Julian D.Osorioa1 · Mario De Florioab1 · Rob Hovsapian · Chrys Chryssostomidis 等5人 · Energy Conversion and Management · 2025年1月 · Vol.327

摘要 传统的热能系统建模依赖于实验关联式，通过无量纲数和热物理性质来估算传热系数。针对不同的流动状态、系统几何结构和边界条件，已提出了多种关联式；然而，尽管这些关联式被广泛使用，它们在精度、适用流动状态范围以及对复杂系统几何结构的适应性方面仍存在显著局限性。此外，由间歇性可再生能源（如太阳能）驱动的系统由于传热系数和系统变量的剧烈波动，面临更大的挑战。在本研究中，我们从根本上改变了这一传统范式。我们展示了一种经过实验验证的、基于物理信息的机器学习方法，能够准确估计在能量输入、边界条件和负载具有高...

解读: 该物理信息机器学习技术对阳光电源光储系统具有重要价值。针对光伏间歇性导致的热管理波动问题,可应用于PowerTitan储能系统和ST系列PCS的热设计优化,实时预测功率器件温度场分布,替代传统经验公式。结合iSolarCloud平台,可实现SiC/GaN器件的预测性热管理,提升系统可靠性。该方法突破...