《Journal of Energy Storage》：A hybrid artificial intelligence and non-dominated sorting genetic algorithm-II approach to enhance the thermal management performance of a dual-cycle containerized battery energy storage system
编辑推荐：
本研究针对20英尺集装箱式电池储能系统（BESS）的热管理优化问题，提出了一种新型S形三维多通道冷板结构，结合Sparrow搜索算法优化的BP神经网络代理模型与NSGA-II多目标优化算法，实现了温度（T_max）、温差（ΔT）、压降（ΔP）和比能量密度（VED）的协同优化，并通过双充双放的实际运行工况验证，确保温度在安全范围内且压降降低13%，为集装箱化BESS的热管理设计提供了理论和技术参考。
马帅杰|王功建|秦雷|张后成|赵家培|袁金亮
宁波大学海洋与交通学院，中国宁波，315211
摘要
热管理对于电池储能系统（BESS）的安全性和效率至关重要。本研究探讨了20英尺集装箱电池热管理系统（BTMS）设计中冷却性能、结构复杂性、压力降和能量密度之间的权衡。提出了一种新型的S形3D多通道冷却板，通过双表面电池接触和对流换热来增强散热效果。构建了一个基于Sparrow搜索算法（SSA-BP）优化的BP神经网络代理模型，并与非支配排序遗传算法II（NSGA-II）结合，用于多目标优化最大温度（T_max）、温差（Δ_T）、压力降（Δ_P）和体积能量密度（VED），并采用熵加权VIKOR方法确定最优解。结果表明，最优设计（流量为7.16 L/min，通道宽度为5.78 mm，4个通道，中等表面接触）可将T_max和Δ_T分别降低3.451 K和3.383 K，Δ_P降低约13%，同时保持VED为209.098 Wh/L。集群级管道优化实现了高达97%的流量均匀性。基于浙江分时电价制定的“两次充电、两次放电”双循环日运行模式的验证显示，24小时峰值温度为301.630 K，最大Δ_T为2.687 K，均在安全运行范围内。本研究为集装箱式BESS的BTMS高效设计和工程应用提供了理论和技术指导。
引言
随着全球向可再生能源转型的加速，基于磷酸铁锂（LFP）的储能集装箱系统因其高VED、长循环寿命和优异的安全性能而被广泛应用于削峰、负荷均衡和微电网建设[1]、[2]。然而，在高倍率充放电条件下，大容量电池箱会产生大量热量。如果这些热量不能及时散去，电池温度可能会超过安全阈值，模块间可能出现显著的温度差异，加速容量衰减并可能引发热失控事件[3]。研究表明，LFP电池在BESS中的最佳工作温度范围为288.15 K–308.15 K[4]；电池温度每升高10 K，容量衰减率翻倍，循环寿命减半。此外，模块内的最大温差Δ_T应控制在5 K以内，因为过高的或不均匀的温度升高会显著缩短其循环寿命[5]、[6]、[7]。这种热敏感性在不同电池化学体系中普遍存在，例如铝空气电池中，随着环境温度的降低，温度升高和表面热流相应增加[8]。因此，开发高效、稳定且节能的BTMS对于确保BESS的安全有效运行至关重要[9]。
在各种热管理技术中，由于液体冷却具有较高的传热效率和紧凑的结构[13]、[14]，因此比空气冷却[10]、相变材料冷却[11]或热管冷却[12]更适合高功率储能应用。间接液体冷却避免了冷却剂与电池之间的直接接触，提高了系统安全性和工程可行性[15]、[16]。虽然直接浸没冷却在极端环境温度下表现出更优异的散热效果[17]，但在密封性和维护可靠性要求较高的集装箱式BESS中，间接冷却仍是主要选择。因此，大量研究集中在优化冷却板几何形状上，以平衡热性能和能耗。
近年来，大量研究集中在优化冷却板的几何结构上。例如，Fan等人[18]提出了一种带有椭圆形微槽和次级流通道的新型蛇形液体冷却板，在优化的结构和流动条件下，泵功率降低了92.6%，同时将最大电池温度控制在313.15 K以下。Gan等人[19]为1P52S电池箱开发了一种对称的双螺旋通道冷却板；在5 L/min的流量下，性能评估指标（PEC）比传统蛇形设计提高了21.2%，最大Δ_T降低了0.67–0.85 K。Qi等人[20]进一步引入了一种Multi-U-Style微通道冷却板，在多参数优化后，最大温度降低了5.83 K，压力降降低了89%。Wang等人[21]实验验证了一种湍流拓扑优化冷却板（TTCP），在7.5 L/min的入口流量下，Δ_P降低了50%，平均电池模块温度比传统蛇形冷却板（SCP）降低了1.9 K。Qian等人[22]指出，微通道冷却板提供了高效的散热效果，但显著增加了泵功率；加宽通道可将泵功率降低55%，但T_max降低不到1 K。Liu等人[23]报告称，在0.1 m/s的入口速度下，拓扑优化的TOPA和TOPB冷却板分别将电池温度均匀性提高了约46.7%和42.3%，同时将Δ_P降低了约70%，显示出更优的整体热管理性能。Zhao等人[24]提出了一种蜂窝通道冷却板（HLCP），在保持相对较低Δ_P的同时增强了散热效果。Li等人[25]优化了12系列LFP模块的冷却表面和流动配置，在2 C率充电条件下，最大电池温度仅为303.6 K，最大Δ_T为2.3 K，为液体冷却BESS设计提供了有效的参考。
尽管上述研究通过冷却板结构改进在一定程度上提高了热性能，但BTMS设计涉及多个参数和操作条件的复杂耦合。传统的基于CFD的单点仿真优化计算成本高且效率低，难以满足工程中的快速迭代需求。因此，将代理模型与多目标优化算法结合已成为重要的研究方向[26]、[27]、[28]、[29]。例如，Mansour等人[30]使用基于Sobol样本训练的深度神经网络与NSGA-II结合，优化设计变量，实现了温度均匀性、泵功率和响应时间的协同改进。类似地，Qi等人[31]将3D多物理场PEMFC模型与神经网络-NSGA-II优化框架结合，系统优化了几何和操作参数，实现了13.2–22.5%的功率密度提升和更好的水饱和度管理。Monika等人[32]利用基于Kriging的代理模型与NSGA-II结合，优化了六边形微通道冷却板，将最大温度控制在0.1 K以内，同时将Δ_P降低了62%，传热效率提高了64%。Jiang等人[33]应用了贝叶斯优化，而Feng等人[34]使用遗传算法对冷却板结构进行了多目标优化，均显著提高了热性能。Kalkan等人[35]使用响应面方法（RSM）结合复合满意度函数优化了微通道冷却板，最大温度降低了约1.7 K，最大Δ_T降低了1.36 K，同时显著降低了压力降。Liang等人的比较研究表明，人工神经网络（ANN）在热管理应用中的预测精度高于RSM。值得注意的是，Zhang等人[37]通过使用Sparrow搜索算法（SSA）动态优化初始权重，提高了BP神经网络的可靠性，这与Yue等人的[38]结论一致，即SSA具有更优的收敛精度和局部最优值避免能力。这些方法论进展为BTMS优化奠定了坚实的基础。
然而，大多数现有研究集中在两目标或三目标优化上，主要分析单个或少数电池模块。涵盖四目标优化（T_max、Δ_T、Δ_P和VED）并扩展到集群或系统级应用的研究仍然有限，特别是在集装箱式BESS的实际运行条件下的系统验证方面缺乏。
为应对上述挑战，本研究提出了一种结合人工智能和多目标优化的方法，用于双循环集装箱式BESS的热管理。主要贡献如下：
1)设计了一种新型的S形3D多通道冷却板，通过双表面电池接触和对流换热来增强散热效果，缓解大尺寸电池中的垂直温度梯度。
2)构建了一个基于BP神经网络的代理模型，该模型通过Sparrow搜索算法（SSA-BP）进行优化，以准确预测热性能和液压性能，与完整的CFD仿真相比显著降低了计算成本。
3)将代理模型与NSGA-II算法结合，对T_max、Δ_T、Δ_P和VED进行四目标优化。然后使用熵加权VIKOR方法从帕累托前沿中选择最优解，平衡竞争设计目标。
4)优化范围扩展到电池箱级别之外，包括集群级管道布局优化，实现了高流量均匀性和低系统压力降。
5)在基于分时电价的实际“两次充电、两次放电”日运行模式下验证了优化设计的有效性，证明了其在动态条件下保持安全温度的能力。
本文的结构如下：第2节介绍了BESS的物理模型，包括整体系统架构、集群级管道分布设计以及新型S形3D多通道冷却板的结构特征。第3节详细介绍了数学模型和优化方法，涵盖了CFD控制方程和数值设置、基于拉丁超立方采样的实验设计（LHS）、SSA-BP代理模型的构建以及NSGA-II多目标优化程序。第4节系统地展示了结果和讨论，包括代理模型精度验证、箱级和集群级优化结果的比较分析，以及在实际动态运行条件下的系统性能验证。第5节总结了研究。
部分摘录
整体架构
本研究以20英尺标准储能集装箱作为系统集成平台，外部尺寸为6058 mm × 2438 mm × 2896 mm，具有良好的模块化和便携性。所选电池模型为LFP71173207E-280 Ah，具有高VED和长循环寿命，广泛应用于大规模储能场景。其主要规格为：标称电压3.2 V，标称容量280 Ah，电池尺寸为71 mm × 173 mm × 207 mm。
电池箱
为防止电池箱内的热失控传播，在相邻电池之间放置了隔热垫，其尺寸和热性能在表2中列出。为了降低电池与冷却板之间的热阻，在接触表面涂覆了导热胶，其尺寸和性能也在表2中给出。其余表面假设与空气接触。模型的主要假设如下：
a.对于
基线箱级BTMS的性能
在基线设计方案（流道宽度3 mm，单一流道，中等表面接触配置）下，进行了电池箱的CFD仿真，以评估其在2 L/min入口流量下的热管理性能。结果显示，最大电池温度达到304.966 K，Δ_T为5.855 K，超过了5 K，表现出显著的局部过热。同时，BTMS的Δ_P为1179.668 Pa，表明
结论
本研究通过结合人工智能算法和多目标优化方法，系统优化并验证了大规模储能集装箱的液体冷却系统，主要研究结果总结如下：
(1)设计了一种新型的S形3D多通道冷却板结构，通过接触电池的两个表面并采用对流换热来增强散热效果。BP神经网络代理模型进行了优化
CRediT作者贡献声明
马帅杰：撰写——原始草稿，可视化，验证，方法论，调查，正式分析，数据整理，概念化。王功建：可视化，验证，软件。秦雷：可视化，验证，软件。张后成：资源，方法论。赵家培：撰写——审阅与编辑，监督，项目管理，资金获取，概念化。袁金亮：撰写——审阅与编辑，监督，资源。
利益冲突声明
作者声明没有已知的财务利益或个人关系可能影响本文报告的工作。
致谢
本工作得到了中国浙江省自然科学基金（编号LGG19E060003）、宁波绿色航运技术重点实验室以及宁波大学的K. C. Wong Magna基金的支持。
