CN113378463A - 基于深度学习的电传动推土机电池热管理控制方法及系统 - Google Patents
基于深度学习的电传动推土机电池热管理控制方法及系统 Download PDFInfo
- Publication number
- CN113378463A CN113378463A CN202110643527.6A CN202110643527A CN113378463A CN 113378463 A CN113378463 A CN 113378463A CN 202110643527 A CN202110643527 A CN 202110643527A CN 113378463 A CN113378463 A CN 113378463A
- Authority
- CN
- China
- Prior art keywords
- battery
- thermal management
- micro
- management control
- rotating speed
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000005540 biological transmission Effects 0.000 title claims abstract description 37
- 238000013135 deep learning Methods 0.000 title claims abstract description 30
- 238000011217 control strategy Methods 0.000 claims abstract description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 13
- 238000012706 support-vector machine Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 230000002068 genetic effect Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 230000017525 heat dissipation Effects 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004134 energy conservation Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000000349 chromosome Anatomy 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 150000002500 ions Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/4155—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by programme execution, i.e. part programme or machine function execution, e.g. selection of a programme
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/20—Drives; Control devices
- E02F9/2058—Electric or electro-mechanical or mechanical control devices of vehicle sub-units
- E02F9/2091—Control of energy storage means for electrical energy, e.g. battery or capacitors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F3/00—Dredgers; Soil-shifting machines
- E02F3/04—Dredgers; Soil-shifting machines mechanically-driven
- E02F3/76—Graders, bulldozers, or the like with scraper plates or ploughshare-like elements; Levelling scarifying devices
- E02F3/80—Component parts
- E02F3/84—Drives or control devices therefor, e.g. hydraulic drive systems
-
- E—FIXED CONSTRUCTIONS
- E02—HYDRAULIC ENGINEERING; FOUNDATIONS; SOIL SHIFTING
- E02F—DREDGING; SOIL-SHIFTING
- E02F9/00—Component parts of dredgers or soil-shifting machines, not restricted to one of the kinds covered by groups E02F3/00 - E02F7/00
- E02F9/20—Drives; Control devices
- E02F9/2058—Electric or electro-mechanical or mechanical control devices of vehicle sub-units
- E02F9/2062—Control of propulsion units
- E02F9/207—Control of propulsion units of the type electric propulsion units, e.g. electric motors or generators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
