论文信息：基于热泵的纯电动汽车热管理系统的实验研究和仿真分析，田镇

纯电动汽车热管理系统仿真模型及实验验证

Artificial Neural Network, ANN，人工神经网络

在权衡模型复杂性和灵活性基础上，拟采用基于 ANN 模型和理论模型混合仿真的思想对纯电动汽车热管理系统仿真进行研究。

基于ANN模型和理论模型的混合仿真

采用平均相对误差（Mean Relative Error, MRE），均方根误差（Root Mean Square Error,  RMSE）和相关系数（correlation  coefficient,  R2）来衡量 ANN 模型的精度。

1 电动涡旋压缩机

为了保证数据的独立性，测试样本不参与模型的训练过程。将蒸发温度（Tevap），冷凝温度（Tcond），压缩机转速（Ncomp）以及混合项（Tevap2, Tcond2, Ncomp2, Tevap*Tcond, Ncomp*Tevap, Ncomp*Tcond）作为影响因子，压缩机的质量流量（mcomp），耗电量（Pcons）和排气温度（Tdisc）作为目标函数。通过 ANN方法得出电动涡旋压缩机的性能预测模型。

计算得第五个变量 ζ5 = 0.9475 和第六个变量 ζ6=0.9640 对 PLS 模型精度影响可以忽略。因

此，用于预测电动涡旋压缩机性能预测 ANN 模型确定为包含 7 个变量。为了研究电动涡旋压缩机 ANN 模型精度随着隐含层神经元数的变化，在隐含层神经元数为 2~8 情况下分别进行了模型测试，随着隐含层神经元个数的增加，ANN 模型的预测误差逐渐减小；但是，当隐含层神经元个数大于7 时，模型的预测误差增大。因此，电动涡旋压缩机的 ANN 模型的隐含层神经元数确定为 7，ANN 模型结构确定为 7-7-3。

PLS模型中自变量对模型的影响

因此7个变量的ANN模型为

电动涡旋压缩机的ANN模型

电动涡旋压缩机ANN模型的隐层神经元精度验证。

电动涡旋压缩机ANN模型精度

2 微通道平行流冷凝器模型

微通道平行流冷凝器的 ANN 模型，输入参数为冷凝器进风干球温度（Ta,i），湿球温度（Taw,i），进风速度（va,i），制冷剂质量流量（mr,i），制冷剂进口压力（pr,i）和温度（Tr,i）。模型输出参数为冷凝器换热量（Q），制冷剂出口温度（Tr,o），制冷剂侧压降（Δpr）和空气侧压降（Δpa）。

因此，微通道平行流冷凝器的 ANN模型的隐含层神经元数确定为 7，ANN 模型结构确定为 6-7-4。

微通道平行流的ANN模型

3 微通道平行流蒸发器

用于预测微通道平行流蒸发器性能的 ANN 模型如图 4-24 所示，输入参数为蒸发器进风干球温度（Ta,i），湿球温度（Taw,i），进风速度（va,i），制冷剂质量流量（mr,i），制冷剂进口压力（pr,i）和进口焓（hr,i）。模型输出参数为蒸发器换热量（Q），制冷剂出口温度（Tr,o），制冷剂侧压降（Δpr）和空气侧压降（Δpa）。ANN 模型结构确定为 6-8-4。

微通道平行流蒸发器ANN模型

4 电子膨胀阀

电子膨胀阀作为制冷系统的节流降压元件，其流量特性对系统的控制和运行等有很大的影响。电子膨胀阀的流量特性与阀体几何特性、入口条件、出口压力、制冷剂物性等参数相关；马善伟等认为电子膨胀阀的流量系数与阀开度、进出口压差、进口密度及阀头半锥角、流通面积、径向间隙等因素有关；张川等分析了进出口压力、过冷度、阀开度、制冷剂入口密度和出口干度对流量系数的影响。综上可知，电子膨胀阀质量流量和14个自变量有关。直接建立ANN模型会比较复杂。

应用 Buckingham π 定理求某现象的无量纲数组，可以减少自变量的个数。针对电子膨胀阀的400个数据点，将临界温度（tc）、进口密度（ρin）、出口密度（ρout）和当量直径（de）选择为重复变量，则电子膨胀阀质量流量的无量纲参数可以表示为其他无量纲参数组的指数形式，

无量纲参数组

电子膨胀阀质量流量预测问题可以视为高度非线性的多输入单输出问题。包含输入层、隐含层和输出层的神经网络可以用于解决这类问题。如表 4-13 所示的无量纲参数组（π2~π9）用于神经网络模型的输入量，无量纲质量流量 π1可以视为神经网络模型的输出量。隐含层包含 1~7 个神经元进行测试，电子膨胀阀质量流量预测的 ANN 结构确定为 8-6-1。

无量纲参数和电子膨胀阀的ANN模型

5 板式换热器

为了简化计算模型，认为板式换热器的换热效率（ηchiller）与制冷剂蒸发温度和冷却液之间的温差（ΔT）相关，即根据蒸发温度与冷却液之间的温差确定换热效率。换热效率与温差之间的关系通过下式确定。

板式换热器效率

系统仿真模型

纯电动汽车热管理系统中，所建立的模型以压力（p）和制冷剂焓（h）为主要传递参数，即系统仿真还是从制冷剂的角度考虑的。

热管理系统部件耦合关系图

系统仿真的算法如图所示

系统仿真算法

由热管理系统制冷/热量、耗电量和 COP 仿真结果与实验结果对比可以看出，纯电动汽车热管理系统仿真模型能够较好的预测系统的热力性能；系统制冷/热量的平均相对误差为 8.5%，耗电量的平均相对误差为 10.3%，COP的平均相对误差为 7.6%。