本申请涉及锂电池,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:
1、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。
2、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。
技术实现思路
1、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。
2、一种锂电池表面温度建模方法,所述方法包括:
3、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;
4、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;
5、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。
6、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。
7、在本申请一个实施例中,所述方法还包括:
8、通过正交化方法将os-rkelm的核矩阵分解为一组正交基向量;
9、确定每一正交基向量的误差;
10、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。
11、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。
12、在本申请一个实施例中,所述方法还包括:
13、利用遗忘因子对os-rkelm输出权重进行更新。
14、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。
15、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。
16、一种锂电池表面温度建模装置,其特征在于,所述装置包括:
17、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;
18、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;
19、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。
20、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。
21、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。
22、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。
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:
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:
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:
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:
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。