CN116565402B - 储能电池冷却***及控制方法 - Google Patents
储能电池冷却***及控制方法 Download PDFInfo
- Publication number
- CN116565402B CN116565402B CN202310846034.1A CN202310846034A CN116565402B CN 116565402 B CN116565402 B CN 116565402B CN 202310846034 A CN202310846034 A CN 202310846034A CN 116565402 B CN116565402 B CN 116565402B
- Authority
- CN
- China
- Prior art keywords
- temperature
- real
- time
- energy storage
- storage battery
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 189
- 238000004146 energy storage Methods 0.000 title claims abstract description 186
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 92
- 238000010801 machine learning Methods 0.000 claims abstract description 86
- 239000007788 liquid Substances 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 26
- 238000010438 heat treatment Methods 0.000 claims description 48
- 230000000630 rising effect Effects 0.000 claims description 46
- 239000000110 cooling liquid Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 238000013480 data collection Methods 0.000 claims description 10
- 230000036541 health Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000010792 warming Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002035 prolonged effect Effects 0.000 abstract 1
- 238000006243 chemical reaction Methods 0.000 description 4
- 239000002826 coolant Substances 0.000 description 2
- 238000007599 discharging Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 230000000087 stabilizing effect Effects 0.000 description 1
- 210000000352 storage cell Anatomy 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/61—Types of temperature control
- H01M10/613—Cooling or keeping cold
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
- H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/65—Means for temperature control structurally associated with the cells
- H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
- H01M10/6567—Liquids
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
- Y02E60/10—Energy storage using batteries
Landscapes
- Engineering & Computer Science (AREA)
- General Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Chemical & Material Sciences (AREA)
