CN116776746B - 一种基于流体动力学的储能液冷温控优化*** - Google Patents

一种基于流体动力学的储能液冷温控优化*** Download PDF

Info

Publication number
CN116776746B
CN116776746B CN202311040877.9A CN202311040877A CN116776746B CN 116776746 B CN116776746 B CN 116776746B CN 202311040877 A CN202311040877 A CN 202311040877A CN 116776746 B CN116776746 B CN 116776746B
Authority
CN
China
Prior art keywords
battery
temperature
cooling
target
optimal
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
Application number
CN202311040877.9A
Other languages
English (en)
Other versions
CN116776746A (zh
Inventor
潘兴波
曾林龙
靳静
何晨昊
杨坤
郑雪阳
李谨慎
潘峰
瞿露
闫寒
尚勇
肖峰
杨东
李坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Beishite Technology Co ltd
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Original Assignee
Shenzhen Beishite Technology Co ltd
Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Beishite Technology Co ltd, Xiangyang Power Supply Co of State Grid Hubei Electric Power Co Ltd filed Critical Shenzhen Beishite Technology Co ltd
Priority to CN202311040877.9A priority Critical patent/CN116776746B/zh
Publication of CN116776746A publication Critical patent/CN116776746A/zh
Application granted granted Critical
Publication of CN116776746B publication Critical patent/CN116776746B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/092—Reinforcement learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/08—Fluids
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Fluid Mechanics (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Secondary Cells (AREA)

Abstract

本发明提供一种基于流体动力学和深度强化学习的储能液冷温控优化***，旨在实现电池的高效冷却和均温效果；该***包括温控模块，流速调节模块，流向调节模块以及优化算法模块，温控模块负责监测电池工作状态并提供数据，同时确定冷却液的目标流速和流向，流速和流向调节模块根据温控模块和优化算法模块的指令，动态调整冷却液的流速和流向，确保精确的冷却效果及电池的均温效果；核心的优化算法模块结合流体动力学模型与深度强化学习算法，能预测电池内部的冷却液流动状态和温度分布，并生成最优的冷却策略，此***提供了一个高效、自适应的冷却解决方案，满足电池的冷却需求，同时延长其使用寿命。