- G06F18/295—Markov models or related models, e.g. semi-Markov models; Markov random fields; Networks embedding Markov models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50333—Temperature
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/60—Other road transportation technologies with climate change mitigation effect
- Y02T10/70—Energy storage systems for electromobility, e.g. batteries
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Mining & Mineral Resources (AREA)
- Civil Engineering (AREA)
- Structural Engineering (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Human Computer Interaction (AREA)
- Automation & Control Theory (AREA)
- Manufacturing & Machinery (AREA)
- Physiology (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Power Engineering (AREA)
- Mechanical Engineering (AREA)
- Genetics & Genomics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Control Of Positive-Displacement Pumps (AREA)
- Operation Control Of Excavators (AREA)
Abstract
本发明属于电池热管理控制领域，提供了一种基于深度学习的电传动推土机电池热管理控制方法及系统。其中，该方法包括获取当前载荷谱的微载荷片段，利用马尔可夫链模型对下一个微载荷片段进行预测；基于当前微载荷片段和预测微载荷片段的权重，计算加权工况下的电机转速、电机转矩和电池荷电状态；将实时电池出水温度、乘员舱温度、乘员舱目标温度和环境温度以及加权工况下的电机转速、电机转矩和电池荷电状态作为电动压缩机转速预测模型的输入量，预测出电动压缩机转速，以得到电传动推土机电池的热管理控制策略。
Description
技术领域
本发明属于电池热管理控制领域，尤其涉及一种基于深度学习的电传动推土机电池热管理控制方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
推土机因其复杂多变的施工现场，如果处于垃圾场、大型温室等环境中作业产生的尾气难以快速排出，给人们的生存环境带来威胁，电传动推土机具有零排放的优势，应用越来越广泛。对电传动推土机而言，动力电池的正常工作是保证其安全运行的基础，也是电传动推土机动力系统的核心所在，而一套完善且高效的电池热管理系统是保证动力电池工作在适合温度范围的关键。首先，在电池技术一直得不到突破性进展的技术背景下，如何最大限度地使电池工作在最合理温度范围成为研究的热点。若温度过低，则电池内部电解液离子活性降低，电池放电速度降低，将严重影响整车的动力性；若温度过高，则会造成电池极化的不良影响，甚至会发产生起火爆炸等安全事故。
电动压缩机作为热管理系统必不可少的一环，其消耗的功率随转速的提高而增大。电传动推土机电池热管理系统控制策略一般将压缩机转速设置为几个档位，无法满足具体工况需求。因此，如何根据电池组散热需求实时地匹配电动压缩机的合理转速，对于电传动推土机电池热管理系统的有效工作以及节能减排具有较大的应用价值。发明人发现，由于电池自身的比热容较大，其冷却过程是一个随着时间连续变化的过程，仅考虑当前时刻推土机及电池的状态，难以准确地反映出电池实际散热需求，从而导致电池散热效果不佳。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于深度学习的电传动推土机电池热管理控制方法及系统，其在以双种群自适应遗传算法改进的支持向量机预测模型构建压缩机控制策略的基础上，结合一阶马尔可夫链模型构建能更加准确地反映电池实际散热需求的加权工况，改进该电池热管理系统的控制策略，使该系统满足电池制冷需求的同时，最大限度地降低能耗。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种基于深度学习的电传动推土机电池热管理控制方法。
一种基于深度学习的电传动推土机电池热管理控制方法，包括：
获取当前载荷谱的微载荷片段，利用马尔可夫链模型对下一个微载荷片段进行预测；
基于当前微载荷片段和预测微载荷片段的权重，计算加权工况下的电机转速、电机转矩和电池荷电状态；
将实时电池出水温度、乘员舱温度、乘员舱目标温度和环境温度以及加权工况下的电机转速、电机转矩和电池荷电状态作为电动压缩机转速预测模型的输入量，预测出电动压缩机转速，以得到电传动推土机电池的热管理控制策略。
本发明的第二个方面提供一种基于深度学习的电传动推土机电池热管理控制系统。
一种基于深度学习的电传动推土机电池热管理控制系统，包括：
微载荷片段预测模块，其用于获取当前载荷谱的微载荷片段，利用马尔可夫链模型对下一个微载荷片段进行预测；
加权工况参数计算模块，其用于基于当前微载荷片段和预测微载荷片段的权重，计算加权工况下的电机转速、电机转矩和电池荷电状态；
电动压缩机转速预测模块，其用于将实时电池出水温度、乘员舱温度、乘员舱目标温度和环境温度以及加权工况下的电机转速、电机转矩和电池荷电状态作为电动压缩机转速预测模型的输入量，预测出电动压缩机转速，以得到电传动推土机电池的热管理控制策略。
