中國(guó)儲(chǔ)能網(wǎng)訊：9月11日在深圳鵬瑞萊佛士酒店舉辦的“碳中和能源院士高峰論壇暨第三屆中國(guó)國(guó)際新型儲(chǔ)能術(shù)及工程應(yīng)用大會(huì)”上，中國(guó)能源建設(shè)集團(tuán)廣東省電力設(shè)計(jì)研究院高級(jí)工程師袁洪元進(jìn)行“鋰電池儲(chǔ)能電站智能運(yùn)維技術(shù)方案”的演講。
中國(guó)能源建設(shè)集團(tuán)廣東省電力設(shè)計(jì)研究院高級(jí)工程師袁洪元
袁洪元：首先，請(qǐng)?jiān)试S我向大家介紹我們單位——廣東省電力設(shè)計(jì)研究院。自 2009 年以來(lái)，廣東省電力設(shè)計(jì)研究院開始涉足儲(chǔ)能相關(guān)業(yè)務(wù)和研究工作，是國(guó)內(nèi)較早開展儲(chǔ)能咨詢、勘察設(shè)計(jì)、總承包業(yè)務(wù)的單位，能提供規(guī)劃咨詢、勘察設(shè)計(jì)、設(shè)計(jì)咨詢以及投融資服務(wù)等一站式服務(wù)。
經(jīng)過(guò)十多年的儲(chǔ)能領(lǐng)域的探索和積累，我們開展了眾多儲(chǔ)能相關(guān)的科研項(xiàng)目、工程項(xiàng)目以及標(biāo)準(zhǔn)專利等。接下來(lái)，我將為大家介紹三個(gè)典型案例：
第一個(gè)案例是深圳寶清電池儲(chǔ)能電站項(xiàng)目，我們分四期進(jìn)行了儲(chǔ)能方面的探索：一期建設(shè)了 4 兆瓦 380 伏低壓系統(tǒng)的磷酸鐵鋰電池；二期建設(shè)了容量為 2 兆瓦時(shí)的中壓急連方式；三期擴(kuò)建了 4 兆瓦時(shí)的儲(chǔ)能；四期則是梯次電池的利用。
第二個(gè)案例是梅州五華電網(wǎng)側(cè)儲(chǔ)能項(xiàng)目，我們采用了浸沒(méi)式液冷技術(shù)，這在當(dāng)時(shí)是一項(xiàng)新的探索。
第三個(gè)案例是目前正在執(zhí)行的佛山南海300MW/600MWH電網(wǎng)側(cè)獨(dú)立儲(chǔ)能項(xiàng)目，這個(gè)項(xiàng)目包括78個(gè)子系統(tǒng)，涉及數(shù)十個(gè)廠家，我們將進(jìn)行各種模式和廠家之間的對(duì)比。在這個(gè)項(xiàng)目中，我們將使用儲(chǔ)能站智能運(yùn)維系統(tǒng)，下面我將詳細(xì)介紹一下這個(gè)系統(tǒng)。
我們認(rèn)為儲(chǔ)能站智能運(yùn)維系統(tǒng)是基于儲(chǔ)能站的增值業(yè)務(wù)系統(tǒng)。相比于基礎(chǔ)的儲(chǔ)能系統(tǒng)，它是相對(duì)獨(dú)立的一些增值業(yè)務(wù)。在這個(gè)系統(tǒng)中，我們主要實(shí)現(xiàn)設(shè)備信息的數(shù)字化采集、智能分析、三維展示、智能監(jiān)視、智能巡視、智能分析、智能操作以及智能安全等功能。
應(yīng)用場(chǎng)景上，我們認(rèn)為這個(gè)系統(tǒng)主要適用于大型儲(chǔ)能站。由于其建設(shè)成本較高，中小型儲(chǔ)能站的收益相對(duì)較低。根據(jù)當(dāng)前行業(yè)的發(fā)展情況，G兆瓦時(shí)的儲(chǔ)能站備案已經(jīng)達(dá)到了 23GW/51GWh，因此，這個(gè)產(chǎn)品已經(jīng)開始具有推廣的意義。
基于這個(gè)應(yīng)用場(chǎng)景，我們來(lái)看一下儲(chǔ)能站智能運(yùn)維系統(tǒng)的業(yè)務(wù)需求。
儲(chǔ)能系統(tǒng)應(yīng)用場(chǎng)景復(fù)雜多變，儲(chǔ)能電力市場(chǎng)交易的競(jìng)爭(zhēng)激烈，對(duì)系統(tǒng)穩(wěn)定、可靠和效率的要求也會(huì)非常高，相比于傳統(tǒng)的電動(dòng)汽車，其要求更高。系統(tǒng)穩(wěn)定、可靠和效率要求的背后都指向一點(diǎn)：提升電池狀態(tài)的一致性以避免電池過(guò)充過(guò)放的電濫用的發(fā)生。因?yàn)楝F(xiàn)有電池事故的一個(gè)主要原因是 BMS 的失效導(dǎo)致的電池的過(guò)充過(guò)放，同時(shí)成組電池循環(huán)次數(shù)顯著低于單體也是業(yè)內(nèi)常態(tài)，成組電池過(guò)快衰減的主要原因也是因?yàn)殡姵夭灰恢滦詥?wèn)題導(dǎo)致的過(guò)充過(guò)放。
提升一致性的關(guān)鍵是提升電站狀態(tài)估計(jì)的精度和可靠性?？煽扛呔葼顟B(tài)估計(jì)信息的獲得，將為均衡控制等智能運(yùn)維策略提供準(zhǔn)確的基礎(chǔ)信息，從而為保持整簇電池狀態(tài)的一致性、保證整站穩(wěn)定高效運(yùn)行提供支撐。然而準(zhǔn)確電池狀態(tài)估計(jì)卻是一個(gè)難題，它的主要困難在于電池內(nèi)部物理化學(xué)變化特性復(fù)雜，而可以采集的信號(hào)較少，通常只有電壓、電流、溫度和時(shí)間等，通過(guò)較少的采集信號(hào)去估計(jì)內(nèi)部復(fù)雜系統(tǒng)的狀態(tài)，這是一個(gè)在工程和學(xué)術(shù)上都具有挑戰(zhàn)性的問(wèn)題。
同時(shí)，在儲(chǔ)能站的規(guī)模建設(shè)發(fā)展過(guò)程中，會(huì)面臨一些數(shù)字化方面的難題，例如多套系統(tǒng)獨(dú)立建設(shè)、設(shè)備運(yùn)檢方面的歸集混亂、技術(shù)支撐方面的診斷支撐緩慢等問(wèn)題。同時(shí)，業(yè)務(wù)管理方面的問(wèn)題也不容忽視，例如業(yè)務(wù)閉環(huán)管控能力不強(qiáng)，站內(nèi)業(yè)務(wù)管理標(biāo)準(zhǔn)化不足，檔案資料電子化水平不高等。
針對(duì)以上的需求和問(wèn)題，我們認(rèn)為，儲(chǔ)能站的關(guān)鍵技術(shù)包括：可靠高精度狀態(tài)估計(jì)算法以及一些通用的信息技術(shù)手段，如三維數(shù)字仿生技術(shù)、微服務(wù)組件化低代碼技術(shù)、高可靠的組網(wǎng)通信技術(shù)和電池專家?guī)斓慕ㄔO(shè)。
