中國儲能網(wǎng)訊：
摘 要 隨著大規(guī)模儲能系統(tǒng)和電氣設備的不斷適應，電池和超級電容器(supercapacitors)的儲能能力面臨著越來越多的需求和挑戰(zhàn)。其中漫長的研發(fā)周期及低效率的材料篩選是儲能材料(energy storage materials，ESM)開發(fā)的兩大難題，將人工智能(artificial Intelligence，AI)應用于ESM的研發(fā)是解決該問題的新方案。而機器學習(machine Learning，ML)作為AI的子領域，已被證明是從數(shù)據(jù)中獲得見解的強大工具，ML可以挖掘大數(shù)據(jù)背后有價值的信息和隱含的關聯(lián)，有助于揭示ESM的關鍵結構或性質與性能關系，大大加快了ESM的研發(fā)和篩選，同時AI為儲能系統(tǒng)的設計和運行提供了先進的預測工具。因此，未來AI與儲能技術的融合研究將是值得關注的新興領域。本文首先闡述了AI的關鍵技術框架，包括監(jiān)督學習、無監(jiān)督學習以及可解釋的人工智能(XAI)。然后從ESM設計、識別篩選和性能預測三個方向出發(fā)，分別總結了AI在這些儲能領域的最新研究進展，包括機器學習在儲能材料研究中常用的數(shù)據(jù)庫列表，并分析了這一融合技術對智能電網(wǎng)優(yōu)化、可再生能源集成與管理的貢獻。最后，本文展望了AI與儲能技術的融合面臨的機遇挑戰(zhàn)，以及未來需要重點關注的研究方向。
關鍵詞 人工智能；儲能；融合；智能電網(wǎng)；可再生能源
從化石燃料向可再生能源過渡是一項嚴峻的全球挑戰(zhàn)，它要求在材料、設備和系統(tǒng)層面上取得進步，以有效收集、儲存、轉換和管理可再生能源。隨著電力需求和可再生能源的增加，儲能系統(tǒng)成為能源行業(yè)的重要組成部分。電池和超級電容器等儲能設備面臨著越來越大的需求和挑戰(zhàn)。其中，儲能材料(energy storage materials，ESM)的開發(fā)面臨兩大難題，即漫長的研發(fā)周期和低效率的材料篩選。這兩個問題直接影響著儲能系統(tǒng)的性能和可持續(xù)性。因此，儲能領域急需創(chuàng)新性的解決方案，以提高儲能設備的效率和降低成本。
人工智能(AI)作為一項引領科技潮流的前沿技術，在可再生能源系統(tǒng)的設計和優(yōu)化中發(fā)揮著越來越重要的作用。許多人工智能方法和技術已經(jīng)廣泛應用于能源領域，例如發(fā)電預測、能效監(jiān)測、儲能和能源系統(tǒng)的整體設計。在儲能領域，引入AI技術為儲能材料的研發(fā)和應用提供了新的契機。特別是，新興的機器學習(ML)是人工智能的一個子領域，能夠評估和分析大數(shù)據(jù)中的隱藏規(guī)則，能夠有效揭示關鍵材料的結構與性能之間的關系，從而加速儲能材料的設計和性能優(yōu)化。
因此，將人工智能與儲能技術融合是未來研究的一個重要方向，尤其在材料設計、識別分類、篩選和性能預測方面。AI加速了儲能材料的發(fā)現(xiàn)和優(yōu)化，可以更加精準地了解儲能材料的結構與性能關系，有助于解決漫長的研發(fā)周期和低效率的材料篩選問題，提高能源密度和系統(tǒng)效能。機器學習的強大功能使得從大數(shù)據(jù)中提取知識成為可能，為儲能材料的性能預測提供更高的精度和效率，促進可再生能源與電網(wǎng)融合。這種融合不僅提高了電力系統(tǒng)的效率和穩(wěn)定性，優(yōu)化能源分配，降低運營成本，對智能電網(wǎng)建設產生深遠影響，同時在太陽能、風能等可再生能源領域也有廣泛應用，通過預測能源產生和需求平衡，提高了可再生能源系統(tǒng)的整體可靠性和集成化管理效率。隨著AI技術的進一步發(fā)展，智能電網(wǎng)將更加智能化、高效化，為電力系統(tǒng)可持續(xù)發(fā)展提供有力支持，也為未來可再生能源的儲能技術挖掘奠定了基礎。
本文的主要創(chuàng)新點如下：
（1）對常用監(jiān)督學習和無監(jiān)督學習方法的優(yōu)缺點進行了全面總結，為研究人員和從業(yè)者提供了關于如何為其特定的儲能材料研究任務選擇最合適的機器學習算法的指導。
（2）匯編了機器學習在儲能材料研究中常用的數(shù)據(jù)庫列表。通過匯總這些數(shù)據(jù)庫，研究人員可以訪問用于訓練和測試機器學習模型的寶貴資源，從而促進該領域的進一步發(fā)展。
（3）討論了可解釋人工智能(XAI)的研究方法，并提出了未來關于因果人工智能(CAI)的研究想法。這種探索有助于增強在儲能材料研究中使用的AI模型的解釋性和可信度，從而促進信任并推動決策過程。
（4）對過去5年內在儲能材料設計、識別、分類、篩選和預測方面應用的最新AI研究方法和應用領域進行了全面回顧。此外，還重點介紹了AI儲能集成對智能電網(wǎng)和可再生能源綜合管理的貢獻。
1 人工智能技術及應用
圖1展示了機器學習(ML)的一般工作流程，包括數(shù)據(jù)準備、特征工程、模型選擇、模型評估和模型應用。具體而言，流程始于原始數(shù)據(jù)的收集，隨后進行預處理。預處理方法包括編碼轉換、特征交叉、計算優(yōu)化、篩選和刪除等，具體取決于原始數(shù)據(jù)的特征。接下來是關鍵且至關重要的一步，即根據(jù)原始數(shù)據(jù)選擇適當?shù)乃惴ú⒔⒂柧毮Ｐ汀Ｗ詈?，使用?yōu)化后的算法模型進行數(shù)據(jù)預測。算法是ML的核心，合理的算法是建立精確ML模型的基礎。在這方面，偏差和方差是評估ML模型質量的關鍵參數(shù)。ML可分為監(jiān)督學習、無監(jiān)督學習、半監(jiān)督學習和強化學習。大多數(shù)ML算法屬于監(jiān)督學習或無監(jiān)督學習，這也是材料發(fā)現(xiàn)領域應用最廣泛的算法。因此，我們將重點介紹儲能領域中常用的有監(jiān)督和無監(jiān)督ML算法，特別是它們的相對優(yōu)勢，同時簡要介紹了可解釋人工智能這一新興領域及相關研究。
圖1 ML學習訓練的一般流程
1.1 有監(jiān)督學習
有監(jiān)督學習是機器學習的重要分支之一，其目標是從已知輸入和輸出樣本中學習以預測新輸入對應的輸出。有監(jiān)督學習算法的分類可參考表1。表2總結了8種監(jiān)督學習的特點。
表1 監(jiān)督學習算法分類表
表2 監(jiān)督學習方法特點匯總
1.2 無監(jiān)督學習
無監(jiān)督學習的目的是發(fā)現(xiàn)數(shù)據(jù)集中的隱含結構。表3總結了4類無監(jiān)督學習的特點。
表3 無監(jiān)督學習方法特點匯總
1.3 可解釋人工智能
人工智能(AI)正在成為社會幾乎所有活動部門的基礎。然而，大多數(shù)現(xiàn)代人工智能技術(例如機器學)都具有黑盒性質，這阻礙了它們在許多應用領域的從業(yè)者采用。這個問題提出了最近出現(xiàn)的人工智能新研究領域，稱為可解釋人工智能(XAI)，XAI是以統(tǒng)計學為基礎的計算機科學中的一個新興領域，旨在提供基于人工智能的決策過程和結果，以便人類易于理解、解釋和證明。自2018年以來，關于XAI的研究呈指數(shù)級增長。
下面對XAI的相關研究進行了簡要概述。Zhu等提出通過貝葉斯學習開發(fā)一個可解釋的人工智能方案來解決這些挑戰(zhàn)，其中基于物理的代理模型通過對原位監(jiān)測數(shù)據(jù)的機器學習進行校準和更新，從而建立一個物理知情的、數(shù)據(jù)驅動的添加劑攪拌摩擦沉積過程中的溫度分布模型。該方法的有效性在Al-Mg-Si合金的打印中得到了證明，其中通過適中的物理模擬試驗和少量的原位測量實現(xiàn)了快速、準確的溫度預測；Xia等構建長短期記憶(LSTM)模型，并實施對比實驗分析棉花價格指數(shù)波動率。為了使構建的模型具有可解釋性，使用可解釋人工智能(XAI)技術對輸入特征進行統(tǒng)計分析。實驗結果表明，LSTM模型能夠準確分析棉花價格指數(shù)波動趨勢，但無法準確預測棉花實際價格；Thunold等提出了一種新的框架，該框架在不依賴手工制作特征或人為干預的情況下提供對疾病的見解。我們的框架基于深度學習(DL)、可解釋人工智能(XAI)和聚類。深度學習用于學習深層模式，從而有效區(qū)分健康和病理圖像。可解釋人工智能(XAI)將這些模式可視化，并引入了一種新穎的“解釋加權”聚類技術，以在多個患者中概述這些模式；Ahmad等提出一種基于深度學習的肺癌分類模型，并為預測提供了解釋，在“DeepXplainer”使用其許多卷積層自動學習輸入的特征后。為了提供預測的解釋或可解釋性，模型包括三個主要部分：一個用于特征學習，一個用于分類，第三個部分為所提出的混合(ConvXGB)模型的預測提供解釋，該可解釋性預測方法可能幫助醫(yī)生更有效地檢測和治療肺癌患者，圖2展示了該深度可解釋模型的基本架構。Chakraborty等提出了一種結合雙向門控循環(huán)單元(BiGRU)和人工神經(jīng)網(wǎng)絡(ANN)的魯棒混合架構，用于文本的分類和情感分析，該方法利用BiGRU對數(shù)據(jù)中的順序依賴關系進行建模，而ANN則用于最終的分類。Ibrahim等通過SHAP的系統(tǒng)方法預測了可持續(xù)三元水泥混凝土的抗壓強度，該預測使用局部解釋對全局理解和可解釋的人工智能模型進行了研究。為此，使用了兩個傳統(tǒng)ML模型和三個集成ML模型，并進行了超參數(shù)調整。泰勒圖、模型評估參數(shù)和SHAP值用于解釋機器學習模型的預測性。結果表明，集成機器學習模型比傳統(tǒng)機器學習模型具有更高的精度。另外從局部解釋獲得的見解可以得出結論，應謹慎使用黑盒模型做出的預測。Liu等提出了一個可解釋的混合機器學習框架，以解開轉換型電池難以解決的降解化學成分。該框架不是黑匣子，其壽命終止預測的測試平均絕對誤差為8.9%，它不僅展示了準確預測鋰硫電池的能力，而且還產生了有用的物理理解，為未來的電池設計和優(yōu)化提供了指導。該框架還能夠發(fā)現(xiàn)以前未知的性能指標，即首次放電時電解液量與高壓區(qū)域容量的比率，適用于符合實際優(yōu)點的鋰硫電池。
圖2 深度可解釋模型的結構
2 人工智能在儲能系統(tǒng)中的應用
在儲能系統(tǒng)中，人工智能的應用在材料設計、識別分類篩選和性能預測三個方面發(fā)揮著關鍵作用，推動了能源存儲技術的前沿研究。首先，人工智能及其子類以及計算基礎設施的進步，使得人們可以快速計算材料特性，通過人工智能在材料設計方面的應用，科研人員能夠更迅速地發(fā)現(xiàn)和優(yōu)化儲能材料，從而提高能源密度、降低成本，并推動儲能系統(tǒng)的性能提升。其次，人工智能在識別分類篩選方面的應用為儲能材料的選擇提供了高效而精準的手段。通過機器學習算法，系統(tǒng)可以分析大量的材料數(shù)據(jù)，實現(xiàn)對材料性能、穩(wěn)定性等關鍵特征的準確識別和分類。這種智能化的篩選過程使研究人員能夠更有針對性地選擇適用于特定儲能需求的材料，提高了儲能系統(tǒng)的整體效能。最后，人工智能在性能預測方面的應用為儲能系統(tǒng)的設計和運行提供了先進的預測工具。通過建立復雜的模型，人工智能可以模擬不同工況下儲能系統(tǒng)的性能表現(xiàn)，幫助優(yōu)化系統(tǒng)的控制策略。這種精準的性能預測有助于提高儲能系統(tǒng)的可靠性和響應速度，促進了可再生能源與電網(wǎng)的融合。
目前，與物質相關的數(shù)據(jù)庫相對有限，但越來越多的研究人員和機構正在積極分享更廣泛的數(shù)據(jù)庫資源。這一趨勢擴大了數(shù)據(jù)庫的范圍，為研究人員提供了更大的靈活性和選擇空間。電池參數(shù)數(shù)據(jù)庫和材料數(shù)據(jù)庫顯著提高了研究效率，減少了數(shù)據(jù)收集和處理的所需時間，這些數(shù)據(jù)庫的多樣性擴大了機器學習在材料開發(fā)中的應用范圍。不同領域的科研人員可以根據(jù)需要選擇合適的集錦數(shù)據(jù)集，利用表4中列出的相關數(shù)據(jù)庫資源。
表4 機器學習用于電池技術中常見的數(shù)據(jù)庫匯總
2.1 輔助儲能材料設計
人工智能在儲能材料設計中的應用通過分析影響關聯(lián)、快速識別分類和篩選以及高精度的性能預測，為儲能技術的發(fā)展提供了全新的可能性。人工智能能夠挖掘大量的材料數(shù)據(jù)，實現(xiàn)不同材料之間的關聯(lián)性分析，得到關鍵因素對性能的重要性排序，這有助于科研人員更好地理解材料之間的相互作用，為設計更高性能的儲能材料提供深入的科學依據(jù)。另外，材料的識別分類是人工智能在儲能材料設計中的重要角色之一。通過機器學習算法，系統(tǒng)能夠自動識別并分類大量的潛在儲能材料，縮小研究范圍，加速對具有潛在應用的材料的深入研究。這有助于提高研究效率，從海量數(shù)據(jù)中迅速找到合適的候選材料。在材料篩選和發(fā)現(xiàn)方面，人工智能技術能夠實現(xiàn)更智能化的材料篩選過程。通過對材料性能、成本、可持續(xù)性等多方面因素的綜合分析，系統(tǒng)可以幫助研究人員篩選出最具潛力的儲能材料，從而加速儲能材料的研究和開發(fā)。最后，在性能預測方面，人工智能通過建立復雜的模型，可以預測儲能材料在不同條件下的性能表現(xiàn)。這使得研究人員能夠更好地了解材料在實際應用中的表現(xiàn)，有助于優(yōu)化設計和提前發(fā)現(xiàn)潛在問題。
人工智能可以加速分析材料特征與標簽間的關聯(lián)關系和影響機制。Zhou等首次利用專有數(shù)據(jù)集，運用基于隱/顯特征的高效機器學習(ML)解決傳統(tǒng)試錯組合優(yōu)化問題，應用于金屬氫化物，通過特征重要性排序確定了關鍵的容量影響因素，促進了高效的容量估算和高容量成分的制定；Faraji等提出了可解釋的機器學習方法(XML)和系統(tǒng)的統(tǒng)計分析方法，綜合評估了漿料涂層對鋰離子電池電極制造的影響，避免了量化大量相互關聯(lián)的控制變量對電極的影響的挑戰(zhàn)。
薄膜介質電容器在大功率電子設備中得到廣泛應用。微觀結構設計和填料選擇對納米復合材料儲能密度至關重要。Feng等建立了包含大量有關納米復合材料最大儲能密度的數(shù)據(jù)集。通過使用84種機器學習算法構建的預測模型，其預測準確率從84.1%提高到91.9%、68.9%提高到80.9%、70.6%提高到81.6%。通過計算隨機森林預測模型中的分支權重，分析了不同描述符對納米復合材料儲能性能的影響。實驗室制備了10組不同結構和填料量的復合材料，用于驗證預測模型的可靠性。最后，通過三種預測模型，探究了有效填料的結構，并提出了填料界面設計的建議。人們對發(fā)現(xiàn)高容量電池材料產生了濃厚興趣，這推動了對被稱為MXenes的二維早期過渡金屬碳化物的電化學儲能潛力的研究。Li等使用新的分類描述符對特定的MXene化學式進行分類，并同時預測多個目標電化學性質。然后，根據(jù)一組電池性能標準，預測MXenes的公式。這種方法涉及多目標回歸和多目標分類的工作流程，重點關注與電池設計最相關的物理化學特征。
隨著全球朝著可再生能源和綠色環(huán)境建設的方向邁進，電池儲能系統(tǒng)(battery energy storage system，BESS)在應對可再生能源的間歇性方面變得至關重要。與電池儲存的能量相關的量被稱為電池的充電狀態(tài)(SOC)。通常，假設SOC與電壓、電流等量呈線性變化，則SOC的估計可以輕松測量，但實際上并不存在這種線性關系。機器學習技術已被證明可以用于SOC的測量，盡管常規(guī)特征經(jīng)常受到多重共線性的影響。同樣嶺和套索回歸方法已被證明可以抵消多重共線性的影響。Hasan等將這些方法與線性回歸、支持向量機(SVM)和人工神經(jīng)網(wǎng)絡(ANN)結合使用。除了現(xiàn)有的常規(guī)特征外，還研究了一些可以從常規(guī)特征派生的非常規(guī)特征。結果表明，除SVM外，非常規(guī)特征提高了所有方法的性能?？紤]到計算的準確性和速度，具有非常規(guī)特征的嶺回歸方法在所有場景中都表現(xiàn)出最佳結果。