本发明的第三个方面提供一种计算机可读存储介质。
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如上述所述的基于深度学习的电传动推土机电池热管理控制方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于深度学习的电传动推土机电池热管理控制方法中的步骤。
与现有技术相比，本发明的有益效果是：
(1)本发明提供了基于深度学习的电传动推土机电池热管理控制方法在该控制策略中，以环境温度、电机转速、电机转矩、电池包出水温度、电池荷电状态、乘员舱温度、乘员舱目标温度为训练样本，采用深度学习中的支持向量机算法对样本数据进行训练，得到压缩机转速预测模型，利用马尔可夫链模型依据当前载荷谱的微载荷片段对下一个微载荷片段进行预测，采用特定公式计算现有片段和预测片段的权重，将加权后的载荷谱引入到预测模型中得到电动压缩机转速，形成电池热管理控制策略，结合蒸发器、冷凝器、电池的微通道热交换器、电子膨胀阀等部件，形成用于电传动推土机的电池热管理系统。其利用自定义客观赋权法公式，在马尔可夫链模型的基础上构建能更加准确地反映电池实际散热需求的加权工况用于电传动推土机电池热管理系统控制，使得压缩机转速预测模型更加准确。
(2)本发明由马尔可夫链模型预测未来工况并与当前时刻工况加权，能够更加准确地反映电池实际散热需求，由此得到的电传动推土机电池热管理控制策略，结合改进支持向量机算法和一阶马尔可夫链模型预测电传动推土机电池热管理系统的压缩机转速，误差更小，在有效改善散热效果的同时，可以最大限度地降低能耗，为热管理系统控制策略的研发提供了依据，对节能减排具有重要意义。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例的基于深度学习的电传动推土机电池热管理控制方法流程示意图；
图2是本发明实施例的压缩机转速控制策略支持向量机模型训练结果。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示，本实施例提供了一种基于深度学习的电传动推土机电池热管理控制方法，其具体包括如下步骤：
步骤S101：获取当前载荷谱的微载荷片段，利用马尔可夫链模型对下一个微载荷片段进行预测。
具体地，在利用马尔可夫链模型对下一个微载荷片段进行预测之前还包括：
利用历史微载荷片段，建立各类工况的概率转移矩阵。
采用马尔可夫链模型对电传动推土机载荷谱工况进行预测，依据已有的数据，建立各类工况的概率转移矩阵。设当前状态载荷为si(i＝1,2,...,p)，下一状态载荷为sj(j＝1,2,...,q)，令t+1时刻状态载荷为St+1，则从当前状态St＝si转移到下一个状态St+1＝sj的转移概率可以表示为：
其中Pij为当前载荷si达到下一状态载荷sj的转移概率,Nij为当前载荷si达到下一状态载荷sj的事件发生次数，
为当前载荷si达到任意下一状态载荷的总事件发生次数。
在具体实施中，在利用马尔可夫链模型对下一个微载荷片段进行预测的过程中，基于当前载荷谱的微载荷片段，选取具有最大转移概率的工况作为下一状态载荷的预测结果。
具体地，基于当前载荷si，选取具有最大转移概率的工况作为下一状态载荷sj的预测结果
最终得到一阶马尔可夫链预测模型。
步骤S102：基于当前微载荷片段和预测微载荷片段的权重，计算加权工况下的电机转速、电机转矩和电池荷电状态。
t时刻与时刻载荷权重相关系数为-1，根据两个片段载荷谱差异性大小来确定客观权重，差异越大，t+1时刻提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。t+1时刻的权重为：
其中
且
xt为t时刻电传动推土机载荷，Wt+1为t+1时刻的权重，t时刻与t+1时刻载荷权重相关系数为-1，加权后的载荷为xt×(1-Wt+1)+xt+1×Wt+1；α,β,γ,M均为常数。
例如：
M＝80。
需要说明的是，α,β,γ,M的具体数值，本领域技术人员可根据实际情况来具体设置，此处不再累述。
步骤S103：将实时电池出水温度、乘员舱温度、乘员舱目标温度和环境温度以及加权工况下的电机转速、电机转矩和电池荷电状态作为电动压缩机转速预测模型的输入量，预测出电动压缩机转速，以得到电传动推土机电池的热管理控制策略。
在本实施例中，电动压缩机转速预测模型是采用双种群遗传算法改进的支持向量机算法进行训练学习而得到的。
双种群遗传算法在执行变异操作时，将种群划分为两个子种群，其中适应度较低的种群进行自适应柯西变异，适应度较高的种群进行自适应高斯变异，完成寻优过程。个体i更新为：
其中，
为比例变换函数，f(xi)为个体xi的适应度函数值，fmin和fmax分别为当次迭代种群中各个体的适应度函数的最小值和最大值(以求最小值为例，适应度函数值越小，个体越优)。xi和xi'分别为变异前后第i个染色体，range为个体移动范围，Ni(0,1)为高斯分布随机数，Ci(0,1)为柯西分布随机数。
在训练电动压缩机转速预测模型的过程中，基于双种群自适应遗传算法改进的支持向量机算法通过设定种群个数、最大迭代次数、交叉概率、代沟等初始参数，随机生成惩罚因子和径向基核函数的方差参数组合作为初始种群，每代经过选择、交叉和双种群自适应变异操作，寻找使支持向量机预测模型误差最小的惩罚因子和径向基核函数的方差参数组合。
其中，电动压缩机转速预测模型的训练样本是通过一维、三维热管理软件仿真联合运算得到的。对于电池热管理子系统，设置不同的环境温度、车速、电池散热量(相当于电机转速、电机转矩及电池输出功率)、乘员舱温度、乘员舱目标温度，作为训练样本输入量，仿真得到满足电池安全温度要求的压缩机转速及对应的占空比作为样本输出量，并将上述数据作为该支持向量机预测模型的训练样本。
对采用双种群遗传算法改进的支持向量机算法进行训练学习，得到不同工况下压缩机转速的预测模型，形成电传动推土机电池热管理系统控制策略。
基于得到的电池热管理控制策略，结合蒸发器、冷凝器、电池的微通道热交换器、电子膨胀阀等部件，最终形成用于电传动推土机的电池热管理系统。
实施例二
