CN119494263A 基于张量Tucker分解的软包锂离子电池温度场预测方法及系统 （哈尔滨理工大学）

基于张量Tucker分解的软包锂离子电池温本发明公开了一种基于张量Tucker分解的法首先通过使用张量Tucker分解技术对电池表网络预测模型用来估计名义系统未来的低阶时来温度场的预测信息。本发明采用基于张量2步骤(2)对锂离子电池温度场时空数据进行初始秩为(1,1,1步骤(3)构建基于GRU的神经网络预测模型，所述神经网络所述特征选择模块由线性层与激活函数构成，线性层对循环网络模块步骤(4)给定当前时刻的电流值，应用Tucker分解得到的低阶时间特性矩阵和构建的2.根据权利要求1所述的基于张量Tucker分解的软包锂离子电池温度场预测方法，其步骤(11)假设在x轴和y轴上均匀布置mxn个温度传感器，充放电过程时间总步数为k，给定充放电电流为电池表面换热系数采集到k个时刻电池mxn个温3.根据权利要求1所述的基于张量Tucker分解的软包锂离子电池温度场预测方法，其步骤(21)根据张量Tucker分解理论，分解时需要确定Tucker分解的秩r(rxxryxrt)∈3步骤(23)提取空间模态因子矩阵作为原始数据的4.根据权利要求3所述的基于张量Tucker分解的软包锂离子电池温度场预测方法，其其中，Z(r,y,t)表示原始张量Z(x,y,t)经过Tucker分解重构后得到的近似张量；X(x,r)eR"⃞、y(y,r)eR""和T(,r)eR示张量和矩阵之间的乘积，它的数学定义为将张量在第n模态上的每个切片与矩阵相乘，5.根据权利要求1所述的基于张量Tucker分解的软包锂离子电池温度场预测方法，其步骤(42)考虑电池系统的充放电电流i(t)、电池表面换矩阵的第rt个分量t,(),构成如下外部输入序列数据集样本u()eR":丫w个历史值预测下一个时刻的时间特性矩阵分量的预测值(p+1);步骤(45)将全部rt个分量的预测序列f,(p+1)汇总合并成预测的低阶时间矩阵得到的f(,r)展开为如下形式：4步骤(46)通过Tucker的逆变换升维重构得到未来时刻的高阶温度预测张量表示为：步骤(47)对预测张量z(r,y,1)进行逆归一化即得到原始特征空间上的高阶温度场数据在未来p+1时刻的预测值。6.一种实现权利要求1_5任一项所述方法的基于张量Tucker分解的软包锂离子电池温所述数据获取模块用于获取电池表面温度场数据并进行预处理得到电池温度场时空所述神经网络预测模型构建模块用于构建神经网络所述温度场预测模块用于使用已建立的神经网络预测模型对新给定的输入电流进行所述时空耦合模块用于进行温度场数据的张量Tucker分解和逆变所述电池充放电控制模块用于对电池充放电过程进行5[0004]随着红外热成像等技术的引入，可以更容易地在电池表[0005]本发明提供了一种基于张量Tucker分解的软包锂离子电池温度场预测方法及系6[0010]步骤(3)构建基于GRU(GatedRecurrentUnit，门控循环单元)的神经网络预测模[0011]所述循环网络模块包含2个GRU层，在每个GRU层后都衔接一个Hardswish激活函[0013]步骤(4)给定当前时刻的电流值，应用Tucker分解得到的低阶时间特性矩阵和构论分析和实验结果都证明了本发明的预测建模方法是一种具有高效率的温度场建模方法，7程时间总步数为k。给定充放电电流为电池表面换热系数采集到k个Z(r,y,t)eR"⃞。最大一最小值归一化公式为：8rxy和rt，则高阶时空张量Z(x,y,t)可以分解为核心张量geR""在每个模态上与分解XT=[g;X,Y,T](2)Y(y,r)eR""和T(t,r)eR的表示原始张量Z(x,y,t)在三个模态下的分解因子矩阵，分解[0052]步骤(4)给定当前时刻的电流值，应用Tucker分解得到的低阶时间特性矩阵和构电电流i(t)、电池表面换热系数h(t)以及低阶时间特性矩阵的第rt个分量构成如下外部输入序列数据集样本u()eR":9;(p+1)=F(u(p))(6)分量t与外部输入变量序列中前w个历史值预测下一个时刻的时间特性矩阵分量的预测值γ将全部rt个分量的i,(p+1)汇总合并成预测的低阶时间矩阵得到的f(,r)展开为如下形式：表示为：[0062]对预测张量2(r,y,)进行逆归一化即可得到原始特征空间上的高阶温度场数据Z的第一模展开，将张量的第一维度保持为矩阵的行索引，第二和第三维组成矩阵的列矩rt的矩阵以及y×ry的矩阵的Kronecker积结果是一个形状为ty[0070]由于Tucker分解的最终目标是使得重构张量与原始张量Z之间的重构误差尽可[0081]由于||Z||为常数，则式(12)的最小值优化目标可以被重新定义为一系列包含如[0087]本发明采用如图2构建的神经网络预测模型辨识温度系统的低阶时间特性，在Tucker分解阶段，分解结果包含低阶时间特性矩阵T(,r)eR"。I,为低阶时间特性矩阵T测模型F。预测过程表达式为：供一种有效地捕捉长期依赖关系的方法。结合Hardswish激活函数的平滑处理梯度的特点使得本发明中的低阶模型在处理长序列数据时可以更好地捕捉长期依赖关系。Hardswish的输出包含丰富的时序信息和特征，但这些信息往往分布在多个时间步和隐藏层单元中。[0102]其中，λt为更新门的激活结果，它以门控的形式控制信息的流入。λt与ht-1的[0108]本发明还提供了一种实现上述方法的基于张量Tucker分解的软包锂离子电池温[0109]所述数据获取模块用于获取电池表面温度场数据并进行预处理得到电池温度场[0111]所述温度场预测模块用于使用已建立的神经网络预测模型对新给定的输入电流[0116]步骤(1)采集锂离子电池表面温度数据集，将数据进行预处理，并整理成张量形[0119]步骤(4)将预测的低阶时间特性矩阵与空间模态因子矩阵、核心张量进行升维重[0120]为了证明本实施例中基于张量Tucker分解结合门控循环结构的建模方法的有效t)，将其进行预处理步骤并整理成三阶张量数据z(x,y,t)eR"。将得到的Z(x,y,t)张t=分解因子矩阵的第一个分量可知算法捕获到了整个空间内所有探针温度随时间变化的整体趋势。而分量2与分量3则展示了空间域内温度随输入电流变化与热对流系数变化的趋程中有效地捕捉到了时间序列的主要特征，成功学习到了时间模态因子矩阵的动态变化。[0129]最后，将3个模型预测的时间分量以及合并成预测的低阶时间矩阵到预测的高阶数据2(r,.0)。定义时空误差函数ζ、RMSE(RootMeanSquareError，均方[0131]MER是基于预测张量与原始张量之间的最大绝对误差与原始张量数值范围的比实施例中2(r,y,t)与Z(x,y,t)之间的均方根误差为0.05823。证明每个点上的预测误差都