来源：期刊VIP网 时间：
作者：李昊;孙桓五;刘世闯;闫志远;
单位：太原理工大学机械与运载工程学院;太原理工大学煤炭资源开采利用与装备工程国家级实验教学示范中心;
摘要：氢燃料电池重卡动力源多采用燃料电池为主，动力电池为辅的形式，因其工况复杂，导致动力电池表面温度难以及时预测，采用Adam与模拟退火衰减学习率复合优化长短期记忆神经网络（LSTM），建立了以动力电池外表面温度为对象的预测模型。由于LSTM神经网络其自身独特的门控机制和全局处理能力，将动力电池的外表面温度与电流的大小、充放电时间、温度（环境、历史）建立非线性关系。经过7种环境温度下的模拟工况实验，验证了该模型可以准确的预测电池表面温度，减少了BP神经网络模型和RNN神经网络模型中的梯度消失和梯度爆炸现象，并解决了在频繁大电流充放电循环中的预测模型误差偏大、损失函数收敛较慢等问题。本研究采用了一种全新的方法对动力电池表面温度进行了预测。
关键词：氢燃料重卡;;长短期记忆网络;;锂离子电池;;温度预测模型;;深度学习
基金资助：山西省科技重大专项项目（No.20181102009）“重卡燃料电池动力系统及整车集成技术”
