开云优惠体育网页版入口

专利名称：用于储能电池组的风液混合散热方法及系统

专利类型：发明专利

专利申请号：CN202410566771.0

专利申请（专利权）人：内蒙古中电储能技术有限公司
权利人地址：内蒙古自治区呼和浩特市经济技术开发区沙尔沁工业园区丁香大街以南、经三十二路以西中电储能新型电力储能系统产业研发制造基地

专利发明（设计）人：董兆一,胡利兵,李东宇,陈晔忠,贾连超,徐浩萍,朱成莹,张振蒙,贾政,宋海峰

专利摘要：本发明公开了用于储能电池组的风液混合散热方法及系统，涉及电池组散热技术领域，包括：获取储能电池组的设备数据，构建储能电池组的工作数据集；基于工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；配置温度控制通道；配置储能电池组的温度监测传感器，构建储能电池组的温度。唤涸厝挝、环境数据、温度场输入至温度控制通道，执行温度控制决策，建立决策结果；基于决策结果配置验证窗口，进行决策结果执行后的验证数据采集，生成验证数据采集结果；对决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行混合散热控制。本发明解决现有技术散热效率低的技术问题，达到提高散热效率的技术效果。

主权利要求：
1.用于储能电池组的风液混合散热方法，其特征在于，所述方法包括：获取储能电池组的设备数据，基于所述设备数据构建储能电池组的工作数据集；
基于所述工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；
通过所述位置温度控制数据集配置温度控制通道，其中，所述温度控制通道包括温度阈值控制子通道和负载响应控制子通道；
配置储能电池组的温度监测传感器，以所述温度监测传感器构建储能电池组的温度。
获取储能电池组的负载任务，将所述负载任务作为第一输入数据，获取储能电池组的使用环境数据，将所述使用环境数据作为第二输入数据，将所述温度场作为第三输入数据，将所述第一输入数据、所述第二输入数据和所述第三输入数据输入至所述温度控制通道，执行温度控制决策，建立决策结果；
基于所述决策结果配置验证窗口，基于所述验证窗口进行决策结果执行后的验证数据采集，生成验证数据采集结果；
以所述验证数据采集结果对所述决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行储能电池组的风液混合散热控制；
将所述第一输入数据、所述第二输入数据和所述第三输入数据输入至所述温度控制通道，执行温度控制决策，建立决策结果，还包括：获取储能电池组的拓扑结构，基于所述拓扑结构进行散热的共用分区，建立N个散热子区域；
当接收所述第一输入数据和所述第二输入数据后，调用内置在所述温度控制通道内的预测拟合模型，以所述预测拟合模型进行电池组发热拟合，建立位置发热拟合结果；
通过所述N个散热子区域进行位置发热拟合结果评价，建立散热子区域的电池温度预测数据；
将所述电池温度预测数据同步至所述温度控制通道，完成温度控制决策；
通过所述N个散热子区域进行位置发热拟合结果评价，建立散热子区域的电池温度预测数据，还包括：执行N个散热子区域内位置发热拟合结果的区域内聚类，生成自适应聚类结果；
获取自适应聚类结果中最大聚类集对应的集合内最大温度值；
将最大温度值作为对应散热子区域的标定电池温度预测数据，并获取顺次第二聚类集对应的集合内最大温度值，将其作为辅助电池温度预测数据；
以所述标定电池温度预测数据和所述辅助电池温度预测数据完成散热子区域的电池温度预测数据建立；
以所述验证数据采集结果对所述决策结果进行控制寻优，执行滚动时域优化，还包括：判断所述验证数据采集结果是否为辅助电池温度预测数据的控制响应偏向结果；
若判定结果为是，则以所述辅助电池温度预测数据重新生成寻优决策结果，以所述验证数据采集结果的偏向值建立时域滚动周期，基于所述时域滚动周期交替使用寻优决策结果和决策结果，以完成滚动时域优化；
判断所述验证数据采集结果是否为辅助电池温度预测数据的控制响应偏向结果，还包括：若判定结果为否，则对所述验证数据采集结果进行温升速率判定；
若判定温度速率满足预设阈值，则生成全液冷调用指令；
通过所述全液冷调用指令依据所述验证数据采集结果匹配液冷控制方案；
以所述液冷控制方案完成滚动时域优化。
2.如权利要求1所述的方法，其特征在于，所述对所述验证数据采集结果进行温升速率判定，还包括：若温升速率不能满足预设阈值，则生成节能优化指令；
以所述节能优化指令依据所述验证数据采集结果进行节能控制寻优，以节能控制寻优结果完成滚动时域优化。