- Manufacturing & Machinery (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Automation & Control Theory (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了储能电池冷却***及控制方法，涉及储能电池冷却技术领域，通过预先收集预测温度变化所需要的历史训练数据，基于历史训练数据训练预测实时升温值的第一机器学习模型以及训练预测实时降温值的第二机器学习模型，使用第一机器学习模型以及第二机器学习模型为待控制储能电池生成预测的温度上升序列，并为温度上升序列中的每个实时温度值构造一个温度下降序列，并合并生成温度下降序列集合，基于温度上升序列以及温度下降序列集合，为待控制储能电池设置降温节点，并在储能电池实时温度达到降温节点时，启动液冷装置；提高了液冷装置的寿命，降低了液冷装置的运行成本。
Description
技术领域
本发明涉及储能电池冷却技术领域，具体是储能电池冷却***及控制方法。
背景技术
储能电池冷却技术在储能***中起着至关重要的作用。随着储能电池容量的增加和高功率放电需求的增加，储能电池在运行过程中会产生大量的热量，导致温度升高；高温对储能电池的性能和寿命产生不利影响，甚至可能引发安全隐患；
液冷方法作为一种常用的储能电池冷却手段，循环导热液将热量从电池中传递出去，效果较好；但是液冷方法需要涉及到冷却设备的安装和维护成本较高，且每次液冷装置的启动和运行均需要一定的成本；
目前的液冷***通常是采用固定触发点的方式，即其启动温度阈值是固定的，无法根据电池实际情况进行灵活调整。这可能导致频繁的启动液冷装置或一次运行液冷装置的时长过长；
申请公开号为CN115472955A的中国专利公开了一种电池储能液冷***均流装置和方法，冷却液进入到远离液泵的均流组件中，低速流动的冷却液无法推动稳压板移动，冷却液通过粗排液孔和细排液孔同时排出，叶轮转动的速度低于冷却液高速流动经过时的转速，从而能够提高远离液泵端均流组件的流速，弥补远离液泵端冷却液流速低，压力小的不足，从而能够实现多个位置均流的目的；但是该方法并未能考虑到液冷装置的启动和运行成本的平衡；
为此，本发明提出储能电池冷却***及控制方法。
发明内容
本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出储能电池冷却***及控制方法，提高了液冷装置的寿命，降低了液冷装置的运行成本。
为实现上述目的，本发明提出储能电池冷却控制方法，预先收集预测温度变化所需要的历史训练数据；
基于历史训练数据训练预测实时升温值的第一机器学习模型以及训练预测实时降温值的第二机器学习模型；
使用第一机器学习模型以及第二机器学习模型为待控制储能电池生成预测的温度上升序列，并为温度上升序列中的每个实时温度值构造一个温度下降序列，并将所有温度下降序列组合为温度下降序列集合；
基于温度上升序列以及温度下降序列集合，为待控制储能电池设置降温节点，并在储能电池实时温度达到降温节点时，启动液冷装置。
进一步地，所述历史训练数据包括在实验环境中收集的第一训练数据以及第二训练数据；
所述实验环境为由测试人员通过控制影响储能电池的温度上升或下降的物理因素，不断收集储能电池的实时温度变化量的数据收集环境。
进一步地，所述第一训练数据包括若干组升温特征数据以及实时升温值；
所述升温特征数据包括储能电池实时温度、环境温度、充放电速率、容量、负载功率以及储能电池健康度；
所述充放电速率通过电压传感器实时获得的电压变化值获得；所述电压变化值为当前的储能电池的电压减去上一时刻储能电池的电压；
所述实时升温值为储能电池在每组升温特征数据对应的状态下，储能电池的实时温度升高值；
所述实时温度升高值根据当前储能电池的温度减去上一时刻储能电池的温度获得；储能电池的温度通过温度传感器实时获得。
进一步地，所述第二训练数据包括若干组降温特征数据以及实时降温值；
所述降温特征数据包括在实验环境中为储能电池使用液冷装置进行冷却时，储能电池实时温度、冷却液流量、冷却液流速、冷却液温度、环境温度以及负载功率；
所述实时降温值为通过使用液冷装置后，在每组降温特征数据对应的状态下，储能电池的实时温度降低值；
所述实时温度降低值根据上一时刻储能电池的温度减去当前储能电池的温度获得。
进一步地，所述训练预测实时升温值的第一机器学习模型的方式为：
将第一训练数据中的每组升温特征数据作为第一机器学习模型的输入，所述第一机器学习模型以每组升温特征数据的预测的实时升温值为输出，以该组升温特征数据对应的实时升温值为预测目标，以最小化所有升温特征数据的预测误差之和作为训练目标；对第一机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练。
进一步地，所述训练预测实时降温值的第二机器学习模型的方式为：
将第二训练数据中的每组降温特征数据作为第二机器学习模型的输入，所述第一机器学习模型以每组降温特征数据的预测的实时降温值为输出，以该组降温特征数据对应的实时降温值为预测目标，以最小化所有实时降温值的预测误差之和作为训练目标；对第二机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练。
进一步地，所述生成预测的温度上升序列包括以下步骤：
