新能源汽车电机热管控方法技术

本发明专利技术公开了一种新能源汽车电机热管控方法，包括如下步骤：步骤一：采集数据：在汽车行驶过程中，实时采集电机关于机械、电气和温度的时间序列数据；步骤二：将实时采集的时间序列数据输入到电机温度预测模型中，得到电机温度分布预测结果；步骤三：根据电机温度分布预测结果求解当前工况下的最佳冷却水流量，使电机的最高温度保持在设定范围以内。本发明专利技术的新能源汽车电机热管控方法，利用数据驱动的方式，得到新能源汽车行驶过程中的电机温度分布预测结果；根据该预测结果对对冷却水阀门流量进行控制，以控制电机的温度。以控制电机的温度。以控制电机的温度。

【技术实现步骤摘要】
新能源汽车电机热管控方法


[0001]本专利技术属于新能源汽车电机控制
，具体的为一种新能源汽车电机热管控方法。

技术介绍

[0002]近年来，我国大力推进新能源汽车的发展，新能源汽车保有量的占比越来越高。驱动电机作为新能源汽车的三大核心部件之一，对整车性能起着至关重要的作用，新能源汽车依靠一个或多个驱动电机来驱动车辆行驶，将驱动电池的电能有效转化为机械能。目前，新能源汽车驱动电机大多采用永磁同步电机(Permanent magnet synchronous motors,PMSM)，因为永磁同步电机功率和转矩密度高、效率高、过载能力强、性价比高、噪声低，能良好地适配整车性能。如果要实现较高的传动效率，必须保证电机各部件尤其是转子绕组和定子具有良好的散热。但由于轻量化和高功率密度的要求，使得电机在长时间或过载运行时会产生大量的热量，温度急剧升高，而如果温度持续升高，则会对电机产生永久性损伤。为防止新能源汽车在行驶过程中由于温度过高造成电机永磁体产生退磁现象，影响到电机及其控制器的寿命和整车安全性，需要对驱动电机进行实时的热管控。
[0003]对驱动电机进行热管控首先需要完成对PMSM的温度预测，在PMSM的内部安装温度传感器，是获得部件温度最直接的方法，但这种方法对传感器的安装位置、数量以及精度等都有较高的要求，成本也会随着增加。因此在电机在工作过程中，需要使用间接预测方法来预测电机关键部件的温度，目前的间接预测方法主要有：磁通观察法、信号注入法、等效热网络法。
[0004](1)磁通观察法通过磁通观察器得到磁通的变化，并建立一个精确的参数化电机温度模型，以得到电机转子永磁体的温度。但是这种方法对观测器件的精度具有较高要求，对于测量误差十分敏感且不适用于电机静止和低速的工况。
[0005](2)信号注入法利用饱和效应和高频阻抗确定磁体的温度。然而，这种方法需要注入电压信号，这会增加电流谐波，电机也会因此产生额外的损耗。
[0006](3)等效热网络法将电机中的传热过程抽象出来以建立等效热网络，其中集中参数热网络模型应用最为广泛，其对电机结构的划分更为细致。但是该方法需要电机专业的背景知识，了解电机内部的几何结构与参数，这限制了该方法的应用。
[0007]由此可知，这些传统的预测方法需要电机相关的专业背景知识以及相关参数选择经验，且不适合汽车行程过程中的实时预测。