Description

一种基于流体动力学的储能液冷温控优化***
技术领域
本发明涉及储能装置的温控领域，特别涉及一种基于流体动力学的储能液冷温控优化***。
背景技术
随着电池技术的发展，电池在众多领域中的应用日益广泛，如电动车、可再生能源存储以及便携式电子设备等。为了确保电池的性能和寿命，冷却技术变得至关重要。传统的电池冷却***往往依赖于经验的设计和静态的控制策略，这在某些情况下可能不足以应对复杂的工作环境和动态的负载变化。
流体动力学提供了理解和模拟冷却液流动的工具，但是单靠流体动力学很难实时优化复杂的电池冷却策略。另一方面，深度强化学习近年来在多个领域中展现了其优化策略的潜力，但其在电池冷却领域的应用仍然较少。
电池的工作状态和温度对其性能和寿命有着直接的影响。过高或过低的温度都会对电池造成损害，导致电池寿命缩短甚至失效。
为了克服上述挑战，本发明提出了一种基于流体动力学和深度强化学习的储能液冷温控优化***。该***旨在动态调整冷却液的流速和流向，实现电池的高效冷却和均温效果。
发明内容
本申请提供一种基于流体动力学和深度强化学习的储能液冷温控优化***，以提高电池的冷却效率和均温效果。
本申请提供的储能液冷温控优化***，包括：
温控模块，用于监测电池的工作状态，并将监测到的数据提供给优化算法模块；根据预设温度目标，确定冷却液的目标流速和目标流向；并将所述目标流速和目标流向分别发送至流速调节模块和流向调节模块，以动态调整冷却液的流速和流向；
流速调节模块，接收所述温控模块提供的目标流速，并根据所述目标流速调节冷却液的流速；接收来自优化算法模块的最优冷却液流速策略，并通过调节冷却液的流速，精确控制冷却效果；
流向调节模块，接收所述温控模块提供的目标流向，并根据所述目标流向调节冷却液的流向；接收来自优化算法模块的最优冷却液流向策略，并通过调节冷却液的流向，实现电池的均温效果；
优化算法模块，接收来自温控模块的工作状态数据；利用流体动力学模型预测冷却液在电池组内部的流动状态，以及电池的温度分布；利用深度强化学习算法，根据预测的冷却液在电池组内部的流动状态和每个电池的温度分布，结合接收到的工作状态数据，生成最优的冷却液流速和流向策略，并将这些策略反馈给流速调节模块和流向调节模块；所述深度强化学习算法利用所述流体动力学模型的预测输出作为环境反馈，用来更新和优化其决策策略；所述深度强化学习的决策输出作为流体动力学模型的输入，用来进行下一步的电池的温度分布的预测。
更进一步地，所述预设温度目标T_target通过如下公式确定：
；
其中，T_optimal是电池组中每一块电池的最佳工作温度的平均值，SOC_avg是电池组中电池的平均电池荷电状态，SOC_std是电池组中电池的电池荷电状态的标准差，I是电池组中电池的平均工作电流，I_nominal是电池组中电池的额定工作电流的平均值，P是冷却***的功率消耗，P_nominal是冷却***的额定功率消耗，k1，k2，k3，k4是可调节的系数。
更进一步地，所述目标流速F_speed根据如下公式确定：
；
其中，T_current 是电池组中电池的平均温度，T_target是所述预设温度目标，ΔT / Δt 是电池组中电池的平均温度的变化速度，k5 和 k6 是可调节的系数。
更进一步地，所述目标流向根据如下公式确定：
；
其中，Ticurrent是电池组中电池i的当前温度，Titarget是电池组中电池i的目标温度，n 是电池的数量。
更进一步地，所述Titarget的计算公式如下：
；
其中，Ti_optimal 是电池组中电池i的最佳工作温度，SOCi是电池组中电池i的当前电池荷电状态，SOC_optimal 是电池组中电池i的最佳状态电量，Ii 是电池组中电池i的当前工作电流，I_optimal 是电池组中电池i的最佳工作电流，T_env_optimal 是电池组中电池i的最佳环境温度，k7，k8，和 k9 是可调节的系数。
更进一步地，所述流体动力学模型使用COMSOL Multiphysics软件提供的微观温度模型，为电池组中的每一个电池建模。
更进一步地，所述流体动力学模型的输入包括冷却液的物理特性，包括密度、粘度、热导率；电池组的结构特性，包括电池的排列和连接方式；以及冷却液的流速和流向。
更进一步地，所述深度强化学习算法中的行动定义为改变冷却液的流速和流向。
更进一步地，所述深度强化学习的奖励函数R定义为：
；
其中，R_temp，R_efficiency， R_energy，和 R_uniformity 分别表示电池温度、冷却效率、能耗和均温效果方面的奖励，w1, w2, w3 和 w4 是它们的权重；R_temp的计算考虑电池的工作温度，为理想温度范围内的电池温度提供高奖励值；R_efficiency 的计算基于冷却效率，冷却效率超过设定的效率门槛值时提供高的奖励值；R_energy 的计算考虑冷却***的能耗，当能耗低于设定的能耗门槛值时提供高的奖励值；R_uniformity 的计算基于均温效果，当冷却液流向达到设定的均温效果门槛值时提供高的奖励值。
更进一步地，所述深度强化学习算法利用流体动力学模型的预测输出作为环境反馈，并利用其决策输出作为流体动力学模型的输入，两者形成一个闭环，通过不断的交互和学习，实现电池温控优化。
传统的温控***通常依赖于静态策略或手动干预。本申请提高的***结合流体动力学与深度强化学习，为电池冷却提供了一种自适应、动态的方法。这种结合本身就具有创新性。利用深度强化学习预测和优化的冷却策略可以动态地调整冷却液的流速和流向，而不是采用固定的或预设的流速。优化算法模块与流速调节和流向调节模块之间存在交互式的反馈循环，使得***在多个迭代中逐渐优化，这超出了简单的前馈控制***的范围。
本申请提供的技术方案的有益效果：
（1）高效冷却：通过动态调整冷却液的流速和流向，***可以根据实际需要进行快速和高效的冷却，从而减少能量浪费并提高冷却效率。
（2）均匀冷却：流向调节模块确保了电池整体的均匀冷却。均匀冷却不仅可以提高电池的性能，还可以延长电池的使用寿命，因为它避免了电池局部过热的问题。
（3）延长电池寿命：过高或过低的温度都可能对电池造成伤害。通过优化冷却策略，电池可以在理想的温度范围内工作，从而延长其寿命。
（4）自动化与减少人工干预：基于深度强化学习的自动优化策略可以减少或消除人工干预的需要，从而降低操作成本和出错率。
附图说明
图1是本申请第一实施例提供的一种基于流体动力学的储能液冷温控优化***的示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本申请内涵的情况下做类似推广，因此本申请不受下面公开的具体实施的限制。
本申请第一实施例提供一种基于流体动力学的储能液冷温控优化***。请参看图1，该图为本申请第一实施例的示意图。以下结合图1对本申请第一实施例提供一种基于流体动力学的储能液冷温控优化***进行详细说明。
储能液冷温控优化***是一种特定的冷却***，主要用于电池或其他储能设备，以维持其在一个理想的工作温度范围内。本实施例提供的储能液冷温控优化***包括温控模块101，流速调节模块102，流向调节模块103，优化算法模块104。
所述温控模块101，用于监测电池的工作状态，并将监测到的数据提供给优化算法模块；根据预设温度目标，确定冷却液的目标流速和目标流向；并将所述目标流速和目标流向分别发送至流速调节模块和流向调节模块，以动态调整冷却液的流速和流向。
所述温控模块101可以包括控制单元和传感器。温控模块101可以包括多个传感器，这些传感器分布在电池的各个关键部位。这些传感器可以实时监测电池的温度、电压、电流等工作状态。其中，温度传感器是最关键的部分，它们可以实时采集电池的温度数据，并将这些数据传输到控制单元。此外，在大型电池***中，例如电动汽车的电池组或大型储能***，可能包括分布在不同的位置多个电池。
控制单元是温控模块的核心，它负责根据传感器的输入信号和预设温度目标来调整冷却液的流速和流向。具体来说，控制单元会实时比较实测电池温度和预设温度目标，并据此确定冷却液的目标流速和目标流向。所述目标流速和目标流向分别会被发送到流速调节模块和流向调节模块，指导它们对冷却液的流速和流向进行调整。预设温度目标是根据电池的工作状态和环境条件确定的最适合电池组中电池工作的一个温度。本实施例提供一种计算预设温度目标的公式如下：
；
其中：
T_target是预设温度目标；
T_optimal是电池组中每一块电池的最佳工作温度的平均值；
SOC_avg是电池组中电池的平均电池荷电状态；
SOC_std是电池组中电池的电池荷电状态的标准差；
I是电池组中电池的平均工作电流，I_nominal是电池组中电池的额定工作电流的平均值；
P是冷却***的功率消耗，P_nominal是冷却***的额定功率消耗；
k1，k2，k3是可调节的系数，表示SOC，I，P对预设温度目标的影响程度；
k4是表示SOC差异对预设温度目标的影响程度的系数。
上述公式全面地考虑了电池的实际工作状态，可以更精确地确定预设温度目标，从而实现更好的温度管理。
这里，SOC是“State of Charge“的缩写，即电池荷电状态。这是一个度量电池剩余电量的重要指标，通常以百分比表示。例如，当一个电池充满电时，它的 SOC是100%；当电池完全放电时，它的 SOC 是 0%。
根据电池的实时温度和预设温度目标，温控模块可以确定冷却液的目标流速和目标流向。例如，当电池的实际温度高于温度目标时，温控模块可以增大冷却液的流速，或者改变冷却液的流向，以增强冷却效果。当电池的实际温度低于温度目标时，温控模块可以减小冷却液的流速，或者保持冷却液的流向不变，以节省能源。
本实施例提出一种计算冷却液的目标流速（F_speed）和目标流向（Fdirection）的公式如下：
；
；
这里，T_current 是电池组中电池的平均温度，T_target 是预设温度目标，ΔT /Δt 是所有电池的平均温度的变化速度，Ticurrent是电池i的当前温度，Titarget 是电池i的目标温度，n 是电池的数量。k5 和 k6 是可调节的系数。
在这个公式中，冷却液的流速是根据当前电池温度与目标温度的差值以及温度的变化速度来调整的。当电池温度高于目标温度，或者温度升高速度过快时，会增加冷却液的流速以增强冷却效果。
冷却液的流向是根据每个电池单元的当前温度与目标温度的差值的平均值来确定的。通过调整冷却液的流向，可以优先冷却温度高于目标温度的电池，从而更有效地降低整体电池的温度。
电池i的目标温度 Ti_target 可以根据多种因素来确定。一般来说，这个目标温度会依赖于电池的工作状态、环境条件，以及电池的化学和物理性质。
（1）电池的工作状态：电池在充电和放电时会产生热量。在高负载（例如，大电流充电或放电）时，电池会产生更多的热量，因此我们可能需要设定一个较低的目标温度来防止电池过热。在低负载（例如，小电流充电或放电）时，电池产生的热量较少，因此可以设定一个较高的目标温度来提高能效。
