CN116933666B - 一种集装箱储能系统的热管理优化方法、系统及介质 - Google Patents
一种集装箱储能系统的热管理优化方法、系统及介质 Download PDFInfo
- Publication number
- CN116933666B CN116933666B CN202311205690.XA CN202311205690A CN116933666B CN 116933666 B CN116933666 B CN 116933666B CN 202311205690 A CN202311205690 A CN 202311205690A CN 116933666 B CN116933666 B CN 116933666B
- Authority
- CN
- China
- Prior art keywords
- energy storage
- acquiring
- storage system
- temperature
- 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 230
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000005457 optimization Methods 0.000 title claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 101
- 230000017525 heat dissipation Effects 0.000 claims abstract description 45
- 230000008859 change Effects 0.000 claims abstract description 40
- 238000001816 cooling Methods 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 52
- 239000011159 matrix material Substances 0.000 claims description 38
- 230000007613 environmental effect Effects 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 17
- 230000008878 coupling Effects 0.000 claims description 13
- 238000010168 coupling process Methods 0.000 claims description 13
- 238000005859 coupling reaction Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012544 monitoring process Methods 0.000 claims description 8
- 230000005855 radiation Effects 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 5
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000007599 discharging Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 230000005856 abnormality Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 12
- 230000020169 heat generation Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- HBBGRARXTFLTSG-UHFFFAOYSA-N Lithium ion Chemical compound [Li+] HBBGRARXTFLTSG-UHFFFAOYSA-N 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000002485 combustion reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000010030 laminating Methods 0.000 description 1
- 229910001416 lithium ion Inorganic materials 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000002269 spontaneous effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/28—Design optimisation, verification or simulation using fluid dynamics, e.g. using Navier-Stokes equations or computational fluid dynamics [CFD]
-
- 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
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0499—Feedforward 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/08—Thermal analysis or thermal optimisation