Yi等提出了一種基于機器學習的數(shù)據(jù)驅動預測策略，以加速具有靶向性的聚合物電介質的合理設計，特別是對于高介電常數(shù)(ε)和低損耗介質儲能的設計。為了快速設計和發(fā)現(xiàn)新型聚合物介質儲能，他們提出了一種基于優(yōu)化遺傳算法的區(qū)間支持向量回歸(OGA-ISVR)的預測器，用于預測ε值。該方法通過將整個數(shù)據(jù)空間劃分為子空間，并自適應地選擇核函數(shù)，利用遺傳算法獲取最優(yōu)超參數(shù)，從而提高預測精度，減少在每個子空間中的時間消耗。該機器學習模型識別了特征與屬性之間的映射關系以及ε值的影響因素。與常見的支持向量回歸方法相比，所提出的模型具有更低的計算開銷和更高的預測精度。這項研究成功演示了所提出模型在聚合物電介質設計中即時性能預測方面的應用。
Gómez-Bombarelli等提出了一種深度神經(jīng)網(wǎng)絡模型，該模型可以使分子在離散表示形式與多維連續(xù)表示形式之間來回轉換。該模型能夠通過開放式化合物空間生成新分子，以進行有效的探索和優(yōu)化。該神經(jīng)網(wǎng)絡接受了成千上萬種現(xiàn)有化學結構的訓練，以構造三個耦合函數(shù)：編碼器、解碼器和預測器。編碼器將分子的離散表示轉換為實值連續(xù)向量，而解碼器將這些連續(xù)向量轉換回離散分子表示。預測變量從分子的潛在連續(xù)矢量表示中估算化學性質。分子的連續(xù)表示使在潛在空間中執(zhí)行簡單操作來自動生成新的化學結構成為可能，連續(xù)表示還允許使用基于強大的梯度優(yōu)化算法指導尋找優(yōu)質的功能化合物。
鋰硫電池是鋰離子電池的有前途的替代品，具有較大的儲能容量和較寬的工作溫度范圍。然而，它們的性能受到鋰多硫化物(lithium polysulfides，LiPS)穿梭的嚴重影響。LiPS在單原子催化劑(single atom catalyst，SAC)上吸附的計算篩選對Li-S電池的設計有很大幫助，Li-S電池對LiPS從陰極到陽極和電解質的穿梭具有魯棒性。為了促進這一過程，Andritsos等開發(fā)了一種機器學習協(xié)議，以加速基于密度泛函理論(density functional theory，DFT)計算發(fā)現(xiàn)的主導局部能量最小值的系統(tǒng)映射，進而快速篩選鋰多硫化物在單原子催化劑上的吸附特性。該研究首先探測了吸附在Fe-N裝飾的石墨烯上的LiPS勢能表面，驗證4-C SAC方法的可行性，確定了與以往文獻中報道的結合能相當?shù)幕蚋玫淖钚≈?。接著開始分析Zn-N中4-C SAC的吸附趨勢，觀察到了與Fe-N具有相似吸附強度和行為的4-C SAC，突出了該方案的良好預測能力。該項研究為LiPS吸附的傳統(tǒng)方法提供了一種全高效的替代方案。
有機-無機鈣鈦礦太陽能電池(PSC)因其相對低廉的成本和高功率轉換效率而成為下一代有前途的廉價太陽能電池板候選者。然而，PSC的穩(wěn)定性較差。與三維金屬鹵化物PSC相比，準二維Ruddlesden-Popper PSC(準2D RP PSC)是PSC的一個新子集，具有更高的光穩(wěn)定性以及對環(huán)境條件的優(yōu)越彈性。為了加速尋找新的準2D RP PSC，Meftahi等報告了一項基于機器學習增強的高通量鈣鈦礦薄膜的制造和優(yōu)化研究。這項工作設計了一種定制的實驗策略，僅使用無旋涂、可重復的機器人制造工藝生產具有一系列不同成分的鈣鈦礦薄膜，這些太陽能電池的性能和表征數(shù)據(jù)用于訓練ML模型，該模型可以優(yōu)化材料參數(shù)并指導改進材料的設計。這種由ML優(yōu)化的準2D RP鈣鈦礦薄膜產生的太陽能電池的功率轉換效率高達2.16%。
2.2 儲能材料識別與篩選
人工智能技術為儲能材料的識別、分類和篩選工作帶來了新機遇。通過先進的機器學習算法，人工智能實現(xiàn)了對各種儲能元件和技術的精準識別與分類，包括鋰離子電池模型參數(shù)識別、電池退化模式識別和分類、高溫儲熱系統(tǒng)最佳性能指標識別等，其中機器學習出色的分類和回歸能力已成功應用于可充電電池研究的各個領域。在篩選發(fā)現(xiàn)方面，人工智能使革命性的下一代范式能夠顯著加速材料發(fā)現(xiàn)的所有階段，并促進對巨大設計空間的探索，人工智能通過分析大規(guī)模數(shù)據(jù)能夠迅速篩選出性能卓越的儲能材料，其中應用較為廣泛的領域有篩選優(yōu)質電極材料(正極/陰極)、篩選彈性納米材料、篩選耐高溫聚合物、高熱容固體材料以及基于AI技術研究材料篩選效率的影響因素等。這一整合人工智能的儲能技術不僅提高了系統(tǒng)的智能化水平，更為能源存儲領域帶來了更快速、精準的科技進步，為可持續(xù)能源的大規(guī)模應用打開了新的前景。
2.2.1 識別
模型參數(shù)識別：Li等提出了一個數(shù)據(jù)驅動的參數(shù)識別框架，利用人工智能技術對鋰離子電池進行電化學模型的現(xiàn)實世界應用，即采用布谷鳥搜索算法。該框架僅使用電流和電壓數(shù)據(jù)作為多目標全局優(yōu)化的輸入，同時考慮了模型和電池之間的電壓誤差以及兩個電極之間的相對容量誤差。通過基于靈敏度分析的多步驟識別過程，提高了對低靈敏度參數(shù)的識別精度。此外，通過采用受機器學習訓練過程啟發(fā)的新識別過程，進一步解決了使用有限電池數(shù)據(jù)時的過擬合問題。在恒流放電和實際驅動循環(huán)下，數(shù)據(jù)驅動方法的全電池電壓最大均方根誤差分別為9 mV和12.7 mV，僅為實驗識別方法的17.9%和42.9%。這一研究為電化學模型的參數(shù)辨識提供了一種有效的數(shù)據(jù)驅動方法，提高了在實際應用中的準確性和適用性。
退化模式識別：Li等通過整合現(xiàn)場數(shù)據(jù)、基于阻抗的建模和人工智能，提出了一個鋰離子電池的退化診斷框架。該框架通過準確和魯棒的容量和功率衰減估計以及退化模式分析，徹底改變了退化識別。利用低動態(tài)和高動態(tài)的場數(shù)據(jù)，采用多步布谷鳥搜索算法的數(shù)據(jù)驅動參數(shù)識別方法，考慮參數(shù)敏感性差異。即使在傳感器噪聲下，該方法在老化參數(shù)估計和退化模式識別方面仍表現(xiàn)出較高的準確性和魯棒性。這一研究為鋰離子電池的退化診斷提供了一種有效的綜合方法，充分利用了實時場數(shù)據(jù)和機器學習技術，以提高對電池狀態(tài)的理解和預測。
最佳性能指標識別：Jin等提出了一個機器學習輔助計算框架，旨在識別具有最佳性能指標的高溫儲熱系統(tǒng)(HT-RTES)站點。該框架通過將基于物理的模擬與隨機水文地質結構和熱能儲存操作參數(shù)相結合，融合了模擬數(shù)據(jù)的人工神經(jīng)網(wǎng)絡回歸和遺傳算法支持的多目標優(yōu)化。這一綜合方法能夠更全面考慮地質結構、操作參數(shù)和性能指標之間的復雜關系，以輔助選擇具有最佳性能的高溫儲熱系統(tǒng)站點。這項研究為實現(xiàn)凈零碳經(jīng)濟目標提供了一種有前景的方法，特別是在平衡可再生能源發(fā)電的間歇性方面。
2.2.2 材料分類
電池老化模式分類：Kim等首次提出了一個基于合成數(shù)據(jù)的深度學習建?？蚣埽糜诳焖?、自動地對電池的老化模式進行分類和量化，并進行了實驗驗證。通過使用大約26000種初始條件和老化模式的合成dQ/dV曲線，該框架對不到100個循環(huán)內進行快速充電的電池的主要老化模式進行了分類。在分類后，該框架對22個Gr/NMC532軟包電池在不同充電速率(1C～9C)下進行了多達600次循環(huán)的老化模式的演變進行了量化，這些模式通常與循環(huán)不均勻相關。這項研究為電池老化的快速分類和量化提供了一種有效的深度學習方法，并在實驗中成功應用于不同充電速率下的電池測試。
集成高能效線性分類器提取信號特征和結構：Xu等提出了一種基于機器學習的讀出通道，適用于多執(zhí)行器數(shù)據(jù)存儲系統(tǒng)，通過決策樹分類和梯度提升直接檢測數(shù)據(jù)符號。該學習模塊集成了高能效線性分類器，從原始回讀信號中提取特征和結構。實驗結果表明，該檢測精度高，對碼間干擾(ISI)和抖動噪聲具有魯棒性。低復雜度的機器學習模塊對低信噪比的原始數(shù)據(jù)進行分類，實時準確率高于95.8%，功耗僅為53 mW。這一技術的提出為多執(zhí)行器數(shù)據(jù)存儲系統(tǒng)提供了一種高效、精確的數(shù)據(jù)檢測方法，具有在復雜噪聲環(huán)境下表現(xiàn)出色的特點。
