掌桥专利:专业的专利平台
掌桥专利
首页

一种基于神经网络优化的电动汽车热泵控制方法

文献发布时间:2023-06-19 16:04:54



技术领域

本发明属于纯电动汽车热管理技术领域,特别涉及一种基于神经网络优化的电动汽车热泵控制方法。

背景技术

集成式热泵系统热管理属于新一代电动汽车核心技术,关乎到安全性、续航里程、热舒适性、充电时长等多维度整车性能评价指标。通过集成式热泵建立电池、电机、乘员舱与外界环境之间的热量传递纽带,使四大电动汽车热管理板块形成统一整体。与内燃机汽车和混合动力汽车不同,纯电动汽车缺乏发动机余热利用,其冬季采暖需要以热泵和PTC的能耗作为代价,牺牲续航里程。由于电机、逆变器、电池工作温度限制,又要求热泵能够在高温环境同时给乘员舱和“三电”元件制冷。所以电动汽车热泵系统具有部件集成化高、温度适应性广、模式切换种类多、影响续航里程等特点。

对于电动汽车热泵系统,目前主要存在三种控制方式:1)基于部件状态反馈的PID控制方案;2)基于门限值控制方案或者模糊控制方案;3)结合二者优势的模糊+PID热泵控制方案。PID控制方法具有控制器设计简单、高鲁棒性、动态响应快等优势在工程中被广泛应用,但其局限性也较为明显,比如难以解决高非线性和非最小相位系统控制问题,以及MIMO系统的多被控变量干涉问题。为实现压缩机、膨胀阀和水泵等多输入的协同优化,基于行为准则的模糊控制算法得以应用,在解决复杂热泵系统控制问题中具有良好表现。但模糊控制策略通常受设计者主观意愿影响,不同系统的控制策略开发缺乏可移植性,缺少反馈调节,难以消除由于部件磨损老化引起的累积状态判定误差,导致系统长时使用后的控制失稳。模糊+PID控制架构继承了上述两种控制方案的优势,在保证系统稳定性和动态响应速度的同时弱化多参被控变量干涉,引入反馈调节后具有累积误差修正能力。但是模糊行为准则对系统优化目标函数的定义不够清晰,针对如执行器能耗等极值约束缺乏全局择优能力,在实现系统经济性和温控稳定性的协同兼顾中存在技术瓶颈。

发明内容

为了克服上述问题,本发明针对纯电动汽车热泵系统架构,提出一种基于神经网络优化的电动汽车热泵控制方法,在满足各模式温度控制需求的同时优化系统能耗。

本发明提供的技术方案为:

一种基于神经网络优化的电动汽车热泵控制方法,具体步骤如下:

步骤一,设计包含输入层、隐含层、输出层的8节点三层神经网络架构,并根据系统试验或仿真数据分别训练制冷模式、采暖模式、热泵能耗三个神经网络,反向递归计算各神经网络的权值矩阵W

所述热泵制冷模式神经网络,以压缩机转速N

所述热泵采暖模式神经网络,以压缩机转速N

所述热泵能耗神经网络,以压缩机转速N

步骤二、在调节范围内取随机值定义系统控制输入值初始值U

步骤三、根据乘员舱温度需求T

F

定义采暖工况优化目标函数F

F

步骤四、对制冷工况和采暖工况进行目标函数全局寻优,记录每次控制输入初始值U

引入能耗约束条件,记录局部最优值的极小值为全局最优值F

步骤五、由PSO求解器滚动迭代系统优化目标函数的全局最优值,以收敛残差ε≤许用值作为计算收敛判定依据:

ε=|F

若不满足判定依据,按照粒子群优化算法更新控制输入试算值U

步骤六、将全局优化控制输入U

所述步骤一所述的控制输入U包含压缩机转速N

所述步骤一所述的工况状态X

所述热泵制冷模式神经网络的训练过程如下:

步骤一、将不同制冷工况下的多组系统输入和系统输出数据作为神经网络的数据样本;其中系统输入数据包括压缩机转速N

步骤二、对训练样本数据按照下式进行归一化处理;

输出数据:

输入数据:

其中:y

步骤三、采用MATLAB软件中的newff函数对样本数据进行训练;将归一化后的训练样本数据作为newff函数输入,训练过程中声明网络参数以及训练参数包括:隐含层层数、输入层节点数、隐含层节点数、输出层节点数、S函数类型,最大迭代次数、学习率、目标残差、是否去分割化;数据初始化后执行神经网络训练程序,训练结果输出神经网络结构体矩阵,即制冷模式神经网络的权值矩阵W