步骤S1：预设温度监控阈值T以及循环次数阈值X，使用温度传感器实时获取待控制储能电池的温度，并在温度大于温度监控阈值T时，转至步骤S2；设置时间增量变量s=1；将当前时刻标记为D；
步骤S2：获取D+（s-1）时刻下，待控制储能电池的升温特征数据；在s=1时，待控制储能电池的升温特征数据中的储能电池实时温度为待控制储能电池的实时温度，待控制储能电池的升温特征数据中的容量为待控制储能电池在D时刻的容量；
在s>1时，待控制储能电池的升温特征数据中的储能电池实时温度为在D+（s-1）时刻下，第一机器学习模型输出的实时升温值的预测值加上D+(s-2)时刻的储能电池实时温度，容量由D时刻的充放电速率以及D+（s-1）时刻的待控制储能电池的容量计算获得；
步骤S3：将升温特征数据输入至第一机器学习模型中，获得第一机器学习模型输出的对实时升温值的预测值，将D+（s-1）时刻实时升温值的预测值标记为Ys，再将D+（s-1）时刻实时升温值的预测值Ys加上D+（s-1）时刻的储能电池实时温度，作为D+s时刻的实时温度值；将s更新为s+1，循环执行步骤S2-S3，直至循环的次数等于循环次数阈值X；
步骤S4：将D时刻至D+X时刻所有的实时温度值按时间先后顺序进行排序，排序后的实时温度值的序列即为温度上升序列。
进一步地，为温度上升序列中的每个实时温度值构造一个温度下降序列的方式为：
将温度上升序列中的实时温度值按时间序列进行编号，编号标记为i，第i个实时温度值标记为Yi；
对于第i个实时温度值，构造温度下降序列包括以下步骤：
步骤P1：预设终止降温温度阈值Q，将时间增量变量s设置为1，获取第s-1时刻的降温特征数据；
当s=1时，对应的降温特征数据中的储能电池实时温度为实时温度值Yi；
当s>1时，对应的降温特征数据中的储能电池实时温度为在s-1时刻下，第二机器学习模型输出的实时降温值的预测值减去s-2时刻的储能电池实时温度；
步骤P2：将s时刻的降温特征数据输入至第二机器学习模型中，获得第二机器学习模型输出的实时降温值的预测值，将s-1时刻实时降温值的预测值标记为Gs，将s-1时刻的储能电池实时温度减去s-1时刻实时降温值的预测值Gs，作为s时刻的储能电池实时温度，将s时刻的储能电池实时温度按时间先后顺序保存至温度下降序列；将s更新为s+1，循环执行步骤P1-P2，直至s时刻的储能电池实时温度小于或等于终止降温温度阈值Q。
进一步地，为待控制储能电池设置降温节点的方式为：
获得温度上升序列中第i个实时温度值对应的温度下降序列中的元素数量，将该元素数量标记为Ni；
计算第i个实时温度值对应的降温权重Ei，其中，降温权重Ei的计算公式为Ei=a1*i-a2*Ni；其中，a1和a2分别为预设的比例系数；
从所有的实时温度值中，搜索得到降温权重Ei最大的实时温度值，将该降温权重Ei最大的实时温度值作为降温节点。
储能电池冷却控制***，包括训练数据收集模块、模型训练模块、温度变化序列构建模块以及自动冷却模块；
训练数据收集模块，预先收集预测温度变化所需要的历史训练数据，并将收集的历史训练数据发送至模型训练模块；
模型训练模块，基于历史训练数据训练预测实时升温值的第一机器学习模型以及训练预测实时降温值的第二机器学习模型，并将训练完成的第一机器学习模型以及第二机器学习模型发送至温度变化序列构建模块；
温度变化序列构建模块，使用第一机器学习模型为待控制储能电池生成预测的温度上升序列，并使用第二机器学习模型为温度上升序列中的每个实时温度值构造一个温度下降序列，并将所有温度下降序列组合为温度下降序列集合，并将温度上升序列以及温度下降序列集合发送至自动冷却模块；
自动冷却模块，基于温度上升序列以及温度下降序列集合，为待控制储能电池设置降温节点，并在储能电池实时温度达到降温节点时，启动液冷装置。
一种计算机设备，包括：处理器和存储器；
其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行所述的储能电池冷却控制方法。
一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行所述的储能电池冷却控制方法。
与现有技术相比，本发明的有益效果是：
本发明通过预先收集预测温度变化所需要的历史训练数据，在历史训练数据中，包括升温特征数据、实时升温值的组合、降温特征数据以及实时降温值的组合，并基于历史训练数据训练预测实时升温值的第一机器学习模型以及训练预测实时降温值的第二机器学习模型，基于待控制储能电池的初始值、预测的实时升温值，以及第一机器学习模型，生成预测的温度上升序列，并使用第二机器学习模型为温度上升序列中的每个实时温度值构造一个温度下降序列，并将所有温度下降序列组合为温度下降序列集合，基于温度上升序列以及温度下降序列集合，通过在不使用液冷装置的情况下，对储能电池未来的温度走势进行预测，再以未来每个时间节点的温度作为启动液冷装置的启动温度，智能选择其中启动液冷装置和运行液冷装置所需要的代价较小的启动温度作为降温节点，并在储能电池实时温度达到降温节点时，启动液冷装置；通过智能化的选择降温节点，提高了液冷装置的寿命，降低了液冷装置的运行成本。
附图说明
图1为本发明实施例1中储能电池冷却***的模块连接关系图；
图2为本发明实施例2中储能电池冷却控制方法的流程图。
具体实施方式
下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
