編譯|王婷玉
編輯|姜黎
近年來(lái)，人工智能對(duì)全球經(jīng)濟(jì)社會(huì)發(fā)展產(chǎn)生了重要影響，并在能源行業(yè)及其相關(guān)領(lǐng)域扮演愈發(fā)重要的角色，開(kāi)始應(yīng)用于智能電網(wǎng)、能源設(shè)備、系統(tǒng)智能控制、自動(dòng)駕駛系統(tǒng)和智能能源材料的開(kāi)發(fā)等多個(gè)領(lǐng)域。在能源系統(tǒng)變得更加復(fù)雜的背景下，算法這樣的跨學(xué)科研究能為能源發(fā)展帶來(lái)什么樣的新思路？近日，Elsevier《能源與人工智能》舉辦的“能源與人工智能在線研討會(huì)”第一場(chǎng)會(huì)議上，展示了人工智能相關(guān)方法給電力領(lǐng)域提供的優(yōu)化策略。
預(yù)測(cè)鋰離子電池容量退化曲線中的拐點(diǎn)
高性能電池極大地受益于對(duì)未來(lái)容量損失的準(zhǔn)確、早期預(yù)測(cè)，可以借此改善電池的管理，并盡可能長(zhǎng)時(shí)間地保持特定應(yīng)用的理想性能。
鋰離子電池表現(xiàn)出兩階段容量衰減的行為：容量最初以低速率下降，從某個(gè)起始點(diǎn)開(kāi)始，經(jīng)歷加速降解，曲線顯示成膝型（knee pattern），直到細(xì)胞的壽命結(jié)束(EoL)。愛(ài)丁堡大學(xué)的Gon?alodos Reis博士使用容量退化數(shù)據(jù)進(jìn)行研究，提出了一種可靠的方法來(lái)識(shí)別容量衰減曲線內(nèi)的拐點(diǎn)。在拐點(diǎn)研究的新方法中，研究提出了“拐點(diǎn)起始點(diǎn)（knee-onset）”的概念，用于標(biāo)識(shí)非線性退化的開(kāi)始，并為其提供一種簡(jiǎn)單而強(qiáng)大的識(shí)別機(jī)制。研究將生命周期，拐點(diǎn)和拐點(diǎn)起始點(diǎn)聯(lián)系起來(lái)，預(yù)測(cè)或識(shí)別其中一個(gè)要素能迅速揭示其他要素的變化。
總體來(lái)說(shuō)，這個(gè)研究值得關(guān)注的有以下幾點(diǎn)：建立了一種電池容量下降曲線拐點(diǎn)的新方法；引入了用于拐點(diǎn)早期指示的拐點(diǎn)起始點(diǎn)（knee-onset）的概念和識(shí)別算法；顯示出拐點(diǎn)起始點(diǎn)、拐點(diǎn)和電池壽命終止之間的線性關(guān)系；使用早期周期數(shù)據(jù)和機(jī)器學(xué)習(xí)技術(shù)來(lái)進(jìn)行早期預(yù)測(cè)；對(duì)預(yù)測(cè)的不確定性進(jìn)行了方法上的量化，從而為決策提供了可靠的風(fēng)險(xiǎn)評(píng)估。
數(shù)據(jù)驅(qū)動(dòng)電動(dòng)車(chē)車(chē)隊(duì)智能充電
不斷擴(kuò)大的電動(dòng)汽車(chē)規(guī)模對(duì)充電基礎(chǔ)設(shè)施容量發(fā)出了挑戰(zhàn)。智能充電算法可以為單個(gè)電動(dòng)汽車(chē)制定充電計(jì)劃，旨在公平、有效地分配車(chē)隊(duì)中車(chē)輛之間的充電容量，最大限度地利用充電基礎(chǔ)設(shè)施。實(shí)際上，電動(dòng)汽車(chē)充電過(guò)程是一個(gè)非線性充電曲線，功率隨時(shí)間減少。智能充電必須考慮充電曲線，以減小充電計(jì)劃和實(shí)際電動(dòng)汽車(chē)功耗之間的差距。通常情況下，各種電動(dòng)汽車(chē)是無(wú)法從公開(kāi)渠道獲得有效的充電曲線及其參數(shù)模型的。來(lái)自SAP德國(guó)的Oliver Frendo博士的研究主要解釋了電池電量分布的綜合預(yù)測(cè)如何影響智能充電。團(tuán)隊(duì)提出了一種數(shù)據(jù)驅(qū)動(dòng)方法，將機(jī)器學(xué)習(xí)模型集成到智能充電算法中，以預(yù)測(cè)任意充電曲線。
研究使用包含2016-2018年工作場(chǎng)所充電過(guò)程的數(shù)據(jù)集來(lái)訓(xùn)練機(jī)器學(xué)習(xí)模型，該數(shù)據(jù)集來(lái)自1001輛電動(dòng)汽車(chē)的異構(gòu)電動(dòng)車(chē)隊(duì)，具有18種獨(dú)特模型。每個(gè)充電過(guò)程都包括充電功率的時(shí)間序列。預(yù)處理后，數(shù)據(jù)集包含10.595個(gè)充電過(guò)程，總共產(chǎn)生120萬(wàn)個(gè)數(shù)據(jù)點(diǎn)。然后，研究比較不同的機(jī)器學(xué)習(xí)模型進(jìn)行電荷分布預(yù)測(cè)，包括線性回歸，神經(jīng)網(wǎng)絡(luò)和XGBoost。最終發(fā)現(xiàn)XGBoost產(chǎn)生最準(zhǔn)確的預(yù)測(cè)，平均絕對(duì)誤差（MAE）為126W，相對(duì)MAE為0.06。仿真表明，與不考慮充電特性的智能充電相比，使用集成的XGBoost模型進(jìn)行智能充電可以提高基礎(chǔ)設(shè)施的使用效率，最多可多充電21%。
參考文獻(xiàn)：
1.https://www.journals.elsevier.com/energy-and-ai/news/upcoming-energy-and-ai-online-symposium-30th-june-2020-1400
2.https://www.sciencedirect.com/science/article/pii/S2666546820300082
3.https://www.sciencedirect.com/science/article/pii/S2666546820300082
4.https://www.sciencedirect.com/science/article/pii/S2666546820300070
5.http://skle.tju.edu.cn/show.jsp?informationid=202005112046483030&classid=201210241624277998&siteid=201210241616486135