（2）环境条件：环境的温度和湿度也会影响电池的温度。在热环境下，可能需要设定一个较低的目标温度来防止电池过热。在冷环境下，可能需要设定一个较高的目标温度来保持电池的性能。
（3）电池的化学和物理性质：不同类型的电池（例如，锂离子电池、镍氢电池等）有不同的最佳工作温度范围。此外，电池的容量、形状、材料等也会影响其热性能。因此，需要根据电池的具体化学和物理性质来设定一个合适的目标温度。
本实施例提供如下计算Titarget的公式：
；
这里，Ti_optimal 是电池组中电池i的最佳工作温度，SOCi是电池组中电池i的当前电池荷电状态，SOC_optimal 是电池组中电池i的最佳电池荷电状态，I_optimal 是电池组中电池i的最佳工作电流，T_env_optimal 是电池组中电池i的最佳环境温度。k7，k8，和k9 是可调节的系数，可以根据电池的具体化学和物理性质以及温控需求进行调整。
在上面的公式中，最佳工作温度（Ti_optimal）、最佳状态电量（SOC_optimal）、最佳工作电流（I_optimal）和最佳环境温度（T_env_optimal），通常是根据大量实验数据、电池的物理和化学特性、以及电池的设计和使用要求来确定的。
（1）最佳工作温度（T_optimal）：电池的最佳工作温度通常在其设计阶段就被确定，这涉及到电池材料的化学反应速率、电解质的离子传导效率等因素。在实验室中，可以通过在不同温度下测试电池的性能（如电荷/放电效率、容量衰减速度等）来确定其最佳工作温度。
（2）最佳电池荷电状态（SOC_optimal）：最佳电池荷电状态通常是指电池在此状态下能够达到其设计寿命、保持良好性能、并在安全条件下运行的状态。它可能会受到电池的化学组成、结构设计、充/放电策略等多种因素的影响。实验室测试和长期跟踪实验可以帮助确定这个值。
（3）最佳工作电流（I_optimal）：最佳工作电流一般是指在此电流下，电池能达到理想的充电效率和放电效率，同时保持良好的稳定性和安全性。这个值可以通过实验室测试和模拟来确定。
（4）最佳环境温度（T_env_optimal）：最佳环境温度通常是指在此温度下，电池***的冷却或加热需求最小，能效最高。这个值通常会接近或等于电池的最佳工作温度。
以上四个值通常需要通过综合考虑电池的实际应用场景、用户需求、以及***的设计目标等多方面因素来确定。在实际应用中，可能还需要考虑到电池的老化程度、环境条件的变化等因素，进行动态的调整和优化。
流速调节模块102，用于接收所述温控模块提供的目标流速，并根据所述目标流速调节冷却液的流速；接收来自优化算法模块的最优冷却液流速策略，并通过调节冷却液的流速，精确控制冷却效果。
流速调节模块102是基于流体动力学的储能液冷温控优化***的核心组成部分之一。以下是对流速调节模块102的详细说明：
流速调节模块102主要由控制单元、流速调节阀、驱动设备（如电动或气动马达）和反馈传感器组成。流速调节阀是用来调节冷却液流速的主要设备，其开度可以通过驱动设备进行精确控制。反馈传感器用于实时监测冷却液的流速，并将实际流速数据反馈给控制单元。控制单元的主要功能是接收并处理从各个传感器接收到的信息，并根据这些信息以及预定的控制策略来调节驱动设备，从而影响流速调节阀的开度，改变冷却液的流速。
在接收到温控模块101发出的流速调节指令后，流速调节模块通过改变流速调节阀的开度，调整冷却液的流速。当电池的实际温度高于设定的温度目标时，流速调节模块会增大冷却液的流速，以加强冷却效果。当电池的实际温度低于设定的温度目标时，流速调节模块会减小冷却液的流速，以节省能源。
流速控制策略就是指冷却液流速应当如何调整以最优化冷却效果和能效。这个策略并非一成不变，而是动态地根据电池的实时工作条件和环境因素来确定。
这个流速控制策略是由优化算法模块104确定的。优化算法模块104会考虑电池的实时温度、工作状态（例如，电池的电流、电压等）、冷却液的实际流速以及其他可能的因素。
优化算法模块采用的是流体动力学模型和深度强化学习算法。流体动力学模型可以预测改变冷却液流速和流向后，冷却效果和能效会如何改变。深度强化学习算法可以从历史数据中学习到一些深层次的规律和关系，从而做出更准确的预测。
优化算法模块104将这些因素和模型结合起来，计算出当前情况下最优的冷却液流速，并将最优的冷却液流速发送至流速调节模块102。流速调节模块102根据收到的最优的冷却液流速对于流速进行进一步的优化调节，从而精确控制冷却效果。
流速调节模块需要与温控模块和优化算法模块进行交互。温控模块根据电池的工作状态和环境条件确定预设温度目标，确定冷却液的目标流速。流向调节模块根据温控模块发送的目标流速调节冷却液的流向，优化算法模块则根据预测的电池温度变化情况，调整流速调节模块的工作策略。
流向调节模块103，用于接收所述温控模块提供的目标流向，并根据所述目标流向调节冷却液的流向；接收来自优化算法模块的最优冷却液流向策略，并通过调节冷却液的流向，实现电池的均温效果。
流向调节模块103的主要任务是调节冷却液在电池组中的流向，以实现电池的均温效果，也就是使电池组中每个电池的温度尽可能地接近。
流向调节模块103主要包括流向调节阀、驱动设备（例如电动或气动马达）和反馈传感器等组成。流向调节阀是用来调节冷却液流向的主要设备，它可以通过驱动设备来改变其位置，从而改变冷却液的流向。反馈传感器负责监测冷却液在电池组中的实际流向，并将这些信息反馈给控制单元。