技术实现思路

[0008]有鉴于此，本专利技术的目的在于提供一种新能源汽车电机热管控方法，利用数据驱动的方式，得到新能源汽车行驶过程中的电机温度分布预测结果；根据该预测结果对对冷却水阀门流量进行控制，以控制电机的温度。
[0009]为达到上述目的，本专利技术提供如下技术方案：
[0010]一种新能源汽车电机热管控方法，包括如下步骤：
[0011]步骤一：采集数据：在汽车行驶过程中，实时采集电机关于机械、电气和温度的时间序列数据；
[0012]步骤二：将实时采集的时间序列数据输入到电机温度预测模型中，得到电机温度分布预测结果；
[0013]步骤三：根据电机温度分布预测结果求解当前工况下的最佳冷却水流量，使电机的最高温度保持在设定范围以内。
[0014]进一步，所述步骤二中，电机温度预测模型的构建方法为：
[0015]21)数据采集：采集电机在不同工况下的时序数据，时序数据中包括电机的转速、输出扭矩、母线电压、母线电流以及环境温度和冷却液的流量、温度；
[0016]22)数据预处理：对采集的时序数据进行缺失值填充、异常值剔除和数值标准化处理；
[0017]23)将经预处理后的时序数据分为训练集和测试集；
[0018]24)训练模型：构建深度学习模型，以训练集训练深度学习模型以更新模型参数，以损失函数为目标函数以判断是否达到模型训练的终止条件；当达到模型训练终止条件后，得到预测模型；
[0019]25)将测试集输入预测模型中并得到电机温度分布的预测结果；判断预测结果是否达到预设的评价指标：若是，则以该预测模型构建得到电机温度预测模型；若否，则执行步骤24)。
[0020]进一步，所述深度学习模型采用GEN(Graph Effect Network，图影响力神经网络)模型，所述GEN模型为在GAT(Graph Attention Network，图注意力神经网络)模型中引入微分算子层后得到，所述微分算子层用于对一个节点的不同相邻节点分配不同的权重以识别出各相邻节点对于该节点的影响程度；
[0021]所述微分算子层采用拉普拉斯算子来表示不同相邻节点对于某节点的影响程度，并定义其为热扩散微分算子；令节点i与其任意相邻节点j和k之间连线组成三角形为Δijk，则节点i处的热扩散微分算子为：
[0022][0023]其中，(Δt)
i
为节点i的热扩散微分算子，表示任意一个与节点i相连的节点j变化而给节点i带来的增益；t
i
表示函数t在节点i处的函数值；t
j
表示函数t在节点j处的函数值；w
ij
表示节点i与节点j之间的节点边e
ij
的边权重；a
i
表示节点i的节点权重；且：
[0024][0025][0026]ai＝∑aijk
[0027]其中，l
ij
表示节点i与节点j之间相连的节点边长度，同理l
ik
和l
jk
分别表示节点k与节点i和节点j之间相连的节点边长度；aijk表示节点i在三角形Δijk中的权重；Sijk表示三角形Δijk的面积；
[0028]根据图网络节点相连关系构造一个以边权重w
ij
为元素的n
×
n的矩阵W，若节点i与节点j不相邻，则节点i与节点j之间不存在节点边，矩阵中对应位置的元素w
ij
＝0；构造一个以节点权重a
i
为元素的对角矩阵A；构造一个以t
i
为列向量的矩阵T；则所有节点的热扩散微分算子可以表示为：
[0029]ΔT＝A
‑1(D
‑
W)T
[0030]其中，ΔT为m阶矩阵，表示所有节点的热扩散微分算子，m为所有节点的数量；D表示所有节点组成的图网络的度矩阵。
[0031]进一步，采用线性离散热扩散算子作为基元算子ΔT，通过n阶切比雪夫多项式将基元算子ΔT构建成非线性离散微分算子进行逼近，即：
[0032][0033]其中，θ∈R
m
为切比雪夫多项式的系数向量。当T0(x)＝1，T1(x)＝x且k＞1时，切比雪夫多项式的递归定义为T
k
(x)＝2xT
k
‑1(x)
‑
T
k
‑2(x)，此时m阶切比雪夫多项式系数向量θ为GEN网络的待学习优化参数；
