围绕锂离子电池热管理问题，暨南大学和清华大学合作在Journal of Energy Storage（JES）期刊上发表题为《Machine learning accelerated the performance analysis on PCM-liquid coupled battery thermal management system》的研究论文，该研究设计了一种新型相变材料与液冷耦合电池热管理系统，对比了多参数对电池模块在高倍率放电过程中热管理性能的影响，并利用机器学习模型来预测该冷却系统的温度和能耗。该研究受到国家自然科学基金（No.52106244）、汽车安全与能源国家重点实验室KFY2223项目、广东省基础与应用基础研究基金（No.2022A15011936、2024A15030124）和中国南方电网科技项目GDKJXM20230246（030100KC23020017）的支持。第一作者：谢世伟
通讯作者：冯旭宁，吴伟雄
随着电动汽车和可再生能源的快速发展，锂电池作为重要的储能装置，其热管理问题日益突出。然而，单一的热管理系统（BTMS）无法满足不同应用的各种要求，因此需要开发一种耦合的BTMS。近年来，耦合电池BTMS领域取得了重大进展，相变材料（PCM）和液体冷却（LC）技术的耦合可以结合主动和被动冷却的优点，实现更高效的BTMS。提高电池性能和安全性。与基于物理模型和实验数据的传统方法相比，机器学习（ML）可以通过学习现有的数据样本来构建模型来预测BTMS的性能，从而提高预测的准确性，降低实验的成本和时间。因此，有必要对PCM-LC耦合BTMS的性能进行深入研究，探索ML在电池温度控制性能预测中的应用。
提出了两种电池排列结构，并建立数值模型探究电池排列结构、液体流向、质量流量、启动温度、相变材料熔点等对电池模块在高速放电过程中的热管理性能的影响。在选取合适的模组结构与参数时，与初始温度为40℃时没有液体冷却的模块相比，3C和5C放电期间，系统的最高温度能够分别降低15.18℃和27.5℃。Figure 1. (a) Assembly scheme of PCM and PGS structure; (b) The thermal conduction network of the module; (c) Schematic diagram of the module structure (Case1&Case2)
在电池合适位置设置温度监测点并基于调节液冷开启的持续时间，确保安全的电池温度并最大限度地节约能源。经能耗分析，与全程运行液冷相比，采用功耗最小的液冷工作点可以在5C放电和常温条件下将功耗降低94.71%。Figure 2. (a)The ECLC under different Tstart and mass flow rate; (b) Comparison of best operating point and fully open LC
建立了三个多目标回归预测模型，即RF、NN和GB。其中，RF算法有着最佳预测。并被用于预测样品外的操作条件，与CFD计算结果具有良好的一致性（误差低于5%）。Figure 3. Comparison of predicted results of training samples and test samples of RF, NN and GB model