步骤四、校验神经网络拟合精度;对步骤一中神经网络精度校验样本输入数据按照步骤二进行归一化处理得到计算样本输入数据,按照神经网络架构通过权值矩阵和阈值矩阵计算校验样本的输出数据,并对输出数据进行反归一化处理得到所需的计算样本输出数据,公式如下:

计算样本输出数据:

将计算样本数据和校验样本数据进行比对,以回归判定系数R

校验数据平均值:

校验数据总平方和:

校验数据残差平方和:

回归判定系数:

式中,

所述步骤一中选取的数据样本应尽量覆盖系统工况运行区间且分布均匀,推荐样本数50~200组,并对各组样本数据进行随机编号处理去相关性。

所述热泵采暖模式神经网络的训练过程与热泵制冷模式神经网络一致,其差别在于步骤一中的训练样本数据为采暖工况下的多组系统输入和系统输出数据,系统输入包括压缩机转速N

所述热泵能耗神经网络的训练过程与热泵制冷模式神经网络一致,区别在于热泵制冷工况和采暖工况需要分别进行神经网络训练,其训练样本也分别采用制冷模式和采暖模式的训练样本数据;其中制冷工况热泵能耗训练样本数据的系统输入包括转速N

本发明的有益效果:

本发明可同时兼顾热泵制冷性能、采暖性能以及系统能耗。在传统反馈控制基础上,综合考虑系统多模式状态下的多目标约束,量化表征执行器控制原则,避免各部件独立PID控制的干涉行为。通过各模式系统优化目标函数计算与PSO求解器收敛判定,实现多参全局寻优,克服门限值控制策略和模糊控制策略存在的局部择优问题,更适用于解决复杂的电动汽车集成热泵系统多模式控制问题。

附图说明

为了更清楚地说明本发明实施例中的技术方案,下面将对本发明实施例描述中所要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据本发明实施例的内容和这些附图获得其他的附图。

图1为本发明应用的电动汽车热泵系统架构原理图;

图2为本发明应用的热泵系统乘员舱与电池制冷模式原理图;

图3为本发明应用的热泵系统乘员舱采暖模式原理图;

图4为本发明应用的制冷模式训练神经网络架构;

图5为本发明应用的采暖模式训练神经网络架构;

图6为本发明应用的系统能耗训练神经网络架构;

图7为本发明应用的热泵系统神经网络优化控制架构原理图。

其中:电动压缩机1、室内冷凝器2、制热节流管3、室外冷凝器4、电子膨胀阀5、蒸发器6、气液分离器7、H膨胀阀8、Chiller9、电池模组10、电动水泵11、鼓风机12、风门挡板13、空调三箱14、风暖PTC15、两通阀一16、两通阀二17、两通阀三18、传感器一19、传感器二20、传感器三21、传感器四22。

具体实施方式

下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施仅用于解释本发明,而非对本发明的限定。此外另需说明,为便于描述,附图中仅示出了与本发明相关的部分而非全部结构。

在本发明的描述中,除非另有明确的规定和限定,术语“相连”、“连接”、“固定”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或成一体;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通或两个元件的相互作用关系。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。

在本发明中,除非另有明确的规定和限定,第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触,也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且,第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方,或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方,或仅仅表示第一特征水平高度小于第二特征。

在本实施例的描述中,术语“上”、“下”、“左”、“右”等方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述和简化操作,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一”、“第二”仅仅用于在描述上加以区分,并没有特殊的含义。

实施例1

如图7所示,一种基于神经网络优化的电动汽车热泵控制方法,具体步骤如下:

步骤一,设计包含输入层、隐含层、输出层的8节点三层神经网络架构,并根据系统试验或仿真数据分别训练制冷模式、采暖模式、热泵能耗三个神经网络,反向递归计算各神经网络的权值矩阵W

所述热泵制冷模式神经网络,以压缩机转速N

所述热泵采暖模式神经网络,以压缩机转速N

所述热泵能耗神经网络,以压缩机转速N

步骤二、在调节范围内取随机值定义系统控制输入值初始值U

步骤三、根据乘员舱温度需求T

F

定义采暖工况优化目标函数F

F

步骤四、对制冷工况和采暖工况进行目标函数全局寻优,记录每次控制输入初始值U

引入能耗约束条件,记录局部最优值的极小值为全局最优值F

步骤五、由PSO(粒子群优化算法)求解器滚动迭代系统优化目标函数的全局最优值,以收敛残差ε≤许用值作为计算收敛判定依据:

ε=|F

若不满足判定依据,按照粒子群优化算法更新控制输入试算值U

步骤六、将全局优化控制输入U

所述热泵制冷模式神经网络的训练过程如下:

步骤一、将不同制冷工况下的多组系统输入和系统输出数据作为神经网络的数据样本;其中系统输入数据包括压缩机转速N

步骤二、对训练样本数据按照下式进行归一化处理;

输出数据:

输入数据:

其中:y

步骤三、采用MATLAB软件中的newff函数对样本数据进行训练;将归一化后的训练样本数据作为newff函数输入,训练过程中声明网络参数以及训练参数包括:隐含层层数、输入层节点数、隐含层节点数、输出层节点数、S函数类型,最大迭代次数、学习率、目标残差、是否去分割化;数据初始化后执行神经网络训练程序,训练结果输出神经网络结构体矩阵,即制冷模式神经网络的权值矩阵W

步骤四、校验神经网络拟合精度;对步骤一中神经网络精度校验样本输入数据按照步骤二进行归一化处理得到计算样本输入数据,按照神经网络架构通过权值矩阵和阈值矩阵计算校验样本的输出数据,并对输出数据进行反归一化处理得到所需的计算样本输出数据,公式如下:

计算样本输出数据:

将计算样本数据和校验样本数据进行比对,以回归判定系数R

校验数据平均值:

校验数据总平方和:

校验数据残差平方和:

回归判定系数:

式中,

所述步骤一中选取的数据样本应尽量覆盖系统工况运行区间且分布均匀,推荐样本数50~200组,并对各组样本数据进行随机编号处理去相关性。

所述热泵采暖模式神经网络的训练过程与热泵制冷模式神经网络一致,其差别在于步骤一中的训练样本数据为采暖工况下的多组系统输入和系统输出数据,系统输入包括压缩机转速N

所述热泵能耗神经网络的训练过程与热泵制冷模式神经网络一致,区别在于热泵制冷工况和采暖工况需要分别进行神经网络训练,其训练样本也分别采用制冷模式和采暖模式的训练样本数据;其中制冷工况热泵能耗训练样本数据的系统输入包括转速N

实施例2

电动汽车热泵系统负责在夏季提供冷量以满足乘员舱和动力电池的制冷需求;由于缺乏发动机余热利用,热泵系统在冬季还要满足乘员舱采暖需求;而压缩机、PTC、水泵等部件的能量来源均出自电池,所以系统COP对整车续航里程也具有重要影响。如图1所示,为本发明提出控制方法所应用的电动车热泵系统架构。具体包括:电动压缩机1、室内冷凝器2、制热节流管3、室外冷凝器4、电子膨胀阀5、蒸发器6、气液分离器7、H膨胀阀8、Chiller(中间换热器)9、电池模组10、电动水泵11、鼓风机12、风门挡板13、空调三箱14、风暖PTC15、两通阀一16、两通阀二17、两通阀三18、传感器一19、传感器二20、传感器三21、传感器四22。

如图1所示,电动压缩机1一端与室内冷凝器2连接,室内冷凝器2另一端与制热节流管3连接,制热节流管3另一端与室外冷凝器4连接,且在室内冷凝器2和室外冷凝器4之间设有两通阀一16,室外冷凝器4另一端通过两通阀三18与气液分离器7连接,气液分离器7另一端与电动压缩机1连接,且气液分离器7和两通阀三18之间设有两通阀二17,两通阀二17另一端与H膨胀阀8连接,蒸发器6的一端连接在两通阀二17和H膨胀阀8之间,蒸发器6的另一端通过电子膨胀阀5连接在室外冷凝器4和两通阀三18之间,且H膨胀阀8也连接在室外冷凝器4和两通阀三18之间,H膨胀阀8还与Chiller(中间换热器)9一端连接,Chiller(中间换热器)9另一端与电池模组10一端连接,Chiller(中间换热器)9该端同时通过电动水泵11与电池模组10另一端连接;

所述在室内冷凝器2和制热节流管3之间设有传感器一19,室外冷凝器4与电子膨胀阀5之间设有传感器二20,蒸发器6与两通阀二17和H膨胀阀8之间设有传感器三21,H膨胀阀8和Chiller(中间换热器)9之间设有传感器四22。

