CN110765702B - 一种基于传热模型的多目标快速优化电池包结构方法 - Google Patents

Abstract

本发明提供一种基于传热模型的多目标快速优化电池包结构方法，包括获取电池包的相关实际信息，构建流动阻力网络模型，且待确定计算空间和进口流量后，计算出各计算空间的空气流速；建立电池单元温度的传热模型并导入各计算空间的空气流速，得到各电池单元的温度；以电池包的结构参数为约束条件，并以电池包的面积最小、传热模型得到的最高温度最小以及传热模型得到的电池单元间的最大温差最小作为目标函数，建立多目标优化模型；采用预设的遗传算法对多目标优化模型进行优化，得到电池包的结构参数的一组最优值并输出。实施本发明，通过优化结构参数快速获得最优的可控结构参数值，使得电池包面积减小，保证电池包内的温度处在合适的范围内。

Description

一种基于传热模型的多目标快速优化电池包结构方法

技术领域

本发明涉及电池技术领域，尤其涉及一种基于传热模型的多目标快速优化电池包结构方法。

背景技术

随着环境污染和能源紧缺等问题的日益加剧，电动汽车由于在节能和减排方面优势，已受到了人们的格外重视。

电动汽车的核心是动力电池，而温度对电池的电化学性能和循环寿命却有显著的影响。通常，电动或混合动力车辆的动力电池组在大电流充放电工况下更易引起热量的大量产生与堆积，若电池产生的热量没有及时排出，则电池容易出现过热、燃烧、爆炸等安全问题，而且过高的局部温度将会造成电池包内温差的增加。因此，合理的电池热管理系统对于电动汽车发展格外重要。

目前，对电池包散热模拟广泛采用计算流体力学(CFD)方法，但CFD的缺点是计算电池包内温度场时需要上百万的网格，对计算机性能要求高。由于多个结构参数和电池包内的温度之间有复杂的关系，在电池包结构优化过程中，每个结构参数需要多次改变，每改变一次就得重新画网格计算，结构优化往往需要上月的时间。因此，建立传热模型快速计算出电池包内电池的温度，进而优化电池包的结构，大大降低计算的时间成本。

然而，考虑到电池包内的电池布置过程中，电池包的散热面积越大，则电池包内的温度会越低，但电池包面积增大的同时会降低电池包的能量密度，占用车内宝贵的空间，因此亟需对现有的传热模型进行优化，确保优化后的传热模型在优化电池包的结构的同时，还能减小电池包内的空间，提高电池包的能量密度。

发明内容

本发明实施例所要解决的技术问题在于，提供一种基于传热模型的多目标快速优化电池包结构方法，通过优化结构参数来获得最优的可控结构参数值，使得电池包面积减小，保证电池包内的温度处在合适的范围内。

为了解决上述技术问题，本发明实施例提供了一种基于传热模型的多目标快速优化电池包结构方法，包括以下步骤：

步骤S1、获取电池包的相关实际信息，并根据所述电池包的相关实际信息，构建流动阻力网络模型，且待确定所述流动阻力网络模型中需计算空气流速的计算空间和进口空气流量后，进一步计算出各计算空间的空气流速；

步骤S2、根据所述电池包的相关实际信息，建立电池单元温度的传热模型，并在所述传热模型中导入所计算出的各计算空间的空气流速，得到各电池单元的温度；

步骤S3、以电池包的结构参数为约束条件，并以电池包的面积为最小作为目标函数、所述传热模型得到的最高温度为最小作为目标函数以及所述传热模型得到的电池单元间的最大温差为最小作为目标函数，建立电池包散热系统的多目标优化模型；其中，所述电池包的结构参数包括电池间距、分流角度、汇流角度、最小分流宽度和最小汇流宽度；

步骤S4、采用预设的遗传算法对所述电池包散热系统的多目标优化模型进行优化，得到所述电池包的结构参数的一组最优值并输出。

其中，所述步骤S1具体包括：

获取电池包的相关实际信息；其中，所述电池包的相关实际信息包括电池包内电池单元数量、电池包内相邻电池单元的间距以及电池包内分流通道、冷却通道和汇流通道的相关信息；所述电池包内分流通道、冷却通道和汇流通道的相关信息均包括数量、截面积、空气流量比、空气粘度、空气密度、空气传热系数及空气比热容；