3.如权利要求1所述的方法，其特征在于，所述方法还包括：对所述温控单元进行液冷流量和风机转速监测，生成监测结果；
若所述监测结果与风液混合散热控制不一致，则报出温控单元异常；
通过所述温控单元异常进行异常预警。
4.用于储能电池组的风液混合散热系统，所述系统用于实施权利要求1?3中任意一项所述用于储能电池组的风液混合散热方法的步骤，其特征在于，所述系统包括：设备数据获取模块，所述设备数据获取模块获取储能电池组的设备数据，基于所述设备数据构建储能电池组的工作数据集；
位置温度控制数据集建立模块，所述位置温度控制数据集建立模块基于所述工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；
温度控制通道配置模块，所述温度控制通道配置模块通过所述位置温度控制数据集配置温度控制通道，其中，所述温度控制通道包括温度阈值控制子通道和负载响应控制子通道；
温度场构建模块，所述温度场构建模块配置储能电池组的温度监测传感器，以所述温度监测传感器构建储能电池组的温度。
决策结果建立模块，所述决策结果建立模块获取储能电池组的负载任务，将所述负载任务作为第一输入数据，获取储能电池组的使用环境数据，将所述使用环境数据作为第二输入数据，将所述温度场作为第三输入数据，将所述第一输入数据、所述第二输入数据和所述第三输入数据输入至所述温度控制通道，执行温度控制决策，建立决策结果；
验证数据采集结果生成模块，所述验证数据采集结果生成模块基于所述决策结果配置验证窗口，基于所述验证窗口进行决策结果执行后的验证数据采集，生成验证数据采集结果；
散热控制模块，所述散热控制模块以所述验证数据采集结果对所述决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行储能电池组的风液混合散热控制。 说明书 : 用于储能电池组的风液混合散热方法及系统技术领域[0001] 本发明涉及电池组散热技术领域，具体涉及用于储能电池组的风液混合散热方法及系统。背景技术[0002] 在能源存储技术领域，储能电池组的应用正变得日益重要，特别是在电动汽车、电网储能和可再生能源系统中。然而，储能电池的性能和安全性在很大程度上取决于其热管理系统的有效性。随着电池技术的进步，电池的能量密度不断提高，这导致在充放电过程中产生的热量显著增加，因此，散热成了一个至关重要的技术挑战。[0003] 传统的散热方法，如单一的风冷或液冷，虽然在一定程度上能够满足散热需求，但在面对高性能电池组时，这些方法往往显得效率低下，难以保证电池在最佳的温度范围内持续稳定运行。发明内容[0004] 本申请提供用于储能电池组的风液混合散热方法及系统，用于针对解决现有技术散热效率低的技术问题。[0005] 鉴于上述问题，本申请提供了用于储能电池组的风液混合散热方法及系统。[0006] 本申请的第一个方面，提供了用于储能电池组的风液混合散热方法，所述方法包括：[0007] 获取储能电池组的设备数据，基于所述设备数据构建储能电池组的工作数据集；基于所述工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；通过所述位置温度控制数据集配置温度控制通道，其中，所述温度控制通道包括温度阈值控制子通道和负载响应控制子通道；配置储能电池组的温度监测传感器，以所述温度监测传感器构建储能电池组的温度。换袢〈⒛艿绯刈榈母涸厝挝，将所述负载任务作为第一输入数据，获取储能电池组的使用环境数据，将所述使用环境数据作为第二输入数据，将所述温度场作为第三输入数据，将所述第一输入数据、所述第二输入数据和所述第三输入数据输入至所述温度控制通道，执行温度控制决策，建立决策结果；基于所述决策结果配置验证窗口，基于所述验证窗口进行决策结果执行后的验证数据采集，生成验证数据采集结果；以所述验证数据采集结果对所述决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行储能电池组的风液混合散热控制。[0008] 本申请的第二个方面，提供了用于储能电池组的风液混合散热系统，所述系统包括：[0009] 设备数据获取模块，所述设备数据获取模块获取储能电池组的设备数据，基于所述设备数据构建储能电池组的工作数据集；位置温度控制数据集建立模块，所述位置温度控制数据集建立模块基于所述工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；温度控制通道配置模块，所述温度控制通道配置模块通过所述位置温度控制数据集配置温度控制通道，其中，所述温度控制通道包括温度阈值控制子通道和负载响应控制子通道；温度场构建模块，所述温度场构建模块配置储能电池组的温度监测传感器，以所述温度监测传感器构建储能电池组的温度。