CN117545229A - 一种充电模块的智能风冷控制方法及*** - Google Patents
一种充电模块的智能风冷控制方法及*** Download PDFInfo
- Publication number
- CN117545229A CN117545229A CN202311477800.8A CN202311477800A CN117545229A CN 117545229 A CN117545229 A CN 117545229A CN 202311477800 A CN202311477800 A CN 202311477800A CN 117545229 A CN117545229 A CN 117545229A
- Authority
- CN
- China
- Prior art keywords
- heat dissipation
- data
- charging module
- fan
- air
- 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.)
- Pending
Links
- 238000001816 cooling Methods 0.000 title claims abstract description 162
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000017525 heat dissipation Effects 0.000 claims abstract description 248
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000005855 radiation Effects 0.000 claims description 12
- 238000010438 heat treatment Methods 0.000 claims description 7
- 239000000523 sample Substances 0.000 description 23
- 238000005457 optimization Methods 0.000 description 17
- 238000011217 control strategy Methods 0.000 description 6
- 239000011159 matrix material Substances 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 206010033799 Paralysis Diseases 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005265 energy consumption Methods 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/2089—Modifications to facilitate cooling, ventilating, or heating for power electronics, e.g. for inverters for controlling motor
- H05K7/20945—Thermal management, e.g. inverter temperature control
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20009—Modifications to facilitate cooling, ventilating, or heating using a gaseous coolant in electronic enclosures
- H05K7/20136—Forced ventilation, e.g. by fans
- H05K7/20145—Means for directing air flow, e.g. ducts, deflectors, plenum or guides
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/20009—Modifications to facilitate cooling, ventilating, or heating using a gaseous coolant in electronic enclosures
- H05K7/20209—Thermal management, e.g. fan control
-
- H—ELECTRICITY
- H05—ELECTRIC TECHNIQUES NOT OTHERWISE PROVIDED FOR
- H05K—PRINTED CIRCUITS; CASINGS OR CONSTRUCTIONAL DETAILS OF ELECTRIC APPARATUS; MANUFACTURE OF ASSEMBLAGES OF ELECTRICAL COMPONENTS
- H05K7/00—Constructional details common to different types of electric apparatus
- H05K7/20—Modifications to facilitate cooling, ventilating, or heating
- H05K7/2089—Modifications to facilitate cooling, ventilating, or heating for power electronics, e.g. for inverters for controlling motor
- H05K7/20909—Forced ventilation, e.g. on heat dissipaters coupled to components
Landscapes
- Engineering & Computer Science (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Physics & Mathematics (AREA)
- Thermal Sciences (AREA)
- Cooling Or The Like Of Electrical Apparatus (AREA)
Abstract
本发明涉及一种充电模块的智能风冷控制方法及***,属于热管理技术领域。该方法包括:1)获取本包括充电模块运行状态下的充电数据、温度数据以及对应的风机散热数据的多个散热数据样本;2)构建充电模块充电数据、温度数据与风机散热数据之间的关系模型作为充电模块的风冷散热***模型;3)初始化风冷散热***模型参数,根据散热数据样本,采用差分进化算法进行优化;4)根据优化后的风冷散热***模型,获得风冷散热数据,进而控制风机运行。该***包括控制器、与控制连接的温度采集单元、充电数据获取单元和风机散热数据获取单元,控制器用于实现上述控制方法。本发明提高了控制的实时性、准确性,且不易出现过度冷却或散热不足等现象。
Description
技术领域
本发明属于热管理技术领域,具体涉及一种充电模块的智能风冷控制方法及***。
背景技术
近年来,电动汽车充电行业呈现出蓬勃发展的态势。充电模块作为电动汽车直流充电机的关键设备,起到了至关重要的作用。充电模块由电源输入接口、电源转换器、充电控制器等部分组成,具备电压电流整流、转换和调节的能力,以适应目标设备的充电需求。一个良好的散热***对设备能否安全、高效地充电起到至关重要的作用。
目前,风冷由于其高效、廉价的优势,在充电模块散热***中大规模使用。主要通过温度采集、控制算法判断、散热风机转速调节三个步骤来进行散热。虽然该技术可以有效的解决散热问题,但仍存在一些不足之处。一方面,控制算法的应用性和准确性还有提升空间。常见的算法包括模糊控制和神经网络等,这些算法在实际应用的过程中需要大量样本进行训练,实时性、准确性、可移植性较差。需要更加精确、实时、通用的控制算法设计。另一方面,目前的风冷散热技术是以成功采集温度数据为前提进行的,如图1所示,将充电模块温度与风扇转速之间建立对应关系,根据充电模块温度调节风机转速,假如在充电模块运行过程中温度传感器出现异常,将造成散热***整体的瘫痪,出现过度冷却或散热不足等现象。
发明内容
本发明的目的是提供一种充电模块的智能风冷控制方法及***,以解决现有的风冷控制***控制策略实时性、准确性不高,以及过度依赖于温度传感器,容易在温度传感器故障时出现过度冷却或散热不足等现象的问题。
本发明为解决上述技术问题而提供的充电模块的智能风冷控制方法包括以下步骤:
1)获取多个散热数据样本,每个散热数据样本包括充电模块同一运行状态下的充电数据、温度数据以及该运行状态下的风机散热数据;
2)构建充电模块的风冷散热***模型,所述风冷散热***模型为充电模块充电数据、温度数据与风机散热数据之间的关系模型;
3)初始化风冷散热***模型参数,根据所述散热数据样本,采用差分进化算法对风冷散热***模型进行优化;
4)获取充电模块的当前运行状态下的充电数据及温度数据,根据优化后的风冷散热***模型,获得风冷散热数据,根据所获得的风冷散热数据控制风机运行。
本发明控制方法的有益效果是:本申请构建了充电模块的风冷散热***模型,所构建的风冷散热***模型采用差分进化算法来优化***模型,差分优化算法计算效率高能够提高控制地实时性,且通过差分算法根据充电数据以及温度数据对风冷散热***模型进行优化,在软件层面上提升了充电模块的风冷散热准确性。利用***模型中所涉及的输入参数不仅有温度数据,还包括充电模块的充电数据,即使温度传感器异常,也能够通过充电模块运行参数来反映充电模块散热需求,从而不会造成散热***整体的瘫痪,出现过度冷却或散热不足等现象。
进一步地,步骤3)中,根据初始化得到的风冷散热***模型,利用所述散热数据样本,计算风机散热数据,并根据计算得到的风机散热数据以及散热数据样本中的风机散热数据计算风冷散热利用率,当风冷散热利用率大于等于设定阈值时,输出优化后的风冷散热***模型,否则执行差分进化算法。
在采用差分进化算法优化前对于初始化的风冷散热***模型,以风冷散热利用率作为算法边界条件进行判断,能够避免不必要的优化,尽快获得控制策略,从而提高控制的高效性。
进一步地,所述风冷散热***模型为风机散热功率计算模型,风机散热功率计算模型根据充电模块的发热量、充电模块热传导和充电模块热辐射来构建。
通过充电模块的发热量、充电模块热传导和充电模块热辐射来构建风冷散热***模型能够使得预测的风机散热量更接近充电模块所需的风机散热量,从而提高控制的精准性。
进一步地,所述充电数据包括充电模块的输入功率和输出功率,所述温度数据包括充电模块外部环境温度、散热器表面温度、充电模块进出风口温度和充电模块内部关键功率管温度;所述风机散热数据包括风机散热功率或风机散热量。
采集充电模块的输入、输出功能更能够反映充电模块发热量,而以充电模块外部环境温度、散热器表面温度、充电模块进出风口温度和充电模块内部关键功率管温度作为温度数据,能够全面反映充电模块发热、散热情况,通过分级散热功率以及风机散热量更能够反映风机的散热情况,从而提高控制策略制定的准确性及高效性。
进一步地,所述风机散热功率计算模型为:P_heat=Pin-Pout-Q_coud-Q_rad,Q_rad=ε·σ·T_s4,其中,P_heat为风机散热功率,Pin为充电模块的输入功率,Pout为充电模块的输出功率,Q_coud为充电模块带热阻的热传导,Q_rad为充电模块热辐射,k为热导率,/>为温度梯度,R_cond为热阻,T_module为充电模块的外部环境温度,ε为单位面积表面辐射率,T_s为单位面积表面温度,σ为斯特藩-玻尔兹曼常数。
该计算模型能够反映风机散热功率,从而提高风机控制的精准性。
进一步地,所述风冷散热利用率的计算公式为:i∈[1,2,…,n-1,n],其中,η为风冷散热利用率,P_heati为根据第i个组散热数据原始样本数据计算得到的风机散热功率,Q_fani为第i个散热数据样本中的风机散热量,n为散热数据样本的总数,t为散热时间。
计算风冷散热利用率时,考虑了多个散热数据样本的平均计算结果,从而更能反映真实的风冷散热利用率,进而提高判断的准确性。
进一步地,使用差分进化算法对风冷散热***模型进行优化时,构建损失函数,根据损失函数的值确定风冷散热***模型最优参数,所述损失函数为:
其中,P_heati为根据第i个散热数据样本计算得到的风机散热功率,Q_fani为第i个散热数据样本中的风机散热量,n为散热数据样本的总数,t为散热时间。
所构建的损失函数考虑了多个散热数据样本计算时的累加误差,使得计算结果更加可靠,提高所优化模型的可靠性。
进一步地,步骤4)中在根据优化后的风冷散热***模型对风机进行控制的过程中,继续采集充电模块同一运行状态下的充电数据、温度数据以及该运行状态下的风机散热数据作为新的散热数据样本,利用新的散热数据样本按照步骤2)、步骤3)对风冷散热***模型进行优化,得到新的风冷散热***模型,当新的风冷散热***模型的损失函数值优于原优化后的风冷散热***模型时,以新的风冷散热***模型控制风机运行。
在运行过程中,通过对模型不断优化修正,实现了模型的实时自主更新,实现了充电模块根据实际需求和环境条件进行智能调整,减少能源浪费,提高整体散热效率的效果。
进一步地,所述设定阈值为70%。当风冷散热利用率η≥70%时,判定风冷散热利用率满足要求,这兼顾了优化的高效性与准确性。
为解决上述技术问题,本发明还提供了一种充电模块的智能风冷控制***,该***包括控制器和温度采集单元,该***还包括充电数据获取单元以及风机散热数据获取单元,所述温度采集单元、充电数据获取单元以及风机散热数据获取单元分别与控制器连接,所述温度采集单元用于采集充电模块的温度数据,所述充电数据获取单元用于获取充电单元的充电数据,所述风机散热数据获取单元用于获取充电模块各运行状态下的风机散热数据,所述控制器用于实现上述的充电模块的智能风冷控制方法。
本发明控制***的有益效果是:本申请构建了充电模块的风冷散热***模型,所构建的风冷散热***模型采用差分进化算法来优化***模型,差分优化算法计算效率高能够提高控制的实时性,且通过差分算法根据充电数据以及温度数据对风冷散热***模型进行优化,在软件层面上提升了充电模块的风冷散热准确性。利用***模型中所涉及的输入参数不仅有温度数据,还包括充电模块的充电数据,即使温度传感器异常,也能够通过充电模块运行参数来反映充电模块散热需求,从而不会造成散热***整体的瘫痪,出现过度冷却或散热不足等现象。
附图说明
图1是传统的风冷控制策略框图;
图2是本发明实施例的充电模块的智能风冷控制方法框图;
图3是本发明实施例的充电模块的智能风冷控制方法流程图;
图4是本发明实施例的差分进化算法流程图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步地说明。
本发明的充电模块的智能风冷控制方法实施例
本发明解决传统风冷控制方法控制实时性差、准确性差,以及对温度传感器依赖性强导致容易出现过度冷却或散热不足等现象的思路是:以充电模块的充电数据、温度数据为输入量,以风机散热数据为输出量,构建风冷散热***模型,然后利用高效的差分进化算法来优化风冷散热***模型,然后根据优化的风冷散热***模型来预测充电模块所需的风机散热量,以实现对风机的精准控制。由于优化算法的计算效率较高,因此对风机控制策略的计算具备实时性好、可靠性高等优点。该控制方法可以使得充电模块可以根据预设的规则和策略,结合自身实际需求和环境条件,自主地调整风扇的控制参数,这有助于提高能效,减少能耗成本。而且,相较于传统的仅依赖于温度传感器检测的温度数据进行风机控制的方法,降低了对温度传感器的依赖性,避免温度传感器异常而出现过度冷却或散热不足等现象。
基于上述发明构思,如图2、3所示,本发明的充电模块的智能风冷控制方法包括以下步骤:
1)获取多个散热数据样本,每个散热数据样本包括充电模块同一运行状态下的充电数据、温度数据以及该运行状态下的风机散热数据;
2)构建充电模块的风冷散热***模型,所述风冷散热***模型为充电模块充电数据、温度数据与风机散热数据之间的关系模型;
3)初始化风冷散热***模型参数,根据所述散热数据样本,采用差分进化算法对风冷散热***模型进行优化;
4)获取充电模块的当前运行状态下的充电数据及温度数据,根据优化后的风冷散热***模型,获得风冷散热数据,根据所获得的风冷散热数据控制风机运行。
步骤1)中,为了使得构建的模型更能够反映充电模块实际情况,充电数据可以包括充电模块的输入功率和输出功率,温度数据包括充电模块外部环境温度、散热器表面温度、充电模块进出风口温度和充电模块内部关键功率管温度;风机散热数据可以为风机散热功率、风机散热量、风机风速和风机转速中的一个或多个。当然作为其他实施方式,充电数据还可以包括充电模块的输入电压、输入电流、输出电压、输出电流、充电效率等参数。
步骤1)中,为了实现对充电数据、温度数据的采集,在充电模块进出风口、关键功率管位置、散热器表面设置温度探头,建立数据采集过程中对模块内部及环境温度的实时监测。使用多精度数字表同步检测充电模块的输入、输出功率。
为了提高模型优化的可靠性,在模型优化前采集n组散热样本数据,并且每组散热数据样本的采集需保证充电模块电压、电流输出稳定且充电模块内部环境温度保持恒定,即满足风机散热量Q_fan、热传导量Q_cond、热辐射量Q_rad之和等于充电模块发热量。其中的n根据所需数据量的大小进行设置,本发明实施例n值优选取50。
作为一种优选的实施方式,在Temset数据集中以矩阵的形式储存所采集的散热数据样本。矩阵形式为n×s,其中n表示散热数据样本的组数,s表示每组散热数据样本的维度。s的大小可根据需要进行扩展,扩展原则为影响风冷散热***的因果量。例如,若每组散热数据样本包括充电模块的输入功率和输出功率,温度数据包括充电模块外部环境温度、散热器表面温度、充电模块进出风口温度和充电模块内部关键功率管温度和风机散热量这7种数据,那么,s值取7。
对于步骤2),作为一种实施方式,本申请的风冷散热***模型为风机散热功率计算模型,风机散热功率计算模型根据充电模块的发热量、充电模块热传导和充电模块热辐射来构建。
作为一种优选的实施方式,充电模块热传导、热辐射模型是通过傅立叶热传导定律和斯特藩-玻尔兹曼定律来建立。
充电模块带热阻的热传导模型为:
其中,Q_coud为充电模块带热阻的热传导,k为热导率,为温度梯度,R_cond为热阻,T_module为充电模块的外部环境温度,T_s为单位面积表面温度。
充电模块热辐射模型为:Q_rad=ε·σ·T_s4。
其中,Q_rad为充电模块热辐射,ε为单位面积表面辐射率,σ为斯特藩-玻尔兹曼常数。
那么,根据充电模块的发热量、充电模块热传导和充电模块热辐射构建的风机散热功率计算模型为:P_heat=Pin-Pout-Q_coud-Q_rad。
其中,P_heat为风机散热功率,Pin为充电模块的输入功率,Pout为充电模块的输出功率。
步骤3)中,利用差分进化算法来优化风冷散热***模型,在优化之前需要设置损失函数,以根据损失函数值来确定最优的模型参数。作为一种最优的实施方式,本发明差分优化算法的损失函数为:
其中,P_heati为根据第i个散热数据样本计算得到的风机散热功率,Q_fani为第i个散热数据样本中的风机散热量,n为散热数据样本的总数,t为散热时间。
当然,还需要配置差分进化算法的参数,具体包括初始化Temset数据集、初始化种群大小NP、变异因子F、交叉率CR,设定迭代次数,以此完成最优风冷散热模型参数的求解,如图4所示。
步骤3)中,作为一种实施方式,本发明设置了优化算法的边界条件,具体是以风冷散热利用率作为边界条件进行判断。以风冷散热利用率作为边界条件进行判断的具体实现过程为:
根据初始化得到的风冷散热***模型,利用所述散热数据样本,计算风机散热数据,并根据计算得到的风机散热数据以及散热数据样本中的风机散热数据计算风冷散热利用率,当风冷散热利用率大于等于设定阈值时,输出优化后的风冷散热***模型,否则执行差分进化算法。
在采用差分进化算法优化前对于初始化的风冷散热***模型,以风冷散热利用率作为算法边界条件进行判断,能够避免不必要的优化,尽快获得控制策略,从而提高控制的高效性。
作为一种优选的实施方式,本实施例的风冷散热利用率的计算公式为:其中,η为风冷散热利用率,P_heati为根据第i个组散热数据原始样本数据计算得到的风机散热功率,Q_fani为第i个散热数据样本中的风机散热量,n为散热数据样本的总数,t为散热时间。
作为一种优选的实施方式,以风冷散热利用率作为算法边界条件进行判断时,比较的阈值设定为70%。即当风冷散热利用率η≥70%时,判定风冷散热利用率满足要求,可输出***模型参数,该设定值兼顾了优化的高效性与准确性。
作为一种优选的实施方式,步骤4)中在以风冷散热***的优化模型对风机进行控制的过程中,继续采集充电模块当前运行状态下的充电数据、温度数据以及对应的风机散热数据作为新的散热数据样本,新的散热数据样本达到一定数量后,利用新采集的散热数据样本按照步骤2)、步骤3)对风冷散热***模型继续进行优化,得到新的风冷散热***模型,当新的风冷散热***模型的损失函数值优于原优化后的风冷散热***模型时,以新的风冷散热***模型控制风机运行。
在运行过程中,通过对模型不断优化修正,实现了模型的实时自主更新,实现了充电模块根据实际需求和环境条件进行智能调整,减少能源浪费,提高整体散热效率的效果。
下面给出一种最优的实施方式来进一步阐述本发明的技术方案。
该实施方式中,散热数据样本中的各维数据分别是充电模块的输入、输出功率、充电模块外部环境温度、散热器表面温度、充电模块进出风口温度和充电模块内部关键功率管温度,以及风机散热量。
基于上述设置,如图3、4所示,本发明的智能风冷控制方法的实现步骤如下:
步骤1:在充电模块进出风口、关键功率开关管位置、模块外部设置温度探头,完成模块运行过程中对温度的实时监测。使用多精度数字表同步检测充电模块的输入、输出功率。并检测该状态下的风机散热量。然后对采集到的数据按照采集时间的先后顺序降序排列。
步骤2:构建原始样本集Temset,{x1,x2,...xi-1,xi}i∈[1,n]其中,n表示所采集样本的数量,同时也表示Temset样本集中数据向量的个数,n=50。
将步骤1)采集的数据以矩阵的形式储存在Temset数据集中。矩阵形式为n×s。
[x1,x2,...xi-1,xi]T i∈[1,n]
每个向量包含7个维度的参数,所以采集的数据的矩阵大小为50×7。
步骤3:构建风机散热功率计算模型作为风冷散热***模型,风机散热功率计算模型为:P_heati=Pin,i-Pout,i-Q_coudi-Q_radi,
步骤4:以风冷散热利用率作为边界条件进行判断。风冷散热利用率为:
当η≥70%时,风冷散热利用率满足要求,可按照所得到的***模型参数输出***模型;否则,作进一步优化。
步骤5:配置用于优化散热***策略的差分进化算法的参数,包括初始化种群大小NP=100、变异因子F=0.5、交叉率CR=0.5、种子大小Seed=0.5。
步骤6:差分进化算法的变异策略设计为:
vi=xr1+F(xr2-xr3)
vi表示第i次迭代时中生成的一个变异向量,xr1、xr2、xr3表示种群中随机挑选的三个个体向量。
步骤7:差分进化算法的交叉策略设计为:
其中,变量D表示维度的个数,ul,j表示个体(风冷散热***模型)之间第l次迭代下第j维度互换后重组成的新个体。
步骤8:在差分进化算法中配置贪婪机制,即在所有个体(风冷散热***模型)中,根据损失函数的值筛选出最优策略。
设置的损失函数为:
步骤9:设置差分进化算法的迭代次数,迭代次数Generation=100。
步骤10:首先初始化风冷散热***模型参数,也即对风冷散热***模型参数赋初值,使用步骤4中的风冷散热利用率判断策略作为边界条件进行进一步判断初始化的风冷散热***模型的风冷散热利用率是否满足要求,若满足要求,跳转步骤12,否则进入步骤11。
步骤11:根据按照步骤5-9所述的差分进化算法优化风冷散热***模型。其中,根据散热数据样本,结合计算的模型,判断损失函数值是否满足要求(Fitness越小说明散热性能越高)。若满足要求,跳转步骤12,若不满足要求,跳转步骤5,更改种子大小,进一步优化计算。
步骤12:输出风冷散热模型参数、风冷散热利用率。
步骤13:执行充电模块实时模型参数修正策略:在使用已求解的优化模型基础上,继续进行输入、输出功率、温度等数据的采集。采集数据满足算法运行条件(样本数量达到阈值)时,继续进行模型参数优化,当最新的***模型的Fitness优于原始优化的***模型时,以最新的***模型替换该原始优化的***模型。
本发明的充电模块的智能风冷控制***的实施例
该***包括控制器和温度采集单元,该***还包括充电数据获取单元以及风机散热数据获取单元,温度采集单元用于采集充电模块的温度数据,充电数据获取单元用于获取充电单元的充电数据,风机散热数据获取单元用于获取充电模块各运行状态下的风机散热数据,温度采集单元、充电数据获取单元以及风机散热数据获取单元分别与控制器连接,控制器用于实现一种充电模块的智能风冷控制方法,该方法为上述充电模块的智能风冷控制方法实施例中所述的控制方法,这里不再详细说明。
与现有技术相比,本发明的充电模块的智能风冷控制方法及***的优点在于:
1)本发明将充电模块运行过程中产生的输入输出功率、散热量、环境温度抽象为线性问题的自变量,根据白盒理论,经验性的设置了因变量Fitness,再使用高效的全局优化算法DE(差分进化算法)进行最优散热策略的调配。由于算法的计算效率较高,因此该策略的计算具备实时性好、可靠性高等优点。使得充电模块可以根据预设的规则和策略,自主地调整风扇的转速和其他相关参数。
2)智能风冷控制算法和传感器实时检测相结合,一方面通过安装温度传感器或其他相关传感器在散热部件或***中,可以实时监测温度、风速等关键参数。这些传感器可以将实时数据传递给控制算法,为算法提供准确的反馈。另一方面通过实时监测和智能控制,风冷智能散热***可以根据实际需求和环境条件,提供适当的散热效果,这有助于提高能效,减少能耗成本。
Claims (10)
1.一种充电模块的智能风冷控制方法,其特征在于,该方法包括以下步骤:
1)获取多个散热数据样本,每个散热数据样本包括充电模块同一运行状态下的充电数据、温度数据以及该运行状态下的风机散热数据;