根据所述电池包的相关实际信息，构建流动阻力网络模型，且待确定所述流动阻力网络模型中需计算空气流速的计算空间和进口空气流量后，根据压力损失守恒方程和流量守恒方程，计算出各计算空间的空气流速。

其中，所述压力损失守恒方程为ΔP_loss,DP,i+1+ΔP_loss,CC,i+1-ΔP_loss,CP,i-ΔP_loss,CC,i＝0；

其中，ΔP_loss,DP为分流通道的静压损失、ΔP_loss,CC为冷却通道的静压损失、ΔP_loss,CP为汇流通道的静压损失；i＝1,…,N，N为电池包内电池单元总数量。

其中，所述流量守恒方程为：

U_DP,1＝Q₀/A_DP,1；

U_DP,iA_DP,i＝U_DP,i+1A_DP,i+1+U_CC,iA_CC,i；

U_CP,iA_CP,i＝U_CP,i-1A_CP,i-1+U_CC,iA_CC,i；

其中，U为空气在每个分流通道、冷却通道或汇流通道的流速，A为各计算区间的横截面积。

其中，所述步骤S2中的“传热模型”是根据能量守恒方程来实现的；其中，所述能量守恒方程为Φ_i-h_iAΔT_left,i-h_i+1AΔT_right,i＝0以及ρ_airC_p,airQ_cc,i(T_air,i-T₀)＝h_iAΔT_left,i+h_iAΔT_right,i-1

其中，Φ_i为第i个电池单元的产热功率，h_i为第i个冷却通道里的空气和第i个电池单元表面间的对流换热系数。A为电池单元与一侧空气的接触面积。Q_cc,i为第i个冷却通道的空气流量。T₀为电池单元和空气的初始温度，T_air,i为空气在第i个冷却通道出口的温度。ΔT_left,i和ΔT_right,i分别为左侧和右侧的空气与电池单元的温度差。

其中，所述步骤S3具体包括：

以电池包的结构参数来建立约束条件；其中，所述约束条件为

其中，d₀为电池间距，θ_dp为流角度，θ_cp为汇流角度，w_dp为最小分流宽度，w_cp为最小汇流宽度；

以所述传热模型得到的最高温度为最小作为第一目标函数；其中，所述第一目标函数为Min:Obj1＝model_max(w_cp,w_dp，θ_dp，θ_cp,d₀)；

以所述传热模型得到的电池单元间的最大温差为最小作为第二目标函数；其中，所述第二目标函数为Min：Obj2＝model_maxdiff(w_cp,w_dp，θ_dp，θ_cp,d₀)；

以电池包的面积为最小作为第三目标函数；其中，所述第三目标函数为Min:Obj3＝(w_cp+w_dp+l_b)((N+1)d₀+N·d_c)+0.5(tanθ_cp+tanθ_dp)((N+1)d₀+N·d_c)²；l_b和d_c分别为电池单体的长度和直径；

根据所述约束条件以及第一目标函数、第二目标函数和第三目标函数，得到电池包散热系统的多目标优化模型。

其中，所述步骤S4具体包括：

步骤S41、确定NSGAII遗传算法对所述电池包散热系统的多目标优化模型进行优化，并初始化NSGAII遗传算法中的种群与参数；其中，初始化参数包含随机产生种群的范围矩阵、种群规模、最大遗传代数、交叉概率和变异概率；

步骤S42、随机初始化开始种群P0，并对开始种群P0进行非支配排序，初始化每个个体的rank值；

步骤S43、通过遗传算法的锦标赛选择、两点交叉、变异三个基本操作得到子代种群；

步骤S44、将父代种群与子代种群合并后进行快速非支配排序，同时，对每个非支配层中的个体进行拥挤度计算，其计算方法如下所示：

其中，

为按第一目标函数Obj₁排序后根据该个体后一位个体计算的第一目标函数的值，/>

为按第一目标函数Obj₁排序后根据该个体前一位个体计算的第一目标函数的值，/>

和/>

分别为该个体同一层级第一目标函数Obj₁的最大值和最小值；

步骤S45、通过排挤和精英保留策略从合并种群中选出相应个体组成新一代种群P1；

步骤S46、判断是否达到最大遗传代数；若否，则跳转至步骤S43；若是，则执行下一步骤S47；

步骤S47、输出最优解，即得到所述电池包的结构参数的一组最优值。

实施本发明实施例，具有如下有益效果：

1、相比传统CFD的方法，本发明提出的传热模型并结合遗传算法可以准确快速获得一组最优的结构参数，完成并行式空冷电池组的结构优化，具有简单、快捷、高效的优点，还能满足实际应用中短时间内优化电池包结构，对电池包的结构设计有重要的指导意义；

