Improving the Air-Cooling Performance for Battery Packs via Electrothermal Modeling and Particle Swarm Optimization
Notice bibliographique
Résumé
A novel design optimization method is proposed to optimize the air passageway for an air-cooled battery pack with a 3P4S configuration (three strings in parallel and four cells in each string). This method includes the electrothermal model for the air-cooled pack and the optimization algorithm. Unlike other thermal models for battery packs, the model established in this article considers the interaction between the state of charge (SOC), current, heat generation, and temperature at the cell level and the impact of uneven cooling on the current distribution in the parallel branches at the pack level. Experiments are conducted to verify the prediction accuracy of the electrothermal model. The results show that the proposed model can accurately predict the electrical and thermal parameters under different conditions. For example, the root-mean-square error (RMSE) of temperature is less than 0.5 °C under all test conditions. As for the optimization algorithm, the particle swarm optimization (PSO) algorithm is used. In order to increase the optimization searching speed and accuracy of PSO, the inertia factor is added to the velocity formula, and the spatial neighborhood method is used. The design optimization method is used to optimize the air passageway of an air-cooling pack. It is found that the optimized pack not only has a lower maximum cell temperature and a smaller temperature variation among cells than the original pack but also has a smaller difference of branch current and a longer lifespan.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».