CN117996293B - 用于浸没储能电池的温度控制及优化方法及*** - Google Patents
用于浸没储能电池的温度控制及优化方法及*** Download PDFInfo
- Publication number
- CN117996293B CN117996293B CN202410399768.4A CN202410399768A CN117996293B CN 117996293 B CN117996293 B CN 117996293B CN 202410399768 A CN202410399768 A CN 202410399768A CN 117996293 B CN117996293 B CN 117996293B
- Authority
- CN
- China
- Prior art keywords
- temperature
- target
- battery
- 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
- 238000004146 energy storage Methods 0.000 title claims abstract description 117
- 238000005457 optimization Methods 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000008859 change Effects 0.000 claims abstract description 75
- 239000000110 cooling liquid Substances 0.000 claims abstract description 61
- 238000005265 energy consumption Methods 0.000 claims abstract description 29
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 20
- 238000011217 control strategy Methods 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 27
- 238000006243 chemical reaction Methods 0.000 claims description 22
- 238000001816 cooling Methods 0.000 claims description 10
- 238000007654 immersion Methods 0.000 claims description 10
- 239000002826 coolant Substances 0.000 claims description 9
- 210000000352 storage cell Anatomy 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 238000005096 rolling process Methods 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 4
- 239000000758 substrate Substances 0.000 claims 1
- 238000005070 sampling Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 238000001914 filtration Methods 0.000 description 4
- 230000020169 heat generation Effects 0.000 description 4
- 210000004027 cell Anatomy 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 230000017525 heat dissipation Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000003792 electrolyte Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000005355 Hall effect Effects 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000011149 active material Substances 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003321 amplification Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000003487 electrochemical reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003199 nucleic acid amplification method Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Landscapes
- Secondary Cells (AREA)
Abstract
本发明提供一种用于浸没储能电池的温度控制及优化方法及***，涉及温度控制技术领域，包括基于目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型；结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列；根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略。