2、本发明解决了电池包的最高温度、最大温差与之间的矛盾，可以快速得到最高温度低，最大温差小，面积小的电池包结构，从而保证电池包内的温度处在合适的范围内，同时减小了电池包内的空间，提高了电池包的能量密度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提出的一种基于传热模型的多目标快速优化电池包结构方法的流程图；

图2为本发明实施例提出的一种基于传热模型的多目标快速优化电池包结构方法的应用场景中三维并行式空冷电池包散热结构的立体图；

图3为图2中三维并行式空冷电池包散热结构的正视图；

图4为图2中三维并行式空冷电池包散热结构所构建的流动阻力网络模型示意图；

图5为图2中三维并行式空冷电池包散热结构所构建的传热模型示意图；

图6为图2中三维并行式空冷电池包散热结构在进口流量为0.03m³/s下，采用传统CFD方法和采用本发明实施例提出的一种基于传热模型的多目标快速优化电池包结构方法中传热模型求得的电池单元温度对比图；

图7为本发明实施例提出的一种基于传热模型的多目标快速优化电池包结构方法的应用场景中三维并行式空冷电池包散热结构采用帕累托最优方案所形成的指标值分布图；

图中，1-空气进口；2-分流通道；3-汇流通道；4-空气出口；5-电池单元；6-冷却通道。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明实施例中，提出的一种基于传热模型的多目标快速优化电池包结构方法，包括以下步骤：

步骤S1、获取电池包的相关实际信息，并根据所述电池包的相关实际信息，构建流动阻力网络模型，且待确定所述流动阻力网络模型中需计算空气流速的计算空间和进口空气流量后，进一步计算出各计算空间的空气流速；

具体过程为，步骤S11、获取电池包的相关实际信息；其中，电池包的相关实际信息包括电池包内电池单元数量、电池包内相邻电池单元的间距以及电池包内分流通道、冷却通道和汇流通道的相关信息；所述电池包内分流通道、冷却通道和汇流通道的相关信息均包括数量、截面积、空气流量比、空气粘度、空气密度、空气传热系数及空气比热容等；

在一个实施例中，采用并行式送风散热结构，电池包里面有M×N个18650电池单体。每一列的M个电池单体为一个电池单元，即有N个电池单元。电池包由挡板围起来，挡板可以调节空气的流向。冷却空气由进口流入，经过分流通道的楔形挡板分流后进入冷却通道对电池进行冷却，空气温度升高，之后空气经过汇流通道的楔形挡板汇流后流出电池包，从而获取并行式送风散热结构的相关实际信息。

步骤S12、根据电池包的相关实际信息，构建流动阻力网络模型，且待确定流动阻力网络模型中需计算空气流速的计算空间和进口空气流量后，根据压力损失守恒方程和流量守恒方程，计算出各计算空间的空气流速。

由于冷却空气在流动时先分流再汇流，以分流点和汇流点作为节点，对各个区间进行分段计算。因为空气流速远小于声速，这里假设空气为不可压缩的牛顿型流体。因此，在步骤12中，首先得到压力损失守恒方程为：

ΔP_loss,DP,i+1+ΔP_loss,CC,i+1-ΔP_loss,CP,i-ΔP_loss,CC,i＝0 (1)；

其中，ΔP_loss,DP为分流通道的静压损失、ΔP_loss,CC为冷却通道的静压损失、ΔP_loss,CP为汇流通道的静压损失；i＝1,…,N，N为电池包内电池单元总数量。

总静压损失等于沿程损失和局部损失之和可得下式：

ΔP_loss＝ΔP_local+ΔP_friction (2)

局部损失是因为空气在分流和汇流时产生的大量旋涡引起的。每个通道的局部损失计算如下：

式中，ξ是局部损失系数，ρ是空气密度，U是空气在每个通道的流速。

摩擦损失计算如下:

式中，λ是摩擦因子，l和D分别是计算区间的长度和当量直径。

局部损失系数与电池包的几何尺寸和空气的流速和方向有关。各分流点与汇流点的局部损失系数可以表示为：

式中，ψ为分流通道和汇流通道与冷却通道的截面积之比，q为分通道与主通道中空气流量之比。

摩擦因子与流动状态有关，可如下表示:

式中，F是形状因子，Re是雷诺数

Re＝ρDU/μ (14)；

式中，μ是空气的粘度，D是当量直径。

其次，在步骤S12中，得到流量守恒方程为：

U_DP,1＝Q₀/A_DP,1 (15)；

U_DP,iA_DP,i＝U_DP,i+1A_DP,i+1+U_CC,iA_CC,i (16)；

U_CP,iA_CP,i＝U_CP,i-1A_CP,i-1+U_CC,iA_CC,i (17)；

其中，U为空气在每个分流通道、冷却通道或汇流通道的流速，A为各计算区间的横截面积。

应当说明的是，方程(2-14)与方程(1)里的流速求解有关。在求解流动阻力网络模型时，i从1到N，空气在冷却通道进口和出口处进行分流和汇流，模型有(N+1)个冷却通道，因此公式(16)-(17)提供了2×(N+1)个方程。因有N个电池单元和环形回路，故公式(1)提供了N个方程。由于模型中有3×(N+1)个待求的未知速度，所以当方程(15)里面的Q₀给出后，便可求出各个计算区间的空气流速U。

步骤S2、根据所述电池包的相关实际信息，建立电池单元温度的传热模型，并在所述传热模型中导入所计算出的各计算空间的空气流速，得到各电池单元的温度；

具体过程为，为了简化模型，忽略电池单体上和电池单元上的温度分布不均匀，采用体积平均温度进行计算。空气与电池只在冷却通道内发生热交换。当空气进入冷却通道后，电池单元产生的热量被左右两端的冷空气带走，电池单元温度降低。

因此，首先，可以根据能量守恒原理来建立电池单元温度的传热模型，该能量守恒方程为：

Φ_i-h_iAΔT_left,i-h_i+1AΔT_right,i＝0 (18)；

ρ_airC_p,airQ_cc,i(T_air,i-T₀)＝h_iAΔT_left,i+h_iAΔT_right,i-1 (19)；

其中，Φ_i为第i个电池单元的产热功率，h_i为第i个冷却通道里的空气和第i个电池单元表面间的对流换热系数。A为电池单元与一侧空气的接触面积。Q_cc,i为第i个冷却通道的空气流量。T₀为电池单元和空气的初始温度，T_air,i为空气在第i个冷却通道出口的温度。ΔT_left,i和ΔT_right,i分别为左侧和右侧的空气与电池单元的温度差。

而ΔT_left,i和ΔT_right,i的计算公式分别如下：

其中，T_u,i为第i个电池单元的温度。

而h_i的计算公式如下：

其中，k_air为空气的导热系数，d_c为电池单体的直径，Pr为Prandtl数，Y和y均为跟雷诺数有关的经验参数，可查表得到。

应当说明的是，在传热模型中，i从1到N。因为有N个电池单元，所以关于电池散热的公式(18)有N个方程。因为有N+1个冷却通道，所以关于冷却通道内的空气温度升高的公式(19)有N+1个方程，而传热模型中有N个未知的T_u变量和N+1个未知的T_air变量。

最后，将流动阻力网络模型求得的流速带入传热模型的Re中，求得电池单元的温度。

步骤S3、以电池包的结构参数为约束条件，并以电池包的面积为最小作为目标函数、所述传热模型得到的最高温度为最小作为目标函数以及所述传热模型得到的电池单元间的最大温差为最小作为目标函数，建立电池包散热系统的多目标优化模型；其中，所述电池包的结构参数包括电池间距、分流角度、汇流角度、最小分流宽度和最小汇流宽度；

具体过程为，首先，以电池包的结构参数来建立约束条件；其中，所述约束条件为

其中，d₀为电池间距，θ_dp为分流角度，θ_cp为汇流角度，w_dp为最小分流宽度，w_cp为最小汇流宽度；

接着，在实际散热中电池包内最高温度越小越好，因此以传热模型得到的最高温度为最小作为第一目标函数；其中，第一目标函数为Min:Obj1＝model_max(w_cp,w_dp，θ_dp，θ_cp,d₀)；

