[发明专利]一种基于神经网络优化的电动汽车热泵控制方法

权利要求书

1.一种基于神经网络优化的电动汽车热泵控制方法，其特征在于具体步骤如下：

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_r1、W_h1、W_p1和阈值矩阵W_r2、W_h2、W_p2；由神经网络权值矩阵和阈值矩阵按照网络构架表征系统状态X关于控制输入U和工况状态X_con的特征函数关系；

所述热泵制冷模式神经网络，以压缩机转速N_com、膨胀阀开度O_{pe_e}、水泵转速N_pump、环境温度T_env、冷凝器进风量V_con和乘员舱空调供风量V_AC构成输入层，以乘员舱进风温度T_can和电池温度T_bat构成输出层；

所述热泵采暖模式神经网络，以压缩机转速N_com、PTC加热功率W_PTC、环境温度T_env、冷凝器进风量V_con和乘员舱空调供风量V_AC构成输入层，以乘员舱进风温度T_can为输出层；

所述热泵能耗神经网络，以压缩机转速N_com、PTC加热功率W_PTC和水泵转速N_pump为输入层，以系统能耗w_sys为输出层；

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_{tri_int}，与系统工况状态X_con，通过训练后的权值矩阵W_r1、W_h1、W_p1和阈值矩阵W_r2、W_h2、W_p2按照三层神经网络架构分别计算系统状态预估值X_cal，其中系统状态预估值X_cal包含乘员进风舱温度预估值T_{can_cal}、电池温度预估值T_{bat_cal}、系统能耗预估值W_{sys_cal}；

步骤三、根据乘员舱温度需求T_{can_need}、电池温度需求T_{bat_need}以及系统能耗，构建制冷工况和采暖工况的系统优化目标函数；其中，定义制冷工况优化目标函数F_{r_opt}形式如下，表示所有控制输入初始值对应系统预估状态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_{r_opt}(U_{tri_int})＝(W_{sys_cal}|(T_{can_cal}≤T_{can_need}，T_{bat_cal}≤T_{bat_need}))；

定义采暖工况优化目标函数F_{w_opt}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_{w_opt}(U_{ttri_int})＝(W_{sys_cal}|T_{can_cal}≥T_{can_need})；

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_{tri_int}计算的优化目标函数值为局部最优值F_{opt_local}，则制冷工况局部最优值为：F_{opt_local}＝F_{r_opt}(U_{tri_int})，采暖工况局部最优值为：F_{opt_local}＝F_{w_opt}(U_{tri_int})；

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_{opt_global}：

F_{opt_global}＝min(F_{opt_local}1，F_{opt_local}2，F_{opt_local}3，…F_{opt_local}n，)

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_{opt_local}-F_{opt_global}|

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_tri′，并将U_tri′作为新一轮的系统控制输入初始值U_{tri_int}重复步骤二至五；若满足判定依据，输出F_{opt_global}对应的U_{cal_global}作为全局优化控制输入；

步骤六、将全局优化控制输入U_{cal_global}作为PID控制器的前馈优化补偿，以乘员舱温度需求T_{can_need}和电池温度需求T_{bat_need}为约束反馈压缩机转速N_com、水泵转速N_pump、膨胀阀开度O_{pe_e}、PTC加热功率W_pte作为当前热泵系的执行器控制输入。