CN116387692A - 一种锂电池pack智能散热控制系统及其控制方法 - Google Patents
一种锂电池pack智能散热控制系统及其控制方法 Download PDFInfo
- Publication number
- CN116387692A CN116387692A CN202310635286.XA CN202310635286A CN116387692A CN 116387692 A CN116387692 A CN 116387692A CN 202310635286 A CN202310635286 A CN 202310635286A CN 116387692 A CN116387692 A CN 116387692A
- Authority
- CN
- China
- Prior art keywords
- air
- cooling
- temperature
- neural network
- water
- 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.)
- Granted
Links
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 title claims abstract description 70
- 229910052744 lithium Inorganic materials 0.000 title claims abstract description 70
- 230000017525 heat dissipation Effects 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 title claims abstract description 14
- 238000001816 cooling Methods 0.000 claims abstract description 221
- 238000003062 neural network model Methods 0.000 claims abstract description 73
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 62
- 239000000178 monomer Substances 0.000 claims abstract description 25
- 239000000110 cooling liquid Substances 0.000 claims abstract description 15
- 238000010438 heat treatment Methods 0.000 claims description 21
- 238000007664 blowing Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 12
- 238000009529 body temperature measurement Methods 0.000 claims description 11
- 238000013256 Gubra-Amylin NASH model Methods 0.000 claims description 6
- 229910000861 Mg alloy Inorganic materials 0.000 claims description 3
- SXSVTGQIXJXKJR-UHFFFAOYSA-N [Mg].[Ti] Chemical compound [Mg].[Ti] SXSVTGQIXJXKJR-UHFFFAOYSA-N 0.000 claims description 3
- 238000003491 array Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 230000007613 environmental effect Effects 0.000 claims description 3
- 239000004519 grease Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims 1
- 239000010410 layer Substances 0.000 abstract description 32
- 230000000694 effects Effects 0.000 abstract description 9
- 239000002356 single layer Substances 0.000 abstract description 5
- 238000005265 energy consumption Methods 0.000 abstract description 3
- 230000007547 defect Effects 0.000 abstract description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 229910001416 lithium ion Inorganic materials 0.000 description 3
- 238000004146 energy storage Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/61—Types of temperature control
- H01M10/613—Cooling or keeping cold
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0475—Generative networks
-
- 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
