环境温度预测方法、装置、电子设备及存储介质与流程

摘要: 本技术涉及车辆智能感知与热管理,特别涉及一种环境温度预测方法、装置、电子设备及存储介质。背景技术:1、随着汽车智能化水平的不断提升,车载空调系统的舒适性与节能性...
环境温度预测方法、装置、电子设备及存储介质与流程

本技术涉及车辆智能感知与热管理,特别涉及一种环境温度预测方法、装置、电子设备及存储介质。

背景技术:

1、随着汽车智能化水平的不断提升,车载空调系统的舒适性与节能性已成为衡量车辆品质的重要指标。

2、相关技术中,从水温、冷媒温度等多个传感器中选取最小值作为目标温度,将该目标温度与记忆外部温度的差值划分至不同区间,并结合压缩机转速及持续时间,采用不同的计算策略确定外部温度。此外,部分相关技术的方案尝试引入基于物理模型的经验公式,通过预先标定的补偿参数对传感器读数进行修正。

3、然而,相关技术仍存在以下不足:其一,基于阈值划分的判断逻辑过于简化,无法精细刻画车辆在多变的行驶工况下的热力学动态特性,在瞬态场景下容易输出偏离真实值的模拟温度;其二,方案中涉及的大量补偿值需通过大量实车标定试验获取,不同车型、不同动力系统及不同空调配置下补偿值差异显著,导致标定工作量大、跨车型泛化能力弱、开发周期长;其三,以传感器温度最小值为核心假设的策略,在纯电动车冷库驶出等特殊场景下,因最小值可能低于真实外部温度而导致模拟值长期无法收敛至真实值,呈现明显的“假最小值滞后”现象;其四,相关技术普遍缺乏对传感器故障的冗余机制,单一传感器失效即可能导致整体模拟结果异常,鲁棒性不足;其五,基于固定标定参数的方案无法根据车辆实际运行状态自适应调整响应速率,在环境温度突变场景下动态响应滞后严重,亟待解决。

技术实现思路

1、本发明的目的之一在于提供一种环境温度预测方法、装置、电子设备及存储介质,以解决环境温度预测中工况粗、响应慢、传感器易失效等问题;目的之二在于提供一种环境温度预测装置;目的之三在于提供一种电子设备;目的之四在于提供一种计算机可读存储介质。

2、为了实现上述目的,本发明采用的技术方案如下:

3、响应于环境温度预测指令,获取目标车辆的目标热管理参数;

4、基于所述目标车辆的目标热管理参数,构建多维输入变量,并根据所述多维输入变量构建当前特征向量序列;

5、将所述当前特征向量序列输入至预先训练的lstm混合模型,通过所述预先训练的lstm混合模型的提取所述特征向量序列的隐状态序列,并对所述隐状态序列进行处理得到上下文向量,并基于所述上下文向量确定物理约束温度,并根据所述上下文向量确定速率系数,并根据所述速率系数和所述物理约束温度输出当前预测温度;

6、根据所述预先训练的lstm混合模型输出的所述当前预测温度确定当前环境温度。

7、进一步,在将所述当前特征向量序列输入至预先训练的lstm混合模型之前,还包括:

8、确定训练样本集,其中,所述训练样本集包括多组特征向量序列和每组特征向量序列对应的环境温度,所述多组特征向量序列由多个样本车辆的历史热管理参数和对应的实际环境温度得到;

9、基于预设的划分比例,将所述训练样本集划分为训练集、验证集和测试集;

10、构建初始lstm混合模型,所述初始lstm混合模型包括双层lstm编码器、所述预设的多头注意力机制层、物理约束层和动态速率调节器;

11、采用所述训练集对包含所述双层lstm编码器、所述预设的多头注意力机制层、所述物理约束层和所述动态速率调节器的初始 lstm 混合模型执行模型训练,迭代更新所述初始lstm混合模型的模型参数;

12、将所述验证集输入至更新后的lstm混合模型进行性能验证,并根据验证评估结果迭代优化模型参数,直至优化后的lstm混合模型满足预设验证指标条件,确定最优模型参数;

13、基于所述最优模型参数固化所述初始lstm混合模型,并利用所述测试集输入至参数固化后的lstm混合模型进行性能测试,并在性能测试结果满足预设性能标准时,得到所述预先训练的lstm混合模型。

14、进一步,所述确定训练样本集,包括:

15、获取所述多个样本车辆的初始热管理参数;

16、对所述多个样本车辆的初始热管理参数进行预处理得到所述多个样本车辆的目标热管理参数;

17、获取所述多个样本车辆在所述目标热管理参数下的实际环境温度;

18、根据所述多个样本车辆的目标热管理参数构建所述多组特征向量序列,并基于所述目标热管理参数下的实际环境温度确定每组特征向量序列对应的环境温度,以确定所述训练样本集。

19、进一步,所述对所述多个样本车辆的初始热管理参数进行预处理得到所述多个样本车辆的目标热管理参数,包括:

20、对所述多个样本车辆的初始热管理参数进行缺失值处理和异常值处理和归一化处理,得到预处理后的数据;

21、计算所述预处理后的数据与所述环境温度之间的皮尔逊相关系数和斯皮尔曼相关系数,并对所述预处理后的数据进行多变量格兰杰因果检验,得到格兰杰因果检验结果;

22、根据所述皮尔逊相关系数、所述斯皮尔曼相关系数和所述格兰杰因果检验结果,基于预设筛选规则从所述预处理后的数据中筛选出目标输入变量,将所述目标输入变量作为所述多个样本车辆的目标热管理参数。

23、进一步,所述采用所述训练集对包含所述双层lstm编码器、所述预设的多头注意力机制层、所述物理约束层和所述动态速率调节器的初始 lstm 混合模型执行模型训练,迭代更新所述初始lstm混合模型的模型参数,包括:

24、将所述训练集中的特征向量序列输入至所述双层lstm编码器,通过所述双层lstm编码器基于当前时刻输入特征、上一时刻隐状态和上一时刻记忆单元,通过遗忘门、输入门、候选记忆单元和输出门更新当前时刻记忆单元和当前时刻隐状态,输出训练用隐状态序列;

25、将所述训练用隐状态序列输入至所述多头注意力机制层,通过线性投影、注意力分数计算和归一化处理得到注意力权重,基于所述注意力权重对所述训练用隐状态序列进行加权求和得到多头注意力输出,基于所述多头注意力提取得到训练用上下文向量;

26、将所述训练用上下文向量输入至所述物理约束层计算,得到候选温度预测值,基于训练用温度上限和训练用温度下限对所述候选温度预测值进行裁剪,得到训练用物理约束温度;

27、将所述训练用上下文向量输入至所述动态速率调节器,通过全连接计算并经归一化指数映射得到训练用速率系数,根据所述训练用速率系数和所述物理约束温度确定训练用预测温度;

28、采用预设的总损失函数计算所述训练用预测温度与所述训练集中真实温度之间的损失值,根据所述损失值更新所述初始lstm混合模型的初始模型参数,得到更新后的lstm混合模型。

29、进一步,所述基于所述上下文向量确定物理约束温度包括:

30、根据所述上下文向量计算候选温度预测值;

31、获取当前冷媒高压压力对应的饱和温度和当前电机水温,并基于所述饱和温度与所述当前电机水温确定温度上限;

32、获取当前所有传感器温度中的最小值,并计算所述当前所有传感器温度中的最小值的变化率,并基于所述最小值与所述变化率确定温度下限;

33、根据所述温度上限和所述温度下限对所述候选温度预测值进行裁剪,将裁剪后的温度预测值作为所述物理约束温度。

34、进一步,所述预设的总损失函数为:

35、;

36、其中,为所述预设的总损失函数,为均方误差项,为平滑项权重,为平滑正则项,为物理约束项权重,为物理约束正则项。

37、一种环境温度预测装置,包括:

38、响应模块,用于响应于环境温度预测指令,获取目标车辆的目标热管理参数;

39、构建模块,用于基于所述目标车辆的目标热管理参数,构建多维输入变量,并根据所述多维输入变量构建当前特征向量序列;

40、处理模块,用于将所述当前特征向量序列输入至预先训练的lstm混合模型,通过所述预先训练的lstm混合模型的提取所述特征向量序列的隐状态序列,并对所述隐状态序列进行处理得到上下文向量,并基于所述上下文向量确定物理约束温度,并根据所述上下文向量确定速率系数,并根据所述速率系数和所述物理约束温度输出当前预测温度;

41、确定模块,用于根据所述预先训练的lstm混合模型输出的所述当前预测温度确定当前环境温度。

42、一种电子设备,包括:至少一个处理器;以及,与所述至少一个处理器通信连接的存储器;其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被设置为用于执行如上述实施例所述的环境温度预测方法。

43、一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行,以用于实现如上述实施例所述的环境温度预测方法。

44、本发明的有益效果:

45、(1)本发明无需依赖大量实车标定试验,不同车型仅需采集少量全域工况数据即可完成模型适配,标定成本大幅降低;同时,物理约束层的引入从根本上解决了传统方案中因传感器最小值低于真实外部温度而导致的“假最小值滞后”问题,预测精度显著提升。

46、(2)本发明通过动态速率调节器根据上下文向量自适应计算速率系数,输出温度快速跟踪物理约束温度以响应环境突变,实现了预测值平滑性与响应速度的自适应平衡。此外,本发明在模型训练阶段通过特征随机遮蔽策略使模型学会多传感器冗余推断,当单一传感器发生故障时仍可输出合理温度,具备良好的传感器故障鲁棒性;同时,通过将训练完成的模型部署至车载控制器并基于实时预测残差进行在线更新,使模型能够持续适应环境变化与车辆老化,在全生命周期内保持高精度预测。