Description
技术领域
本发明涉及温度控制技术，尤其涉及一种用于浸没储能电池的温度控制及优化方法及***。
背景技术
温度是影响储能电池性能的关键因素之一，它直接关联到电池的能量密度、功率密度、寿命以及安全性等多个方面。在正常工作温度范围内（通常为20°C至60°C），电池的电化学反应能够有效进行，确保电池的高效能量输出和输入。然而，温度过低（低于0°C）时，电解液的粘度增加，离子迁移速度减慢，导致电池内阻增大，放电能力下降；温度过高（高于60°C）时，电池内部压力增大，可能引起电解液分解、活性物质结构破坏，甚至导致热失控事件发生，严重影响电池的寿命和安全性。
储能电池温度控制面临的现有挑战主要包括如何有效地实现在广泛的环境温度条件下的电池温度稳定、如何在电池组尺寸日益增大的情况下保持电池单体之间的温度均匀性，以及如何在提高能量密度的同时确保电池的热管理***不过于复杂或增加过多成本。
发明内容
本发明提供一种用于浸没储能电池的温度控制及优化方法及***，至少能够解决现有技术中部分问题。
本发明的第一方面，
提供一种用于浸没储能电池的温度控制及优化方法，包括：
获取目标浸没储能电池的电池电流、电池内阻以及电池反应的熵变值以及荷电状态，确定所述目标浸没储能电池的内部热量值；获取所述目标浸没储能电池的外表面积、所在冷却液的冷却液温度以及预先确定的换流系数，确定所述目标浸没储能电池的热传播值；基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型；
基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列；
根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略。
优选的，
基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型包括：
按照如下公式构建所述电池热模型：
；
；
其中，C p 表示电池热容量，T表示电池温度，t表示时间，h c 、h f 分别表示自然对流对应的第一换流系数和强制对流对应的第二换流系数，T a 、T f 分别表示环境温度和冷却液温度，A、A f 分别表示电池外表面面积和与冷却液的接触面积；
Q g 表示内部热量值，I表示电池电流，R表示电池内阻，△S表示电池反应的熵变值，SOC表示荷电状态。
优选的，
基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列包括：
基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器包括：
对所述温度预测控制器的控制器参数进行初始化，所述控制器参数包括预测步长、控制步长、温度参考值、温度约束值以及惩罚因子中至少一种；
获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合所述电池热模型，确定所述目标浸没储能电池在目标时间段的电池温度变化；
基于所述目标时间段的电池温度变化，结合所述温度约束条件，以最小化能量耗损为目标滚动优化所述温度预测控制器的控制器参数，并将所述温度预测控制器输出的控制量施加到冷却***，得到所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列。
优选的，
以最小化能量耗损为目标滚动优化所述温度预测控制器的控制器参数包括：
确定每个控制周期所述温度预测控制器的回归向量以及与当前时刻对应的上一时刻所述温度预测控制器的协方差矩阵，结合预设的遗忘因子，确定所述温度预测控制器的增益矩阵，其中，所述回归向量用于指示与所述温度预测控制器的控制器参数相关的测量值构成的向量；
根据所述增益矩阵、所述温度预测控制器的实际输出值和所述回归向量，按照如下公式迭代更新所述温度预测控制器的控制器参数：
；
；
其中，、/>分别表示第k步和第k-1步控制器参数，K(k)表示第k步的增益矩阵，y(k)表示第k步的实际输出值，/>表示第k步的回归向量，P(k-1)表示第k-1步的协方差矩阵，λ表示预设的遗忘因子。
优选的，
所述温度预测控制器如下公式所示：
；
其中，T f 表示冷却液温度值，N p 、N c 分别表示预测步长和控制步长，T(k)表示第k步的电池温度预测值，T ref 表示电池温度参考值，ρ表示控制量变化对应的惩罚因子，△T f (k)表示第k步的冷却液温度变化量。
优选的，
根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略包括：
根据所述最优冷却液温度变化序列，以及预设的目标控制温度，确定温度跟踪误差，结合PID控制算法确定所述内层控制器的内层控制输出，其中，所述内层控制输出包括对所述目标浸没储能电池的温度控制量；
分别为所述内层控制输出设置控制权重矩阵，为所述温度跟踪误差设置温度权重矩阵，所述外层控制器更新状态估计值，并将所更新的状态估计值进行优化，生成目标轨迹，将所述目标轨迹同步至所述内层控制器，以使所述内层控制器输出最终的温度控制策略，其中，所述目标轨迹用于指示温度控制的期望值。
优选的，
内层控制器如下公式所示：
；
外层控制器如下公式所示：
；
其中，u f (t)表示内层控制器的控制输出，K P 、K I 、K D 分别表示内层控制器的比例、积分、微分控制参数，e(t)表示温度跟踪误差；
u s (t)表示外层控制器的控制输出，t f 、t 0 分别表示初始时域、目标时域，Q表示温度权重矩阵，R表示控制权重矩阵，T(t)、T ref (t)分别表示最优冷却液温度变化序列和预设的目标控制温度。
本发明的第二方面，
提供一种用于浸没储能电池的温度控制及优化***，包括：
第一单元，用于获取目标浸没储能电池的电池电流、电池内阻以及电池反应的熵变值以及荷电状态，确定所述目标浸没储能电池的内部热量值；获取所述目标浸没储能电池的外表面积、所在冷却液的冷却液温度以及预先确定的换流系数，确定所述目标浸没储能电池的热传播值；基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型；
第二单元，用于基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列；
第三单元，用于根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略。
本发明的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
通过获取电池的内部热量值和热传播值，并结合电池的当前状态，构建了能够准确描述电池温度变化规律的电池热模型，该模型充分考虑了电池内部产热和表面散热的影响，提高了温度预测的精确度。在温度预测控制器的设计中，以最小化能量耗损为优化目标，同时考虑了电池温度约束条件，通过求解优化问题，得到了在满足温度约束的前提下，能够最大限度降低冷却***能耗的最优冷却液温度变化序列。
根据最优冷却液温度变化序列，构建了分层控制结构，内层控制器以温度跟踪为目标，实现了电池温度的精确调节;外层控制器则优化内层控制器的控制参数，提高了控制***对电池状态变化的适应能力。通过多时间尺度优化控制算法，协调了两层控制器的工作，提升了控制策略的鲁棒性和实时性。
附图说明
图1为本发明实施例用于浸没储能电池的温度控制及优化方法的流程示意图；
图2为本发明实施例用于浸没储能电池的温度控制及优化***的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中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他实施例，都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1为本发明实施例用于浸没储能电池的温度控制及优化方法的流程示意图，如图1所示，所述方法包括：
S101. 获取目标浸没储能电池的电池电流、电池内阻以及电池反应的熵变值以及荷电状态，确定所述目标浸没储能电池的内部热量值；获取所述目标浸没储能电池的外表面积、所在冷却液的冷却液温度以及预先确定的换流系数，确定所述目标浸没储能电池的热传播值；基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型；
示例性地，可以使用高精度电流传感器，如霍尔效应传感器或分流器，实时测量电池的充放电电流，根据电流传感器的类型选择合适的信号调理电路，如放大、滤波等，以获得稳定、可靠的电流测量值。可以采用在线参数辨识方法，如递推最小二乘法或卡尔曼滤波，根据电池的输入输出数据实时估计电池内阻。根据电池化学特性，通过查表或拟合函数的方式，得到电池反应的熵变值与荷电状态的对应关系，结合实时测量的荷电状态，计算当前工况下的熵变值。使用库仑计数法、开路电压法或模型观测器等方法，结合电流积分和电压测量，实时估算电池的荷电状态。
可选地，换热系数取决于冷却液的流动状态、物性参数以及电池表面的形状特征等，可以通过理论计算、数值模拟或实验测试等方法预先确定换热系数，对于特定的电池结构和冷却方式，换热系数一般可视为常数。
示例性地，为了实现浸没储能电池的精确温度控制，首先需要建立一个能够准确描述电池温度动态变化的热模型。本申请采用了基于能量守恒定律的集总参数热模型。该模型将电池视为一个均匀的热容量，考虑了电池内部产热、与环境的对流换热以及与冷却液的强制对流换热等因素。
采用分布参数热模型，可以更准确地预测电池内部的温度分布，有助于实现更精细的温度控制。同时，还可以考虑将电池老化和容量衰减等因素纳入热模型，以适应电池性能的长期变化。
在一种可选的实施方式中，
基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型包括：
按照如下公式构建所述电池热模型：
；
；
其中，C p 表示电池热容量，T表示电池温度，t表示时间，h c 、h f 分别表示自然对流对应的第一换流系数和强制对流对应的第二换流系数，T a 、T f 分别表示环境温度和冷却液温度，A、A f 分别表示电池外表面面积和与冷却液的接触面积；
Q g 表示内部热量值，I表示电池电流，R表示电池内阻，△S表示电池反应的熵变值，SOC表示荷电状态。
可以理解的是，电池热模型可以根据实测的电池电流、内阻、熵变值等参数，实时计算电池内部产热和表面散热，从而估计出电池的实时温度。这为电池管理***提供了重要的温度信息，有助于实现温度监测、过温保护等功能。基于电池热模型，可以预测电池在未来一段时间内的温度变化趋势。通过对未来工况的预测，如充放电电流、环境温度等，电池热模型可以估算出电池温度的动态响应，为温度优化控制提供参考。
S102.基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列；
示例性地，根据电池热模型的特点和控制目标，选择合适的控制器结构，如模型预测控制，其基本思想是在每个采样时刻，基于当前状态和未来预测，求解一个有限时域内的最优控制问题，并将第一个控制量作用于对象。以最小化能量耗损为优化目标，构建温度预测控制器的目标函数。能量耗损可以用控制过程中冷却***的功耗来衡量，与冷却液的流量、温度变化等因素有关。
根据目标浸没储能电池的温度约束条件，如最高允许温度、最大温升速率等，设置控制器的约束条件。将温度约束转化为冷却液温度的约束，并结合执行器的物理限制，如最大流量、最低温度等，形成完整的约束条件集。
可选地，采用滚动优化的策略，在每个采样时刻，基于当前测量的电池温度和电流，更新电池热模型的状态，并重新计算未来一段时间(预测时域)内的最优冷却液温度序列。预测时域的长度取决于电池热模型的动态特性和控制***的响应速度。一般选择能够覆盖电池温度响应的主要时间常数，并考虑优化问题的计算复杂度。过短的预测时域可能导致控制性能欠佳，过长的预测时域则会增加计算负担。
在优化过程中，需要对冷却液温度的变化率进行约束，以满足执行器的物理限制和***的平稳性要求；可以将变化率约束转化为相邻两步冷却液温度之差的约束，并纳入优化问题的约束条件集中。
在一种可选的实施方式中，
基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列包括：
基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器包括：
对所述温度预测控制器的控制器参数进行初始化，所述控制器参数包括预测步长、控制步长、温度参考值、温度约束值以及惩罚因子中至少一种；
获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合所述电池热模型，确定所述目标浸没储能电池在目标时间段的电池温度变化；
基于所述目标时间段的电池温度变化，结合所述温度约束条件，以最小化能量耗损为目标滚动优化所述温度预测控制器的控制器参数，并将所述温度预测控制器输出的控制量施加到冷却***，得到所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列。
示例性地，预测步长决定了控制器在每个采样时刻展望未来的时域长度，一般选择能够覆盖电池温度响应的主要时间常数，并考虑优化问题的计算复杂度。控制步长决定了控制器在预测时域内的控制作用次数，通常选择小于或等于预测步长的值，以减少优化问题的决策变量数量。
温度参考值是控制器追踪的目标温度，通常根据电池的最佳工作温度范围和应用场景的需求来设定。温度约束值包括电池温度的上下限，以及温度变化率的上下限，这些约束值根据电池的安全工作范围和热模型的适用条件来确定，以保证控制过程的可行性和稳定性。惩罚因子用于平衡温度跟踪性能和能量消耗之间的权衡。较大的惩罚因子会使控制器更重视温度跟踪，而较小的惩罚因子则会使控制器更注重能量优化。
在每个采样时刻，基于当前测量的电池温度和电流，更新电池热模型的状态变量，如电池内部温度、表面温度等。状态更新一般采用卡尔曼滤波、粒子滤波等状态估计算法，以融合模型预测和测量信息。将预测的电流序列代入电池热模型，计算目标时间段内的电池温度变化序列。
以最小化能量耗损为优化目标，构建温度预测控制器的目标函数，能量耗损可以用控制过程中冷却液温度变化的平方和或绝对值来衡量，并引入惩罚因子来权衡温度跟踪性能。将优化得到的冷却液温度变化序列累加到上一时刻的冷却液温度值上，得到未来控制步长内的冷却液温度序列。
在一种可选的实施方式中，
以最小化能量耗损为目标滚动优化所述温度预测控制器的控制器参数包括：
确定每个控制周期所述温度预测控制器的回归向量以及与当前时刻对应的上一时刻所述温度预测控制器的协方差矩阵，结合预设的遗忘因子，确定所述温度预测控制器的增益矩阵，其中，所述回归向量用于指示与所述温度预测控制器的控制器参数相关的测量值构成的向量；
根据所述增益矩阵、所述温度预测控制器的实际输出值和所述回归向量，按照如下公式迭代更新所述温度预测控制器的控制器参数：
；
；
其中，、/>分别表示第k步和第k-1步控制器参数，K(k)表示第k步的增益矩阵，y(k)表示第k步的实际输出值，/>表示第k步的回归向量，P(k-1)表示第k-1步的协方差矩阵，λ表示预设的遗忘因子。
在一种可选的实施方式中，
所述温度预测控制器如下公式所示：
；
其中，T f 表示冷却液温度值，N p 、N c 分别表示预测步长和控制步长，T(k)表示第k步的电池温度预测值，T ref 表示电池温度参考值，ρ表示控制量变化对应的惩罚因子，△T f (k)表示第k步的冷却液温度变化量。
本申请通过实时获取电池温度和电流，结合电池热模型进行状态估计和温度预测，控制器可以准确把握电池的热行为特性。传统的电池温度控制方法往往采用固定的冷却策略，如恒定流量或恒定温度，这种方式容易导致冷却过度或不足，造成能量浪费。而基于温度预测控制的方案可以根据电池的实际热负荷和预测的温度变化，动态调整冷却液的流量和温度，在满足温度控制要求的同时，最小化冷却***的能量消耗，实现节能增效。在大规模电池组应用中，各单体电池之间的温度分布往往不均匀，容易导致局部热点和电荷失衡。温度预测控制可以针对每个单体电池的温度特性进行个性化的调节，并协调各单体之间的温度差异，实现组内温度的均衡与一致。这不仅可以防止局部过温引发的安全隐患，还可以提高电池组的能量利用效率和循环寿命。
S103.根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略。
示例性地，根据浸没储能电池的热传递特性和控制要求，选择合适的内层控制器类型，如PID控制器、状态反馈控制器、滑模控制器等。以PID控制器为例，其具有结构简单、参数易调、鲁棒性好等优点，适用于大多数温度控制场景；根据最优冷却液温度变化序列，利用经典的PID参数整定方法，初步确定内层控制器的参数取值。这些方法通过对***进行开环或闭环试验，根据阶跃响应曲线或临界振荡特性，给出PID参数的经验公式或迭代算法。
根据选定的优化算法，设计并实现外层控制器的参数优化过程。这一过程通常需要多次迭代，每次迭代包括生成候选参数、评估控制性能、更新优化方向等步骤。为提高优化效率，可以采用并行计算、降维技术等措施，并合理设置迭代停止条件，如目标函数值变化小于阈值、迭代次数达到上限等。
根据内层控制器和外层控制器的动态特性，将其时间尺度进行分离。内层控制器直接与被控对象(浸没储能电池)进行实时交互，其采样周期和控制周期较短，通常在毫秒到秒的量级。外层控制器则基于内层控制器的性能评估结果，对其参数进行优化，其采样周期和控制周期较长，通常在分钟到小时的量级。
在不同时间尺度上，分别执行内层控制器和外层控制器的优化算法。内层控制器根据当前状态和参考值，实时计算控制量并作用于被控对象，实现快速的温度跟踪控制。外层控制器则在较长的时间尺度上，评估内层控制器的性能指标，并通过优化算法调整其参数，实现慢速的控制器自优化。
为保证内层控制和外层优化的协调配合，需要设计合理的控制策略。一种常见的策略是分层控制，即外层控制器根据优化结果，向内层控制器下达参数调整指令，内层控制器在执行温度跟踪任务的同时，逐步更新其参数。另一种策略是切换控制，即在不同的控制阶段或条件下，切换不同的控制器参数集，以适应***状态的变化。
在一种可选的实施方式中，
根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略包括：
根据所述最优冷却液温度变化序列，以及预设的目标控制温度，确定温度跟踪误差，结合PID控制算法确定所述内层控制器的内层控制输出，其中，所述内层控制输出包括对所述目标浸没储能电池的温度控制量；
分别为所述内层控制输出设置控制权重矩阵，为所述温度跟踪误差设置温度权重矩阵，所述外层控制器更新状态估计值，并将所更新的状态估计值进行优化，生成目标轨迹，将所述目标轨迹同步至所述内层控制器，以使所述内层控制器输出最终的温度控制策略，其中，所述目标轨迹用于指示温度控制的期望值。
根据内层控制器和外层控制器的动态特性，合理配置两者的工作周期。内层控制器需要快速响应温度变化，其采样周期一般设置为秒级;外层控制器主要进行参数优化，其采样周期可以设置为分钟级或更长。
在每个外层控制周期开始时，将优化得到的目标轨迹同步至内层控制器，作为新一周期的温度跟踪目标。同时，将内层控制器采集的实际温度信息反馈至外层控制器，用于状态估计和参数优化。在内层控制器和外层控制器之间建立协调机制，确保两者的配合工作。一种策略是外层控制器只在其采样时刻更新目标轨迹和优化参数，内层控制器在其余时刻基于最新的目标轨迹和参数进行控制;另一种策略是外层控制器连续监测内层控制器的工作状态，根据需要实时调整目标轨迹和优化参数。
随着时间的推移，电池特性和环境条件可能发生变化，需要通过闭环迭代的方式，持续优化控制***。具体而言，外层控制器根据长期的温度跟踪效果和能耗情况，定期重新评估代价函数，并触发新一轮的状态估计和参数优化，生成更新的目标轨迹，以适应***特性的变化。
在一种可选的实施方式中，
内层控制器如下公式所示：
；
外层控制器如下公式所示：
；
其中，u f (t)表示内层控制器的控制输出，K P 、K I 、K D 分别表示内层控制器的比例、积分、微分控制参数，e(t)表示温度跟踪误差；
u s (t)表示外层控制器的控制输出，t f 、t 0 分别表示初始时域、目标时域，Q表示温度权重矩阵，R表示控制权重矩阵，T(t)、T ref (t)分别表示最优冷却液温度变化序列和预设的目标控制温度。
本申请通过获取电池的内部热量值和热传播值，并结合电池的当前状态，构建了能够准确描述电池温度变化规律的电池热模型，该模型充分考虑了电池内部产热和表面散热的影响，提高了温度预测的精确度。在温度预测控制器的设计中，以最小化能量耗损为优化目标，同时考虑了电池温度约束条件，通过求解优化问题，得到了在满足温度约束的前提下，能够最大限度降低冷却***能耗的最优冷却液温度变化序列。
根据最优冷却液温度变化序列，构建了分层控制结构，内层控制器以温度跟踪为目标，实现了电池温度的精确调节;外层控制器则优化内层控制器的控制参数，提高了控制***对电池状态变化的适应能力。通过多时间尺度优化控制算法，协调了两层控制器的工作，提升了控制策略的鲁棒性和实时性。
图2为本发明实施例用于浸没储能电池的温度控制及优化***的结构示意图，如图2所示，所述***包括：
第一单元，用于获取目标浸没储能电池的电池电流、电池内阻以及电池反应的熵变值以及荷电状态，确定所述目标浸没储能电池的内部热量值；获取所述目标浸没储能电池的外表面积、所在冷却液的冷却液温度以及预先确定的换流系数，确定所述目标浸没储能电池的热传播值；基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型；
第二单元，用于基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列；
第三单元，用于根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略。
本发明实施例的第三方面，
提供一种电子设备，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行前述所述的方法。
本发明实施例的第四方面，
提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现前述所述的方法。
本发明可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (7)
1.一种用于浸没储能电池的温度控制及优化方法，其特征在于，包括：
获取目标浸没储能电池的电池电流、电池内阻以及电池反应的熵变值以及荷电状态，确定所述目标浸没储能电池的内部热量值；获取所述目标浸没储能电池的外表面积、所在冷却液的冷却液温度以及预先确定的换流系数，确定所述目标浸没储能电池的热传播值；基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型；
基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列；
根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略；
基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型包括：
按照如下公式构建所述电池热模型：
；
；
其中，C p 表示电池热容量，T表示电池温度，t表示时间，h c 、h f 分别表示自然对流对应的第一换流系数和强制对流对应的第二换流系数，T a 、T f 分别表示环境温度和冷却液温度，A、A f 分别表示电池外表面面积和与冷却液的接触面积；
Q g 表示内部热量值，I表示电池电流，R表示电池内阻，△S表示电池反应的熵变值，SOC表示荷电状态；
基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列包括：
基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器包括：
对所述温度预测控制器的控制器参数进行初始化，所述控制器参数包括预测步长、控制步长、温度参考值、温度约束值以及惩罚因子中至少一种；
获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合所述电池热模型，确定所述目标浸没储能电池在目标时间段的电池温度变化；
基于所述目标时间段的电池温度变化，结合所述温度约束条件，以最小化能量耗损为目标滚动优化所述温度预测控制器的控制器参数，并将所述温度预测控制器输出的控制量施加到冷却***，得到所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列；
根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略包括：
根据所述最优冷却液温度变化序列，以及预设的目标控制温度，确定温度跟踪误差，结合PID控制算法确定所述内层控制器的内层控制输出，其中，所述内层控制输出包括对所述目标浸没储能电池的温度控制量；
分别为所述内层控制输出设置控制权重矩阵，为所述温度跟踪误差设置温度权重矩阵，所述外层控制器更新状态估计值，并将所更新的状态估计值进行优化，生成目标轨迹，将所述目标轨迹同步至所述内层控制器，以使所述内层控制器输出最终的温度控制策略，其中，所述目标轨迹用于指示温度控制的期望值。
2.根据权利要求1所述的方法，其特征在于，以最小化能量耗损为目标滚动优化所述温度预测控制器的控制器参数包括：
确定每个控制周期所述温度预测控制器的回归向量以及与当前时刻对应的上一时刻所述温度预测控制器的协方差矩阵，结合预设的遗忘因子，确定所述温度预测控制器的增益矩阵，其中，所述回归向量用于指示与所述温度预测控制器的控制器参数相关的测量值构成的向量；
根据所述增益矩阵、所述温度预测控制器的实际输出值和所述回归向量，按照如下公式迭代更新所述温度预测控制器的控制器参数：
；
；
其中，、/>分别表示第k步和第k-1步控制器参数，K(k)表示第k步的增益矩阵，y(k)表示第k步的实际输出值，/>表示第k步的回归向量，P(k-1)表示第k-1步的协方差矩阵，λ表示预设的遗忘因子。
3.根据权利要求2所述的方法，其特征在于，所述温度预测控制器如下公式所示：
；
其中，T f 表示冷却液温度值，N p 、N c 分别表示预测步长和控制步长，T(k)表示第k步的电池温度预测值，T ref 表示电池温度参考值，ρ表示控制量变化对应的惩罚因子，△T f (k)表示第k步的冷却液温度变化量。
4.根据权利要求1所述的方法，其特征在于，
内层控制器如下公式所示：
；
外层控制器如下公式所示：
；
其中，u f (t)表示内层控制器的控制输出，K P 、K I 、K D 分别表示内层控制器的比例、积分、微分控制参数，e(t)表示温度跟踪误差；
u s (t)表示外层控制器的控制输出，t f 、t 0 分别表示初始时域、目标时域，Q表示温度权重矩阵，R表示控制权重矩阵，T(t)、T ref (t)分别表示最优冷却液温度变化序列和预设的目标控制温度。
5.一种用于浸没储能电池的温度控制及优化***，用于实现前述权利要求1-4中任一项所述的方法，其特征在于，包括：
第一单元，用于获取目标浸没储能电池的电池电流、电池内阻以及电池反应的熵变值以及荷电状态，确定所述目标浸没储能电池的内部热量值；获取所述目标浸没储能电池的外表面积、所在冷却液的冷却液温度以及预先确定的换流系数，确定所述目标浸没储能电池的热传播值；基于所述目标浸没储能电池的内部热量值以及热传播值，构建所述目标浸没储能电池的电池热模型；
第二单元，用于基于所述电池热模型，获取所述目标浸没储能电池的当前电池温度以及当前电池电流，结合以最小化能量耗损为目标构建的温度预测控制器以及所述目标浸没储能电池的温度约束条件，确定所述目标浸没储能电池在目标时间段的最优冷却液温度变化序列；
第三单元，用于根据所述最优冷却液温度变化序列，分别构建以温度跟踪为目标的内层控制器，以及以优化内层控制器的控制参数为目标的外层控制器，通过多时间尺度优化控制算法确定对所述目标浸没储能电池的温度控制策略。
6.一种电子设备，其特征在于，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1至4中任意一项所述的方法。
7.一种计算机可读存储介质，其上存储有计算机程序指令，其特征在于，所述计算机程序指令被处理器执行时实现权利要求1至4中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410399768.4A CN117996293B (zh) | 2024-04-03 | 2024-04-03 | 用于浸没储能电池的温度控制及优化方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410399768.4A CN117996293B (zh) | 2024-04-03 | 2024-04-03 | 用于浸没储能电池的温度控制及优化方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117996293A CN117996293A (zh) | 2024-05-07 |
| CN117996293B true CN117996293B (zh) | 2024-06-07 |
Family
ID=90900901
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410399768.4A Active CN117996293B (zh) | 2024-04-03 | 2024-04-03 | 用于浸没储能电池的温度控制及优化方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117996293B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111261973A (zh) * | 2020-01-19 | 2020-06-09 | 重庆大学 | 基于模型预测控制的电动汽车整车电池热管理方法 |
| CN113300027A (zh) * | 2021-04-19 | 2021-08-24 | 江苏大学 | 一种基于预测控制的动力电池热管理***及其控制方法 |
| CN113420471A (zh) * | 2021-06-01 | 2021-09-21 | 上海交通大学 | 基于电化学机理的动力锂电池热模型构建建立方法及*** |
| KR102325126B1 (ko) * | 2021-02-25 | 2021-11-11 | 케이지씨 주식회사 | 배터리 온도 제어 방법 및 시스템 |
| KR20220009850A (ko) * | 2020-07-16 | 2022-01-25 | 헤페이 썬그로우 리뉴어블 에너지 사이언스 & 테크놀로지 컴퍼니 리미티드 | 에너지 스토리지 배터리 구획을 위한 온도 제어 방법 및 에너지 스토리지 시스템을 위한 방전 제어 방법 및 에너지 스토리지 애플리케이션 시스템 |
| KR20220159045A (ko) * | 2021-05-25 | 2022-12-02 | 케이지씨 주식회사 | 배터리 팩 온도 제어 방법 및 시스템 |
| CN116613430A (zh) * | 2023-07-18 | 2023-08-18 | 浙江兴创新能源有限公司 | 浸没式液冷储能用电池模组主动式热管理方法及*** |
| CN116826254A (zh) * | 2023-08-17 | 2023-09-29 | 中南大学 | 重载货运列车自组网低温下电池直流自加热方法、***、介质及终端 |
| CN116826253A (zh) * | 2023-08-10 | 2023-09-29 | 浙江兴创新能源有限公司 | 提升浸没式液冷储能电池寿命的主动热管理方法及*** |
| CN117239304A (zh) * | 2023-11-16 | 2023-12-15 | 深圳永泰数能科技有限公司 | 液冷储能热管理***及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20220144192A (ko) * | 2021-04-19 | 2022-10-26 | 현대자동차주식회사 | 배터리 냉각 시스템 및 배터리 냉각 시스템의 열적 모델 생성 방법 |
-
2024
- 2024-04-03 CN CN202410399768.4A patent/CN117996293B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN111261973A (zh) * | 2020-01-19 | 2020-06-09 | 重庆大学 | 基于模型预测控制的电动汽车整车电池热管理方法 |
| KR20220009850A (ko) * | 2020-07-16 | 2022-01-25 | 헤페이 썬그로우 리뉴어블 에너지 사이언스 & 테크놀로지 컴퍼니 리미티드 | 에너지 스토리지 배터리 구획을 위한 온도 제어 방법 및 에너지 스토리지 시스템을 위한 방전 제어 방법 및 에너지 스토리지 애플리케이션 시스템 |
| KR102325126B1 (ko) * | 2021-02-25 | 2021-11-11 | 케이지씨 주식회사 | 배터리 온도 제어 방법 및 시스템 |
| CN113300027A (zh) * | 2021-04-19 | 2021-08-24 | 江苏大学 | 一种基于预测控制的动力电池热管理***及其控制方法 |
| KR20220159045A (ko) * | 2021-05-25 | 2022-12-02 | 케이지씨 주식회사 | 배터리 팩 온도 제어 방법 및 시스템 |
| CN113420471A (zh) * | 2021-06-01 | 2021-09-21 | 上海交通大学 | 基于电化学机理的动力锂电池热模型构建建立方法及*** |
| CN116613430A (zh) * | 2023-07-18 | 2023-08-18 | 浙江兴创新能源有限公司 | 浸没式液冷储能用电池模组主动式热管理方法及*** |
| CN116826253A (zh) * | 2023-08-10 | 2023-09-29 | 浙江兴创新能源有限公司 | 提升浸没式液冷储能电池寿命的主动热管理方法及*** |
| CN116826254A (zh) * | 2023-08-17 | 2023-09-29 | 中南大学 | 重载货运列车自组网低温下电池直流自加热方法、***、介质及终端 |
| CN117239304A (zh) * | 2023-11-16 | 2023-12-15 | 深圳永泰数能科技有限公司 | 液冷储能热管理***及方法 |
Non-Patent Citations (5)
| Title |
|---|
| 、基于电化学阻抗谱的锂离子电池内部 温度监测方法综述;杜伟兮;《广 东 电 力》;20230831;第第36卷卷(第第8期期);全文 * |
| 基于模型预测的纯电动汽车动力总成热管理策略;冯权;黄瑞;陈芬放;凌珑;俞小莉;;现代机械;20190428(第02期);全文 * |
| 混合动力汽车动力电池主动热管理***设计;孙志文;朱建新;储爱华;周兴叶;;电源技术;20150420(第04期);全文 * |
| 混合动力汽车镍氢电池热管理策略研究;赵亮;朱建新;储爱华;喜冠南;;机械设计与制造;20200908(第09期);全文 * |
| 锂离子电池生热模型研究进展;梁昌铖等;《质量前沿》;20230731;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117996293A (zh) | 2024-05-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Feng et al. | A review of equalization strategies for series battery packs: variables, objectives, and algorithms | |
