【技术实现步骤摘要】
一种基于DDPG的纯电动汽车乘员舱空调制冷控制方法
[0001]本专利技术涉及汽车动态控制和人工智能
,特别是涉及一种基于DDPG的纯电动汽车乘员舱空调制冷控制方法。
技术介绍
[0002]随着科学技术的发展和人民生活水平的日益提高,汽车作为一种必不可少的交通工具正日益走进人们日常生活的方方面面。汽车空调作为影响汽车舒适性和安全性能的主要部件之一,可对汽车车厢内的空气温度进行调节以提高乘客的热舒适性,热舒适性是反映人体在密封空间的对环境热状态的主观感受,在汽车驾驶舱内,空调运行模式下,人体是否感觉到舒适影响乘员对空调系统及车内设计感知体验的评价,尤其是当乘员长时间在车内驾驶时,热舒适性同时影响人生理、心理感觉,从而影响到驾驶安全性,所以,在开发汽车空调系统时,乘客热舒适性是非常重要的研究方向。
[0003]传统的汽车空调的控制基本均为温度控制,即车内环境温度或蒸发器和表面温度达到目标值,这种控制方式在一定程度上忽略了人体热舒适性;传统的汽车空调控制方法如PID控制、模糊PID控制、基于PSO的模糊PID控制等偏为保守,不能自动地适应复杂多变的环境情况,为实现温度控制的精准并避免能耗过高,均需要汽车空调标定工程师对控制器进行标定,所以空调控制器的标定工作量巨大,且对工程师的经验要求极高。
[0004]专利号为CN201310246901.4专利技术一种纯电动汽车空调控制方法及其控制系统,该专利技术专利存在的不足有:对汽车采取的控制方法为基于温度的控制,仅判别空调运行时车内温度是否可以稳定在设置温度 ...
【技术保护点】
【技术特征摘要】
1.一种基于DDPG的纯电动汽车乘员舱空调制冷控制方法,其特征在于:包括以下步骤:S1:构建乘客舱人体热舒适性预测模型S1.1:在三维设计软件中构建乘客舱三维模型和人体热舒适性评价模型,乘客舱三维模型和人体热舒适性评价模型构成乘客舱热流场&热舒适性模块;S1.2:根据深度学习神经网络训练的需求,设定乘客舱热流场&热舒适性模块的特征参数;S1.3:通过乘客舱三维模型和人体热舒适性评价模型的联合仿真模拟,提取仿真结果中所述特征参数对应的数值,作为深度学习神经网络训练的数据集,对数据集进行预处理,并将数据集分为训练集和验证集;S1.4:神经网络训练,根据定义好的模型结构搭建深度学习网络,包括输入层、隐含层和输出层,初始化对应的权值和阈值,设定神经网络训练的超参数,包括优化器、学习率、迭代次数、时间步长和批次大小;利用训练集的数据对深度学习模型进行训练,采用反向传播算法更新权值和阈值;获得乘客舱人体热舒适性预测模型,并采用验证集对乘客舱人体热舒适性预测模型的预测效果进行评估;S2:构建乘员舱空调制冷控制策略S2.1:构建乘员舱空调制冷控制模块根据汽车空调制冷系统定义强化学习模型,确定强化学习模型中MDP过程的状态s、动作a和奖励r,并根据强化学习模型确定乘员舱空调制冷控制模块;S2.2:构建强化学习训练所需环境强化学习训练所需环境包括汽车空调制冷系统一维模型和步骤S1获得的乘客舱人体热舒适性预测模型,其中,汽车空调制冷系统一维模型用于根据车内温度、车外温度、太阳辐射强度、空气湿度、车速以及汽车空调制冷系统的控制指令,模拟汽车空调制冷系统中部件的运行,并输出蒸发器后空气速度和温度数据、车内温度数据以及空调系统的能耗数据;乘客舱人体热舒适性预测模型用于根据车内温度、车外温度、太阳辐射强度、空气湿度、蒸发器后空气速度及温度数据对人体热舒适性评价结果