卡特蓄电池采用延迟液冷与蜂窝封装复合相变材料冷却的混合电池热管理系统人工神经网络优化
来源：
卡特蓄电池 发布时间：2026-03-25 09:12:26 点击： 次
引言
锂离子电池是储能电站的核心储能元件，与铅酸电池和燃料电池相比，其具有能量密度更高、自放电率更低、环境友好性更优等特点[1]。然而电池在运行过程中会产生热量，若生成的热量无法被有效及时地散发，热量积聚将导致电池温度持续升高，进而降低其循环性能，甚至可能引发热失控[2]。过低的环境温度同样会影响电池热管理系统（BTMS）的运行效率与使用寿命。通常电池需稳定工作在10–40°C的温度区间内[3]。因此，开发具有高传热系数和低泵功消耗的BTMS，对于保障电力系统或储能装置在高度均温条件下的安全节能运行至关重要[4][5]。
一般而言，电池热管理系统（BTMS）可根据是否需要额外能耗分为主动冷却与被动冷却两类。主动冷却技术涵盖强制液体冷却[6][7]与强制风冷[8][9]。需注意的是，空气冷却因导热系数较低，往往需消耗更多能量以提高风速来实现高效散热[10]。相比之下，液体冷却具有更高的散热效率与均匀性，因此能更好满足高能量密度和高效冷却性能的要求[11]。与主动冷却不同，被动冷却依靠自然热交换实现散热，可降低泵送能耗。相变材料(PCM)冷却是典型的被动冷却方法，具有高效储热与温控等优势[12]。但纯PCM存在散热连续性不足、循环稳定性差等缺陷。为此，常将高导热材料与PCM复合以提升其传热性能，形成复合相变材料(CPCM)[13]。CPCM能显著提升材料导热系数并增强整体形状稳定性，可适应更复杂的应用场景[14]。Yang等[15]制备了多材料构成的CPCM并应用于电池热管理系统(BTMS)。其研究表明该CPCM具有优异的热稳定性，能将电池最高温度(）以及最大电池温差（Δmax温度分别低于50°C和4.6°C。此外，CPCM需进行封装以防止其在熔化后流出原始限定区域[16]。仿生蜂窝具有高比强度、高刚度、轻量化等优势，其结构能显著增加CPCM与电池外表面间的导热面积，从而提升导热性能。因此，将CPCM封装于仿生蜂窝金属骨架（HMS）内，既可解决CPCM泄漏问题，又能赋予电池组高效导热特性。尽管主动与被动冷却技术已广泛应用，但大量研究表明，在高放电倍率（C-rates）条件下，单一冷却方式往往难以同时满足温度均匀性优异与泵送能耗低的双重需求。Tmax) below 50°C and 4.6°C, respectively. Moreover, CPCM should be encapsulated to prevent them from flowing out of their original confined area after melting [16]. The bionic honeycomb possesses advantages such as high specific strength, high stiffness, lightweight, and its structure can significantly increase the thermal conductivity area between the CPCM and the battery outer surface, thereby enhancing the thermal conductivity. Therefore, encapsulating the CPCM in the bionic honeycomb metal skeleton (HMS) not only solves the CPCM leakage problem but also endows the battery pack with efficient thermal conductivity. Although active and passive cooling are widely used, many studies have shown that a single cooling method often fails to concurrently satisfy the dual requirements of superior temperature uniformity and low pump energy consumption under high discharge rate (C-rates).
多项研究结合液冷与相变材料（PCM）冷却方法，构建了高效低功耗的电池热管理系统（BTMS）[17]。例如，Ping等[18]提出了一种液冷与PCM协同冷却方案，实验数据证实该方案在3C倍率下能将最高温度（）和温差（Δmax）分别控制在47.6°C与4.5°C。Xie等[19]设计了一种蜂窝状BTMS，其创新性地将仿生流道冷却板与PCM相结合，在3C倍率下该系统可使最高温度（）与温差（Δmax通过神经网络优化的电池热管理系统（BTMS）温度分别稳定在39°C和3.5°C。Song等[20]提出了一种结合液体冷却与相变材料冷却的复合冷却方案，实验结果表明该方案能有效降低电池温升速率，并将6C放电倍率下的最高温度控制在约42°C。%%max and ΔTmax of their BTMS, optimized through a neural network, stabilized at 39°C and 3.5°C, respectively. Song et al. [20] introduced a conjugated cooling approach combining liquid and PCM cooling. Their experimental findings demonstrated that this approach can reduce the batteries temperature rise rate and limits Tmax to approximately 42°C at 6 C C-rate.
需要指出的是，对于这种结合液体与相变材料（PCM）冷却的混合式电池热管理系统（BTMS），通常情况下液体冷却剂会在整个BTMS循环周期内持续运行。然而，在这种持续液体冷却条件下，复合相变材料（CPCM）利用率较低，且BTMS的泵送能耗较高。因此，混合式BTMS面临的关键挑战在于：在确保电池温度处于安全高效运行适宜范围的前提下，如何提高CPCM利用率并降低液体冷却剂的输送功率。
基于此，液体延迟冷却策略（liquid delayed cooling strategy）的概念应运而生[21]。该策略仅在部分PCM达到相变温度以上时才会启动液体冷却。Yang等[22]设计了一种结合三重周期最小曲面、液体冷却与PCM冷却的混合BTMS，并根据电池温度提出了延迟冷却策略。其研究结果表明，在3C倍率下温度仅为36.7°C。Yang等人[23]提出了一种混合式BTMS，该系统包含Z型平行流道与CPCM，并采用延迟冷却策略。研究结果表明，与持续冷却策略相比，该方案在保持电池温度性能的同时，可使泵能耗降低85%，max在3C倍率下仍能维持在40°C附近。Qiu等人[24]提出了一种结合液体冷却与CPCM的延迟冷却方案。该方法通过延迟冷却有效解决了CPCM潜热耗竭与冷却能力不足的问题。实验数据表明，该系统能够显著降低）与温差（Δmax在4C倍率下分别降至36.2°C和2.41°C。Tmax and ΔTmax to 36.2°C and 2.41°C at 4 C C-rate, respectively.
机器学习赋能多目标优化，为电池热管理系统(BTMS)的结构精进与热性能提升提供了可靠方法[25][26]。例如，Fan等[27]提出将特斯拉阀式液冷与相变材料冷却相结合，并采用多目标优化方法确定了最终优化结构。其设计方案实现了33.12°C的最高温度及1.50°C的表面温度标准差。Wu等[28]通过响应面法采用中心复合设计，最终获得的优化结构能够维持max在4 C倍率下温度低于48.5°C。Tmax less than 48.5°C at 4 C C-rate.
基于上述分析，本文提出一种结合液体冷却与复合相变材料（CPCM）的新型混合电池热管理系统（BTMS），适用于18650型圆柱锂离子电池。该设计中，CPCM被封装于蜂窝状模块结构（HMS）内，HMS插入冷却板形成多性向曲折流道。研究建立了该BTMS的物理模型与计算模型，分析了Δmax、液相分数（LFmax）及泵功能耗（作为评估指标。随后分析了延迟冷却阈值温度、HMS结构尺寸、电池C倍率、冷却液流动方向及流速对电池温度特性、PCM熔融分布、冷却液传热流动特性以及BTMS泵能耗的影响。同时采用人工神经网络（ANN）进行多目标优化。), and pump energy consumption (P) are adopted as evaluation indices. The impacts of the delayed cooling threshold temperature, HMS structure dimension, battery C-rate, coolant flow direction, and velocity on the temperature characteristics of the batteries, PCM melting distribution, heat transfer and flow characteristics of the coolant, and pump energy consumption of the BTMS, are then analyzed. An artificial neural network (ANN) is also employed for multi-objective optimization.
