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...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。展开更多