2.2.3 材料篩選
篩選鋰離子、鈉離子和鉀離子電池中氧化還原穩(wěn)定的高電位陰極：Carvalho等提供了一個強大的人工智能驅動框架，旨在加速發(fā)現(xiàn)用于鋰離子、鈉離子和鉀離子電池的新型有機基材料。該平臺能夠預測相應電池的開路電壓，并提供對材料氧化還原穩(wěn)定性的初步評估。該模型應用于對45萬個小分子的篩選，以尋找新的高電位陰極。在鋰離子、鈉離子和鉀離子電池中，提出了分別有3202、689和702種新化合物的候選名單，僅考慮氧化還原穩(wěn)定的候選化合物。
篩選新型有機電極材料：Carvalho等通過將人工智能(AI)和量子力學相互作用，開發(fā)并應用了一種替代但系統(tǒng)的方法，以加速發(fā)現(xiàn)適用于有機電極材料(OEM)的合適陰極活性物質。該AI內核允許對龐大的有機分子庫進行高通量篩選，發(fā)現(xiàn)了459種有前途的新型OEM候選物，這些候選物有望實現(xiàn)超過1000 Wh/kg的理論能量密度，從而克服了與能量密度、倍率能力和循環(huán)穩(wěn)定性相關的挑戰(zhàn)性問題。此外，該機器學習模型準確識別了導致更高電壓電極的常見分子官能團，并指出了一種有趣的供體-受體效應，這可能推動陰極活性OEM的未來設計。這項工作為開發(fā)具有可持續(xù)性和多功能性的新型有機電極材料提供了一種創(chuàng)新的方法。
組合搜索空間大小對材料發(fā)現(xiàn)效率的影響：Yuan等通過比較兩種基于機器學習的方法的性能，證明了在低電場下最大限度地提高無鉛BaTiO3基電介質的能量存儲密度是值得考慮的問題。該研究探討了組合搜索空間大小的變化如何影響材料發(fā)現(xiàn)的效率，涉及不同級別的物理見解。從物理直覺出發(fā)，提供了指導原則，以在鐵電相和弛豫鐵電相之間的成分-溫度相圖中找到更好表現(xiàn)者。這種方法限制了多摻雜固體解決方案，并促使使用兩種數(shù)據(jù)驅動的機器學習和設計策略，并具有實驗反饋回路。其中，策略Ⅰ考慮了所有化合物的學習和性質預測，而策略Ⅱ學習在進行預測的交叉區(qū)域中預先選擇化合物。通過策略Ⅱ僅執(zhí)行兩個主動學習回路，該研究為在低電場下提高無鉛BaTiO3基電介質的能量存儲密度提供了一種有前景的方法。
結合機器學習和密度泛函理論的高熱容固體材料篩選方法：Ojih等通過對來自全密度泛函理論(DFT)計算的3377個高質量數(shù)據(jù)的訓練，有效尋找具有高熱容的潛在材料。他們構建了4個傳統(tǒng)的機器學習模型和兩個圖神經(jīng)網(wǎng)絡模型，用于預測從開放量子材料數(shù)據(jù)庫中篩選出的32026個結構的熱容。研究通過交叉比較不同模型的預測性能和準確性，發(fā)現(xiàn)deeperGATGNN模型具有較高的預測精度。研究深入了解了熱容與結構描述符(如空間群、原型、晶格體積、原子量等)之間的相關性，預測了22個具有較高熱容量的結構，并通過DFT計算進一步驗證了結果。這項研究為加速發(fā)現(xiàn)新型熱能存儲材料鋪平了道路，通過將機器學習與最小的DFT查詢相結合，提高了材料科學中熱容要求的固體材料的潛在性。
結合遺傳算法和機器學習預測器篩選耐高溫耐高電場的聚合物：為了滿足新興電氣化技術的需求，需要能夠在高溫下承受高電場的聚合物?？紤]到聚合物的搜索空間龐大，傳統(tǒng)的、基于直覺和經(jīng)驗的愛迪生方法在發(fā)現(xiàn)滿足這些需求的新聚合物方面進展較慢。Kern等將遺傳算法與5個基于機器學習的屬性預測器相結合，設計了超過50000種具備目標屬性的假設聚合物。此外，使用基于聚合物可合成性的標準，將這些聚合物縮小到23種可能可合成的候選聚合物和3665種可合成的候選聚合物。這一研究采用了創(chuàng)新的方法，利用遺傳算法和機器學習屬性預測器的結合，加速了新型高溫、高電場下可用的聚合物的發(fā)現(xiàn)和設計。
探索一維碳納米材料的彈性儲能特性：碳納米材料作為高可靠性、可重復使用和高密度的機械儲能材料被廣泛探索。Zhao等將機器學習技術，特別是機器學習電位(MLP)用來探索一維碳納米材料(CNW)的彈性儲能特性。該研究的重點是使用第一性原理分子動力學模擬數(shù)據(jù)訓練的MLP。研究發(fā)現(xiàn)，這些材料表現(xiàn)出極高的拉伸彈性儲能能力，最大儲能密度范圍為1～2262 kJ/kg。此外，還發(fā)現(xiàn)一些CNW表現(xiàn)出優(yōu)于其拉伸儲能能力的扭轉儲能能力?？傮w而言，這項研究證明了基于機器學習的計算方法在加速新材料的探索和優(yōu)化方面的有效性。
篩選可充電鋅電池中高容量高壓的正極材料：含水電解質的可充電鋅電池被認為是很有前途的替代儲能技術，具有成本低、容積容量大、環(huán)境友好、安全性高等多種優(yōu)點。然而，由于缺乏可靠的正極材料，它們的應用在很大程度上得到了保證。Zhou等提出一種基于機器學習(ML)的方法來預測高容量(>100 mAh/g)和高壓(>0.5 V)的無機材料。從材料項目數(shù)據(jù)庫中篩選了超過約130000種無機材料，并應用基于晶體圖卷積神經(jīng)網(wǎng)絡的ML方法與AFLOW數(shù)據(jù)庫的數(shù)據(jù)相結合，產生了約80種預測的正極材料。其中，大約10種正極材料已被實驗發(fā)現(xiàn)，與實驗測量結果非常吻合，而約70種新的有前途的候選材料已被預測用于進一步的實驗驗證。
2.3 儲能材料性能預測
目前，AI在儲電、儲熱技術上的應用是比較熱門的研究方向。在儲電方面，機器學習算法、深度學習框架以及卷積神經(jīng)網(wǎng)絡(CNN)等技術被廣泛應用于電池的性能預測、壽命估計和健康狀態(tài)監(jiān)測。這有助于提高電池系統(tǒng)的效率、降低能源儲存成本，并優(yōu)化電池的使用壽命。在儲熱方面，人工智能技術也用于對可逆熱化學反應的動態(tài)行為、供暖系統(tǒng)功率以及儲熱相變材料的熔化時間等進行預測。這有助于優(yōu)化熱能儲存系統(tǒng)的性能，提高能源利用效率。此外，人工智能技術在太陽能、風能等間歇性新能源領域也有應用。通過預測能源產生和需求之間的平衡，人工智能可以幫助提高可再生能源的整體可靠性和可持續(xù)性。這些應用體現(xiàn)了人工智能在新能源，特別是儲能材料預測領域具有各種優(yōu)勢，為提高能源系統(tǒng)的效率、降低成本以及實現(xiàn)可持續(xù)發(fā)展目標提供了新的工具和方法。
2.3.1 儲電性能預測
利用機器學習方法對儲電性能進行預測之前通常需要分析儲能性能的影響因素及其重要性排序。Zhang等提出了一種新的物理特征驅動的電池壽命預測方法，通過機器學習捕捉物理特征與電池壽命之間的關系。該方法能夠預測電池的剩余使用壽命(RUL)和拐點，并首次實時對電池壽命進行分類。Zhang等提出了一種ML方法，用于快速準確地預測多硫化LiPS的結合能。他們分析了不同吸附位點、構型和距離對LiPS被吸附時結合能的影響，對理解LiPS與宿主的吸附機理具有重要意義。這項工作提供了一種有效的ML方法，用于篩選和發(fā)現(xiàn)新的AB2二維層狀材料，以抑制鋰硫電池的穿梭效應。Ghosh等首次從材料比容量的角度闡述了特征(材料組成、形貌、表面積等)的重要性，并應用機器學習來預測超級電容器電極的材料性能。這項工作旨在提高對超級電容器材料性能的理解，并為尋找性能更優(yōu)越的電極材料提供指導。
Xiong等提出一種結合了相關系數(shù)、最小絕對收縮率和選擇算子回歸、鄰域分量分析以及ReliefF算法等63種算法的方法，用于估計鋰離子電池(LiB)的健康狀態(tài)(SOH)。該方法旨在從實測參數(shù)和計算參數(shù)中篩選出最重要的特征，以實現(xiàn)對老化過程的特征進行準確估計。為了驗證所提方法的有效性，研究采用了兩種鋰離子電池，分別是NCA和LFP電池，并對它們的健康管理進行了SOH估算。這意味著通過提取關鍵特征，結合多種算法，可以更準確地估計鋰離子電池的健康狀態(tài)，有助于提高對電池壽命和性能的理解，從而改進電池管理系統(tǒng)。