该系统可实现制冷与采暖两种主要工作模式。

制冷模式下,热泵系统为乘员舱和电池模组提供冷量,此时两通阀一16、两通阀二17开启,两通阀三18关闭,制热节流管3被短接,风门挡板13处于关闭位置,室内冷凝器2此时作为流通件不参与换热,蒸发器6回路与Chiller(中间换热器)9回路并联经气液分离器7后返回电动压缩机1,如图2所示。

采暖模式下,热泵系统仅为乘员舱供暖,此时两通阀一16、两通阀二17关闭,两通阀三18开启,风门挡板13处于打开位置,由室内冷凝器2为乘员舱供暖,经制热节流管3和冷凝器4吸热后返回电动压缩机1,如图3所示。

采暖模式根据环境温度又划分为热泵独立模式与热泵PTC混合模式,以环境温度-10℃作为PTC辅助加热判断依据,-10℃以下热泵系统最大采暖能力受限,引入PTC与热泵共同为乘员舱供热。在架构中电动压缩机1、电子膨胀阀5、电动水泵11和风暖PTC 15为执行部件,相应系统控制变量分别为压缩机转速N

如图4~7所示,为本发明提出的基于神经网络优化的穿电动汽车热泵控制方法,具体包括如下步骤:

步骤一、通过系统试验或仿真数据分别训练制冷模式、采暖模式、热泵能耗三个神经网络,如图4~6所示。

本发明采用三层架构神经网络,制冷模式神经网络架构以系统控制输入U(N

采暖模式神经网络的输入层为U(N

热泵能耗神经网络的输入层为N

根据数据样本训练结果反向递归计算神经网络权值矩阵W

步骤二,以可控区间内随机值定义系统控制输入值初始值U

步骤三,将计算系统状态输入给优化目标函数模块,并根据乘员舱温度需求T

定义制冷工况优化目标函数形式如下,表示所有控制输入初始值对应系统预估状态可同时满足乘员舱制冷需求和电池冷却需求的系统能耗集合:

F

定义采暖工况的优化目标函数形式如下,表示所有控制输入初始值对应系统预估状态满足乘员舱采暖需求的系统能耗集合:

F

步骤四,由PSO(粒子群优化算法)求解器计算制冷模式或采暖模式优化目标函数极值。记录当前输入对应的优化目标函数值为局部最优值F

步骤四、对制冷工况和采暖工况进行目标函数全局寻优,记录当前输入对应的优化目标函数值为局部最优值F

定义制冷工况局部最优值为:

F

定义采暖工况局部最优值为:

F

引入系统能耗最低约束条件,记录每次历史局部最优值的极小值为当前全局最优值F

F

步骤五、由PSO(粒子群优化算法)求解器滚动迭代系统优化目标函数全局最优值,定义全局最优值与局部最优值的差为收敛残差ε,并以ε作为迭代更新计算的收敛判据:

ε=|F

若不满足ε≤许用值,以当前最优值为速度运动方向,添加随机进化项,更新下一代控制输入试算值U

步骤六、将全局优化控制输入U

本发明提出的一种基于神经网络优化的纯电动汽车热泵控制方法,可实现整车热泵系统制冷性能、采暖性能以及系统能耗的协同控制。相比传统反馈控制,本发明提供方法综合考虑了热泵系统多模式状态和多温控目标,量化执行器控制原则,改善PID控制器的MIMO系统多参干涉问题适应性。通过制冷工况和采暖工况的系统优化目标函数建立与PSO求解器收敛判定,实现系统控制输入的全局寻优,克服了门限值控制策略和模糊控制策略由于目标定义不明确而陷入的局部择优问题,从而提高热泵系统复杂控制策略的热管控能力。

上述说明书与实施方式为对本发明控制方法的举例说明与设计思路解释,但并不仅限于说明书与实施方式中所述细节内容,本专利同样适用于解决整车复杂热管理系统的多参协同控制与性能寻优问题。若本领域技术人员对本发明所论述控制方法进行变型修改与应用调整,在不脱离权利要求及同等技术范围限定内,相应由本发明衍生的变型与调整方案均属于本发明范畴内。

另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。

此外,本发明的各种不同的实施方式之间也可以进行任意组合,只要其不违背本发明的思想,其同样应当视为本发明所公开的内容。

相关技术
  • 一种基于神经网络优化的电动汽车热泵控制方法
  • 一种基于Scara机械臂的神经网络优化控制方法
技术分类

06120114698164