CN117743974B - 液冷储能系统冷却流量分配方法、装置及存储介质 - Google Patents
液冷储能系统冷却流量分配方法、装置及存储介质 Download PDFInfo
- Publication number
- CN117743974B CN117743974B CN202410190155.XA CN202410190155A CN117743974B CN 117743974 B CN117743974 B CN 117743974B CN 202410190155 A CN202410190155 A CN 202410190155A CN 117743974 B CN117743974 B CN 117743974B
- Authority
- CN
- China
- Prior art keywords
- data
- temperature difference
- sample temperature
- sample
- cooling
- 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
- 238000001816 cooling Methods 0.000 title claims abstract description 168
- 238000004146 energy storage Methods 0.000 title claims abstract description 53
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000007788 liquid Substances 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000001073 sample cooling Methods 0.000 claims abstract description 16
- 230000006870 function Effects 0.000 claims description 17
- 238000012545 processing Methods 0.000 claims description 9
- 230000004913 activation Effects 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 230000014509 gene expression Effects 0.000 claims description 7
- 239000011159 matrix material Substances 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 21
- 239000000110 cooling liquid Substances 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000002826 coolant Substances 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
Abstract
本发明涉及一种液冷储能系统冷却流量分配方法、装置及存储介质，属于船用动力电池技术领域，该方法包括：将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；分配模型通过以下方式得到：基于样本温度数据和第一样本温差数据，得到目标特征；基于目标特征、样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；第二样本温差数据对应时刻为第一样本温差数据对应时刻的下一时刻。本发明实现各功率单元的冷却流量按需分配，并对冷却流量进行动态调节，使得功率器件工作在正常温度范围内，提高了冷却效率。
Description
技术领域
本发明涉及船用动力电池技术领域，尤其涉及一种液冷储能系统冷却流量分配方法、装置及存储介质。
背景技术
随着新能源船舶的发展，为了提高续航里程，采用大容量储能系统为新能源船舶提供动力源已经开始得到应用，为了保证新能源船能持续稳定地工作，以及提高动力系统的安全性，储能系统通常需要采用液冷方案。
但目前的液冷储能系统的各个功率器件或液冷部位的流量分配仅是经估算后的一次性分配，在工作过程中各器件发热量变化对流量的需求变化后，其流量无法动态调节，导致冷却流量不能按需分配，使得冷却系统的冷却效率降低，甚至导致动力系统故障。
发明内容
有鉴于此，有必要提供一种液冷储能系统冷却流量分配方法、装置及存储介质，用以解决现有技术中冷却系统的冷却效率较低的技术问题。
为了解决上述技术问题，本发明提供一种液冷储能系统冷却流量分配方法，包括：
将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；
所述分配模型通过以下方式得到：
基于样本温度数据和第一样本温差数据，得到目标特征；
基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；
所述第二样本温差数据对应时刻为所述第一样本温差数据对应时刻的下一时刻。