如图1所示，储能电池冷却***，包括训练数据收集模块、模型训练模块、温度变化序列构建模块以及自动冷却模块；其中，各个模块之间通过有线和/或无线网络方式连接；
其中，所述训练数据收集模块主要用于预先收集预测温度变化所需要的历史训练数据；
所述历史训练数据包括在实验环境中收集的第一训练数据以及第二训练数据；
所述实验环境为由测试人员通过控制影响储能电池的温度上升或下降的物理因素，不断收集储能电池的实时温度变化量的数据收集环境；
其中，所述第一训练数据包括若干组升温特征数据以及实时升温值；
在一个优选的实施例中，所述升温特征数据包括储能电池实时温度、环境温度、充放电速率、容量、负载功率以及储能电池健康度；
其中，储能电池实时温度通过影响储能电池的电阻大小，进而影响储能电池的温度变化速率；
其中，环境温度较高时，会加速储能电池内部热量的积累，导致储能电池温度上升更快。相反，环境温度较低时可以降低储能电池温度上升的速度；
充放电速率较高时，充电速率或放电速率会导致储能电池内部产生更多的化学反应和能量转化，从而产生更多的热量，使储能电池温度上升更快；
容量储能电池较大时，通常可以在相同的充放电速率下承受更多的能量转化和热量释放，相对温度上升速度较慢；
负载功率越大，储能电池内部化学反应的速度就越快，从而导致储能电池温度升高越快；
储能电池健康度处于老化、损坏或不良状态时，可能会导致不正常的热量产生，使温度上升更快；
进一步的，所述储能电池实时温度和所述环境温度通过温度传感器实时获得；
所述充放电速率通过电压传感器实时获得的电压变化值获得；所述电压变化值为当前的储能电池的电压减去上一时刻储能电池的电压；
所述容量通过储能电池管理***（BMS）实时获得；需要说明的是，储能电池管理***实时计算容量属于本领域的常规技术手段，本发明在此不再赘述具体的计算方法；
所述负载功率通过使用功率传感器实时获得；
所述储能电池健康度通过储能电池管理***使用储能电池健康评估方法实时计算获得；需要说明的是，储能电池健康评估方法同样是本领域的常规技术手段，储能电池管理***通过对储能电池的内阻、温度、容量以及SOC进行实时评估后，计算出电池健康度，一般电池健康度采用百分比的形式表达，具体的计算方法在此不再赘述；
所述实时升温值为储能电池在每组升温特征数据对应的状态下，储能电池的实时温度升高值；
所述实时温度升高值根据当前储能电池的温度减去上一时刻储能电池的温度获得；储能电池的温度通过温度传感器实时获得；
其中，所述第二训练数据包括若干组降温特征数据以及实时降温值；
在一个优选的实施例中，所述降温特征数据包括在实验环境中为储能电池使用液冷装置进行冷却时，储能电池实时温度、冷却液流量、冷却液流速、冷却液温度、环境温度以及负载功率；
其中，冷却液的流量越大、流速越快、温度越低，散热能力就越强，降温速度也就越快；
环境温度越高，储能电池的温度上升速度就越快，降温速度也就越慢；
在高负载下运行的储能电池会产生更多的热量，需要更长时间才能降温到安全温度；
进一步的，所述冷却液流量通过流量传感器实时获得；
所述冷却液流速通过流速传感器实时获得；
所述冷却液温度通过温度传感器实时获得；
所述实时降温值为通过使用液冷装置后，在每组降温特征数据对应的状态下，储能电池的实时温度降低值；
所述实时温度降低值根据上一时刻储能电池的温度减去当前储能电池的温度获得；
所述训练数据收集模块将收集的历史训练数据发送至模型训练模块；
其中，所述模型训练模块主要用于基于历史训练数据训练预测实时升温值的第一机器学习模型以及训练预测实时降温值的第二机器学习模型；
在一个优选的实施例中，所述模型训练模块训练预测实时升温值的第一机器学习模型的方式为：
将第一训练数据中的每组升温特征数据作为第一机器学习模型的输入，所述第一机器学习模型以每组升温特征数据的预测的实时升温值为输出，以该组升温特征数据对应的实时升温值为预测目标，以最小化所有升温特征数据的预测误差之和作为训练目标；对第一机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；优选的，所述第一机器学习模型是深度神经网络模型或深度信念网络模型中的任意一个；
在一个优选的实施例中，所述模型训练模块训练预测实时降温值的第二机器学习模型的方式为：
将第二训练数据中的每组降温特征数据作为第二机器学习模型的输入，所述第一机器学习模型以每组降温特征数据的预测的实时降温值为输出，以该组降温特征数据对应的实时降温值为预测目标，以最小化所有实时降温值的预测误差之和作为训练目标；对第二机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练；优选的，所述第二机器学习模型是深度神经网络模型或深度信念网络模型中的任意一个；
需要说明的是，机器学习模型中，预测误差的计算公式为：，其中，/>为特征数据（即降温特征数据或升温特征数据）的编号，/>为预测误差，/>为第/>组特征数据对应的预测的状态值，/>为第/>组训练数据对应的实际的状态值；
例如，对于第一机器学习模型，特征数据即为升温特征数据，状态值即为实时升温值；对于第二机器学习模型，特征数据即为降温特征数据，状态值即为实时降温值；
