中國儲能網(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國際新型儲能術及工程應用大會”上，中國能源建設集團廣東省電力設計研究院高級工程師袁洪元進行“鋰電池儲能電站智能運維技術方案”的演講。
中國能源建設集團廣東省電力設計研究院高級工程師袁洪元
袁洪元：首先，請允許我向大家介紹我們單位——廣東省電力設計研究院。自 2009 年以來，廣東省電力設計研究院開始涉足儲能相關業(yè)務和研究工作，是國內(nèi)較早開展儲能咨詢、勘察設計、總承包業(yè)務的單位，能提供規(guī)劃咨詢、勘察設計、設計咨詢以及投融資服務等一站式服務。
經(jīng)過十多年的儲能領域的探索和積累，我們開展了眾多儲能相關的科研項目、工程項目以及標準專利等。接下來，我將為大家介紹三個典型案例：
第一個案例是深圳寶清電池儲能電站項目，我們分四期進行了儲能方面的探索：一期建設了 4 兆瓦 380 伏低壓系統(tǒng)的磷酸鐵鋰電池；二期建設了容量為 2 兆瓦時的中壓急連方式；三期擴建了 4 兆瓦時的儲能；四期則是梯次電池的利用。
第二個案例是梅州五華電網(wǎng)側(cè)儲能項目，我們采用了浸沒式液冷技術，這在當時是一項新的探索。
第三個案例是目前正在執(zhí)行的佛山南海300MW/600MWH電網(wǎng)側(cè)獨立儲能項目，這個項目包括78個子系統(tǒng)，涉及數(shù)十個廠家，我們將進行各種模式和廠家之間的對比。在這個項目中，我們將使用儲能站智能運維系統(tǒng)，下面我將詳細介紹一下這個系統(tǒng)。
我們認為儲能站智能運維系統(tǒng)是基于儲能站的增值業(yè)務系統(tǒng)。相比于基礎的儲能系統(tǒng)，它是相對獨立的一些增值業(yè)務。在這個系統(tǒng)中，我們主要實現(xiàn)設備信息的數(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。
應用場景上，我們認為這個系統(tǒng)主要適用于大型儲能站。由于其建設成本較高，中小型儲能站的收益相對較低。根據(jù)當前行業(yè)的發(fā)展情況，G兆瓦時的儲能站備案已經(jīng)達到了 23GW/51GWh，因此，這個產(chǎn)品已經(jīng)開始具有推廣的意義。
基于這個應用場景，我們來看一下儲能站智能運維系統(tǒng)的業(yè)務需求。
儲能系統(tǒng)應用場景復雜多變，儲能電力市場交易的競爭激烈，對系統(tǒng)穩(wěn)定、可靠和效率的要求也會非常高，相比于傳統(tǒng)的電動汽車，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：提升電池狀態(tài)的一致性以避免電池過充過放的電濫用的發(fā)生。因為現(xiàn)有電池事故的一個主要原因是 BMS 的失效導致的電池的過充過放，同時成組電池循環(huán)次數(shù)顯著低于單體也是業(yè)內(nèi)常態(tài)，成組電池過快衰減的主要原因也是因為電池不一致性問題導致的過充過放。
提升一致性的關鍵是提升電站狀態(tài)估計的精度和可靠性。可靠高精度狀態(tài)估計信息的獲得，將為均衡控制等智能運維策略提供準確的基礎信息，從而為保持整簇電池狀態(tài)的一致性、保證整站穩(wěn)定高效運行提供支撐。然而準確電池狀態(tài)估計卻是一個難題，它的主要困難在于電池內(nèi)部物理化學變化特性復雜，而可以采集的信號較少，通常只有電壓、電流、溫度和時間等，通過較少的采集信號去估計內(nèi)部復雜系統(tǒng)的狀態(tài)，這是一個在工程和學術上都具有挑戰(zhàn)性的問題。
同時，在儲能站的規(guī)模建設發(fā)展過程中，會面臨一些數(shù)字化方面的難題，例如多套系統(tǒng)獨立建設、設備運檢方面的歸集混亂、技術支撐方面的診斷支撐緩慢等問題。同時，業(yè)務管理方面的問題也不容忽視，例如業(yè)務閉環(huán)管控能力不強，站內(nèi)業(yè)務管理標準化不足，檔案資料電子化水平不高等。
針對以上的需求和問題，我們認為，儲能站的關鍵技術包括：可靠高精度狀態(tài)估計算法以及一些通用的信息技術手段，如三維數(shù)字仿生技術、微服務組件化低代碼技術、高可靠的組網(wǎng)通信技術和電池專家?guī)斓慕ㄔO。