接着，散热时电池包内电池单元间的最大温差越小越好，因此以传热模型得到的电池单元间的最大温差为最小作为第二目标函数；其中，第二目标函数为Min：Obj2＝model_maxdiff(w_cp,w_dp，θ_dp，θ_cp,d₀)；

然后，过大的电池包会占用珍贵的车内空间，而且还降低了电池包的能量密度。因此以电池包的面积为最小作为第三目标函数；其中，第三目标函数为Min:Obj3＝(w_cp+w_dp+l_b)((N+1)d₀+N·d_c)+0.5(tanθ_cp+tanθ_dp)((N+1)d₀+N·d_c)²；l_b和d_c分别为电池单体的长度和直径；

最后，根据约束条件以及第一目标函数、第二目标函数和第三目标函数，得到电池包散热系统的多目标优化模型。

步骤S4、采用预设的遗传算法对所述电池包散热系统的多目标优化模型进行优化，得到所述电池包的结构参数的一组最优值并输出。

具体过程为，步骤S41、确定NSGAII遗传算法对电池包散热系统的多目标优化模型进行优化，并初始化NSGAII遗传算法中的种群与参数；其中，初始化参数包含随机产生种群的范围矩阵、种群规模、最大遗传代数、交叉概率和变异概率；

步骤S42、随机初始化开始种群P0，并对开始种群P0进行非支配排序，初始化每个个体的rank值；

步骤S43、通过遗传算法的锦标赛选择、两点交叉、变异三个基本操作得到子代种群；

步骤S44、将父代种群与子代种群合并后进行快速非支配排序，同时，对每个非支配层中的个体进行拥挤度计算，其计算方法如下所示：

其中，

为按第一目标函数Obj₁排序后根据该个体后一位个体计算的第一目标函数的值，/>

为按第一目标函数Obj₁排序后根据该个体前一位个体计算的第一目标函数的值，/>

和/>

分别为该个体同一层级第一目标函数Obj₁的最大值和最小值；

步骤S45、通过排挤和精英保留策略从合并种群中选出相应个体组成新一代种群P1；

步骤S46、判断是否达到最大遗传代数；若否，则跳转至步骤S43；若是，则执行下一步骤S47；

步骤S47、输出最优解，即得到电池包的结构参数的一组最优值。

如图2至图7所示，对本发明实施例中的一种基于传热模型的多目标快速优化电池包结构方法的应用场景做进一步说明，具体如下：

采用三维并行式空冷电池包散热结构(如图2所示)，该电池包里面有4×6个18650电池单体。每一列的4个电池单体为一个电池单元，即有6个电池单元。电池包由挡板围起来，挡板可以调节空气的流向。冷却空气由进口流入，经过分流通道的楔形挡板分流后进入冷却通道对电池进行冷却，空气温度升高，之后空气经过汇流通道的楔形挡板汇流后流出电池包。此时，电池包内相邻电池单元的间距是一样的(如图3所示)。电池包的结构参数包括电池间距(d₀)，分流角度(θ_dp)，汇流角度(θ_cp)，最小分流宽度(w_dp)，最小汇流宽度(w_cp)，这5个结构参数影响着电池包内的最高温度、最大温差和体积。

建立流动阻力网络模型(如图4所示)，由于冷却空气在流动时先分流再汇流，以分流点和汇流点作为节点，对各个区间进行分段计算。图4中，方块代表着流体流动时的静压损失。因为空气流速远小于声速，这里假设空气为不可压缩的牛顿型流体。因此，在图4中的环形虚线框里，可以得出类似基尔霍夫电压定律的压力损失守恒方程。

在求解图4中的流动阻力网络模型时，i从1到6，空气在冷却通道进口和出口处进行分流和汇流，模型有7个冷却通道，因此公式(16)(17)提供了14个方程。图3中有6个电池单元和环形回路，因此公式(1)提供了6个方程。由于模型中有21个待求的未知速度，所以当方程(15)里面的Q₀给出后，便可求出各个计算区间的空气流速U。