在接收到温控模块101发出的目标流向后，流向调节模块103通过改变流向调节阀的位置，来调整冷却液的流向。流向调节策略是由优化算法模块104提供的，它根据电池的实时温度和工作状态，以及冷却液的实际流向，利用流体动力学模型和深度强化学习算法，计算出最优的冷却液流向。流向调节模块103根据最优的冷却液流向，进一步调整冷却液的流向。
冷却液的流向会直接影响到每个电池的冷却效果。一些电池可能比其他电池更热，需要更多的冷却。通过改变冷却液的流向，可以让更多的冷却液流经这些更热的电池，从而提高它们的冷却效果。相反，如果某些电池的温度已经足够低，就可以减少冷却液流经这些电池，以节省能源。
在实际工作中，流向调节模块需要不断地调整冷却液的流向，以应对电池温度和工作状态的不断变化。通过这种动态调节，可以使电池组的温度分布尽可能均匀，提高电池的性能和寿命，降低能耗。
优化算法模块104，接收来自温控模块的工作状态数据；利用流体动力学模型预测冷却液在电池组内部的流动状态，以及电池的温度分布；利用深度强化学习算法，根据预测的冷却液在电池组内部的流动状态和每个电池的温度分布，结合接收到的工作状态数据，生成最优的冷却液流速和流向策略，并将这些策略反馈给流速调节模块和流向调节模块；所述深度强化学习算法利用所述流体动力学模型的预测输出作为环境反馈，用来更新和优化其决策策略；所述深度强化学习的决策输出作为流体动力学模型的输入，用来进行下一步的电池的温度分布的预测。
优化算法模块104在整个储能液冷温控优化***中发挥着核心的角色。它负责基于输入的环境状态信息（如电池的工作状态、冷却液的实际流速等），通过使用流体动力学模型和深度强化学习（DRL）算法，计算并输出最优的冷却液流速和流向。然后，这些最优的冷却策略将被应用于流速调节模块和流向调节模块，用以控制冷却液的流动，实现高效、精确的电池温控。
以下是优化算法模块104与其他模块之间关系的详细说明：
（1）与温控模块101的关系：温控模块101负责监测电池的工作状态，它将这些数据传输给优化算法模块。优化算法模块104接收这些数据，作为环境状态输入到深度强化学习（DRL）算法中，用以生成最优的冷却策略。
（2）与流速调节模块102的关系：优化算法模块104将计算得出的最优冷却液流速发送给流速调节模块。流速调节模块102接收到这个信息后，调整流速调节阀的开度，改变冷却液的流速。此外，流速调节模块102还将实际的冷却液流速信息反馈给优化算法模块104，供其用于未来的冷却策略计算。
（3）与流向调节模块103的关系：优化算法模块将计算得出的最优冷却液流向发送给流向调节模块。流向调节模块接收到这个信息后，调整流向调节阀的开关状态，改变冷却液的流向，以实现电池的均温效果。
优化算法模块104在这个***中起到了“大脑”的角色，负责分析环境状态，计算出最优策略，然后指导其他模块按照这个策略行动。这种结构使得***能够实现动态、自适应的温度控制，提高了电池的工作效率和寿命。
优化算法模块104是根据流体动力学模型和深度强化学习算法来预测电池温度变化，并优化冷却液的流速和流向的关键部分。
首先，对于流体动力学模型进行说明。流体动力学是物理学的一个分支，研究流体（液体和气体）的运动。在本实施例中，流体动力学模型被用来描述和预测冷却液在电池组内部流动的情况。这个模型需要考虑冷却液的物理特性（如密度、粘度和热导率）、电池组的结构（如电池的排列和连接方式）以及冷却液的流速和流向。通过求解流体动力学方程，可以得到冷却液在电池组内部的流动状态，以及这种流动对电池温度的影响。
本实施例可以使用一些流体动力学模型，如COMSOL Multiphysics软件提供的微观温度模型，为电池组中的每一个电池建模，模拟每个电池内部的流动和传热情况，以提高模型的准确性和预测能力。
在流体动力学模型中，输入主要包括以下几个方面：
（1）冷却液的物理特性：这包括密度、粘度、热导率等，这些特性会影响冷却液在电池组内部的流动和传热效果。
（2）电池组的结构：包括电池的排列和连接方式，以及冷却液的流道设计等，这些结构特性会影响冷却液的流动路径和分布。
（3）冷却液的流速和流向：该输入来自于下面的深度学习算法，这是优化算法模块控制的参数，用于调节冷却液的冷却效果。
流体动力学模型的输出主要是冷却液在电池组内部的流动状态，包括冷却液在每个电池的流速和流向，以及每个电池的温度分布。这些输出信息作为下面将要说明的深度学习模型作为输入，以便优化算法模块104确定最优的流速和流向。
其次，对于深度强化学习算法进行说明。在本实施例中，深度强化学习算法主要用于根据电池的实时数据和流体动力学模型的预测结果，确定冷却液的最优流速和流向。此深度强化学习算法需要能够处理大量的数据，包括电池的实时温度、电池的工作状态、冷却液的实际流速和流向等，还需要能够处理复杂的优化问题。
深度强化学习（DRL）算法是一种先进的机器学习算法，它能够通过与环境的交互来学习最优策略。本实施例中，DRL的实施包括以下几个关键步骤：
（1）环境定义：本实施例中，可以将电池的工作环境定义为环境。温控模块101提供的电池的当前工作状态（例如充电、放电状态或电量等），以及流体力学模型提供的冷却液在电池组内部的流动状态，包括冷却液在每个电池的流速和流向，以及每个电池的温度分布构成了环境状态。这些环境状态的信息被用作深度强化学习算法的输入。
（2）行动定义：在这个环境中，可以采取的行动包括改变冷却液的流速和流向。这些决策可以对电池的工作环境产生影响，进而影响电池的工作效率和寿命。