在一种可能的实现方式中，所述基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型，包括：
将所述目标特征和所述样本温度数据作为输入，将所述第二样本温差数据和所述样本流量数据作为输出，对RBF神经网络进行训练，得到所述冷却流量分配模型。
在一种可能的实现方式中，所述基于样本温度数据和第一样本温差数据，得到目标特征，包括：
基于时域神经网络对所述样本温度数据和所述第一样本温差数据进行处理，得到第一特征；
将所述第一特征输入至图卷积神经网络中，得到所述目标特征。
在一种可能的实现方式中，所述第一特征的表达式如下：
其中，表示第一特征，/>、/>、/>、/>分别表示TCN模型的超参数，/>表示输出的Tanh激活函数；/>表示S型函数；/>表示叉乘，/>表示样本温度数据，表示第一样本温差数据，k表示时刻。
在一种可能的实现方式中，所述目标特征的表达式如下：
其中，表示目标特征，/>表示自适应邻接矩阵，/>表示第一特征，/>表示权重矩阵，/>和/>分别表示不同的激活函数，/>表示源节点嵌入，/>表示目标节点嵌入，k表示时刻。
在一种可能的实现方式中，所述方法，还包括：
对获取的历史数据进行预处理，得到样本数据；
所述历史数据包括：各功率单元在k时刻的温度数据、各冷却回路在k-1时刻的第一温差数据、各冷却回路在k时刻的第二温差数据和各冷却回路在k时刻的冷却流量数据；
所述样本数据包括：所述样本温度数据、所述第一样本温差数据、所述第二样本温差数据和所述样本冷却流量数据。
在一种可能的实现方式中，所述预处理，包括：
归一化处理。
本发明还提供一种液冷储能系统冷却流量分配装置，包括：
分配模块，用于将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；
所述分配模型通过以下方式得到：
基于样本温度数据和第一样本温差数据，得到目标特征；
基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；
所述第二样本温差数据对应时刻为所述第一样本温差数据对应时刻的下一时刻。
本发明还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时，实现如上所述的液冷储能系统冷却流量分配方法。
本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的液冷储能系统冷却流量分配方法。
本发明的有益效果是：通过样本数据对RBF神经网络进行训练得到分配模型，从而训练好的分配模型可以根据液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据，输出各冷却回路的实时冷却流量数据，实现冷却流量的自适应分配，以及各功率单元的冷却流量按需分配，保证各功率单元所需要的冷却流量大小，并对各功率单元在工作过程中的冷却流量进行动态调节，使得功率器件工作在正常工作温度范围或最舒适的工作温度区间，提高了冷却系统的冷却效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，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，对于本领域技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提供的液冷储能系统冷却流量分配方法的一实施例的流程示意图；
图2为本发明提供的液冷储能系统的一实施例的结构示意图；
图3为本发明提供的RBF神经网络的一实施例的结构示意图；
图4为本发明提供的算法总体框架的一实施例的流程示意图；
图5为本发明提供的液冷储能系统冷却流量分配装置的一实施例的结构示意图；
图6为本发明提供的电子设备的一实施例的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本申请实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例中术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本发明实施例中出现的对步骤进行的命名或者编号，并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤，已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序，只要能达到相同或者相似的技术效果即可。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其他实施例相结合。
本发明提供了一种液冷储能系统冷却流量分配方法、装置及存储介质，以下分别进行说明。
图1为本发明提供的液冷储能系统冷却流量分配方法的一实施例的流程示意图，如图1所示，本发明提供的液冷储能系统冷却流量分配方法，包括：
步骤S101、将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；
所述分配模型通过以下方式得到：
基于样本温度数据和第一样本温差数据，得到目标特征；
基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；
所述第二样本温差数据对应时刻为所述第一样本温差数据对应时刻的下一时刻。
在步骤S101中，将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据。
可以采集液冷储能系统中各功率单元在当前时刻m的实时温度数据T（m），以及各冷却回路在当前时刻的上一时刻，即m-1时刻的温差数据ΔT（m-1），输入至训练好的分配模型中，从而得到分配模型输出的各冷却回路在当前时刻m的实时冷却流量数据F（m）和实时温差数据ΔT（m），实现流量的自适应分配。
即分配模型的输入为：T（m）和ΔT（m-1），分配模型的输出为：F（m）和ΔT（m）。
可选地，图2为本发明提供的液冷储能系统的一实施例的结构示意图，如图2所示，液冷储能系统包括冷却液入口集流器、控制器、n个功率单元、冷却液出口集流器、冷却液出口和冷却液入口。
其工作原理为：在液冷储能系统的冷却回路中设置冷却液入口集流器和冷却液出口集流器，冷却液经过冷却液入口集流器分流到各功率单元（P1、P2、…、Pn），再汇合到冷却液出口集流器。
功率单元的液冷回路在冷却液入口集流器和冷却液出口集流器之间成并联回路，冷却液的入口集流器和出口集流器可以保证冷却液在进入功率单元前压力均衡以及冷却液在流出功单元后的压力均衡，即各功率单元的冷却回路前端和冷却回路后端压力分别相同。
这样，当压力差一定时，每一个功率单元的分配流量与该回路的流阻成反比，通过调节各功率单元的流阻就可以改变冷却流量的大小。
在每个功率单元的每个回路中，分别设置一个可电动控制的流阻调节装置（可调阻尼器、电磁阀、节流阀、流量调节阀等），同时每个功率单元设置温度传感器用以检测实时温度信号，并反馈至控制器，控制器根据温度信号对各回路的流量进行判断，并发出相应的动作指令。
可理解地是，在利用分配模型进行液冷储能系统冷却流量的自适应分配时，需要先对初始模型进行训练。
进一步地，可以采集液冷储能系统的历史数据，作为初始模型的训练数据，
进一步地，所述方法，还包括：
对获取的历史数据进行预处理，得到样本数据；
所述历史数据包括：各功率单元在k时刻的温度数据、各冷却回路在k-1时刻的第一温差数据、各冷却回路在k时刻的第二温差数据和各冷却回路在k时刻的冷却流量数据；
所述样本数据包括：所述样本温度数据、所述第一样本温差数据、所述第二样本温差数据和所述样本冷却流量数据。
进一步地，所述预处理，包括：
归一化处理。
可以采集液冷储能系统中的历史数据，包括各功率单元的历史温度数据、各冷却回路的历史温差数据和各冷却回路的历史冷却流量数据。
以历史时刻为k时刻为例，则获取的历史数据包括：
各功率单元在k时刻的温度数据、各冷却回路在k-1时刻的第一温差数据、各冷却回路在k时刻的第二温差数据/>，以及各冷却回路在k时刻的冷却流量数据/>。
历史数据对应的表达式分别如下：
其中，表示第i个功率单元在k时刻的历史温度，/>表示第i个冷却回路在k时刻的历史温差，/>表示第i个冷却回路在k-1时刻的历史温差，表示第i个冷却回路在k时刻的历史冷却流量。
对各功率单元在k时刻的温度数据、各冷却回路在k-1时刻的第一温差数据、各冷却回路在k时刻的第二温差数据/>和各冷却回路在k时刻的冷却流量数据/>分别进行预处理，可以得到各历史数据各自对应的样本数据。
优选地，预处理可以是归一化处理，从而得到归一化处理后的数据，即样本数据。
样本数据包括：样本温度数据、第一样本温差数据/>、第二样本温差数据/>和样本冷却流量数据/>。
可理解地，第一样本温差数据对应的时刻为k-1，第二样本温差数据对应的时刻为k，即第二样本温差数据对应的时刻为第一样本温差数据对应的时刻的下一时刻。
归一化处理的过程如下：
进一步地，所述基于样本温度数据和第一样本温差数据，得到目标特征，包括：
基于时域神经网络对所述样本温度数据和所述第一样本温差数据进行处理，得到第一特征；
将所述第一特征输入至图卷积神经网络中，得到所述目标特征。
可以采用门控时域卷积网络（Temporal Convolutional Network，TCN），对样本温度数据和第一样本温差数据/>进行处理，得到第一特征/>。
进一步地，所述第一特征的表达式如下：
其中，表示第一特征，/>、/>、/>、/>分别表示TCN模型的超参数，/>表示输出的Tanh激活函数；/>表示S型函数；/>表示叉乘，/>表示样本温度数据，表示第一样本温差数据，k表示时刻。
然后将第一特征输入至具有自适应邻接矩阵的图卷积神经网络（GraphConvolution Network，GCN）中，得到目标特征/>。
进一步地，所述目标特征的表达式如下：
其中，表示目标特征，/>表示自适应邻接矩阵，/>表示第一特征，/>表示权重矩阵，/>和/>分别表示不同的激活函数，/>表示源节点嵌入，/>表示目标节点嵌入，k表示时刻。
其中，节点嵌入是可学习和可随机初始化的。
本发明实施例提供的液冷储能系统冷却流量分配方法，通过结合TCN算法和GCN算法，实现了输入特征在时间维度上的深度挖掘。
进一步地，所述基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型，包括：
将所述目标特征和所述样本温度数据作为输入，将所述第二样本温差数据和所述样本流量数据作为输出，对RBF神经网络进行训练，得到所述分配模型。
利用目标特征和样本温度数据/>作为自回归径向基函数（RadicalBasisFunction，RBF）神经网络的输入，以及将第二样本温差数据/>和样本流量数据/>作为自回归RBF神经网络的输出进行训练，从而得到分配模型，即冷却流量自适应分配模型。
具体地，图3为本发明提供的RBF神经网络的一实施例的结构示意图，如图3所示，RBF神经网络是一类三层前向神经网络，包括：
第一层是输入层。输入目标特征和样本温度数据/>，输入表示为：
第二层是隐含层。隐含层的输出采用具有非线性逼近能力的激活函数。RBF神经网络隐含层的输出表示为：
其中，H为隐含层输出，为输入向量，c为高斯基函数的宽度，c＞0，/>为隐函数神经元中心向量。
第三层是输出层。输出表示为：
其中，为输出层的权值，/>是自回归RBF神经网络的预测输出。
本发明实施例提供的液冷储能系统冷却流量分配方法，通过利用各功率单元冷却回路的温差数据进行RBF神经网络算法的自回归设计，可以提升算法的精度。
图4为本发明提供的算法总体框架的一实施例的流程示意图，如图4所示，结合TCN、GCN和RBF算法，可以实现各功率单元的冷却流量按需分配，保证各功率单元所需要的冷却流量大小，并对各功率单元在工作过程中的冷却流量进行动态调节，使得功率器件工作在正常工作温度范围或最舒适的工作温度区间。
与现有技术相比，本发明实施例提供的液冷储能系统冷却流量分配方法，通过样本数据对RBF神经网络进行训练得到分配模型，从而训练好的分配模型可以根据液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据，输出各冷却回路的实时冷却流量数据，实现冷却流量的自适应分配，以及各功率单元的冷却流量按需分配，保证各功率单元所需要的冷却流量大小，并对各功率单元在工作过程中的冷却流量进行动态调节，使得功率器件工作在正常工作温度范围或最舒适的工作温度区间，提高了冷却系统的冷却效率。
本发明实施例还提供了一种液冷储能系统冷却流量分配装置，图5为本发明提供的液冷储能系统冷却流量分配装置的一实施例的结构示意图，如图5所示，液冷储能系统冷却流量分配装置10包括：
分配模块110，用于将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；
所述分配模型通过以下方式得到：
基于样本温度数据和第一样本温差数据，得到目标特征；
基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；
所述第二样本温差数据对应时刻为所述第一样本温差数据对应时刻的下一时刻。
上述实施例提供的液冷储能系统冷却流量分配装置可实现上述液冷储能系统冷却流量分配方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述液冷储能系统冷却流量分配方法实施例中的相应内容，此处不再赘述。
如图6所示，本发明还相应提供了一种电子设备600。该电子设备600包括处理器601、存储器602及显示器603。图6仅示出了电子设备600的部分组件，但是应理解的是，并不要求实施所有示出的组件，可以替代的实施更多或者更少的组件。
存储器602在一些实施例中可以是电子设备600的内部存储单元，例如电子设备600的硬盘或内存。存储器602在另一些实施例中也可以是电子设备600的外部存储设备，例如电子设备600上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。
进一步地，存储器602还可既包括电子设备600的内部储存单元也包括外部存储设备。存储器602用于存储安装电子设备600的应用软件及各类数据。
处理器601在一些实施例中可以是一个中央处理器（Central Processing Unit，CPU），微处理器或其他数据处理芯片，用于运行存储器602中存储的程序代码或处理数据，例如本发明中的液冷储能系统冷却流量分配方法。
显示器603在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。显示器603用于显示在电子设备600的信息以及用于显示可视化的用户界面。电子设备600的部件601-603通过系统总线相互通信。
在本发明的一些实施例中，当处理器601执行存储器602中的程序时，可实现以下步骤：
将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；
所述分配模型通过以下方式得到：
基于样本温度数据和第一样本温差数据，得到目标特征；
基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；
所述第二样本温差数据对应时刻为所述第一样本温差数据对应时刻的下一时刻。
应当理解的是：处理器601在执行存储器602中的程序时，除了上面的功能之外，还可实现其他功能，具体可参见前面相应方法实施例的描述。
进一步地，本发明实施例对提及的电子设备600的类型不作具体限定，电子设备600可以为手机、平板电脑、个人数字助理（personaldigitalassistant，PDA)、可穿戴设备、膝上型计算机（laptop）等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作系统的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备，诸如具有触敏表面（例如触控面板）的膝上型计算机（laptop）等。还应当理解的是，在本发明其他一些实施例中，电子设备600也可以不是便携式电子设备，而是具有触敏表面（例如触控面板）的台式计算机。
又一方面，本发明还提供一种非暂态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以执行上述各方法提供的液冷储能系统冷却流量分配方法，该方法包括：
将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；
所述分配模型通过以下方式得到：
基于样本温度数据和第一样本温差数据，得到目标特征；
基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；
所述第二样本温差数据对应时刻为所述第一样本温差数据对应时刻的下一时刻。
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，程序可存储于计算机可读存储介质中。其中，计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的液冷储能系统冷却流量分配方法进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种液冷储能系统冷却流量分配方法，其特征在于，包括：
将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；
所述分配模型通过以下方式得到：
基于样本温度数据和第一样本温差数据，得到目标特征；
基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；
所述第二样本温差数据对应时刻为所述第一样本温差数据对应时刻的下一时刻；
所述基于样本温度数据和第一样本温差数据，得到目标特征，包括：
基于时域神经网络对所述样本温度数据和所述第一样本温差数据进行处理，得到第一特征；
将所述第一特征输入至图卷积神经网络中，得到所述目标特征；
所述第一特征的表达式如下：
其中，表示第一特征，/>、/>、/>、/>分别表示TCN模型的超参数，/>表示输出的Tanh激活函数；/>表示S型函数；/>表示叉乘，/>表示样本温度数据，表示第一样本温差数据，k表示时刻。
2.根据权利要求1所述的液冷储能系统冷却流量分配方法，其特征在于，所述基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型，包括：
将所述目标特征和所述样本温度数据作为输入，将所述第二样本温差数据和所述样本流量数据作为输出，对RBF神经网络进行训练，得到所述分配模型。
3.根据权利要求1所述的液冷储能系统冷却流量分配方法，其特征在于，所述目标特征的表达式如下：
其中，表示目标特征，/>表示自适应邻接矩阵，/>表示第一特征，/>表示权重矩阵，/>和/>分别表示不同的激活函数，/>表示源节点嵌入，表示目标节点嵌入，k表示时刻。
4.根据权利要求1所述的液冷储能系统冷却流量分配方法，其特征在于，所述方法，还包括：
对获取的历史数据进行预处理，得到样本数据；
所述历史数据包括：各功率单元在k时刻的温度数据、各冷却回路在k-1时刻的第一温差数据、各冷却回路在k时刻的第二温差数据和各冷却回路在k时刻的冷却流量数据；
所述样本数据包括：所述样本温度数据、所述第一样本温差数据、所述第二样本温差数据和所述样本冷却流量数据。
5.根据权利要求4所述的液冷储能系统冷却流量分配方法，其特征在于，所述预处理，包括：
归一化处理。
6.一种液冷储能系统冷却流量分配装置，其特征在于，包括：
分配模块，用于将液冷储能系统中各功率单元的实时温度数据和各冷却回路在上一时刻的温差数据输入至分配模型中，得到各冷却回路的实时冷却流量数据；
所述分配模型通过以下方式得到：
基于样本温度数据和第一样本温差数据，得到目标特征；
基于所述目标特征、所述样本温度数据、第二样本温差数据和样本冷却流量数据，对RBF神经网络进行训练，得到分配模型；
所述第二样本温差数据对应时刻为所述第一样本温差数据对应时刻的下一时刻；
所述基于样本温度数据和第一样本温差数据，得到目标特征，包括：
基于时域神经网络对所述样本温度数据和所述第一样本温差数据进行处理，得到第一特征；
将所述第一特征输入至图卷积神经网络中，得到所述目标特征；
所述第一特征的表达式如下：
其中，表示第一特征，/>、/>、/>、/>分别表示TCN模型的超参数，/>表示输出的Tanh激活函数；/>表示S型函数；/>表示叉乘，/>表示样本温度数据，表示第一样本温差数据，k表示时刻。
7.一种电子设备，其特征在于，包括存储器和处理器，其中，
所述存储器，用于存储程序；
所述处理器，与所述存储器耦合，用于执行所述存储器中存储的所述程序，以实现如权利要求1至5中任意一项所述的液冷储能系统冷却流量分配方法。
8.一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，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的液冷储能系统冷却流量分配方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190155.XA CN117743974B (zh) | 2024-02-21 | 2024-02-21 | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410190155.XA CN117743974B (zh) | 2024-02-21 | 2024-02-21 | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117743974A CN117743974A (zh) | 2024-03-22 |
| CN117743974B true CN117743974B (zh) | 2024-05-03 |
Family
ID=90259548
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410190155.XA Active CN117743974B (zh) | 2024-02-21 | 2024-02-21 | 液冷储能系统冷却流量分配方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117743974B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3555251A (en) * | 1967-12-06 | 1971-01-12 | Honeywell Inc | Optimizing system for a plurality of temperature conditioning apparatuses |
| CN110288164A (zh) * | 2019-07-02 | 2019-09-27 | 广州市特沃能源管理有限公司 | 一种建筑空调制冷站系统预测控制方法 |
| CN111456840A (zh) * | 2020-05-18 | 2020-07-28 | 江苏隆信德科技有限公司 | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 |
| CN112857842A (zh) * | 2019-11-11 | 2021-05-28 | 株洲中车时代电气股份有限公司 | 一种冷却系统的故障预警方法及装置 |
| CN115616423A (zh) * | 2022-12-20 | 2023-01-17 | 广东采日能源科技有限公司 | 液冷储能系统以及状态检测方法、装置 |
| CN116027863A (zh) * | 2022-12-23 | 2023-04-28 | 武汉三氟新材料科技有限公司 | 一种浸没液冷散热调控方法、系统、电子设备及存储介质 |
| WO2023110612A1 (de) * | 2021-12-15 | 2023-06-22 | Robert Bosch Gmbh | Verfahren zum bestimmen eines simulierten istmassenstromes in einem kühlmittelkreislauf |
| JP2023132568A (ja) * | 2022-03-11 | 2023-09-22 | トヨタ自動車株式会社 | 機械学習装置、冷却温度推定装置、冷却回路制御装置、低温回路、車載温調装置、及びコンピュータプログラム |
| CN116989442A (zh) * | 2023-07-19 | 2023-11-03 | 武汉理工大学 | 一种中央空调负荷预测方法及系统 |
| CN117096504A (zh) * | 2023-10-17 | 2023-11-21 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11372460B2 (en) * | 2018-02-24 | 2022-06-28 | Samsung Electronics Co., Ltd. | Systems, methods, and apparatus using artificial intelligent cooling method for server and ssd |
-
2024
- 2024-02-21 CN CN202410190155.XA patent/CN117743974B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US3555251A (en) * | 1967-12-06 | 1971-01-12 | Honeywell Inc | Optimizing system for a plurality of temperature conditioning apparatuses |
| CN110288164A (zh) * | 2019-07-02 | 2019-09-27 | 广州市特沃能源管理有限公司 | 一种建筑空调制冷站系统预测控制方法 |
| CN112857842A (zh) * | 2019-11-11 | 2021-05-28 | 株洲中车时代电气股份有限公司 | 一种冷却系统的故障预警方法及装置 |
| CN111456840A (zh) * | 2020-05-18 | 2020-07-28 | 江苏隆信德科技有限公司 | 一种基于rbf神经网络的内燃机冷却水流量智能控制方法 |
| WO2023110612A1 (de) * | 2021-12-15 | 2023-06-22 | Robert Bosch Gmbh | Verfahren zum bestimmen eines simulierten istmassenstromes in einem kühlmittelkreislauf |
| JP2023132568A (ja) * | 2022-03-11 | 2023-09-22 | トヨタ自動車株式会社 | 機械学習装置、冷却温度推定装置、冷却回路制御装置、低温回路、車載温調装置、及びコンピュータプログラム |
| CN115616423A (zh) * | 2022-12-20 | 2023-01-17 | 广东采日能源科技有限公司 | 液冷储能系统以及状态检测方法、装置 |
| CN116027863A (zh) * | 2022-12-23 | 2023-04-28 | 武汉三氟新材料科技有限公司 | 一种浸没液冷散热调控方法、系统、电子设备及存储介质 |
| CN116989442A (zh) * | 2023-07-19 | 2023-11-03 | 武汉理工大学 | 一种中央空调负荷预测方法及系统 |
| CN117096504A (zh) * | 2023-10-17 | 2023-11-21 | 厦门海辰储能科技股份有限公司 | 温度控制方法及装置、设备、存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117743974A (zh) | 2024-03-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11307864B2 (en) | Data processing apparatus and method | |
| CN109543832B (zh) | 一种计算装置及板卡 | |
| US10733503B2 (en) | Technologies for shifted neural networks | |
| US20200104573A1 (en) | Data processing apparatus and method | |
| CN107544304B (zh) | 压裂车控制方法及装置 | |
| CN112970006B (zh) | 一种基于递归神经网络的内存访问预测方法和电路 | |
| CN104137024A (zh) | 包括使用深降电模式的高能效处理器热节流的用于高能效且节能的方法、装置和系统 | |
| US20140280430A1 (en) | Multiplier Circuit with Dynamic Energy Consumption Adjustment | |
| CN110410353A (zh) | 风扇控制方法、装置及终端设备 | |
| CN112784970B (zh) | 一种硬件加速器、数据处理方法、系统级芯片及介质 | |
| WO2022206536A1 (zh) | 数据处理方法、装置及芯片 | |
| CN117743974B (zh) | 液冷储能系统冷却流量分配方法、装置及存储介质 | |
| CN113469354B (zh) | 受存储器限制的神经网络训练 | |
| CN112269875B (zh) | 文本分类方法、装置、电子设备及存储介质 | |
| CN116401602A (zh) | 事件检测方法、装置、设备及计算机可读介质 | |
| Barbierato et al. | Towards Green AI. A methodological survey of the scientific literature | |
| US20220207357A1 (en) | Method of short-term load forecasting via active deep multi-task learning, and an apparatus for the same | |
| US11086634B2 (en) | Data processing apparatus and method | |
| JP2021111082A (ja) | 演算装置、認識装置および制御装置 | |
| CN117638168B (zh) | 一种基于多核芯片的燃料电池热管理系统优化控制方法 | |
| CN117972293B (zh) | 基于混合专家模型的计算方法、装置、设备及存储介质 | |
| CN111198714A (zh) | 重训练方法及相关产品 | |
| CN117541030B (zh) | 虚拟电厂优化运行方法、装置、设备及介质 | |
| CN117708596A (zh) | 旋转机械故障诊断方法、装置、电子设备及存储介质 | |
| CN117707147A (zh) | 机器人覆盖路径的规划方法、装置、电子设备及存储介质 |
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 |