结合t-SNE和SSA-BLS的锂电池热过程非线性时空建模方法

摘要

基于时间/空间分离的方法往往采用严重依赖空间基函数的线性分离和重建模型来分离和重建热过程的时空域，无法处理高度非线性的热动力学。为了解决这一问题，本文提出一种结合t分布随机邻居嵌入(t-distributed random neighbor embedding, t-SNE)和宽度学习系统(generalized learning system, BLS)的非线性时空建模方法。设计了参数化t-SNE，将锂电池热过程的时空域转换为时域。与传统的线性分离模型相比，t-SNE能更好地保留时空温度数据的非线性信息。构建基于BLS的低阶时序模型。针对t-SNE降维过程不可逆的问题，进一步通过BLS重构时空域的非线性模型。使用麻雀优化算法(sparrow search algorithm, SSA)对BLS的参数进行优化，提高模型的精度和泛化性能。对三元锂离子电池的实验结果表明，与传统时空建模方法相比，所提方法的均方根误差下降6.54%，消耗时间减少29.95%。这证明了所提方法对锂离子电池非线性热过程建模的优势和有效性。

关键词

t分布随机邻居嵌入 / 宽度学习系统 / 机器学习 / 分布参数系统 / 麻雀优化算法