本发明涉及新能源，尤其涉及基于强化学习的新能源设备高频线束动态连接优化方法。
背景技术：
1、在新能源设备领域，尤其是电动汽车、风力发电、太阳能储能系统等高频大功率应用场景中，高频电流的使用日益广泛，因其在提升功率密度、减少设备体积等方面具有显著优势。然而，高频电流在实际应用中带来了诸如温升、功率损耗和机械应力等问题，这些问题使得高频线束连接的稳定性和寿命成为业界的关注重点。目前已有的技术方案在应对高频环境中温度和应力的快速变化方面，仍存在不足之处，难以满足新能源设备在复杂动态环境下的运行需求。传统的高频线束优化方法主要依赖于基于电气参数的静态优化方案。例如，已有的研究中常通过降低电阻或改进线束材料来减少功率损耗。然而，在高频条件下，电流集肤效应的影响使得线束表面的电流密度急剧增加，导致有效电阻增大，进而加剧温升和功率损耗。尽管一些研究通过改良材料的导电性和散热性能来缓解这一问题，但这种改进方案在面对多变的电流负载和环境温度时效果有限，难以适应不同工作条件下的动态变化。这种静态的材料优化方法无法实时响应负载变化带来的温升和功率损耗增加，特别是在高频负载波动剧烈的环境下，传统方法的适应性显著不足。
2、在温度管理方面，已有技术主要通过散热材料的改进或增加冷却装置来应对高频电流导致的温升。例如，在电动汽车和储能系统中广泛采用液冷、风冷以及高效导热材料，以实现线束和连接点的散热。然而，这些方案通常需要大幅增加冷却系统的体积和功耗，难以在有限空间内进一步优化。同时，现有的冷却方案多为被动散热，无法根据实时温度变化进行动态调节，导致当电流或环境温度突然升高时，散热性能难以跟上，进而引发过热风险。在高频环境下，由于温度变化快速且剧烈，被动式散热系统难以满足散热需求，过热问题仍旧困扰着新能源设备的高频应用。尤其在高功率密度的场景下，传统的被动散热方式导致温升难以控制，影响了设备的稳定性和使用寿命。此外，已有的技术研究中还探讨了应力控制对高频线束的影响。高频电流带来的电磁力波动会引发材料内部的机械应力，并逐渐积累成疲劳应力，这可能导致线束材料的断裂或连接点的失效。现有方案通常采用机械增强手段或材料改良来增加线束的抗拉强度，以应对高频电流带来的应力。然而，传统的材料增强方案在频繁的电磁波动下效果有限，尤其是在机械应力频繁波动的情况下，材料的疲劳累积问题依然难以避免。由于高频电流带来的电磁应力具有周期性和不规则性，现有技术中的应力增强手段很难根据实际应力的变化进行实时调节。因此，在实际应用中，传统应力控制方法难以适应多变的高频环境，易导致线束和连接点的应力积累，从而影响系统的长久稳定性。
技术实现思路
1、有鉴于此，本发明的主要目的在于提供基于强化学习的新能源设备高频线束动态连接优化方法，通过实时监测系统的电气、热力和应力状态，智能调整电流路径、冷却功率和接触电阻等参数，实现了高效的温升控制、功耗优化和应力管理。该方法利用强化学习模型的自适应能力，动态适应高频负载变化，显著提高了系统的稳定性、能效和安全性，有效延长了高频线束和连接点的使用寿命。
2、为达到上述目的，本发明的技术方案是这样实现的：
3、基于强化学习的新能源设备高频线束动态连接优化方法，所述方法包括：
4、步骤1：采集新能源设备的每个电池模组的运行数据，结合新能源设备中的每个高频线束的高频线束特性数据、每个连接点的连接点功率损耗数据、温度分布向量和电流密度向量，建立状态向量；
5、步骤2：基于状态向量和温度分布向量，计算预测温度分布向量；基于高频线束材料的弹性模量张量和机械应变张量，计算高频线束应力；基于状态向量、高频线束应力和预测温度分布向量，构建强化学习模型的状态空间和动作空间；
6、步骤3：定义强化学习模型的奖励函数；通过迭代优化的方式，不断更新强化学习模型的q值，直到收敛，输出此时对应的动作空间，根据动作空间，完成高频线束动态连接优化。
7、进一步的，每个电池模组的运行数据包括：电池模组电压、电池模组电流和电池模组的荷电状态；高频线束特性数据包括：高频线束长度、高频线束电阻和高频线束最大允许电流；连接点功率损耗数据包括：连接点功率损耗和连接点额定功率；环境数据包括：温度分布向量和电流密度向量。
8、进一步的，状态向量使用如下公式进行表示：
9、
