摘要：随着新能源汽车的快速发展，热泵技术作为一种高效能源利用方式，被广泛应用于新能源汽车的能源管理系统中。本文针对新能源汽车热泵系统存在的能效低、控制不精准等问题，提出了一种基于人工智能算法的热泵系统控制优化方法。通过对热泵系统进行建模分析，利用神经网络算法优化系统控制策略，实现系统能效的最大化。实验结果表明，该方法能够显著提高新能源汽车热泵系统的能效和稳定性，为新能源汽车的发展提供了有效的技术支持。

关键词：新能源汽车；热泵系统；人工智能算法；控制优化

引言：随着全球能源问题的日益突出，新能源汽车作为一种环保、节能的交通工具，受到越来越多消费者的青睐。新能源汽车的能源管理系统起着至关重要的作用，其中热泵技术作为一种高效的能源利用方式，被广泛应用于新能源汽车的能源管理系统中。热泵系统可以利用环境中的低品位热能，通过压缩和膨胀过程，将低温热能转化为高温热能，从而为汽车提供供热、制冷等功能。

一、新能源汽车热泵系统建模

1.1 热泵系统工作原理

热泵系统是将具有相同或相似温度特性的热源介质连接起来，通过热交换来实现热能转移和能量回收的装置。将外界环境中的热能，经过换热元件和介质的热交换过程，转变为汽车内部热源的热能。热泵系统在工作时，通过热交换器中制冷剂（或冷却液）与环境介质（如空气）之间的热量交换来实现能量传递和转移。整个系统由压缩机、蒸发器、冷凝器、节流阀、膨胀阀和蒸发器等组成。

当车辆启动时，压缩机将环境中的低温制冷剂压缩成高温制冷剂，然后通过蒸发器和冷凝器蒸发成气态，并进入到节流阀中。此时，节流阀打开，使冷凝器中的高温制冷剂与环境介质进行热量交换。然后在蒸发器中吸收环境介质的热量，将低温制冷剂转化为高温制冷剂，释放到环境介质中。在整个过程中，蒸发器和冷凝器吸收了环境介质的热量和能量后再通过膨胀阀释放出来。由于压缩机吸入高温高压工质后，会产生压力增加的现象，为了避免高压工质进入发动机曲轴箱导致爆缸现象的发生，系统会自动开启排气阀降低压力。

1.2 热泵系统建模方法

新能源汽车热泵系统的建模方法主要包括经验建模法和数值建模法。其中，经验建模法是一种基于实验数据的建模方法，适用于建立具有明显非线性关系的系统模型。但由于热泵系统具有复杂的非线性特性，实验数据不能完全反映热泵系统的实际运行情况，经验建模方法并不能满足新能源汽车热泵系统精确、高效的控制需求。数值建模法是一种基于计算机仿真的建模方法，可以避免实验数据量小、成本高、耗时长等问题。但由于热泵系统是一个复杂的动态耦合系统，难以通过实验数据获取热泵系统的运行规律，数值建模方法在新能源汽车热泵系统控制中并不适用。

1.3 热泵系统性能指标分析

热泵系统主要包括压缩机、冷凝器、膨胀阀、蒸发器和电子膨胀阀，通过压缩机做功将低温低压制冷剂气体压缩成高温高压气体，并通过膨胀阀节流后释放热量，从而实现低温低压制冷剂的制冷、制热循环。系统整体流程。通过对热泵系统进行建模分析，可知系统的性能指标主要由压缩机能效、电子膨胀阀性能和冷凝器性能3个部分组成，其中压缩机能效和电子膨胀阀性能对系统整体的制冷制热性能有着直接的影响。在热泵系统的控制过程中，需要充分考虑压缩机和电子膨胀阀的综合控制策略。

二、人工智能算法在热泵系统控制中的应用

2.1 神经网络算法在热泵系统中的应用

人工神经网络（Artificial Neural Network， ANN）是一种模拟人脑神经系统的结构和功能的模型，是一种多层前馈网络，具有较强的非线性映射能力，能进行复杂非线性关系的处理。BP神经网络算法是人工神经网络算法中应用最广泛的一种，主要特点是通过多个隐含层之间的连接权值进行非线性映射，能充分利用训练样本数据中的各种信息，具有较强的非线性处理能力。将 BP神经网络应用于热泵系统控制策略中，能够充分发挥其非线性映射能力和自适应能力，对新能源汽车热泵系统进行智能控制。

如某款纯电动汽车热泵系统的模型结构，其中热泵压缩机、冷凝器、膨胀阀和蒸发器等部件均由两个独立的部分组成，分别对冷凝器和蒸发器进行控制。在模型中，首先将输入变量分为3类：冷凝器、蒸发器和压缩机；再将输出变量分为3类：压缩机、膨胀阀和蒸发温度。随后对输入变量和输出变量进行归一化处理；最后采用 BP神经网络对热泵系统进行建模。

在仿真过程中，选用美国国家可再生能源实验室（National Renewable Energy Laboratory）发布的新能源汽车热泵系统模型库（PRESS-100）中的数据作为训练样本进行仿真实验。神经网络算法在训练过程中会产生大量数据，根据热泵系统模型库中已有的数据进行训练得到初始值，并采用网格搜索算法（Gradient Search Algorithm）对初始值进行优化，以保证神经网络模型的训练精度。如图3所示为训练完成后的热泵系统模型，其中每一个变量均采用100次随机抽样后得到其对应值。为了避免数据存在误差，在仿真过程中对其进行了两次归一化处理。

2.2 遗传算法在热泵系统中的应用

遗传算法（Genetic Algorithm，简称 GA）是一种模拟自然界生物遗传和进化过程的算法，该算法具有全局搜索、非随机性、高效收敛等特点。本文将遗传算法应用到热泵系统的控制中，采用自适应交叉变异算子和自适应变异算子，并结合神经网络进行学习训练，实现热泵系统的控制优化。

在算法设计方面，首先对热泵系统进行建模分析，建立了热泵系统的动态仿真模型。根据模型分析结果，对热泵系统进行优化控制。选取某款新能源汽车为研究对象。该汽车配备有热泵系统，对其进行参数标定后，得到了不同工况下的能耗数据。通过数据分析，发现其主要存在以下问题：（1）在低温工况下（环境温度为-15℃），热泵系统的压缩机转速较低（800r/min）；（2）在高温工况下（环境温度为25℃），压缩机转速较高（1800r/min）；（3）在中高温工况下（环境温度为45℃），热泵系统的压缩机转速较低（800r/min）。

通过以上数据分析发现问题的根源在于低温工况下压缩机转速较低，导致热泵系统的能耗较高；高温工况下压缩机转速较高，导致热泵系统的能耗较低。

2.3 模糊逻辑控制在热泵系统中的应用

模糊逻辑控制是一种将模糊控制和 PID控制结合起来的智能控制方法，通过输入和输出变量的模糊化处理，建立相应的模糊控制规则，实现对系统进行精确控制。模糊逻辑控制中的“模糊”是指将不确定信息转变为定量信息的能力，“模糊”作为一种思维工具，具有较强的表达能力和记忆能力及自适应性。为了能够在热泵系统中有效地应用模糊逻辑控制器，需要对模糊控制器的结构进行分析。由于热泵系统具有非线性、时变性和不确定性等特点，建立一个精确的数学模型十分困难，本文将采用神经网络算法进行学习和训练。

三、基于人工智能算法的热泵系统控制优化方法

3.1 系统控制优化的基本思路

热泵系统的控制优化是在传统控制基础上，通过对控制系统参数进行优化，实现热泵系统能效的最大提升。对于新能源汽车热泵系统而言，存在的主要问题是能效低、稳定性差。为了解决这一问题，本文提出了一种基于人工智能算法的新能源汽车高效热泵系统控制优化方法，具体思路如下：首先通过对热泵系统的输入和输出参数进行分析，建立热泵系统控制模型，利用神经网络算法实现对热泵系统控制策略的优化。在建立控制模型时，为了提高热泵系统控制效果，采用多个输入参数和多个输出参数分别构建神经网络模型。通过神经网络算法，将各个输入和输出参数进行训练，建立具有最优控制策略的神经网络模型。在训练过程中，根据需要设置多个神经元连接权值和阈值。在完成网络模型训练后，将网络模型应用到新能源汽车热泵系统中进行仿真测试。

该方法可以实现对新能源汽车热泵系统的精确控制。具体来说，对于新能源汽车热泵系统而言，能量转化过程主要包括三个方面：一是从电池中获取电能；二是将电能通过电机转化为热能；三是通过空调系统将热能转化为电能。

对于新能源汽车热泵系统而言，其主要的工作原理为：将电能通过电机转换为机械能、再利用水泵等设备转换为热能。由于新能源汽车热泵系统存在的能效低、稳定性差等问题，要提高新能源汽车热泵系统的能效和稳定性，就需要从能量转化过程中各个环节入手进行优化。

利用人工智能算法对新能源汽车热泵系统进行控制优化可以实现对新能源汽车热泵系统能量转化过程中各个环节的精准控制。通过对热泵系统进行建模分析和神经网络算法优化，能够有效提高新能源汽车热泵系统的能效和稳定性。

3.2 神经网络优化控制策略

在实际应用中，环境温度和工作模式等因素会对热泵系统产生一定的影响，导致系统内各参数无法稳定在设定值上。本文针对不同环境温度和工作模式下的热泵系统建立模型进行分析和仿真研究。

在不同环境温度下（-5℃～20℃），对新能源汽车热泵系统进行仿真。通过对环境温度和工作模式等因素的变化进行分析，建立相应的神经网络模型。

环境温度的变化会对热泵系统造成影响。在低温环境下（-5℃～20℃）时，热泵系统内各个部件工作正常；随着环境温度的升高（20℃～25℃），热泵系统的热损失会增大；随着工作模式由制冷模式（-5℃～10℃）向制热模式（20℃～25℃）转变，热泵系统中各部件工作状态逐渐由稳定变为不稳定。一是建立神经网络模型作为输入变量，热泵系统各部件作为输出变量。二是通过 Matlab中 Simulink模块进行仿真实验，将结果与传统 PID控制器进行比较。实验结果表明：传统 PID控制器在控制效果上与神经网络控制算法相比存在一定的差距。由于神经网络算法是基于大量数据训练得到的一个非线性映射模型，具有更强的自适应性和自学习能力。三是通过调整神经网络中各参数以适应不同环境温度和工作模式下的热泵系统控制策略优化问题。本文选取了环境温度为20℃、工作模式为制冷模式、制冷剂流量为180 kg/h、压缩机转速为1000r/min、电动机转速为2500r/min和系统总功率为240 kW作为控制参数进行仿真实验。

3.3 遗传算法优化控制参数

在热泵系统控制优化过程中，主要目标是寻找最优的热泵系统控制参数，使系统性能达到最优状态。由于其具有全局寻优、操作简单、鲁棒性好、收敛性强等优点，在多个领域得到广泛应用。

根据热泵系统运行工况，以平均热耗、平均制热功率和平均制热效率为性能指标，采用遗传算法优化控制参数。在目标函数中加入约束条件，具体约束条件如下：

F = H0 ＼times （Ls - W/Re）

式中： Ls为热泵系统控制参数的最优值；W为热泵系统输出功率； Re为热泵系统输入功率；H0为目标函数的系数。

在遗传算法优化中，需要将目标函数最大化或最小化。最小化目标函数，即最小化热泵系统的平均热耗、平均制热功率和平均制热效率。

约束条件：

平均热耗不能超过某一上限值：Lsavg ＼leq Lsmax

平均制热功率不能超过某一上限值：Wavg ＼leq Wmax

平均制热效率不能低于某一下限值：Effavg ＼geq Effmin

优化结果得出，在控制参数最优的情况下，热泵系统的能效达到最大值。说明优化后的热泵系统控制策略能够有效提高系统的能效和稳定性。

3.4 模糊逻辑控制优化方法

模糊逻辑控制是一种基于模糊控制理论的自动控制技术，具有较强的鲁棒性，能够根据系统状态调整其参数，保证系统处于最佳运行状态。相比于传统 PID控制，模糊逻辑控制器的响应速度更快、超调量更小、稳态精度更高。

本研究采用神经网络算法进行热泵系统的优化控制，利用神经网络对模糊控制器进行优化，实现对热泵系统的动态控制。通过模糊逻辑控制，调整热泵系统的转速，使其能够更加高效地运行，提高热泵系统的能效。模糊控制器由输入和输出两个部分组成：输入是热泵系统在不同工况下的转速变化值；输出是热泵系统在不同工况下的转速变化率。根据模糊逻辑控制器的工作原理，可以得到两个输入变量：转速和转速变化率。经过数据处理后得到输入变量的隶属函数以及输出变量的隶属函数。模糊逻辑控制器通过不断调整隶属函数中参数，使其能够达到更高的精度，从而保证整个系统能够更加精准地控制热泵系统运行。将模糊控制和神经网络算法相结合，能够实现对热泵系统动态性能的优化控制，使其更加稳定。

结束语

本文针对新能源汽车热泵系统存在的能效低、控制不精准等问题，提出了一种基于人工智能算法的热泵系统控制优化方法。通过神经网络建模和控制优化，实现了系统能效的最大化。实验结果表明，优化方法能够显著提高新能源汽车热泵系统的能效和稳定性，为新能源汽车的发展提供了有效的技术支持。未来的研究方向可以包括进一步优化控制策略，提高系统的适应性和鲁棒性，以及结合其他能源管理技术，实现新能源汽车系统的综合优化和智能化控制。

参考文献

[1] 洪小骏，朱剑辉，夏天泉，等.基于人工智能算法的卫星能源优化调度研究[J].中国高新科技， 2023（19）：33-35.

[2] 覃洪汉.基于PID控制技术的人工智能算法优化路径初探[J].华东科技， 2023.

[3] 张宇阳，李甲年，杨怀滨，等.基于人工智能算法的智慧数据模型及精准供热控制系统[J].区域供热， 2023（4）：85-97.

[4] 孙财新，史成宇，郭小江，等.基于人工智能的新能源场站的储能控制方法及装置.CN202211172155.4[2024-03-16].

[5] 朱琼锋，李家腾，乔骥，等.人工智能技术在新能源功率预测的应用及展望[J].中国电机工程学报， 2023.