一种纯电动汽车的整车热管理控制方法

本发明涉及汽车热管理系统控制，尤其涉及一种纯电动汽车的整车热管理控制方法。

背景技术：

1、作为最有发展前景的新能源汽车之一，纯电动汽车的相关研究是目前的一大热点。由于纯电动汽车对极端环境的适应力较差，尤其是针对动力电池安全性和乘员舱环境舒适性方面。所以，设计一套高效节能的整车热管理系统对保障纯电动汽车关键部件性能、乘员舱舒适性、电池安全性以及整车续航里程都具有重要意义。

2、对纯电动汽车热管理系统进行控制时，由于热管理系统是一个复杂的非线性时变大时滞系统，会导致控制求解的计算复杂度较为庞大，求解过程的时间成本也颇高。因此对热管理模型进行降阶处理，在保持模型精度的同时对计算复杂度进行简化，在热管理控制领域具有非常现实的价值。

3、目前，现有技术中的纯电动汽车热管理系统模型降阶方法主要分为两类：系统辨识法和模态分解法。系统辨识法的本质是利用输入和输出的实验数据，直接构建系统输入端和输出端之间的对应关系。模态分解法的核心是将高维度模型向低维度转化，并在低维度的空间坐标系上进行叠加，可以清晰反应出系统随时间及空间的动态变化特征。

4、上述现有技术中的纯电动汽车热管理系统模型降阶方法的缺点包括：对于一体化热管理系统的控制求解问题，难以反应系统输入端与输出端之间的高度非线性关系，也无法同时满足模型精度与控制实时性的要求。

5、该方法对纯电动汽车热管理系统进行控制时，由于热管理系统的复杂性、非线性以及时变性，导致的控制求解计算复杂度较庞大，求解时间成本颇高的情况。

技术实现思路

1、本发明的实施例提供了一种纯电动汽车的整车热管理控制方法，以实现有效地对纯电动车进行热控制管理。

2、为了实现上述目的，本发明采取了如下技术方案。

3、一种纯电动汽车的整车热管理控制方法，包括：

4、采用模块化策略将纯电动汽车一体化模型划分为乘员舱子模块、电池子模块、热泵子模块和电驱子模块；

5、分别建立所述乘员舱子模块、电池子模块、热泵子模块和电驱子模块的bp神经网络降阶模型，利用神经网络模型数据集对各个bp神经网络降阶模型进行训练，得到训练好的各个bp神经网络降阶模型；

6、采用集成学习算法对所述乘员舱子模块、电池子模块、热泵子模块和电驱子模块进行一体化融合，得到一体化热管理系统降阶模型，所述一体化热管理系统降阶模型对训练好的各个bp神经网络降阶模型输出的热管理控制数据进行融合，得到所述纯电动汽车的热管理控制策略。

7、优选地，所述的采用模块化策略将纯电动汽车一体化模型划分为乘员舱子模块、电池子模块、热泵子模块和电驱子模块，包括：

8、将纯电动汽车一体化模型划分为乘员舱子模块、电池子模块、热泵子模块和电驱子模块四个子模块，所述四个子模块为神经网络模型，所述四个子模块之间依靠电、热两种物理量进行通信计算，乘员舱子模块输出的乘员舱温度会作为热泵子模块的输入信号，电池子模块输出的电池温度作为热泵子模块的输入信号，电池子模块的输入数据为当前时刻电池荷电状态soc，输出数据为下一时刻电池soc。

9、优选地，所述的分别建立所述乘员舱子模块、电池子模块、热泵子模块和电驱子模块的bp神经网络降阶模型，利用神经网络模型数据集对各个bp神经网络降阶模型进行训练，得到训练好的各个bp神经网络降阶模型，包括：

10、分别建立所述乘员舱子模块、电池子模块、热泵子模块和电驱子模块的bp神经网络降阶模型，所述bp神经网络降阶模型为多层感知器结构，包括输入层、隐含层和输出层，隐含层中有多个神经元分布；

