论文部分内容阅读
近年来,随着燃油车保有量的迅速提升,由其造成的环境污染问题日益凸显。我国正大力推进新能源汽车的发展,电动汽车保有量的占比也越来越高。永磁同步电机作为电动汽车驱动电机应用十分广泛。其具有较高的功率密度,但同时也伴随着严重的温升问题。温度过高会加速永磁同步电机的内部绝缘层老化,造成永磁体退磁等问题,甚至导致在运行中发生动力消失的严重的安全问题。因此,永磁同步电机温度的监测与保护一直都是永磁同步电机领域中的研究重点。实现永磁同步电机温度的有效预测对于电动汽车的发展具有重要意义。本文基于深度学习的方法,使用纯数据驱动的方式进行建模,实现永磁同步电机温度的有效预测,并且使用较短的时间步长节约训练所需的资源。本文主要的工作如下:1.针对长短期记忆神经网络（Long Short-Term Memory Network,LSTM）、门控循环单元（Gate Recurrent Unit,GRU）对于永磁同步电机温度预测精度有待提升的问题,提出了一种基于最大信息系数（Maximal Information Coefficient,MIC）、一维卷积神经网络（1D convolutional neural network,1D-CNN）以及GRU的包含特征筛选与特征拓展的深度学习模型MIC-1D-CNN-GRU（MCGRU）,用于永磁同步电机温度的预测。实验结果表明,该模型相较于LSTM、GRU、1D-CNN-GRU（串行堆叠结构）具有更加良好的预测性能。2.针对MCGRU训练流程相对复杂的问题,并有效、精准地预测电机温度,本文结合伪孪生网络结构（Pseudo-siamese Network）,基于嵌套长短期记忆神经网络（Nested LSTM,NLSTM）提出了一种深度学习模型Pseudo-Siamese NLSTM（PSNLSTM）。并且针对PSNLSTM模型参数量较大的问题,引入了一种学习率优化的方法。通过实验论证了NLSTM的嵌套结构相对于堆叠结构的优异,并且实验结果表明PSNLSTM较对比模型具有更高的精度和稳定性。3.针对NLSTM结构相对复杂的问题,在保证电机温度预测效果的前提下,本文使用嵌套结构,基于GRU提出一种用于永磁同步电机温度预测的新型循环网络变体嵌套循环门控单元（Nested GRU,NGRU）。NGRU相较NLSTM具有更加简单的结构,且记忆块之间在信息传输上的更加简洁高效。通过对比实验论证了NGRU模型结构的有效性,且实验结果表明,其对永磁同步电机温度预测的具有更加良好的预测性能。结果表明,基于深度学习的电动汽车永磁同步电机温度预测方法能够有效预测永磁同步电机的温度。在电机的温度监测以及热保护领域,具有一定的参考意义和应用价值。