最關鍵的技術是高精度狀態(tài)估計技術。在鋰電池各類狀態(tài)估計中，電池荷電狀態(tài)（SOC, State Of Charge）最為關鍵，如果 SOC 可以估計準確，其他狀態(tài)估計都較容易估計準確。電池荷電狀態(tài)的常用方法有四種：傳統(tǒng)的開環(huán)估計、基于電路模型的方法、基于化學模型的方法以及數(shù)據(jù)驅(qū)動的方法。開環(huán)估計方法簡單但精度不足；電路模型的方法模擬電池物理特性，模型相對簡單，精度適中；化學模型方法模擬電池化學特性，精度較高，但模型復雜，數(shù)據(jù)因涉及商業(yè)機密而難獲得；數(shù)據(jù)驅(qū)動的方法精度高，但依賴于大量測試數(shù)據(jù)通信需要大量的計算資源。
目前工程應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的卡爾曼濾波算法?？柭鼮V波類算法也有一個發(fā)展的脈絡，從基礎的卡爾曼濾波到擴展卡爾曼濾波，到無跡卡爾曼濾波，再到多新息無跡卡爾曼濾波等。卡爾曼濾波結合電池電路參數(shù)的辨識本質(zhì)上是狀態(tài)空間的模型，狀態(tài)空間的估計維度和測量維度的狀態(tài)值相互校驗與更新，相對來講數(shù)據(jù)利用的效率比較高。但它的問題在于因為它是基于電路模型的，只能一定程度上模擬電池的特性，模型之外的特性是學不到的，所以它的精度提升的上限比較低。對精度要求特別高的場景，就要考慮一下這種算法是否適合。
對應電池狀態(tài)估計精度要求特別高的場景，基于深度學習的算法可能是有效的解決方法。深度學習算法最大特點是有強大的擬合能力，只要有規(guī)律且有足夠的標注數(shù)據(jù)，算法總能學得到。比如現(xiàn)在的Chat GPT，它在多個方面超越人類平均水平，表現(xiàn)非常驚人，就是因為它有大量的標注數(shù)據(jù)，加上深度學習算法。一方面，深度學習模型也處于不斷優(yōu)化發(fā)展的過程中，從 Transformer 這里開始，它的特征提取方式發(fā)生了根本性的變化，不再基于原來的卷積網(wǎng)絡，而是通過自注意力機制提取特征，模型擬合能力和并發(fā)性能大幅度上升，但是帶來的問題是計算資源的消耗和計算樣本的消耗非常大。為推進模型多場景落地，后面也有一些新的簡化模型出來，像 Informer，會對模型進行改進，對自注意力機制里面提取一些關鍵特征，通過這種方式來簡化模型，減少計算資源的需求。另外一方面，隨著這幾年儲能建設和研究工作的爆發(fā)式增長，公開數(shù)據(jù)集、實驗自測及工程應用得樣本數(shù)據(jù)現(xiàn)在逐步積累。因此，深度學習方法應用的條件在逐步成熟。
我們應用深度學習算法對電池狀態(tài)估計進行了探索，采用了美國圣迪亞國家實驗室的全壽命周期的鋰電池測試數(shù)據(jù)，測試對比深度學習和機器學習算法。深度學習算法應用的是Informer模型，它的精度比傳統(tǒng)機器（隨機森林、XGBoost、AdaBoost）學習高出幾個點，這對工程應用的價值非常明顯，就相當于把整個儲能項目的利潤提升了幾個點。因為不一致性導致電池充不滿、放不空，基于準確的狀態(tài)估計信息，均衡控制策略的損耗相對較小，因此狀態(tài)估計精度提升了幾個點，即約等價于可用容量提升了幾個點，也約等于整個項目的利潤提升了幾個點。
應用深度學習算法對電池狀態(tài)估計同時也帶了問題：計算資源消耗非常多?？梢钥吹接嬎銜r間，差不多是傳統(tǒng)機器學習的兩到三個數(shù)量級，這種情況下就要求我們對技術上進行支撐，通過高性能計算技術（并行計算、分布式計算）提升計算性能，這是比較成熟的技術框架，但沒有針對我們電池深度學習算法的特征進行適配?；陔姵財?shù)據(jù)結構和深度學習算法的模型特征，對現(xiàn)有高性能計算的技術框架進行適配，可以提升整體計算性能。
數(shù)字孿生技術是另一項關鍵的技術，通過采用三維正向設計技術，從設計到交付，保證建設階段和運維階段的數(shù)據(jù)不脫節(jié)，通過物理世界數(shù)字化復刻到虛擬世界中，降低運維成本，提高安全性。
可靠的通信技術是另一項關鍵技術，高可靠性的系統(tǒng)依賴于底層可靠的通信技術，不僅實現(xiàn)簡單冗余備份的網(wǎng)絡，而是要實現(xiàn)設備、鏈路、通信協(xié)議等全面的可靠性設備，實現(xiàn)端到端QoS 保障、實現(xiàn)端到端毫秒級的應用保護。另外在業(yè)務應用層面需要實現(xiàn)無損實時主備切換。