10、其中，x(t)表示时间t时的状态向量；i、j和k均为整数下标索引；soci(t)表示第i个电池模组在时间t时的荷电状态；vi(t)表示第i个电池模组在时间t时的电压；ii(t)表示第i个电池模组在时间t时的电流；nb为电池模组数量；nw为高频线束数量；rj为第j个高频线束的高频线束电阻；lj为第j个高频线束的高频线束长度；为第j个高频线束的高频线束最大允许电流；nc为连接点数量；为第k个连接点的连接点功率损耗；为第k个连接点的额定功率；t(τ)为温度分布向量；j(τ)为电流密度向量；τ为积分时间变量。
11、进一步的，步骤2中，使用如下公式，基于状态向量和温度分布向量，计算预测温度分布向量：
12、
13、其中，t(t+δt)为计算得到的时间t+δt时的预测温度分布向量；t(t)为时间t时的温度分布向量；δt为时间步长；cp为高频线束材料比热容；ρ为高频线束材料密度；k为高频线束材料热导率；为t(t)的梯度；为梯度运算符；为第j个高频线束在时间t时的电流；aj为第j个高频线束的截面积；x2(t)表示x(t)的第二分量；h为对流换热系数；tamb为环境温度。
14、进一步的，步骤2中，使用如下公式，基于高频线束材料的弹性模量张量和机械应变张量，计算高频线束应力：
15、
16、其中，e为弹性模量张量；α为热膨胀系数；::表示双重张量积操作；μ0为真空磁导率；μr为相对磁导率；x1(t)表示x(t)的第一分量；∈mech为机械应变张量；σ(t)为时间t时的高频线束应力。
17、进一步的，步骤2中，状态空间使用如下公式进行表示：
18、
19、其中，srl(t)为时间t时的状态空间；tmax为高频线束最大允许温度；σyield为高频线束材料屈服强度；动作空间使用如下公式进行表示：
20、
21、其中，a(t)为时间t时的动作空间；δi(t)为时间t时的电流调整量；δrcontact(t)为时间t时的接触电阻调整量；δpcooling(t)为时间t时的冷却功率调整量；表示二阶l2范数运算；f为高频线束的频率；f0为预设的基准频率。
22、进一步的，步骤3中，定义强化学习模型的奖励函数r(t)为：
23、
24、其中，||t(t)||∞表示时间t时的温度分布向量无穷范数；η(srl(t),a(t))表示，在状态空间为srl(t)时，动作空间为a(t)时的效率，通过历史数据获得。
25、进一步的，步骤3中，通过如下公式，不断更新强化学习模型的q值，直到收敛：
26、
27、其中，qt+1(srl(t+1),a(t+1))为更新后的时间t+1时，状态空间为srl(t+1)时，动作空间为a(t+1)时的q值；qt(srl(t),a(t))为时间t时，状态空间为srl(t)时，动作空间为a(t)时的q值；δ为学习率；γ为折扣因子；qt(srl(t)',a(t)')为时间t时，状态空间为srl(t)'时，动作空间为a(t)'时的q值；为状态向量x(t)的p阶导。
28、采用上述技术方案，本发明具备以下有意效果：首先，本发明通过强化学习模型的引入，实现了高频线束在动态环境下的自适应优化。不同于传统的静态参数优化方法，强化学习能够依据系统的实时状态变化调整策略，通过持续的学习与改进，使系统在电气、热力和力学负载波动中保持稳定的工作状态。具体而言，本发明的强化学习模型通过状态空间和动作空间的设计，全面覆盖了系统中的关键运行数据，包括温度分布、功率损耗和应力情况。模型基于这些信息不断更新q值，使得系统能够在运行过程中自动适应环境和负载的动态变化，从而大幅减少温升、降低功耗并有效控制应力积累。其次，本发明在温度控制方面展现了卓越的效果。高频电流在导体表层的集肤效应往往会导致功率损耗和局部温升，本发明通过实时监测温度分布并结合预测温度的反馈，使得系统在温度接近上限时及时调整冷却功率和电流路径，以实现温升的有效控制。不同于传统的被动式散热方法，本发明通过动作空间中的冷却功率调整项，根据系统当前温度自动调节冷却功率输出，确保散热系统能够灵活应对高频环境中的温度波动。此外，通过预测温度变化，本发明还能够提前识别温度热点区域，进一步优化电流路径，从而避免局部过热的发生，这显著提升了高频线束系统的温度控制效率。本发明在应力控制方面同样具有显著优势。在高频电流环境下，电磁力的波动往往会引发材料内部的机械应力，特别是疲劳应力的积累可能导致材料断裂或连接点失效。本发明通过在状态空间中引入应力监测，并结合强化学习模型的反馈调控功能，实现了对应力的动态管理。具体而言，系统在应力接近材料屈服强度时会自动减少电流或优化电流路径，以减小局部应力负荷。此举有效延长了高频线束和连接点的使用寿命，同时保障了系统的整体稳定性。相比现有技术中采用静态材料增强的方式来提升抗拉强度，本发明能够依据实时应力情况做出动态调整，更具灵活性和适应性。