[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

说明书

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。

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；