[发明专利]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

权利要求书

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x_t为t时刻电传动推土机载荷，W_t+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x_t×(1-W_t+1)+x_t+1×W_t+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。