本实施例提供了一种基于深度学习的电传动推土机电池热管理控制系统，其具体包括如下模块：
微载荷片段预测模块，其用于获取当前载荷谱的微载荷片段，利用马尔可夫链模型对下一个微载荷片段进行预测；
加权工况参数计算模块，其用于基于当前微载荷片段和预测微载荷片段的权重，计算加权工况下的电机转速、电机转矩和电池荷电状态；
电动压缩机转速预测模块，其用于将实时电池出水温度、乘员舱温度、乘员舱目标温度和环境温度以及加权工况下的电机转速、电机转矩和电池荷电状态作为电动压缩机转速预测模型的输入量，预测出电动压缩机转速，以得到电传动推土机电池的热管理控制策略。
此处需要说明的是，本实施例的基于深度学习的电传动推土机电池热管理控制系统中的各个模块，与实施例一中的基于深度学习的电传动推土机电池热管理控制方法中的各个步骤一一对应，其具体实施过程相同，此处不再累述。
实施例三
本实施例提供了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如上述所述的基于深度学习的电传动推土机电池热管理控制方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于深度学习的电传动推土机电池热管理控制方法中的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的电传动推土机电池热管理控制方法，其特征在于，包括：
获取当前载荷谱的微载荷片段，利用马尔可夫链模型对下一个微载荷片段进行预测；
基于当前微载荷片段和预测微载荷片段的权重，计算加权工况下的电机转速、电机转矩和电池荷电状态；
将实时电池出水温度、乘员舱温度、乘员舱目标温度和环境温度以及加权工况下的电机转速、电机转矩和电池荷电状态作为电动压缩机转速预测模型的输入量，预测出电动压缩机转速，以得到电传动推土机电池的热管理控制策略。
2.如权利要求1所述的基于深度学习的电传动推土机电池热管理控制方法，其特征在于，在利用马尔可夫链模型对下一个微载荷片段进行预测之前还包括：
利用历史微载荷片段，建立各类工况的概率转移矩阵。
3.如权利要求2所述的基于深度学习的电传动推土机电池热管理控制方法，其特征在于，在利用马尔可夫链模型对下一个微载荷片段进行预测的过程中，基于当前载荷谱的微载荷片段，选取具有最大转移概率的工况作为下一状态载荷的预测结果。
4.如权利要求1所述的基于深度学习的电传动推土机电池热管理控制方法，其特征在于，当前微载荷片段和预测微载荷片段的权重的计算公式为：
其中
且
xt为t时刻电传动推土机载荷，Wt+1为t+1时刻的权重，t时刻与t+1时刻载荷权重相关系数为-1，加权后的载荷为xt×(1-Wt+1)+xt+1×Wt+1；α,β,γ,M均为常数。
5.如权利要求1所述的基于深度学习的电传动推土机电池热管理控制方法，其特征在于，电动压缩机转速预测模型是采用双种群遗传算法改进的支持向量机算法进行训练学习而得到的。
6.如权利要求1所述的基于深度学习的电传动推土机电池热管理控制方法，其特征在于，在训练电动压缩机转速预测模型的过程中，基于双种群自适应遗传算法改进的支持向量机算法通过设定初始参数，随机生成惩罚因子和径向基核函数的方差参数组合作为初始种群，每代经过选择、交叉和双种群自适应变异操作，寻找使支持向量机预测模型误差最小的惩罚因子和径向基核函数的方差参数组合。
7.如权利要求1所述的基于深度学习的电传动推土机电池热管理控制方法，其特征在于，电动压缩机转速预测模型的训练样本是通过一维、三维热管理软件仿真联合运算得到的。
8.一种基于深度学习的电传动推土机电池热管理控制系统，其特征在于，包括：
微载荷片段预测模块，其用于获取当前载荷谱的微载荷片段，利用马尔可夫链模型对下一个微载荷片段进行预测；
加权工况参数计算模块，其用于基于当前微载荷片段和预测微载荷片段的权重，计算加权工况下的电机转速、电机转矩和电池荷电状态；
电动压缩机转速预测模块，其用于将实时电池出水温度、乘员舱温度、乘员舱目标温度和环境温度以及加权工况下的电机转速、电机转矩和电池荷电状态作为电动压缩机转速预测模型的输入量，预测出电动压缩机转速，以得到电传动推土机电池的热管理控制策略。
9.一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如权利要求1-7中任一项所述的基于深度学习的电传动推土机电池热管理控制方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于深度学习的电传动推土机电池热管理控制方法中的步骤。
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110643527.6A CN113378463B (zh) | 2021-06-09 | 2021-06-09 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
| US18/014,448 US20230273593A1 (en) | 2021-06-09 | 2022-07-18 | Method and system for control of battery thermal management of electric drive bulldozers based on deep learning |
| PCT/CN2022/106154 WO2022258079A1 (zh) | 2021-06-09 | 2022-07-18 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110643527.6A CN113378463B (zh) | 2021-06-09 | 2021-06-09 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113378463A true CN113378463A (zh) | 2021-09-10 |
| CN113378463B CN113378463B (zh) | 2023-02-28 |
Family
ID=77573198
