本發(fā)明專利技術(shù)公開了一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法、系統(tǒng)、設(shè)備及介質(zhì)，包括：收集歷史工況數(shù)據(jù)和溫度軌跡，利用RBF和LSTM網(wǎng)絡(luò)構(gòu)建初始工況預(yù)測(cè)模型，通過(guò)貝葉斯優(yōu)化訓(xùn)練優(yōu)化，得到訓(xùn)練后的模型；然后，使用遷移學(xué)習(xí)進(jìn)行實(shí)時(shí)迭代預(yù)測(cè)和優(yōu)化，獲得優(yōu)化后的工況預(yù)測(cè)模型，基于此模型，執(zhí)行實(shí)時(shí)工況預(yù)測(cè)，得到預(yù)測(cè)數(shù)據(jù)；構(gòu)建NARX能耗預(yù)測(cè)模型，并用預(yù)測(cè)數(shù)據(jù)和溫控目標(biāo)訓(xùn)練，實(shí)現(xiàn)實(shí)時(shí)能耗預(yù)測(cè)，最后，以能耗和溫度偏移的加權(quán)值最小化為目標(biāo)，構(gòu)建適應(yīng)度函數(shù)，并通過(guò)遺傳算法在種群中尋優(yōu)，得到最優(yōu)全局溫度軌跡。本發(fā)明專利技術(shù)所述技術(shù)方案能夠利用短途行駛數(shù)據(jù)結(jié)合歷史工況數(shù)據(jù)來(lái)實(shí)時(shí)預(yù)測(cè)全局工況和優(yōu)化全局熱管理溫度軌跡。
【技術(shù)實(shí)現(xiàn)步驟摘要】
本專利技術(shù)屬于電動(dòng)汽車熱管理，特別是涉及一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法、系統(tǒng)、設(shè)備及介質(zhì)。
技術(shù)介紹
1、電動(dòng)汽車電池的溫度優(yōu)化是提高電池性能和延長(zhǎng)電池壽命的關(guān)鍵。電池在充電放電過(guò)程中會(huì)產(chǎn)生熱能，從而帶來(lái)電池的能耗損失，并且對(duì)電池的性能有所影響。因此，研究電池的機(jī)理和特性，探究電池的剩余電量、溫度因素與能耗之間的關(guān)系，建立續(xù)駛能耗模型，對(duì)于優(yōu)化電動(dòng)汽車的電池溫度至關(guān)重要；而目前的全局優(yōu)化方法主要存在兩個(gè)弊端，一是只能用于離線且已知全局工況的情況下進(jìn)行全局優(yōu)化，無(wú)法在線實(shí)時(shí)應(yīng)用。另一個(gè)是現(xiàn)在普遍使用的動(dòng)態(tài)規(guī)劃算法(dp)在實(shí)際應(yīng)用中發(fā)現(xiàn)，由于其針對(duì)每一時(shí)刻所有可能決策量進(jìn)行求解，無(wú)法對(duì)全局量進(jìn)行約束和優(yōu)化，會(huì)導(dǎo)致優(yōu)化結(jié)果部分偏離實(shí)際值，存在一定的局限性。
技術(shù)實(shí)現(xiàn)思路
1、本專利技術(shù)的目的是提供一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法、系統(tǒng)、設(shè)備及介質(zhì)，以解決上述現(xiàn)有技術(shù)存在的問(wèn)題。
2、為實(shí)現(xiàn)上述目的，本專利技術(shù)提供了一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，包括：
3、獲取電動(dòng)汽車的歷史工況數(shù)據(jù)和全局溫度軌跡；
4、結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建初始工況預(yù)測(cè)模型，基于所述歷史工況數(shù)據(jù)結(jié)合貝葉斯優(yōu)化算法對(duì)所述初始工況預(yù)測(cè)模型進(jìn)行訓(xùn)練優(yōu)化，得到訓(xùn)練后的工況預(yù)測(cè)模型；基于遷移學(xué)習(xí)算法對(duì)訓(xùn)練后的工況預(yù)測(cè)模型進(jìn)行實(shí)時(shí)迭代預(yù)測(cè)和優(yōu)化，得到優(yōu)化后的工況預(yù)測(cè)模型；
5、基于優(yōu)化后的工況預(yù)測(cè)模型執(zhí)行實(shí)時(shí)工況預(yù)測(cè)，得到工況預(yù)測(cè)數(shù)據(jù)；
<
p>6、基于非線性自回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建初始熱管理系統(tǒng)能耗預(yù)測(cè)模型；7、基于所述工況預(yù)測(cè)數(shù)據(jù)和預(yù)設(shè)溫控目標(biāo)對(duì)所述初始熱管理系統(tǒng)能耗預(yù)測(cè)模型進(jìn)行訓(xùn)練，基于訓(xùn)練后的熱管理系統(tǒng)能耗預(yù)測(cè)模型是執(zhí)行熱管理系統(tǒng)的實(shí)時(shí)能耗預(yù)測(cè)，得到熱管理系統(tǒng)能耗預(yù)測(cè)數(shù)據(jù)；
8、以熱管理系統(tǒng)能耗預(yù)測(cè)數(shù)據(jù)和平局溫度偏移值的加權(quán)值最小為目標(biāo)構(gòu)建適應(yīng)度函數(shù)；以全局溫度軌跡為個(gè)體構(gòu)建種群，基于各所述個(gè)體對(duì)應(yīng)的適應(yīng)度值結(jié)合遺傳優(yōu)化算法在所述種群內(nèi)進(jìn)行迭代尋優(yōu)，迭代完成后輸出最優(yōu)全局溫度軌跡。