Duan等通過基于深度學習的方法，開辟了一種全面監(jiān)控電池性能的新途徑。他們利用CNN來預測電池在完全充電和完全放電狀態(tài)下的阻抗譜，為電池壽命的監(jiān)測提供了一種全新的手段。這個方法只需要在恒流充電下收集輸入數(shù)據(jù)，并建立了包含1500個電池在較寬壽命范圍內采集的多個阻抗譜的電池退化數(shù)據(jù)集。驗證結果顯示，所提出的方法在充電數(shù)據(jù)不完整的情況下仍能提供可靠的預測。這對于電池性能監(jiān)測和壽命預測具有重要的應用前景。Li等提出了一種數(shù)據(jù)驅動的預測框架，旨在準確預測鋰離子電池的容量和功率衰減。該框架采用了多任務學習的方法，能夠同時預測容量和內阻的退化軌跡，包括拐點和壽命終止點。驗證結果顯示，該模型在電池壽命早期就能準確預測容量和內阻的退化，平均百分比誤差分別為2.37%和1.24%。相比于單任務學習模型，該多任務學習模型具有顯著的預測精度提高和計算成本降低的特點。這項研究凸顯了多任務學習在鋰離子電池退化預測中的優(yōu)越性。
Lu等提出了一種深度學習框架，將RUL預測擴展到在固定和隨機未來運行條件下的充放電容量軌跡的預測。該框架以循環(huán)神經(jīng)網(wǎng)絡(RNN)為核心，通過整合未來的當前計劃和少量的早期容量電壓數(shù)據(jù)作為輸入，實現(xiàn)了對電池性能的預測。研究采用了77個商用電池進行案例研究，結果顯示，僅使用3.8%的全壽命數(shù)據(jù)，NMC/石墨電池的預測中位數(shù)均方根誤差(RMSE)可以在2.4%以內，LFP/石墨電池的預測中位數(shù)均方根誤差(RMSE)可以在2.3%以內。與現(xiàn)有方法相比，該框架的預測表現(xiàn)更準確，對固定和隨機未來條件均具有非常均衡的性能。這項研究強調了基于RNN預測電池性能未來的潛力。
Tian等提出了一種新穎的方法，通過使用短期充電數(shù)據(jù)，利用卷積神經(jīng)網(wǎng)絡(CNN)估計電池的最大容量和剩余容量，從而同時解決健康狀態(tài)和充電狀態(tài)的估計問題。這一方法與傳統(tǒng)的基于特定運行數(shù)據(jù)估計單一狀態(tài)的研究不同。這種新方法的靈活性使其能夠在更短的時間內提供對電池狀態(tài)的準確估計。
Zahid等則提出機器學習算法作為電動汽車電池SOC估計的替代方案。通過在先進車輛模擬器(ADVISOR)中進行仿真實驗，評估了ML算法與現(xiàn)有濾波算法的性能。研究中使用的輸入?yún)?shù)包括電池電流、電池模塊溫度、電池輸出功率(可用和請求)、電池功率損耗和從電池中去除的熱量。通過從ADVISOR收集的數(shù)據(jù)進行模型的訓練和測試，研究表明ML算法對于不同類型的電池(鋰離子電池、鎳氫電池和鉛酸電池)在通用的驅動循環(huán)條件下都具有適用性。
聚合物介質電容器因其高功率密度而廣泛用于脈沖功率器件。由于純聚合物的介電常數(shù)低，因此需要無機填料來改善其性能。填料的尺寸和介電性能將影響聚合物基復合材料的介電擊穿。然而，僅通過實驗并不能完全獲得填料對擊穿強度的影響。Yue等考慮了影響聚合物基復合材料擊穿強度的3個最重要變量：填料介電常數(shù)、填料尺寸和填料含量。對504組數(shù)據(jù)進行高通量隨機擊穿模擬，并將模擬結果作為機器學習數(shù)據(jù)庫，得到聚合物基復合材料的擊穿強度預測。結合經(jīng)典介電預測公式，得到了聚合物基復合材料的儲能密度預測。通過介電常數(shù)和擊穿強度等定向實驗驗證了預測的準確性。這項工作為電容式儲能應用中具有高能量密度的聚合物基復合材料的設計和制造提供了見解。
Lliadis等提出了一種預測性BESS，該系統(tǒng)集成了ML方法，用于預測負載和間歇性太陽能和風能發(fā)電，以及自定義調度算法，該算法可計算實現(xiàn)所需水平效果的必要BESS設定點。調度算法的一個重要特征是，每天的充電和放電能量在設計上是相等的，并且與預測的準確性無關。這方面使經(jīng)濟研究能夠確定特定系統(tǒng)的適當BESS容量，同時考慮到電池的容量退化。
Ding等全面總結了不同環(huán)境和使用場景下材料和電池水平劣化機制的演變，包括老化機制、降解模式和外部影響之間的復雜關系，這些都是建模仿真和機器學習技術的基石。展示了電化學模型與電池內部退化機制以及老化參數(shù)的識別和跟蹤的最新進展，特別強調了電極平衡和機器學習輔助可靠剩余使用壽命預測的預期趨勢。電芯級老化的精確仿真預測將繼續(xù)在先進的智能電池研究和管理中發(fā)揮重要作用，在縮短實驗序列的同時提高其性能。
2.3.2 儲熱性能預測
近年來，離子液體(IL)和深共晶溶劑(DES)等綠色新溶劑引起了廣泛興趣，因為它們具有高度可調的特性，特別在能源和儲熱領域中作為綠色溶劑的應用備受關注。然而，它們在理論上無限的化學空間限制了它們的實際應用，并且缺乏關于其可行性的普適規(guī)律。Lemaoui等首次結合分子建模和機器學習，開發(fā)了一種全面工具，用于繪制IL和DES的熱導率空間，將其引入工業(yè)現(xiàn)實作為綠色溶劑的選擇。使用了兩種分子表示：σ譜圖(σp)和臨界屬性(CP)。此外，評估了6種ML算法，結果顯示人工神經(jīng)網(wǎng)絡(ANN)對熱導率空間的快速準確預測值為0.995和0.991。這項工作展示了以數(shù)據(jù)為中心的建模在預測IL和DES的化學空間方面的強大性，以推動它們在各種潛在應用中作為綠色溶劑的采用，包括儲能、燃料電池和二氧化碳捕獲。
最近，相變材料(PCM)在提高熱能存儲(TES)平臺性能和可靠性方面引起廣泛關注。相變材料利用其高潛熱值可以提高儲能密度，從而在TES應用中提供緊湊的設備外形。通常，無機相變材料比有機相變材料提供更高的潛熱值，但通常以可靠性為代價。無機相變材料的一個關鍵問題是啟動成核所需的更高程度的過冷度，這可能降低其可靠性、凈儲能容量和TES平臺的額定功率。為了緩解這些問題，Ren等使用了機器學習技術，特別是多層感知器模型(MLP)，來改善CFT的利用能力。在PCM熔化實驗中，溫度瞬變被用來研究這種深度學習技術的效能，以預測達到PCM指定熔化分數(shù)所需的時間。結果表明，研究設計和實施的人工神經(jīng)網(wǎng)絡(ANN)模型能夠準確地預測達到預先指定的熔體分數(shù)所需的時間，顯示出出色的準確性。然而，該方法對于用于訓練ANN(MLP)算法的數(shù)據(jù)集的保真度更為敏感。
Tasneem等使用了5種強大的機器學習算法，分別是k-近鄰(KNN)、最小絕對收縮和選擇算子(LASSO)、極端梯度增強(XGBoost)、支持向量機(SVM)和貝葉斯脊精確模型，來預測可逆熱化學反應系統(tǒng)的動態(tài)行為。該研究旨在找到硝酸銨和氫氧化鉀之間的最佳公式和模型，以解釋可逆熱化學反應的動態(tài)行為。這5種機器學習算法在此研究中的應用表明，它們能夠提供對可逆熱化學反應系統(tǒng)動態(tài)行為的準確預測。不同算法的選擇可能受到具體應用背景、數(shù)據(jù)特性和問題要求的影響。這種方法為理解和優(yōu)化可逆熱化學反應系統(tǒng)提供了一種有效的工具，并為未來類似問題的研究提供了方法學上的參考。
Alden等提出了一種超快的一分鐘分辨率混合機器學習模型(HMLM)，作為建筑建模的一部分，特別是用于供暖、通風和空調(HVAC)負載以及等效儲能計算。這個模型被設計為替代廣泛使用的復雜白盒模型，因為白盒模型計算量大，無法在沒有仿真時間延遲的情況下用于高分辨率分布式能源(DER)平臺。HMLM使用組合的k均值聚類和多元線性回歸(MLR)模型來預測微小HVAC功率，其nRMSE誤差小于10%。這種混合機器學習模型的提出旨在解決白盒模型在計算上的繁重問題，使其更適用于高分辨率的分布式能源平臺，并提供了一種有效的替代方案。
2.3.3 新能源的儲存性能預測
Syed等提出了一種新的平滑控制方法，旨在解決太陽能光伏(PV)系統(tǒng)的間歇性問題，特別是電壓波動、頻率偏差和整體輸出電能質量降低等不規(guī)則行為。該方法采用BESS與太陽能電池板相結合，通過在電網(wǎng)中整合BESS來實現(xiàn)對太陽能波動的平滑和穩(wěn)定。在該系統(tǒng)中，低通濾波器(LPF)等平滑濾波器與BESS集成，以提高系統(tǒng)性能并降低成本。通過機器學習和模型預測控制的概念，他們設計了一個智能控制系統(tǒng)，該系統(tǒng)可以智能地調整LPF時間常數(shù)，從而有效消除PV曲線的波動。該控制器還包括一個神經(jīng)網(wǎng)絡預測系統(tǒng)，用于提高對太陽能功率變化的高精度預測。這種綜合的控制方法通過平滑太陽能波動，同時考慮電池斜坡速率和充電狀態(tài)，有望提高電網(wǎng)中光伏系統(tǒng)的可預測性和可靠性。
Henri等提出了一種監(jiān)督式機器學習方法，用于預測和調度住宅光伏/電池系統(tǒng)下一個運行間隔的實時運行模式。這個方法的核心思想是在基于模式的控制框架下，通過使用機器學習算法來提高控制系統(tǒng)的性能。首先，基于模式的經(jīng)濟模型預測控制方法被用作性能基準，以確定每個控制區(qū)間的最佳操作模式。然后，研究者使用了4種不同的機器學習算法，包括神經(jīng)網(wǎng)絡、支持向量機、邏輯回歸和隨機森林，來比較使用不同數(shù)量的特征和不同長度的訓練集時的性能。通過對歷史數(shù)據(jù)進行訓練，這些機器學習算法能夠更有效地預測下一個運行間隔的最佳操作模式。這項研究的仿真結果表明，相較于傳統(tǒng)的基于模式的經(jīng)濟模型預測控制方法，采用機器學習方法能夠提高系統(tǒng)性能，并減少本地控制器的計算負擔。
Liu等提出了一種考慮風電預測區(qū)間的數(shù)據(jù)驅動儲能管理策略，該策略旨在實現(xiàn)風力發(fā)電與儲能的協(xié)同運行，以保持能量平衡和提高系統(tǒng)的穩(wěn)定性。首先，他們建立了一個基于長短期記憶和上下界估計(LUBE)的功率區(qū)間預測模型，以量化風電的不確定性。這有助于更準確地預測風電發(fā)電功率的范圍，從而為儲能系統(tǒng)提供更有效的管理依據(jù)。這一步驟的創(chuàng)新之處在于解決了傳統(tǒng)LUBE模型無法采用梯度下降法的問題。其次，他們將能量存儲管理問題轉化為馬爾可夫決策過程，并采用深度強化學習進行求解。深度強化學習是一種通過與環(huán)境的交互來學習最優(yōu)策略的機器學習方法，這在解決復雜的、動態(tài)變化的問題上具有很大的潛力?？傮w而言，這種策略的創(chuàng)新之處在于綜合考慮了風電預測區(qū)間、儲能系統(tǒng)管理和深度強化學習，以實現(xiàn)風力發(fā)電與儲能的智能協(xié)同運行。這有助于提高可再生能源系統(tǒng)的可靠性和穩(wěn)定性，降低對傳統(tǒng)能源的依賴。
這些創(chuàng)新的方法突出了將機器學習技術集成到能源存儲系統(tǒng)中，以提高效率、可靠性和穩(wěn)定性，最終有助于可再生能源技術的進步。表5總結了將ML應用于儲能材料的研究進展，包括輔助儲能材料的設計、識別、分類、篩選和性能預測。
表5 ML應用于儲能材料的研究進展
3 AI+儲能對電力系統(tǒng)的影響
AI與儲能技術的結合對電力系統(tǒng)產生了深遠的影響。這種影響體現(xiàn)在多個方面，包括提高電力系統(tǒng)的效率和穩(wěn)定性，優(yōu)化能源分配，降低運營成本，以及促進可再生能源的廣泛應用。AI技術在電力系統(tǒng)的應用，使得我們能夠更好地理解和預測電力需求，從而更有效地進行電力調度。同時，AI也在儲能技術的優(yōu)化和提升中發(fā)揮了關鍵作用，使得儲能系統(tǒng)能夠更高效、更穩(wěn)定地運行。AI技術可以用于預測電力需求，通過分析歷史數(shù)據(jù)和實時數(shù)據(jù)，電力公司可以更準確地預測未來的電力需求，從而更好地進行電力調度。此外，AI還可以用于優(yōu)化電力網(wǎng)絡的運行。通過實時監(jiān)測電力網(wǎng)絡的運行狀態(tài)，AI可以預測和防止?jié)撛诘膯栴}，從而減少電力網(wǎng)絡的故障率。在儲能技術方面，AI可以用于優(yōu)化儲能系統(tǒng)的充電和放電策略。通過分析歷史數(shù)據(jù)和實時數(shù)據(jù)，AI可以預測未來的電力需求，從而決定何時充電何時放電，以達到最優(yōu)的運行狀態(tài)。這不僅可以提高儲能系統(tǒng)的效率，還可以延長儲能系統(tǒng)的使用壽命。
3.1 智能電網(wǎng)建設
AI對智能電網(wǎng)建設的影響深遠而廣泛。AI技術為智能電網(wǎng)提供了強大的數(shù)據(jù)處理和分析能力，使得電網(wǎng)能夠更準確地預測和應對電力需求的變化。同時，AI也在優(yōu)化電力調度、提高電網(wǎng)運行效率、降低運營成本等方面發(fā)揮了重要作用。此外，機器學習算法可以分析理解電力市場中的價格形成動態(tài)，調節(jié)負載的頻率波動，提高系統(tǒng)的穩(wěn)定性和可靠性，有助于降低用戶對電力系統(tǒng)的依賴。未來，隨著AI技術的進一步發(fā)展，智能電網(wǎng)將更加智能化、高效化，為電力系統(tǒng)的可持續(xù)發(fā)展提供有力支持。圖3展示了智能電網(wǎng)的運行流程。
圖3 智能電網(wǎng)的運行流程
Wijesingha等提出了一種智能住宅能源管理系統(tǒng)，采用機器學習算法，旨在通過有效地切換預先優(yōu)先的可能負載、使用屋頂太陽能和考慮負載轉移算法來實現(xiàn)在電網(wǎng)和可再生能源本地存儲之間的有效切換，從而降低住宅場所對電網(wǎng)的依賴。具體來說，該系統(tǒng)采用機器學習算法，通過預先優(yōu)先的方式在電網(wǎng)和可再生能源本地存儲之間切換可能的負載，以實現(xiàn)更有效的能源管理。此外，負載轉移算法被考慮，以在住宅中提供盡可能可靠的電力供應，同時降低電費。系統(tǒng)還包括使用人工神經(jīng)網(wǎng)絡的可用平均太陽能功率預測，以及使用強化學習功能來優(yōu)化可用太陽能發(fā)電和儲能的利用。這些功能的整合旨在最大程度地提高可再生能源的利用效率，并減少住宅對傳統(tǒng)電網(wǎng)的依賴。通過引入這樣一種智能住宅能源管理系統(tǒng)，人們可以更方便地實現(xiàn)能源的高效利用，降低電費支出，并減少對傳統(tǒng)能源的依賴，有助于緩解能源危機。
Jain等提出了一個基于機器學習的分析框架，旨在解構可變可再生能源(variable renewable energy，VRE)現(xiàn)代電力市場中價格飆升事件的主要驅動因素。由于電力市場正朝著100%可再生能源大容量電網(wǎng)的方向發(fā)展，電力系統(tǒng)運行和電力市場的動態(tài)正在發(fā)生變化，因此電力市場的價格形成變得更加復雜。傳統(tǒng)的根本原因分析和統(tǒng)計方法在應對現(xiàn)代電網(wǎng)和可變可再生能源市場價格形成背后的主要驅動因素時可能不夠靈活。因此，研究人員提出了一個機器學習的分析框架，旨在更好地理解高VRE電力市場價格飆升事件的原因。這個框架可以應用于任何獨立系統(tǒng)運營商(ISO)或市場的數(shù)據(jù)，但在該研究中，研究人員使用了來自加州獨立系統(tǒng)運營商(CAISO)和ISO新英格蘭(ISO-NE)的開源公開數(shù)據(jù)集。該框架的應用旨在揭示價格上漲事件的各種主要驅動因素，從而為市場設計、可再生能源調度和削減、運營以及網(wǎng)絡安全等方面提供關鍵信息。通過機器學習的方法，研究人員可以更全面、靈活地分析和理解現(xiàn)代電力市場中復雜的價格形成動態(tài)。
Sivakumar等提出了一種基于機器學習的負載頻率控制(LFC)方法，以抵消負載需求波動，特別是當非線性負載連接到電網(wǎng)時可能產生的頻率波動。在連接到負載的任何電網(wǎng)或可再生能源(RES)系統(tǒng)中，頻率調節(jié)對其運行至關重要。在該研究中，考慮了連接到負載的四個領域，包括電網(wǎng)、光伏和風力發(fā)電廠，以及用戶負載。這些領域一起形成一個系統(tǒng)，其中負載的能源需求由太陽能和風能等可再生能源滿足。為了改善系統(tǒng)的頻率控制，研究人員采用了機器學習方法，建立了一個改進的LFC模型。該模型采用了比例積分和微分控制器(PID)控制，以減小振蕩響應，并通過機器學習技術進行改進。這使系統(tǒng)能夠更好地應對由于可再生能源的不穩(wěn)定性和非線性負載引起的頻率波動。研究的重點是通過使用ML來改進負載頻率控制模型，以最大限度地減少快速負載波動，提高系統(tǒng)的可靠性和穩(wěn)定性。