（3）奖励函数定义：奖励函数是一个重要的组成部分，它用来评价每一个行动的效果。本实施例中可以结合电池的特性和冷却***的性能来设计奖励函数。具体地，可以将奖励函数定义为以下几个方面的函数：
（a）电池温度方面的奖励：电池的工作效率和寿命在很大程度上取决于其工作温度。理想的电池温度可以保证电池的性能和寿命。因此，可以设置一个理想的温度范围，例如，35°C-40°C。如果电池的温度在这个范围内，那么奖励函数应该返回一个高的奖励值。同时，电池温度超过或者低于这个范围，奖励值将减小。
（b）冷却效率方面的奖励：冷却效率也是一个重要的因素。一个高效的冷却***可以快速地将电池温度调节到理想的范围内。因此，可以设置一个冷却效率的门槛值，如果冷却***的效率超过这个门槛值，那么奖励函数应该返回一个高的奖励值。
（c）能耗方面的奖励：冷却***的运行也会消耗能量。为了使整个***的能效最大化，应该尽量减小冷却***的能耗。因此，可以设置一个能耗的门槛值，如果冷却***的能耗低于这个门槛值，那么奖励函数应该返回一个高的奖励值。
（d）均温效果方面的奖励：为了防止电池组内部的温度不均，需要保证冷却液能够均匀地流过每一个电池单元。因此，可以设置一个均温效果的门槛值，如果冷却液的流向能够达到这个门槛值，那么奖励函数应该返回一个高的奖励值。
综上，可以将这四个方面的奖励加权相加，得到最后的奖励函数。例如，奖励函数可以定义为：
；
其中，R_temp，R_efficiency，R_energy和 R_uniformity分别表示电池温度、冷却效率、能耗和均温效果方面的奖励，w1, w2, w3 和 w4 是它们的权重，可以根据实际需求进行调整。
这样定义的奖励函数，可以同时考虑到电池的工作效率、冷却效率、能耗和均温效果，符合本专利的目标和要求。同时，通过调整权重，还可以灵活地适应不同的应用场景和需求，具有很强的实用性和灵活性。
（4）DRL算法实施：一旦定义了环境、行动和奖励函数，就可以开始实施深度强化学习算法。在每一步中，DRL算法都会根据当前的环境状态选择一个行动，然后观察行动的结果，包括新的环境状态和奖励。这些信息被用来更新算法的策略，以优化未来的行动选择。
（5）策略优化：在多次交互和学习后，DRL算法将逐渐找到一个最优策略，这个策略可以在各种环境状态下选择出能够最大化奖励的行动。这个策略就是本实施例所说的最优冷却策略。
本实施例中，深度强化学习需要利用流体动力学模型的输出（预测的电池温度）作为环境反馈，用来更新和优化其决策策略。另一方面，深度强化学习的决策输出（调整后的冷却液流速和流向）又作为流体动力学模型的输入，用来进行下一步的温度预测。这样，两者形成了一个闭环，通过不断的交互和学习，达到优化电池温控的目标。
这种结合也为深度强化学习提供了一个强大的先验知识。传统的深度强化学习通常需要大量的试验和迭代才能找到有效的策略，而流体动力学模型提供了一个基于物理的、可靠的预测，这大大减少了深度强化学习所需的学习时间，提高了学习的效率。
因此，流体动力学模型和深度强化学习在这个***中是互相依赖、互相促进的，它们的结合使得电池温控***能够实现高效、精确的温度控制。
下面举例说明DLR算法的具体工作流程。
假设有一个电池冷却***，当电池在高强度工作状态下，如快速充电或大电流放电时，温度会迅速上升，过高的温度会导致电池性能下降甚至安全隐患。为了确保电池工作在理想的温度范围内，需要能够智能地调整冷却液流速和流向的优化算法模块。
（1）初始化环境：
电池当前处于40°C，目标温度范围是35°C-40°C。冷却液当前的流速为10L/min，流向为从电池的上部到下部。
（2）行动选择：
DRL算法根据当前电池温度和流体动力学模型的预测，决定采取的行动。例如，增加冷却液流速到12L/min，并改变流向从电池的左边到右边。
（3）执行行动，观察结果：
在实际环境中，应用该策略后，电池温度降至38°C，冷却效率提高，但能耗稍微增加。
（4）奖励计算：
根据定义的奖励函数，算法将根据电池温度（R_temp）、冷却效率（R_efficiency）、能耗（R_energy）和均温效果（R_uniformity）计算出一个奖励值。
例如：
R_temp = 0.8 （因为电池温度在目标范围内）
R_efficiency = 0.7 （因为冷却效率有所提高）
R_energy = 0.6 （因为能耗稍有增加）
R_uniformity = 0.7 （假设流向调整后均温效果好）
使用上文的奖励函数：
，得出总奖励。
（5）更新策略：
根据奖励值，DRL算法会更新其策略，以在未来的决策中获得更高的奖励。
（6）迭代：
算法会不断重复上述过程，通过与环境的交互学习，持续优化冷却策略，直到达到满意的结果或满足其他停止条件。
在这个过程中，流体动力学模型提供了关于电池温度变化的关键信息，而DRL算法则根据这些信息，智能地做出决策，以确保电池在最佳的温度范围内工作，同时考虑到冷却效率、能耗和均温效果。
总的来说，优化算法模块104通过结合流体动力学模型和人工智能算法，实现了对电池温控的精确和优化，提高了电池的性能和寿命，降低了能耗。这是本申请的核心和独特之处。
本申请虽然以较佳实施例公开如上，但其并不是用来限定本申请，任何本领域技术人员在不脱离本申请的精神和范围内，都可以做出可能的变动和修改，因此本申请的保护范围应当以本申请权利要求所界定的范围为准。