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Computer Hardware Design (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Computer Networks & Wireless Communication (AREA)
- Fluid Mechanics (AREA)
- Algebra (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Secondary Cells (AREA)
Abstract
本发明公开了一种集装箱储能系统的热管理优化方法、系统及介质，包括：获取目标集装箱储能系统中储能电池及元件的热特性，获取储能电池及元件的表面温度分布，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素；对不同环境下的温度场进行预测，获取预测温度场分布，将异常温度区域进行标记；根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统；提取储能电池及元件的表面温度分布，生成个性化送风策略，进行精确热管理。本发明通过制定储能电池的个性化送风策略，避免了箱内温度不均导致不能满足散热需求的问题，同时对集装箱储能系统的结构进行优化，提高了热管理的冷却性能。
Description
技术领域
本发明涉及储能热管理技术领域，更具体的，涉及一种集装箱储能系统的热管理优化方法、系统及介质。
背景技术
随着新能源发电兴起、生产性企业稳定用电的需求等诸多因素，促使储能电站迎来了发展的机遇。然而，电池储能电站，特别是电池储能集装箱这样的能量密度高、结构封闭的设备，因其高散热量、全季节运行等特点，要求对电池组温度进行精准管理、热管理系统能长期稳定运行，同时还需要热管理系统运行中尽量经济节能，这对电池储能集装箱的热管理系统提出了新的挑战。
储能集装箱中储能电池各模块贴合紧密、集装箱内部空间狭小，同时因其能量密度大、安全系数要求高，需对电池充放电以及存储过程中散发的热量进行精准管理，避免因电池温度变差过大，导致电池内阻增加损伤电池进而影响储能设备的使用寿命，严重的时候甚至会引起电池热失衡导致自燃、爆炸的发生。因此要保证电池工作在合适的温度范围内，需要对电池所处的温度环境进行分析，并针对温度变化及时采取控温措施，达到实时控制温度的目的。为了满足集装箱储能系统的散热需求，需要对电池箱和冷却系统及其影响因素进行研究，明确集装箱储能系统的热性能优化的方向，并根据性能异常的原因制定个性化热管理模式。
发明内容
为了解决上述技术问题，本发明提出了一种集装箱储能系统的热管理优化方法、系统及介质。
本发明第一方面提供了一种集装箱储能系统的热管理优化方法，包括：
获取目标集装箱储能系统中储能电池及元件的热特性，根据所述热特征获取储能电池及元件的表面温度分布，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素；
通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，基于集装箱现有散热特征设置温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记；
根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统；
提取优化后目标集装箱储能系统中储能电池及元件的表面温度分布，根据所述表面温度分布生成个性化送风策略，进行精确热管理。
本方案中，获取目标集装箱储能系统中储能电池及元件的热特性，根据所述热特征获取储能电池及元件的表面温度分布，具体为：
获取目标集装箱储能系统中储能电池及元件的材料特征外部电路特征，根据所述材料特征及外部电路特征获取不同工况下的充放电过程中的温升曲线；
基于所述温升曲线将储能电池在产热过程及传热过程对应特征进行描述，获取储能电池及元件的热特性；
将储能电池及元件的热特征与电化学性质结合进行建模，获取一维电池模型，通过所述一维电池模型获取热量信息，将所述热量信息导入三维热模型获取储能电池及元件的温度，将所述温度导入一维电池模型进行电化学和热量的耦合，获取电化学及热量的耦合模型；
获取储能电池及元件的几何模型，并基于所述几何模型进行网格划分，根据所述耦合模型获取不同充放电倍率及不同环境温度下的表面温度，通过网格划分结果生成表面温度分布。
本方案中，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素，具体为：
根据表面温度分布获取不同网格中对应的表面温度变化序列，基于所述表面温度变化序列提取表面温度变化特征；
利用大数据检索选取集装箱储能系统的散热影响因素，将所述散热影响因素与所述表面温度变化特征利用皮尔逊相关系数进行相关性分析，获取皮尔逊相关系数符合预设标准的影响因素作为初筛影响因素；
基于BP神经网络对储能电池及元件的表面温度进行预测，将初筛影响因素作为BP神经网络的输入，随机生成输入因素的权重和阈值，根据所述权重和阈值构建权重矩阵；
根据Garson算法基于BP神经网络的隐藏层神经元数及权重矩阵计算各输入因素对表面温度的权重系数，获取权重系数的相对变化值，根据所述相对变化值获取对表面温度的贡献度；
根据贡献度选取预设数量的表面温度影响因素，生成影响因素集合。
本方案中，通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，具体为
根据储能电池及元件的几何模型读取表面温度分布，结合集装箱中网格对应空间的环境温度获取目标集装箱储能系统的温度场，获取目标集装箱储能系统的应用环境；
根据所述应用环境的气候信息获取环境温度变化区间，根据所述环境温度变化区间中的环境温度映射为权重信息设置权重区间，根据所述应用环境提取微电网中不同出力场景中储能系统的出力特征；
根据U-NET网络构建温度场预测模型，通过加权后的温度场读取温度分布矩阵，根据出力特征及应用环境特征获取影响因素集合中影响因素对应的参数构建参数矩阵，将所述温度分布矩阵及参数矩阵作为温度场预测模型的输入；
通过编码器进行输入数据的下采样，获取不同尺度的特征，在编码过程中引入空间注意力机制及通道注意力机制，获取空间注意力权重及通道注意力权重对不同尺度特征进行加权；
将加权后的不同尺度特征利用解码器进行解码，通过sigmoid函数获取预设时间后的温度分布矩阵，根据所述温度分布矩阵获取预测温度场分布；
获取目标集装箱储能系统中箱壁开口位置特征、大小特征及送风特征生成散热特征，根据所述散热特征设置不同网格区域的温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记。
本方案中，根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统，具体为：
获取预测温度场分布中的标记网格区域，提取标记网格区域的位置特征，根据所述位置特征确定储能电池中其他网格区域与标记网格区域对应平均温度的温差信息；
根据所述温差信息进行一致性评价，当温差信息大于预设一致性评估标准时，则根据位置特征进行储能电池结构的优化；
获取标记网格区域与其他网格区域的结构性差异及送风特征差异，根据所述结构性差异及送风特征差异进行主成分分析获取温度异常的主导因素；
根据所述主导因素利用大数据检索获取储能电池散热优化实例，通过所述储能电池散热优化实例提取优化措施，并根据各优化措施的可实施性对储能电池结构进行优化。
本方案中，根据所述表面温度分布生成个性化送风策略，进行精确热管理，具体为：
获取优化后的目标集装箱储能系统，根据电化学及热量的耦合模型及储能电池及元件的几何模型获取优化后目标集装箱储能系统中储能电池及元件的表面温度分布；
根据优化后的表面温度分布获取不同网格区域的温升速率，根据所述温升速率筛选网格区域建立密集监测任务，对目标集装箱储能系统中集装箱内环境进行模拟获取温度分布云图及流线图；
将目标集装箱储能系统中的风冷设备的若干出风口作为节点进行图表示生成设备图，获取不同出风口的送风参数和储能电池及元件的表面温度分布，提取对应的温升速率进行储能电池及元件的舒适度判定；
将所述送风参数与储能电池及元件的舒适度进行匹配构建训练样本，利用GCN网络对设备图进行表示学习构建送风推荐模型进行训练，基于密集监测任务确定目标出风口，将网格区域的温升速率作为目标节点的附加节点，获取目标节点的邻接矩阵；
利用所述邻接矩阵进行信息传递及聚合，通过迭代卷积计算后获取目标出风口送风参数的向量化表示，解码所述向量化表示生成目标出风口的个性化送风策略。
本发明第二方面还提供了一种集装箱储能系统的热管理优化系统，该系统包括：存储器、处理器，所述存储器中包括集装箱储能系统的热管理优化方法程序，所述集装箱储能系统的热管理优化方法程序被所述处理器执行时实现如下步骤：
获取目标集装箱储能系统中储能电池及元件的热特性，根据所述热特征获取储能电池及元件的表面温度分布，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素；
通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，基于集装箱现有散热特征设置温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记；
根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统；
提取优化后目标集装箱储能系统中储能电池及元件的表面温度分布，根据所述表面温度分布生成个性化送风策略，进行精确热管理。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括集装箱储能系统的热管理优化方法程序，所述集装箱储能系统的热管理优化方法程序被处理器执行时，实现如上述任一项所述的集装箱储能系统的热管理优化方法的步骤。
本发明公开了一种集装箱储能系统的热管理优化方法、系统及介质，包括：获取目标集装箱储能系统中储能电池及元件的热特性，获取储能电池及元件的表面温度分布，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素；对不同环境下的温度场进行预测，获取预测温度场分布，将异常温度区域进行标记；根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统；提取储能电池及元件的表面温度分布，生成个性化送风策略，进行精确热管理。本发明通过制定储能电池的个性化送风策略，避免了箱内温度不均导致不能满足散热需求的问题，同时对集装箱储能系统的结构进行优化，提高了热管理的冷却性能。
附图说明
图1示出了本发明一种集装箱储能系统的热管理优化方法的流程图；
图2示出了本发明获取目标集装箱储能系统散热的影响因素的方法流程图；
图3示出了本发明生成个性化送风策略的方法流程图；
图4示出了本发明一种集装箱储能系统的热管理优化系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种集装箱储能系统的热管理优化方法的流程图。
如图1所示，本发明第一方面提供了一种集装箱储能系统的热管理优化方法，包括：
S102，获取目标集装箱储能系统中储能电池及元件的热特性，根据所述热特征获取储能电池及元件的表面温度分布，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素；
S104，通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，基于集装箱现有散热特征设置温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记；
S106，根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统；
S108，提取优化后目标集装箱储能系统中储能电池及元件的表面温度分布，根据所述表面温度分布生成个性化送风策略，进行精确热管理。
需要说明的是，获取目标集装箱储能系统中储能电池及元件的材料特征外部电路特征，根据所述材料特征及外部电路特征获取不同工况下的充放电过程中的温升曲线；基于所述温升曲线将储能电池在产热过程及传热过程对应特征进行描述，在工作过程中产生的热量主要包括电芯产热和极柱产热两部分，电芯产热受到锂离子电池 SOC、电流大小及温度等因素的影响，可以利用Bernardi理论计算；传热过程主要包括热传导、热对流两部分，能够利用傅里叶定律及牛顿定律进行描述，获取储能电池及元件的热特性；将储能电池及元件的热特征与电化学性质结合进行建模，以Newman电化学理论为基础，包括电荷守恒方程、质量守恒方程、电极动力学方程，获取一维电池模型，通过所述一维电池模型获取热量信息，将所述热量信息导入三维热模型获取储能电池及元件的温度，将所述温度导入一维电池模型进行电化学和热量的耦合，获取电化学及热量的耦合模型，用于描述储能电池在充、放电过程中内部的工作状态。获取储能电池及元件的几何模型，并基于所述几何模型进行网格划分，根据所述耦合模型获取不同充放电倍率及不同环境温度下的表面温度，通过网格划分结果生成表面温度分布。
图2示出了本发明获取目标集装箱储能系统散热的影响因素的方法流程图。
根据本发明实施例，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素，具体为：
S202，根据表面温度分布获取不同网格中对应的表面温度变化序列，基于所述表面温度变化序列提取表面温度变化特征；
S204，利用大数据检索选取集装箱储能系统的散热影响因素，将所述散热影响因素与所述表面温度变化特征利用皮尔逊相关系数进行相关性分析，获取皮尔逊相关系数符合预设标准的影响因素作为初筛影响因素；
S206，基于BP神经网络对储能电池及元件的表面温度进行预测，将初筛影响因素作为BP神经网络的输入，随机生成输入因素的权重和阈值，根据所述权重和阈值构建权重矩阵；
S208，根据Garson算法基于BP神经网络的隐藏层神经元数及权重矩阵计算各输入因素对表面温度的权重系数，获取权重系数的相对变化值，根据所述相对变化值获取对表面温度的贡献度；
S210，根据贡献度选取预设数量的表面温度影响因素，生成影响因素集合。
需要说明的是，Garson算法是一种基于BP神经网络模型的敏感性分析方法，因为BP神经网络的训练就是通过不断调整权值来达到减少预测误差的，权值的数值一定程度上反映了输入参数对输出值的影响程度，而通过对权值进行相应的算法计算就可以得出这些输入参数对模型的影响程度。通过BP神经模型中不同影响因素对应的建模数据间的分析以及输入变量的权重系数，筛选出影响表面温度预测的重要影响因素。
需要说明的是，根据储能电池及元件的几何模型读取表面温度分布，结合集装箱中网格对应空间的环境温度获取目标集装箱储能系统的温度场，获取目标集装箱储能系统的应用环境；根据所述应用环境的气候信息获取环境温度变化区间，根据所述环境温度变化区间中的环境温度映射为权重信息设置权重区间，根据所述应用环境提取微电网中不同出力场景中储能系统的出力特征；根据U-NET网络构建温度场预测模型，通过加权后的温度场读取温度分布矩阵，根据出力特征及应用环境特征获取影响因素集合中影响因素对应的参数构建参数矩阵，将所述温度分布矩阵及参数矩阵作为温度场预测模型的输入；通过编码器进行输入数据的下采样，获取不同尺度的特征，在编码过程中引入空间注意力机制及通道注意力机制，获取空间注意力权重及通道注意力权重对不同尺度特征进行加权；将加权后的不同尺度特征利用解码器进行解码，通过sigmoid函数获取预设时间后的温度分布矩阵，根据所述温度分布矩阵获取预测温度场分布；获取目标集装箱储能系统中箱壁开口位置特征、大小特征及送风特征生成散热特征，所述送风特征利用CFD进行仿真，获取集装箱内送风的速度云图、流速图及风量偏差图等，根据对应的送风参数提取送风特征；根据所述散热特征设置不同网格区域的温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记。
需要说明的是，获取预测温度场分布中的标记网格区域，提取标记网格区域的位置特征，根据所述位置特征确定储能电池中其他网格区域与标记网格区域对应平均温度的温差信息；根据所述温差信息进行一致性评价，当温差信息大于预设一致性评估标准时，则根据位置特征进行储能电池结构的优化；获取标记网格区域与其他网格区域的结构性差异及送风特征差异，根据所述结构性差异及送风特征差异进行主成分分析获取温度异常的主导因素；根据所述主导因素利用大数据检索获取储能电池散热优化实例，通过所述储能电池散热优化实例提取优化措施，所述优化措施包括增大电池间隔、增大储能电池背部空间或改变进风口位置大小等，并根据各优化措施的可实施性对储能电池结构进行优化。
图3示出了本发明生成个性化送风策略的方法流程图。
根据本发明实施例，根据所述表面温度分布生成个性化送风策略，进行精确热管理，具体为：
S302，获取优化后的目标集装箱储能系统，根据电化学及热量的耦合模型及储能电池及元件的几何模型获取优化后目标集装箱储能系统中储能电池及元件的表面温度分布；
S304，根据优化后的表面温度分布获取不同网格区域的温升速率，根据所述温升速率筛选网格区域建立密集监测任务，对目标集装箱储能系统中集装箱内环境进行模拟获取温度分布云图及流线图；
S306，将目标集装箱储能系统中的风冷设备的若干出风口作为节点进行图表示生成设备图，获取不同出风口的送风参数和储能电池及元件的表面温度分布，提取对应的温升速率进行储能电池及元件的舒适度判定；
S308，将所述送风参数与储能电池及元件的舒适度进行匹配构建训练样本，利用GCN网络对设备图进行表示学习构建送风推荐模型进行训练，基于密集监测任务确定目标出风口，将网格区域的温升速率作为目标节点的附加节点，获取目标节点的邻接矩阵；
S310，利用所述邻接矩阵进行信息传递及聚合，通过迭代卷积计算后获取目标出风口送风参数的向量化表示，解码所述向量化表示生成目标出风口的个性化送风策略。
需要说明的是，提取储能电池及元件的温升速率进行储能电池及元件的舒适度判定，根据储能电池及元件的历史热失效进行数据分析确定温升速率阈值区间，并阈值区间进行分段，结合表面温度分布设置对应的舒适度标签，构建舒适度评价体系。
根据本发明实施例，获取历史异常状况进行个性化送风策略修正，具体为：
获取集装箱储能系统的历史热失效信息及历史故障信息，根据所述历史热失效信息及历史故障信息提取异常特征，将所述异常特征与对应的送风特征匹配，存入相关数据库中；
获取目标集装箱储能系统中储能电池及元件的表面温度变化序列，将所述表面温度变化序列与异常特征进行匹配，获取特征之间的均方距离，根据所述均方距离判断目标集装箱储能系统是否存在异常趋势；
当存在异常趋势时，则提取当前异常趋势区域的送风策略，与数据库中异常特征匹配的送风特征进行相似度计算，当相似度大于预设阈值时，则根据均方距离与预设标准的差值获取调节系数；
通过调节系数对所述送风策略进行优化。
图4示出了本发明一种集装箱储能系统的热管理优化系统的框图。
本发明第二方面还提供了一种集装箱储能系统的热管理优化系统4，该系统包括：存储器41、处理器42，所述存储器中包括集装箱储能系统的热管理优化方法程序，所述集装箱储能系统的热管理优化方法程序被所述处理器执行时实现如下步骤：
获取目标集装箱储能系统中储能电池及元件的热特性，根据所述热特征获取储能电池及元件的表面温度分布，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素；
通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，基于集装箱现有散热特征设置温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记；
根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统；
提取优化后目标集装箱储能系统中储能电池及元件的表面温度分布，根据所述表面温度分布生成个性化送风策略，进行精确热管理。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括集装箱储能系统的热管理优化方法程序，所述集装箱储能系统的热管理优化方法程序被处理器执行时，实现如上述任一项所述的集装箱储能系统的热管理优化方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (6)
1.一种集装箱储能系统的热管理优化方法，其特征在于，包括以下步骤：
获取目标集装箱储能系统中储能电池及元件的热特征，根据所述热特征获取储能电池及元件的表面温度分布，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素；
通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，基于集装箱现有散热特征设置温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记；
根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统；
提取优化后目标集装箱储能系统中储能电池及元件的表面温度分布，根据所述表面温度分布生成个性化送风策略，进行精确热管理；
通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，具体为：
根据储能电池及元件的几何模型读取表面温度分布，结合集装箱中网格对应空间的环境温度获取目标集装箱储能系统的温度场，获取目标集装箱储能系统的应用环境；
根据所述应用环境的气候信息获取环境温度变化区间，根据所述环境温度变化区间中的环境温度映射为权重信息设置权重区间，根据所述应用环境提取微电网中不同出力场景中储能系统的出力特征；
根据U-NET网络构建温度场预测模型，通过加权后的温度场读取温度分布矩阵，根据出力特征及应用环境特征获取影响因素集合中影响因素对应的参数构建参数矩阵，将所述温度分布矩阵及参数矩阵作为温度场预测模型的输入；
通过编码器进行输入数据的下采样，获取不同尺度的特征，在编码过程中引入空间注意力机制及通道注意力机制，获取空间注意力权重及通道注意力权重对不同尺度特征进行加权；
将加权后的不同尺度特征利用解码器进行解码，通过sigmoid函数获取预设时间后的温度分布矩阵，根据所述温度分布矩阵获取预测温度场分布；
获取目标集装箱储能系统中箱壁开口位置特征、大小特征及送风特征生成散热特征，根据所述散热特征设置不同网格区域的温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记；
根据所述表面温度分布生成个性化送风策略，进行精确热管理，具体为：
获取优化后的目标集装箱储能系统，根据电化学及热量的耦合模型及储能电池及元件的几何模型获取优化后目标集装箱储能系统中储能电池及元件的表面温度分布；
根据优化后的表面温度分布获取不同网格区域的温升速率，根据所述温升速率筛选网格区域建立密集监测任务，对目标集装箱储能系统中集装箱内环境进行模拟获取温度分布云图及流线图；
将目标集装箱储能系统中的风冷设备的若干出风口作为节点进行图表示生成设备图，获取不同出风口的送风参数和储能电池及元件的表面温度分布，提取对应的温升速率进行储能电池及元件的舒适度判定；
将所述送风参数与储能电池及元件的舒适度进行匹配构建训练样本，利用GCN网络对设备图进行表示学习构建送风推荐模型进行训练，基于密集监测任务确定目标出风口，将网格区域的温升速率作为目标节点的附加节点，获取目标节点的邻接矩阵；
利用所述邻接矩阵进行信息传递及聚合，通过迭代卷积计算后获取目标出风口送风参数的向量化表示，解码所述向量化表示生成目标出风口的个性化送风策略。
2.根据权利要求1所述的一种集装箱储能系统的热管理优化方法，其特征在于，获取目标集装箱储能系统中储能电池及元件的热特征，根据所述热特征获取储能电池及元件的表面温度分布，具体为：
获取目标集装箱储能系统中储能电池及元件的材料特征外部电路特征，根据所述材料特征及外部电路特征获取不同工况下的充放电过程中的温升曲线；
基于所述温升曲线将储能电池在产热过程及传热过程对应特征进行描述，获取储能电池及元件的热特征；
将储能电池及元件的热特征与电化学性质结合进行建模，获取一维电池模型，通过所述一维电池模型获取热量信息，将所述热量信息导入三维热模型获取储能电池及元件的温度，将所述温度导入一维电池模型进行电化学和热量的耦合，获取电化学及热量的耦合模型；
获取储能电池及元件的几何模型，并基于所述几何模型进行网格划分，根据所述耦合模型获取不同充放电倍率及不同环境温度下的表面温度，通过网格划分结果生成表面温度分布。
3.根据权利要求1所述的一种集装箱储能系统的热管理优化方法，其特征在于，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素，具体为：
根据表面温度分布获取不同网格中对应的表面温度变化序列，基于所述表面温度变化序列提取表面温度变化特征；
利用大数据检索选取集装箱储能系统的散热影响因素，将所述散热影响因素与所述表面温度变化特征利用皮尔逊相关系数进行相关性分析，获取皮尔逊相关系数符合预设标准的影响因素作为初筛影响因素；
基于BP神经网络对储能电池及元件的表面温度进行预测，将初筛影响因素作为BP神经网络的输入，随机生成输入因素的权重和阈值，根据所述权重和阈值构建权重矩阵；
根据Garson算法基于BP神经网络的隐藏层神经元数及权重矩阵计算各输入因素对表面温度的权重系数，获取权重系数的相对变化值，根据所述相对变化值获取对表面温度的贡献度；
根据贡献度选取预设数量的表面温度影响因素，生成影响因素集合。
4.根据权利要求1所述的一种集装箱储能系统的热管理优化方法，其特征在于，根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统，具体为：
获取预测温度场分布中的标记网格区域，提取标记网格区域的位置特征，根据所述位置特征确定储能电池中其他网格区域与标记网格区域对应平均温度的温差信息；
根据所述温差信息进行一致性评价，当温差信息大于预设一致性评估标准时，则根据位置特征进行储能电池结构的优化；
获取标记网格区域与其他网格区域的结构性差异及送风特征差异，根据所述结构性差异及送风特征差异进行主成分分析获取温度异常的主导因素；
根据所述主导因素利用大数据检索获取储能电池散热优化实例，通过所述储能电池散热优化实例提取优化措施，并根据各优化措施的可实施性对储能电池结构进行优化。
5.一种集装箱储能系统的热管理优化系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括集装箱储能系统的热管理优化方法程序，所述集装箱储能系统的热管理优化方法程序被所述处理器执行时实现如下步骤：
获取目标集装箱储能系统中储能电池及元件的热特征，根据所述热特征获取储能电池及元件的表面温度分布，提取表面温度变化特征获取目标集装箱储能系统散热的影响因素；
通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，基于集装箱现有散热特征设置温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记；
根据标记区域的位置特征进行集装箱现有散热特征及储能电池结构的优化，获取优化后的目标集装箱储能系统；
提取优化后目标集装箱储能系统中储能电池及元件的表面温度分布，根据所述表面温度分布生成个性化送风策略，进行精确热管理；
通过所述影响因素及所述热特征对不同环境下的温度场进行预测，获取预测温度场分布，具体为：
根据储能电池及元件的几何模型读取表面温度分布，结合集装箱中网格对应空间的环境温度获取目标集装箱储能系统的温度场，获取目标集装箱储能系统的应用环境；
根据所述应用环境的气候信息获取环境温度变化区间，根据所述环境温度变化区间中的环境温度映射为权重信息设置权重区间，根据所述应用环境提取微电网中不同出力场景中储能系统的出力特征；
根据U-NET网络构建温度场预测模型，通过加权后的温度场读取温度分布矩阵，根据出力特征及应用环境特征获取影响因素集合中影响因素对应的参数构建参数矩阵，将所述温度分布矩阵及参数矩阵作为温度场预测模型的输入；
通过编码器进行输入数据的下采样，获取不同尺度的特征，在编码过程中引入空间注意力机制及通道注意力机制，获取空间注意力权重及通道注意力权重对不同尺度特征进行加权；
将加权后的不同尺度特征利用解码器进行解码，通过sigmoid函数获取预设时间后的温度分布矩阵，根据所述温度分布矩阵获取预测温度场分布；
获取目标集装箱储能系统中箱壁开口位置特征、大小特征及送风特征生成散热特征，根据所述散热特征设置不同网格区域的温度阈值，将预测温度场分布中大于所述温度阈值的区域进行标记；
根据所述表面温度分布生成个性化送风策略，进行精确热管理，具体为：
获取优化后的目标集装箱储能系统，根据电化学及热量的耦合模型及储能电池及元件的几何模型获取优化后目标集装箱储能系统中储能电池及元件的表面温度分布；
根据优化后的表面温度分布获取不同网格区域的温升速率，根据所述温升速率筛选网格区域建立密集监测任务，对目标集装箱储能系统中集装箱内环境进行模拟获取温度分布云图及流线图；
将目标集装箱储能系统中的风冷设备的若干出风口作为节点进行图表示生成设备图，获取不同出风口的送风参数和储能电池及元件的表面温度分布，提取对应的温升速率进行储能电池及元件的舒适度判定；