所述机器学习模型的其他模型参数，例如网络模型的深度、每层的神经元数量、网络模型使用的激活函数、收敛条件、训练集测试集验证集比例以及损失函数等均通过实际的工程实现，不断地进行实验调优后获得；
模型训练模块将训练完成的第一机器学习模型以及第二机器学习模型发送至温度变化序列构建模块；
其中，所述温度变化序列构建模块主要用于使用第一机器学习模型为待控制储能电池生成预测的温度上升序列，并使用第二机器学习模型为温度上升序列中的每个实时温度值构造一个温度下降序列，并将所有温度下降序列组合为温度下降序列集合；
在一个优选的实施例中，所述温度变化序列构建模块生成预测的温度上升序列包括以下步骤：
步骤S1：预设温度监控阈值T以及循环次数阈值X，使用温度传感器实时获取待控制储能电池的温度，并在温度大于温度监控阈值T时，转至步骤S2；设置时间增量变量s=1；将当前时刻标记为D；
步骤S2：获取D+（s-1）时刻下，待控制储能电池的升温特征数据；在s=1时，待控制储能电池的升温特征数据中的储能电池实时温度为待控制储能电池的实时温度，待控制储能电池的升温特征数据中的容量为待控制储能电池在D时刻的容量；
在s>1时，待控制储能电池的升温特征数据中的储能电池实时温度为在D+（s-1）时刻下，第一机器学习模型输出的实时升温值的预测值加上D+(s-2)时刻的储能电池实时温度，容量由D时刻的充放电速率以及D+（s-1）时刻的待控制储能电池的容量计算获得；
步骤S3：将升温特征数据输入至第一机器学习模型中，获得第一机器学习模型输出的对实时升温值的预测值，将D+（s-1）时刻实时升温值的预测值标记为Ys，再将D+（s-1）时刻实时升温值的预测值Ys加上D+（s-1）时刻的储能电池实时温度，作为D+s时刻的实时温度值；将s更新为s+1，循环执行步骤S2-S3，直至循环的次数等于循环次数阈值X；
步骤S4：将D时刻至D+X时刻所有的实时温度值按时间先后顺序进行排序，排序后的实时温度值的序列即为温度上升序列；
为温度上升序列中的每个实时温度值构造一个温度下降序列的方式为：
将温度上升序列中的实时温度值按时间序列进行编号，编号标记为i，第i个实时温度值标记为Yi；
对于第i个实时温度值，构造温度下降序列包括以下步骤：
步骤P1：预设终止降温温度阈值Q，将时间增量变量s设置为1，获取第s-1时刻的降温特征数据；
当s=1时，对应的降温特征数据中的储能电池实时温度为实时温度值Yi；
当s>1时，对应的降温特征数据中的储能电池实时温度为在s-1时刻下，第二机器学习模型输出的对实时降温值的预测值减去s-2时刻的储能电池实时温度；
步骤P2：将s时刻的降温特征数据输入至第二机器学习模型中，获得第二机器学习模型输出的对实时降温值的预测值，将s-1时刻实时降温值的预测值标记为Gs，再将s-1时刻的储能电池实时温度减去s-1时刻时实时降温值的预测值Gs，作为s时刻的储能电池实时温度，将s时刻的储能电池实时温度按时间先后顺序保存至温度下降序列；将s更新为s+1，循环执行步骤P1-P2，直至s时刻的储能电池实时温度小于或等于终止降温温度阈值Q；
所述温度变化序列构建模块将温度上升序列以及温度下降序列集合发送至自动冷却模块；
其中，所述自动冷却模块主要用于基于温度上升序列以及温度下降序列集合，为待控制储能电池设置降温节点，并在储能电池实时温度达到降温节点时，启动液冷装置；
在一个优选的实施例中，为待控制储能电池设置降温节点的方式为：
获得温度上升序列中第i个实时温度值对应的温度下降序列中的元素数量，将该元素数量标记为Ni；
计算第i个实时温度值对应的降温权重Ei，其中，降温权重Ei的计算公式为Ei=a1*i-a2*Ni；其中，a1和a2分别为预设的比例系数；
从所有的实时温度值中，搜索得到降温权重Ei最大的实时温度值，将该降温权重Ei最大的实时温度值作为降温节点；
进一步地，i是温度上升序列中每个元素的序号，例如：温度上升序列中的实时温度值分别是1,3,5,7,9，那么对应的i分别是1,2,3,4,5，显然的，i=1就代表了储能电池启动的时长为1，所以i代表了启动液冷装置的时刻距离当前时刻的时长；
Ni是第i个实时温度值对应的温度下降序列中的元素数量，例如：第i个温度值是9的时候，温度下降序列为9,7,5,3，那么显然Ni表示的是温度从9降到3需要的时间为4，所以Ni代表了使用液冷装置，将温度降低至终止降温温度阈值Q的时长。
可以理解的是，i代表的是启动液冷装置的时刻距离当前时刻的时长，显然i越小，则启动液冷装置的频率越高，而频繁启动液冷装置，会损耗液冷装置的使用寿命；Ni代表的是使用液冷装置，将温度降低至终止降温温度阈值Q的时长，显然，Ni越大，液冷装置运行的时长越长，运行的成本越高；因此，当Ei越大时，表示对液冷***需要付出的代价越小。
实施例2
如图2所示，储能电池冷却控制方法，包括以下步骤：
步骤一：预先收集预测温度变化所需要的历史训练数据；
步骤二：基于历史训练数据训练预测实时升温值的第一机器学习模型以及训练预测实时降温值的第二机器学习模型；
步骤三：使用第一机器学习模型以及第二机器学习模型为待控制储能电池生成预测的温度上升序列，并为温度上升序列中的每个实时温度值构造一个温度下降序列，并将所有温度下降序列组合为温度下降序列集合；
步骤四：基于温度上升序列以及温度下降序列集合，为待控制储能电池设置降温节点，并在储能电池实时温度达到降温节点时，启动液冷装置。
实施例3