9、可選的，在結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建初始工況預(yù)測(cè)模型之前，還包括：
10、對(duì)所述歷史工況數(shù)據(jù)進(jìn)行聚類分析，并將聚類分析結(jié)果作為模型結(jié)構(gòu)參數(shù)；
11、基于所述模型結(jié)構(gòu)參數(shù)，結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建初始工況預(yù)測(cè)模型。
12、可選的，所述基于所述歷史工況數(shù)據(jù)結(jié)合貝葉斯優(yōu)化算法對(duì)所述初始工況預(yù)測(cè)模型進(jìn)行訓(xùn)練優(yōu)化，具體包括：
13、以初始工況預(yù)測(cè)模型在超參數(shù)下的驗(yàn)證損失最小為目標(biāo)函數(shù)；
14、基于貝葉斯優(yōu)化算法和所述目標(biāo)函數(shù)對(duì)所述初始工況預(yù)測(cè)模型進(jìn)行超參數(shù)尋優(yōu)，得到最佳超參數(shù)，基于所述歷史工況數(shù)據(jù)對(duì)所述最佳超參數(shù)對(duì)應(yīng)的工況預(yù)測(cè)模型進(jìn)行訓(xùn)練，得到訓(xùn)練后的工況預(yù)測(cè)模型。
15、可選的，所述基于遷移學(xué)習(xí)算法對(duì)訓(xùn)練后的工況預(yù)測(cè)模型進(jìn)行實(shí)時(shí)迭代預(yù)測(cè)和優(yōu)化，具體包括：
16、基于預(yù)設(shè)凍結(jié)層數(shù)對(duì)訓(xùn)練后的工況預(yù)測(cè)模型進(jìn)行模型凍結(jié)，并在模型凍結(jié)完成后的工況預(yù)測(cè)模型中添加新輸出層，基于實(shí)時(shí)工況數(shù)據(jù)對(duì)添加新輸出層后的工況預(yù)測(cè)模型進(jìn)行訓(xùn)練迭代，迭代完成后得到優(yōu)化后的工況預(yù)測(cè)模型。
17、可選的，所述基于各所述個(gè)體對(duì)應(yīng)的適應(yīng)度值結(jié)合遺傳優(yōu)化算法在所述種群內(nèi)進(jìn)行迭代尋優(yōu)，具體包括：
18、基于遺傳優(yōu)化算法對(duì)各所述個(gè)體進(jìn)行迭代更新，在每次迭代更新過(guò)程中，計(jì)算各所述個(gè)體對(duì)應(yīng)的適應(yīng)度值，基于各所述個(gè)體對(duì)應(yīng)的適應(yīng)度值對(duì)種群進(jìn)行迭代更新，直至迭代次數(shù)達(dá)到預(yù)設(shè)值后輸出最優(yōu)個(gè)體，得到最優(yōu)全局溫度軌跡。
19、一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化系統(tǒng)，包括：
20、數(shù)據(jù)采集模塊，用于獲取電動(dòng)汽車的歷史工況數(shù)據(jù)和全局溫度軌跡；
21、工況預(yù)測(cè)模塊，用于結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建初始工況預(yù)測(cè)模型，基于所述歷史工況數(shù)據(jù)結(jié)合貝葉斯優(yōu)化算法對(duì)所述初始工況預(yù)測(cè)模型進(jìn)行訓(xùn)練優(yōu)化，得到訓(xùn)練后的工況預(yù)測(cè)模型；基于遷移學(xué)習(xí)算法對(duì)訓(xùn)練后的工況預(yù)測(cè)模型進(jìn)行實(shí)時(shí)迭代預(yù)測(cè)和優(yōu)化，得到優(yōu)化后的工況預(yù)測(cè)模型；基于優(yōu)化后的工況預(yù)測(cè)模型執(zhí)行實(shí)時(shí)工況預(yù)測(cè)，得到工況預(yù)測(cè)數(shù)據(jù)；
22、熱管理系統(tǒng)能耗預(yù)測(cè)模塊，用于根據(jù)非線性自回歸神經(jīng)網(wǎng)絡(luò)構(gòu)建初始熱管理系統(tǒng)能耗預(yù)測(cè)模型；基于所述工況預(yù)測(cè)數(shù)據(jù)和預(yù)設(shè)溫控目標(biāo)對(duì)所述初始熱管理系統(tǒng)能耗預(yù)測(cè)模型進(jìn)行訓(xùn)練，基于訓(xùn)練后的熱管理系統(tǒng)能耗預(yù)測(cè)模型是執(zhí)行熱管理系統(tǒng)的實(shí)時(shí)能耗預(yù)測(cè)，得到熱管理系統(tǒng)能耗預(yù)測(cè)數(shù)據(jù)；
23、全局優(yōu)化模塊，用于以熱管理系統(tǒng)能耗預(yù)測(cè)數(shù)據(jù)和平局溫度偏移值的加權(quán)值最小為目標(biāo)構(gòu)建適應(yīng)度函數(shù)；以全局溫度軌跡為個(gè)體構(gòu)建種群，基于各所述個(gè)體對(duì)應(yīng)的適應(yīng)度值結(jié)合遺傳優(yōu)化算法在所述種群內(nèi)進(jìn)行迭代尋優(yōu)，迭代完成后輸出最優(yōu)全局溫度軌跡。
