本發(fā)明涉及電機溫度估算領域，尤其涉及一種基于gp-narx模型的電機溫度估算方法及裝置。

背景技術：

1、新能源汽車由于具備節(jié)能環(huán)保、綠色低碳的優(yōu)勢，其市場滲透率不斷提升，市場份額也不斷增加。新能源汽車的驅(qū)動電機作為其電驅(qū)系統(tǒng)的核心部件，得到更多的關注與研究。電機在工作過程中會發(fā)生損耗，使其溫度升高，而溫度過高會加快定子繞組老化，轉子磁鋼退磁，嚴重時導致電機報廢。因此，關于如何估算電機溫度的研究具有十分重要的意義。

2、現(xiàn)有技術中，電機溫度估算的方法主要包括：有限元法、集總參數(shù)熱網(wǎng)絡法、信號注入法以及磁鏈觀測器等。然而，由于汽車驅(qū)動電機內(nèi)部傳熱關系復雜，難以準確對其傳熱路徑進行分析，該些電機溫度估算方法在實際應用面臨著各種困難和挑戰(zhàn)。與此同時，近年來隨著人工智能技術在數(shù)據(jù)挖掘、復雜系統(tǒng)建模、參數(shù)辨識等方面得到廣泛的研究和應用，開始出現(xiàn)利用人工智能技術進行汽車驅(qū)動電機溫度估算的方案助力電機溫度的研究工作。

3、與此同時，高斯過程回歸(gaussian?process?regression，gpr)是一種基于貝葉斯方法的非參數(shù)概率模型，可模擬系統(tǒng)的非線性行為。外因輸入非線性自回歸網(wǎng)絡(nonlinear?autoregressive?with?exogenous?input?narx)是一種循環(huán)動態(tài)網(wǎng)絡，通常用于時間序列建模，其模型預測輸出可以反饋至模型輸入端口，從而考慮輸出值變化對系統(tǒng)的影響。高斯過程非線性自回歸(gaussian?process?nonlinear?autoregressiveexogenous，gp-narx)算法可以將gpr與narx結合起來，具備兩種算法的優(yōu)點，能夠較好地使用電機溫度估算工作。

4、電機工作過程中能夠?qū)囟犬a(chǎn)生影響的參數(shù)眾多，模型輸入?yún)?shù)的選擇對建模至關重要。然而，人工特征選擇盲目性大，往往效果不理想。此外，gp-narx模型中有較多待確定的超參數(shù)，其直接影響模型的性能，現(xiàn)有技術中已有方案的參數(shù)優(yōu)化方法往往難以取得理想的效果。

5、為了克服現(xiàn)有技術存在的上述缺陷，本領域亟需一種基于gp-narx模型的電機溫度估算方法及裝置，利用gp-narx模型進行電機溫度估算工作，在訓練模型時優(yōu)化模型的輸入變量選擇和超參數(shù)的求解，對于電機溫度估算這一實際工況問題針對性地改進模型，使得采用gp-narx模型進行電機溫度估算工作時能夠獲得更高的估算效率及估算準確率，進一步為電機開發(fā)工作提供便利。

技術實現(xiàn)思路

1、以下給出一個或多個方面的簡要概述以提供對這些方面的基本理解。此概述不是所有構想到的方面的詳盡綜覽，并且既非旨在指認出所有方面的關鍵性或決定性要素亦非試圖界定任何或所有方面的范圍。其唯一的目的是要以簡化形式給出一個或多個方面的一些概念以為稍后給出的更加詳細的描述之序。

2、為了克服現(xiàn)有技術存在的上述缺陷，本發(fā)明提供了一種基于gp-narx模型的電機溫度估算方法，可以包括：獲取電機在預定工況下的工況參數(shù)；執(zhí)行初始化工作以獲取該電機的初始溫度值；以及將該工況參數(shù)與該初始溫度值輸入經(jīng)訓練階段訓練得到的gp-narx模型，將該gp-narx模型最終的輸出值作為該電機的實時溫度估算值，該gp-narx模型在工作過程中將上一時刻輸出的電機溫度值反饋至下一時刻的輸入以反映電機溫度變化對電機實時溫度的影響；其中，在該訓練階段對多個該工況參數(shù)基于灰色關聯(lián)度進行優(yōu)化，以篩選與電機溫度更為相關的工況參數(shù)作為輸入該gp-narx模型的訓練數(shù)據(jù)進而訓練該gp-narx模型。