11、根据纯电动车的制冷和制热实际工况构建神经网络模型数据集，按照7：3的比例将所述神经网络模型数据集分为训练集和测试集，训练集用于bp神经网络降阶模型的训练，测试集用于bp神经网络降阶模型的验证和超参数调整，所述超参数包括学习率、隐含层层数和隐含层节点数；

12、利用adam优化器在迭代过程中自适应地不断调整学习率，确定bp神经网络降阶模型的学习率，分别采用不同隐含层节点数对各个子模块的bp神经网络降阶模型进行训练，通过预测输出的平均相对误差分析隐含层节点数对bp神经网络降阶模型的影响，确定最佳的隐含层层数和隐含层节点数；

13、将所述训练集中的训练数据输入到各个子模块的bp神经网络降阶模型的输入层，训练数据经过隐含层的非线性激活传递到输出层，将输出层的输出数据与期望输出进行比较，得到误差，若误差超出设定范围，通过反向传播机制将误差自输出层逐层回传，根据误差调整bp神经网络降阶模型各层之间的权值与阈值，不断迭代执行上述处理过程，直至预测误差达到精度要求或者训练次数达到预设值，得到训练好的各个bp神经网络降阶模型。

14、优选地，所述的采用集成学习算法对所述乘员舱子模块、电池子模块、热泵子模块和电驱子模块进行一体化融合，得到一体化热管理系统降阶模型，包括：

15、将所述乘员舱子模块、电池子模块、热泵子模块和电驱子模块作为集成学习架构中的弱学习器，采用提升法boosting算法对乘员舱子模块、电池子模块、热泵子模块和电驱子模块分别进行集成学习，设置各个训练样本的初始权重系数，用各个训练样本对四个子模块对应的弱学习器分别进行第一轮训练，根据弱学习器的预测误差表现来更新训练样本的权重系数，使预测误差率高的训练样本权重变高，用调整了权重系数的训练样本对四个子模块对应的弱学习器分别进行第二轮训练，反复迭代上述处理过程，直至达到规定的循环次数时停止，得到经过boosting算法优化的乘员舱子模块、电池子模块、热泵子模块和电驱子模块；

16、通过装袋法stacking算法与k折交叉验证方法结合将经过boosting算法优化的乘员舱子模块、电池子模块、热泵子模块和电驱子模块对应的弱学习器进行融合，得到一体化热管理系统降阶模型，所述一体化热管理系统降阶模型采用均值法策略将各个弱学习器的预测输出求和后取平均作为自己的最终预测结果。

17、优选地，所述一体化热管理系统降阶模型对训练好的各个bp神经网络降阶模型输出的热管理控制数据进行融合，得到所述纯电动汽车的热管理控制策略，包括：

18、利用遗传算法对训练好的bp神经网络降阶模型的各层连接权值和阈值进行优化，在遗传算法优化过程中，先对bp神经网络降阶模型的权值阈值进行编码，生成初始种群，然后计算种群中个体的适应度，该适应度为bp神经网络降阶模型的预测输出误差，用适应度来衡量个体的好坏，选择适应度高的个体留下，淘汰适应度低的个体，将选择的个体进行两两交叉配对，交换染色体中的某些基因遗传给下一代，并且会对下一代进行变异操作，使下一代产生新的优良个体，增加种群多样性，不断循环迭代执行上述处理过程，直至达到求解时间或进化到满足误差要求或进化到无法使解更优，退出循环，优化结束，得到优化后的bp神经网络降阶模型；

19、将四个子模块的优化后的bp神经网络降阶模型输出的热管理控制数据作为一体化热管理系统降阶模型的输入，一体化热管理系统降阶模型将各子模型的bp神经网络降阶模型输出的热管理控制数据进行融合处理，得到纯电动汽车整车的热管理控制策略。

20、由上述本发明的实施例提供的技术方案可以看出，本发明搭建的整车一体化神经网络降阶模型可以确保模型精度的同时提高计算速度，从而实现快速求解、在线估计，为纯电动车的智能控制策略的研究提供基础。

21、本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。