Claims (10)

1.一种基于流体动力学和深度强化学习的储能液冷温控优化***，其特征在于，包括：
温控模块，用于监测电池的工作状态，并将监测到的数据提供给优化算法模块；根据预设温度目标，确定冷却液的目标流速和目标流向；并将所述目标流速和目标流向分别发送至流速调节模块和流向调节模块，以动态调整冷却液的流速和流向；
流速调节模块，接收所述温控模块提供的目标流速，并根据所述目标流速调节冷却液的流速；接收来自优化算法模块的最优冷却液流速策略，并通过调节冷却液的流速，精确控制冷却效果；
流向调节模块，接收所述温控模块提供的目标流向，并根据所述目标流向调节冷却液的流向；接收来自优化算法模块的最优冷却液流向策略，并通过调节冷却液的流向，实现电池的均温效果；
优化算法模块，接收来自温控模块的工作状态数据；利用流体动力学模型预测冷却液在电池组内部的流动状态，以及电池的温度分布；利用深度强化学习算法，根据预测的冷却液在电池组内部的流动状态和每个电池的温度分布，结合接收到的工作状态数据，生成最优的冷却液流速和流向策略，并将这些策略反馈给流速调节模块和流向调节模块；所述深度强化学习算法利用所述流体动力学模型的预测输出作为环境反馈，用来更新和优化其决策策略；所述深度强化学习的决策输出作为流体动力学模型的输入，用来进行下一步的电池的温度分布的预测。
2.根据权利要求1所述的储能液冷温控优化***，其特征在于，所述预设温度目标T_target通过如下公式确定：
；
其中，T_optimal是电池组中每一块电池的最佳工作温度的平均值，SOC_avg是电池组中电池的平均电池荷电状态，SOC_std是电池组中电池的电池荷电状态的标准差，I是电池组中电池的平均工作电流，I_nominal是电池组中电池的额定工作电流的平均值，P是冷却***的功率消耗，P_nominal是冷却***的额定功率消耗，k1，k2，k3，k4是可调节的系数。
3.根据权利要求1所述的储能液冷温控优化***，其特征在于，所述目标流速F_speed根据如下公式确定：
；
其中，T_current 是电池组中电池的平均温度，T_target 是所述预设温度目标，ΔT /Δt 是电池组中电池的平均温度的变化速度，k5 和 k6 是可调节的系数。
4.根据权利要求1所述的储能液冷温控优化***，其特征在于，所述目标流向根据如下公式确定：
；
其中，Ticurrent是电池组中电池i的当前温度，Titarget是电池组中电池i的目标温度，n 是电池的数量。
5.根据权利要求4所述的储能液冷温控优化***，其特征在于，所述Titarget的计算公式如下：
；
其中，Ti_optimal 是电池组中电池i的最佳工作温度，SOCi是电池组中电池i的当前电池荷电状态，SOC_optimal 是电池组中电池i的最佳状态电量，Ii 是电池组中电池i的当前工作电流，I_optimal 是电池组中电池i的最佳工作电流，T_env_optimal 是电池组中电池i的最佳环境温度，k7，k8，和 k9 是可调节的系数。
6.根据权利要求1所述的储能液冷温控优化***，其特征在于，所述流体动力学模型使用COMSOL Multiphysics软件提供的微观温度模型，为电池组中的每一个电池建模。
7.根据权利要求1所述的储能液冷温控优化***，其特征在于，所述流体动力学模型的输入包括冷却液的物理特性，电池组的结构特性，以及冷却液的流速和流向；其中，所述物理特性包括密度、粘度、热导率；所述结构特性包括电池的排列和连接方式。
8.根据权利要求1所述的储能液冷温控优化***，其特征在于，所述深度强化学习算法中的行动定义为改变冷却液的流速和流向。
9.根据权利要求1所述的储能液冷温控优化***，其特征在于，所述深度强化学习的奖励函数R定义为：
；
其中，R_temp，R_efficiency, R_energy，和 R_uniformity 分别表示电池温度、冷却效率、能耗和均温效果方面的奖励，w1, w2, w3 和 w4 是它们的权重；R_temp的计算考虑电池的工作温度，为理想温度范围内的电池温度提供高奖励值；R_efficiency 的计算基于冷却效率，冷却效率超过设定的效率门槛值时提供高的奖励值；R_energy 的计算考虑冷却***的能耗，当能耗低于设定的能耗门槛值时提供高的奖励值；R_uniformity 的计算基于均温效果，当冷却液流向达到设定的均温效果门槛值时提供高的奖励值。
10.根据权利要求1所述的储能液冷温控优化***，其特征在于，所述深度强化学习算法利用流体动力学模型的预测输出作为环境反馈，并利用其决策输出作为流体动力学模型的输入，两者形成一个闭环，通过不断的交互和学习，实现电池温控优化。
CN202311040877.9A 2023-08-18 2023-08-18 一种基于流体动力学的储能液冷温控优化*** Active CN116776746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311040877.9A CN116776746B (zh) 2023-08-18 2023-08-18 一种基于流体动力学的储能液冷温控优化***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311040877.9A CN116776746B (zh) 2023-08-18 2023-08-18 一种基于流体动力学的储能液冷温控优化***