将所述送风参数与储能电池及元件的舒适度进行匹配构建训练样本，利用GCN网络对设备图进行表示学习构建送风推荐模型进行训练，基于密集监测任务确定目标出风口，将网格区域的温升速率作为目标节点的附加节点，获取目标节点的邻接矩阵；
利用所述邻接矩阵进行信息传递及聚合，通过迭代卷积计算后获取目标出风口送风参数的向量化表示，解码所述向量化表示生成目标出风口的个性化送风策略。
6.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质中包括集装箱储能系统的热管理优化方法程序，所述集装箱储能系统的热管理优化方法程序被处理器执行时，实现如权利要求1至4中任一项所述的集装箱储能系统的热管理优化方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205690.XA CN116933666B (zh) | 2023-09-19 | 2023-09-19 | 一种集装箱储能系统的热管理优化方法、系统及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311205690.XA CN116933666B (zh) | 2023-09-19 | 2023-09-19 | 一种集装箱储能系统的热管理优化方法、系统及介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116933666A CN116933666A (zh) | 2023-10-24 |
| CN116933666B true CN116933666B (zh) | 2023-12-26 |
Family
ID=88390093
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311205690.XA Active CN116933666B (zh) | 2023-09-19 | 2023-09-19 | 一种集装箱储能系统的热管理优化方法、系统及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116933666B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117154301B (zh) * | 2023-10-27 | 2024-03-12 | 内蒙古中电储能技术有限公司 | 一种用于储能电池组的风冷散热控制方法及系统 |
| CN117352907A (zh) * | 2023-12-05 | 2024-01-05 | 深圳三晖能源科技有限公司 | 大型储能系统热值管理方法、装置、大型储能系统及介质 |
| CN117613430B (zh) * | 2024-01-22 | 2024-04-12 | 无锡冠亚恒温制冷技术有限公司 | 一种新能源电池综合测试能源管理方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014238775A (ja) * | 2013-06-10 | 2014-12-18 | 株式会社東芝 | 住宅監視制御装置 |
| WO2020095323A1 (en) * | 2018-11-08 | 2020-05-14 | Tvs Motor Company Limited | Heat dissipating structure |
| CN113468741A (zh) * | 2021-06-30 | 2021-10-01 | 东北大学 | 一种钢板返红温度测量方法、装置及存储介质 |
| WO2022018739A1 (en) * | 2020-07-23 | 2022-01-27 | Tvs Motor Company Limited | Batterty thermal management |
| CN114399073A (zh) * | 2021-11-26 | 2022-04-26 | 中国石油大学(华东) | 一种基于深度学习的海洋表面温度场预测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7444260B2 (en) * | 2006-09-25 | 2008-10-28 | Raad Peter E | Thermography measurement system for conducting thermal characterization of integrated circuits |
| US9134353B2 (en) * | 2009-02-26 | 2015-09-15 | Distributed Energy Management Inc. | Comfort-driven optimization of electric grid utilization |
| CN104504755B (zh) * | 2014-12-30 | 2017-04-19 | 华中科技大学 | 一种山体中分布式地下设施温度场仿真方法 |
-
2023
- 2023-09-19 CN CN202311205690.XA patent/CN116933666B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2014238775A (ja) * | 2013-06-10 | 2014-12-18 | 株式会社東芝 | 住宅監視制御装置 |
| WO2020095323A1 (en) * | 2018-11-08 | 2020-05-14 | Tvs Motor Company Limited | Heat dissipating structure |
| WO2022018739A1 (en) * | 2020-07-23 | 2022-01-27 | Tvs Motor Company Limited | Batterty thermal management |
| CN113468741A (zh) * | 2021-06-30 | 2021-10-01 | 东北大学 | 一种钢板返红温度测量方法、装置及存储介质 |
| CN114399073A (zh) * | 2021-11-26 | 2022-04-26 | 中国石油大学(华东) | 一种基于深度学习的海洋表面温度场预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 锂离子动力电池组温度场分析与散热结构优化;尉孟涛;中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑(第02期);第C042-2196页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116933666A (zh) | 2023-10-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116933666B (zh) | 一种集装箱储能系统的热管理优化方法、系统及介质 | |
| US20170117725A1 (en) | Thermal Monitoring of Battery Packs | |
| CN112198434B (zh) | 电池容量衰减模型参数的辨识方法、系统、设备、装置及介质 | |
| CN115842347B (zh) | 一种基于数字孪生的微网负荷动态平衡方法、系统及介质 | |
| CN115796393B (zh) | 基于多能互动的能源网管理优化方法、系统及存储介质 | |
| CN116031888B (zh) | 基于动态负荷预测的潮流优化方法、系统及存储介质 | |
| Liang et al. | Evaluation of battery modules state for electric vehicle using artificial neural network and experimental validation | |
| CN107392352A (zh) | 一种基于融合极限学习机的电池未来温度预测方法及系统 | |
| CN112329997A (zh) | 电力需求负荷预测方法及系统、电子设备和存储介质 | |
| CN112214862B (zh) | 基于遗传算法的电池参数标定方法、系统及设备 | |
| Dong et al. | Investigation of the effect of U-shaped mini-channel structure on the thermal performance of liquid-cooled prismatic batteries | |
| CN115828685A (zh) | 基于切比雪夫谱方法的锂电池温度仿真方法、装置及介质 | |
| Pu et al. | A novel cuckoo search particle filtering strategy for the remaining useful life prediction of the lithium‐ion batteries in hybrid electric vehicle | |
| CN113076681B (zh) | 一种基于滤波的锂电池核心与表面温度估计方法 | |
| CN114578251A (zh) | 基于卷积神经网络的电池模组安全状态评估方法及装置 | |
| CN116699445B (zh) | 一种电池储能系统的容量预测方法及其系统 | |
| Yun et al. | An integrated framework for minimization of inter lithium‐ion cell temperature differences and the total volume of the cell of battery pack for electric vehicles | |
| CN116660759B (zh) | 基于bms电池管理系统的电池寿命预测方法及装置 | |
| CN116227650B (zh) | 一种基于正交增强型局部保持投影算法的锂电池温度分布预测模型构建方法 | |
| Shen et al. | Simultaneous model selection and parameter estimation for lithium‐ion batteries: A sequential MINLP solution approach | |
| CN116316617A (zh) | 多场站智能融合的新能源发电功率区域预测方法和系统 | |
| Bisht et al. | A data-driven intelligent hybrid method for health prognosis of lithium-ion batteries | |
| Wang et al. | A conditional random field based feature learning framework for battery capacity prediction | |
| CN113836853A (zh) | 电芯温度仿真方法、装置、设备及存储介质 | |
| Wang et al. | Structure optimization of the battery thermal management system based on surrogate modeling of approximate and detailed simulations |
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 |