建立传热模型(如图5所示)，当空气进入冷却通道后，电池单元产生的热量被左右两端的冷空气带走，电池单元温度降低。因此，可以根据能量守恒原理可得。

在图5的传热模型中，i从1到6。因为有N个电池单元，所以关于电池散热的公式(18)有6个方程。因为有7个冷却通道，所以关于冷却通道内的空气温度升高的公式(19)有7个方程。模型中有6个未知的T_u变量和7个未知的T_air变量，因此，当把流速导入后，电池单元的温度就可以解出来了。

如图6所示，采用本发明中的传热模型得出的电池单元温度和传统的CFD方法得出的电池单元温度最大误差在0.3K，说明传热模型准确度较高，进而以传热模型在MATLAB平台上进行优化。

优化后的最优的帕累托前沿如图7所示，以温差小于4K,，最高温度小于312K，面积小于19000mm²，得到7组解。7组里面，取面积最小的这组解。对应的结构参数电池间距d₀为1.0mm，分流角度θ_dp为14.4°，汇流角度θ_cp为15.9°，最小分流宽度w_dp为15.7mm，最小汇流宽度w_cp为5.1mm。目标值面积为18438mm²，最大温差为4.0K，最高温度为311.8K。

相比最开始的电池包结构最高温度314K，最大温差8K，电池包面积19843mm²，优化后的电池包结构不仅在最高温度和最大温差上有所减小，而且电池包面积也有所降低，更重要的是完成结构优化花费时间很少。证明了该方法具有简单、准确、高效的特点。

实施本发明实施例，具有如下有益效果：

1、相比传统CFD的方法，本发明提出的传热模型并结合遗传算法可以准确快速获得一组最优的结构参数，完成并行式空冷电池组的结构优化，具有简单、快捷、高效的优点，还能满足实际应用中短时间内优化电池包结构，对电池包的结构设计有重要的指导意义；

2、本发明解决了电池包的最高温度、最大温差与之间的矛盾，可以快速得到最高温度低，最大温差小，面积小的电池包结构，从而保证电池包内的温度处在合适的范围内，同时减小了电池包内的空间，提高了电池包的能量密度。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (7)

1.一种基于传热模型的多目标快速优化电池包结构方法，其特征在于，包括以下步骤：

步骤S1、获取电池包的相关实际信息，并根据所述电池包的相关实际信息，构建流动阻力网络模型，且待确定所述流动阻力网络模型中需计算空气流速的计算空间和进口空气流量后，进一步计算出各计算空间的空气流速；

步骤S2、根据所述电池包的相关实际信息，建立电池单元温度的传热模型，并在所述传热模型中导入所计算出的各计算空间的空气流速，得到各电池单元的温度；

步骤S3、以电池包的结构参数为约束条件，并以电池包的面积为最小作为目标函数、所述传热模型得到的最高温度为最小作为目标函数以及所述传热模型得到的电池单元间的最大温差为最小作为目标函数，建立电池包散热系统的多目标优化模型；其中，所述电池包的结构参数包括电池间距、分流角度、汇流角度、最小分流宽度和最小汇流宽度；

步骤S4、采用预设的遗传算法对所述电池包散热系统的多目标优化模型进行优化，得到所述电池包的结构参数的一组最优值并输出。

2.如权利要求1所述的基于传热模型的多目标快速优化电池包结构方法，其特征在于，所述步骤S1具体包括：

获取电池包的相关实际信息；其中，所述电池包的相关实际信息包括电池包内电池单元数量、电池包内相邻电池单元的间距以及电池包内分流通道、冷却通道和汇流通道的相关信息；所述电池包内分流通道、冷却通道和汇流通道的相关信息均包括数量、截面积、空气流量比、空气粘度、空气密度及空气传热系数及空气比热容；

根据所述电池包的相关实际信息，构建流动阻力网络模型，且待确定所述流动阻力网络模型中需计算空气流速的计算空间和进口空气流量后，根据压力损失守恒方程和流量守恒方程，计算出各计算空间的空气流速。

3.如权利要求2所述的基于传热模型的多目标快速优化电池包结构方法，其特征在于，所述压力损失守恒方程为ΔP_loss,DP,i+1+ΔP_loss,CC,i+1-ΔP_loss,CP,i-ΔP_loss,CC,i＝0；

其中，ΔP_loss,DP为分流通道的静压损失、ΔP_loss,CC为冷却通道的静压损失、ΔP_loss,CP为汇流通道的静压损失；i＝1,…,N，N为电池包内电池单元总数量。

4.如权利要求2所述的基于传热模型的多目标快速优化电池包结构方法，其特征在于，所述流量守恒方程为：

U_DP,1＝Q₀/A_DP,1；

U_DP,iA_DP,i＝U_DP,i+1A_DP,i+1+U_CC,iA_CC,i；

U_CP,iA_CP,i＝U_CP,i-1A_CP,i-1+U_CC,iA_CC,i；

其中，U为空气在每个分流通道、冷却通道或汇流通道的流速，A为各计算区间的横截面积。

5.如权利要求1所述的基于传热模型的多目标快速优化电池包结构方法，其特征在于，所述步骤S2中的“传热模型”是根据能量守恒方程来实现的；其中，

所述能量守恒方程为Φ_i-h_iAΔT_left,i-h_i+1AΔT_right,i＝0以及ρ_airC_p,airQ_cc,i(T_air,i-T₀)＝h_iAΔT_left,i+h_iAΔT_right,i-1

其中，Φ_i为第i个电池单元的产热功率，h_i为第i个冷却通道里的空气和第i个电池单元表面间的对流换热系数,A为电池单元与一侧空气的接触面积,Q_cc,i为第i个冷却通道的空气流量,T₀为电池单元和空气的初始温度，T_air,i为空气在第i个冷却通道出口的温度,ΔT_left,i和ΔT_right,i分别为左侧和右侧的空气与电池单元的温度差。

6.如权利要求1所述的基于传热模型的多目标快速优化电池包结构方法，其特征在于，所述步骤S3具体包括：

以电池包的结构参数来建立约束条件；其中，所述约束条件为

其中，d₀为电池间距，θ_dp为分流角度，θ_cp为汇流角度，w_dp为最小分流宽度，w_cp为最小汇流宽度；

以所述传热模型得到的最高温度为最小作为第一目标函数；其中，所述第一目标函数为Min:Obj1＝model_max(w_cp,w_dp，θ_dp，θ_cp,d₀)；

以所述传热模型得到的电池单元间的最大温差为最小作为第二目标函数；其中，所述第二目标函数为Min：Obj2＝model_maxdiff(w_cp,w_dp，θ_dp，θ_cp,d₀)；

以电池包的面积为最小作为第三目标函数；其中，所述第三目标函数为Min:Obj3＝(w_cp+w_dp+l_b)((N+1)d₀+N·d_c)+0.5(tanθ_cp+tanθ_dp)((N+1)d₀+N·d_c)²；l_b和d_c分别为电池单体的长度和直径；

根据所述约束条件以及第一目标函数、第二目标函数和第三目标函数，得到电池包散热系统的多目标优化模型。

7.如权利要求6所述的基于传热模型的多目标快速优化电池包结构方法，其特征在于，所述步骤S4具体包括：

步骤S41、确定NSGAII遗传算法对所述电池包散热系统的多目标优化模型进行优化，并初始化NSGAII遗传算法中的种群与参数；其中，初始化参数包含随机产生种群的范围矩阵、种群规模、最大遗传代数、交叉概率和变异概率；

步骤S42、随机初始化开始种群P0，并对开始种群P0进行非支配排序，初始化每个个体的rank值；

步骤S43、通过遗传算法的锦标赛选择、两点交叉、变异三个基本操作得到子代种群；

步骤S44、将父代种群与子代种群合并后进行快速非支配排序，同时，对每个非支配层中的个体进行拥挤度计算，其计算方法如下所示：

其中，

为按第一目标函数Obj₁排序后根据该个体后一位个体计算的第一目标函数的值，/>

为按第一目标函数Obj₁排序后根据该个体前一位个体计算的第一目标函数的值，/>

和/>

分别为该个体同一层级第一目标函数Obj₁的最大值和最小值；

步骤S45、通过排挤和精英保留策略从合并种群中选出相应个体组成新一代种群P1；

步骤S46、判断是否达到最大遗传代数；若否，则跳转至步骤S43；若是，则执行下一步骤S47；

步骤S47、输出最优解，即得到所述电池包的结构参数的一组最优值。

Images