一种融合人工智能与非支配排序遗传算法-II的双方法优化策略用于提升双循环集装箱式电池储能系统的热管理性能

热办理关于电池储能体系(BESS)的安全性与功率至关重要。本研讨针对20英尺集装箱电池热办理体系(BTMS)规划中冷却功能、结构复杂度、压降与能量密度之间的Trade权衡问题，提出了一种新式S型三维Multi多通道冷板，通过双面电池接触与逆流热交换完成强化散热。构建了一种由麻雀搜索算法（SSA-BP）优化的BP神经网络署理模型，并将其与非支配排序遗传算法-II（NSGA-II）耦合，以完成最高温度的Multi-Objective优化（温差（Δmax压降（Δ）与体积能量密度（VED），选用熵权VIKOR法确定最优解。结果标明，最优规划计划（流量7.16 L/min、流道宽度5.78 mm、4通道、中面接触）使Δ分别下降3.451 K与3.383 K，一起减小Δ温度为2.687K，均处于安全运转规模内。本研讨为集装箱式电池储能体系热办理体系的优化规划及工程应用供给了理论依据与技能指导。Tmax and ΔT by 3.451 K and 3.383 K, respectively, lowers ΔP by approximately 13%, and maintains a VED of 209.098 Wh/L. Cluster-level piping optimization achieves as high as 97% flow uniformity. Validation under a “two-charge, two-discharge” dual-cycle daily profile based on Zhejiang's time-of-use electricity pricing shows a 24-hour peak temperature of 301.630 K and a maximum ΔT of 2.687 K, both within the safe operating range. This study provides theoretical and technical guidance for the efficient design and engineering application of the BTMS of containerized BESS.

引言

随着全球能源结构向可再生能源加快转型，根据磷酸铁锂（LFP）的储能集装箱体系凭借其高体积能量密度、长循环寿命和优异的安全功能，已在调峰填谷、读档均衡及微电网建设等领域得到广泛应用[1][2]。然而在高倍率充放电工况下，大容量电池箱会发生很多热量。若未能及时散热，电芯温度或许超越安全阈值，且模组间形成明显温差，这将加快容量衰减并或许扳机热失控事件[3]。研讨标明，LFP电芯在电池储能体系中的最佳工作温度规模为288.15K至308.15K[4]；电池温度每升高10K，其容量衰减速率将翻倍，循环寿命则减半。此外，模组间最大Δ应控制在5 K以内，因为模块或组件内部温度过高或升温不均会明显下降其循环寿命[5][6][7]。这种热敏理性遍及存在于不同电化学体系的电池中，铝空气电池的研讨标明：当环境温度下降时，其温升速率与外表热通量会相应添加[8]。因而，开发高效、安稳且节能的电池热办理体系（BTMS）对确保电池储能体系（BESS）安全有用运转至关重要[9]。 should be controlled within 5 K, as excessive or uneven temperature rise within modules or components can significantly reduce their cycle life [5], [6], [7]. This thermal sensitivity is prevalent across different battery chemistries, as evidenced in aluminum-air batteries where the temperature rise and surface heat flux are correspondingly increased with decreasing ambient temperature [8]. Therefore, developing an efficient, stable, and energy-saving BTMS is crucial to ensuring the safe and effective operation of BESS [9].
在很多热办理技能中，液冷凭借其高热传递功率和紧凑结构[13][14]，比较风冷[10]、相变资料冷却[11]或热管冷却[12]，更适用于大功率储能场景。直接液冷技能通过防止冷却液与电芯直接接触，具有更高的体系安全性和工程可行性[15][16]。虽然直接浸没式冷却在极点环境温度下展现出杰出的散热功能[17]，但关于密封性和维护牢靠性要求严苛的集装箱式电池储能体系，直接冷却仍是干流挑选。因而，现有研讨很多集中于通过优化冷板几许结构来平衡热功能与能耗。
近年来，很多研讨聚焦于冷板几许结构的优化。例如，Fan等[18]提出了一种具有椭圆形微槽和二次流道的新式蛇形液冷板，在优化结构和流动条件下，泵功下降92.6%的一起将电池最高温度控制在313.15 K以下。Gan等[19]为1P52S电池箱开发了对称双螺旋通道冷板；在5 L/min流量下，其功能评价准则(PEC)较传统蛇形规划提高了21。2%，一起明显下降了最大ΔQi等人研讨标明，该计划可使温度下降0.67-0.85 K。此外，Qi等人[20]进一步提出一种Multi-U型微通道冷板，其功能优于传统蛇形和平行构型，经多参数优化后最高温度下降5.83 K，压降削减89%。Wang等人[21]通过实验验证了湍流拓扑优化冷板(TTCP)的功能，结果标明在进口流量为7.5 L/min时，Δ与传统蛇形冷板（SCP）比较，其削减了50%，电池模组的平均温度下降了1.9 K。Qian等[22]指出，微通道冷板能供给高效散热，但会明显添加泵功；拓展流道可使泵功下降55%，但降温幅度不足1 K。Liu等[23]研讨标明，在进口流速为0.1 m/s时，经拓扑优化的TOPA与TOPB冷板分别将电池温度均匀性提高约46.7%与42.3%，一起使Δ与传统SCP比较下降了约70%，展现出杰出的整体热办理功能。Zhao等人[24]提出了一种蜂窝通道冷板(HLCP)，在保持较低ΔP的一起明显提高了散热功率。Li等人[25]针对12串LFP模组优化了冷却外表和流道构型，在2C充电倍率下完成最高单体温度仅303.6K且最大ΔT为2.3K，为液冷式BESS规划供给了高效参阅计划。max decreases by less than 1 K. Liu et al. [23] reported that at an inlet velocity of 0.1 m/s, the topology-optimized TOPA and TOPB cold plates improved battery temperature uniformity by approximately 46.7% and 42.3%, respectively, while reducing ΔP by about 70% compared to conventional SCPs, demonstrating superior overall thermal management performance. Zhao et al. [24] proposed a honeycomb-channel cold plate (HLCP) that enhances heat dissipation while maintaining relatively low ΔP. Li et al. [25] optimized cooling surfaces and flow configurations for 12-series LFP modules, achieving a maximum cell temperature of only 303.6 K and maximum ΔT of 2.3 K under 2 C-rate charging, providing an efficient reference for liquid-cooled BESS design.
虽然上述研讨通过冷板结构改进在一定程度上提高了热功能，但电池热办理体系（BTMS）规划涉及多参数与工况的复杂耦合。传统根据核算流体力学（CFD）的单点模拟优化存在核算成本高、功率低下的缺陷，难以满意工程领域的快速迭代需求。因而，署理模型与多方针优化算法的结合已成为重要研讨方向[26][27][28][29]。例如，Mansour等学者[30]选用根据Sobol采样练习的深度神经网络结合NSGA-II算法优化规划变量，在温度均匀性、泵浦功率和呼应时间方面完成了协同提高。类似地，齐等人[31]将三维多物理场PEMFC模型与神经网络-NSGA-II优化结构相结合，体系优化几许与运转参数，完成13.2-22.5%的功率密度提高并改进水饱和度办理。Monika等[32]选用克里金署理模型与NSGA-II算法优化六边形微通道冷板，将最高温度控制在0.1K偏差规模内，一起使Δ下降约13%，并保持209.098 Wh/L的体积能量密度。集群级管道优化可完成高达97%的流量均匀性。根据浙江分时电价的"两充两放"双循环日工况验证标明，24小时峰值温度为301.630K，最大Δ温升下降62%，传热功率提高64%。Jiang等[33]选用贝叶斯优化办法，Feng等[34]运用遗传算法对冷板结构进行多方针优化，均明显改进了热功能。Kalkan等[35]通过呼应面法（RSM）结合复合期望函数优化微通道冷板，使最高温度下降约1.7 K，最大ΔT削减1.36 K。在明显下降压降的一起。Liang等[36]的比照研讨标明，在热办理应用中，人工神经网络(ANN)比呼应面法(RSM)具有更高的猜测精度。值得注意的是，Zhang等[37]通过选用麻雀搜索算法(SSA)动态优化初始权重，提高了BP神经网络的牢靠性，这与Yue等[38]关于SSA具有更优收敛精度和局部最优躲避能力的定论共同。这些办法论进展为电池热办理体系(BTMS)优化奠定了坚实基础。T while significantly decreasing pressure drop. Comparative studies by Liang et al. [36] demonstrated that artificial neural networks (ANN) achieve higher prediction accuracy than RSM for thermal management applications. Notably, Zhang et al. [37] enhanced BP neural network reliability by dynamically optimizing initial weights using the Sparrow Search Algorithm (SSA), aligning with Yue et al.'s [38] conclusion that SSA exhibits superior convergence accuracy and local optima avoidance. These methodological advances establish a robust foundation for BTMS optimization.
然而，现有研讨大多聚焦于双方针或三方针优化，且首要针对单个或少量电池模块进行分析。关于四方针优化（、Δmax、Δ及VED）扩展至集群或体系层级应用的研讨仍较为有限，特别缺少针对集装箱化电池储能体系在实践运转条件下的体系性验证。, ΔP, and VED) extended to cluster- or system-level applications remains limited, particularly lacking systematic validation under realistic operating conditions for containerized BESS.
为解决上述挑战，本研讨提出一种交融人工智能与多方针优化（Multi-Objective）的混合办法，用于双循环集装箱化电池储能体系（BESS）的热办理。首要创新点如下：

• 1)
  规划了一种新式S形三维多通道冷板，通过双外表电池接触与逆流热交换增强传热效能，有用抑制大尺度电池的笔直温度梯度。
• 2)
  构建了根据麻雀搜索算法（SSA-BP）优化的BP神经网络署理模型，可准确猜测热力学与水力学功能，相较全核算流体动力学（CFD）模拟明显下降核算成本。
• 3)
  署理模型与NSGA-II算法耦合，以完成T_max、Δ、Δ和VED四方针优化。随后选用熵权VIKOR办法从帕累托前沿选取最优解，以平衡相互竞争的规划方针。P, and VED. The entropy-weighted VIKOR method is then employed to select the optimal solution from the Pareto frontier, balancing competing design goals.
• 4)
  优化规模从电池箱层级扩展至集群层级管道布局优化，然后完成高流动均匀性与低体系压降（Drop）。
• 5)
  优化规划根据分时电价的"两充两放"实践运转工况进行验证，结果标明该计划在动态条件下仍能有用保持安全温度。