痪霾呓峁⒛？，所述决策结果建立模块获取储能电池组的负载任务，将所述负载任务作为第一输入数据，获取储能电池组的使用环境数据，将所述使用环境数据作为第二输入数据，将所述温度场作为第三输入数据，将所述第一输入数据、所述第二输入数据和所述第三输入数据输入至所述温度控制通道，执行温度控制决策，建立决策结果；验证数据采集结果生成模块，所述验证数据采集结果生成模块基于所述决策结果配置验证窗口，基于所述验证窗口进行决策结果执行后的验证数据采集，生成验证数据采集结果；散热控制模块，所述散热控制模块以所述验证数据采集结果对所述决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行储能电池组的风液混合散热控制。[0010] 本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：[0011] 本申请获取储能电池组的设备数据，基于设备数据构建储能电池组的工作数据集；基于工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；通过位置温度控制数据集配置温度控制通道，其中，温度控制通道包括温度阈值控制子通道和负载响应控制子通道；配置储能电池组的温度监测传感器，以温度监测传感器构建储能电池组的温度。换袢〈⒛艿绯刈榈母涸厝挝，将负载任务作为第一输入数据，获取储能电池组的使用环境数据，将使用环境数据作为第二输入数据，将温度场作为第三输入数据，将第一输入数据、第二输入数据和第三输入数据输入至温度控制通道，执行温度控制决策，建立决策结果；基于决策结果配置验证窗口，基于验证窗口进行决策结果执行后的验证数据采集，生成验证数据采集结果；以验证数据采集结果对决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行储能电池组的风液混合散热控制。本发明解决现有技术散热效率低的技术问题，通过实时监测电池组的温度状态，动态调整冷却策略，达到提高散热效率的技术效果。附图说明[0012] 为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。[0013] 图1为本申请实施例提供的用于储能电池组的风液混合散热方法流程示意图；[0014] 图2为本申请实施例提供的用于储能电池组的风液混合散热系统结构示意图。[0015] 附图标记说明：设备数据获取模块11，位置温度控制数据集建立模块12，温度控制通道配置模块13，温度场构建模块14，决策结果建立模块15，验证数据采集结果生成模块16，散热控制模块17。具体实施方式[0016] 本申请通过提供用于储能电池组的风液混合散热方法及系统，针对解决现有技术散热效率低的技术问题，通过实时监测电池组的温度状态，动态调整冷却策略，达到提高散热效率的技术效果。[0017] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。[0018] 需要说明的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或服务器不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。[0019] 实施例一[0020] 如图1所示，本申请提供用于储能电池组的风液混合散热方法，所述方法包括：[0021] 步骤S100：获取储能电池组的设备数据，基于所述设备数据构建储能电池组的工作数据集；[0022] 在本申请实施例中，储能电池组的设备数据包括电压、电流、温度、内阻、SOC等。在储能电池组的关键位置部署相应的传感器，如温度传感器、电压传感器、电流传感器等。使用数据采集器或类似设备从传感器中实时获取数据。[0023] 对于采集到的数据进行数据预处理，去除异常值、噪声和重复数据，同时将数据转换为统一的格式和标准。[0024] 最后，将预处理后的数据整合成储能电池组的工作数据集，其中工作数据集包含所有关键参数和对应的时间戳。[0025] 步骤S200：基于所述工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；[0026] 在本申请实施例中，从工作数据集中筛选出与温控单元相关的数据，包括温控单元的工作状态、设定温度、实际温度、温度变化率、温控单元的功率输出等。