CN118801007B - 一种用于电力储能系统的散热功率智能控制方法 - Google Patents

Abstract

本发明公开了一种用于电力储能系统的散热功率智能控制方法，涉及电力储能控制技术领域，实现了对电力储能系统散热管理控制，使用机器学习模型预测未来的工作负载状态，从而通过动态热模型对设备温度分布进行预测，获取趋势温度指数Tzs，确保了散热调控的精准性和高效性，能够在温度变化时及时调整设备散热调控评估策略方案，此外，散热调控的二次评估机制，通过对散热策略执行结果的分析和优化，进一步提高了系统的散热效率和设备运行的稳定性，弥补了传统系统中对散热管理的精准性不足以及实时响应能力有限的缺陷，使得电力储能系统在应对突发事件时具备更高的适应性和稳定性，使散热过程更加个性化和精准。

Description

一种用于电力储能系统的散热功率智能控制方法

技术领域

本发明涉及电力储能控制技术领域，具体为一种用于电力储能系统的散热功率智能控制方法。

背景技术

中国专利公开号：CN202410398590.1，新能源储能系统的控制系统及方法，系统包括能量调度模块、动态节流模块、能源需求预测控制模块、影响分析模块、能耗预测模块、散热优化模块、系统监测模块。本发明中，通过采用非支配排序遗传算法II进行多目标优化，新能源储能系统的能量调度模块能够在能量效率、成本最小化与系统稳定性之间捕捉到一个更优的平衡点。特别适应于电力市场和可再生能源供应的不确定性，从而显著提高系统的适应性和经济效益。动态节流模块采用自回归移动平均模型预测即时能源需求变化，并设计动态节流控制策略，使得系统能够更灵敏高效地响应能源需求波动和优化能源流动。提高了系统对突发事件的响应能力。

由此可知，虽然能够在储能系统的能量调度模块能够在能量效率、成本最小化与系统稳定性之间捕捉到一个更优的平衡点，但是在处理储能系统设备对能源进行转化和使用时实时温度和使用率数据方面存在不足之处，对于散热的实时调整，缺乏专门的机制来确保温度数据的精准采集和实时响应，进而导致在快速响应能源需求波动的过程中，散热管理可能无法精准适应系统温度的变化，导致散热不充分或过度的问题，严重可能导致设备故障和发生火灾相关突发情况的出现。

发明内容

针对现有技术的不足，本发明提供了一种用于电力储能系统的散热功率智能控制方法，解决了背景技术中提到的问题。

为实现以上目的，本发明通过以下技术方案予以实现：一种用于电力储能系统的散热功率智能控制方法，包括以下步骤：

步骤一：通过温度传感器实时采集电力储能系统中多个设备运行区域的温度数据和设备使用率U_i(t)，同步采集外部环境温度数据，组成温度特征向量TFV；

步骤二：将温度历史数据T_hist与温度特征向量TFV进行结合，使用机器学习模型进行预测未来固定周期内的工作负载状态，获取预测负荷功率P(t)；

步骤三：通过预测负荷功率P(t)进行建立动态热模型，进行预测未来固定周期内的设备温度分布，获取电力储能系统设备的趋势温度指数Tzs；

步骤四：通过趋势温度指数Tzs与预设的设备散热调整阈值S进行匹配，获取设备散热调控评估策略方案，根据设备散热调控评估策略方案内容进行具体执行设备散热的调控；

步骤五：对设备散热调控评估策略方案执行结果进行采集，通过统计和分析温度变化趋势，进行散热二次评估，获取设备散热调控二次评估策略方案，并根据设备散热调控二次评估策略方案内容对设备散热的调控进行二次调节。

优选的，所述步骤一中通过在电力储能系统的不同设备区域布置温度传感器，实时采集各个部件的温度数据和设备使用率U_i(t)，同时安装环境温度传感器采集外部环境的温度，采集的数据包括电池组、逆变器和散热器部件的温度数据，再进行数据标记与时间同步，组成温度特征向量TFV，同步根据采集的数据携带的唯一性设备标记信息进行分类存储为温度历史数据，并实时更新储能设备的温度历史数据；

其中，设备使用率U_i(t)通过以下计算公式获取：

式中，U_i(t)表示设备使用率，具体表示第i个设备在时间t的使用率，Wi(t)表示第i个设备在时间t的实际功率消耗，具体反映了设备i在时间t的工作负荷状态，W_max，i表示第i个设备的额定功率，i表示设备编号索引，具体用于表示储能系统设备中的不同设备；

数据标记与时间同步具体为每个采集到的温度数据加上设备标签和时间戳，使得不同设备的温度数据区分并与时间轴同步，标记后的温度数据表示为：T_i,t和T_enu,t，T_i,t表示第i个储能系统设备在时间t的温度值，T_enu,t表示外部环境在时间t的温度值；

其中，温度特征向量TFV具体为TFV＝{TFV₁，TFV₂，...，TFV_t}若干个采集时间的温度特征向量TFV_t，TFV_t具体为＝{T_i,t，T_enu,t，U_i(t)}。

优选的，所述步骤二中，将温度历史数据T_hist与温度特征向量TFV进行结合，组成特征矩阵X(t)，具体为X＝{T_hist，TFV}，温度历史数据T_hist通过截取固定周期内的温度历史数据，使用机器学习模型进行预测未来固定周期内的工作负载状态，获取预测负荷功率P(t)。

优选的，其中，预测负荷功率P(t)通过以下计算公式获取：

式中，c_o表示常数项，n表示固定周期内温度采集时间点次数，k表示固定周期内第k次温度采集时间点，表示历史温度的和，具体表示n个采集时间内累积的温度影响，表示历史温度和的平方项，具体表示历史温度的非线性累积效应，表示外部环境温度值与历史温度和的乘积项，具体用于表示外部环境温度值与历史温度之间的影响，表示设备使用率与历史温度累积和的乘积，具体用于反映设备使用率和历史温度之间的影响，c₄*T_unu ²表示外部环境温度的平方项，具体用于表示外部环境温度的非线性效应，c₅*U_i(t)²表示设备使用率的平方项，具体用于反映设备使用率的非线性效应，c₁、c₂、c₃、c₄和c₅表示预设权重值。

优选的，根据预测负荷功率P(t)进行建立动态热模型，将设备的热容量信息和预设的时间步长Δt输入动态热模型，训练分析后获取设备预测温度T_pred(t)，进行预测未来固定周期内的设备温度分布，以及反映设备在不同负荷条件下的温度变化；

其中设备的热容量信息具体表示设备的物理特性参数以及用来描述设备吸收热量的能力，通过设备规格提取和实验测定；

同步通过设备预测温度T_pred(t)与计算N个时间步长的平均温度T_avg进行拟合，获取电力储能系统设备的趋势温度指数Tzs。

优选的，其中，设备预测温度T_pred(t)通过以下计算公式获取：

式中，T_pred(t)表示预测温度，具体表示时间t的设备预测温度值，T(t-1)表示时间t-1的设备时间温度值，C表示设备热容量，具体表示设备吸收热量的能力，Δt表示时间步长，具体表示温度变化计算的时间间隔。

优选的，其中，趋势温度指数Tzs通过以下计算公式获取：

式中，Tzs表示趋势温度指数，具体表示预测的固定周期内设备温度的变化趋势，N表示预测固定周期内的时间步长数量，T_pred(t)表示预测温度，具体表示时间t的设备预测温度值，T_avg表示预测固定周期内的时间步长数量N的平均温度值。

优选的，其中，设备散热调控评估策略方案通过以下匹配方式获取：

趋势温度指数Tzs＜设备散热调整阈值S，获取设备散热状态合格评估结果，保持当前散热功率和散热策略；

趋势温度指数Tzs≥设备散热调整阈值S，获取设备散热状态不合格评估结果，调整当前散热功率和散热策略，包括启动额外的冷却设备的运行和调整散热设备的运行功率。

优选的，其中，通过统计和分析温度变化趋势获取温度变化率ΔT(t)，再通过统计温度变化率ΔT(t)获取温度变化趋势指数T_trend，再与预设的散热调控后评估阈值HP进行散热二次评估匹配，获取设备散热调控二次评估策略方案；

所述温度变化率ΔT(t)通过以下计算公式获取：

ΔT(t)＝T_exec(t)-T_exec(t-1)；

式中，T_exec(t)表示执行设备散热调控评估策略方案后时间t的设备温度值，T_exec(t-1)表示执行设备散热调控评估策略方案后时间t-1的设备温度值；

所述温度变化趋势指数T_trend通过以下计算公式获取：

式中，M表示执行设备散热调控评估策略方案后的评估周期内时间步长数量。

优选的，所述设备散热调控二次评估策略方案通过以下匹配方式获取：

温度变化趋势指数T_trend＜散热调控后评估阈值HP，获取设备散热调控后二次评估合格结果，不执行二次调控策略方案；

温度变化趋势指数T_trend≥散热调控后评估阈值HP，获取设备散热调控后二次评估不合格结果，执行二次调控策略方案，包括二次调整当前散热功率和散热策略。

本发明提供了一种用于电力储能系统的散热功率智能控制方法，具备以下有益效果：

(1)通过步骤一至步骤五，实现了对电力储能系统散热管理控制，使用机器学习模型预测未来的工作负载状态，从而通过动态热模型对设备温度分布进行预测，获取趋势温度指数Tzs，确保了散热调控的精准性和高效性，能够在温度变化时及时调整设备散热调控评估策略方案，此外，散热调控的二次评估机制，通过对散热策略执行结果的分析和优化，进一步提高了系统的散热效率和设备运行的稳定性，弥补了传统系统中对散热管理的精准性不足以及实时响应能力有限的缺陷，使得电力储能系统在应对突发事件时具备更高的适应性和稳定性，同时，针对设备级的细粒度控制，使散热过程更加个性化和精准，确保每个设备都能在最佳温度范围内运行。

(2)通过实时采集各设备的温度和使用率，结合外部环境温度信息，构成了全面的温度特征向量TFV，将数据进行标记与时间同步，使不同设备的数据清晰区分，并通过机器学习模型预测未来的工作负载状态，获得预测负荷功率P(t)，其中特征矩阵X(t)将历史温度数据与当前特征向量TFV结合，有助于更准确地进行负荷预测，通过考虑设备使用率、环境温度及其非线性效应，该方法不仅提高了对设备运行状态的理解和预测能力，还能优化设备的功耗与散热策略，提高整体系统的能效和稳定性。

(3)利用设备的热容量信息和预设时间步长进行模拟，系统能够精准地预测设备在不同负荷条件下的温度变化，并计算设备的预测温度T_pred(t)，通过与时间步长的平均温度T_avg进行拟合，获得趋势温度指数Tzs，以反映设备的温度变化趋势，进行评估设备的散热状态，并决定是否需要调整设备散热调控评估策略方案，能够动态响应设备的热状况变化，确保设备在最佳温度条件下运行，从而提升能效、延长设备寿命，并避免因过热导致的性能下降或故障。

(4)通过统计和分析温度变化趋势，计算出温度变化率ΔT(t)，并进一步获得温度变化趋势指数T_trend，然后与预设的散热调控后评估阈值HP进行匹配，以获取设备散热调控的二次评估策略方案，当温度变化趋势指数低于阈值时，表示散热调控效果良好，无需执行额外的调控策略；而当指数高于阈值时，系统会执行二次调控策略，包括调整散热功率和策略，以确保设备在最佳温度范围内运行，提高了散热效率，还显著降低了设备过热的风险，确保系统在各种负荷条件下都能稳定运行。此外，减少不必要的调控操作有助于延长设备寿命和减少能源消耗，提升了系统的经济性和环保性。

附图说明

图1为本发明一种用于电力储能系统的散热功率智能控制方法步骤示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整的描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

本发明提供一种用于电力储能系统的散热功率智能控制方法，请参阅图1，包括以下步骤：

步骤一：通过温度传感器实时采集电力储能系统中多个设备运行区域的温度数据和设备使用率U_i(t)，同步采集外部环境温度数据，组成温度特征向量TFV；

步骤二：将温度历史数据T_hist与温度特征向量TFV进行结合，使用机器学习模型进行预测未来固定周期内的工作负载状态，获取预测负荷功率P(t)；

步骤三：通过预测负荷功率P(t)进行建立动态热模型，进行预测未来固定周期内的设备温度分布，获取电力储能系统设备的趋势温度指数Tzs；

步骤四：通过趋势温度指数Tzs与预设的设备散热调整阈值S进行匹配，获取设备散热调控评估策略方案，根据设备散热调控评估策略方案内容进行具体执行设备散热的调控；

步骤五：对设备散热调控评估策略方案执行结果进行采集，通过统计和分析温度变化趋势，进行散热二次评估，获取设备散热调控二次评估策略方案，并根据设备散热调控二次评估策略方案内容对设备散热的调控进行二次调节。

本实施例中，通过步骤一至步骤五，实现了对电力储能系统散热管理控制，使用机器学习模型预测未来的工作负载状态，从而通过动态热模型对设备温度分布进行预测，获取趋势温度指数Tzs，确保了散热调控的精准性和高效性，能够在温度变化时及时调整设备散热调控评估策略方案，此外，散热调控的二次评估机制，通过对散热策略执行结果的分析和优化，进一步提高了系统的散热效率和设备运行的稳定性，弥补了传统系统中对散热管理的精准性不足以及实时响应能力有限的缺陷，使得电力储能系统在应对突发事件时具备更高的适应性和稳定性，同时，针对设备级的细粒度控制，使散热过程更加个性化和精准，确保每个设备都能在最佳温度范围内运行。

实施例2

本实施例是在实施例1中进行的解释说明，请参照图1，具体的：所述步骤一中通过在电力储能系统的不同设备区域布置温度传感器，实时采集各个部件的温度数据和设备使用率U_i(t)，同时安装环境温度传感器采集外部环境的温度，采集的数据包括电池组、逆变器和散热器部件的温度数据，再进行数据标记与时间同步，组成温度特征向量TFV，同步根据采集的数据携带的唯一性设备标记信息进行分类存储为温度历史数据，并实时更新储能设备的温度历史数据；

其中，设备使用率U_i(t)通过以下计算公式获取：

式中，U_i(t)表示设备使用率，具体表示第i个设备在时间t的使用率，Wi(t)表示第i个设备在时间t的实际功率消耗，具体反映了设备i在时间t的工作负荷状态，W_max，i表示第i个设备的额定功率，i表示设备编号索引，具体用于表示储能系统设备中的不同设备；

数据标记与时间同步具体为每个采集到的温度数据加上设备标签和时间戳，使得不同设备的温度数据区分并与时间轴同步，标记后的温度数据表示为：T_i,t和T_enu,t，T_i,t表示第i个储能系统设备在时间t的温度值，T_enu,t表示外部环境在时间t的温度值；

其中，温度特征向量TFV具体为TFV＝{TFV₁，TFV₂，...，TFV_t}若干个采集时间的温度特征向量TFV_t，TFV_t具体为＝{T_i,t，T_enu,t，U_i(t)}采。

所述步骤二中，将温度历史数据T_hist与温度特征向量TFV进行结合，组成特征矩阵X(t)，具体为X＝{T_hist，TFV}，温度历史数据T_hist通过截取固定周期内的温度历史数据，使用机器学习模型进行预测未来固定周期内的工作负载状态，获取预测负荷功率P(t)。

其中，预测负荷功率P(t)通过以下计算公式获取：

式中，c_o表示常数项，n表示固定周期内温度采集时间点次数，k表示固定周期内第k次温度采集时间点，表示历史温度的和，具体表示n个采集时间内累积的温度影响，表示历史温度和的平方项，具体表示历史温度的非线性累积效应，表示外部环境温度值与历史温度和的乘积项，具体用于表示外部环境温度值与历史温度之间的影响，表示设备使用率与历史温度累积和的乘积，具体用于反映设备使用率和历史温度之间的影响，c₄*T_unu ²表示外部环境温度的平方项，具体用于表示外部环境温度的非线性效应，c₅*U_i(t)²表示设备使用率的平方项，具体用于反映设备使用率的非线性效应，c₁、c₂、c₃、c₄和c₅表示预设权重值。

本实施例中，通过实时采集各设备的温度和使用率，结合外部环境温度信息，构成了全面的温度特征向量TFV，将数据进行标记与时间同步，使不同设备的数据清晰区分，并通过机器学习模型预测未来的工作负载状态，获得预测负荷功率P(t)，其中特征矩阵X(t)将历史温度数据与当前特征向量TFV结合，有助于更准确地进行负荷预测，通过考虑设备使用率、环境温度及其非线性效应，该方法不仅提高了对设备运行状态的理解和预测能力，还能优化设备的功耗与散热策略，提高整体系统的能效和稳定性。

实施例3

本实施例是在实施例2中进行的解释说明，请参照图1，具体的：根据预测负荷功率P(t)进行建立动态热模型，将设备的热容量信息和预设的时间步长Δt输入动态热模型，训练分析后获取设备预测温度T_pred(t)，进行预测未来固定周期内的设备温度分布，以及反映设备在不同负荷条件下的温度变化；

其中设备的热容量信息具体表示设备的物理特性参数以及用来描述设备吸收热量的能力，通过设备规格提取和实验测定；

同步通过设备预测温度T_pred(t)与计算N个时间步长的平均温度T_avg进行拟合，获取电力储能系统设备的趋势温度指数Tzs。

其中，设备预测温度T_pred(t)通过以下计算公式获取：

式中，T_pred(t)表示预测温度，具体表示时间t的设备预测温度值，T(t-1)表示时间t-1的设备时间温度值，C表示设备热容量，具体表示设备吸收热量的能力，Δt表示时间步长，具体表示温度变化计算的时间间隔。

其中，趋势温度指数Tzs通过以下计算公式获取：

式中，Tzs表示趋势温度指数，具体表示预测的固定周期内设备温度的变化趋势，N表示预测固定周期内的时间步长数量，T_pred(t)表示预测温度，具体表示时间t的设备预测温度值，T_avg表示预测固定周期内的时间步长数量N的平均温度值。

其中，设备散热调控评估策略方案通过以下匹配方式获取：

趋势温度指数Tzs＜设备散热调整阈值S，获取设备散热状态合格评估结果，保持当前散热功率和散热策略；

趋势温度指数Tzs≥设备散热调整阈值S，获取设备散热状态不合格评估结果，调整当前散热功率和散热策略，包括启动额外的冷却设备的运行和调整散热设备的运行功率。

本实施例中，利用设备的热容量信息和预设时间步长进行模拟，系统能够精准地预测设备在不同负荷条件下的温度变化，并计算设备的预测温度T_pred(t)，通过与时间步长的平均温度T_avg进行拟合，获得趋势温度指数Tzs，以反映设备的温度变化趋势，进行评估设备的散热状态，并决定是否需要调整设备散热调控评估策略方案，能够动态响应设备的热状况变化，确保设备在最佳温度条件下运行，从而提升能效、延长设备寿命，并避免因过热导致的性能下降或故障。

实施例4

本实施例是在实施例3中进行的解释说明，请参照图1，具体的：其中，通过统计和分析温度变化趋势获取温度变化率ΔT(t)，再通过统计温度变化率ΔT(t)获取温度变化趋势指数T_trend，再与预设的散热调控后评估阈值HP进行散热二次评估匹配，获取设备散热调控二次评估策略方案；

所述温度变化率ΔT(t)通过以下计算公式获取：

ΔT(t)＝T_exec(t)-T_exec(t-1)；

式中，T_exec(t)表示执行设备散热调控评估策略方案后时间t的设备温度值，T_exec(t-1)表示执行设备散热调控评估策略方案后时间t-1的设备温度值；

所述温度变化趋势指数T_trend通过以下计算公式获取：

式中，M表示执行设备散热调控评估策略方案后的评估周期内时间步长数量。

所述设备散热调控二次评估策略方案通过以下匹配方式获取：

温度变化趋势指数T_trend＜散热调控后评估阈值HP，获取设备散热调控后二次评估合格结果，不执行二次调控策略方案；

温度变化趋势指数T_trend≥散热调控后评估阈值HP，获取设备散热调控后二次评估不合格结果，执行二次调控策略方案，包括二次调整当前散热功率和散热策略。

本实施例中，通过统计和分析温度变化趋势，计算出温度变化率ΔT(t)，并进一步获得温度变化趋势指数T_trend，然后与预设的散热调控后评估阈值HP进行匹配，以获取设备散热调控的二次评估策略方案，当温度变化趋势指数低于阈值时，表示散热调控效果良好，无需执行额外的调控策略；而当指数高于阈值时，系统会执行二次调控策略，包括调整散热功率和策略，以确保设备在最佳温度范围内运行，提高了散热效率，还显著降低了设备过热的风险，确保系统在各种负荷条件下都能稳定运行。此外，减少不必要的调控操作有助于延长设备寿命和减少能源消耗，提升了系统的经济性和环保性。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变形，本发明的范围由所附权利要求及其等同物限定。

Claims (7)

1.一种用于电力储能系统的散热功率智能控制方法，其特征在于：包括以下步骤：

步骤一：通过温度传感器实时采集电力储能系统中多个设备运行区域的温度数据和设备使用率U_i(t)，同步采集外部环境温度数据，组成温度特征向量TFV；

所述步骤一中通过在电力储能系统的不同设备区域布置温度传感器，实时采集各个部件的温度数据和设备使用率U_i(t)，同时安装环境温度传感器采集外部环境的温度，采集的数据包括电池组、逆变器和散热器部件的温度数据，再进行数据标记与时间同步，组成温度特征向量TFV，同步根据采集的数据携带的唯一性设备标记信息进行分类存储为温度历史数据，并实时更新储能设备的温度历史数据；

其中，设备使用率U_i(t)通过以下计算公式获取：

式中，U_i(t)表示设备使用率，具体表示第i个设备在时间t的使用率，Wi(t)表示第i个设备在时间t的实际功率消耗，具体反映了设备i在时间t的工作负荷状态，W_max，i表示第i个设备的额定功率，i表示设备编号索引，具体用于表示储能系统设备中的不同设备；

数据标记与时间同步具体为每个采集到的温度数据加上设备标签和时间戳，使得不同设备的温度数据区分并与时间轴同步，标记后的温度数据表示为：T_i,t和T_enu,t，T_i,t表示第i个储能系统设备在时间t的温度值，T_enu,t表示外部环境在时间t的温度值；

其中，温度特征向量TFV具体为TFV＝{TFV₁，TFV₂，...，TFV_t}若干个采集时间的温度特征向量TFV_t，TFV_t具体为＝{T_i,t，T_enu,t，U_i(t)}；

步骤二：将温度历史数据T_hist与温度特征向量TFV进行结合，使用机器学习模型进行预测未来固定周期内的工作负载状态，获取预测负荷功率P(t)；

所述步骤二中，将温度历史数据T_hist与温度特征向量TFV进行结合，组成特征矩阵X(t)，具体为X＝{T_hist，TFV}，温度历史数据T_hist通过截取固定周期内的温度历史数据，使用机器学习模型进行预测未来固定周期内的工作负载状态，获取预测负荷功率P(t)；

其中，预测负荷功率P(t)通过以下计算公式获取：

式中，c_o表示常数项，n表示固定周期内温度采集时间点次数，k表示固定周期内第k次温度采集时间点，表示历史温度的和，具体表示n个采集时间内累积的温度影响，表示历史温度和的平方项，具体表示历史温度的非线性累积效应，表示外部环境温度值与历史温度和的乘积项，具体用于表示外部环境温度值与历史温度之间的影响，表示设备使用率与历史温度累积和的乘积，具体用于反映设备使用率和历史温度之间的影响，c₄*T_unu ²表示外部环境温度的平方项，具体用于表示外部环境温度的非线性效应，c₅*U_i(t)²表示设备使用率的平方项，具体用于反映设备使用率的非线性效应，c₁、c₂、c₃、c₄和c₅表示预设权重值；

步骤三：通过预测负荷功率P(t)进行建立动态热模型，进行预测未来固定周期内的设备温度分布，获取电力储能系统设备的趋势温度指数Tzs；

步骤四：通过趋势温度指数Tzs与预设的设备散热调整阈值S进行匹配，获取设备散热调控评估策略方案，根据设备散热调控评估策略方案内容进行具体执行设备散热的调控；

步骤五：对设备散热调控评估策略方案执行结果进行采集，通过统计和分析温度变化趋势，进行散热二次评估，获取设备散热调控二次评估策略方案，并根据设备散热调控二次评估策略方案内容对设备散热的调控进行二次调节。

2.根据权利要求1所述的一种用于电力储能系统的散热功率智能控制方法，其特征在于：根据预测负荷功率P(t)进行建立动态热模型，将设备的热容量信息和预设的时间步长Δt输入动态热模型，训练分析后获取设备预测温度T_pred(t)，进行预测未来固定周期内的设备温度分布，以及反映设备在不同负荷条件下的温度变化；

其中设备的热容量信息具体表示设备的物理特性参数以及用来描述设备吸收热量的能力，通过设备规格提取和实验测定；

同步通过设备预测温度T_pred(t)与计算N个时间步长的平均温度T_avg进行拟合，获取电力储能系统设备的趋势温度指数Tzs。

3.根据权利要求2所述的一种用于电力储能系统的散热功率智能控制方法，其特征在于：其中，设备预测温度T_pred(t)通过以下计算公式获取：

式中，T_pred(t)表示预测温度，具体表示时间t的设备预测温度值，T(t-1)表示时间t-1的设备时间温度值，C表示设备热容量，具体表示设备吸收热量的能力，Δt表示时间步长，具体表示温度变化计算的时间间隔。

4.根据权利要求3所述的一种用于电力储能系统的散热功率智能控制方法，其特征在于：其中，趋势温度指数Tzs通过以下计算公式获取：

式中，Tzs表示趋势温度指数，具体表示预测的固定周期内设备温度的变化趋势，N表示预测固定周期内的时间步长数量，T_pred(t)表示预测温度，具体表示时间t的设备预测温度值，T_avg表示预测固定周期内的时间步长数量N的平均温度值。

5.根据权利要求1所述的一种用于电力储能系统的散热功率智能控制方法，其特征在于：其中，设备散热调控评估策略方案通过以下匹配方式获取：

趋势温度指数Tzs＜设备散热调整阈值S，获取设备散热状态合格评估结果，保持当前散热功率和散热策略；

趋势温度指数Tzs≥设备散热调整阈值S，获取设备散热状态不合格评估结果，调整当前散热功率和散热策略，包括启动额外的冷却设备的运行和调整散热设备的运行功率。

6.根据权利要求5所述的一种用于电力储能系统的散热功率智能控制方法，其特征在于：其中，通过统计和分析温度变化趋势获取温度变化率ΔT(t)，再通过统计温度变化率ΔT(t)获取温度变化趋势指数T_trend，再与预设的散热调控后评估阈值HP进行散热二次评估匹配，获取设备散热调控二次评估策略方案；

所述温度变化率ΔT(t)通过以下计算公式获取：

ΔT(t)＝T_exec(t)-T_exec(t-1)；

式中，T_exec(t)表示执行设备散热调控评估策略方案后时间t的设备温度值，T_exec(t-1)表示执行设备散热调控评估策略方案后时间t-1的设备温度值；

所述温度变化趋势指数T_trend通过以下计算公式获取：

式中，M表示执行设备散热调控评估策略方案后的评估周期内时间步长数量。

7.根据权利要求6所述的一种用于电力储能系统的散热功率智能控制方法，其特征在于：所述设备散热调控二次评估策略方案通过以下匹配方式获取：

温度变化趋势指数T_trend＜散热调控后评估阈值HP，获取设备散热调控后二次评估合格结果，不执行二次调控策略方案；

温度变化趋势指数Ttrend≥散热调控后评估阈值HP，获取设备散热调控后二次评估不合格结果，执行二次调控策略方案，包括二次调整当前散热功率和散热策略。