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(shù)及工程應(yīng)用大會”上，中國能源建設(shè)集團(tuán)廣東省電力設(shè)計研究院高級工程師袁洪元進(jìn)行“鋰電池儲能電站智能運(yùn)維技術(shù)方案”的演講。
中國能源建設(shè)集團(tuán)廣東省電力設(shè)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(shè)計研究院。自 2009 年以來，廣東省電力設(shè)計研究院開始涉足儲能相關(guān)業(yè)務(wù)和研究工作，是國內(nèi)較早開展儲能咨詢、勘察設(shè)計、總承包業(yè)務(wù)的單位，能提供規(guī)劃咨詢、勘察設(shè)計、設(shè)計咨詢以及投融資服務(wù)等一站式服務(wù)。
經(jīng)過十多年的儲能領(lǐng)域的探索和積累，我們開展了眾多儲能相關(guān)的科研項目、工程項目以及標(biāo)準(zhǔn)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(jìn)行了儲能方面的探索：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 兆瓦時的中壓急連方式；三期擴(kuò)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(shù)，這在當(dāng)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(dú)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(jìn)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(yùn)維系統(tǒng)，下面我將詳細(xì)介紹一下這個系統(tǒng)。
我們認(rèn)為儲能站智能運(yùn)維系統(tǒng)是基于儲能站的增值業(yè)務(wù)系統(tǒng)。相比于基礎(chǔ)的儲能系統(tǒng)，它是相對獨(dú)立的一些增值業(yè)務(wù)。在這個系統(tǒng)中，我們主要實現(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)用場景上，我們認(rèn)為這個系統(tǒng)主要適用于大型儲能站。由于其建設(shè)成本較高，中小型儲能站的收益相對較低。根據(jù)當(dāng)前行業(yè)的發(fā)展情況，G兆瓦時的儲能站備案已經(jīng)達(dá)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(yīng)用場景，我們來看一下儲能站智能運(yùn)維系統(tǒng)的業(yè)務(wù)需求。
儲能系統(tǒng)應(yīng)用場景復(fù)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(diǎn)：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(dǎo)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(dǎo)致的過充過放。
提升一致性的關(guān)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(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)估計卻是一個難題，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(fù)雜系統(tǒng)的狀態(tài)，這是一個在工程和學(xué)術(shù)上都具有挑戰(zhàn)性的問題。
同時，在儲能站的規(guī)模建設(shè)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(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題。同時，業(yè)務(wù)管理方面的問題也不容忽視，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。
針對以上的需求和問題，我們認(rèn)為，儲能站的關(guān)鍵技術(shù)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(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)估計技術(shù)。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(guān)鍵，如果 SOC 可以估計準(zhǔn)確，其他狀態(tài)估計都較容易估計準(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、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(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(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。卡爾曼濾波類算法也有一個發(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，到無跡卡爾曼濾波，再到多新息無跡卡爾曼濾波等?？柭鼮V波結(jié)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(xué)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(yīng)電池狀態(tài)估計精度要求特別高的場景，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(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(luò)，而是通過自注意力機(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(jìn)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(jìn)行改進(jìn)，對自注意力機(jī)制里面提取一些關(guān)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(shè)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(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)算法對電池狀態(tài)估計進(jìn)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(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)高出幾個點(diǎn)，這對工程應(yīng)用的價值非常明顯，就相當(dāng)于把整個儲能項目的利潤提升了幾個點(diǎn)。因為不一致性導(dǎo)致電池充不滿、放不空，基于準(zhǔn)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(diǎn)，即約等價于可用容量提升了幾個點(diǎn)，也約等于整個項目的利潤提升了幾個點(diǎn)。