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/62—Heating or cooling; Temperature control specially adapted for specific applications
- H01M10/625—Vehicles
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
- H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/63—Control systems
- H01M10/635—Control systems based on ambient temperature
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/65—Means for temperature control structurally associated with the cells
- H01M10/655—Solid structures for heat exchange or heat conduction
- H01M10/6556—Solid parts with flow channel passages or pipes for heat exchange
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/65—Means for temperature control structurally associated with the cells
- H01M10/655—Solid structures for heat exchange or heat conduction
- H01M10/6556—Solid parts with flow channel passages or pipes for heat exchange
- H01M10/6557—Solid parts with flow channel passages or pipes for heat exchange arranged between the cells
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/65—Means for temperature control structurally associated with the cells
- H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
- H01M10/6561—Gases
- H01M10/6563—Gases with forced flow, e.g. by blowers
-
- H—ELECTRICITY
- H01—ELECTRIC ELEMENTS
- H01M—PROCESSES OR MEANS, e.g. BATTERIES, FOR THE DIRECT CONVERSION OF CHEMICAL ENERGY INTO ELECTRICAL ENERGY
- H01M10/00—Secondary cells; Manufacture thereof
- H01M10/60—Heating or cooling; Temperature control
- H01M10/65—Means for temperature control structurally associated with the cells
- H01M10/656—Means for temperature control structurally associated with the cells characterised by the type of heat-exchange fluid
- H01M10/6567—Liquids
-
- 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)
- Manufacturing & Machinery (AREA)
- Chemical & Material Sciences (AREA)
- Chemical Kinetics & Catalysis (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Automation & Control Theory (AREA)
- Secondary Cells (AREA)
Abstract
本发明涉及一种锂电池pack智能散热控制系统及其控制方法,结合风冷和水冷的共同优势,共同调节锂电池单体的温度,将锂电池单体放入鳍片型的pack中,一侧设置水冷循环,另一侧设置风冷循环。同时发挥出风冷的高速度和水冷的低能耗效果。更加节能,调节反馈更加迅速。设置了特定的鳍片结构,鳍片中空,流动冷却液,另一侧锂电池仅单面接触,中间留足空隙,使得鳍片既可以起到水冷的效果,又可以提供风冷的效果,直接解决了现有技术中存在的散热面积不足,散热效果不好的问题。将将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案,参数多,控制更加精确,且采用双层神经网络模型;克服单层模型不准确的缺陷。
Description
技术领域
本发明涉及锂电池温度控制领域,具体涉及锂电池pack智能散热控制系统及其控制方法。
背景技术
大电流是锂离子电池工作是不可或缺的一部分,温升效应关于整个锂离子电池储能系统有着很大影响。所以为了提高产品的质量关于热管理系统的安全设计是必须重视的。温度控制技术在锂离子电池储能的快速发展下,逐渐发展起来。
当前一般锂电池的温度控制选择水冷方式,即使用冷却液循环的方式进行控制温度;但是水冷存在的问题是控制反馈时间较长,换热速度慢;当然也有一部分选择风冷,风冷一般适用于工作要求较低的锂电池;风冷的换热速度快,但是耗能高,且噪音大。
如何将两者进行有机结合成为当前需要重点解决的技术问题。
发明内容
为了解决上述问题,本发明提供一种锂电池pack智能散热控制系统,包括电池安装架、风冷模块、水冷模块和温度控制中枢。
电池安装架包括水冷换热架和水冷循环管;水冷换热架为鳍片型,相邻鳍片之间安装锂电池单体,单个鳍片的内部中空,冷却液从鳍片内部流动,从而给鳍片降温;
水冷模块包括水冷控制器和水冷循环泵,水冷控制器控制水冷循环泵的转速,水冷循环泵控制冷却液的循环;
风冷模块包括风冷控制器和风冷气泵,风冷气泵用于提供低温风或者高温风;风冷控制器控制风冷模块吹风的温度和风速;
还设置有测温控制器和温度传感器,测温控制器连接温度传感器,温度传感器获取锂电池单体的实时温度;
水冷控制器、风冷控制器和测温控制器连接至温度控制中枢;温度控制中枢连接至行驶传感器;温度控制中枢对行驶传感器发送的环境温度数据、行驶功耗数据以及测温控制器发送的电池温度数据进行分析,获得最佳温控方案,并根据最佳温控方案向水冷控制器和风冷控制器发送工作指令。
水冷换热架的鳍片连接至水冷循环管,水冷循环管接入水冷循环泵;水冷循环泵控制冷却液在水冷循环管中流动,进入水冷换热架的鳍片内部;水冷换热架鳍片的内部为往复型管路,鳍片与冷却液接触换热;
水冷循环管远离鳍片的一端为对外换热端,换热方式为自由对流换热;对外换热端设置在车辆行驶的撞风面上。
锂电池单体设置在水冷换热架的相邻鳍片内部,且锂电池单体为片型,仅一侧与鳍片接触安装,另一侧与鳍片之间设置3-5mm的空隙;风冷气泵设置在水冷换热架远离水冷循环管的一侧,风冷气泵设置多个吹风口,吹风口对准锂电池单体和鳍片之间的空隙吹风。
锂电池单体和鳍片之间的空隙内设置导风板,使得吹风口吹出的风在一侧吹入后在锂电池单体和鳍片之间的空隙往复流动几次后从另一侧流出。
鳍片的材质为钛镁合金,且鳍片与锂电池单体之间的连接处涂覆柔性散热脂。
行驶传感器获取环境温度数据Ta,行驶功耗数据Pd,测温控制器获取电池当前温度Tb;
风冷气泵内设置加热器,能够对风冷气泵吹出的空气进行加热,风冷气泵吹出空气的温度为Tp;
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案;
最佳控温方案中的控制参数包括:水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度。
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案具体为:
环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb并不是单一数据,而是一个时间段内的变化数据,也即环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb都是数组形式的数据;数据的采集频率相同,对应的数组的元素数量也相同;输入神经网络的是一个由Ta、Pd、Tb组成的矩阵;
神经网络模型为双层神经网络模型,第一层神经网络模型将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入后,第一层神经网络模型为判别模型,获得当前车辆的工作状态;工作状态分为A状态、B状态、C状态和D状态;
其中A状态对应低温启动车辆状态,B状态对应高温启动车辆状态,C状态对应低温巡航状态,D状态对应高温巡航状态;
再将行驶状态和环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入第二层神经网络模型,获得水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;第二层神经网络模型为卷积神经网络模型。
第一层神经网络模型为GAN 模型中的判断式模型。
一种锂电池pack智能散热控制方法,基于所述的锂电池pack智能散热控制系统,包括如下步骤:
步骤1、训练神经网络模型:
神经网络模型为双层神经网络模型,第一层神经网络模型将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入后,第一层神经网络模型为判别模型,获得当前车辆的工作状态;工作状态分为A状态、B状态、C状态和D状态;
其中A状态对应低温启动车辆状态,B状态对应高温启动车辆状态,C状态对应低温巡航状态,D状态对应高温巡航状态;
再将行驶状态和环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入第二层神经网络模型,获得水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;
训练神经网络模型时,第一层神经网络模型的训练样本直接采集不同工作状态时的各项参数,并作为训练样本;
第二层神经网络模型的样本采集时,人工实时监测锂电池的温度和输出电压的平稳性,然后人工调节水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度参数;重复多次采集多组电池的样本;直至电池寿命耗尽,然后将电池寿命巡航里程最高的100组样本作为训练样本;
步骤2、实际工作时,行驶传感器获取环境温度数据Ta,行驶功耗数据Pd,测温控制器获取电池当前温度Tb;
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案;
步骤3、最佳控温方案中的控制参数包括:水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;温度控制中枢将水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度发送给水冷控制器和风冷控制器;
步骤4、水冷控制器和风冷控制器按照最佳控温方案执行。
第一层神经网络模型为GAN 模型中的判断式模型,第二层神经网络模型为卷积神经网络模型。
本发明的有益效果为:
本发明结合风冷和水冷的共同优势,共同调节锂电池单体的温度,将锂电池单体放入鳍片型的pack中,一侧设置水冷循环,另一侧设置风冷循环。同时发挥出风冷的高速度和水冷的低能耗效果。更加节能,调节反馈更加迅速。
本发明设置了特定的鳍片结构,鳍片中空,流动冷却液,另一侧锂电池仅单面接触,中间留足空隙,使得鳍片既可以起到水冷的效果,又可以提供风冷的效果,直接解决了现有技术中存在的散热面积不足,散热效果不好的问题。
本发明将将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案,参数多,控制更加精确,且采用双层神经网络模型;克服单层模型不准确的缺陷。
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性的前提下,还可以根据这些附图获得其它的附图。
附图1为本发明外观结构图;
附图2为本发明整体结构示意图;
附图3为本发明鳍片的截面图;
附图4为本发明鳍片的侧面图;
附图5为本发明控制模块架构示意图。
具体实施方式
实施例1
参见图1-5,本发明提供一种一种锂电池pack智能散热控制系统,包括电池安装架、风冷模块、水冷模块和温度控制中枢。
电池安装架包括水冷换热架和水冷循环管2;水冷换热架为鳍片型,相邻鳍片1之间安装锂电池单体5,单个鳍片1的内部中空,冷却液从鳍片1内部流动,从而给鳍片1降温;
水冷模块包括水冷控制器和水冷循环泵3,水冷控制器控制水冷循环泵3的转速,水冷循环泵3控制冷却液的循环;
风冷模块包括风冷控制器和风冷气泵,风冷气泵用于提供低温风或者高温风;风冷控制器控制风冷模块吹风的温度和风速;
还设置有测温控制器和温度传感器,测温控制器连接温度传感器,温度传感器获取锂电池单体5的实时温度;
水冷控制器、风冷控制器和测温控制器连接至温度控制中枢;温度控制中枢连接至行驶传感器;温度控制中枢对行驶传感器发送的环境温度数据、行驶功耗数据以及测温控制器发送的电池温度数据进行分析,获得最佳温控方案,并根据最佳温控方案向水冷控制器和风冷控制器发送工作指令。
水冷换热架的鳍片1连接至水冷循环管2,水冷循环管2接入水冷循环泵3;水冷循环泵3控制冷却液在水冷循环管2中流动,进入水冷换热架的鳍片1内部;水冷换热架鳍片1的内部为往复型管路,鳍片1与冷却液接触换热;
水冷循环管2远离鳍片1的一端为对外换热端,换热方式为自由对流换热;对外换热端设置在车辆行驶的撞风面上。
锂电池单体5设置在水冷换热架的相邻鳍片1内部,且锂电池单体5为片型,仅一侧与鳍片1接触安装,另一侧与鳍片1之间设置3-5mm的空隙;风冷气泵设置在水冷换热架远离水冷循环管2的一侧,风冷气泵设置多个吹风口4,吹风口4对准锂电池单体5和鳍片1之间的空隙吹风。
锂电池单体5和鳍片1之间的空隙内设置导风板6,使得吹风口4吹出的风在一侧吹入后在锂电池单体5和鳍片1之间的空隙往复流动几次后从另一侧流出。
鳍片1的材质为钛镁合金,且鳍片1与锂电池单体5之间的连接处涂覆柔性散热脂。
行驶传感器获取环境温度数据Ta,行驶功耗数据Pd,测温控制器获取电池当前温度Tb;
风冷气泵内设置加热器,能够对风冷气泵吹出的空气进行加热,风冷气泵吹出空气的温度为Tp;
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案;
最佳控温方案中的控制参数包括:水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度。
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案具体为:
环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb并不是单一数据,而是一个时间段内的变化数据,也即环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb都是数组形式的数据;数据的采集频率相同,对应的数组的元素数量也相同;输入神经网络的是一个由Ta、Pd、Tb组成的矩阵;
神经网络模型为双层神经网络模型,第一层神经网络模型将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入后,第一层神经网络模型为判别模型,获得当前车辆的工作状态;工作状态分为A状态、B状态、C状态和D状态;
其中A状态对应低温启动车辆状态,B状态对应高温启动车辆状态,C状态对应低温巡航状态,D状态对应高温巡航状态;
再将行驶状态和环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入第二层神经网络模型,获得水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;第二层神经网络模型为卷积神经网络模型。
第一层神经网络模型为GAN 模型中的判断式模型。
实施例2
一种锂电池pack智能散热控制方法,基于所述的锂电池pack智能散热控制系统,包括如下步骤:
步骤1、训练神经网络模型:
神经网络模型为双层神经网络模型,第一层神经网络模型将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入后,第一层神经网络模型为判别模型,获得当前车辆的工作状态;工作状态分为A状态、B状态、C状态和D状态;
其中A状态对应低温启动车辆状态,B状态对应高温启动车辆状态,C状态对应低温巡航状态,D状态对应高温巡航状态;
再将行驶状态和环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入第二层神经网络模型,获得水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;
训练神经网络模型时,第一层神经网络模型的训练样本直接采集不同工作状态时的各项参数,并作为训练样本;
第二层神经网络模型的样本采集时,人工实时监测锂电池的温度和输出电压的平稳性,然后人工调节水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度参数;重复多次采集多组电池的样本;直至电池寿命耗尽,然后将电池寿命巡航里程最高的100组样本作为训练样本;
步骤2、实际工作时,行驶传感器获取环境温度数据Ta,行驶功耗数据Pd,测温控制器获取电池当前温度Tb;
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案;
步骤3、最佳控温方案中的控制参数包括:水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;温度控制中枢将水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度发送给水冷控制器和风冷控制器;
步骤4、水冷控制器和风冷控制器按照最佳控温方案执行。
第一层神经网络模型为GAN 模型中的判断式模型,第二层神经网络模型为卷积神经网络模型。
值得指出的是,在进行模型选择时,与单层模型进行了对比,单层模型也可以直接输出水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度,但是由于对行驶状态的判断不足,导致对于不同行驶状态的车辆的控制参数不能有针对性的控制,控制效果远逊于双层神经网络模型,基于此选择双层神经网络模型进行分析。
在训练神经网络模型时由于需要人工调节水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度,调节时需要按照以下控制原则进行控制;在环境温度较低启动时,不进行水冷循环;在低温启动时,使用大量热风加热锂电池单体;待锂电池温度高于环境温度时,关闭风热,启动水冷循环。
在环境温度较高时,直接进行水冷循环和风冷循环。
其中温度较低时值得是温度<50℃,温度较高值得是温度≥50℃。
至此,以说明和描述的目的提供上述实施例的描述。不意指穷举或者限制本公开。特定的实施例的单独元件或者特征通常不受到特定的实施例的限制,但是在适用时,即使没有具体地示出或者描述,其可以互换和用于选定的实施例。在许多方面,相同的元件或者特征也可以改变。这种变化不被认为是偏离本公开,并且所有的这种修改意指为包括在本公开的范围内。
提供示例实施例,从而本公开将变得透彻,并且将会完全地将该范围传达至本领域内技术人员。为了透彻理解本公开的实施例,阐明了众多细节,诸如特定零件、装置和方法的示例。显然,对于本领域内技术人员,不需要使用特定的细节,示例实施例可以以许多不同的形式实施,而且两者都不应当解释为限制本公开的范围。在某些示例实施例中,不对公知的工序、公知的装置结构和公知的技术进行详细地描述。
在此,仅为了描述特定的示例实施例的目的使用专业词汇,并且不是意指为限制的目的。除非上下文清楚地作出相反的表示,在此使用的单数形式“一个”和“该”可以意指为也包括复数形式。术语“包括”和“具有”是包括在内的意思,并且因此指定存在所声明的特征、整体、步骤、操作、元件和/或组件,但是不排除存在或额外地具有一个或以上的其他特征、整体、步骤、操作、元件、组件和/或其组合。除非明确地指示了执行的次序,在此描述的该方法步骤、处理和操作不解释为一定需要按照所论述和示出的特定的次序执行。还应当理解的是,可以采用附加的或者可选择的步骤。
Claims (10)
1.一种锂电池pack智能散热控制系统,包括电池安装架、风冷模块、水冷模块和温度控制中枢;其特征在于:
电池安装架包括水冷换热架和水冷循环管(2);水冷换热架为鳍片型,相邻鳍片(1)之间安装锂电池单体(5),单个鳍片(1)的内部中空,冷却液从鳍片(1)内部流动,从而给鳍片(1)降温;
水冷模块包括水冷控制器和水冷循环泵(3),水冷控制器控制水冷循环泵(3)的转速,水冷循环泵(3)控制冷却液的循环;
风冷模块包括风冷控制器和风冷气泵,风冷气泵用于提供低温风或者高温风;风冷控制器控制风冷模块吹风的温度和风速;
还设置有测温控制器和温度传感器,测温控制器连接温度传感器,温度传感器获取锂电池单体(5)的实时温度;
水冷控制器、风冷控制器和测温控制器连接至温度控制中枢;温度控制中枢连接至行驶传感器;温度控制中枢对行驶传感器发送的环境温度数据、行驶功耗数据以及测温控制器发送的电池温度数据进行分析,获得最佳温控方案,并根据最佳温控方案向水冷控制器和风冷控制器发送工作指令。
2.根据权利要求1所述的一种锂电池pack智能散热控制系统,其特征在于:
水冷换热架的鳍片(1)连接至水冷循环管(2),水冷循环管(2)接入水冷循环泵(3);水冷循环泵(3)控制冷却液在水冷循环管(2)中流动,进入水冷换热架的鳍片(1)内部;水冷换热架鳍片(1)的内部为往复型管路,鳍片(1)与冷却液接触换热;
水冷循环管(2)远离鳍片(1)的一端为对外换热端,换热方式为自由对流换热;对外换热端设置在车辆行驶的撞风面上。
3.根据权利要求2所述的一种锂电池pack智能散热控制系统,其特征在于:
锂电池单体(5)设置在水冷换热架的相邻鳍片(1)内部,且锂电池单体(5)为片型,仅一侧与鳍片(1)接触安装,另一侧与鳍片(1)之间设置3-5mm的空隙;风冷气泵设置在水冷换热架远离水冷循环管(2)的一侧,风冷气泵设置多个吹风口(4),吹风口(4)对准锂电池单体(5)和鳍片(1)之间的空隙吹风。
4.根据权利要求3所述的一种锂电池pack智能散热控制系统,其特征在于:
锂电池单体(5)和鳍片(1)之间的空隙内设置导风板(6),使得吹风口(4)吹出的风在一侧吹入后在锂电池单体(5)和鳍片(1)之间的空隙往复流动几次后从另一侧流出。
5.根据权利要求3所述的一种锂电池pack智能散热控制系统,其特征在于:
鳍片(1)的材质为钛镁合金,且鳍片(1)与锂电池单体(5)之间的连接处涂覆柔性散热脂。
6.根据权利要求3所述的一种锂电池pack智能散热控制系统,其特征在于:
行驶传感器获取环境温度数据Ta,行驶功耗数据Pd,测温控制器获取电池当前温度Tb;
风冷气泵内设置加热器,能够对风冷气泵吹出的空气进行加热,风冷气泵吹出空气的温度为Tp;
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案;
最佳控温方案中的控制参数包括:水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度。
7.根据权利要求6所述的一种锂电池pack智能散热控制系统,其特征在于:
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案具体为:
环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb并不是单一数据,而是一个时间段内的变化数据,也即环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb都是数组形式的数据;数据的采集频率相同,对应的数组的元素数量也相同;输入神经网络的是一个由Ta、Pd、Tb组成的矩阵;
神经网络模型为双层神经网络模型,第一层神经网络模型将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入后,第一层神经网络模型为判别模型,获得当前车辆的工作状态;工作状态分为A状态、B状态、C状态和D状态;
其中A状态对应低温启动车辆状态,B状态对应高温启动车辆状态,C状态对应低温巡航状态,D状态对应高温巡航状态;
再将行驶状态和环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入第二层神经网络模型,获得水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;第二层神经网络模型为卷积神经网络模型。
8.根据权利要求7所述的一种锂电池pack智能散热控制系统,其特征在于:
第一层神经网络模型为GAN 模型中的判断式模型。
9.一种锂电池pack智能散热控制方法,基于权利要求1-8任一项所述的锂电池pack智能散热控制系统,其特征在于包括如下步骤:
步骤1、训练神经网络模型:
神经网络模型为双层神经网络模型,第一层神经网络模型将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入后,第一层神经网络模型为判别模型,获得当前车辆的工作状态;工作状态分为A状态、B状态、C状态和D状态;
其中A状态对应低温启动车辆状态,B状态对应高温启动车辆状态,C状态对应低温巡航状态,D状态对应高温巡航状态;
再将行驶状态和环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入第二层神经网络模型,获得水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;
训练神经网络模型时,第一层神经网络模型的训练样本直接采集不同工作状态时的各项参数,并作为训练样本;
第二层神经网络模型的样本采集时,人工实时监测锂电池的温度和输出电压的平稳性,然后人工调节水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度参数;重复多次采集多组电池的样本;直至电池寿命耗尽,然后将电池寿命巡航里程最高的100组样本作为训练样本;
步骤2、实际工作时,行驶传感器获取环境温度数据Ta,行驶功耗数据Pd,测温控制器获取电池当前温度Tb;
温度控制中枢将环境温度数据Ta、行驶功耗数据Pd、电池当前温度Tb输入神经网络模型,获得最佳温控方案;
步骤3、最佳控温方案中的控制参数包括:水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度;温度控制中枢将水冷循环泵的转速、风冷气泵的转速、风冷气泵是否加热以及风冷气泵的加热温度发送给水冷控制器和风冷控制器;
步骤4、水冷控制器和风冷控制器按照最佳控温方案执行。
10.根据权利要求9所述的锂电池pack智能散热控制方法,其特征在于:
第一层神经网络模型为GAN 模型中的判断式模型,第二层神经网络模型为卷积神经网络模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635286.XA CN116387692B (zh) | 2023-05-31 | 2023-05-31 | 一种锂电池pack智能散热控制系统及其控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310635286.XA CN116387692B (zh) | 2023-05-31 | 2023-05-31 | 一种锂电池pack智能散热控制系统及其控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116387692A true CN116387692A (zh) | 2023-07-04 |
CN116387692B CN116387692B (zh) | 2023-08-18 |
Family
ID=86963735
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310635286.XA Active CN116387692B (zh) | 2023-05-31 | 2023-05-31 | 一种锂电池pack智能散热控制系统及其控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116387692B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116581426A (zh) * | 2023-07-11 | 2023-08-11 | 风帆(扬州)有限责任公司 | 一种能够主动散热的易温控储能锂电池 |
CN117042421A (zh) * | 2023-10-10 | 2023-11-10 | 托伦斯半导体设备启东有限公司 | 一种匀称流道散热片结构 |
Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040236017A1 (en) * | 2001-07-16 | 2004-11-25 | Stefano Bruzzano | Method for the production of grafted copolymers made of starch, tert-alkylazocyanocarboxylic acid esters and grafted copolymers and the use thereof |
CN102206332A (zh) * | 2011-04-15 | 2011-10-05 | 广东工业大学 | 聚乙烯基吡咯烷酮-b-聚己内酯嵌段共聚物及其制备方法 |
CN102432782A (zh) * | 2011-09-01 | 2012-05-02 | 四川大学 | 两亲性三嵌段共聚物及其制备方法和由其共混改性的聚醚砜中空纤维膜 |
CN103087330A (zh) * | 2013-01-16 | 2013-05-08 | 合肥杰事杰新材料股份有限公司 | 一种制备载铜纳米级导电聚苯乙烯的方法 |
CN103433503A (zh) * | 2013-08-19 | 2013-12-11 | 中国科学院合肥物质科学研究院 | 一种超长银纳米线的制备方法 |
KR20140091624A (ko) * | 2012-12-27 | 2014-07-22 | 에스케이이노베이션 주식회사 | 배터리 온도 관리 장치를 포함하는 배터리 팩 시스템 및 그 제어 방법 |
JP2016115607A (ja) * | 2014-12-17 | 2016-06-23 | ダイムラー・アクチェンゲゼルシャフトDaimler AG | バッテリ冷却装置 |
CN105924582A (zh) * | 2016-06-27 | 2016-09-07 | 青岛科技大学 | 一种淀粉/聚合物复合Janus粒子的制备方法 |
US20160368049A1 (en) * | 2014-03-07 | 2016-12-22 | Dowa Holdings Co., Ltd. | Method for producing silver nanowires, silver nanowires, and ink using same |
CN106735292A (zh) * | 2016-12-05 | 2017-05-31 | 江南大学 | 一种淀粉/银纳米复合粒子的制备方法 |
WO2019034623A1 (en) * | 2017-08-16 | 2019-02-21 | Rhodia Operations | PROCESS FOR PRODUCING METAL NANOWELS |
US20190252741A1 (en) * | 2016-08-01 | 2019-08-15 | Kirchhoff Automotive Deutschland Gmbh | Temperature-Control Device for a Battery Housing of a Vehicle |
CN110492197A (zh) * | 2019-08-12 | 2019-11-22 | 浙江大学 | 一种基于模糊模型预测控制的锂电池温度控制系统和方法 |
WO2021187300A1 (ja) * | 2020-03-19 | 2021-09-23 | 株式会社東芝 | 電池装置 |
CN113921954A (zh) * | 2021-10-09 | 2022-01-11 | 深圳市佰泽电子有限公司 | 一种串联碳酸锂电池组的温度控制方法 |
CN114156567A (zh) * | 2021-11-19 | 2022-03-08 | 同济大学 | 一种基于机器学习的动力电池热管理系统 |
WO2022094893A1 (zh) * | 2020-11-05 | 2022-05-12 | 江苏洋口港港务有限公司 | 一种电动汽车动力电池温度管理控制系统 |
CN115332649A (zh) * | 2022-07-05 | 2022-11-11 | 厦门宇电自动化科技有限公司 | 一种电池温控管理方法、装置、设备及可读存储介质 |
WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
-
2023
- 2023-05-31 CN CN202310635286.XA patent/CN116387692B/zh active Active
Patent Citations (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040236017A1 (en) * | 2001-07-16 | 2004-11-25 | Stefano Bruzzano | Method for the production of grafted copolymers made of starch, tert-alkylazocyanocarboxylic acid esters and grafted copolymers and the use thereof |
CN102206332A (zh) * | 2011-04-15 | 2011-10-05 | 广东工业大学 | 聚乙烯基吡咯烷酮-b-聚己内酯嵌段共聚物及其制备方法 |
CN102432782A (zh) * | 2011-09-01 | 2012-05-02 | 四川大学 | 两亲性三嵌段共聚物及其制备方法和由其共混改性的聚醚砜中空纤维膜 |
KR20140091624A (ko) * | 2012-12-27 | 2014-07-22 | 에스케이이노베이션 주식회사 | 배터리 온도 관리 장치를 포함하는 배터리 팩 시스템 및 그 제어 방법 |
CN103087330A (zh) * | 2013-01-16 | 2013-05-08 | 合肥杰事杰新材料股份有限公司 | 一种制备载铜纳米级导电聚苯乙烯的方法 |
CN103433503A (zh) * | 2013-08-19 | 2013-12-11 | 中国科学院合肥物质科学研究院 | 一种超长银纳米线的制备方法 |
US20160368049A1 (en) * | 2014-03-07 | 2016-12-22 | Dowa Holdings Co., Ltd. | Method for producing silver nanowires, silver nanowires, and ink using same |
JP2016115607A (ja) * | 2014-12-17 | 2016-06-23 | ダイムラー・アクチェンゲゼルシャフトDaimler AG | バッテリ冷却装置 |
CN105924582A (zh) * | 2016-06-27 | 2016-09-07 | 青岛科技大学 | 一种淀粉/聚合物复合Janus粒子的制备方法 |
US20190252741A1 (en) * | 2016-08-01 | 2019-08-15 | Kirchhoff Automotive Deutschland Gmbh | Temperature-Control Device for a Battery Housing of a Vehicle |
CN106735292A (zh) * | 2016-12-05 | 2017-05-31 | 江南大学 | 一种淀粉/银纳米复合粒子的制备方法 |
WO2019034623A1 (en) * | 2017-08-16 | 2019-02-21 | Rhodia Operations | PROCESS FOR PRODUCING METAL NANOWELS |
CN110492197A (zh) * | 2019-08-12 | 2019-11-22 | 浙江大学 | 一种基于模糊模型预测控制的锂电池温度控制系统和方法 |
WO2021187300A1 (ja) * | 2020-03-19 | 2021-09-23 | 株式会社東芝 | 電池装置 |
WO2022094893A1 (zh) * | 2020-11-05 | 2022-05-12 | 江苏洋口港港务有限公司 | 一种电动汽车动力电池温度管理控制系统 |
WO2023284453A1 (zh) * | 2021-07-15 | 2023-01-19 | 崔跃芹 | 一种基于累计耗损量的充电电池寿命预测方法、装置、电子设备及可读存储介质 |
CN113921954A (zh) * | 2021-10-09 | 2022-01-11 | 深圳市佰泽电子有限公司 | 一种串联碳酸锂电池组的温度控制方法 |
CN114156567A (zh) * | 2021-11-19 | 2022-03-08 | 同济大学 | 一种基于机器学习的动力电池热管理系统 |
CN115332649A (zh) * | 2022-07-05 | 2022-11-11 | 厦门宇电自动化科技有限公司 | 一种电池温控管理方法、装置、设备及可读存储介质 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116581426A (zh) * | 2023-07-11 | 2023-08-11 | 风帆(扬州)有限责任公司 | 一种能够主动散热的易温控储能锂电池 |
CN116581426B (zh) * | 2023-07-11 | 2023-09-26 | 风帆(扬州)有限责任公司 | 一种能够主动散热的易温控储能锂电池 |
CN117042421A (zh) * | 2023-10-10 | 2023-11-10 | 托伦斯半导体设备启东有限公司 | 一种匀称流道散热片结构 |
CN117042421B (zh) * | 2023-10-10 | 2023-12-22 | 托伦斯半导体设备启东有限公司 | 一种匀称流道散热片结构 |
Also Published As
Publication number | Publication date |
---|---|
CN116387692B (zh) | 2023-08-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116387692B (zh) | 一种锂电池pack智能散热控制系统及其控制方法 | |
CN104733801B (zh) | 动力电池热管理装置及方法 | |
CN113300027A (zh) | 一种基于预测控制的动力电池热管理系统及其控制方法 | |
CN206364153U (zh) | 一种基于半导体热电效应的电池组热管理装置 | |
CN109271700B (zh) | 基于深度学习多层网络建模的电池热管理方法及系统 | |
CN112886098A (zh) | 一种储能电池组合式冷却装置 | |
CN110854465B (zh) | 一种考虑热量回收的电池箱热管理系统及其控制方法 | |
CN102544618A (zh) | 一种动力锂离子电池液冷温度控制管理方法 | |
CN112092676A (zh) | 一种利用虚拟温度传感器对电池包温度场的估算修正方法 | |
Guo et al. | An integrated thermal management strategy for cabin and battery heating in range-extended electric vehicles under low-temperature conditions | |
CN111834691B (zh) | 一种基于车载导航系统的动力电池风冷控制策略 | |
CN111952692B (zh) | 汽车电池组温度均衡控制系统及其控制方法 | |
CN105932366A (zh) | 控制电池系统的温度的方法、温控网关以及温度控制系统 | |
CN111312954B (zh) | 一种电动汽车电池热管理装置及热管理方法 | |
CN114335625A (zh) | 燃料电池堆温度控制方法、装置、模型预测控制器及系统 | |
CN111933969A (zh) | 一种均衡散热的燃料电池热管理系统及控制方法 | |
CN117154301B (zh) | 一种用于储能电池组的风冷散热控制方法及系统 | |
CN113725460A (zh) | 一种大功率燃料电池发动机温度管理系统及其控制方法 | |
CN115732810A (zh) | 一种电动汽车电池包加温系统控制方法 | |
CN215070116U (zh) | 用于储能电池的组合式冷却装置 | |
CN212412130U (zh) | 具有冷热工况温度调节功能的动力电池热管理系统 | |
CN117080629B (zh) | 一种电池簇的检测方法 | |
CN206076339U (zh) | 自控恒温电池箱及汽车 | |
CN108880332B (zh) | 一种具有气流状态自适应功能的热电发电装置及发电方法 | |
Zhao et al. | Influence of porous plate position on thermoelectric generator |
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 |