一种基于GRU的氢燃料重卡汽车工况下锂离子电池温度预测模型

针对目前氢燃料重卡在行驶过程中,动力电池工况复杂、外表面温度变化难以预测、滞后时间长等问题,以氢燃料重卡锂离子动力电池外表面温度为研究对象,提出一种类交叉熵损失函数和自适应矩估计(adaptive moment estimation,Adam)优化的改进型门控循环单元神经网络(gate recurrent unit,GRU),建立锂离子动力电池表面温度预测模型。该模型利用GRU神经网络的特殊门机制和全局处理能力,得到锂离子电池表面温度和电池充放电电流、电压、充放电时间、历史温度、当前温度以及环境温度之间的非线性关系。采用4个精度评价函数对预测模型进行评价:经过5种环境温度下的模拟工况实验,验证该模型的准确性。结果表明,基于GRU的电池温度预测模型的误差相对于反向传播(back propagation,BP)神经网络模型和循环神经网络模型(recurrent neural network,RNN)来说较小,说明GRU的锂离子电池温度预测模型具有更高的精度。该文为磷酸铁锂电池表面温度的精准预测提出了一种新的方法。

重卡辅助动力电池加热系统能耗对比及优化

清洁能源的重卡汽车因其零排放、长续航等特性近年来得到了迅速发展,其动力驱动配置多采用燃料电池为主动力电池为辅的形式。低温环境下,重卡辅助动力电池性能衰减不足以承担辅助动力源削峰填谷的重担。因此,加热辅助动力电池使其恢复充电放电性能对重卡汽车应对寒冷环境显得尤为重要。本工作以方形磷酸铁锂电池组为研究对象,通过实验测试单体磷酸铁锂电池−10℃、0℃、10℃、20℃的放电工况,得出电池的低温热特性,建立单体电池的热模型并验证其模型有效性。基于该模型提出了一种以石墨烯加热膜为主要热源,整车车载热源余热为辅助热源的加热升温系统。同时,为了降低该加热系统能耗,基于传热原理建立了电池加热系统线性时变模型预测控制器(MPC)。结果表明,重卡在C-WTVC的行驶工况下,电池加热系统通过换热器利用车载热源余热能够提升动力电池组升温速率,使用加热膜和换热器的加热系统比传统PTC加热系统能耗降低了30%。采用MPC控制策略的加热系统比PID控制的加热系统能耗降低了14%。