應(yīng)用深度學(xué)習(xí)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(jī)器學(xué)習(xí)的兩到三個數(shù)量級，這種情況下就要求我們對技術(shù)上進(jìn)行支撐，通過高性能計算技術(shù)（并行計算、分布式計算）提升計算性能，這是比較成熟的技術(shù)框架，但沒有針對我們電池深度學(xué)習(xí)算法的特征進(jìn)行適配?；陔姵財?shù)據(jù)結(jié)構(gòu)和深度學(xué)習(xí)算法的模型特征，對現(xiàn)有高性能計算的技術(shù)框架進(jìn)行適配，可以提升整體計算性能。
數(shù)字孿生技術(shù)是另一項關(guān)鍵的技術(shù)，通過采用三維正向設(shè)計技術(shù)，從設(shè)計到交付，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)，不僅實現(xiàn)簡單冗余備份的網(wǎng)絡(luò)，而是要實現(xiàn)設(shè)備、鏈路、通信協(xié)議等全面的可靠性設(shè)備，實現(xiàn)端到端QoS 保障、實現(xiàn)端到端毫秒級的應(yīng)用保護(hù)。另外在業(yè)務(wù)應(yīng)用層面需要實現(xiàn)無損實時主備切換。
微服務(wù)架構(gòu)和組件化低代碼開發(fā)技術(shù)是另一項關(guān)鍵技術(shù)。系統(tǒng)的開發(fā)與運(yùn)維階段成本是項目成敗的關(guān)鍵，微服務(wù)的系統(tǒng)開發(fā)框架可以實現(xiàn)各個微服務(wù)模塊獨(dú)立開發(fā)、獨(dú)立測試、獨(dú)立運(yùn)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(yùn)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(yùn)維專家知識庫技術(shù)是另一項關(guān)鍵技術(shù)，作為運(yùn)維知識的積累，運(yùn)維的知識大多是非結(jié)構(gòu)化的文本數(shù)據(jù)，運(yùn)維事故處置時難以有效利用，知識圖譜采用圖譜結(jié)構(gòu)化方式對數(shù)據(jù)重構(gòu)，將非結(jié)構(gòu)化的知識組織成結(jié)構(gòu)化的知識，可以基于結(jié)構(gòu)化的知識實現(xiàn)各種模式的識別和數(shù)據(jù)挖掘，提升運(yùn)維知識庫的運(yùn)用價值。
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。
用戶駕駛艙是一個基于三維模型的主頁，在界面上顯示儲能站關(guān)鍵設(shè)備參數(shù)，操作風(fēng)格具有三維體驗，使運(yùn)維技術(shù)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(jī)等方式進(jìn)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(yuǎn)程許可、現(xiàn)場監(jiān)督和遠(yuǎn)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(jìn)行操作票的自動分析、過程監(jiān)控、操作結(jié)果判斷和操作信息記錄等。
智能安全方面，我們通過安防、視頻、消防、環(huán)境監(jiān)測等輔助系統(tǒng)與電池運(yùn)行智能聯(lián)動，提升整站的安全性，根據(jù)電芯運(yùn)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(yùn)維經(jīng)驗，我們設(shè)置專家?guī)?，實施智能告警定位，進(jìn)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(yùn)用有重要價值的數(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(dāng)于項目效益提升了兩個點(diǎn)，從原來的 5% 提升到現(xiàn)在的3%；三維場景全站集中運(yùn)維管控，提升運(yùn)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(dá)到80%；操作時間減少60%；提高作業(yè)風(fēng)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(zhǔn)確度。
對于未來發(fā)展展望，我們認(rèn)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(jìn)一步探索。電池狀態(tài)估計不準(zhǔn)主要原因包括算法和電池儲能工況沒有標(biāo)準(zhǔn)。在電動汽車中，我們對各種工況進(jìn)行定義，理論上來講，定義標(biāo)準(zhǔn)工況才能準(zhǔn)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(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景中，結(jié)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(biāo)準(zhǔn)工況。此外，根據(jù)不同場景，我們也可以定義多個標(biāo)準(zhǔn)工況?；谶@些標(biāo)準(zhǔn)工況，相對較容易計算出準(zhǔn)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(jì)性。
在算法方面，深度學(xué)習(xí)需要大量的標(biāo)注樣本和實驗室測試，成本很高。尤其是目前新電池推出非?？?，難以等待實驗數(shù)據(jù)出來后再進(jìn)行應(yīng)用，因此，最好的方式是利用其他電池的測試數(shù)據(jù)進(jìn)行快速遷移。這就像我們使用的 Chat GPT，通過訓(xùn)練一個超大型的模型，將模型應(yīng)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(yù)測、進(jìn)行輸出。儲能的最終方向可能也是類似，某個超級機(jī)構(gòu)可能會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)用到新場景，在新場景應(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能電站鋰電池狀態(tài)估計的問題，為建設(shè)高效安全的鋰電池儲能電站奠定基礎(chǔ)。