Publications (2)

Publication Number Publication Date
CN116776746A CN116776746A (zh) 2023-09-19
CN116776746B true CN116776746B (zh) 2024-02-23

Family

ID=87989790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311040877.9A Active CN116776746B (zh) 2023-08-18 2023-08-18 一种基于流体动力学的储能液冷温控优化***

Country Status (1)

Country Link
CN (1) CN116776746B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117075483B (zh) * 2023-10-16 2024-01-26 厦门海辰储能科技股份有限公司 液冷储能***的状态监控方法、装置及存储介质
CN117410625B (zh) * 2023-11-16 2024-06-04 信者能源科技有限公司 基于主动均衡bms的高能量密度液冷式储能***
CN118102683B (zh) * 2024-04-18 2024-07-12 深圳市光为光通信科技有限公司 多模式液冷光模块的自适应热管理***

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017152302A (ja) * 2016-02-26 2017-08-31 三菱自動車工業株式会社 電池モジュールの温度傾向予測方法、予測装置及び予測プログラム
WO2018237340A1 (en) * 2017-06-23 2018-12-27 Johnson Controls Technology Company BUILDING EQUIPMENT WITH PREDICTIVE CONTROL
CN115408957A (zh) * 2022-09-01 2022-11-29 中国科学院重庆绿色智能技术研究院 一种基于多智能体强化学习的数据中心制冷设备控制方法
WO2023001097A1 (zh) * 2021-07-22 2023-01-26 中国第一汽车股份有限公司 变速器油用冷却液循环***、控制方法、车辆及存储介质
CN115774929A (zh) * 2022-11-23 2023-03-10 江苏大学 一种考虑节能和电池寿命的电动汽车热管理控制***及方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2017152302A (ja) * 2016-02-26 2017-08-31 三菱自動車工業株式会社 電池モジュールの温度傾向予測方法、予測装置及び予測プログラム
WO2018237340A1 (en) * 2017-06-23 2018-12-27 Johnson Controls Technology Company BUILDING EQUIPMENT WITH PREDICTIVE CONTROL
WO2023001097A1 (zh) * 2021-07-22 2023-01-26 中国第一汽车股份有限公司 变速器油用冷却液循环***、控制方法、车辆及存储介质
CN115408957A (zh) * 2022-09-01 2022-11-29 中国科学院重庆绿色智能技术研究院 一种基于多智能体强化学习的数据中心制冷设备控制方法
CN115774929A (zh) * 2022-11-23 2023-03-10 江苏大学 一种考虑节能和电池寿命的电动汽车热管理控制***及方法

Also Published As

Publication number Publication date
CN116776746A (zh) 2023-09-19

Similar Documents

Publication Publication Date Title
CN116776746B (zh) 一种基于流体动力学的储能液冷温控优化***
KR102667239B1 (ko) 열 관리를 위한 배터리 시스템 및 방법
CN112519635B (zh) 一种电池热管理的控制方法及相关装置
Tang et al. Temperature sensitivity characteristics of PEM fuel cell and output performance improvement based on optimal active temperature control
Chen et al. Temperature and humidity management of PEM fuel cell power system using multi-input and multi-output fuzzy method
Han et al. Control strategy of cooling system for the optimization of parasitic power of automotive fuel cell system
Chen et al. Temperature and voltage dynamic control of PEMFC Stack using MPC method
CN114335625B (zh) 燃料电池堆温度控制方法、装置、模型预测控制器及***
Anbarasu et al. Novel enhancement of energy management in fuel cell hybrid electric vehicle by an advanced dynamic model predictive control
CN112181008B (zh) 高温化成柜热源功率智能控制方法、装置及介质
CN114335648B (zh) 全钒液流电池***的控制方法和控制***
Cano et al. Improving a free air breathing proton exchange membrane fuel cell through the Maximum Efficiency Point Tracking method
CN113036261A (zh) 一种储能***及其电池***的温度控制方法
Narayanan et al. A stochastic optimal control approach for exploring tradeoffs between cost savings and battery aging in datacenter demand response
Qi et al. Design of the PID temperature controller for an alkaline electrolysis system with time delays
CN116605098A (zh) 一种车辆的电池热管理方法、装置、存储介质和车辆
CN114256913B (zh) 一种基于操作效能最优的再分配电池包充放电管理策略
Hannan et al. Lithium ion battery thermal management system using optimized fuzzy controller
Yufit et al. Development and application of an actively controlled hybrid proton exchange membrane fuel cell—Lithium-ion battery laboratory test-bed based on off-the-shelf components
CN116864871A (zh) 储能***的热管理方法、热管理调控模型的训练方法
Ma et al. Collaborative thermal management of power battery and passenger cabin for energy efficiency optimization
CN113442795B (zh) 基于分层式mpc的燃料电池混合动力***控制方法
Zhang et al. Research on modeling and control of PEMFC cooling system
Sundararaju et al. Optimizing the Thermal Operation of Lithium-ion Battery Packs using Cell to Cell Variation
CN117996293B (zh) 用于浸没储能电池的温度控制及优化方法及***

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