案如下：

一种锂电池温度场在线建模方法，包括以下步骤；

S1、使用KL方法对时空数据进行时空分离，分别得到空间基函数与时间系数；