基于时空非线性误差补偿模型的锂电池温度场预测方法

本发明涉及锂离子电池优化，尤其涉及一种基于时空非线性误差补偿模型的锂电池温度场预测方法。

背景技术：

1、锂离子电池具有单体式电压较高、能源密度较大、可再生资源利用周期短、循环寿命长、无污染等诸多优点，这些优点使得锂离子电池成为储能元件制造商的首选。然而锂电池的安全性问题一直都是人们所非常关心的一个问题，由于锂电池对于温度变化的敏感性很强，在进行充放电的过程中温度太高可能会直接造成锂电池的燃烧、爆炸等后果，过低的温度也可能会直接导致锂电池的实际可使用能源和功率密集性降低。

2、因此，在锂电池的制造和使用、优化过程中建立精确的锂电池温度模型，不仅可更加便利地进行电池的控制、诊断与供热管理，而且对实时地获取锂电池内部的温度场分布也具有十分重要的作用。

3、目前对锂离子电池的热模型研究中，纯机理理论复杂，实现困难。对于分布参数系统模型完全未知时，采用基于时空分离框架的建模方法是高效的建模思路。相关技术中，在时空分离框架下，通过采用kl等基于数据驱动的方法在先验知识及热过程完全未知情况下获得获取热模型空间基函数，然而这种方法在系统具有强非线性时往往无法取得最佳效果；另一方面，光谱法广泛用于在已知的工艺知识下获得分析模型，基于空间基函数(sbf)展开，可以捕获主导模式，以产生全阶pde系统的低阶近似。但目前的研究均未对时空维度即时间域与空间域上的非线性误差进行补偿，导致实际的锂电池温度预测仍不够精确，存在优化空间。

技术实现思路

1、本发明旨在解决现有技术因为时间域与空间域上的非线性误差而导致锂电池温度场的预测存在误差的技术问题。

2、为解决上述技术问题，本发明实施例提供一种基于时空非线性误差补偿模型的锂电池温度场预测方法，所述锂电池温度场预测方法包括以下步骤：

3、s1、建立基于谱方法与第一极限学习机模型进行数据驱动的锂电池温度场预测模型；

4、s2、建立基于核主成分分析算法和第二极限学习机模型的时空非线性误差补偿模型；

5、s3、将所述时空非线性误差补偿模型嵌入所述锂电池温度场预测模型，得到时空非线性误差补偿锂电池温度场预测模型；

6、s4、对所述时空非线性误差补偿锂电池温度场预测模型进行训练，并利用训练完成的所述时空非线性误差补偿锂电池温度场预测模型进行锂电池温度场预测，输出预测结果。

7、更进一步地，步骤s1包括以下子步骤：

8、s11、将锂电池温度场分布参数系统表达为偏微分方程t(x,y,t)，并对所述偏微分方程进行非均匀分离，得到主函数v(x,y,t)与辅助函数w(x,y,t)，其中，为热过程参数；

9、s12、对所述主函数使用时空分离策略进行解耦，得到空间基函数和时间系数a(t)；

10、s13、基于所述谱方法对所述空间基函数进行推导，得到第二主函数；

11、s14、基于所述第一极限学习机模型，建立关于所述时间系数和所述锂电池温度场分布参数系统中电流与电压的数据驱动时序模型，所述数据驱动时序模型输出得到第二时间系数，并通过时空重构策略将所述第二主函数和所述第二时间系数进行综合，输出得到所述锂电池温度场预测模型所述锂电池温度场预测模型满足：

12、

13、其中，k为空间域时间。

14、更进一步地，步骤s14前还包括步骤：

15、根据伽辽金算法对所述主函数进行约简。

16、更进一步地，步骤s2包括以下子步骤：

17、s21、对所述锂电池温度场预测模型使用所述时空分离策略进行解耦，得到空间非线性补偿基函数δφ(x,y)和时间非线性补偿系数e(t)；

18、s22、基于所述核主成分分析算法对所述空间基函数进行空间非线性补偿基函数，得到第二空间非线性补偿基函数；

19、s23、基于所述第二极限学习机模型，建立关于所述时间非线性补偿系数和所述锂电池温度场分布参数系统中电流与电压的极限学习机时序预测模型，所述数据驱动时序模型输出得到第二时间非线性补偿系数，并通过时空重构策略将所述第二时间非线性补偿系数和所述第二空间非线性补偿基函数进行综合，输出得到所述时空非线性误差补偿模型

20、更进一步地，步骤s23中，所述第二时间非线性补偿系数为所述时间非线性补偿系数在t+1时刻的预测值。

21、更进一步地，步骤s4中，对所述时空非线性误差补偿锂电池温度场预测模型进行训练的步骤，包括以下子步骤：

22、s41、定义所述第一极限学习机模型和所述第二极限学习机的隐含层个数分别为l1、l2，输出权重分别为β1、β2，激活函数为g；

23、s42、对所述第一极限学习机模型进行训练，并确定l1、β1；

24、s43、对所述第二极限学习机模型进行训练，并确定l2、β2；

25、s44、基于所述第一极限学习机模型和所述第二极限学习机的所述隐含层个数和所述输出权重，将所述锂电池温度场预测模型和所述时空非线性误差补偿模型的输出进行相加，得到所述时空非线性误差补偿锂电池温度场预测模型的预测值t(x,y,t)。

26、更进一步地，步骤s42包括以下子步骤：

27、s421、确定所述第一极限学习机模型的所述隐含层的数量l1，并随机初始化所述第一极限学习机模型的所述隐含层所有连接权值以及阈值；

28、s422、从所述锂电池温度场分布参数系统得到的初始训练集中选择时间系数参数集作为训练样本和测试样本，并对比训练效果，根据所述训练结果对所述输出权重β1进行更新；

29、s423、对所述训练样本和所述测试样本进行重新划分，并调整所述隐含层的数量l1，再迭代至步骤s421进行训练，直到所述第一极限学习机模型的输出满足预设迭代要求。

30、更进一步地，步骤s43包括以下子步骤：

31、s431、确定所述第二极限学习机模型的所述隐含层的数量l2，并随机初始化所述第二极限学习机模型的所述隐含层所有连接权值以及阈值；

32、s432、从所述锂电池温度场分布参数系统得到的初始训练集中选择时间系数参数集作为训练样本和测试样本，并对比训练效果，根据所述训练结果对所述输出权重β2进行更新；

33、s433、对所述训练样本和所述测试样本进行重新划分，并调整所述隐含层的数量l2，再迭代至步骤s431进行训练，直到所述第二极限学习机模型的输出满足预设迭代要求。

34、本发明所达到的有益技术效果，包括：

35、一、采用谱方法推导空间基函数，并通过嵌入极限学习机(elm)逼近电化学产热的方式建立锂电池温度场预测模型，对比纯机理建模方法具有计算简单、时间短，时间成本低等优点；

36、二、采用核主成分分析算法(kpca)，得到基于谱方法的锂电池温度场预测误差分布的全局空间基函数，不需要先验知识，便于模型的建立；

37、三、构建了基于核主成分分析算法和极限学习机模型的时空非线性误差补偿模型，在时间域、空间域上对原主预测模型进行非线性误差补偿，相较于现有技术具有更高的预测精度与有效性。