2)构建充电模块的风冷散热***模型,所述风冷散热***模型为充电模块充电数据、温度数据与风机散热数据之间的关系模型;
3)初始化风冷散热***模型参数,根据所述散热数据样本,采用差分进化算法对风冷散热***模型进行优化;
4)获取充电模块的当前运行状态下的充电数据及温度数据,根据优化后的风冷散热***模型,获得风冷散热数据,根据所获得的风冷散热数据控制风机运行。
2.根据权利要求1所述的充电模块的智能风冷控制方法,其特征在于,步骤3)中,根据初始化得到的风冷散热***模型,利用所述散热数据样本,计算风机散热数据,并根据计算得到的风机散热数据以及散热数据样本中的风机散热数据计算风冷散热利用率,当风冷散热利用率大于等于设定阈值时,输出优化后的风冷散热***模型,否则执行差分进化算法。
3.根据权利要求1所述的充电模块的智能风冷控制方法,其特征在于,所述风冷散热***模型为风机散热功率计算模型,风机散热功率计算模型根据充电模块的发热量、充电模块热传导和充电模块热辐射来构建。
4.根据权利要求1~3任意一项所述的充电模块的智能风冷控制方法,其特征在于,所述充电数据包括充电模块的输入功率和输出功率,所述温度数据包括充电模块外部环境温度、散热器表面温度、充电模块进出风口温度和充电模块内部关键功率管温度;所述风机散热数据包括风机散热功率或风机散热量。
5.根据权利要求3所述的充电模块的智能风冷控制方法,其特征在于,所述风机散热功率计算模型为:
P_heat=Pin-Pout-Q_coud-Q_rad,Q_rad=ε·σ·T_s4,
其中,P_heat为风机散热功率,Pin为充电模块的输入功率,Pout为充电模块的输出功率,Q_coud为充电模块带热阻的热传导,Q_rad为充电模块热辐射,k为热导率,▽T为温度梯度,R_cond为热阻,T_module为充电模块的外部环境温度,ε为单位面积表面辐射率,T_s为单位面积表面温度,σ为斯特藩-玻尔兹曼常数。
6.根据权利要求4所述的充电模块的智能风冷控制方法,其特征在于,所述风冷散热利用率的计算公式为:其中,η为风冷散热利用率,P_heati为根据第i个组散热数据原始样本数据计算得到的风机散热功率,Q_fani为第i个散热数据样本中的风机散热量,n为散热数据样本的总数,t为散热时间。
7.根据权利要求4所述的充电模块的智能风冷控制方法,其特征在于,使用差分进化算法对风冷散热***模型进行优化时,构建损失函数,根据损失函数的值确定风冷散热***模型最优参数,所述损失函数为:
其中,P_heati为根据第i个散热数据样本计算得到的风机散热功率,Q_fani为第i个散热数据样本中的风机散热量,n为散热数据样本的总数,t为散热时间。
8.根据权利要求1所述的充电模块的智能风冷控制方法,其特征在于,步骤4)中在根据优化后的风冷散热***模型对风机进行控制的过程中,继续采集充电模块同一运行状态下的充电数据、温度数据以及该运行状态下的风机散热数据作为新的散热数据样本,利用新的散热数据样本按照步骤2)、步骤3)对风冷散热***模型进行优化,得到新的风冷散热***模型,当新的风冷散热***模型的损失函数值优于原优化后的风冷散热***模型时,以新的风冷散热***模型控制风机运行。
9.根据权利要求2所述的充电模块的智能风冷控制方法,其特征在于,所述设定阈值为70%。
10.一种充电模块的智能风冷控制***,该***包括控制器和温度采集单元,其特征在于,该***还包括充电数据获取单元以及风机散热数据获取单元,所述温度采集单元、充电数据获取单元以及风机散热数据获取单元分别与控制器连接,所述温度采集单元用于采集充电模块的温度数据,所述充电数据获取单元用于获取充电单元的充电数据,所述风机散热数据获取单元用于获取充电模块各运行状态下的风机散热数据,所述控制器用于实现权利要求1~9任意一项所述的充电模块的智能风冷控制方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477800.8A CN117545229A (zh) | 2023-11-07 | 2023-11-07 | 一种充电模块的智能风冷控制方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311477800.8A CN117545229A (zh) | 2023-11-07 | 2023-11-07 | 一种充电模块的智能风冷控制方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117545229A true CN117545229A (zh) | 2024-02-09 |
