基于深度学习的锂电池储能系统热能管理优化方法及系统与流程

摘要: 本申请涉及储能系统,具体而言,涉及基于深度学习的锂电池储能系统热能管理优化方法及系统。背景技术:1、锂电池储能系统凭借能量密度高、循环寿命长等优势,已广泛应用于...
基于深度学习的锂电池储能系统热能管理优化方法及系统与流程

本申请涉及储能系统,具体而言,涉及基于深度学习的锂电池储能系统热能管理优化方法及系统。

背景技术:

1、锂电池储能系统凭借能量密度高、循环寿命长等优势,已广泛应用于新能源发电并网、电网调频调峰及工商业储能等场景。储能系统由大量电芯通过模组和电池簇级联构成,在长期充放电循环过程中持续产生热量。温度是影响电芯性能一致性和安全性的关键因素,电芯之间温差过大会加速局部老化、加剧容量衰减不一致,严重时还可能诱发热失控。因此,热管理系统对于保障储能锂电池系统的安全运行、延长服役寿命具有重要意义。

2、当前储能锂电池系统的主流热管理方式包括风冷和液冷,其中液冷技术凭借换热效率高、温度控制精度好等优势,已成为大容量储能系统的重要选择。液冷板作为液冷系统与电芯之间的核心换热部件,其布局设计直接影响模组内部的温度分布和冷却均匀性。然而,现有液冷板布局优化方法通常基于电芯初始几何尺寸和稳定装配状态进行热仿真设计,优化目标多为初始状态下的最大温度、最大温差及压降等指标。实际长期服役过程中,电芯循环膨胀、导热垫压缩蠕变及预紧力衰减等因素会导致液冷板与电芯之间的接触压力发生空间重分布,进而引起接触热阻变化,使初始状态下冷却效果良好的区域在服役中后期可能出现冷却能力不足的问题。

3、针对上述的问题,目前尚未提出有效的解决方案。

技术实现思路

1、本申请实施例提供了基于深度学习的锂电池储能系统热能管理优化方法及系统,以解决上述技术问题。

2、本申请提供了基于深度学习的锂电池储能系统热能管理优化方法,包括:s1,获取电芯初始尺寸、电芯循环膨胀特性、导热垫参数、装配偏差、预紧力及运行工况数据,构建接触边界数据集;s2,基于所述接触边界数据集划分服役阶段,确定各服役阶段的电芯膨胀量、导热垫压缩量及预紧力衰减量,结合所述装配偏差建立液冷板接触面的接触压力空间映射,形成接触压力空间图谱;s3,根据所述导热垫参数中的压力与接触热阻的标定关系,将所述接触压力空间图谱转化为接触热阻空间重分布;s4,基于所述运行工况数据确定各服役阶段的电芯发热分布;将所述接触热阻空间重分布、所述电芯发热分布、所述运行工况数据以及多个预设候选流道布局输入经训练的深度学习模型,以预测各预设候选流道布局在各服役阶段的温度场分布;s5,基于所述温度场分布识别热点敏感区域,根据各服役阶段的持续时间、安全风险及经济寿命对各预设候选流道布局进行寿命加权评价,以确定最优候选布局;s6,基于所述最优候选布局及所述热点敏感区域,对液冷板主流道、辅助流道及贴合加强区域进行多目标协同优化。