如果数据集较小或不平衡，使用数据增强技术，如过采样、欠采样或生成合成数据平衡不同类别的数据点。[0027] 之后根据问题性质，选择机器学习模型评估温控单元的性能，在本申请中以线性回归模型对温控单元的温度调节能力进行评估。[0028] 使用线性回归模型进行评估时，首先将包含温控单元操作参数和实际温度的数据集分为训练集、验证集和测试集，选择与温控单元性能相关的特征，如设定温度、环境温度等作为线性回归模型的自变量，将实际温度作为因变量。通过最小化预测温度和实际温度之间的残差平方和优化模型参数，在训练过程中，使用验证集调整模型的超参数，如正则化强度，防止过拟合。[0029] 对温控单元的温度调节能力评估时，使用测试集数据，通过训练好的模型预测温度值，并与实际温度值进行比较。计算预测温度与实际温度之间的偏差，即温度偏差。统计并分析这些偏差的分布情况，如平均偏差、最大偏差、偏差的标准差等，评估温控单元的调节能力。[0030] 最后将评估过程中使用的数据和对应的温控单元位置信息进行整合，形成温控单元的位置温度控制数据集。[0031] 步骤S300：通过所述位置温度控制数据集配置温度控制通道，其中，所述温度控制通道包括温度阈值控制子通道和负载响应控制子通道；[0032] 在本申请实施例中，首先对位置温度控制数据集进行数据分析，确定各个位置的温度分布情况、温度变化的趋势以及与环境因素的相关性。根据分析结果，确定需要控制的温度范围和关键点。[0033] 在配置温度阈值控制子通道时，基于数据分析的结果，为每个关键位置设定合理的温度阈值。温度阈值设置为一个范围，例如，对于某个关键位置，设定一个上限阈值和一个下限阈值，确保温度控制在这个范围内。当实际温度超出设定的阈值范围时，触发相应的控制机制，控制机制包括调整温控单元的设定温度、启动或关闭某些设备、增加或减少冷却/加热功率等。[0034] 在配置负载响应控制子通道时，分析位置温度控制数据集中负载变化与温度变化之间的关系。通过回归分析、时间序列分析等统计方法，建立负载与温度之间的预测模型。根据预测模型，制定针对不同负载情况的温度控制策略。例如，在高负载情况下增加冷却措施，防止温度过高；在低负载时降低能耗，实现节能。利用现有的自动化控制系统，如PLC、DCS等将负载响应策略编程实现自动化的负载响应控制。[0035] 通过以上步骤，配置温度控制通道中的温度阈值控制子通道和负载响应控制子通道。[0036] 步骤S400：配置储能电池组的温度监测传感器，以所述温度监测传感器构建储能电池组的温度。籟0037] 在本申请实施例中，选择NTC热敏电阻作为温度监测传感器，将温度监测传感器布置在电池组的关键位置，如电池单体表面、电池连接处等，以全面监测电池组的温度分布。[0038] 通过配置的传感器实时收集各个监测点的温度数据。对收集到的温度数据进行处理，包括数据清洗、异常值检测和数据平滑等，以获得准确的温度信息。利用温度数据，通过插值等方法构建二维或三维的温度场模型。[0039] 步骤S500：获取储能电池组的负载任务，将所述负载任务作为第一输入数据，获取储能电池组的使用环境数据，将所述使用环境数据作为第二输入数据，将所述温度场作为第三输入数据，将所述第一输入数据、所述第二输入数据和所述第三输入数据输入至所述温度控制通道，执行温度控制决策，建立决策结果；[0040] 在本申请实施例中，从储能电池组的管理系统或相关设备中获取实时的负载任务数据。负载任务数据包括电池的充放电功率、电流、电压等。对收集到的负载任务数据进行清洗和格式化，以确保其准确性和一致性。将处理后的负载任务数据作为第一输入数据输入到温度控制通道中。[0041] 通过环境传感器，如温湿度传感器等收集储能电池组所在环境的数据。这些数据包括环境温度、湿度等。对收集到的使用环境数据进行清洗和格式化，以去除噪声和异常值。将处理后的使用环境数据作为第二输入数据输入到温度控制通道中。[0042] 通过之前配置的温度监测传感器收集储能电池组的实时温度场数据。对收集到的温度场数据进行清洗、平滑和插值处理，以构建准确的温度场模型。将处理后的温度场数据作为第三输入数据输入到温度控制通道中。[0043] 利用现有的数据融合算法，如卡尔曼滤波、贝叶斯估计等将负载任务数据、使用环境数据和温度场数据进行有效融合。基于融合后的数据，通过预设的温度控制算法，如PID控制、：刂频戎贫ǔ鱿嘤Φ奈露瓤刂凭霾。最后输出决策结果，决策结果包括调整散热风扇的转速、改变电池的充放电策略等。[0044] 步骤S600：基于所述决策结果配置验证窗口，基于所述验证窗口进行决策结果执行后的验证数据采集，生成验证数据采集结果；[0045] 在本申请实施例中，利用现有的电池管理系统或专门的监控软件配置验证窗口。