[0034]向GEN模型中输入电机在t时刻实时本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新能源汽车电机热管控方法，其特征在于：包括如下步骤：步骤一：采集数据：在汽车行驶过程中，实时采集电机关于机械、电气和温度的时间序列数据；步骤二：将实时采集的时间序列数据输入到电机温度预测模型中，得到电机温度分布预测结果；步骤三：根据电机温度分布预测结果求解当前工况下的最佳冷却水流量，使电机的最高温度保持在设定范围以内。2.根据权利要求1所述的新能源汽车电机热管控方法，其特征在于：所述步骤二中，电机温度预测模型的构建方法为：21)数据采集：采集电机在不同工况下的时序数据，时序数据中包括电机的转速、输出扭矩、母线电压、母线电流以及环境温度和冷却液的流量、温度；22)数据预处理：对采集的时序数据进行缺失值填充、异常值剔除和数值标准化处理；23)将经预处理后的时序数据分为训练集和测试集；24)训练模型：构建深度学习模型，以训练集训练深度学习模型以更新模型参数，以损失函数为目标函数以判断是否达到模型训练的终止条件；当达到模型训练终止条件后，得到预测模型；25)将测试集输入预测模型中并得到电机温度分布的预测结果；判断预测结果是否达到预设的评价指标：若是，则以该预测模型构建得到电机温度预测模型；若否，则执行步骤24)。3.根据权利要求2所述的新能源汽车电机热管控方法，其特征在于：所述深度学习模型采用GEN(Graph Effect Network，图影响力神经网络)模型，所述GEN模型为在GAT(Graph Attention Network，图注意力神经网络)模型中引入微分算子层后得到，所述微分算子层用于对一个节点的不同相邻节点分配不同的权重以识别出各相邻节点对于该节点的影响程度；所述微分算子层采用拉普拉斯算子来表示不同相邻节点对于某节点的影响程度，并定义其为热扩散微分算子；令节点i与其任意相邻节点j和k之间连线组成三角形为Δijk，则节点i处的热扩散微分算子为：其中，(Δt)
i
为节点i的热扩散微分算子，表示任意一个与节点i相连的节点j变化而给节点i带来的增益；t
i
表示函数t在节点i处的函数值；t
j
表示函数t在节点j处的函数值；w
ij
表示节点i与节点j之间的节点边e
ij
的边权重；a
i
表示节点i的节点权重；且：表示节点i的节点权重；且：a
i
＝∑a
ijk
其中，l
ij
表示节点i与节点j之间相连的节点边长度，同理l
ik
和l
jk
分别表示节点k与节点i和节点j之间相连的节点边长度；a
ijk
表示节点i在三角形Δijk中的权重；S
ijk
表示三角
形Δijk的面积；根据图网络节点相连关系构造一个以边权重w
ij
为元素的n
×
n的矩阵W，若节点i与节点j不相邻，则节点i与节点j之间不存在节点边，矩阵中对应位置的元素w
ij
＝0；构造一个以节点权重a
i
为元素的对角矩阵A；构造一个以t
i
为列向量的矩阵T；则所有节点的热扩散微分算子可以表示为：ΔT＝A
‑1(D
‑
W)T其中，ΔT为m阶矩阵，表示所有节点的热扩散微分算子，m为所有节点的数量；D表示所有节点组成的图网络的度矩阵。4.根据权利要求3所述的新能源汽车电机热管控方法，其特征在于：采用线性离散热扩散算子作为基元算子ΔT，通过n阶切比雪夫多项式将基元算子ΔT构建成非线性离散微分算子进行逼近，即：其中，θ∈R
m
为切比雪夫多项式的系数向量。当T0(x)＝1，T1(x)＝x且k＞1时，切比雪夫多项式的递归定义为T
k
(x)＝2xT
k
‑1(x)
‑
T
k
‑2(x)，此时m阶切比雪夫多项式系数向量θ为GEN网络的待学习优化参数；向GEN模型中输入电机在t时刻实时采集的时间序列数据F
t
和，得到t时刻节点i的温度预测值为：其中，x
it
...

【专利技术属性】
技术研发人员：杨波，庞植，王时龙，张正萍，段伟，喜泽瑞，
申请(专利权)人：赛力斯汽车有限公司重庆金康动力新能源有限公司，
类型：发明
国别省市：