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110643527.6A Active CN113378463B (zh) | 2021-06-09 | 2021-06-09 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20230273593A1 (zh) |
| CN (1) | CN113378463B (zh) |
| WO (1) | WO2022258079A1 (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113947021A (zh) * | 2021-10-20 | 2022-01-18 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种热管理控制方法和热管理控制装置 |
| WO2022258079A1 (zh) * | 2021-06-09 | 2022-12-15 | 山东大学 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115629614B (zh) * | 2022-12-20 | 2023-03-14 | 南京航空航天大学 | 一种基于遗传算法的仓储多agv路径规划方法 |
| CN116339151B (zh) * | 2023-05-12 | 2023-08-04 | 西北工业大学 | 一种针对电动飞机电推进器热管理系统、控制方法及终端 |
| CN118336244B (zh) * | 2024-06-13 | 2024-08-23 | 广汽埃安新能源汽车股份有限公司 | 一种电池温控管理方法、装置、存储介质及设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107117074A (zh) * | 2015-11-30 | 2017-09-01 | 赵世龙 | 永磁电机驱动方法 |
| US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
| CN111723982A (zh) * | 2020-06-11 | 2020-09-29 | 电子科技大学 | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 |
| CN112801410A (zh) * | 2021-02-26 | 2021-05-14 | 国网山东省电力公司 | 基于大数据技术的电费流入预测分析方法 |
| CN112800541A (zh) * | 2021-01-26 | 2021-05-14 | 南京航空航天大学 | 一种基于支持向量机回归的航空发动机载荷谱任务段建模方法 |
| CN112801415A (zh) * | 2021-03-05 | 2021-05-14 | 国网山东省电力公司寿光市供电公司 | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10236538B2 (en) * | 2013-05-31 | 2019-03-19 | Laurence Lujun Chen | Intelligent battery management system and method for optimizing battery set to the best performance |
| CN109271700B (zh) * | 2018-09-10 | 2023-01-24 | 深圳市上欧新材料有限公司 | 基于深度学习多层网络建模的电池热管理方法及系统 |
| CN111261973B (zh) * | 2020-01-19 | 2022-09-23 | 重庆大学 | 基于模型预测控制的电动汽车整车电池热管理方法 |
| CN111611750B (zh) * | 2020-05-28 | 2022-09-23 | 北京理工大学 | 一种应用数字孪生技术的锂离子电池充电及热管理方法 |
| CN113378463B (zh) * | 2021-06-09 | 2023-02-28 | 山东大学 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
-
2021
- 2021-06-09 CN CN202110643527.6A patent/CN113378463B/zh active Active
-
2022
- 2022-07-18 WO PCT/CN2022/106154 patent/WO2022258079A1/zh active Application Filing
- 2022-07-18 US US18/014,448 patent/US20230273593A1/en active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107117074A (zh) * | 2015-11-30 | 2017-09-01 | 赵世龙 | 永磁电机驱动方法 |
| US20200011932A1 (en) * | 2018-07-05 | 2020-01-09 | Nec Laboratories America, Inc. | Battery capacity fading model using deep learning |
| CN111723982A (zh) * | 2020-06-11 | 2020-09-29 | 电子科技大学 | 基于灰色-马尔可夫链的中长期电力负荷组合预测方法 |
| CN112800541A (zh) * | 2021-01-26 | 2021-05-14 | 南京航空航天大学 | 一种基于支持向量机回归的航空发动机载荷谱任务段建模方法 |
| CN112801410A (zh) * | 2021-02-26 | 2021-05-14 | 国网山东省电力公司 | 基于大数据技术的电费流入预测分析方法 |