在BMS或监控软件中，根据之前制定的温度控制决策，设置相应的验证参数。验证参数包括温度阈值、数据采集频率等。[0046] 在决策结果执行后，激活BMS或监控软件的数据采集功能。确保所有传感器和数据采集设备均正常工作，并开始记录数据。通过验证窗口实时监控电池组的状态变化，特别是温度数据。记录所有相关数据，包括温度、电压、电流等。[0047] 对采集到的原始数据进行清洗、整理和分析，去除异常值或噪声，利用数据分析工具，如Excel、Python等对数据进行处理和分析，生成验证数据采集结果。[0048] 步骤S700：以所述验证数据采集结果对所述决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行储能电池组的风液混合散热控制。[0049] 在本申请实施例中，对验证数据采集结果进行统计描述，分析温度、风扇转速、液体流量等参数的分布和变化趋势。根据数据分析和业务需求，设定明确的优化目标，如降低电池组的最高温度、提高散热效率等。确定可调整的控制参数，如风扇转速、液体流量等，并制定相应的调整策略。[0050] 执行滚动时域优化时，根据实际情况定义一个合适的滚动时域长度，该长度应反映电池组热特性的变化。利用现有的优化算法，如动态规划、遗传算法、强化学习等在滚动时域内寻找最优的控制参数。在每个滚动时域的结束时，根据实时数据评估当前控制参数的效果，并进行必要的调整。[0051] 将优化算法得出的控制参数转换为实际的散热系统控制指令。根据下发的控制指令，利用自动化技术，如PLC控制系统、智能传感器等实时调整风扇转速和液体流量。[0052] 通过上述方法，实现对储能电池组的风液混合散热控制。[0053] 进一步的，申请实施例提供的方法中的步骤S500还包括：[0054] 获取储能电池组的拓扑结构，基于所述拓扑结构进行散热的共用分区，建立N个散热子区域；[0055] 当接收所述第一输入数据和所述第二输入数据后，调用内置在所述温度控制通道内的预测拟合模型，以所述预测拟合模型进行电池组发热拟合，建立位置发热拟合结果；[0056] 通过所述N个散热子区域进行位置发热拟合结果评价，建立散热子区域的电池温度预测数据；[0057] 将所述电池温度预测数据同步至所述温度控制通道，完成温度控制决策。[0058] 在本申请实施例中，使用高精度扫描仪或红外热像仪获取储能电池组的详细拓扑结构，包括电池单体的布局、连接方式和热特性。利用图像处理和数据分析技术，对获取的拓扑结构数据进行处理，识别出电池组中热量分布的关键区域。基于数据分析结果，将电池组划分为散热共用分区，每个分区内的电池具有相似的热特性和散热需求。[0059] 在每个散热共用分区内，利用热仿真软件或计算流体力学技术，建立N个散热子区域。[0060] 对于接收到所述第一输入数据和第二输入数据，进行数据预处理，通过主成分分析提取出与电池发热相关的特征指标。[0061] 预测拟合模型为预先训练好的，在训练预测拟合模型时，通过历史数据进行训练，历史数据为储能电池在各种工作条件下的温度数据，这些数据包括不同环境温度下的电池温度、不同充放电速率时的温度变化、电池使用时间与温度之间的关系等。从历史数据中选择与电池发热密切相关的特征，如电流、电压、环境温度、电池使用时间等。将收集到的数据分为训练集、验证集和测试集。之后选择随机森林模型进行拟合。使用训练集数据对选定的模型进行训练，通过迭代优化算法调整模型内部参数，以最小化预测温度与实际温度之间的差异。利用验证集数据评估模型的预测性能，比如计算均方误差或平均绝对误差等指标。根据评估结果调整模型的超参数，提高预测精度。使用测试集数据对调优后的模型进行最终的性能验证。比较模型预测的电池温度与实际测量的温度，确保模型具有良好的泛化能力。[0062] 通过上述过程完成预测拟合模型的训练。[0063] 将预处理后的输入数据输入到预测拟合模型中，对每个散热子区域进行发热拟合。根据拟合结果，评价每个子区域的发热情况，识别出潜在的热点区域和散热瓶颈。基于发热拟合结果和评价分析，利用预测模型生成各个散热子区域的电池温度预测数据。[0064] 根据电池温度预测数据，利用优化算法，如遗传算法、：刂频戎贫ǔ鲎钣诺奈露瓤刂撇呗。控制策略包括调整散热风扇的转速、改变液体冷却系统的流量分配、启动或关闭特定的散热设备等。[0065] 最后将电池温度预测数据和温度控制指令同步至温度控制通道，根据同步的电池温度预测数据，温度控制通道做出相应的温度控制决策。温度控制决策包括调整风扇转速、改变液体冷却流量、启动或关闭某些散热设备等操作，确保电池组在安全温度范围内运行。[0066] 进一步的，所述通过所述N个散热子区域进行位置发热拟合结果评价，建立散热子区域的电池温度预测数据，所述方法还包括：[0067] 执行N个散热子区域内位置发热拟合结果的区域内聚类，生成自适应聚类结果；[0068] 获取自适应聚类结果中最大聚类集对应的集合内最大温度值；[0069] 将最大温度值作为对应散热子区域的标定电池温度预测数据，并获取顺次第二聚类集对应的集合内最大温度值，将其作为辅助电池温度预测数据；[0070] 以所述标定电池温度预测数据和所述辅助电池温度预测数据完成散热子区域的电池温度预测数据建立。[0071] 在本申请实施例中，使用DBSCAN对N个散热子区域内位置发热拟合结果进行聚类分析，DBSCAN根据数据的分布自动形成不同的聚类集。聚类算法执行完毕后，得到每个散热子区域内的自适应聚类结果，即数据被自动划分为若干个聚类集。[0072] 对于每个散热子区域的聚类结果，识别出包含数据点最多的聚类集，即最大聚类集。在最大聚类集中，找到温度最高的数据点，记录下其温度值。将提取的最大温度值作为该散热子区域的标定电池温度预测数据。这个数据代表该区域内最主要的热点温度。[0073] 在聚类结果中，找到次大的聚类集，即包含数据点数量第二多的聚类集。在第二聚类集中，找到温度最高的数据点，记录下其温度值。将这个提取出的最大温度值作为辅助电池温度预测数据。这个数据代表了区域内的次要热点或潜在异常温度。[0074] 最后将每个散热子区域的标定电池温度预测数据和辅助电池温度预测数据整合在一起，构成散热子区域的电池温度预测数据集。[0075] 进一步的，所述以所述验证数据采集结果对所述决策结果进行控制寻优，执行滚动时域优化，所述方法还包括：[0076] 判断所述验证数据采集结果是否为辅助电池温度预测数据的控制响应偏向结果；[0077] 若判定结果为是，则以所述辅助电池温度预测数据重新生成寻优决策结果，以所述验证数据采集结果的偏向值建立时域滚动周期，基于所述时域滚动周期交替使用寻优决策结果和决策结果，以完成滚动时域优化。[0078] 在本申请实施例中，将验证数据采集结果与辅助电池温度预测数据进行对比，利用统计方法，如计算偏差、方差等量化验证数据与预测数据之间的不一致性。基于对比和统计分析的结果，判断验证数据采集结果是否明显偏向于辅助电池温度预测数据。[0079] 如果判定验证数据采集结果为控制响应偏向结果，以辅助电池温度预测数据为基。ü髡刂撇问、优化策略或重新评估风险重新进行决策寻优过程，采用各种优化算法，如遗传算法、粒子群优化等寻找更优的决策结果。[0080] 为应对控制响应的偏向，并实现滚动时域优化，建立一个时域滚动周期。在建立时域滚动周期时，使用ApacheKafka、SparkStreaming等技术对验证数据采集结果进行实时处理和分析，确保数据的时效性和准确性。通过DTW算法，比较验证数据采集结果与辅助电池温度预测数据之间的相似性，从而动态地确定时域滚动周期的长度。基于实时数据和DTW算法的分析结果，自动调整时域滚动周期的长度。例如，当偏向值较大或控制效果不稳定时，自动缩短滚动周期，以便更频繁地调整和优化决策。[0081] 通过强化学习算法，如Q?learning、PolicyGradient等学习在不同情况下如何最优地交替使用寻优决策结果和原始决策结果。强化学习算法通过与环境交互来不断优化决策策略，实现更好的控制效果。利用自动化控制系统，如PID控制器、：刂破鞯仁迪盅坝啪霾呓峁驮季霾呓峁淖远惶嬷葱。根据实时数据和控制效果来动态调整决策的执行顺序和时间，以达到最优的控制效果。[0082] 通过上述步骤，完成滚动时域优化。[0083] 进一步的，所述判断所述验证数据采集结果是否为辅助电池温度预测数据的控制响应偏向结果，所述方法还包括：[0084] 若判定结果为否，则对所述验证数据采集结果进行温升速率判定；[0085] 若判定温度速率满足预设阈值，则生成全液冷调用指令；[0086] 通过所述全液冷调用指令依据所述验证数据采集结果匹配液冷控制方案；[0087] 以所述液冷控制方案完成滚动时域优化。[0088] 在本申请实施例中，若判定验证数据采集结果并非辅助电池温度预测数据的控制响应偏向结果，从验证数据采集结果中提取出与温度相关的数据。根据提取的温度数据，计算在一定时间内的温度变化率，即温升速率。[0089] 将计算得到的温升速率与预设阈值进行比较。预设阈值为根据系统要求和安全标准，预先设定的温升速率阈值。如果温升速率超过预设阈值，说明电池温度正在快速上升，采取紧急冷却措施，生成全液冷调用指令。[0090] 之后从验证数据采集结果中提取关键数据，如当前电池温度、温度上升速度、电池工作状态以及环境温度等。根据收集到的数据，应用一系列预设的规则来选择合适的液冷方案。规则包括如果电池温度超过某个阈值，则启动高强度冷却。如果温度上升速度较快，则选择快速响应的冷却方案。根据环境温度调整冷却液的温度设定。[0091] 基于上述规则，选择一个预设的液冷控制方案。这些预设方案根据先前的经验、实验数据以及电池的安全工作范围设定。[0092] 最后根据选定的液冷控制方案进行滚动时域优化，液冷控制方案包括调整冷却液的流量、温度和循环速度等。在每个滚动周期结束时，根据实时数据和预测结果评估当前液冷方案的效果，并做出必要的调整。例如，如果发现电池温度仍然过高，增加冷却液的流量或更改其循环路径。[0093] 进一步的，所述对所述验证数据采集结果进行温升速率判定，所述方法还包括：[0094] 若温升速率不能满足预设阈值，则生成节能优化指令；[0095] 以所述节能优化指令依据所述验证数据采集结果进行节能控制寻优，以节能控制寻优结果完成滚动时域优化。[0096] 在本申请实施例中，当判定温升速率不满足预设的阈值时，判定当前无需紧急冷却，自动触发节能优化事件，生成节能优化指令。[0097] 之后以节能优化指令依据验证数据采集结果进行节能控制寻优，在进行控制寻优时，对验证数据采集结果进行分析验证，利用智能算法，如遗传算法、粒子群优化等基于数据采集结果进行节能方案的寻优计算，找出在当前条件下能耗最低且能保证电池安全的节能方案。[0098] 根据寻优得到的节能方案开始实施节能措施。利用预测拟合模型预测未来一段时间内的电池温度变化和系统负载情况。在每个滚动周期结束时，根据实时数据和预测结果对当前的节能方案进行效果评估。根据评估结果动态调整下一个滚动周期的节能方案，实现滚动时域优化。[0099] 进一步的，所述方法还包括：[0100] 对所述温控单元进行液冷流量和风机转速监测，生成监测结果；[0101] 若所述监测结果与风液混合散热控制不一致，则报出温控单元异常；[0102] 通过所述温控单元异常进行异常预警。[0103] 在本申请实施例中，使用安装在温控单元的流量传感器实时监测液冷的流量。使用在风机的转轴或附近安装的转速传感器实时监测风机的转速。[0104] 传感器以一定的频率，如每秒或每分钟采集数据，对采集到的原始数据进行清洗，去除异常值或噪声。将实时监测的液冷流量和风机转速数据与风液混合散热系统设定的期望值或正常范围进行对比。这些设定值基于系统的散热需求、设备规格和安全裕量等因素确定。[0105] 如果监测数据与风液混合散热系统中设定的参数不一致，如液冷流量低于最小阈值或风机转速高于最大允许值，则判定温控单元存在异常。[0106] 一旦检测到异常，自动记录异常发生的时间、具体参数及与正常参数的偏差。最后通过预设的方式，如声光报警、短信通知、电子邮件等向管理人员发送预警信息，进行异常预警。[0107] 在本申请实施例中，综上所述，本申请实施例至少具有如下技术效果：[0108] 本申请获取储能电池组的设备数据，基于设备数据构建储能电池组的工作数据集；基于工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；通过位置温度控制数据集配置温度控制通道，其中，温度控制通道包括温度阈值控制子通道和负载响应控制子通道；配置储能电池组的温度监测传感器，以温度监测传感器构建储能电池组的温度。换袢〈⒛艿绯刈榈母涸厝挝，将负载任务作为第一输入数据，获取储能电池组的使用环境数据，将使用环境数据作为第二输入数据，将温度场作为第三输入数据，将第一输入数据、第二输入数据和第三输入数据输入至温度控制通道，执行温度控制决策，建立决策结果；基于决策结果配置验证窗口，基于验证窗口进行决策结果执行后的验证数据采集，生成验证数据采集结果；以验证数据采集结果对决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行储能电池组的风液混合散热控制。本发明解决现有技术散热效率低的技术问题，通过实时监测电池组的温度状态，动态调整冷却策略，达到提高散热效率的技术效果。[0109] 实施例二[0110] 基于与前述实施例中用于储能电池组的风液混合散热方法相同的发明构思，如图2所示，本申请提供用于储能电池组的风液混合散热系统，本申请实施例中的系统与方法实施例基于同样的发明构思。其中，所述系统包括：[0111] 设备数据获取模块11，所述设备数据获取模块11获取储能电池组的设备数据，基于所述设备数据构建储能电池组的工作数据集；[0112] 位置温度控制数据集建立模块12，所述位置温度控制数据集建立模块12基于所述工作数据集对温控单元的温度调节能力评估，建立温控单元的位置温度控制数据集；[0113] 温度控制通道配置模块13，所述温度控制通道配置模块13通过所述位置温度控制数据集配置温度控制通道，其中，所述温度控制通道包括温度阈值控制子通道和负载响应控制子通道；[0114] 温度场构建模块14，所述温度场构建模块14配置储能电池组的温度监测传感器，以所述温度监测传感器构建储能电池组的温度。籟0115] 决策结果建立模块15，所述决策结果建立模块15获取储能电池组的负载任务，将所述负载任务作为第一输入数据，获取储能电池组的使用环境数据，将所述使用环境数据作为第二输入数据，将所述温度场作为第三输入数据，将所述第一输入数据、所述第二输入数据和所述第三输入数据输入至所述温度控制通道，执行温度控制决策，建立决策结果；[0116] 验证数据采集结果生成模块16，所述验证数据采集结果生成模块16基于所述决策结果配置验证窗口，基于所述验证窗口进行决策结果执行后的验证数据采集，生成验证数据采集结果；[0117] 散热控制模块17，所述散热控制模块17以所述验证数据采集结果对所述决策结果进行控制寻优，执行滚动时域优化，以滚动时域优化结果进行储能电池组的风液混合散热控制。[0118] 进一步的，所述系统还用于实现以下功能：[0119] 获取储能电池组的拓扑结构，基于所述拓扑结构进行散热的共用分区，建立N个散热子区域；[0120] 当接收所述第一输入数据和所述第二输入数据后，调用内置在所述温度控制通道内的预测拟合模型，以所述预测拟合模型进行电池组发热拟合，建立位置发热拟合结果；[0121] 通过所述N个散热子区域进行位置发热拟合结果评价，建立散热子区域的电池温度预测数据；[0122] 将所述电池温度预测数据同步至所述温度控制通道，完成温度控制决策。[0123] 进一步的，所述系统还用于实现以下功能：[0124] 执行N个散热子区域内位置发热拟合结果的区域内聚类，生成自适应聚类结果；[0125] 获取自适应聚类结果中最大聚类集对应的集合内最大温度值；[0126] 将最大温度值作为对应散热子区域的标定电池温度预测数据，并获取顺次第二聚类集对应的集合内最大温度值，将其作为辅助电池温度预测数据；[0127] 以所述标定电池温度预测数据和所述辅助电池温度预测数据完成散热子区域的电池温度预测数据建立。[0128] 进一步的，所述系统还用于实现以下功能：[0129] 根据所述材质信息，获取材质抗压信息；[0130] 判断所述验证数据采集结果是否为辅助电池温度预测数据的控制响应偏向结果；[0131] 若判定结果为是，则以所述辅助电池温度预测数据重新生成寻优决策结果，以所述验证数据采集结果的偏向值建立时域滚动周期，基于所述时域滚动周期交替使用寻优决策结果和决策结果，以完成滚动时域优化。[0132] 进一步的，所述系统还用于实现以下功能：[0133] 若判定结果为否，则对所述验证数据采集结果进行温升速率判定；[0134] 若判定温度速率满足预设阈值，则生成全液冷调用指令；[0135] 通过所述全液冷调用指令依据所述验证数据采集结果匹配液冷控制方案；[0136] 以所述液冷控制方案完成滚动时域优化。[0137] 进一步的，所述系统还用于实现以下功能：[0138] 若温升速率不能满足预设阈值，则生成节能优化指令；[0139] 以所述节能优化指令依据所述验证数据采集结果进行节能控制寻优，以节能控制寻优结果完成滚动时域优化。[0140] 进一步的，所述系统还用于实现以下功能：[0141] 对所述温控单元进行液冷流量和风机转速监测，生成监测结果；[0142] 若所述监测结果与风液混合散热控制不一致，则报出温控单元异常；[0143] 通过所述温控单元异常进行异常预警。[0144] 需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。在附图中描绘的过程不一定要求示出的特定顺序和连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。[0145] 以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。[0146] 本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

专利地区：内蒙古

专利申请日期：2024-05-09

专利公开日期：2024-07-30

专利公告号：CN118156678B