最關(guān)鍵的技術(shù)是高精度狀態(tài)估計(jì)技術(shù)。在鋰電池各類狀態(tài)估計(jì)中，電池荷電狀態(tài)（SOC, State Of Charge）最為關(guān)鍵，如果 SOC 可以估計(jì)準(zhǔn)確，其他狀態(tài)估計(jì)都較容易估計(jì)準(zhǔn)確。電池荷電狀態(tài)的常用方法有四種：傳統(tǒng)的開環(huán)估計(jì)、基于電路模型的方法、基于化學(xué)模型的方法以及數(shù)據(jù)驅(qū)動(dòng)的方法。開環(huán)估計(jì)方法簡(jiǎn)單但精度不足；電路模型的方法模擬電池物理特性，模型相對(duì)簡(jiǎn)單，精度適中；化學(xué)模型方法模擬電池化學(xué)特性，精度較高，但模型復(fù)雜，數(shù)據(jù)因涉及商業(yè)機(jī)密而難獲得；數(shù)據(jù)驅(qū)動(dòng)的方法精度高，但依賴于大量測(cè)試數(shù)據(jù)通信需要大量的計(jì)算資源。
目前工程應(yīng)用的主流是基于電路模型的卡爾曼濾波類算法，且大部分是比較基礎(chǔ)的卡爾曼濾波算法?？柭鼮V波類算法也有一個(gè)發(fā)展的脈絡(luò)，從基礎(chǔ)的卡爾曼濾波到擴(kuò)展卡爾曼濾波，到無(wú)跡卡爾曼濾波，再到多新息無(wú)跡卡爾曼濾波等?？柭鼮V波結(jié)合電池電路參數(shù)的辨識(shí)本質(zhì)上是狀態(tài)空間的模型，狀態(tài)空間的估計(jì)維度和測(cè)量維度的狀態(tài)值相互校驗(yàn)與更新，相對(duì)來(lái)講數(shù)據(jù)利用的效率比較高。但它的問(wèn)題在于因?yàn)樗腔陔娐纺Ｐ偷?，只能一定程度上模擬電池的特性，模型之外的特性是學(xué)不到的，所以它的精度提升的上限比較低。對(duì)精度要求特別高的場(chǎng)景，就要考慮一下這種算法是否適合。
對(duì)應(yīng)電池狀態(tài)估計(jì)精度要求特別高的場(chǎng)景，基于深度學(xué)習(xí)的算法可能是有效的解決方法。深度學(xué)習(xí)算法最大特點(diǎn)是有強(qiáng)大的擬合能力，只要有規(guī)律且有足夠的標(biāo)注數(shù)據(jù)，算法總能學(xué)得到。比如現(xiàn)在的Chat GPT，它在多個(gè)方面超越人類平均水平，表現(xiàn)非常驚人，就是因?yàn)樗写罅康臉?biāo)注數(shù)據(jù)，加上深度學(xué)習(xí)算法。一方面，深度學(xué)習(xí)模型也處于不斷優(yōu)化發(fā)展的過(guò)程中，從 Transformer 這里開始，它的特征提取方式發(fā)生了根本性的變化，不再基于原來(lái)的卷積網(wǎng)絡(luò)，而是通過(guò)自注意力機(jī)制提取特征，模型擬合能力和并發(fā)性能大幅度上升，但是帶來(lái)的問(wèn)題是計(jì)算資源的消耗和計(jì)算樣本的消耗非常大。為推進(jìn)模型多場(chǎng)景落地，后面也有一些新的簡(jiǎn)化模型出來(lái)，像 Informer，會(huì)對(duì)模型進(jìn)行改進(jìn)，對(duì)自注意力機(jī)制里面提取一些關(guān)鍵特征，通過(guò)這種方式來(lái)簡(jiǎn)化模型，減少計(jì)算資源的需求。另外一方面，隨著這幾年儲(chǔ)能建設(shè)和研究工作的爆發(fā)式增長(zhǎng)，公開數(shù)據(jù)集、實(shí)驗(yàn)自測(cè)及工程應(yīng)用得樣本數(shù)據(jù)現(xiàn)在逐步積累。因此，深度學(xué)習(xí)方法應(yīng)用的條件在逐步成熟。