微服務架構和組件化低代碼開發(fā)技術是另一項關鍵技術。系統(tǒng)的開發(fā)與運維階段成本是項目成敗的關鍵，微服務的系統(tǒng)開發(fā)框架可以實現(xiàn)各個微服務模塊獨立開發(fā)、獨立測試、獨立運維，對于大型軟件來說，顯著降低了系統(tǒng)的耦合性，降低了測試運維問題定位的難度，降低開發(fā)成本。同時，儲能作為新的產(chǎn)品，它的需求并沒有收斂，各業(yè)主在各項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現(xiàn)的方式呈現(xiàn)給業(yè)主的話，周期會拉得非常長，通過組件化低代碼開發(fā)的開發(fā)方式，可以快速實現(xiàn)用戶需求的迭代，降低開發(fā)成本。
基于知識圖譜的運維專家知識庫技術是另一項關鍵技術，作為運維知識的積累，運維的知識大多是非結構化的文本數(shù)據(jù)，運維事故處置時難以有效利用，知識圖譜采用圖譜結構化方式對數(shù)據(jù)重構，將非結構化的知識組織成結構化的知識，可以基于結構化的知識實現(xiàn)各種模式的識別和數(shù)據(jù)挖掘，提升運維知識庫的運用價值。
基于上面的關鍵技術，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。
用戶駕駛艙是一個基于三維模型的主頁，在界面上顯示儲能站關鍵設備參數(shù)，操作風格具有三維體驗，使運維技術人員能快速全面地掌握實時工礦情況。
智能監(jiān)控能實現(xiàn)二三維的聯(lián)動，智能巡視則通過攝像頭、無人機等方式進行綜合巡視。智能安全方面，我們對各種人員定位、人閘車閘、圖像識別、智能鎖實現(xiàn)遠程許可、現(xiàn)場監(jiān)督和遠程驗收。
智能操作方面，我們會聯(lián)動電網(wǎng)的操作票、操作管理平臺，進行操作票的自動分析、過程監(jiān)控、操作結果判斷和操作信息記錄等。
智能安全方面，我們通過安防、視頻、消防、環(huán)境監(jiān)測等輔助系統(tǒng)與電池運行智能聯(lián)動，提升整站的安全性，根據(jù)電芯運行工況動態(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)估計數(shù)據(jù)和運維經(jīng)驗，我們設置專家?guī)?，實施智能告警定位，進行檢修和智能決策。我們通過大數(shù)據(jù)加工、提煉和分析，運用有重要價值的數(shù)據(jù)，支持集控中心的應用，支持管理層決策，輔助質(zhì)量評價和績效考核。
以上功能的成效也很明顯：智能狀態(tài)估計的誤差減少 60%，意義重大，相當于項目效益提升了兩個點，從原來的 5% 提升到現(xiàn)在的3%；三維場景全站集中運維管控，提升運維效率與體驗；監(jiān)視減少分散監(jiān)盤壓力70%；巡視作業(yè)人工替代率達到80%；操作時間減少60%；提高作業(yè)風險管控能力與安全水平，節(jié)省工時65%；及時生成事故處置報告，事故處置的速率和準確度。
對于未來發(fā)展展望，我們認為對儲能電池管理中最核心的問題——電池狀態(tài)估計問題還需進一步探索。電池狀態(tài)估計不準主要原因包括算法和電池儲能工況沒有標準。在電動汽車中，我們對各種工況進行定義，理論上來講，定義標準工況才能準確計算電池狀態(tài)。如果電流、電壓和溫度一直在變化，計算結果精度很難提升。因此，我們需要定義電流、電壓和溫度的標準工況，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景中，結合電池儲能和其他儲能方式，如飛輪、重力、電容等，來解決調(diào)頻工況問題。對于電流變化平緩的場景，我們可以基于電流工況的統(tǒng)計特性，將其定義為儲能標準工況。此外，根據(jù)不同場景，我們也可以定義多個標準工況?；谶@些標準工況，相對較容易計算出準確的電池狀態(tài)，從而提高整個系統(tǒng)的穩(wěn)定性和經(jīng)濟性。
在算法方面，深度學習需要大量的標注樣本和實驗室測試，成本很高。尤其是目前新電池推出非常快，難以等待實驗數(shù)據(jù)出來后再進行應用，因此，最好的方式是利用其他電池的測試數(shù)據(jù)進行快速遷移。這就像我們使用的 Chat GPT，通過訓練一個超大型的模型，將模型應用到新場景，只需要對它一個示例，它就能立刻按照示例執(zhí)行預測、進行輸出。儲能的最終方向可能也是類似，某個超級機構可能會基于海量電池樣本數(shù)據(jù)訓練一些超大型模型，然后將這些模型應用到新場景，在新場景應用小數(shù)據(jù)進行微調(diào)。這樣，我們就可以最終解決儲能電站鋰電池狀態(tài)估計的問題，為建設高效安全的鋰電池儲能電站奠定基礎。