根据本实施例所述的一种计算机设备，包括：处理器和存储器，其中，
所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行上述的储能电池冷却控制方法。
实施例4
根据本实施例所述一种计算机可读存储介质，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述的储能电池冷却控制方法。
以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。
Claims (9)
1.储能电池冷却控制方法，其特征在于，包括以下步骤：
预先收集预测温度变化所需要的历史训练数据；
基于历史训练数据训练预测实时升温值的第一机器学习模型以及训练预测实时降温值的第二机器学习模型；
使用第一机器学习模型以及第二机器学习模型为待控制储能电池生成预测的温度上升序列，并为温度上升序列中的每个实时温度值构造一个温度下降序列，并将所有温度下降序列组合为温度下降序列集合；
基于温度上升序列以及温度下降序列集合，为待控制储能电池设置降温节点，并在储能电池实时温度达到降温节点时，启动液冷装置；
所述生成预测的温度上升序列包括以下步骤：
步骤S1：预设温度监控阈值T以及循环次数阈值X，使用温度传感器实时获取待控制储能电池的温度，并在温度大于温度监控阈值T时，转至步骤S2；设置时间增量变量s=1；将当前时刻标记为D；
步骤S2：获取D+（s-1）时刻下，待控制储能电池的升温特征数据；在s=1时，待控制储能电池的升温特征数据中的储能电池实时温度为待控制储能电池的实时温度，待控制储能电池的升温特征数据中的容量为待控制储能电池在D时刻的容量；
在s>1时，待控制储能电池的升温特征数据中的储能电池实时温度为在D+（s-1）时刻下，第一机器学习模型输出的实时升温值的预测值加上D+(s-2)时刻的储能电池实时温度，容量由D时刻的充放电速率以及D+（s-1）时刻的待控制储能电池的容量计算获得；
步骤S3：将升温特征数据输入至第一机器学习模型中，获得第一机器学习模型输出的对实时升温值的预测值，将D+（s-1）时刻实时升温值的预测值标记为Ys，再将D+（s-1）时刻实时升温值的预测值Ys加上D+（s-1）时刻的储能电池实时温度，作为D+s时刻的实时温度值；将s更新为s+1，循环执行步骤S2-S3，直至循环的次数等于循环次数阈值X；
步骤S4：将D时刻至D+X时刻所有的实时温度值按时间先后顺序进行排序，排序后的实时温度值的序列即为温度上升序列；
为温度上升序列中的每个实时温度值构造一个温度下降序列的方式为：
将温度上升序列中的实时温度值按时间序列进行编号，编号标记为i，第i个实时温度值标记为Yi；
对于第i个实时温度值，构造温度下降序列包括以下步骤：
步骤P1：预设终止降温温度阈值Q，将时间增量变量s设置为1，获取第s-1时刻的降温特征数据；
当s=1时，对应的降温特征数据中的储能电池实时温度为实时温度值Yi；
当s>1时，对应的降温特征数据中的储能电池实时温度为在s-1时刻下，第二机器学习模型输出的实时降温值的预测值减去s-2时刻的储能电池实时温度；
步骤P2：将s时刻的降温特征数据输入至第二机器学习模型中，获得第二机器学习模型输出的实时降温值的预测值，将s-1时刻实时降温值的预测值标记为Gs，将s-1时刻的储能电池实时温度减去s-1时刻实时降温值的预测值Gs，作为s时刻的储能电池实时温度，将s时刻的储能电池实时温度按时间先后顺序保存至温度下降序列；将s更新为s+1，循环执行步骤P1-P2，直至s时刻的储能电池实时温度小于或等于终止降温温度阈值Q；
为待控制储能电池设置降温节点的方式为：
获得温度上升序列中第i个实时温度值对应的温度下降序列中的元素数量，将该元素数量标记为Ni；
计算第i个实时温度值对应的降温权重Ei，其中，降温权重Ei的计算公式为Ei=a1*i-a2*Ni；其中，a1和a2分别为预设的比例系数；
从所有的实时温度值中，搜索得到降温权重Ei最大的实时温度值，将该降温权重Ei最大的实时温度值作为降温节点。
2.根据权利要求1所述的储能电池冷却控制方法，其特征在于，所述历史训练数据包括在实验环境中收集的第一训练数据以及第二训练数据；
所述实验环境为由测试人员通过控制影响储能电池的温度上升或下降的物理因素，不断收集储能电池的实时温度变化量的数据收集环境。
3.根据权利要求2所述的储能电池冷却控制方法，其特征在于，所述第一训练数据包括若干组升温特征数据以及实时升温值；
所述升温特征数据包括储能电池实时温度、环境温度、充放电速率、容量、负载功率以及储能电池健康度；
所述充放电速率通过电压传感器实时获得的电压变化值获得；所述电压变化值为当前的储能电池的电压减去上一时刻储能电池的电压；
所述实时升温值为储能电池在每组升温特征数据对应的状态下，储能电池的实时温度升高值；
所述实时温度升高值根据当前储能电池的温度减去上一时刻储能电池的温度获得；储能电池的温度通过温度传感器实时获得。
4.根据权利要求3所述的储能电池冷却控制方法，其特征在于，所述第二训练数据包括若干组降温特征数据以及实时降温值；
所述降温特征数据包括在实验环境中为储能电池使用液冷装置进行冷却时，储能电池实时温度、冷却液流量、冷却液流速、冷却液温度、环境温度以及负载功率；
