《Journal of Energy Storage》：A review of thermal management technologies for electric vehicles
编辑推荐：
电动汽车热管理系统（BEV-TMS）面临多源热耦合、能量分配不均及环境适应性不足等问题，独立子系统运行导致效率低下。研究显示智能集成方法（如神经网络预测与优化算法）可提升热管理效能，但实时优化与极端环境下的可靠性仍需突破。未来需探索ITMS深度整合与智能化升级，平衡能耗与性能。
白梦晨|刘乃江|刘佳鑫|李莉|张伟金|马丁·克雷谢尔
华北科技大学机械工程学院，唐山，063210，中国
摘要
由于电池电动汽车（BEVs）具有低排放和可持续性的特点，因此受到了广泛关注，但它们在动力、经济性和续航里程方面仍存在局限性。这些局限性可以通过先进的热管理系统（TMS）得到缓解。本文基于200多篇参考文献，从整体角度分析了BEV-TMS及其智能控制技术。研究发现，当前的热管理系统面临多源热耦合、能量分配和环境适应性等挑战。神经网络预测模型和优化算法等智能集成方法为解决这些问题提供了潜力。未来，BEV-TMS将朝着更加智能化和集成化的方向发展。本文可以为相关研究、设计和制造提供参考。
引言
随着人们对能源可持续性和环境污染问题的日益关注，全球向电池电动汽车（BEVs）的转型正在加速，但仍存在一些关键挑战，阻碍了其广泛应用[[1], [2], [3], [4], [5]]。其中，动力性能、能源经济性和行驶里程方面的局限性尤为突出。先进的热管理系统（BEV-TMS）为解决这些问题提供了有前景的方法。过去八年中，越来越多的研究人员开展了关于BEV-TMS的相关研究，如图1所示。总体而言，相关出版物的数量持续增长，表明研究人员对BEV-TMS的兴趣日益浓厚。其中，电池热管理系统（BTMS）和集成热管理系统（ITMS）受到了学术界的广泛关注，而车厢热管理系统（CTMS）和动力总成热管理系统（PTMS）则相对较少受到研究。尽管之前的研究已经解决了一些问题，但BEV-TMS的实施仍面临许多亟待解决的研究课题。主要问题可以归纳为以下几点：
首先，BTMS、CTMS和PTMS子系统通常独立运行，这种分离式设计不仅增加了系统复杂性和组件数量，还未能有效利用可逆的热损失，导致能耗增加和能源效率低下[[6], [7], [8]]。在这种情况下，ITMS作为一种关键方法，通过协调加热、冷却和能量回收子系统之间的协同作用，显著提高了整体热管理效率。然而，这类系统在极端寒冷或炎热气候下的环境适应性是一个主要限制，因为在这些条件下，加热/冷却效率与能耗之间存在固有的权衡。此外，电池、电机、电力电子设备和乘客舱之间的多源热耦合引入了动态和非线性的热相互作用，而传统控制策略对此处理不足。在可变驾驶条件和极端环境温度下，无法动态重新分配热流会导致能源利用效率低下。
此外，现有的热管理系统往往缺乏实时响应操作和环境变化所需的预测能力和适应性。虽然人工智能（AI）和机器学习（ML）技术的集成在智能热控制方面具有潜力，但它们从辅助工具向核心系统级优化器的转变尚未完成。主要瓶颈包括多参数耦合模型的准确性有限、实时优化的计算需求高以及在广泛变化条件下的鲁棒性不足。
鉴于上述挑战，本文旨在深入研究BEV-TMS领域的最新进展。以往的综述仅关注BTMS、CTMS、PTMS或ITMS中的某个特定系统。本文采用整体视角，系统地讨论了所有关键子系统及其当前的发展状况。我们希望通过这种方法为读者提供更全面和深入的理解，帮助他们准确把握BEV-TMS的整体发展趋势和现有不足，并展望下一代车辆热管理架构的未来发展方向。
部分摘录
BTMS
本节首先介绍了各种冷却技术，概述了主动冷却、被动冷却和混合冷却策略的最新进展。随后，对AI在BTMS中的应用进行了全面回顾。
物理层面的空调系统
作为提高BEVs能源效率和环境适应性的关键手段，CTMS面临着平衡乘客舒适度需求与系统能耗的挑战。研究表明，BEVs中的供暖、通风和空调（HVAC）系统可能占车辆总能耗的50%以上。这一高比例的能耗凸显了优化热管理的紧迫性[[127], [128], [129]]。
PTMS
本节从热模型、冷却方法和智能控制三个方面分析了PTMS的研究进展。
ITMS
第五节将从设计方法、最新发展和控制方法三个角度介绍ITMS。
TMS技术总结
为了详细比较各种TMS技术在效率、成本和复杂性方面的差异，我们在表4中总结了上述TMS技术。
局限性与未来工作
在BEV-TMS研究中取得了显著进展，但仍存在一些关键挑战和研究空白。通过全面回顾，我们确定了以下主要局限性，并提出了相应的未来研究方向以填补这些空白。
首先，在子系统层面（BTMS、CTMS、PTMS）的优化方面已经做出了很大努力，但真正实现的多领域热管理尚未得到充分探索。
结论
本文回顾了BEV-TMS领域的最新进展，涵盖了BTMS、CTMS、PTMS和ITMS等核心组件。在智能技术和ITMS方面取得了显著进展。在BTMS中，基于神经网络的温度预测模型和多目标优化算法显著提高了温度控制精度和系统设计效率。混合冷却策略（主动和被动）在热安全和能源效率方面表现出色。
CRediT作者贡献声明
白梦晨：撰写 – 审稿与编辑、撰写 – 原稿、可视化、软件开发、项目管理、方法论、调查、形式分析、概念化。刘乃江：撰写 – 审稿与编辑、监督、方法论、形式分析、概念化。刘佳鑫：撰写 – 审稿与编辑、监督、数据整理、概念化。李莉：可视化、监督、方法论、概念化。张伟金：监督、调查、概念化。
利益冲突声明
作者声明没有已知的财务利益冲突或个人关系可能影响本文的研究结果。
致谢
本研究得到了河北省自然科学基金（编号：52175063）、河北省科技计划（编号：22282203Z）、河北省自然科学基金（编号：E2024203065）、河北省自然科学基金（编号：E2022209082）、华北科技大学基础科研计划（编号：JQN2022003）以及国家自然科学基金博士启动项目（编号：28406999）的资助。