3、本申请提供了基于深度学习的锂电池储能系统热能管理优化系统,包括:数据集构建模块,用于获取电芯初始尺寸、电芯循环膨胀特性、导热垫参数、装配偏差、预紧力及运行工况数据,构建接触边界数据集;图谱构建模块,用于基于所述接触边界数据集划分服役阶段,确定各服役阶段的电芯膨胀量、导热垫压缩量及预紧力衰减量,结合所述装配偏差建立液冷板接触面的接触压力空间映射,形成接触压力空间图谱;转化模块,用于根据所述导热垫参数中的压力与接触热阻的标定关系,将所述接触压力空间图谱转化为接触热阻空间重分布;预测模块,用于基于所述运行工况数据确定各服役阶段的电芯发热分布;将所述接触热阻空间重分布、所述电芯发热分布、所述运行工况数据以及多个预设候选流道布局输入经训练的深度学习模型,以预测各预设候选流道布局在各服役阶段的温度场分布;最优布局确定模块,用于基于所述温度场分布识别热点敏感区域,根据各服役阶段的持续时间、安全风险及经济寿命对各预设候选流道布局进行寿命加权评价,以确定最优候选布局;多目标优化模块,用于基于所述最优候选布局及所述热点敏感区域,对液冷板主流道、辅助流道及贴合加强区域进行多目标协同优化。

4、基于本申请提供的实施例,通过获取电芯初始尺寸、电芯循环膨胀特性、导热垫参数、装配偏差、预紧力及运行工况数据并构建接触边界数据集,为长期服役过程中的接触状态变化提供了数据基础,避免了现有技术仅依赖电芯初始几何尺寸和稳定装配状态进行设计导致的数据支撑不足的问题。通过基于接触边界数据集划分服役阶段并确定各阶段的电芯膨胀量、导热垫压缩量及预紧力衰减量,结合装配偏差建立液冷板接触面的接触压力空间映射并形成图谱,使接触压力随服役时间推移的演变规律得以确定,使液冷板与电芯之间接触状态的变化从不可预见的渐进过程变为可分析的分阶段图谱,从而解决了现有技术忽略接触状态长期变化而导致的设计基准失准的问题。通过根据导热垫参数中的压力与接触热阻的标定关系将接触压力空间图谱转化为接触热阻空间重分布,使接触状态变化对换热性能的影响得以评估,为识别服役后期换热能力下降的区域提供了可计算的边界条件,从而解决了现有技术将接触热阻假设为固定值而导致的热点区域预测偏差的问题。

5、通过将接触热阻空间重分布、电芯发热分布、运行工况数据及候选流道布局输入经训练的深度学习模型以预测各候选布局在各服役阶段的温度场分布,使温度预测模型能够反映长期服役过程中接触状态退化对温度分布的影响,从而解决了现有热仿真方法仅基于初始状态评估冷却效果而导致后期热点预测失效的问题。通过基于温度场分布识别热点敏感区域,并根据各服役阶段的持续时间、安全风险及经济寿命对各候选布局进行寿命加权评价以确定最优候选布局,使最优布局的确定不再仅取决于初始状态下的冷却效果,而是综合考虑了各阶段持续时长、安全风险及经济寿命影响,从而解决了现有技术将初始状态表现最佳但寿命后期热点覆盖失效的布局误选为最优方案的问题。通过基于最优候选布局及热点敏感区域对液冷板主流道、辅助流道及贴合加强区域进行多目标协同优化,使流道布局设计直接针对全寿命周期内各阶段出现的真实热点区域,从而解决了现有技术流道布局仅基于初始均匀贴合状态设计而导致服役中后期冷却能力不足的问题。

1.基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,包括:

2.根据权利要求1所述的基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,s1包括:

3.根据权利要求2所述的基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,s2包括:

4.根据权利要求3所述的基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,压力与接触热阻的标定关系以导热垫压缩量和接触压力值为自变量、以接触热阻为因变量;s3包括:

5.根据权利要求1所述的基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,所述深度学习模型的预测架构包括空间特征分支和时间特征分支;

6.根据权利要求5所述的基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,基于所述温度场分布识别热点敏感区域,包括:

7.根据权利要求1所述的基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,根据各服役阶段的持续时间、安全风险及经济寿命对各预设候选流道布局进行寿命加权评价,以确定最优候选布局,包括:

8.根据权利要求7所述的基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,

9.根据权利要求8所述的基于深度学习的锂电池储能系统热能管理优化方法,其特征在于,所述多目标协同优化包括:

10.基于深度学习的锂电池储能系统热能管理优化方法系统,其特征在于,包括: