一种新能源汽车的热管理系统的制作方法

1.本发明涉及新能源汽车的热管理技术领域，特别涉及一种新能源汽车的热管理系统。


背景技术：

2.新能源汽车是指采用非常规的车用燃料作为动力来源(或使用常规的车用燃料、采用新型车载动力装置)，综合车辆的动力控制和驱动方面的先进技术，形成的技术原理先进、具有新技术、新结构的汽车。新能源汽车包括纯电动汽车、增程式电动汽车、混合动力汽车、燃料电池电动汽车、氢发动机汽车等。目前新能源汽车作为环保型汽车具有非常大的优势，但新能源车在行进的过程中会产生大量的热，且环境的不同以及发动机的动力的不同产生的热量会有不同的变化，冷却效果主要有水冷和风冷，但往往因为环境温度以及风扇转速的影响，经常造成过冷或过热，使得设备无法得到很好的保护，而热管理系统无法做到自动调整，需要人工进行实时调整，极大的影响了热管理的效率。


技术实现要素：

3.为了至少解决或部分解决上述问题，提供一种新能源汽车的热管理系统，利用智能化、自动化进行散热调整，使得整个热管理系统具有高效、节能、及时的特点。
4.为了达到上述目的，本发明提供了如下的技术方案：
5.本发明一种新能源汽车的热管理系统，包括数据采集模块、智能控制模块、散热驱动模块，所述数据采集模块采集汽车的状态数据，并将采集到的数据传输至智能控制模块，所述智能控制模块包括第一调度系统和第二调度系统，所述第一调度系统采用lstm神经网络模型对过往的汽车状态数据进行训练，预测后一时段的汽车温度环境状态，所述第二调度系统包括学习模块和决策模块，所述决策模块用于根据所述模拟的汽车温度环境状态和初始强化学习模型得到作用于所述汽车温度环境状态中的散热指令，循环执行多次，得到模拟训练集；所述学习模块用于根据所述模拟训练集训练初始模型，得到更新后的初始模型，所述第二调度系统将训练后得到的最佳散热指令发送至散热驱动模块，所述散热驱动模块根据散热指令控制散热结构进行散热。
6.作为本发明的一种优选技术方案，所述汽车状态数据包括汽车引擎负荷、增压压力、进气量、当前环境温度、进气温度、喷油量、油气浓度、车速、发动机转速。
7.作为本发明的一种优选技术方案，所述散热指令包括风扇的转速以及水冷的启动。
8.作为本发明的一种优选技术方案，还包括通信模块，所述数据采集模块采集的数据通过通信模块接收并发送到智能控制模块，所述智能控制模块的数据通过通信模块发送至散热驱动模块。
9.作为本发明的一种优选技术方案，所述第一调度系统根据过往的数据训练出lstm神经网络模型，再将当前的数据输入至训练后的lstm神经网络模型中，预测后一时段的汽
车温度环境状态，所述第二调度系统将过往的数据中的汽车状态数据作为状态数据，汽车温度环境状态数据作为环境数据，训练强化学习模型，并将当前的汽车状态数据和预测后一时段的汽车温度环境状态输入训练后的强化学习模型中，得到最佳散热指令。
10.与现有技术相比，本发明的有益效果如下：
11.本发明采用智能控制对散热结构进行调整，通过智能训练模型对不同的环境、汽车状态自动输出最佳的散热指令，既可以减少人工操作的盲目性，也极大的提高了自动散热的效率，使得整个热管理系统具有高效、节能、及时的特点。
附图说明
12.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
13.图1是本发明的整体结构示意图；
14.图中：1、数据采集模块；2、智能控制模块；3、散热驱动模块；4、第一调度系统；5、第二调度系统；6、学习模块；7、决策模块；8、通信模块。
具体实施方式
15.以下结合附图对本发明的优选实施例进行说明，应当理解，此处所描述的优选实施例仅用于说明和解释本发明，并不用于限定本发明。其中附图中相同的标号全部指的是相同的部件。
16.此外，如果已知技术的详细描述对于示出本发明的特征是不必要的，则将其省略，此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
17.实施例1
18.如图1所示，本发明提供一种新能源汽车的热管理系统，包括数据采集模块1、智能控制模块2、散热驱动模块3，数据采集模块1采集汽车的状态数据，汽车状态数据包括汽车引擎负荷、增压压力、进气量、当前环境温度、进气温度、喷油量、油气浓度、车速、发动机转速，并将采集到的数据传输至智能控制模块2，智能控制模块2包括第一调度系统4和第二调度系统5，第一调度系统4采用lstm神经网络模型对过往的汽车状态数据进行训练，预测后一时段的汽车温度环境状态，第二调度系统5包括学习模块6和决策模块7，决策模块7用于根据模拟的汽车温度环境状态和初始强化学习模型得到作用于汽车温度环境状态中的散热指令，循环执行多次，得到模拟训练集；学习模块6用于根据模拟训练集训练初始模型，得到更新后的初始模型，第二调度系统5将训练后得到的最佳散热指令发送至散热驱动模块3，散热驱动模块3根据散热指令控制散热结构进行散热。
19.lstm神经网络模型采用卷积神经网络，卷积神经网络单元由卷积到批标准化到激活relu函数的卷积单元形式的网络结构组成，初始学习率设置为0.1，训练200个周期，并在80、120、160个周期后依次将学习率减少5倍；其概括为第一调度系统4根据过往的数据训练出lstm神经网络模型，再将当前的数据输入至训练后的lstm神经网络模型中，预测后一时段的汽车温度环境状态；
20.强化学习在进行训练的过程中，采用q学习算法，根据评价值q进行调整，评价值q＝g
i
‑
g
i
‑1；其中，q为散热指令z的评价值，gi表示第i个时刻时当前温度与最佳温度的偏离
值；根据q值和q学习算法本身的模型不断的训练得到散热指令z的最优解，其概括为第二调度系统5将过往的数据中的汽车状态数据作为状态数据，汽车温度环境状态数据作为环境数据，训练强化学习模型，并将当前的汽车状态数据和预测后一时段的汽车温度环境状态输入训练后的强化学习模型中，得到最佳散热指令，散热指令包括风扇的转速以及水冷的启动。
21.系统还包括通信模块8，数据采集模块1采集的数据通过通信模块8接收并发送到智能控制模块2，智能控制模块2的数据通过通信模块8发送至散热驱动模块3，数据采集模块1、智能控制模块2和散热驱动模块3通过通信模块8进行信息交互。
22.最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。


技术特征：
1.一种新能源汽车的热管理系统，其特征在于，包括数据采集模块(1)、智能控制模块(2)、散热驱动模块(3)，所述数据采集模块(1)采集汽车的状态数据，并将采集到的数据传输至智能控制模块(2)，所述智能控制模块(2)包括第一调度系统(4)和第二调度系统(5)，所述第一调度系统(4)采用lstm神经网络模型对过往的汽车状态数据进行训练，预测后一时段的汽车温度环境状态，所述第二调度系统(5)包括学习模块(6)和决策模块(7)，所述决策模块(7)用于根据所述模拟的汽车温度环境状态和初始强化学习模型得到作用于所述汽车温度环境状态中的散热指令，循环执行多次，得到模拟训练集；所述学习模块(6)用于根据所述模拟训练集训练初始模型，得到更新后的初始模型，所述第二调度系统(5)将训练后得到的最佳散热指令发送至散热驱动模块(3)，所述散热驱动模块(3)根据散热指令控制散热结构进行散热。2.根据权利要求1所述的一种新能源汽车的热管理系统，其特征在于，所述汽车状态数据包括汽车引擎负荷、增压压力、进气量、当前环境温度、进气温度、喷油量、油气浓度、车速、发动机转速。3.根据权利要求1所述的一种新能源汽车的热管理系统，其特征在于，所述散热指令包括风扇的转速以及水冷的启动。4.根据权利要求1所述的一种新能源汽车的热管理系统，其特征在于，还包括通信模块(8)，所述数据采集模块(1)采集的数据通过通信模块(8)接收并发送到智能控制模块(2)，所述智能控制模块(2)的数据通过通信模块(8)发送至散热驱动模块(3)。5.根据权利要求1所述的一种新能源汽车的热管理系统，其特征在于，所述第一调度系统(4)根据过往的数据训练出lstm神经网络模型，再将当前的数据输入至训练后的lstm神经网络模型中，预测后一时段的汽车温度环境状态，所述第二调度系统(5)将过往的数据中的汽车状态数据作为状态数据，汽车温度环境状态数据作为环境数据，训练强化学习模型，并将当前的汽车状态数据和预测后一时段的汽车温度环境状态输入训练后的强化学习模型中，得到最佳散热指令。

技术总结
本发明公开了一种新能源汽车的热管理系统，包括数据采集模块、智能控制模块、散热驱动模块，数据采集模块采集汽车的状态数据，并将采集到的数据传输至智能控制模块，智能控制模块包括第一调度系统和第二调度系统，第一调度系统采用LSTM神经网络模型对过往的汽车状态数据进行训练，预测后一时段的汽车温度环境状态，第二调度系统将训练后得到的最佳散热指令发送至散热驱动模块，散热驱动模块根据散热指令控制散热结构进行散热。本发明采用智能控制对散热结构进行调整，通过智能训练模型对不同的环境、汽车状态自动输出最佳的散热指令，既可以减少人工操作的盲目性，也极大的提高了自动散热的效率，使得整个热管理系统具有高效、节能、及时的特点。及时的特点。及时的特点。


技术研发人员：程金润 阮观强 曹金良 马跃 唐明斌
受保护的技术使用者：上海电机学院
技术研发日：2021.06.24
技术公布日：2021/9/21