| CN112801415A (zh) * | 2021-03-05 | 2021-05-14 | 国网山东省电力公司寿光市供电公司 | 基于马尔科夫链分布模型的超短期负荷预测方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022258079A1 (zh) * | 2021-06-09 | 2022-12-15 | 山东大学 | 基于深度学习的电传动推土机电池热管理控制方法及系统 |
| CN113947021A (zh) * | 2021-10-20 | 2022-01-18 | 重庆金康赛力斯新能源汽车设计院有限公司 | 一种热管理控制方法和热管理控制装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113378463B (zh) | 2023-02-28 |
| US20230273593A1 (en) | 2023-08-31 |
| WO2022258079A1 (zh) | 2022-12-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113378463B (zh) | 基于深度学习的电传动推土机电池热管理控制方法及系统 | |
| Olabi et al. | Application of artificial intelligence for prediction, optimization, and control of thermal energy storage systems | |
| CN108869173B (zh) | 风电机组的功率控制方法和设备 | |
| Liu et al. | Markov velocity predictor and radial basis function neural network-based real-time energy management strategy for plug-in hybrid electric vehicles | |
| CN113050426B (zh) | 一种融合遗传蚁群算法的热管理控制方法及系统 | |
| CN104401232B (zh) | 基于数据驱动预测控制的电动汽车扭矩优化方法 | |
| Anbarasu et al. | Novel enhancement of energy management in fuel cell hybrid electric vehicle by an advanced dynamic model predictive control | |
| CN105644548A (zh) | 混合动力汽车的能量控制方法及装置 | |
| CN112990258A (zh) | 一种冷水机组故障诊断方法及系统 | |
| CN107829878A (zh) | 风力发电机组的偏航控制设备和方法 | |
| CN113479186A (zh) | 一种混合动力汽车能量管理策略优化方法 | |
| Montazeri-Gh et al. | Driving condition recognition for genetic-fuzzy HEV control | |
| KR20180138371A (ko) | 데이터 기반 모델 평가 및 이를 이용한 캡슐형 빙축열 시스템 예측제어 방법 | |
| CN115840987A (zh) | 一种基于深度强化学习的混动汽车热管理策略生成方法 | |
| CN117031310A (zh) | 一种电动汽车动力电池剩余使用寿命预测方法 | |
| CN115732810A (zh) | 一种电动汽车电池包加温系统控制方法 | |
| Hu et al. | A data-driven solution for energy management strategy of hybrid electric vehicles based on uncertainty-aware model-based offline reinforcement learning | |
| CN115828769A (zh) | 一种基于智能计算的冷却塔工况的预测和降耗方法 | |
| CN113246958B (zh) | 基于td3多目标hev能量管理方法及系统 | |
| Pan et al. | Optimization of liquid cooling heat dissipation control strategy for electric vehicle power batteries based on linear time-varying model predictive control | |
| Xuemei et al. | A novel building cooling load prediction based on SVR and SAPSO | |
| US20210224645A1 (en) | Hierarchical concept based neural network model for data center power usage effectiveness prediction | |
| Ma et al. | Two-level optimization strategy for vehicle speed and battery thermal management in connected and automated EVs | |
| Liu et al. | Surrogate based multi-objective optimization of j-type battery thermal management system | |
| Yang et al. | Short-Term Hydro Generation Scheduling of the Three Gorges Hydropower Station Using Improver Binary-coded Whale Optimization Algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |