电动汽车大功率快充过程中充电模块发热量大、温升快，而现有的强制风冷策略较为粗放，风扇转速较实际需求过高，产生噪声过大，难以在居民区普及，同时风扇长时间转速过高容易在使用中产生故障。本项目针对这一问题，基于数据驱动的思想，建立了充电模块的热阻网络模型，辨识出模型参数，设计了系统的损耗观测器，利用神经网络模型求解关键器件的损耗，得到系统状态方程，并运用模型预测控制的方法实现了系统控制的多目标优化。

完成热阻网络模型构建，建立充电单元的热分布预测模型，得到全阶段各重要节点的温度估计情况。

设计损耗观测器，根据观测的损耗建立基于机器学习的功率、磁性器件的损耗模型，并通过有限元仿真进行验证。

进行模型预测控制（MPC）热管理，根据系统选取最优MPC方式，撰写MPC求解器，部署代码并测试实验。

本研究的最终目标是实现充电模块在温度不超限情况下实现了风扇能耗降低、寿命提升、噪声抑制等多项优化目标，其中噪声至少降低5dB。

建立了节点间的RC热网络模型，辨识出模型的热阻热容参数，得到了变转速工况下的非线性模型。

设计了一种基于扩张状态观测器的分布式损耗观测器，利用有限元分析验证损耗，建立了神经网络求解关键器件的损耗。

提出了一种非线性模型预测控制方法，在确保温度受控的前提下，有效降低风扇转速，实现多目标优化。

控制代码部署至充电模块，能使系统温度不超过70℃，同时实现最大降噪8dB以上，出色地完成了企业要求，实现对风扇的降噪和低功耗控制需求。