CN117096504B - 温度控制方法及装置、设备、存储介质 - Google Patents
温度控制方法及装置、设备、存储介质 Download PDFInfo
- Publication number
- CN117096504B CN117096504B CN202311343071.7A CN202311343071A CN117096504B CN 117096504 B CN117096504 B CN 117096504B CN 202311343071 A CN202311343071 A CN 202311343071A CN 117096504 B CN117096504 B CN 117096504B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature
- model
- time
- target
- 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
- 238000000034 method Methods 0.000 title claims abstract description 94
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 241000728173 Sarima Species 0.000 claims abstract description 98
- 239000000110 cooling liquid Substances 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims description 86
- 230000001932 seasonal effect Effects 0.000 claims description 56
- 238000012360 testing method Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 19
- 230000015654 memory Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000010845 search algorithm Methods 0.000 claims description 7
- 238000004146 energy storage Methods 0.000 description 58
- 238000012545 processing Methods 0.000 description 27
- 239000007788 liquid Substances 0.000 description 25
- 238000001816 cooling Methods 0.000 description 21
- 230000006870 function Effects 0.000 description 9
- 230000001105 regulatory effect Effects 0.000 description 7
- 230000002195 synergetic effect Effects 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 239000002826 coolant Substances 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007654 immersion Methods 0.000 description 4
- 230000002035 prolonged effect Effects 0.000 description 4
- 238000005311 autocorrelation function Methods 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000005429 filling process Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000000737 periodic effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000013021 overheating Methods 0.000 description 2
- 230000006403 short-term memory Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000000780 augmented Dickey–Fuller test Methods 0.000 description 1
- 238000009835 boiling Methods 0.000 description 1
- 239000012809 cooling fluid Substances 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 230000020169 heat generation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
- H01M10/63—Control systems
- H01M10/633—Control systems characterised by algorithms, flow charts, software details or the like
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- 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
- H01M10/61—Types of temperature control
- H01M10/613—Cooling or keeping cold
-
- 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
- H01M10/627—Stationary installations, e.g. power plant buffering or backup power supplies
-
- 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
-
- 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
-
- 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
- G06F2119/12—Timing analysis or timing 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Electrochemistry (AREA)
- General Chemical & Material Sciences (AREA)
- Artificial Intelligence (AREA)
- Chemical Kinetics & Catalysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Manufacturing & Machinery (AREA)
- Biophysics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Geometry (AREA)
- Automation & Control Theory (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Secondary Cells (AREA)
Abstract
本申请实施例公开了一种温度控制方法及装置、设备、存储介质,包括:获取电池簇在历史时段内的历史温度数据;将历史温度数据输入至预先训练好的温度预测模型中,得到对电池簇在未来时段内的预测温度数据;预先训练好的温度预测模型为SARIMA和LSTM的组合模型;根据未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,以控制电池簇的温度在未来时段内处于预设范围,目标时刻为未来时段内的任一时刻。
Description
技术领域
本申请实施例涉及储能技术,涉及但不限于一种温度控制方法及装置、设备、存储介质。
背景技术
随着能源需求的不断增长,储能技术的发展也变得越来越重要。其中,电池储能系统是一种常见的储能系统,它可以将电能储存起来,以备不时之需。然而,电池储能系统在长时间运行过程中会产生大量的热量,使得电池的温度升高,从而影响电池的寿命和性能。
因此,随着大容量电池的广泛应用,热管理技术也在快速发展,一些高倍率应用场景及更高储能安全需求推动热管理解决方案在不断优化。这其中,浸没式液冷电池储能系统依靠其强大的散热能力,与大容量电池高产热及储能系统高安全需求相适配。
在浸没式液冷电池储能系统的应用中,在使用冷却液控制电池温度时,容易存在控制不准,导致电池过热的问题。
因此,如何精准控制电池温度,提升电池寿命,是一个亟待解决的问题。
发明内容
有鉴于此,本申请实施例提供的温度控制方法及装置、设备、存储介质,能够实现对电池簇温度的及时监测和调节,从而更精准地调节电池簇的温度在合理范围内,提升电池簇的使用寿命。本申请实施例提供的温度控制方法及装置、设备、存储介质是这样实现的:
本申请实施例提供的温度控制方法,包括:
获取电池簇在历史时段内的历史温度数据;
将历史温度数据输入至预先训练好的温度预测模型中,得到对电池簇在未来时段内的预测温度数据,预先训练好的温度预测模型为SARIMA和LSTM的组合模型;根据未来时段内的预测温度数据,