Khoshlessan等將5種機器學習算法應用于與3個微網(wǎng)格社區(qū)相關的一組數(shù)據(jù)，旨在實現(xiàn)智能、精確和快速的決策，以有效控制微電網(wǎng)社區(qū)、適當分配能量并提高關鍵負載的可靠性。在這項研究中，使用了包含測試數(shù)據(jù)和訓練數(shù)據(jù)的數(shù)據(jù)集，其中的信息包括電網(wǎng)電壓、天氣狀況、微電網(wǎng)及其相鄰單元中儲能系統(tǒng)的SOC以及一天中的時間。運行模式通過機器學習算法實現(xiàn)，這些算法對各種能量進行管理，將其從可用來源分配到最優(yōu)選的負載中。采用的5種機器學習算法分別是隨機森林、決策樹、邏輯回歸、SVM和梯度提升。這些算法通過對數(shù)據(jù)進行學習和訓練，使系統(tǒng)能夠根據(jù)當前的電網(wǎng)狀況、儲能系統(tǒng)狀態(tài)、天氣等因素做出合理的決策，以實現(xiàn)微電網(wǎng)社區(qū)的智能管理和優(yōu)化能源分配。
Sheha等的研究關注于能源需求預測，旨在通過機器學習技術提高整個城市能源需求的預測準確性，并通過調整能源價格，利用存儲和靈活負載來實現(xiàn)能源的正確分配和有效利用。研究中比較了不同的機器學習技術，結果表明，具有外生輸入的非線性自回歸神經(jīng)網(wǎng)絡模型在整個城市能源需求的預測上表現(xiàn)最為準確。這種模型利用供暖、通風和空調(HVAC)溫度設定點，通過電池儲能和被動熱能存儲來響應可變價格信號，從而使需求側成為電網(wǎng)調節(jié)的重要資產。這一研究為未來能源需求管理提供了有力的工具和方法，通過機器學習技術為城市能源系統(tǒng)的靈活性和智能性開辟了新的可能性。
為了彌補可再生能源的間歇性并確保向負載供電的連續(xù)性，儲能系統(tǒng)(energy storage system，ESS)，特別是電池儲能(battery energy storage，BES)已經(jīng)出現(xiàn)在電網(wǎng)應用中。電池的重復充電/放電循環(huán)會對其使用壽命產生不利影響，從而降低整體系統(tǒng)的長期可靠性。Mohapatra等對支持向量回歸(SVR)和極限學習機(ELM)進行了脊回歸的比較研究。為了進一步提高ELM的性能，通過使用將誤差系數(shù)估計值降低到零的懲罰因子來執(zhí)行回歸分析，最后提出了線性回歸的擴展，即脊回歸，它使用多元回歸數(shù)據(jù)來最小化預測誤差。
3.2 可再生能源集成與管理
可再生能源是一種可持續(xù)利用的能源，主要包括太陽能、水能、風能、生物質能等。這些能源在自然界中可以循環(huán)再生，因此被稱為可再生能源?？稍偕茉丛诃h(huán)保和可持續(xù)發(fā)展方面具有重要意義。它們不僅可以減少對傳統(tǒng)化石能源的依賴，降低環(huán)境污染，還可以為經(jīng)濟發(fā)展提供新的動力。因此，許多國家和地區(qū)都在積極推廣可再生能源的應用，AI技術為可再生能源集成與管理提供了強大的支持和優(yōu)化，其影響深遠而積極。通過AI的預測和優(yōu)化，可再生能源的利用率得以提高，能源管理更加高效。同時，AI還為可再生能源的穩(wěn)定運行提供了保障，減少了波動和不確定性。其中機器學習、人工神經(jīng)網(wǎng)絡(ANN)、循環(huán)神經(jīng)網(wǎng)絡(RNN)以及強化學習在可再生能源的集成與管理中已取得了初步成效。Donti等綜述了利用機器學習來促進可持續(xù)能源系統(tǒng)的開發(fā)和運行的方式，概述了使用機器學習進行可持續(xù)能源生產、交付和存儲的現(xiàn)有研究。
Shibl等的研究聚焦于可再生能源的調度管理，提出了一種基于ML的兩階段混合發(fā)電廠(hybrid power plant，HPP)能源調度管理系統(tǒng)。這個系統(tǒng)的目標是協(xié)調可再生能源(光伏和風電)、儲備能源(儲能系統(tǒng))和備用能源(如柴油、燃料電池、輔助負載等)，以降低HPP的功率波動，實現(xiàn)調峰填谷的效果。第一階段旨在預測可再生能源的功率輸出以及負載需求。這有助于提前了解發(fā)電和用電的情況，從而更好地準備應對功率變化。第二階段旨在協(xié)調儲備和備用能源的能源輸出，以滿足系統(tǒng)的需求。通過這種協(xié)調，系統(tǒng)可以更靈活地應對可再生能源波動，并在需要時調動備用能源。研究中使用了不同的機器學習技術，比較它們的性能，結果表明長短期記憶(LSTM)提供了最佳的結果，具有較低的均方誤差和較高的解釋方差得分。這意味著LSTM在預測可再生能源輸出和負載需求方面表現(xiàn)出色?？傮w而言，該系統(tǒng)證明了對HPP中能源調度管理的有效性，通過成功平滑HPP負載曲線，提高了電力系統(tǒng)的可靠性。此外，系統(tǒng)還表現(xiàn)出對光伏和風力發(fā)電輸出不確定性以及負載需求變化的魯棒性。
Kamalakannan等提出了一種基于RNN的混合動力汽車(HEV)電源儲能和管理系統(tǒng)設計的新策略。該方法的核心思想是將基于RNN的預測模型與HEV的能量存儲和管理系統(tǒng)集成，以實現(xiàn)對車輛未來駕駛模式的準確預測和優(yōu)化能量管理系統(tǒng)的目標。首先，使用歷史駕駛數(shù)據(jù)訓練RNN模型，該模型能夠預測車輛未來的駕駛模式。這有助于系統(tǒng)更好地了解即將發(fā)生的駕駛狀況。預測的駕駛模式被用于優(yōu)化能量管理系統(tǒng)，其中包括對電池充電和放電操作的控制，以及電池與其他電源之間的功率分配。最后使用高保真HEV模型對現(xiàn)實世界的駕駛數(shù)字進行模擬，以評估所提出方法的性能。通過仿真，研究人員比較了基于RNN的能量存儲和管理系統(tǒng)與傳統(tǒng)的基于規(guī)則的控制策略。研究的最終結果表明，前者在能源效率、電池壽命和車輛性能方面都優(yōu)于后者。這種方法為創(chuàng)建更高效的HEV能源管理系統(tǒng)提供了一種有前途的途徑，有望顯著提高混合動力汽車的燃油經(jīng)濟性、減少排放并延長電池壽命。
Abarna等設計和開發(fā)了一種基于機器學習的并網(wǎng)多相能源管理系統(tǒng)，旨在應對能源危機和提高可再生能源利用率。該系統(tǒng)整合了風力渦輪機、光伏電池和柴油發(fā)電機，以確保在不同天氣和時間條件下提供連續(xù)的電力輸出。通過機器學習算法，系統(tǒng)預測天氣條件、優(yōu)化發(fā)電機和儲能系統(tǒng)運行策略，并實時監(jiān)測以滿足電力需求。系統(tǒng)考慮多個目標，包括供電損失概率(LPSP)和系統(tǒng)年化成本(ACS)。此外，多相能源系統(tǒng)可以以獨立運行模式或與電網(wǎng)并網(wǎng)運行，以適應不同的工作模式和需求。這一研究為創(chuàng)造高效、可靠和成本效益的多相能源管理系統(tǒng)提供了新的思路。
Lin等提出了一種創(chuàng)新的方法，采用廣義可加模型(generalized add models，GAM)和基于機器學習的人工神經(jīng)網(wǎng)絡(artificial neural network，ANN)模型，用于預測綜合發(fā)電和儲能系統(tǒng)的最佳收益。該研究以常規(guī)水電為例，使用能源與環(huán)境資源系統(tǒng)生成預測方程和模型。這一方法旨在支持電廠所有者或運營商在選擇電池尺寸方面做出決策，以最大化財務績效。通過比較GAM和ANN的性能，研究提供了有助于優(yōu)化發(fā)電和儲能系統(tǒng)的預測技術，從而在集成可再生能源和儲能系統(tǒng)中實現(xiàn)最大收益。
Lee等提出了一種數(shù)據(jù)驅動的方法，采用強化學習來優(yōu)化智能家居的能耗，包括屋頂太陽能光伏系統(tǒng)、儲能系統(tǒng)和智能家電。相較于現(xiàn)有基于模型的家庭能源管理系統(tǒng)優(yōu)化方法，該方法具有以下新穎之處：①對于單個可控家電(如空調或洗衣機)，應用了無模型的Q學習方法進行能耗調度，以及儲能系統(tǒng)的充放電；②利用人工神經(jīng)網(wǎng)絡預測室內溫度，協(xié)助提出的Q學習算法準確地了解室內溫度與空調能耗之間的關系。所提出的Q-learning家庭能源管理算法結合了人工神經(jīng)網(wǎng)絡模型，可以將消費者的電費降低到首選的舒適度水平(如室內溫度)，并考慮電器的運行特性。這一方法為提高智能家居的能源效率提供了一種創(chuàng)新的數(shù)據(jù)驅動框架。
