کنترل دمای سنتی PID در وسایل نقلیه الکتریکی مانند " رانندگی با نگاه کردن به آینه ی عقب " کار می کند.این روش اغلب کافی استاما برای وسایل نقلیه الکتریکی تجاری که با باتری های 200 تا 400 کیلو وات ساعت حمل می کنند و نیاز به شارژ سریع 4C دارند، خنک کننده واکنش به سادگی نمی تواند ادامه دهد.
این جایی است که کنترل پیش بینی مدل (MPC) همه چیز را تغییر می دهد.
کنترل پیش بینی مدل یک استراتژی کنترل پیشرفته است که از یک مدل ریاضی از سیستم برای پیش بینی رفتار آینده آن و بهینه سازی اقدامات کنترل به همین ترتیب استفاده می کند.نشان داده شده است که MPC مصرف انرژی را در سیستم های مدیریت حرارتی باتری به طور قابل توجهی کاهش می دهد در حالی که کنترل شدیدتر دمای را در مقایسه با روش های متعارف حفظ می کند.
NEWBASE has become the first company to successfully deploy MPC algorithms in the commercial vehicle BTMS (Battery Thermal Management System) sector — moving thermal management from reactive adjustment to proactive prediction.
واحد خنک کننده آب BTMS مبتنی بر MPC از طریق یک چرخه هوشمند سه مرحله ای کار می کند:
1مدل سازی دوقلوی دیجیتال پیش بینی
یک مدل دوقلو دیجیتال با اتصال حرارتی الکتریکی باتری در زمان واقعی ایجاد می شود و مسیر دمای باتری را برای 30 ٪ 60 ثانیه آینده پیش بینی می کند.این مدل به طور مداوم بر اساس بازخورد سنسور واقعی به روز می شود، اطمینان از دقت پیش بینی حتی به عنوان شرایط باتری در طول چرخه عمر آن تکامل می یابد.
2. ادغام ورودی چند بعدی
این سیستم فقط به دمای فعلی باتری نگاه نمی کند، شرایط جاده، مشخصات قدرت شارژ، پیش بینی دمای محیط و حتی الگوهای پیش بینی شده رانندگی را نیز در نظر می گیرد.با ترکیب این ورودی ها، الگوریتم MPC استراتژی خنک کننده بهینه را قبل از اینکه گرما به یک مشکل تبدیل شود، برنامه ریزی می کند.
3. بهینه سازی رولینگ با اصلاح بازخورد
در هر چرخه کنترل، سیستم بهینه سازی مستمر را انجام می دهد، نتایج پیش بینی شده را به طور مداوم با اندازه گیری های واقعی مقایسه می کند و مدل خود را در زمان واقعی تنظیم می کند.این حلقه بسته "پیش بینی- اجرا- درست" تضمین می کند که سیستم خنک کننده همیشه یک قدم جلوتر از حوادث حرارتی است.
نتایج پیاده سازی MPC در واحدهای خنک کننده آب BTMS NEWBASE قابل اندازه گیری و قابل توجه است:
با انتقال بازار خودروهای تجاری به استانداردهای شارژ فوق سریع 4C و 5C، بار حرارتی باتری ها به طور چشمگیری افزایش می یابد.یک شارژ 4C چهار برابر ظرفیت باتری را در حال حاضر تولید می کند و گرما بسیار بیشتری نسبت به شارژ معمولی تولید می کندبدون مدیریت هوشمندانه حرارتی، این گرما می تواند سلول های باتری را تخریب کند، کارایی شارژ را کاهش دهد و حتی حوادث فرار حرارتی را ایجاد کند.
MPC-based thermal management is uniquely suited to address this challenge because it can anticipate the thermal load before charging begins and pre-cool the battery pack to the optimal starting temperatureدر طول شارژ، به طور پویا شدت خنک کننده را بر اساس پیش بینی دمای زمان واقعی تنظیم می کند و از گرم شدن و خنک شدن بیش از حد جلوگیری می کند.
Research published in MDPI's journal World Electric Vehicle Journal (2025) confirms that MPC strategies for BTMS can optimize energy consumption while maintaining battery temperatures within safe operating windows. Multiple academic studies from institutions including the Beijing Institute of Technology have validated that MPC-based thermal management outperforms conventional rule-based and PID approaches in both energy efficiency and temperature control precision.
موفقیت NEWBASE در این است که این پیشرفت های علمی را به یک سیستم آماده تولید و تجاری برای کاربردهای سنگین تبدیل می کندو مقرون به صرفه بودن قابل مذاکره نیست..
MPC فقط یک ارتقاء الگوریتم کنترل نیست، بلکه اساس مدیریت حرارتی باتری هوشمند است.توانایی پیش بینی، برنامه ریزی و پیشگیری از مشکلات حرارتی قبل از بروز آنها رهبران صنعت را از بقیه جدا می کند.
کنترل دمای سنتی PID در وسایل نقلیه الکتریکی مانند " رانندگی با نگاه کردن به آینه ی عقب " کار می کند.این روش اغلب کافی استاما برای وسایل نقلیه الکتریکی تجاری که با باتری های 200 تا 400 کیلو وات ساعت حمل می کنند و نیاز به شارژ سریع 4C دارند، خنک کننده واکنش به سادگی نمی تواند ادامه دهد.
این جایی است که کنترل پیش بینی مدل (MPC) همه چیز را تغییر می دهد.
کنترل پیش بینی مدل یک استراتژی کنترل پیشرفته است که از یک مدل ریاضی از سیستم برای پیش بینی رفتار آینده آن و بهینه سازی اقدامات کنترل به همین ترتیب استفاده می کند.نشان داده شده است که MPC مصرف انرژی را در سیستم های مدیریت حرارتی باتری به طور قابل توجهی کاهش می دهد در حالی که کنترل شدیدتر دمای را در مقایسه با روش های متعارف حفظ می کند.
NEWBASE has become the first company to successfully deploy MPC algorithms in the commercial vehicle BTMS (Battery Thermal Management System) sector — moving thermal management from reactive adjustment to proactive prediction.
واحد خنک کننده آب BTMS مبتنی بر MPC از طریق یک چرخه هوشمند سه مرحله ای کار می کند:
1مدل سازی دوقلوی دیجیتال پیش بینی
یک مدل دوقلو دیجیتال با اتصال حرارتی الکتریکی باتری در زمان واقعی ایجاد می شود و مسیر دمای باتری را برای 30 ٪ 60 ثانیه آینده پیش بینی می کند.این مدل به طور مداوم بر اساس بازخورد سنسور واقعی به روز می شود، اطمینان از دقت پیش بینی حتی به عنوان شرایط باتری در طول چرخه عمر آن تکامل می یابد.
2. ادغام ورودی چند بعدی
این سیستم فقط به دمای فعلی باتری نگاه نمی کند، شرایط جاده، مشخصات قدرت شارژ، پیش بینی دمای محیط و حتی الگوهای پیش بینی شده رانندگی را نیز در نظر می گیرد.با ترکیب این ورودی ها، الگوریتم MPC استراتژی خنک کننده بهینه را قبل از اینکه گرما به یک مشکل تبدیل شود، برنامه ریزی می کند.
3. بهینه سازی رولینگ با اصلاح بازخورد
در هر چرخه کنترل، سیستم بهینه سازی مستمر را انجام می دهد، نتایج پیش بینی شده را به طور مداوم با اندازه گیری های واقعی مقایسه می کند و مدل خود را در زمان واقعی تنظیم می کند.این حلقه بسته "پیش بینی- اجرا- درست" تضمین می کند که سیستم خنک کننده همیشه یک قدم جلوتر از حوادث حرارتی است.
نتایج پیاده سازی MPC در واحدهای خنک کننده آب BTMS NEWBASE قابل اندازه گیری و قابل توجه است:
با انتقال بازار خودروهای تجاری به استانداردهای شارژ فوق سریع 4C و 5C، بار حرارتی باتری ها به طور چشمگیری افزایش می یابد.یک شارژ 4C چهار برابر ظرفیت باتری را در حال حاضر تولید می کند و گرما بسیار بیشتری نسبت به شارژ معمولی تولید می کندبدون مدیریت هوشمندانه حرارتی، این گرما می تواند سلول های باتری را تخریب کند، کارایی شارژ را کاهش دهد و حتی حوادث فرار حرارتی را ایجاد کند.
MPC-based thermal management is uniquely suited to address this challenge because it can anticipate the thermal load before charging begins and pre-cool the battery pack to the optimal starting temperatureدر طول شارژ، به طور پویا شدت خنک کننده را بر اساس پیش بینی دمای زمان واقعی تنظیم می کند و از گرم شدن و خنک شدن بیش از حد جلوگیری می کند.
Research published in MDPI's journal World Electric Vehicle Journal (2025) confirms that MPC strategies for BTMS can optimize energy consumption while maintaining battery temperatures within safe operating windows. Multiple academic studies from institutions including the Beijing Institute of Technology have validated that MPC-based thermal management outperforms conventional rule-based and PID approaches in both energy efficiency and temperature control precision.
موفقیت NEWBASE در این است که این پیشرفت های علمی را به یک سیستم آماده تولید و تجاری برای کاربردهای سنگین تبدیل می کندو مقرون به صرفه بودن قابل مذاکره نیست..
MPC فقط یک ارتقاء الگوریتم کنترل نیست، بلکه اساس مدیریت حرارتی باتری هوشمند است.توانایی پیش بینی، برنامه ریزی و پیشگیری از مشکلات حرارتی قبل از بروز آنها رهبران صنعت را از بقیه جدا می کند.