我們應(yīng)用深度學(xué)習(xí)算法對(duì)電池狀態(tài)估計(jì)進(jìn)行了探索，采用了美國(guó)圣迪亞國(guó)家實(shí)驗(yàn)室的全壽命周期的鋰電池測(cè)試數(shù)據(jù)，測(cè)試對(duì)比深度學(xué)習(xí)和機(jī)器學(xué)習(xí)算法。深度學(xué)習(xí)算法應(yīng)用的是Informer模型，它的精度比傳統(tǒng)機(jī)器（隨機(jī)森林、XGBoost、AdaBoost）學(xué)習(xí)高出幾個(gè)點(diǎn)，這對(duì)工程應(yīng)用的價(jià)值非常明顯，就相當(dāng)于把整個(gè)儲(chǔ)能項(xiàng)目的利潤(rùn)提升了幾個(gè)點(diǎn)。因?yàn)椴灰恢滦詫?dǎo)致電池充不滿、放不空，基于準(zhǔn)確的狀態(tài)估計(jì)信息，均衡控制策略的損耗相對(duì)較小，因此狀態(tài)估計(jì)精度提升了幾個(gè)點(diǎn)，即約等價(jià)于可用容量提升了幾個(gè)點(diǎn)，也約等于整個(gè)項(xiàng)目的利潤(rùn)提升了幾個(gè)點(diǎn)。
應(yīng)用深度學(xué)習(xí)算法對(duì)電池狀態(tài)估計(jì)同時(shí)也帶了問(wèn)題：計(jì)算資源消耗非常多?？梢钥吹接?jì)算時(shí)間，差不多是傳統(tǒng)機(jī)器學(xué)習(xí)的兩到三個(gè)數(shù)量級(jí)，這種情況下就要求我們對(duì)技術(shù)上進(jìn)行支撐，通過(guò)高性能計(jì)算技術(shù)（并行計(jì)算、分布式計(jì)算）提升計(jì)算性能，這是比較成熟的技術(shù)框架，但沒(méi)有針對(duì)我們電池深度學(xué)習(xí)算法的特征進(jìn)行適配。基于電池?cái)?shù)據(jù)結(jié)構(gòu)和深度學(xué)習(xí)算法的模型特征，對(duì)現(xiàn)有高性能計(jì)算的技術(shù)框架進(jìn)行適配，可以提升整體計(jì)算性能。
數(shù)字孿生技術(shù)是另一項(xiàng)關(guān)鍵的技術(shù)，通過(guò)采用三維正向設(shè)計(jì)技術(shù)，從設(shè)計(jì)到交付，保證建設(shè)階段和運(yùn)維階段的數(shù)據(jù)不脫節(jié)，通過(guò)物理世界數(shù)字化復(fù)刻到虛擬世界中，降低運(yùn)維成本，提高安全性。
可靠的通信技術(shù)是另一項(xiàng)關(guān)鍵技術(shù)，高可靠性的系統(tǒng)依賴于底層可靠的通信技術(shù)，不僅實(shí)現(xiàn)簡(jiǎn)單冗余備份的網(wǎng)絡(luò)，而是要實(shí)現(xiàn)設(shè)備、鏈路、通信協(xié)議等全面的可靠性設(shè)備，實(shí)現(xiàn)端到端QoS 保障、實(shí)現(xiàn)端到端毫秒級(jí)的應(yīng)用保護(hù)。另外在業(yè)務(wù)應(yīng)用層面需要實(shí)現(xiàn)無(wú)損實(shí)時(shí)主備切換。
微服務(wù)架構(gòu)和組件化低代碼開發(fā)技術(shù)是另一項(xiàng)關(guān)鍵技術(shù)。系統(tǒng)的開發(fā)與運(yùn)維階段成本是項(xiàng)目成敗的關(guān)鍵，微服務(wù)的系統(tǒng)開發(fā)框架可以實(shí)現(xiàn)各個(gè)微服務(wù)模塊獨(dú)立開發(fā)、獨(dú)立測(cè)試、獨(dú)立運(yùn)維，對(duì)于大型軟件來(lái)說(shuō)，顯著降低了系統(tǒng)的耦合性，降低了測(cè)試運(yùn)維問(wèn)題定位的難度，降低開發(fā)成本。同時(shí)，儲(chǔ)能作為新的產(chǎn)品，它的需求并沒(méi)有收斂，各業(yè)主在各項(xiàng)目里面的要求都不一樣。如果開發(fā)不能有一種低成本快速實(shí)現(xiàn)的方式呈現(xiàn)給業(yè)主的話，周期會(huì)拉得非常長(zhǎng)，通過(guò)組件化低代碼開發(fā)的開發(fā)方式，可以快速實(shí)現(xiàn)用戶需求的迭代，降低開發(fā)成本。
基于知識(shí)圖譜的運(yùn)維專家知識(shí)庫(kù)技術(shù)是另一項(xiàng)關(guān)鍵技術(shù)，作為運(yùn)維知識(shí)的積累，運(yùn)維的知識(shí)大多是非結(jié)構(gòu)化的文本數(shù)據(jù)，運(yùn)維事故處置時(shí)難以有效利用，知識(shí)圖譜采用圖譜結(jié)構(gòu)化方式對(duì)數(shù)據(jù)重構(gòu)，將非結(jié)構(gòu)化的知識(shí)組織成結(jié)構(gòu)化的知識(shí)，可以基于結(jié)構(gòu)化的知識(shí)實(shí)現(xiàn)各種模式的識(shí)別和數(shù)據(jù)挖掘，提升運(yùn)維知識(shí)庫(kù)的運(yùn)用價(jià)值。
基于上面的關(guān)鍵技術(shù)，我們考慮典型方案，主要是開發(fā)用戶駕駛艙、智能監(jiān)視、智能巡視、智能操作、智能安全、智能分析等功能。
用戶駕駛艙是一個(gè)基于三維模型的主頁(yè)，在界面上顯示儲(chǔ)能站關(guān)鍵設(shè)備參數(shù)，操作風(fēng)格具有三維體驗(yàn)，使運(yùn)維技術(shù)人員能快速全面地掌握實(shí)時(shí)工礦情況。
智能監(jiān)控能實(shí)現(xiàn)二三維的聯(lián)動(dòng)，智能巡視則通過(guò)攝像頭、無(wú)人機(jī)等方式進(jìn)行綜合巡視。智能安全方面，我們對(duì)各種人員定位、人閘車閘、圖像識(shí)別、智能鎖實(shí)現(xiàn)遠(yuǎn)程許可、現(xiàn)場(chǎng)監(jiān)督和遠(yuǎn)程驗(yàn)收。
智能操作方面，我們會(huì)聯(lián)動(dòng)電網(wǎng)的操作票、操作管理平臺(tái)，進(jìn)行操作票的自動(dòng)分析、過(guò)程監(jiān)控、操作結(jié)果判斷和操作信息記錄等。
智能安全方面，我們通過(guò)安防、視頻、消防、環(huán)境監(jiān)測(cè)等輔助系統(tǒng)與電池運(yùn)行智能聯(lián)動(dòng)，提升整站的安全性，根據(jù)電芯運(yùn)行工況動(dòng)態(tài)優(yōu)化液冷系統(tǒng)的能耗。
智能分析方面，根據(jù)電站的狀態(tài)估計(jì)數(shù)據(jù)和運(yùn)維經(jīng)驗(yàn)，我們?cè)O(shè)置專家?guī)?，?shí)施智能告警定位，進(jìn)行檢修和智能決策。我們通過(guò)大數(shù)據(jù)加工、提煉和分析，運(yùn)用有重要價(jià)值的數(shù)據(jù)，支持集控中心的應(yīng)用，支持管理層決策，輔助質(zhì)量評(píng)價(jià)和績(jī)效考核。
以上功能的成效也很明顯：智能狀態(tài)估計(jì)的誤差減少 60%，意義重大，相當(dāng)于項(xiàng)目效益提升了兩個(gè)點(diǎn)，從原來(lái)的 5% 提升到現(xiàn)在的3%；三維場(chǎng)景全站集中運(yùn)維管控，提升運(yùn)維效率與體驗(yàn)；監(jiān)視減少分散監(jiān)盤壓力70%；巡視作業(yè)人工替代率達(dá)到80%；操作時(shí)間減少60%；提高作業(yè)風(fēng)險(xiǎn)管控能力與安全水平，節(jié)省工時(shí)65%；及時(shí)生成事故處置報(bào)告，事故處置的速率和準(zhǔn)確度。
對(duì)于未來(lái)發(fā)展展望，我們認(rèn)為對(duì)儲(chǔ)能電池管理中最核心的問(wèn)題——電池狀態(tài)估計(jì)問(wèn)題還需進(jìn)一步探索。電池狀態(tài)估計(jì)不準(zhǔn)主要原因包括算法和電池儲(chǔ)能工況沒(méi)有標(biāo)準(zhǔn)。在電動(dòng)汽車中，我們對(duì)各種工況進(jìn)行定義，理論上來(lái)講，定義標(biāo)準(zhǔn)工況才能準(zhǔn)確計(jì)算電池狀態(tài)。如果電流、電壓和溫度一直在變化，計(jì)算結(jié)果精度很難提升。因此，我們需要定義電流、電壓和溫度的標(biāo)準(zhǔn)工況，這是具有挑戰(zhàn)性的，尤其是在調(diào)頻工況變化劇烈的情況下。
我們可以考慮在劇烈變化的場(chǎng)景中，結(jié)合電池儲(chǔ)能和其他儲(chǔ)能方式，如飛輪、重力、電容等，來(lái)解決調(diào)頻工況問(wèn)題。對(duì)于電流變化平緩的場(chǎng)景，我們可以基于電流工況的統(tǒng)計(jì)特性，將其定義為儲(chǔ)能標(biāo)準(zhǔn)工況。此外，根據(jù)不同場(chǎng)景，我們也可以定義多個(gè)標(biāo)準(zhǔn)工況。基于這些標(biāo)準(zhǔn)工況，相對(duì)較容易計(jì)算出準(zhǔn)確的電池狀態(tài)，從而提高整個(gè)系統(tǒng)的穩(wěn)定性和經(jīng)濟(jì)性。
在算法方面，深度學(xué)習(xí)需要大量的標(biāo)注樣本和實(shí)驗(yàn)室測(cè)試，成本很高。尤其是目前新電池推出非?？?，難以等待實(shí)驗(yàn)數(shù)據(jù)出來(lái)后再進(jìn)行應(yīng)用，因此，最好的方式是利用其他電池的測(cè)試數(shù)據(jù)進(jìn)行快速遷移。這就像我們使用的 Chat GPT，通過(guò)訓(xùn)練一個(gè)超大型的模型，將模型應(yīng)用到新場(chǎng)景，只需要對(duì)它一個(gè)示例，它就能立刻按照示例執(zhí)行預(yù)測(cè)、進(jìn)行輸出。儲(chǔ)能的最終方向可能也是類似，某個(gè)超級(jí)機(jī)構(gòu)可能會(huì)基于海量電池樣本數(shù)據(jù)訓(xùn)練一些超大型模型，然后將這些模型應(yīng)用到新場(chǎng)景，在新場(chǎng)景應(yīng)用小數(shù)據(jù)進(jìn)行微調(diào)。這樣，我們就可以最終解決儲(chǔ)能電站鋰電池狀態(tài)估計(jì)的問(wèn)題，為建設(shè)高效安全的鋰電池儲(chǔ)能電站奠定基礎(chǔ)。