对应调整冷却液在目标时刻下的流动参数,以控制电池簇的温度在未来时段内处于预设范围,目标时刻为未来时段内的任一时刻。
在一些实施例中,所述电池簇包括多个,所述流动参数为流量,所述根据所述未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,包括:
获取每一所述电池簇在所述目标时刻下的预测温度数据;
从所述目标时刻下的预测温度数据中挑选出最大温度数据,以及计算每一所述目标时刻下的预测温度数据的均值温度数据;
确定所述最大温度数据与所述均值温度数据的目标差值;
根据预设的差值与调整流量之间的对应关系,确定与所述目标差值对应的目标调整流量;
根据所述目标调整流量,调整所述冷却液在所述目标时刻下的流量。
在一些实施例中,在所述获取电池簇在历史时段内的历史温度数据之前,所述方法还包括:
获取温度训练数据;
将所述温度训练数据转换为时间序列数据;
根据所述时间序列数据,对初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型;
通过所述训练好的SARIMA模型,确定所述时间序列数据对应的第一预测序列;
根据所述时间序列数据和所述第一预测序列,对初始LSTM模型进行训练,得到所述训练好的温度预测模型中的LSTM模型。
在一些实施例中,将所述温度训练数据转换为时间序列数据,包括:
对所述温度训练数据中的缺失数据进行填充处理,得到填充数据;
将所述填充数据转换为所述时间序列数据。
在一些实施例中,根据所述时间序列数据,对初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型,包括:
判断所述时间序列数据是否为平稳时间序列数据;
在确定所述时间序列数据为平稳时间序列数据的情况下,获取所述平稳时间序列数据的自相关图和偏自相关图;
从所述平稳时间序列数据中提取得到季节性数据,所述季节数据为所述平稳时间序列数据中存在周期性重复的数据;
根据所述自相关图、所述偏自相关图和所述季节性数据,对所述初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型。
在一些实施例中,根据所述自相关图、所述偏自相关图和所述季节性数据,对所述初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型,包括:
通过网格搜索算法对所述初始SARIMA模型中的初始移动平均项数q、初始自回归项数p和初始周期数S进行迭代训练,得到所述训练好的温度预测模型中的SARIMA模型;
其中,所述训练好的温度预测模型中的SARIMA模型中的参数包括迭代训练后得到的目标值q、目标值p和目标值S1,所述初始移动平均项数q为根据所述自相关图对移动平均项数q初始化得到,所述初始自回归项数p为根据所述偏自相关图对自回归项数p初始化得到,所述初始周期数S为根据所述季节性数据对周期数S0初始化得到。
在一些实施例中,根据所述时间序列数据和所述第一预测序列,对初始LSTM模型进行训练,得到所述训练好的温度预测模型中的LSTM模型,包括:
根据所述平稳时间序列数据和所述第一预测序列,确定残差序列;
通过所述初始LSTM模型对协同序列进行残差预测,得到第二预测序列,所述协同序列为所述残差序列和协变量信息的混合结果,所述协变量信息为影响所述电池簇产生温度波动的外部信息;
根据所述第一预测序列和所述第二预测序列,得到目标预测序列;
判断所述目标预测序列是否满足误差要求或所述初始LSTM模型的迭代次数是否大于迭代阈值;
在所述目标预测序列满足所述误差要求或所述初始LSTM模型的迭代次数大于迭代阈值的情况下,确定对所述初始LSTM模型的训练完成,得到所述训练好的温度预测模型中的LSTM模型。
在一些实施例中,所述方法还包括:
在所述目标预测序列不满足所述误差要求或所述初始LSTM模型的迭代次数不满足迭代阈值的情况下,调整所述初始值q和所述初始值p,并重新执行所述通过训练好的SARIMA模型确定所述时间序列数据对应的第一预测序列的步骤,以重新训练得到所述训练好的温度预测模型中的SARIMA模型。
在一些实施例中,所述协变量信息至少包括以下之一:季节信息、天气信息、节假日信息、人口密度信息、经济指标信息。
在一些实施例中,所述判断所述时间序列数据是否为平稳时间序列数据,包括:
对所述时间序列数据进行ADF验证,得到验证结果;
在所述验证结果用于表征检验统计量的值小于检验阈值的情况下,确定所述时间序列数据为平稳时间序列数据;
在所述验证结果用于表征检验统计量的值大于或等于所述检验阈值的情况下,确定所述时间序列数据为非平稳时间序列数据。
本申请实施例提供的温度控制装置,包括:
获取模块,用于获取电池簇在历史时段内的历史温度数据;
预测模块,用于将所述历史温度数据输入至预先训练好的温度预测模型中,得到对所述电池簇在未来时段内的预测温度数据;所述预先训练好的温度预测模型为季节性自回归移动平均模型SARIMA和长短期记忆网络模型LSTM的组合模型;
控制模块,用于根据所述未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,以控制所述电池簇的温度在所述未来时段内处于预设范围,所述目标时刻为所述未来时段内的任一时刻。
在一些实施例中,所述装置还包括确定模块和调节模块;
所述获取模块,还用于获取每一所述电池簇在所述目标时刻下的预测温度数据;
所述确定模块,用于从所述目标时刻下的预测温度数据中挑选出最大温度数据,以及计算每一所述目标时刻下的预测温度数据的均值温度数据;确定所述最大温度数据与所述均值温度数据的目标差值;根据预设的差值与调整流量之间的对应关系,确定与所述目标差值对应的目标调整流量;
所述调节模块,用于根据所述目标调整流量,调整所述冷却液在所述目标时刻下的流量。
在一些实施例中,所述装置还包括处理模块;
所述获取模块,还用于获取温度训练数据;
所述处理模块,用于将所述温度训练数据转换为时间序列数据;根据所述时间序列数据,对初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型;通过所述训练好的SARIMA模型,确定所述时间序列数据对应的第一预测序列;根据所述时间序列数据和所述第一预测序列,对初始LSTM模型进行训练,得到所述训练好的温度预测模型中的LSTM模型。
在一些实施例中,所述处理模块,还用于对所述温度训练数据中的缺失数据进行填充处理,得到填充数据;将所述填充数据转换为所述时间序列数据。
在一些实施例中,所述装置还包括判断模块,所述判断模块,用于判断所述时间序列数据是否为平稳时间序列数据;
所述获取模块,还用于在确定所述时间序列数据为平稳时间序列数据的情况下,获取所述平稳时间序列数据的自相关图和偏自相关图;
所述处理模块,还用于从所述平稳时间序列数据中提取得到季节性数据,所述季节性数据为所述平稳时间序列数据中存在周期性重复的数据;
根据所述自相关图、所述偏自相关图和所述季节性数据,对所述初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型。
在一些实施例中,所述处理模块,还用于通过网格搜索算法对所述初始SARIMA模型中的初始移动平均项数q、初始自回归项数p和初始周期数S进行迭代训练,得到所述训练好的温度预测模型中的SARIMA模型;
其中,所述训练好的温度预测模型中的SARIMA模型中的参数包括迭代训练后得到的目标值q、目标值p和目标值S1,所述初始移动平均项数q为根据所述自相关图对移动平均项数q初始化得到,所述初始自回归项数p为根据所述偏自相关图对自回归项数p初始化得到,所述初始周期数S为根据所述季节性数据对周期数S0初始化得到。
在一些实施例中,所述确定模块,还用于根据所述平稳时间序列数据和所述第一预测序列,确定残差序列;
所述处理模块,还用于通过所述初始LSTM模型对协同序列进行残差预测,得到第二预测序列,所述协同序列为所述残差序列和协变量信息的混合结果,所述协变量信息为影响所述电池簇产生温度波动的外部信息;根据所述第一预测序列和所述第二预测序列,得到目标预测序列;
所述判断模块,还用于判断所述目标预测序列是否满足误差要求或所述初始LSTM模型的迭代次数是否大于迭代阈值;
所述处理模块,还用于在所述目标预测序列满足所述误差要求或所述初始LSTM模型的迭代次数大于迭代阈值的情况下,确定对所述初始LSTM模型的训练完成,得到所述训练好的温度预测模型中的LSTM模型。
在一些实施例中,所述处理模块,还用于在所述目标预测序列不满足所述误差要求或所述初始LSTM模型的迭代次数不大于迭代阈值的情况下,调整所述初始值q和所述初始值p,并重新执行所述通过训练好的SARIMA模型确定所述时间序列数据对应的第一预测序列的步骤,以重新训练得到所述训练好的温度预测模型中的SARIMA模型。
在一些实施例中,所述协变量信息至少包括以下之一:季节信息、天气信息、节假日信息、人口密度信息、经济指标信息。
在一些实施例中,所述处理模块,还用于对所述时间序列数据进行ADF验证,得到验证结果;在所述验证结果用于表征检验统计量的值小于检验阈值的情况下,确定所述时间序列数据为平稳时间序列数据;在所述验证结果用于表征检验统计量的值大于或等于所述检验阈值的情况下,确定所述时间序列数据为非平稳时间序列数据。
本申请实施例提供的计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,所述处理器执行所述程序时实现本申请实施例所述的方法。
本申请实施例提供的计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现本申请实施例提供的所述的方法。
本申请实施例提供的计算机程序产品,包括计算机程序,当所述计算机程序在计算机上运行时,使得所述计算机实现本申请实施例提供的所述的方法。
本申请实施例所提供的温度控制方法、装置、计算机设备和计算机可读存储介质,通过获取电池簇在历史时段内的历史温度数据;将历史温度数据输入至预先训练好的温度预测模型中,得到对电池簇在未来时段内的预测温度数据;预先训练好的温度预测模型为SARIMA和LSTM的组合模型;根据未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,以控制电池簇的温度在未来时段内处于预设范围,目标时刻为未来时段内的任一时刻。
在本申请实施例中,在获取到电池簇在历史时段内的历史温度数据后,将该历史温度数据输入至由SARIMA和LSTM组合得到的温度预测模型中,从而得到对电池簇在未来时段内的预测温度数据;随后,再根据预测温度数据对应调整冷却液在每一时刻下的流动参数,从而控制电池簇的温度处于预设范围。
这样,能够实现对电池簇温度的及时监测和调节,从而更精准地调节电池簇的温度在合理范围内,提升电池簇的使用寿命,解决背景技术中所提出的技术问题。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,这些附图示出了符合本申请的实施例,并与说明书一起用于说明本申请的技术方案。
图1为本申请实施例提供的浸没式液冷电池储能系统的结构示意图;
图2为本申请实施例提供的一种温度控制方法的实现流程示意图;
图3为本申请实施例提供的另一种温度控制方法的实现流程示意图;
图4为本申请实施例提供的一种温度预测模型的训练方法的实现流程示意图;
图5为本申请实施例提供的数据预处理方法的实现流程示意图;
图6为本申请实施例提供的另一种温度预测模型的训练方法的实现流程示意图;
图7为本申请实施例提供的判断时间序列数据是否为平稳时间序列数据的实现流程示意图;
图8为本申请实施例提供的温度控制装置的结构示意图;
图9为本申请实施例提供的计算机设备的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中的附图,对本申请的具体技术方案做进一步详细描述。以下实施例用于说明本申请,但不用来限制本申请的范围。
除非另有定义,本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中所使用的术语只是为了描述本申请实施例的目的,不是旨在限制本申请。
在以下的描述中,涉及到“一些实施例”,其描述了所有可能实施例的子集,但是可以理解,“一些实施例”可以是所有可能实施例的相同子集或不同子集,并且可以在不冲突的情况下相互结合。
需要指出,本申请实施例所涉及的术语“第一\第二\第三”用以区别类似或不同的对象,不代表针对对象的特定排序,可以理解地,“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序,以使这里描述的本申请实施例能够以除了在这里图示或描述的以外的顺序实施。
在介绍本申请实施例的相关技术之前,先对本申请实施例中所涉及的专有名词进行解释。
浸没式液冷技术:指将电池直接浸没在冷却液中,电池与冷却液直接接触,依靠冷却液的流动循环带走电池散发的热量,实现对电池直接、快速、充分、高效的降温,确保电池在最佳温度范围内运行,整体提升储能系统的安全性。
冷却液可保护电池免受恶劣环境的影响,具有更强的散热能力,且消除了湿度、振动、粉尘对电池的破坏因素,理论上冷却液可极大提升电池的可靠性。
SARIMA:即季节性差分自回归滑动平均模型(Seasonal AutoregressiveIntegrated Moving Averag)。SARIMA模型是经典的时间序列预测方法,能够较好的体现时间序列数据中的线性特征,主要针对具有季节性或周期性变化的时间序列进行建模,已经被广泛应用到金融、气候、医疗等领域。
LSTM:即长短期记忆网络模型(Long Short Term Memory)。在深度学习算法中,LSTM模型由于其特殊的网络结构,在处理时间序列问题时,比传统的神经网络更快更易收敛到最优解。
浸没式液冷电池储能系统是一种新型的电池储能系统,它采用了液冷技术来降低电池的温度。该系统将电池浸入液体中,通过液体的循环来吸收电池产生的热量,从而保持电池的温度在一个合适的范围内,这种液冷技术可以有效地延长电池的寿命,提高电池的性能。
在浸没式液冷电池储能系统的使用过程中,会将电池浸入冷却液中,通过冷却液的循环来吸收电池产生的热量,该冷却液可以是水、油或其他液体,具体选择可取决于电池的类型和应用场景。在使用时,电池簇浸没在不导电的冷却液中,电芯发出的热量直接传递给冷却液,冷却液(高沸点)吸热后并不会发生相变,始终维持在液态。
冷却液的循环可以通过冷却液循环泵来实现,冷却液循环泵将冷却液从电池中抽出,然后将其送回电池中,形成一个循环。在循环过程中,冷却液会吸收电池产生的热量,然后通过散热器将热量散发出去。这样,电池的温度就可以保持在一个合适的范围内。
但在浸没式液冷电池储能系统的应用中,在使用冷却液控制电池温度时,容易存在控制不准,导致电池过热的问题。
有鉴于此,本申请实施例提供一种温度控制方法。图1为一个实施例中提供的温度控制方法的应用场景图。
如图1所示,提供一种浸没式液冷电池储能系统,该储能系统中包括储能模块、液冷模块、采集模块、控制模块以及云平台。
其中,液冷模块对储能模块进行降温或加热;采集模块设置于液冷模块和储能模块上,用于存储液冷模块内冷却液的温度和流量,以及储能模块的工作参数;控制模块与液冷模块连接,控制模块用于接收云平台的反馈信号,并反馈控制液冷模块内冷却液的速度和流量。
进一步地,储能系统通过采集模块对电池簇内的温度数据进行采集,并将这些数据上传到云平台进行处理。
云平台利用采集模块采集到的温度数据建立大数据预测模型,通过分析历史温度数据和实时温度数据来预测储能模块中电池簇的温度变化趋势。一旦云平台预测到有电池簇的温度即将超过预警温度,云平台会下发温度调节命令给控制模块。可见,该云平台中至少包括处理器和存储器。
控制模块根据接收到的命令,通过调节液冷模块的流动参数来实现对储能模块中电池簇的温度调节。这里,流动参数可包括流速和流量。
具体来说,控制模块可以增加或减少液冷模块中的冷却液流量和流速,以达到降低或提高电池簇温度的目的。
本申请实施例所提供的浸没式液冷电池储能系统,通过实时调节液冷模块内冷却液的温度和流量,可以根据储能模块的实际工作需求进行精确调控,避免过度冷却或不足冷却,从而提高能源利用效率,达到节能的效果。
本申请实施例所提供的浸没式液冷电池储能系统,将监测、反馈和调节功能集成在一起,通过一个系统来完成储能模块的温度调控,不需要额外的设备或组件,简化了系统结构,提高了整体的集成度。
本申请实施例所提供的浸没式液冷电池储能系统,可以根据储能模块的实际工作情况进行实时调节,具有较高的灵活性,无论是温度的变化还是流量的调整,都可以根据需要进行相应的调节,满足不同工况下的温度控制要求。
本申请实施例所提供的浸没式液冷电池储能系统,结构相对简单,不需要复杂的控制系统或设备,降低了系统的复杂性和成本。
本申请实施例所提供的浸没式液冷电池储能系统,可以实现对电池簇温度的及时监测和调节,保证储能系统的稳定运行和延长电池寿命。
图2为本申请实施例提供的温度控制方法的实现流程示意图,该方法可应用于如图1所示的浸没式液冷电池储能系统中。如图2所示,该方法可以包括以下步骤201至步骤203:
步骤201,获取电池簇在历史时段内的历史温度数据。
在一可选的实施例中,可通过如图1所示的储能系统中的采集模块采集电池簇在历史时段内的历史温度数据。
需要说明的是,这里的电池簇有多个,在采集多个电池簇在历史时段内的历史温度数据时,是采集的每一电池簇在历史时段内的历史温度数据的。
可选地,在采集每一电池簇在历史时段内的历史温度数据时,可将该历史时段示意性地划分为多个历史时刻,每一历史时刻之间的时间间隔可任意设定,如每一历史时刻之间的时间间隔可设置为1分钟、2分钟、10分钟等,具体可根据实际需求设定。
步骤202,将历史温度数据输入至预先训练好的温度预测模型中,得到对电池簇在未来时段内的预测温度数据;预先训练好的温度预测模型为SARIMA和LSTM的组合模型。
可以理解地,在浸没式液冷储能系统中,电池簇的温度是一个非常重要的参数。过高的温度会导致电池的寿命缩短,甚至引发安全问题;而过低的温度则会影响电池的性能和储能效率。因此,准确地预测电池簇的温度对于储能系统的安全和性能优化至关重要。
然而,由于温度受到许多因素的影响,如气象条件、负载变化、储能系统运行状态等,预测的准确度可能会受到一定的限制。
因此,为了更好地应对预测准确度的问题,并确保储能系统的稳定运行,提前预测电池簇在未来时段内的预测温度数据,并将其作为浸没式液冷储能系统冷却液的参数调整的参考标准,本申请实施例中提供一种由SARIMA模型和LSTM模型组合得到的温度预测模型,将该温度预测模型称为SARIMA-LSTM混合模型。
相比于传统的SARIMA模型,SARIMA-LSTM混合模型能够更准确地预测温度波动,并且能够捕捉到更复杂的波动规律。这是因为,LSTM神经网络可以学习并利用时间序列中的长期依赖关系,而SARIMA模型只能考虑短期依赖关系。总之,SARIMA-LSTM混合模型结合了传统的时间序列分析方法和深度学习方法,从而能够更好地预测储能系统中电池簇的温度变化。
在得到该SARIMA-LSTM模型后,可对该SARIMA-LSTM模型进行训练,以得到训练好的温度预测模型。
在一可选的实施例中,可通过执行如下实施例中的步骤401至步骤405,或如下实施例中的步骤601至步骤608来实现对温度预测模型的训练,得到训练好的温度预测模型。
在得到训练好的温度预测模型后,在实际使用时,即可将获取到的电池簇在历史时段内的历史温度数据输入至该训练好的温度预测模型中,该温度预测模型可通过分析历史温度数据的季节性、趋势性和周期性等特征,能够对电池簇在未来时段内的温度数据进行预测,从而得到电池簇中每一组电池在未来时段内的预测温度数据。
步骤203,根据未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,以控制电池簇的温度在未来时段内处于预设范围,目标时刻为未来时段内的任一时刻。
在一可选的实施例中,得到的电池簇在未来时段内的预测温度数据,可为得到电池簇中每一组电池在未来时段内的预测温度数据。进一步地,还可为得到每一组电池在未来时段内的多个目标时刻下的预测温度数据,每一目标时刻之间的时间间隔可任意设定,如每一目标时刻之间的时间间隔可设置为1分钟、2分钟、10分钟等,具体可根据实际需求设定。
在本申请实施例中,在获取到电池簇在未来时段内的预测温度数据后,即可基于该预测温度数据,对应调整冷却液在未来时段内的每一目标时刻下的流动参数,从而通过冷却液的参数调整,控制增加或减少电池簇的温度,以使得电池簇中的每一组电池在未来时段内的每一目标时刻下的温度均处于预设范围内,能够实现对电池簇温度的及时监测和调节,从而更精准地调节电池簇的温度在合理范围内,提升电池簇的使用寿命。
这里,冷却液的流动参数可为冷却液的流量和流速。
在本申请实施例中,在获取到电池簇在历史时段内的历史温度数据后,将该历史温度数据输入至由SARIMA和LSTM组合得到的温度预测模型中,从而得到对电池簇在未来时段内的预测温度数据;随后,再根据预测温度数据对应调整冷却液在每一时刻下的流动参数,从而控制电池簇的温度处于预设范围。这样,能够实现对电池簇温度的及时监测和调节,从而更精准地调节电池簇的温度在合理范围内,提升电池簇的使用寿命。
图3为本申请实施例提供的温度控制方法的实现流程示意图,该方法可应用于如图1所示的浸没式液冷电池储能系统中。如图3所示,该方法可以包括以下步骤301至步骤307:
步骤301,获取电池簇在历史时段内的历史温度数据。
步骤302,将历史温度数据输入至预先训练好的温度预测模型中,得到对电池簇在未来时段内的预测温度数据;预先训练好的温度预测模型为SARIMA和LSTM的组合模型。
在储能系统的控制模块中,流量控制是一个重要的参数,它直接影响储能系统的运行和性能。为了实现有效的流量控制,需要准确的温度数据作为参考标准。本申请实施例所提供的SARIMA-LSTM模型可以用来预测每一电池簇在未来时段内的预测温度数据,可以选择预测未来一天或一周的温度。
步骤303,获取多个电池簇中的每一电池簇在目标时刻下的预测温度数据。
需要说明的是,本申请实施例中沉浸在冷却液中的电池簇有多个,在获取电池簇在历史时段内的历史温度数据时,是获取的多个电池簇中每一电池簇在历史时段内的历史温度数据;相应地,输入至预先训练好的温度预测模型中的数据,也为每一电池簇对应的历史温度数据;进而,得到的也是每一电池簇在未来时段内的预测温度数据。
在获取到每一电池簇在未来时段内的预测温度数据后,即可针对该未来时段内的每一个目标时刻,获取每一电池簇在目标时刻下的预测温度数据。
举例来说,假定电池簇分为A1、A2、A3和A4,未来时刻划分为T1、T2、T3和T4这4个目标时刻,则针对电池簇A1而言,其对应的预测温度数据为(T1,a1)、(T2,a2)、(T3,a3)和(T4,a4),a为预测温度数据。针对电池簇A2而言,其对应的预测温度数据为(T1,b1)、(T2,b2)、(T3,b3)和(T4,b4),b为预测温度数据。
步骤304,从目标时刻下的预测温度数据中挑选出最大温度数据,以及计算每一目标时刻下的预测温度数据的均值温度数据。
步骤305,确定最大温度数据与均值温度数据的目标差值。
这里,在每一目标时刻下,可先计算多个电池簇在该目标时刻下(如T1)的均值温度数据;然后,从该目标时刻T1下每一电池簇对应的预测温度数据中,挑选出最大的温度数据;最后,计算在该目标时刻T1下该最大温度数据与均值温度数据的目标差值。这个目标差值可以作为控制模块中流量控制的参考标准,以便根据实际温度情况进行调整和优化储能系统的运行。
如下公式(1)所示,给出一种确定目标差值的方式:
(公式1);
其中,k=1,2,3,…n,分别表示电池簇1、电池簇2,电池簇3…电池簇n。为目标差值,/>为最大温度数据,/>为均值温度数据。
步骤306,根据预设的差值与调整流量之间的对应关系,确定与目标差值对应的目标调整流量。
在本申请实施例中,预设的差值与调整流量之间的对应关系,可根据实际需求设定,对此并不作限定。
在一可选的实施例中,预设的差值与调整流量之间的对应关系可如下表1所示:
表1 差值与调整流量的对应关系
0:表示控制模块正常控制冷却液循环速度,数字越大,表示控制模块控制冷却液的循环速度越快,流量越大。
例如,若目标差值在(10℃,15℃]之间,则对应的目标调整流量为增加一个档位,即加大冷却液的调整流量。
步骤307,根据目标调整流量,调整冷却液在目标时刻下的流量。
在本申请实施例中,通过获取电池簇在历史时段内的历史温度数据,将该历史温度数据输入至由SARIMA和LSTM组合得到的温度预测模型中,从而得到对电池簇在未来时段内的预测温度数据;随后,获取多个电池簇中的每一电池簇在目标时刻下的预测温度数据,并从目标时刻下的预测温度数据中挑选出最大温度数据,以及计算每一目标时刻下的预测温度数据的均值温度数据,确定最大温度数据与均值温度数据的目标差值;最后可根据预设的差值与调整流量之间的对应关系,确定与目标差值对应的目标调整流量。这样,能够实现对电池簇温度的及时监测和调节,从而更精准地调节电池簇的温度在合理范围内,提升电池簇的使用寿命。
图4为本申请实施例提供的温度预测模型的训练方法的实现流程示意图,如图4所示,该方法可以包括以下步骤401至步骤405:
步骤401,获取温度训练数据。
这里,获取的温度训练数据,可为从云平台的数据库中提取到的不同的电池簇在历史时段内的温度数据。
在一可选的实施例中,还可将该温度训练数据可划分为训练集和测试集。
步骤402,将温度训练数据转换为时间序列数据。
所谓时间序列数据,是指在不同时间上收集到的数据,用于描述现象随时间变化的情况,这类数据反映了某一事物、现象等随时间的变化状态或程度。
在一些实施例中,如图5所示,给出一种数据预处理方法的实现流程示意图,该数据预处理方法可包括如下步骤501至步骤502,通过执行步骤501至步骤502,可实现将温度训练数据转换为时间序列数据:
步骤501,对温度训练数据中的缺失数据进行填充处理,得到填充数据。
可以理解地,在获取到的温度训练数据足够多时,温度训练数据中一般会存在有缺失部分。为了提高数据质量,可对存在缺失数据的温度训练数据进行填充处理,以填补温度训练数据中的缺失部分。
在本申请实施例中,对于对温度训练数据中的缺失数据进行填充处理的具体方式不作限定。如可通过离群点检测方法检测异常值,并将检测到的异常值视为缺失数据,再使用拉格朗日插值法对温度训练数据中的缺失数据进行填补,得到填充数据。
步骤502,将填充数据转换为时间序列数据。
这里,通过对温度训练数据中的缺失数据进行填充处理,可去除温度训练数据中的异常数据,纠正温度训练数据中的错误数据,并补足温度训练数据中的缺失数据,从而使得得到的填充数据更加完善。
在处理得到填充数据后,即可基于温度训练数据的采集时间戳,将其转换为时间序列数据。
步骤403,根据时间序列数据,对初始SARIMA模型进行训练,得到训练好的温度预测模型中的SARIMA模型。
SARIMA模型是一种适用于具有季节性成分的单变量时间序列数据的自回归滑动平均模型。该模型包含7个参数,分别为p、d、q、P、D、Q、S。其中p为自回归项数,d为非季节差分数,q为移动平均项数,P为季节性自回归项数,D为季节差分数,Q为季节性移动平均项数,S0为周期数。
在得到时间序列数据后,即可通过该时间序列数据对初始SARIMA模型进行训练,得到训练好的SARIMA模型。
在一可选的实施例中,可通过执行如下实施例中的步骤604至步骤604来实现对初始SARIMA模型的训练。
步骤404,通过训练好的SARIMA模型,确定时间序列数据对应的第一预测序列。
这里,在确定时间序列数据对应的第一预测序列时,可通过训练好的SARIMA模型中的预测函数对时间序列数据进行预测,从而得到第一预测序列。
步骤405,根据时间序列数据和第一预测序列,对初始LSTM模型进行训练,得到训练好的温度预测模型中的LSTM模型。
在一可行的实施例中,可通过执行如下实施例中的步骤607至步骤612来实现步骤405。
在本申请实施例中,在获取到温度训练数据,可对温度训练数据进行缺失值填充处理,得到填充数据;再将填充数据转换为时间序列数据;根据时间序列数据,对初始SARIMA模型进行训练,得到训练好的温度预测模型中的SARIMA模型;在得到训练好的SARIMA模型后,即可基于训练好的SARIMA模型和时间序列数据,对初始LSTM模型进行训练,得到训练好的LSTM模型,从而得到训练好的温度预测模型。
图6为本申请实施例提供的温度预测模型的训练方法的实现流程示意图,如图6所示,该方法可以包括以下步骤601至步骤612:
步骤601,获取温度训练数据。
步骤602,将温度训练数据转换为时间序列数据。
步骤603,判断时间序列数据是否为平稳时间序列数据。
需要说明的是,平稳性就是要求经由样本时间序列所得到的拟合曲线在未来的一段期间内仍能顺着现有的形态“惯性”地延续下去;如果时间序列数据非平稳,则说明样本拟合曲线的形态不具有“惯性”延续的特点,也就是基于未来将要获得的时间序列数据所拟合出来的曲线将迥异于当前的样本拟合曲线。
可见,时间序列数据为平稳时间序列数据,是经典回归分析赖以实施的基本假设;只有基于平稳时间序列数据进行的预测才是有效的。如果时间序列数据非平稳,则作为大样本下统计推断基础的“一致性”要求便被破坏,基于非平稳时间序列数据进行的预测也就失效。
因此,如图7所示,给出一种判断时间序列数据是否为平稳时间序列数据的实现流程示意图,可包括如下步骤701至步骤703。
在本申请实施例中,在获取到时间序列数据后,可先判断该时间序列数据是否为平稳时间序列数据。
在一些实施例中,可以通过执行如下步骤701至步骤703来判断时间序列数据是否为平稳时间序列数据:
步骤701,对时间序列数据进行单位根ADF验证,得到验证结果。
在本申请实施例中,可使用ADF检验(Augmented Dickey-Fuller test)来判断时间序列的单位根特性。ADF检验的原假设是时间序列数据具有单位根,即非平稳时间序列数据,而备择假设是时间序列数据是平稳时间序列数据。计算ADF检验统计量,并与对应的临界值进行比较。
步骤702,在验证结果用于表征检验统计量的值小于检验阈值的情况下,确定时间序列数据为平稳时间序列数据。
步骤703,在验证结果用于表征检验统计量的值大于或等于检验阈值的情况下,确定时间序列数据为非平稳时间序列数据。
若ADF检验的检验统计量的值小于对应的临界值,则可以拒绝原假设,即判断时间序列数据为平稳时间序列数据。否则,无法拒绝原假设,即判断时间序列数据为非平稳时间序列数据。
在一可选的实施例中,若判断出时间序列数据为非平稳时间序列数据,则可对该时间序列数据进行d阶差分处理,使得该时间序列数据平稳化,得到平稳时间序列数据。
步骤604,在确定时间序列数据为平稳时间序列数据的情况下,获取平稳时间序列数据的自相关图和偏自相关图,从平稳时间序列数据中提取得到季节性数据,季节性数据为平稳时间序列数据中存在周期性重复的数据。
在确定时间序列数据为平稳时间序列数据的情况下,可根据平稳时间序列数据,绘制其对应的自相关(Autocorrelation Function,ACF)图和偏自相关(PartialAutocorrelation Function ,PACF)图,以及提取平稳时间序列数据的季节效应。
其中,自相关图可用于描述平稳时间序列数据的当前值与其过去的值之间的相关程度,其描述了一个观测值与另一个观测值之间的自相关,包括直接和间接的相关性信息。
从平稳时间序列数据中提取得到季节性数据,是指从平稳时间序列数据中分离出周期性的季节变动部分,即季节性数据。季节性数据是指在一年内或其他周期内,由于自然、社会、经济等因素的影响,导致时间序列中的数据在特定时间点上出现重复的模式或规律。
为了提取平稳时间序列数据中的季节性数据,可以使用季节分解方法,如季节分解法或X-11季节调整法。这些方法可以将平稳时间序列数据分解为趋势、季节、残差等不同的成分。其中,季节成分表示时间序列数据在特定时间点上的周期性变动。
步骤605,根据自相关图、偏自相关图和季节性数据,对初始SARIMA模型进行训练,得到训练好的温度预测模型中的SARIMA模型。
由上述分析可知,SARIMA模型是一种适用于具有季节性成分的单变量时间序列数据的自回归滑动平均模型。该模型包含7个参数,分别为p、d、q、P、D、Q、S。其中p为自回归项数,d为非季节差分数,q为移动平均项数,P为季节性自回归项数,D为季节差分数,Q为季节性移动平均项数,S0为周期数。
这里,初始SARIMA模型中的初始移动平均项数q为根据自相关图对移动平均项数q初始化得到的,初始自回归项数p为根据偏自相关图对自回归项数p初始化得到的,初始周期数S为根据季节效应对周期数S0初始化得到的。
在一可选的实施例中,在初始化初始SARIMA模型中的各个参数后,即可通过网格搜索算法对初始SARIMA模型中的初始移动平均项数q、初始自回归项数p和初始周期数S进行迭代训练,得到训练好的温度预测模型中的SARIMA模型。其中,训练好的温度预测模型中的SARIMA模型中的参数包括迭代训练后得到的目标值q、目标值p和目标值S1。
这里,可根据得到的初始自回归项数p和初始移动平均项数q确定参数值的范围,该参数值范围最小值为0,最大值为p,q值中的最大值;然后使用网格搜索算法,遍历探索参数的不同组合,该网格搜索算法的输入为平稳时间序列数据以及其中的一种参数组合,通过SARIMA模型拟合时间序列,得出对平稳时间序列数据的不同拟合值。
随后,还可基于AIC(Akaike Information Criterion)准则选择最优参数组合,AIC准则是拟合精度和参数个数的加权函数,计算每一个拟合值的AIC函数值。
AIC准则考虑了模型的拟合优度和参数的数量,较小的AIC值表示模型的拟合较好。因此,选取使得AIC函数达到最小的模型参数即为最优模型参数组合,从而可以得到最终的SARIMA(p,d,q)×(P,D,Q)s模型。
在一优选的实施例中,该SARIMA(p,d,q)×(P,D,Q)s模型中,P与p的值相同,D与d的值相同,Q与q的值相同。
对于SARIMA模型中的季节性参数(P,D,Q)的选择,可以按照类似的步骤进行。唯一的区别是在选择参数范围时需要考虑季节性的周期长度s。根据数据的周期性选择合适的s值可以提高模型的准确性。例如,对于月度数据,s可以取12;对于季度数据,s可以取4。
步骤606,通过训练好的SARIMA模型,确定时间序列数据对应的第一预测序列。
这里,在确定时间序列数据对应的第一预测序列时,可通过训练好的SARIMA模型中的预测函数对时间序列数据进行预测,从而得到第一预测序列。
步骤607,根据平稳时间序列数据和第一预测序列,确定残差序列。
这里,将用于表示储能系统的温度训练数据的平稳时间序列数据Z(t)减去第一预测序列,即可得到残差序列E(t)。
步骤608,通过初始LSTM模型对协同序列进行残差预测,得到第二预测序列,协同序列为残差序列和协变量信息的混合结果,协变量信息为影响电池簇产生温度波动的外部信息。
在一可选的实施例中,可先将残差序列E(t)以滑动窗口的形式切分成N段长度为t的序列。
SARIMA-LSTM混合模型可以更好地捕捉储能温度的复杂波动规律。通过引入LSTM神经网络模型,模型可以学习并预测储能温度的非线性关系,从而提高模型预测的准确度。
在一优选的实施例中,在引入LSTM模型时,还同时考虑了协变量信息,以进一步提高模型预测的精度。
在SARIMA-LSTM模型中,协变量信息可以包括季节信息、天气信息等。这些信息可以帮助模型更好地理解储能系统温度波动的原因,并在预测中进行考虑。例如,对于夏季和冬季这些影响较大的月份,模型可以根据历史数据和协变量信息预测温度的变化趋势。除了季节信息和天气信息外,SARIMA-LSTM混合模型还可以考虑其他协变量信息来提高温度预测的准确性。
因此,在本申请实施例所提供的SARIMA-LSTM模型中,LSTM模型的输入层不仅包含SARIMA模型的残差指标,还需纳入对温度预测波动有重要影响的协变量信息。该协变量信息与残差序列E(t)共同组成协同序列,进而,可使用初始LSTM模型对该协同序列进行残差预测,得到第二预测序列。
在本申请实施例中,对于协变量信息的组成不作限定,如协变量信息至少包括以下之一:季节信息、天气信息、节假日信息、人口密度信息、经济指标信息。具体可如下介绍:
节假日信息:节假日通常会对能源需求和储能系统的运行产生影响。将节假日信息作为协变量输入到模型中,可以帮助模型更好地捕捉到这些特殊时期的温度波动规律。
人口密度信息:人口密度可以反映出储能系统所在地区的能源需求情况。通过将人口密度信息作为协变量输入到模型中,可以更准确地预测储能温度的波动。
经济指标信息:经济活动通常与能源需求密切相关。将经济指标信息(如GDP、工业产值等)作为协变量输入到模型中,可以帮助模型更好地理解储能温度波动的经济背景,并提高预测精度。
其他天气因素:除了温度外,其他天气因素(如湿度、风速、气压等)也可能对储能温度产生影响。将这些天气因素作为协变量输入到模型中,可以更全面地考虑温度波动的原因。
通过综合考虑以上协变量信息,SARIMA-LSTM混合模型可以更准确地预测储能温度的复杂波动,并为储能系统的运行和管理提供更可靠的预测结果。
步骤609,根据第一预测序列和第二预测序列,得到目标预测序列。
这里,可将第一预测序列和第二预测序列/>的和作为目标预测序列。
步骤610,判断目标预测序列是否满足误差要求或初始LSTM模型的迭代次数是否大于迭代阈值;如果是,执行步骤611;否则,执行步骤612。
这里,对于误差要求的设定可根据具体需求来设定,本申请实施例对此不作限定。当然,本申请实施例对于迭代阈值也同样不作限定。
可以理解地,若在初始LSTM模型的迭代训练过程中,目标预测序列一直不能够满足误差要求,则会造成无限循环迭代的情况发生。
基于此,在确定目标预测序列满足误差要求,或者,在确定对初始LSTM模型的迭代次数已经大于迭代阈值的情况下,则可执行步骤611,确定对初始LSTM模型的训练完成,得到训练好的温度预测模型中的LSTM模型。
在确定目标预测序列不满足误差要求,或者,在确定对初始LSTM模型的迭代次数未大于迭代阈值的情况下,则可执行步骤612。
步骤611,确定对初始LSTM模型的训练完成,得到训练好的温度预测模型中的LSTM模型。
步骤612,调整初始值q和初始值p,并返回执行步骤608,直至目标预测序列满足所述误差要求或所述初始LSTM模型的迭代次数大于迭代阈值,以重新训练得到训练好的温度预测模型中的SARIMA模型。
这里,若确定目标预测序列不满足误差要求,或者对初始LSTM模型的迭代次数未大于迭代阈值,则可调整初始LSTM模型中的初始值q和初始值p,并返回执行步骤608,重新基于调整后的LSTM模型对协同序列进行残差预测,直至目标预测序列满足所述误差要求或所述初始LSTM模型的迭代次数大于迭代阈值,以重新训练得到训练好的温度预测模型中的SARIMA模型。
在一可选的实施例中,在得到训练好的温度预测模型后,可将该训练好的温度预测模型应用于实时温度预测中。
进一步地,还可根据实时温度数据,及时反馈和调整浸没式液冷电池储能系统的运行状态。
进一步地,还可定期对该温度预测模型进行监测和更新,即根据获取到的新的温度数据和实际情况对温度预测模型进行更新和调整,以保证温度预测模型在预测时的准确性和可靠性。
在本申请实施例中,通过获取温度训练数据,将温度训练数据转换为时间序列数据;在确定时间序列数据为平稳时间序列数据的情况下,获取平稳时间序列数据的自相关图和偏自相关图,提取平稳时间序列数据的季节效应;根据自相关图、偏自相关图和季节效应,对初始SARIMA模型进行训练,得到训练好的温度预测模型中的SARIMA模型;并通过训练好的SARIMA模型,确定时间序列数据对应的第一预测序列;进而根据平稳时间序列数据和第一预测序列,确定残差序列;根据第一预测序列、残差序列和协变量信息对初始LSTM模型进行训练,直至得到训练好的温度预测模型中的SARIMA模型,从而得到训练好的温度预测模型。
本申请实施例所提供的SARIMA-LSTM混合模型,结合了传统的时间序列数据分析方法和深度学习方法,能够更好地预测储能温度的波动,并且能够捕捉到更复杂的波动规律。且通过引入协变量信息,模型可以更准确地解释温度波动的原因,并提高预测精度。
应该理解的是,虽然上述各流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,上述各流程图中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
基于前述的实施例,本申请实施例提供一种温度控制装置,该装置包括所包括的各模块、以及各模块所包括的各单元,可以通过处理器来实现;当然也可通过具体的逻辑电路实现;在实施的过程中,处理器可以为中央处理器(CPU)、微处理器(MPU)、数字信号处理器(DSP)或现场可编程门阵列(FPGA)等。
图8为本申请实施例提供的温度控制装置的结构示意图,如图8所示,所述装置800包括获取模块801、预测模块802和控制模块803,其中:
获取模块801,用于获取电池簇在历史时段内的历史温度数据;
预测模块802,用于将所述历史温度数据输入至预先训练好的温度预测模型中,得到对所述电池簇在未来时段内的预测温度数据;所述预先训练好的温度预测模型为季节性自回归移动平均模型SARIMA和长短期记忆网络模型LSTM的组合模型;
控制模块803,用于根据所述未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,以控制所述电池簇的温度在所述未来时段内处于预设范围,所述目标时刻为所述未来时段内的任一时刻。
在一些实施例中,所述装置还包括确定模块和调节模块;
所述获取模块801,还用于获取每一所述电池簇在所述目标时刻下的预测温度数据;
所述确定模块,用于从所述目标时刻下的预测温度数据中挑选出最大温度数据,以及计算每一所述目标时刻下的预测温度数据的均值温度数据;确定所述最大温度数据与所述均值温度数据的目标差值;根据预设的差值与调整流量之间的对应关系,确定与所述目标差值对应的目标调整流量;
所述调节模块,用于根据所述目标调整流量,调整所述冷却液在所述目标时刻下的流量。
在一些实施例中,所述装置还包括处理模块;
获取模块801,还用于获取温度训练数据;
所述处理模块,用于将所述温度训练数据转换为时间序列数据;根据所述时间序列数据,对初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型;通过所述训练好的SARIMA模型,确定所述时间序列数据对应的第一预测序列;根据所述时间序列数据和所述第一预测序列,对初始LSTM模型进行训练,得到所述训练好的温度预测模型中的LSTM模型。
在一些实施例中,所述处理模块,还用于对所述温度训练数据中的缺失数据进行填充处理,得到填充数据;将所述填充数据转换为所述时间序列数据。
在一些实施例中,所述装置还包括判断模块,所述判断模块,用于判断所述时间序列数据是否为平稳时间序列数据;
所述获取模块,还用于在确定所述时间序列数据为平稳时间序列数据的情况下,获取所述平稳时间序列数据的自相关图和偏自相关图;
所述处理模块,还用于从所述平稳时间序列数据中提取得到季节性数据,所述季节性数据为所述平稳时间序列数据中存在周期性重复的数据;
根据所述自相关图、所述偏自相关图和所述季节性数据,对所述初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型。
在一些实施例中,所述处理模块,还用于通过网格搜索算法对所述初始SARIMA模型中的初始移动平均项数q、初始自回归项数p和初始周期数S进行迭代训练,得到所述训练好的温度预测模型中的SARIMA模型;
其中,所述训练好的温度预测模型中的SARIMA模型中的参数包括迭代训练后得到的目标值q、目标值p和目标值S1,所述初始移动平均项数q为根据所述自相关图对移动平均项数q初始化得到,所述初始自回归项数p为根据所述偏自相关图对自回归项数p初始化得到,所述初始周期数S为根据所述季节效应对周期数S0初始化得到。
在一些实施例中,所述确定模块,还用于根据所述平稳时间序列数据和所述第一预测序列,确定残差序列;
所述处理模块,还用于通过所述初始LSTM模型对协同序列进行残差预测,得到第二预测序列,所述协同序列为所述残差序列和协变量信息的混合结果,所述协变量信息为影响所述电池簇产生温度波动的外部信息;根据所述第一预测序列和所述第二预测序列,得到目标预测序列;
所述判断模块,还用于判断所述目标预测序列是否满足误差要求或所述初始LSTM模型的迭代次数是否大于迭代阈值;
所述处理模块,还用于在所述目标预测序列满足所述误差要求或所述初始LSTM模型的迭代次数大于迭代阈值的情况下,确定对所述初始LSTM模型的训练完成,得到所述训练好的温度预测模型中的LSTM模型。
在一些实施例中,所述处理模块,还用于在所述目标预测序列不满足所述误差要求或所述初始LSTM模型的迭代次数不大于迭代阈值的情况下,调整所述初始值q和所述初始值p,并重新执行所述通过训练好的SARIMA模型确定所述时间序列数据对应的第一预测序列的步骤,以重新训练得到所述训练好的温度预测模型中的SARIMA模型。
在一些实施例中,所述协变量信息至少包括以下之一:季节信息、天气信息、节假日信息、人口密度信息、经济指标信息。
在一些实施例中,所述处理模块,还用于对所述时间序列数据进行ADF验证,得到验证结果;在所述验证结果用于表征检验统计量的值小于检验阈值的情况下,确定所述时间序列数据为平稳时间序列数据;在所述验证结果用于表征检验统计量的值大于或等于所述检验阈值的情况下,确定所述时间序列数据为非平稳时间序列数据。
以上装置实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请装置实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
需要说明的是,本申请实施例中图8所示的温度控制装置对模块的划分是示意性的,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。另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是单独物理存在,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,也可以采用软件功能单元的形式实现。也可以采用软件和硬件结合的形式实现。
需要说明的是,本申请实施例中,如果以软件功能模块的形式实现上述的方法,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,本申请实施例的技术方案本质上或者说对相关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电子设备执行本申请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:U盘、移动硬盘、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。这样,本申请实施例不限制于任何特定的硬件和软件结合。
本申请实施例提供一种计算机设备,该计算机设备可以是一种储能设备;该计算机设备也可以是服务器,其内部结构图可以如图9所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法。
本申请实施例提供一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述实施例中提供的方法中的步骤。
本申请实施例提供了一种包含指令的计算机程序产品,当其在计算机上运行时,使得计算机执行上述方法实施例提供的方法中的步骤。
本领域技术人员可以理解,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的温度控制装置可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。计算机设备的存储器中可存储组成上述装置的各个程序模块。各个程序模块构成的计算机程序使得处理器执行本说明书中描述的本申请各个实施例的方法中的步骤。
这里需要指出的是:以上存储介质和设备实施例的描述,与上述方法实施例的描述是类似的,具有同方法实施例相似的有益效果。对于本申请存储介质、存储介质和设备实施例中未披露的技术细节,请参照本申请方法实施例的描述而理解。
应理解,说明书通篇中提到的“一个实施例”或“一实施例”或“一些实施例”意味着与实施例有关的特定特征、结构或特性包括在本申请的至少一个实施例中。因此,在整个说明书各处出现的“在一个实施例中”或“在一实施例中”或“在一些实施例中”未必一定指相同的实施例。此外,这些特定的特征、结构或特性可以任意适合的方式结合在一个或多个实施例中。应理解,在本申请的各种实施例中,上述各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。上文对各个实施例的描述倾向于强调各个实施例之间的不同之处,其相同或相似之处可以互相参考,为了简洁,本文不再赘述。
本文中术语“和/或”,仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如对象A和/或对象B,可以表示:单独存在对象A,同时存在对象A和对象B,单独存在对象B这三种情况。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者设备中还存在另外的相同要素。
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。以上所描述的实施例仅仅是示意性的,例如,所述模块的划分,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:多个模块或组件可以结合,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,设备或模块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模块可以是、或也可以不是物理上分开的,作为模块显示的部件可以是、或也可以不是物理模块;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模块来实现本实施例方案的目的。
另外,在本申请各实施例中的各功能模块可以全部集成在一个处理单元中,也可以是各模块分别单独作为一个单元,也可以两个或两个以上模块集成在一个单元中;上述集成的模块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(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本申请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,本申请实施例的技术方案本质上或者说对相关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电子设备执行本申请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、磁碟或者光盘等各种可以存储程序代码的介质。
本申请所提供的几个方法实施例中所揭露的方法,在不冲突的情况下可以任意组合,得到新的方法实施例。
本申请所提供的几个产品实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的产品实施例。
本申请所提供的几个方法或设备实施例中所揭露的特征,在不冲突的情况下可以任意组合,得到新的方法实施例或设备实施例。
以上所述,仅为本申请的实施方式,但本申请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申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以所述权利要求的保护范围为准。
Claims (12)
1.一种温度控制方法,其特征在于,所述方法包括:
获取电池簇在历史时段内的历史温度数据;
将所述历史温度数据输入至预先训练好的温度预测模型中,得到对所述电池簇在未来时段内的预测温度数据;所述预先训练好的温度预测模型为季节性自回归移动平均模型SARIMA和长短期记忆网络模型LSTM的组合模型;
根据所述未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,以控制所述电池簇的温度在所述未来时段内处于预设范围,所述目标时刻为所述未来时段内的任一时刻;
其中,所述电池簇包括多个,所述流动参数为流量,所述根据所述未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,包括:
获取每一所述电池簇在所述目标时刻下的预测温度数据;
从所述目标时刻下的预测温度数据中挑选出最大温度数据,以及计算每一所述目标时刻下的预测温度数据的均值温度数据;
确定所述最大温度数据与所述均值温度数据的目标差值;
根据预设的差值与调整流量之间的对应关系,确定与所述目标差值对应的目标调整流量;
根据所述目标调整流量,调整所述冷却液在所述目标时刻下的流量。
2.根据权利要求1所述的方法,其特征在于,在所述获取电池簇在历史时段内的历史温度数据之前,所述方法还包括:
获取温度训练数据;
将所述温度训练数据转换为时间序列数据;
根据所述时间序列数据,对初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型;
通过所述训练好的SARIMA模型,确定所述时间序列数据对应的第一预测序列;
根据所述时间序列数据和所述第一预测序列,对初始LSTM模型进行训练,得到所述训练好的温度预测模型中的LSTM模型。
3.根据权利要求2所述的方法,其特征在于,所述将所述温度训练数据转换为时间序列数据,包括:
对所述温度训练数据中的缺失数据进行填充处理,得到填充数据;
将所述填充数据转换为所述时间序列数据。
4.根据权利要求2所述的方法,其特征在于,所述根据所述时间序列数据,对初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型,包括:
判断所述时间序列数据是否为平稳时间序列数据;
在确定所述时间序列数据为平稳时间序列数据的情况下,获取所述平稳时间序列数据的自相关图和偏自相关图;
从所述平稳时间序列数据中提取得到季节性数据,所述季节性数据为所述平稳时间序列数据中存在周期性重复的数据;
根据所述自相关图、所述偏自相关图和所述季节性数据,对所述初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型。
5.根据权利要求4所述的方法,其特征在于,所述根据所述自相关图、所述偏自相关图和所述季节性数据,对所述初始SARIMA模型进行训练,得到所述训练好的温度预测模型中的SARIMA模型,包括:
通过网格搜索算法对所述初始SARIMA模型中的初始移动平均项数q、初始自回归项数p和初始周期数S进行迭代训练,得到所述训练好的温度预测模型中的SARIMA模型;
其中,所述训练好的温度预测模型中的SARIMA模型中的参数包括迭代训练后得到的目标值q、目标值p和目标值S1,所述初始移动平均项数q为根据所述自相关图对移动平均项数q初始化得到,所述初始自回归项数p为根据所述偏自相关图对自回归项数p初始化得到,所述初始周期数S为根据所述季节性数据对周期数S0初始化得到。
6.根据权利要求5所述的方法,其特征在于,所述根据所述时间序列数据和所述第一预测序列,对初始LSTM模型进行训练,得到所述训练好的温度预测模型中的LSTM模型,包括:
根据所述平稳时间序列数据和所述第一预测序列,确定残差序列;
通过所述初始LSTM模型对协同序列进行残差预测,得到第二预测序列,所述协同序列为所述残差序列和协变量信息的混合结果,所述协变量信息为影响所述电池簇产生温度波动的外部信息;
根据所述第一预测序列和所述第二预测序列,得到目标预测序列;
判断所述目标预测序列是否满足误差要求或所述初始LSTM模型的迭代次数是否大于迭代阈值;
在所述目标预测序列满足所述误差要求或所述初始LSTM模型的迭代次数大于迭代阈值的情况下,确定对所述初始LSTM模型的训练完成,得到所述训练好的温度预测模型中的LSTM模型。
7.根据权利要求6所述的方法,其特征在于,所述方法还包括:
在所述目标预测序列不满足所述误差要求或所述初始LSTM模型的迭代次数不满足迭代阈值的情况下,调整初始值q和初始值p,并重新执行所述通过训练好的SARIMA模型确定所述时间序列数据对应的第一预测序列的步骤,以重新训练得到所述训练好的温度预测模型中的SARIMA模型。
8.根据权利要求7所述的方法,其特征在于,所述协变量信息至少包括以下之一:季节信息、天气信息、节假日信息、人口密度信息、经济指标信息。
9.根据权利要求4所述的方法,其特征在于,所述判断所述时间序列数据是否为平稳时间序列数据,包括:
对所述时间序列数据进行单位根ADF验证,得到验证结果;
在所述验证结果用于表征检验统计量的值小于检验阈值的情况下,确定所述时间序列数据为平稳时间序列数据;
在所述验证结果用于表征检验统计量的值大于或等于所述检验阈值的情况下,确定所述时间序列数据为非平稳时间序列数据。
10.一种温度控制装置,其特征在于,包括:
获取模块,用于获取电池簇在历史时段内的历史温度数据;
预测模块,用于将所述历史温度数据输入至预先训练好的温度预测模型中,得到对所述电池簇在未来时段内的预测温度数据;所述预先训练好的温度预测模型为季节性自回归移动平均模型SARIMA和长短期记忆网络模型LSTM的组合模型;
控制模块,用于根据所述未来时段内的预测温度数据,对应调整冷却液在目标时刻下的流动参数,以控制所述电池簇的温度在所述未来时段内处于预设范围,所述目标时刻为所述未来时段内的任一时刻;
所述获取模块,还用于获取每一所述电池簇在所述目标时刻下的预测温度数据;
确定模块,用于从所述目标时刻下的预测温度数据中挑选出最大温度数据,以及计算每一所述目标时刻下的预测温度数据的均值温度数据;确定所述最大温度数据与所述均值温度数据的目标差值;根据预设的差值与调整流量之间的对应关系,确定与所述目标差值对应的目标调整流量;
调节模块,用于根据所述目标调整流量,调整所述冷却液在所述目标时刻下的流量。
11.一种计算机设备,包括存储器和处理器,所述存储器存储有可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1至9任一项所述方法的步骤。
12.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至9任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311343071.7A CN117096504B (zh) | 2023-10-17 | 2023-10-17 | 温度控制方法及装置、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311343071.7A CN117096504B (zh) | 2023-10-17 | 2023-10-17 | 温度控制方法及装置、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117096504A CN117096504A (zh) | 2023-11-21 |
CN117096504B true CN117096504B (zh) | 2024-01-26 |
Family
ID=88772015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311343071.7A Active CN117096504B (zh) | 2023-10-17 | 2023-10-17 | 温度控制方法及装置、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117096504B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117272847A (zh) * | 2023-11-22 | 2023-12-22 | 中控技术股份有限公司 | 加热棒温度数据的预测方法及装置 |
CN117346418B (zh) * | 2023-12-05 | 2024-03-22 | 珠海科创储能科技有限公司 | 冷水机组的控制方法、装置、存储介质及电子设备 |
CN117748019B (zh) * | 2023-12-20 | 2024-07-23 | 深圳市助尔达电子科技有限公司 | 一种蓄电池温度监控管理系统 |
CN117743974B (zh) * | 2024-02-21 | 2024-05-03 | 武汉船用电力推进装置研究所(中国船舶集团有限公司第七一二研究所) | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992244A (zh) * | 2015-07-08 | 2015-10-21 | 中国民用航空总局第二研究所 | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
CN113745707A (zh) * | 2021-08-24 | 2021-12-03 | 上海电享信息科技有限公司 | 一种电池温度控制系统及方法 |
CN113887119A (zh) * | 2020-07-03 | 2022-01-04 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于sarima-lstm的河流水质预测方法 |
CN114335625A (zh) * | 2021-11-15 | 2022-04-12 | 北京格睿能源科技有限公司 | 燃料电池堆温度控制方法、装置、模型预测控制器及系统 |
EP3985582A1 (en) * | 2020-10-16 | 2022-04-20 | Craft.Ai | Devices and processes for data sample selection for power consumption management |
CN115718883A (zh) * | 2022-11-15 | 2023-02-28 | 中国华能集团清洁能源技术研究院有限公司 | 电池储能系统热预警方法及装置 |
CN115810814A (zh) * | 2022-12-14 | 2023-03-17 | 合肥华宇智航动力能源有限公司 | 一种防护型bms电池管理系统 |
EP4250052A1 (en) * | 2020-11-17 | 2023-09-27 | Changchun Jetty Automotive Technology Co., Ltd. | Temperature control system for device and temperature control method |
CN116826245A (zh) * | 2023-08-31 | 2023-09-29 | 山东鑫泰莱光电股份有限公司 | 一种储能电池热管理方法及系统 |
-
2023
- 2023-10-17 CN CN202311343071.7A patent/CN117096504B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104992244A (zh) * | 2015-07-08 | 2015-10-21 | 中国民用航空总局第二研究所 | 一种基于sarima和rbf神经网络集成组合模型的机场货运量预测分析方法 |
CN105260800A (zh) * | 2015-10-26 | 2016-01-20 | 国网浙江省电力公司电力科学研究院 | 一种光伏组件温度预测方法及装置 |
CN113887119A (zh) * | 2020-07-03 | 2022-01-04 | 中国科学院沈阳计算技术研究所有限公司 | 一种基于sarima-lstm的河流水质预测方法 |
EP3985582A1 (en) * | 2020-10-16 | 2022-04-20 | Craft.Ai | Devices and processes for data sample selection for power consumption management |
EP4250052A1 (en) * | 2020-11-17 | 2023-09-27 | Changchun Jetty Automotive Technology Co., Ltd. | Temperature control system for device and temperature control method |
CN113745707A (zh) * | 2021-08-24 | 2021-12-03 | 上海电享信息科技有限公司 | 一种电池温度控制系统及方法 |
CN114335625A (zh) * | 2021-11-15 | 2022-04-12 | 北京格睿能源科技有限公司 | 燃料电池堆温度控制方法、装置、模型预测控制器及系统 |
CN115718883A (zh) * | 2022-11-15 | 2023-02-28 | 中国华能集团清洁能源技术研究院有限公司 | 电池储能系统热预警方法及装置 |
CN115810814A (zh) * | 2022-12-14 | 2023-03-17 | 合肥华宇智航动力能源有限公司 | 一种防护型bms电池管理系统 |
CN116826245A (zh) * | 2023-08-31 | 2023-09-29 | 山东鑫泰莱光电股份有限公司 | 一种储能电池热管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN117096504A (zh) | 2023-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117096504B (zh) | 温度控制方法及装置、设备、存储介质 | |
CN113039506B (zh) | 基于因果学习的数据中心基础结构优化方法 | |
CN109800898A (zh) | 一种智能短期负荷预测方法及系统 | |
KR20180072954A (ko) | 태양전지모듈 발전량 예측방법 및 예측장치 | |
CN109325607A (zh) | 一种短期风电功率预测方法及系统 | |
CN115425680A (zh) | 一种多能源联合发电系统的功率预测模型构建及预测方法 | |
Nejati et al. | A new solar power prediction method based on feature clustering and hybrid-classification-regression forecasting | |
CN117613883A (zh) | 发电功率预测方法、装置、计算机设备及存储介质 | |
CN114065649A (zh) | 一种配电变压器顶层油温短期预测方法及预测系统 | |
CN114742363A (zh) | 风电机组的能效状态评价方法、系统及介质 | |
CN117875638A (zh) | 一种基于大数据的供电需求分配方法及系统 | |
CN115392567A (zh) | 一种电力负荷预测方法、电子设备、装置及可读存储介质 | |
CN115687950A (zh) | 一种电力系统负荷波动分析方法和系统 | |
Zhao et al. | Wind turbine fault prediction using soft label SVM | |
CN114330705A (zh) | 光伏发电量的预测方法、装置、电子设备和存储介质 | |
Walker et al. | Development of Short-Term Forecasting Models Using Plant Asset Data and Feature Selection | |
CN115130743B (zh) | 一种基于变分推断的风电机组调节速率预测方法及系统 | |
Quan et al. | A hybrid CNN–BiLSTM–AT model optimized with enhanced whale optimization algorithm for remaining useful life forecasting of fuel cell | |
Lee et al. | Application of temperature prediction model based on LSTNet in telecommunication Room | |
CN116227367B (zh) | 直接空冷系统的背压预测模型构建方法、预测方法及装置 | |
CN118094347B (zh) | 液冷储能模组自适应调节优化方法、装置及存储介质 | |
CN116663865B (zh) | 考虑源荷不确定性的综合能源系统日前调度方法及系统 | |
CN117077986B (zh) | 电力系统极端运行风险场景的态势感知方法及相关设备 | |
CN118378761A (zh) | 电网数据纯化方法、系统、设备及介质 | |
CN112529306B (zh) | 基于油系统油温估计的调相机潜伏性缺陷诊断方法和装置 |
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 |