3、在一優(yōu)選的實施例中，該對多個該工況參數(shù)基于灰色關聯(lián)度進行優(yōu)化，包括：采用以下公式分別計算多個該工況參數(shù)與電機溫度的灰色關聯(lián)度值：

4、

5、其中，y(k)為電機溫度，xi(k)為與電機溫度相關的多個該工況參數(shù)，ρ為灰色分辨系數(shù)；以及將多個該工況參數(shù)按照其對應的灰色關聯(lián)度值由大到小的順序進行排序，以得到用于確定該gp-narx模型輸入變量個數(shù)的待優(yōu)化超參數(shù)u：u＝[u1,u2,…,um]；其中，u1表示與電機溫度灰色關聯(lián)度值最大的工況參數(shù)，u2表示與電機溫度灰色關聯(lián)度值排在前兩位的工況參數(shù)，依次類推，um表示與電機溫度灰色關聯(lián)度值排在前m位的工況參數(shù)。

6、在一實施例中，優(yōu)選地，該訓練階段可以包括：采集該電機在實際運行中的多組工況數(shù)據(jù)，將該多組工況數(shù)據(jù)劃分為多個數(shù)據(jù)集，并進行基于該灰色關聯(lián)度的優(yōu)化排序，該多個數(shù)據(jù)集包括訓練集；為該gp-narx模型選擇適配的核函數(shù)，將經(jīng)過灰色關聯(lián)度排序的該訓練集的工況數(shù)據(jù)輸入至該gp-narx模型；以及采用pso優(yōu)化算法確定該gp-narx模型的超參數(shù)，從而完成模型訓練工作。

7、在一實施例中，優(yōu)選地，該多組工況數(shù)據(jù)包括經(jīng)過灰色關聯(lián)度排序的多個工況下的工況參數(shù)以及每個工況下該電機的實時溫度，該訓練階段還可以包括：將經(jīng)灰色關聯(lián)度排序后的該多組工況數(shù)據(jù)進行預處理并整理為(xi,yi)的時間序列形式，xi為模型輸入，yi為由傳感器采集的該電機的實時溫度，xi表示為：

8、

9、其中，為用于輸入該gp-narx模型的電機不同工況的工況參數(shù)，為用于反饋至該gp-narx模型輸入的該電機的實時溫度，nu和ny分別為用于決定該gp-narx模型輸出回歸步長和輸入步長的參數(shù)。

10、在一實施例中，優(yōu)選地，該電機的實時溫度yi表示為：yi＝f(xi)+εi，其中，f(·)表征該gp-narx模型，εi為添加的均值為零的高斯白噪聲，且εi滿足以下表達式以防止模型過擬合：其中σy為εi的標準差。

11、在一實施例中，優(yōu)選地，該gp-narx模型還滿足以下表達式：

12、f＝f(xi)～n(f|0,k)，其中，k為協(xié)方差矩陣，kij＝k(xi,xj)，k(·,·)為該核函數(shù)；該為該gp-narx模型選擇適配的核函數(shù)，可以包括：選擇平方指數(shù)函數(shù)作為該核函數(shù)，并用以下公式表示該核函數(shù)：

13、

14、其中，d為數(shù)據(jù)維度，σf、l為該核函數(shù)中待優(yōu)化的超參數(shù)。

15、在一實施例中，優(yōu)選地，該gp-narx模型的超參數(shù)為θ＝[u,nu,ny,σf,l,σy]，其中，u為模型輸入工況參數(shù)，nu、ny分別為該gp-narx模型輸入及輸出反饋的步長，σf和l為se核函數(shù)的超參數(shù)，σy為模型高斯白噪聲的標準差，該采用pso優(yōu)化算法確定該gp-narx模型的超參數(shù)，可以包括：按該超參數(shù)的變量個數(shù)確定每個粒子的維度，隨機生成該gp-narx模型超參數(shù)的初始種群，包括每個粒子的初速度及初始位置；基于適應度函數(shù)計算每個粒子個體的適應度值，該每個粒子個體的適應度值即為電機溫度預測的均方誤差fid；若一粒子對應的電機溫度預測的均方誤差fid小于粒子在先前迭代歷史中的最小溫度均方誤差f(pid)，則用該電機溫度均方誤差fid取代前一輪的f(pid)，用該粒子取代前一輪的粒子，更新粒子的速度及位置；若一粒子的最小電機溫度均方誤差f(pid)小于所有粒子的全局最小電機溫度均方誤差f(pgd)，則用該粒子的最小電機溫度均方誤取代原有全局最小電機溫度均方誤差，同時保存該粒子的當前位置；以及當滿足預設的尋優(yōu)結束條件時，以粒子的當前位置作為尋優(yōu)所得最優(yōu)的該gp-narx模型輸入及超參數(shù)。

16、在一實施例中，優(yōu)選地，該更新粒子的速度及位置，可以包括：采用以下公式更新粒子的速度及位置：

17、vid(k+1)＝wvid(k)+c1r1(k)(pid(k)-xid(k))+c2r2(k)(pgd(k)-xid(k))

18、xid(k+1)＝xid(k)+vid(k+1)

19、其中，vid(k)是第i個粒子在第k次迭代中第d維度上的速度，xid(k)是第i個粒子在第k次迭代中第d維度上的位置，pid是第i粒子第d維度上的個體歷史最優(yōu)位置，pgd為所有粒子經(jīng)歷的最優(yōu)位置，c1和c2為根據(jù)實踐經(jīng)驗確定的學習因子，r1、r2是[0,1]之間的均勻分布的隨機數(shù)，w是根據(jù)迭代次進行線性減小的慣性權重，采用下式表達：

20、

21、其中，wmax、wmin分別為最大、最小慣性權重，t為當前迭次數(shù)，kmax為最大迭次數(shù)。

22、在一實施例中，優(yōu)選地，該多個數(shù)據(jù)集還包括測試集，該電機溫度估算方法還可以包括：經(jīng)過該訓練階段訓練完成該gp-narx模型后，再經(jīng)過測試階段對經(jīng)過訓練的gp-narx模型進行驗證工作；若在該測試階段該經(jīng)過訓練的gp-narx模型滿足預設驗證條件，則將該工況參數(shù)與該初始溫度值輸入該gp-narx模型，并將該模型最終的輸出值作為該電機的實時溫度估算值；若在該測試階段該經(jīng)過訓練的gp-narx模型不滿足預設驗證條件，則重新訓練該gp-narx模型。

23、在一實施例中，優(yōu)選地，該預設驗證條件可以包括：采用以下誤差函數(shù)rmse作為評價指標以衡量該gp-narx模型的預測精度：

24、

25、其中，n表示該測試集的數(shù)據(jù)組數(shù)，yi表示由傳感器實測的該電機的實時溫度值，yi*表示該gp-narx模型的預測輸出值。

26、在一實施例中，優(yōu)選地，該將該工況參數(shù)與該初始溫度值輸入經(jīng)訓練階段訓練得到的gp-narx模型，可以包括：將由該訓練階段中基于灰色關聯(lián)度優(yōu)化篩選后的工況參數(shù)類別的工況參數(shù)數(shù)據(jù)輸入該gp-narx模型以預測該電機的實時溫度估算值。

27、在一實施例中，優(yōu)選地，該執(zhí)行初始化工作以獲取該電機的初始溫度值，可以包括：整車上電，獲取整車下電時間，將該整車下電時間與預設時間閾值進行比較；響應于該整車下電時間不低于該預設時間閾值，將該電機冷卻水入口的當前溫度作為該初始溫度值；以及響應于該整車下電時間低于該預設時間閾值，基于實時環(huán)境溫度選擇電機降溫曲線，根據(jù)該整車下電時間和該電機降溫曲線計算該電機的當前溫度以作為該初始溫度值。

28、本發(fā)明的另一方面還提供了一種基于gp-narx模型的電機溫度估算裝置，包括：存儲器；以及與該存儲器耦接的處理器，該處理器配置用于執(zhí)行如上文中任一項該的基于gp-narx模型的電機溫度估算方法。

29、本發(fā)明還一種計算機可讀介質(zhì)，其上存儲有計算機程序，該計算機程序被處理器執(zhí)行時實現(xiàn)如上文中任一項該的基于gp-narx模型的電機溫度估算方法。