24、一種電子設(shè)備，包括存儲(chǔ)器及處理器，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，所述處理器運(yùn)行所述計(jì)算機(jī)程序以使所述電子設(shè)備執(zhí)行所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法。
25、一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法。
26、本專利技術(shù)的技術(shù)效果為：
27、本專利技術(shù)提供了一種有效的全局工況預(yù)測(cè)及電池溫度軌跡全局優(yōu)化方法，通過(guò)結(jié)合聚類分析、rbf和lstm神經(jīng)網(wǎng)絡(luò)、遷移學(xué)習(xí)技術(shù)，實(shí)現(xiàn)了高精度、高實(shí)時(shí)性和強(qiáng)適應(yīng)性的工況預(yù)測(cè)。通過(guò)narx神經(jīng)網(wǎng)絡(luò)建立了熱管理系統(tǒng)能耗模型，利用遺傳算法實(shí)現(xiàn)了對(duì)預(yù)測(cè)的全局工況的全局優(yōu)化。本專利技術(shù)能夠利用短途行駛數(shù)據(jù)結(jié)合歷史工況數(shù)據(jù)來(lái)預(yù)測(cè)全局工況和優(yōu)化全局熱管理溫度軌跡。
本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，在結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建初始工況預(yù)測(cè)模型之前，還包括：
3.根據(jù)權(quán)利要求1所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，所述基于所述歷史工況數(shù)據(jù)結(jié)合貝葉斯優(yōu)化算法對(duì)所述初始工況預(yù)測(cè)模型進(jìn)行訓(xùn)練優(yōu)化，具體包括：
4.根據(jù)權(quán)利要求1所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，所述基于遷移學(xué)習(xí)算法對(duì)訓(xùn)練后的工況預(yù)測(cè)模型進(jìn)行實(shí)時(shí)迭代預(yù)測(cè)和優(yōu)化，具體包括：
5.根據(jù)權(quán)利要求1所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，所述基于各所述個(gè)體對(duì)應(yīng)的適應(yīng)度值結(jié)合遺傳優(yōu)化算法在所述種群內(nèi)進(jìn)行迭代尋優(yōu)，具體包括：
6.一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化系統(tǒng)，其特征在于，包括：
7.一種電子設(shè)備，其特征在于，包括存儲(chǔ)器及處理器，所述存儲(chǔ)器用于存儲(chǔ)計(jì)算機(jī)程序，所述處理器運(yùn)行所述計(jì)算機(jī)程序以使所述電子設(shè)備執(zhí)行根據(jù)權(quán)利要求1-5中任一項(xiàng)所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法。
8.一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，其存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如權(quán)利要求1-5中任一項(xiàng)所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法。
...
【技術(shù)特征摘要】
1.一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，包括：
2.根據(jù)權(quán)利要求1所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，在結(jié)合徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)和長(zhǎng)短期記憶網(wǎng)絡(luò)構(gòu)建初始工況預(yù)測(cè)模型之前，還包括：
3.根據(jù)權(quán)利要求1所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，所述基于所述歷史工況數(shù)據(jù)結(jié)合貝葉斯優(yōu)化算法對(duì)所述初始工況預(yù)測(cè)模型進(jìn)行訓(xùn)練優(yōu)化，具體包括：
4.根據(jù)權(quán)利要求1所述的一種電動(dòng)汽車電池溫度全局軌跡優(yōu)化方法，其特征在于，所述基于遷移學(xué)習(xí)算法對(duì)訓(xùn)練后的工況預(yù)測(cè)模型進(jìn)行實(shí)時(shí)迭代預(yù)測(cè)和優(yōu)化，具體包括：
5.根據(jù)權(quán)利要求1所述...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：閔海濤，張家禎，
申請(qǐng)(專利權(quán))人：吉林大學(xué)，
類型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。