CN119538741B 一种电动汽车电池温度全局轨迹优化方法、系统、设备及介质 (吉林大学)_第1页
CN119538741B 一种电动汽车电池温度全局轨迹优化方法、系统、设备及介质 (吉林大学)_第2页
CN119538741B 一种电动汽车电池温度全局轨迹优化方法、系统、设备及介质 (吉林大学)_第3页
CN119538741B 一种电动汽车电池温度全局轨迹优化方法、系统、设备及介质 (吉林大学)_第4页
CN119538741B 一种电动汽车电池温度全局轨迹优化方法、系统、设备及介质 (吉林大学)_第5页
已阅读5页,还剩18页未读, 继续免费阅读

下载本文档

版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领

文档简介

号一种电动汽车电池温度全局轨迹优化方法、本发明公开了一种电动汽车电池温度全局史工况数据和温度轨迹,利用RBF和LSTM网络构建初始工况预测模型,通过贝叶斯优化训练优行驶数据结合历史工况数据来实时预测全局工2基于所述模型结构参数,结合径向基函数神经网络和长短期基于非线性自回归神经网络构建初始热管理系统能基于所述工况预测数据和预设温控目标对所述初始热管理系统能耗预测模型进行训以热管理系统能耗预测数据和平局温度偏移值的加权值最小为目标构建适应度函数;基于预设冻结层数对训练后的工况预测模型进行模型冻结,并在模基于各所述个体对应的适应度值结合遗传优化算法在所述种群内进行迭代寻优,具体包基于遗传优化算法对各所述个体进行迭代更新,在每次迭代4.一种电动汽车电池温度全局轨迹优化系统,用于实现权利要求1_3中任一项所述的工况预测模块,用于结合径向基函数神经网络和长短期记忆网络型,基于所述历史工况数据结合贝叶斯优化算法对所述初始工况预测模型进行训练优化,热管理系统能耗预测模块,用于根据非线性自回归神经网络3全局优化模块,用于以热管理系统能耗预测数据和平局温序,所述处理器运行所述计算机程序以使所述电子设备执行根据权利要求1_3中任一项所理器执行时实现如权利要求1_3中任一项所述的一种电动汽车电池温度全局轨迹优化方4[0009]基于所述工况预测数据和预设温控目标对所述初始热管理系统能耗预测模型进[0010]以热管理系统能耗预测数据和平局温度偏移值的加权值最小为目标构建适应度5[0016]基于贝叶斯优化算法和所述目标函数对所述初始工况预得到最佳超参数,基于所述历史工况数据对所述最佳超参数对应的工况预测模型进行训型进行训练,基于训练后的热管理系统能耗预测模型是执行热管理系统的实时能耗预测,器运行所述计算机程序以使所述电子设备执行所述的一种电动汽车电池温度全局轨迹优6[0034]应理解本发明中所述的术语仅仅是为描述特别的实施方式,并非用于限制本发模型进行训练,基于训练后的热管理系统能耗预测模型是执行热管理系统的实时能耗预7[0046]本实施例的方法能够提供高精度的全局工况预测,具有很好的实时性和适应[0050]1.数据读取和预处理:首先是进行数据读取,创建数据集D={(x1,y1),(x2,8i_x||2表示ci与输9[0092]1)计算梯度:gt=DL;[0101]2)选择准则:在贝叶斯优化中,选择准则EI):EI(n)=E[max(0,L'-L(h))]=⃞,max(0,L'-a)-p(alh)dz其中L*是当N为可训练层。适宜的温度,适应度函数应同时限制热管理能耗和电池平均温度,具体为:[0133]2)交叉操作:对于选中的两个父代xa和xb,进行单点交型进行训练,基于训练后的热管理系统能耗预测模型是执行热管理系统的实时能耗预测,器运行所述计算机程序以使所述电子设备执行所述

温馨提示

  • 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

评论

0/150

提交评论