Family
ID=89787299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311477800.8A Pending CN117545229A (zh) | 2023-11-07 | 2023-11-07 | 一种充电模块的智能风冷控制方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117545229A (zh) |
-
2023
- 2023-11-07 CN CN202311477800.8A patent/CN117545229A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Galdi et al. | Exploiting maximum energy from variable speed wind power generation systems by using an adaptive Takagi–Sugeno–Kang fuzzy model | |
CN114335625B (zh) | 燃料电池堆温度控制方法、装置、模型预测控制器及*** | |
CN108691797B (zh) | 一种散热风扇调速控制装置及方法 | |
CN111555356B (zh) | 基于耦合Markov模型的区域综合能源***随机变量分析方法 | |
WO2023083235A1 (zh) | 一种分散式预测电网的优化方法及*** | |
CN114662751B (zh) | 基于lstm的园区多能短期负荷预测及优化方法 | |
CN117172499A (zh) | 一种基于强化学习的智慧社区能量优化调度方法、***及存储介质 | |
CN115361841A (zh) | 一种适应数据中心全工况操作的屏蔽泵控制***及其方法 | |
CN117515802A (zh) | 计及空调运行状态的定频中央空调日前负荷预测方法 | |
CN117545229A (zh) | 一种充电模块的智能风冷控制方法及*** | |
CN111463782B (zh) | 一种电压敏感负荷模型及参数辨识方法 | |
CN113159539A (zh) | 多层边缘计算***中联合绿色能源调度和动态任务分配方法 | |
CN116578134A (zh) | 基于强化学习的通用基站温控方法和*** | |
CN116780575A (zh) | 基于数据预测的风电场支撑一次调频控制方法 | |
CN113162054B (zh) | 基于大规模可控负荷的综合服务站梯级聚合方法及*** | |
KR102566824B1 (ko) | 장단기 메모리 네트워크 모델을 학습시키는 방법 및 학습된 장단기 메모리 네트워크 모델을 이용하여 에너지 비용을 최소화하는 방법 | |
CN117422254B (zh) | 智慧园区的信息处理方法、装置、设备及存储介质 | |
CN117806834B (zh) | 资源的调整方法及装置 | |
CN116659128B (zh) | 一种太阳能联合热泵的节能控制方法及*** | |
CN113283105B (zh) | 一种考虑电压安全约束的能源互联网分布式优化调度方法 | |
Shu et al. | Integrated Sensing, Communication, and Computing for Self-Powered UAV-Assisted Corona Detection in High-Voltage Substations | |
JP2023542826A (ja) | 再生可能な資源から得られるエネルギーを最適化するためのシステム及び方法 | |
CN117422254A (zh) | 智慧园区的信息处理方法、装置、设备及存储介质 | |
CN115079749A (zh) | 一种数据交互平台散热器及其温度控制方法 | |
CN117639040A (zh) | 一种基于光伏发电的停车场储能***及方法 |
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 |