进行预测,并将人体热舒适性评价结果反馈至乘员舱热舒适性控制模块;S2.3:对乘员舱空调制冷控制模块进行强化学习训练在步骤S3的强化学习训练环境中,采用基于DDPG算法的强化学习控制结构网络对步骤S2中构建的乘员舱空调制冷控制模块进行训练,在训练过程中,采集样本数据,并根据样本数据对乘员舱空调制冷控制模块进行更新和优化,待乘员舱空调制冷控制模块达到收敛状态后,即为训练完成,此时,乘员舱空调制冷控制模块的控制策略,即为目标策略——汽车空调制冷系统的乘员舱空调制冷控制策略;S3:控制策略的应用将训练好的乘员舱空调制冷控制模块的控制策略转化为代码并烧写到汽车空调控制器内,作为实车的空调制冷控制系统对乘员舱热舒适性进行控制和调节。2.如权利要求1所述的基于DDPG的纯电动汽车乘员舱空调制冷控制方法,其特征在于:步骤S1.2中所述的特征参数包括车室外温度、太阳辐射强度、蒸发器后空气温度、蒸发器后气流速度、各个空调出风口的空气温度、各个空调出风口的气流速度、人体各个部位表面空气温度、人体各个部位表面气流速度、人体各个部位表面平均辐射温度、人体各个部位表面
相对湿度、人体热舒适性评价结果。3.如权利要求1所述的基于DDPG的纯电动汽车乘员舱空调制冷控制方法,其特征在于:步骤S1.3中具体还包括以下步骤:数据采集:利用乘客舱三维模型和人体热舒适性评价模型仿真收集车内温度、车外温度、太阳辐射强度、空气湿度、蒸发器后空气速度及温度等数据,以及乘客人体热舒适性评价结果的数据;数据集进行预处理:对初始样本数据集去噪,消除异常值,插补缺失值;并选取min
‑
max标准化方法进行归一化处理,具体公式如下:式中,y是归一化之后的数据;x是原始数据;x
min
是原始数据集中的最小值;x
max
是原始数据集中的最大值;数据集划分:将数据集以8:2的比例划分为训练集及验证集,训练集用于训练模型,验证集用于调整模型参数。4.如权利要求1所述的基于DDPG的纯电动汽车乘员舱空调制冷控制方法,其特征在于:步骤S1.4中神经网络训练具体包括以下步骤:S1.4.1:搭建深度学习网络:根据定义好的模型结构搭建深度学习网络,包括输入层、隐含层和输出层,其中,输入层包括6个神经元,分别对应车内温度、车外温度、太阳辐射强度、空气湿度、蒸发器后空气速度及温度;隐含层包括4个神经元,采用ReLU激活函数,用于提取输入数据的特征;输出层包括1个神经元,输出乘客人体热舒适性评价结果;S1.4.2:模型预处理:初始化输入层与隐含层之间的权值,隐含层与输出层之间的权值,以及隐含层的阈值和输出层的阈值;神经网络训练算法采用贝叶斯正则化算法,优化器采用Adam,学习率设置为0.001,选代次数epochs为200,批次大小batch为32,输入时间步长timesteps为2;S1.4.3:训练模型:利用训练集的数据对深度学习模型进行训练,采用反向传播算法更新权值和阈值,将输出误差,即期望输出与实际输出之差,按原通路反传计算,通过隐含层反向,直至输入层,在反传过程中将误差分摊给各层的各个单元,获得各层各单元的误差信号,并将其作为修正各单元权值的根据;S1.4.4:模型评估:深度学习模型的评价...
【专利技术属性】
技术研发人员:黄浩,胡东海,张海波,包俊江,邱承云,程兆旭,单建标,张雄飞,苏湘雯,梅海龙,
申请(专利权)人:中汽研汽车检验中心常州有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。