本发明涉及锂电池，具体涉及一种结合pod和grnn的锂电池热功率提取方法、装置及介质。
背景技术：
1、随着可再生能源的大规模并网以及电动汽车、分布式电源等交互式设备的普及，锂离子电池在交通动力、电力储能、移动通信、新能源储能动力、航天军工等领域得到广泛应用。锂电池因其循环特性好、响应速度快、系统综合效率高的特点而成为市场上的主流储能方式。
2、锂电池的单体性能直接影响到集成电池模组的整体表现，其中温度是影响锂电池安全性、寿命和性能的关键因素之一。在评估电池的温度状况时，发热功率是一个重要的参数，常用来结合数值模拟分析电池的温度分布情况。
3、现有通过构建等效电路模型并利用hppc(hybrid pulse powercharacterization)测试获取模型参数，然后结合产热模型来计算发热功率随时间和工况的变化。这种方法虽然常见，但存在模型复杂、依赖专业设备、估算精度低、构建周期长等问题。而使用电化学模型结合数值仿真来计算发热功率和温度变化，又由于锂电池内部电化学反应极其复杂，至今没有一个电化学模型能全面覆盖电池在所有工作条件下的内部反应。
技术实现思路
1、为了更有效、更快速的对锂电池的热功率进行估算，尤其是在多放电倍率下的准确快速评估，本发明提出了一种结合pod和grnn的锂电池热功率提取方法，包括步骤：
2、s1：获取多温度测点均值采集下，锂电池在各放电倍率下由额定最高电压放电至额定最低电压期间的温度-时间变化测试曲线；
3、s2：根据测试曲线并结合锂电池物理参数，通过数值模拟构建不同发热功率下电池表面温度随时间变化的数据库；
4、s3：通过对数据库进行结合系统参数的本征正交分解获取正交基底和模态系数，并通过广义回归神经网络对发热功率与模态系数间的关系进行学习训练；
5、s4：通过s3步骤训练后的广义回归神经网络根据随机发热功率获取相应的模态系数，并基于模态系数进行温度-时间变化目标曲线的获取；
6、s5：根据各目标曲线与测试曲线之间的皮尔逊相关系数，为对应放电倍率的各时间段匹配相关性最高的发热功率；
7、s6：根据由各放电倍率各时间段所对应发热功率组成的矩阵，在经由本征正交分解和模态提取后，通过广义回归神经网络对模态与系统参数间的关系进行学习训练；
8、s7：基于内热源均匀分布的瞬态三维导热微分方程进行锂电池热模型构建，并代入s6步骤训练后的广义回归神经网络进行目标放电倍率的锂电池表面温度变化仿真。
9、进一步地，所述s1步骤中，多温度测点分布在锂电池极耳附件以及锂电池中间区域。
10、所述s3步骤中，本征正交分解具体包括如下步骤：
11、s31：根据温度-时间变化曲线，结合系统参数构建样本矩阵；
12、s32：通过对样本矩阵进行归一化操作并计算相关矩阵，求取对应的特征值矩阵和特征向量矩阵；
13、s33：根据特征值矩阵和特征向量矩阵进行各阶正交基底和对应模态系数的获取。
14、进一步地，所述s31步骤中，系统参数包括放电倍率以及环境变量参数，样本矩阵以不同系统参数组合进行行划分，以不同时间点为列划分。
15、进一步地，所述s32步骤中，特征值矩阵和特征向量矩阵通过如下公式获取：
16、
17、ra＝λa
18、式中，d为样本矩阵，n为时间变化的总时刻数，t为矩阵转置，为样本矩阵d的归一化，r为相关矩阵，a为特征向量矩阵，λ为特征值矩阵。
19、进一步地，所述s33步骤中，正交基底和模态系数通过如下公式获取：
20、
21、式中，为样本矩阵d的归一化，λj为特征值矩阵的第j列，aj为特征向量矩阵的第j列，φj为第j阶的正交基底；spi为第i种系统参数的组合，tq为第q个时间点，t为矩阵转置，aj(spi,tq)为第i种系统参数的组合下第q个时间点的第j阶的模态系数。
22、进一步地，所述s4步骤中，温度-时间变化目标曲线通过如下公式获取：
23、
24、式中，为第第i种系统参数的组合下第q个时间点的温度场数据。
25、本发明还包括一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现所述一种结合pod和grnn的锂电池热功率提取方法的步骤。
26、还包括一种处理数据的装置，包括：
27、存储器，其上存储有计算机程序；
28、处理器，用于执行所述存储器中的计算机程序，以实现所述一种结合pod和grnn的锂电池热功率提取方法的步骤。
29、与现有技术相比，本发明至少含有以下有益效果：
30、(1)本发明所述的一种结合pod和grnn的锂电池热功率提取方法、装置及介质，能够在仅使用电池模拟负载和温度记录设备的条件下，迅速且准确地获取锂电池在不同放电倍率条件下的热功率随时间变化的曲线，相较于传统方法，这种方法无需复杂的模型构建或长时间的测试，大大提高了热功率估计的效率；
31、(2)通过构建温度数据库并使用pod方法进行降维，结合grnn神经网络学习工况与模态系数的关系，能够更精准地估计热功率，这确保了在新工况下，能够快速输出接近真实的热功率值，提高了估算的准确性；
32、(3)通过预先建立的pod-grnn模型，避免了每次新工况下都需要从头开始的复杂计算，简化了热功率估计的流程，降低了对专业设备的依赖，使得该方法在工业应用中更加便捷和实用。
1.一种结合pod和grnn的锂电池热功率提取方法，其特征在于，包括步骤：
2.如权利要求1所述的一种结合pod和grnn的锂电池热功率提取方法，其特征在于，所述s1步骤中，多温度测点分布在锂电池极耳附件以及锂电池中间区域。
3.如权利要求1所述的一种结合pod和grnn的锂电池热功率提取方法，其特征在于，所述s3步骤中，本征正交分解具体包括如下步骤：
4.如权利要求3所述的一种结合pod和grnn的锂电池热功率提取方法，其特征在于，所述s31步骤中，系统参数包括放电倍率以及环境变量参数，样本矩阵以不同系统参数组合进行行划分，以不同时间点为列划分。
5.如权利要求3所述的一种结合pod和grnn的锂电池热功率提取方法，其特征在于，所述s32步骤中，特征值矩阵和特征向量矩阵通过如下公式获取：
6.如权利要求4所述的一种结合pod和grnn的锂电池热功率提取方法，其特征在于，所述s33步骤中，正交基底和模态系数通过如下公式获取：
7.如权利要求6所述的一种结合pod和grnn的锂电池热功率提取方法，其特征在于，所述s4步骤中，温度-时间变化目标曲线通过如下公式获取：
8.一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，该程序被处理器执行时实现权利要求1至7中任一项所述提取方法的步骤。
9.一种处理数据的装置，其特征在于，包括：