| Wang et al. | A comprehensive review of battery modeling and state estimation approaches for advanced battery management systems | |
| CN108134114B (zh) | 一种质子交换膜燃料电池温度控制方法 | |
| Park et al. | A deep reinforcement learning framework for fast charging of Li-ion batteries | |
| Gruber et al. | Design and experimental validation of a constrained MPC for the air feed of a fuel cell | |
| Chen et al. | Temperature and humidity management of PEM fuel cell power system using multi-input and multi-output fuzzy method | |
| Tang et al. | Temperature sensitivity characteristics of PEM fuel cell and output performance improvement based on optimal active temperature control | |
| CN114335625B (zh) | 燃料电池堆温度控制方法、装置、模型预测控制器及*** | |
| Lucia et al. | Towards adaptive health-aware charging of Li-ion batteries: A real-time predictive control approach using first-principles models | |
| CN114919752B (zh) | 一种基于ecms-mpc的氢燃料混合动力无人机能量管理方法 | |
| CN114142498A (zh) | 一种数据驱动的分布式储能自适应预测控制电压调节方法 | |
| Narayanan et al. | A stochastic optimal control approach for exploring tradeoffs between cost savings and battery aging in datacenter demand response | |
| CN111834654A (zh) | 质子交换膜燃料电池最大功率的在线预测控制方法及装置 | |
| CN113224412A (zh) | 动力电池的控温方法、ampc控制器、热管理***及介质 | |
| Qi et al. | Design of the PID temperature controller for an alkaline electrolysis system with time delays | |
| Yang et al. | Enabling Safety-Enhanced fast charging of electric vehicles via soft actor Critic-Lagrange DRL algorithm in a Cyber-Physical system | |
| Hu et al. | Fused multi-model predictive control with adaptive compensation for proton exchange membrane fuel cell air supply system | |
| CN117996293B (zh) | 用于浸没储能电池的温度控制及优化方法及*** | |
| Yu et al. | Thermal management of an open-cathode PEMFC based on constraint generalized predictive control and optimized strategy | |
| Liu et al. | Adaptive look-ahead model predictive control strategy of vehicular PEMFC thermal management | |
| CN116430245A (zh) | 基于梯度优化多物理信息神经网络的电池热失控预测方法 | |
| Rauh et al. | Interval Methods for Sensitivity-Based Model-Predictive Control of Solid Oxide Fuel Cell Systems. | |
| Pozzi et al. | Deep learning-based predictive control for the optimal charging of a lithium-ion battery with electrochemical dynamics | |
| Ma et al. | Collaborative thermal management of power battery and passenger cabin for energy efficiency optimization | |
| KR102461194B1 (ko) | 지능형 금속 가공 제어 장치 및 방법 |
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 |