所述实时降温值为通过使用液冷装置后，在每组降温特征数据对应的状态下，储能电池的实时温度降低值；
所述实时温度降低值根据上一时刻储能电池的温度减去当前储能电池的温度获得。
5.根据权利要求4所述的储能电池冷却控制方法，其特征在于，所述训练预测实时升温值的第一机器学习模型的方式为：
将第一训练数据中的每组升温特征数据作为第一机器学习模型的输入，所述第一机器学习模型以每组升温特征数据的预测的实时升温值为输出，以该组升温特征数据对应的实时升温值为预测目标，以最小化所有升温特征数据的预测误差之和作为训练目标；对第一机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练。
6.根据权利要求5所述的储能电池冷却控制方法，其特征在于，所述训练预测实时降温值的第二机器学习模型的方式为：
将第二训练数据中的每组降温特征数据作为第二机器学习模型的输入，所述第一机器学习模型以每组降温特征数据的预测的实时降温值为输出，以该组降温特征数据对应的实时降温值为预测目标，以最小化所有实时降温值的预测误差之和作为训练目标；对第二机器学习模型进行训练，直至预测准确度之和达到收敛时停止训练。
7.储能电池冷却控制***，其基于权利要求1-6中任意一项所述的储能电池冷却控制方法实现，其特征在于，包括训练数据收集模块、模型训练模块、温度变化序列构建模块以及自动冷却模块；
训练数据收集模块，预先收集预测温度变化所需要的历史训练数据，并将收集的历史训练数据发送至模型训练模块；
模型训练模块，基于历史训练数据训练预测实时升温值的第一机器学习模型以及训练预测实时降温值的第二机器学习模型，并将训练完成的第一机器学习模型以及第二机器学习模型发送至温度变化序列构建模块；
温度变化序列构建模块，使用第一机器学习模型为待控制储能电池生成预测的温度上升序列，并使用第二机器学习模型为温度上升序列中的每个实时温度值构造一个温度下降序列，并将所有温度下降序列组合为温度下降序列集合，并将温度上升序列以及温度下降序列集合发送至自动冷却模块；
自动冷却模块，基于温度上升序列以及温度下降序列集合，为待控制储能电池设置降温节点，并在储能电池实时温度达到降温节点时，启动液冷装置。
8.一种计算机设备，其特征在于，包括：处理器和存储器；
其中，所述存储器中存储有可供处理器调用的计算机程序；
所述处理器通过调用所述存储器中存储的计算机程序，执行权利要求1-6任意一项所述的储能电池冷却控制方法。
9.一种计算机可读存储介质，其特征在于，其上存储有可擦写的计算机程序；
当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1-6任意一项所述的储能电池冷却控制方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310846034.1A CN116565402B (zh) | 2023-07-11 | 2023-07-11 | 储能电池冷却***及控制方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310846034.1A CN116565402B (zh) | 2023-07-11 | 2023-07-11 | 储能电池冷却***及控制方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116565402A CN116565402A (zh) | 2023-08-08 |
| CN116565402B true CN116565402B (zh) | 2023-09-29 |
Family
ID=87493294
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310846034.1A Active CN116565402B (zh) | 2023-07-11 | 2023-07-11 | 储能电池冷却***及控制方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116565402B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117055658B (zh) * | 2023-10-11 | 2024-01-02 | 江苏徕德生物医药有限公司 | 用于泰瑞拉奉结晶生产过程的自适应温度控制***及方法 |
| CN117134040B (zh) * | 2023-10-27 | 2024-03-12 | 内蒙古中电储能技术有限公司 | 一种液冷储能***的智慧运维方法与装置 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983103A (zh) * | 2018-06-29 | 2018-12-11 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
| CN111191366A (zh) * | 2019-12-30 | 2020-05-22 | 中国第一汽车股份有限公司 | 一种基于液冷散热方式的动力电池温度预测模型及建模方法 |
