(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110140366.9 (22)申请日 2021.02.02 (65)同一申请的已公布的文献号 申请公布号 CN 112883638 A (43)申请公布日 2021.06.01 (73)专利权人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 韦莉　张婉婷　吴铭　闫孟迪　 (74)专利代理 机构 上海科律专利代理事务所 (特殊普通 合伙) 31290 专利代理师 叶凤 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 WO 2020178616 A1,2020.09.10 EP 3096389 A1,2016.1 1.23 CN 111474487 A,2020.07.31 肖璆.锂离 子超级电容组高可靠性数据采集 系统设计与研究. 《中国优秀博硕士学位 论文全 文数据库(硕士)工程科技 Ⅱ辑》 .2013,(第07 期), 戴朝华等.不同空间结构的有轨电车超 级电 容热行为. 《西南交通大 学学报》 .2020,第5 5卷 (第05期), 黄业伟.电动汽车锂离 子动力电池健康状态 估计方法研究. 《中国优秀博硕士学位 论文全文 数据库(硕士)工程科技 Ⅱ辑》 .2015,(第0 6期), 审查员 王雨晴 (54)发明名称 一种超级电容器模组温度分布的在线估计 方法 (57)摘要 本发明涉及一种超级电容器模组温度分布 的在线估计方法， 可通过测量模组中少数几个单 体的温度， 实现模组中全部单体温度在线估计。 该方法避免了大量使用温度传感器， 不仅大大降 低了硬件成本， 还解决了模组 内部部分区域不易 安装温度传感器的问题。 同时， 算法占用计算资 源较少， 适用于在线估计， 且可 以满足较高的计 算精度。 该方法对于超级电容器热管理优化及安 全运行具有重要意 义。 权利要求书2页 说明书3页 附图2页 CN 112883638 B 2022.08.09 CN 112883638 B 1.一种超级电容器模组温度分布的在线估计方法， 特 征是， 包括步骤： 步骤一： 考虑超级电容器模组内部单体温度的相关性， 并结合单体的排布特点， 对模组 进行分区； 在无强制散热的条件下， 考虑到模组的对称性， 选取一半模组的9节单体为研究对象， 分别标记为T1 ‑T9； T1与T3的温度最低， 且与其 余单体的接触面个数为2， 因此 可划为第一区域； T2、 T6、 T7、 T9、 T4单体温度相近， 与其 余单体的接触面个数都为3， 可划为第二区域； T5与T8的温度最高， 与其 余单体的接触面个数为 4， 可划为第三区域； 步骤二： 根据分区选取被测单体进行测试， 获得 所选单体的温度、 电流数据； 步骤二中所述的测试单体的选择方法为： 按照对算法精度和占用计算资源的要求， 选 择合理数量的单体进行测试， 推荐每个温度分区中选取一个单体； 在计算资源有限的情况 下， 可选择至少一个单体； 选择T3和T6作为输入单体； 步骤三： 构建神经网络模型， 设计训练算法并训练优化建立神经网络模型， 得到  模组 温度在线估计模型， 将测量得到的数据输入， 模组温度在线估计模型中计算； 步骤三中所述的模组温度在线估计模型基于神经网络实现； 将步骤二中选择的输入单 体T3、 T6的温度与电流I作为模组温度在线估计模型的输入， 输出结果即为模组中其余单体 T1、 T2、 T4、 T5、 T7、 T8、 T9的温度估计值， 其精度与神经网络模型的结构以及训练样 本的数量 有关； 通过离线训练神经网络模型， 确定神经网络的结构， 获得温度在线估计模型； 搭建的 神经网络模型， 包括3个输入、 7个输出以及中间先后2层隐藏层， 隐藏层的神经元数量依次 是28和14； 步骤四： 输出模组中各 单体温度估计值。 2.如权利要求1所述的超级电容器模组温度分布的在线估计方法， 特征是， 步骤三中， 神经网络模型采用基于Levenberg ‑Marquardt的算法进行训练， 训练流 程如下： (1)初始化神经网络参数θ0， 最大迭代数K， 更新步长λ， 步长缩减系数β， 当前迭代数k＝ 0， 训练误差限ε， 早停初始值p＝0， 早停耐心系数P； (2)选择Sigmoid函数作为激活函数 计算神经网络前向传播 其中， 表示第m层第i个神经元的值， Km‑1表示第m‑1层 的神经元个数， 表示第m‑1层第j个输入神经元到第m层第i个神经元的权重， 为第m 层第i个神经元的偏置项； 选择损失函数为 其中， 为样本i的误差 平方， l为样本数； 计算当前损失l ossk， 如果lossk＜ ε， 或k＞＝K， 或p＞＝P， 则转到第(5)步； (3)按式θ ＝θ ‑λ[JT( θ )J( θ )+ μI]‑1JT( θ )e( θ )计算网络参数， 其中， μ为大于零的常数， I为 单位矩阵， J为Jacobian矩阵； 更新参数得到 并计算更新一步参数后的模型损失值 lossk+1； 如果lossk+1＜lossk， 则更新参数， 令 p＝0， k＝k+1， λ＝λ/β 并转到第(2) 步； 否则转到第(4)步；权　利　要　求　书 1/2 页 2 CN 112883638 B 2(4)令 λ＝ λ β， p＝p+1， 转到第(2)步； (5)输出T1、 T2、 T4、 T5、 T7、 T8、 T9单体估计的温度值。权　利　要　求　书 2/2 页 3 CN 112883638 B 3