Keynia等提出一種基于風電產量、電價和財務損益(financial losses and gains，F(xiàn)LG)預測與儲能相結合的方法。為了預測未來24 h的電價、風力發(fā)電量和FLG，采用了基于LSTM方法的深度學習時間序列預測和基于MRMI方法的輸入選擇的混合方法。為此，首先，風力發(fā)電商根據(jù)歷史數(shù)據(jù)預測未來24 h的電價和風力發(fā)電量。根據(jù)相同的預測值，為參與日前電力市場設定了初始報價。之后，風力發(fā)電商根據(jù)FLG預測方法修改其風力發(fā)電量，由于FLG信號具有高度的波動性，因此直接將預測結果應用于擬議的風力發(fā)電產品效率并不高。相反，采用FCM方法對FLG分類并預測FLG類別標簽，對提高風電企業(yè)對電力市場的投標建議更有幫助。最后，風力發(fā)電商可以通過與儲能單元的互動來提高其參與電力市場的利潤。
太陽能處處皆有，可直接開發(fā)利用，便于采集，且無需開采和運輸，但用傳統(tǒng)的預測方法預測太陽能相當困難，與傳統(tǒng)方法相比，機器學習算法由于其具有不確定參數(shù)的學習能力而顯示出更高的準確性。在這種可再生能源的不確定性下，太陽能光伏(solar photovoltaic，SPV)、BESS和熱力機組等市場參與者面臨著優(yōu)化調度策略的挑戰(zhàn)。Pattanaik等使用多層感知器(MLP)、RNN和LSTM等監(jiān)督學習方法來預測日前市場的每小時SPV。結果表明，在33種機器學習方法中，具有密集度的LSTM是一種較好的預測方法，且獲得了較高的精度。同時還研究了BESS日前逐時預測SPV的優(yōu)化運行以及每小時熱單位調度中的作用。該研究的主要目標是在SPV-BESS-Thermal單元集成系統(tǒng)中優(yōu)化分配BESS，形成主動配電網(wǎng)絡，以在線路意外事件和SPV等不確定性下最大限度地降低運營成本。短期市場獲得熱單位、BESS和預測SPV的每小時調度。通過改進的IEEE總線系統(tǒng)驗證了所提方法的驗證，并通過混合整數(shù)線性規(guī)劃進行了求解。
在電動汽車中同時使用多個儲能單元會使動力總成系統(tǒng)更加復雜和難以控制。為此，Yavasoglu等針對具有復雜動力結構的增程式純電動汽車(battery electric vehicles，BEV)提出了一種先進的能量管理策略(energy management strategy，EMS)。混合儲能系統(tǒng)(hybrid energy storage system，HESS)由電池、超級電容器(UC)、燃料電池(FC)組成，車輛由兩個互補的推進器驅動。為了提高動力總成效率，牽引力由推進器以不同的速率同時共享。HESS裝置根據(jù)以下目標共享推進功率：延長電池壽命、有效利用UC和FC。首先，為了優(yōu)化HESS中的功率分配，提出了一個凸優(yōu)化問題來滿足給定的目標，從而延長電池壽命5年。然而，由于必須考慮過多的參數(shù)，并且并非所有系統(tǒng)都適合線性化，因此復雜系統(tǒng)的凸優(yōu)化可能很困難。因此，該研究繼續(xù)提出一種基于神經(jīng)網(wǎng)絡的ML算法來解決多目標能源管理問題。利用凸優(yōu)化輸出對所提出的神經(jīng)網(wǎng)絡模型進行訓練，根據(jù)仿真結果，訓練好的神經(jīng)網(wǎng)絡模型在凸優(yōu)化結果為92.5%以內求解了優(yōu)化問題。
4 展 望
本篇綜述通過深入研究AI與儲能技術的融合，全面概述了人工智能在儲能領域的應用進展。筆者首先概述了機器學習的關鍵技術，并強調了AI在儲能材料設計、識別、分類、篩選和性能預測方面的研究進展，最后簡要總結了AI+儲能技術對智能電網(wǎng)建設和可再生能源集成與管理的貢獻。盡管AI技術在儲能材料研究中取得了顯著成果，但在實際應用中仍存在一些問題，需要進一步深入研究。筆者提出了未來研究的重點。
（1）利用先進的機器學習算法或模型，更深入地探索儲能材料特征與性能的關系，建立系統(tǒng)的特征-性能影響機制，并尋找更精準的特征重要性排序方法。為了更深入地探索儲能材料特征與性能的關系，需要探索更先進有效的機器學習算法或模型。這些算法可以處理大量的數(shù)據(jù)，并從中提取有用的信息，以幫助我們更好地理解儲能材料的性質和行為。通過建立系統(tǒng)的特征-性能影響機制，全面了解儲能材料在不同條件下的性能表現(xiàn)，有助于預測儲能材料的未來行為，以及如何調整材料的特征以獲得更好的性能。此外，可以尋找更精準的特征重要性排序方法，確定哪些特征對儲能材料的性能影響最大，從而為材料設計和優(yōu)化提供指導。通過了解特征的重要性，有助于更好地理解材料的性質，并找到改進材料性能的途徑。
（2）建立系統(tǒng)的儲能材料質量標準是促進儲能技術發(fā)展和應用的重要步驟，這可以使儲能材料的識別、分類和篩選研究更加多元化和全面化。首先需要明確儲能材料的定義和范圍，包括各種電池類型、超級電容器、儲氫材料等。這有助于確保在討論和比較不同儲能材料時具有共同的基礎。此外，著力制定關于儲能材料性能的標準以評估不同材料在特定應用中的適用性，如能量密度、功率密度、循環(huán)壽命、安全性等?？紤]儲能材料的制造過程、環(huán)境影響和資源利用。制定關于材料可持續(xù)性、可回收性和生命周期評估的標準，以推動更環(huán)保的材料選擇。另一方面，開發(fā)一個統(tǒng)一的儲能材料分類系統(tǒng)十分必要，根據(jù)材料的性質、性能和應用領域進行分類，以便研究人員更容易地比較和選擇適當?shù)膬δ懿牧?。同時，還可以創(chuàng)建一個共享的儲能材料數(shù)據(jù)庫，收集各種儲能材料的性能數(shù)據(jù)、研究成果和應用案例，促進信息交流和合作，加速儲能材料的研究和開發(fā)。
（3）探索新的AI技術在儲能領域的應用前景，為儲能技術的發(fā)展注入新動力，比如計算機視覺、無監(jiān)督學習模型和遷移學習。計算機視覺技術可以用于儲能設備的監(jiān)測和故障診斷。通過圖像識別和模式識別，可以檢測設備的異常情況，如電池老化、泄漏等，從而及時采取措施進行維護和修復。無監(jiān)督學習模型可以從大量數(shù)據(jù)中提取有用的特征和模式，而不需要明確的標簽。在儲能領域，無監(jiān)督學習模型可以用于電池老化預測、能源需求預測等任務。通過聚類和降維等技術，可以發(fā)現(xiàn)數(shù)據(jù)的內在結構和規(guī)律，為后續(xù)的分析和應用提供支持。深度學習技術可以對儲能設備的性能進行預測和優(yōu)化，強化學習技術可以對儲能系統(tǒng)的運行策略進行學習和優(yōu)化，利用遷移學習技術可以將其他領域的模型應用于儲能領域。
（4）研究可解釋的人工智能技術，構建具有因果邏輯的機器學習模型，提高AI+儲能的融合決策的可信度，更精準地為能源開發(fā)、儲存和轉化生產提供服務。以下是構建因果可解釋AI模型的一些建議：①收集大量關于儲能系統(tǒng)和AI技術的數(shù)據(jù)，包括設備的運行狀態(tài)、能源需求、環(huán)境變化等信息。通過數(shù)據(jù)分析和挖掘，發(fā)現(xiàn)AI決策與儲能系統(tǒng)運行之間的因果關系，為后續(xù)的模型構建提供支持。②利用特征工程技術提取與儲能系統(tǒng)和AI決策相關的關鍵特征。通過對這些特征進行選擇和轉換，構建更具代表性和可解釋性的機器學習模型。③選擇具有解釋性的機器學習算法，如決策樹、規(guī)則提取等。這些算法可以提供關于AI決策的直觀解釋，幫助我們理解決策背后的邏輯和原因。④引入因果推理技術，包括決策樹、結構方程模型、反事實推理、貝葉斯網(wǎng)絡、符號有向圖、信息流等，構建具有因果邏輯的機器學習模型。通過分析不同因素之間的因果關系，更準確地預測儲能系統(tǒng)的行為，并為AI決策提供更具可信度的支持。
以上建議將有助于指導未來研究方向，推動AI在儲能領域的更廣泛應用和深化。