| CN114460481A (zh) * | 2022-01-27 | 2022-05-10 | 重庆邮电大学 | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 |
| CN115877222A (zh) * | 2023-02-14 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 一种储能电站故障检测方法、装置、介质及储能电站 |
| CN115939583A (zh) * | 2023-01-03 | 2023-04-07 | 深圳市派沃新能源科技股份有限公司 | 一种储能液冷***及其控制方法 |
-
2023
- 2023-07-11 CN CN202310846034.1A patent/CN116565402B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108983103A (zh) * | 2018-06-29 | 2018-12-11 | 上海科列新能源技术有限公司 | 一种动力电池的数据处理方法和装置 |
| CN111191366A (zh) * | 2019-12-30 | 2020-05-22 | 中国第一汽车股份有限公司 | 一种基于液冷散热方式的动力电池温度预测模型及建模方法 |
| CN114460481A (zh) * | 2022-01-27 | 2022-05-10 | 重庆邮电大学 | 基于Bi-LSTM和注意力机制的储能电池热失控预警方法 |
| CN115939583A (zh) * | 2023-01-03 | 2023-04-07 | 深圳市派沃新能源科技股份有限公司 | 一种储能液冷***及其控制方法 |
| CN115877222A (zh) * | 2023-02-14 | 2023-03-31 | 国网浙江省电力有限公司宁波供电公司 | 一种储能电站故障检测方法、装置、介质及储能电站 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116565402A (zh) | 2023-08-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116565402B (zh) | 储能电池冷却***及控制方法 | |
| CN108172930B (zh) | 电池包冷却控制方法、装置和电池包 | |
| CN110161425B (zh) | 一种基于锂电池退化阶段划分的剩余使用寿命的预测方法 | |
| US10840567B2 (en) | Storage battery cooling control device and storage battery cooling control method | |
| CN111430844B (zh) | 一种电池包充电时的热管理方法、装置及汽车 | |
| CN111430845B (zh) | 一种电池包热管理方法、装置、存储介质及电子设备 | |
| CN113406505A (zh) | 一种燃料电池的剩余寿命预测方法及装置 | |
| CN117007979B (zh) | 基于数据驱动的电源输出掉电异常预警方法 | |
| CN116826245B (zh) | 一种储能电池热管理方法及*** | |
| CN113239563B (zh) | Igbt模块的热管理方法及存储介质 | |
| CN114335648B (zh) | 全钒液流电池***的控制方法和控制*** | |
| CN117013606A (zh) | 一种基于人工智能的光伏发电智能储能控制*** | |
| CN113447817B (zh) | 一种基于两点寿命特征的锂电池在线寿命预测方法 | |
| CN114188619A (zh) | 用于预警电池热失控状态的方法、***及存储介质 | |
| CN117154906A (zh) | 一种具有制冷功能的无线充电调控方法 | |
| CN116885302A (zh) | 基于bms实现退役电池的安全管理的方法及装置 | |
| CN114995545B (zh) | 一种车辆热管理***的控制方法、装置、设备及介质 | |
| US11043840B2 (en) | Energy storage apparatus | |
| CN116184036A (zh) | 基于神经网络的电力电子变换器参数在线辨识方法及*** | |
| CN115621573A (zh) | 一种储能电站锂电池健康状态预测***及方法 | |
| CN114189013A (zh) | 一种充电装置、充电方法及计算机可读存储介质 | |
| CN116908694B (zh) | 一种家用储能***的soh估算方法 | |
| CN118100374B (zh) | 一种基于pid算法的电池均衡控制*** | |
| CN115991123B (zh) | 一种功率负荷状态识别方法、***、设备和介质 | |
| CN118100375B (zh) | 一种电源模块的充电控制方法及*** |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |