中国能建集团袁洪元：锂电池储能电站智能运维技术方案

浩博电池网讯：9月10-11日，由中国化学与物理电源行业协会、南方科技大学碳中和能源研究院、南方电网能源发展研究院联合100余家机构共同支持的碳中和能源高峰论坛暨第三届中国国际新型储能技术及工程应用大会在深圳召开。此次大会主题是“绿色、经济、安全、发展”。

  11日下午，中国能源建设集团广东省电力设计研究院高级工程师袁洪元受邀在“新能源动力系统控制技术专场”分享了主题报告，主题为《锂电池储能电站智能运维技术方案》。

  中国能源建设集团广东省电力设计研究院高级工程师袁洪元

  袁洪元：首先，请允许我向大家介绍我们单位——广东省电力设计研究院。自 2009 年以来，广东省电力设计研究院开始涉足储能相关业务和研究工作，是国内较早开展储能咨询、勘察设计、总承包业务的单位，能提供规划咨询、勘察设计、设计咨询以及投融资服务等一站式服务。

  经过十多年的储能领域的探索和积累，我们开展了众多储能相关的科研项目、工程项目以及标准专利等。接下来，我将为大家介绍三个典型案例：

  第一个案例是深圳宝清电池储能电站项目，我们分四期进行了储能方面的探索：一期建设了 4 兆瓦 380 伏低压系统的磷酸铁锂电池；二期建设了容量为 2 兆瓦时的中压急连方式；三期扩建了 4 兆瓦时的储能；四期则是梯次电池的利用。

  第二个案例是梅州五华电网侧储能项目，我们采用了浸没式液冷技术，这在当时是一项新的探索。

  第三个案例是目前正在执行的佛山南海300MW/600MWH电网侧独立储能项目，这个项目包括78个子系统，涉及数十个厂家，我们将进行各种模式和厂家之间的对比。在这个项目中，我们将使用储能站智能运维系统，下面我将详细介绍一下这个系统。

  我们认为储能站智能运维系统是基于储能站的增值业务系统。相比于基础的储能系统，它是相对独立的一些增值业务。在这个系统中，我们主要实现设备信息的数字化采集、智能分析、三维展示、智能监视、智能巡视、智能分析、智能操作以及智能安全等功能。

  应用场景上，我们认为这个系统主要适用于大型储能站。由于其建设成本较高，中小型储能站的收益相对较低。根据当前行业的发展情况，G兆瓦时的储能站备案已经达到了 23GW/51GWh，因此，这个产品已经开始具有推广的意义。

  基于这个应用场景，我们来看一下储能站智能运维系统的业务需求。

  储能系统应用场景复杂多变，储能电力市场交易的竞争激烈，对系统稳定、可靠和效率的要求也会非常高，相比于传统的电动汽车，其要求更高。系统稳定、可靠和效率要求的背后都指向一点：提升电池状态的一致性以避免电池过充过放的电滥用的发生。因为现有电池事故的一个主要原因是 BMS 的失效导致的电池的过充过放，同时成组电池循环次数显著低于单体也是业内常态，成组电池过快衰减的主要原因也是因为电池不一致性问题导致的过充过放。

  提升一致性的关键是提升电站状态估计的精度和可靠性。可靠高精度状态估计信息的获得，将为均衡控制等智能运维策略提供准确的基础信息，从而为保持整簇电池状态的一致性、保证整站稳定高效运行提供支撑。然而准确电池状态估计却是一个难题，它的主要困难在于电池内部物理化学变化特性复杂，而可以采集的信号较少，通常只有电压、电流、温度和时间等，通过较少的采集信号去估计内部复杂系统的状态，这是一个在工程和学术上都具有挑战性的问题。

  同时，在储能站的规模建设发展过程中，会面临一些数字化方面的难题，例如多套系统独立建设、设备运检方面的归集混乱、技术支撑方面的诊断支撑缓慢等问题。同时，业务管理方面的问题也不容忽视，例如业务闭环管控能力不强，站内业务管理标准化不足，档案资料电子化水平不高等。

  针对以上的需求和问题，我们认为，储能站的关键技术包括：可靠高精度状态估计算法以及一些通用的信息技术手段，如三维数字仿生技术、微服务组件化低代码技术、高可靠的组网通信技术和电池专家库的建设。

  最关键的技术是高精度状态估计技术。在锂电池各类状态估计中，电池荷电状态（SOC, State Of Charge）最为关键，如果 SOC 可以估计准确，其他状态估计都较容易估计准确。电池荷电状态的常用方法有四种：传统的开环估计、基于电路模型的方法、基于化学模型的方法以及数据驱动的方法。开环估计方法简单但精度不足；电路模型的方法模拟电池物理特性，模型相对简单，精度适中；化学模型方法模拟电池化学特性，精度较高，但模型复杂，数据因涉及商业机密而难获得；数据驱动的方法精度高，但依赖于大量测试数据通信需要大量的计算资源。

  目前工程应用的主流是基于电路模型的卡尔曼滤波类算法，且大部分是比较基础的卡尔曼滤波算法。卡尔曼滤波类算法也有一个发展的脉络，从基础的卡尔曼滤波到扩展卡尔曼滤波，到无迹卡尔曼滤波，再到多新息无迹卡尔曼滤波等。卡尔曼滤波结合电池电路参数的辨识本质上是状态空间的模型，状态空间的估计维度和测量维度的状态值相互校验与更新，相对来讲数据利用的效率比较高。但它的问题在于因为它是基于电路模型的，只能一定程度上模拟电池的特性，模型之外的特性是学不到的，所以它的精度提升的上限比较低。对精度要求特别高的场景，就要考虑一下这种算法是否适合。

  对应电池状态估计精度要求特别高的场景，基于深度学习的算法可能是有效的解决方法。深度学习算法最大特点是有强大的拟合能力，只要有规律且有足够的标注数据，算法总能学得到。比如现在的Chat GPT，它在多个方面超越人类平均水平，表现非常惊人，就是因为它有大量的标注数据，加上深度学习算法。一方面，深度学习模型也处于不断优化发展的过程中，从 Transformer 这里开始，它的特征提取方式发生了根本性的变化，不再基于原来的卷积网络，而是通过自注意力机制提取特征，模型拟合能力和并发性能大幅度上升，但是带来的问题是计算资源的消耗和计算样本的消耗非常大。为推进模型多场景落地，后面也有一些新的简化模型出来，像 Informer，会对模型进行改进，对自注意力机制里面提取一些关键特征，通过这种方式来简化模型，减少计算资源的需求。另外一方面，随着这几年储能建设和研究工作的爆发式增长，公开数据集、实验自测及工程应用得样本数据现在逐步积累。因此，深度学习方法应用的条件在逐步成熟。

  我们应用深度学习算法对电池状态估计进行了探索，采用了美国圣迪亚国家实验室的全寿命周期的锂电池测试数据，测试对比深度学习和机器学习算法。深度学习算法应用的是Informer模型，它的精度比传统机器（随机森林、XGBoost、AdaBoost）学习高出几个点，这对工程应用的价值非常明显，就相当于把整个储能项目的利润提升了几个点。因为不一致性导致电池充不满、放不空，基于准确的状态估计信息，均衡控制策略的损耗相对较小，因此状态估计精度提升了几个点，即约等价于可用容量提升了几个点，也约等于整个项目的利润提升了几个点。

  应用深度学习算法对电池状态估计同时也带了问题：计算资源消耗非常多。可以看到计算时间，差不多是传统机器学习的两到三个数量级，这种情况下就要求我们对技术上进行支撑，通过高性能计算技术（并行计算、分布式计算）提升计算性能，这是比较成熟的技术框架，但没有针对我们电池深度学习算法的特征进行适配。基于电池数据结构和深度学习算法的模型特征，对现有高性能计算的技术框架进行适配，可以提升整体计算性能。

  数字孪生技术是另一项关键的技术，通过采用三维正向设计技术，从设计到交付，保证建设阶段和运维阶段的数据不脱节，通过物理世界数字化复刻到虚拟世界中，降低运维成本，提高安全性。

  可靠的通信技术是另一项关键技术，高可靠性的系统依赖于底层可靠的通信技术，不仅实现简单冗余备份的网络，而是要实现设备、链路、通信协议等全面的可靠性设备，实现端到端QoS 保障、实现端到端毫秒级的应用保护。另外在业务应用层面需要实现无损实时主备切换。

  微服务架构和组件化低代码开发技术是另一项关键技术。系统的开发与运维阶段成本是项目成败的关键，微服务的系统开发框架可以实现各个微服务模块独立开发、独立测试、独立运维，对于大型软件来说，显著降低了系统的耦合性，降低了测试运维问题定位的难度，降低开发成本。同时，储能作为新的产品，它的需求并没有收敛，各业主在各项目里面的要求都不一样。如果开发不能有一种低成本快速实现的方式呈现给业主的话，周期会拉得非常长，通过组件化低代码开发的开发方式，可以快速实现用户需求的迭代，降低开发成本。

  基于知识图谱的运维专家知识库技术是另一项关键技术，作为运维知识的积累，运维的知识大多是非结构化的文本数据，运维事故处置时难以有效利用，知识图谱采用图谱结构化方式对数据重构，将非结构化的知识组织成结构化的知识，可以基于结构化的知识实现各种模式的识别和数据挖掘，提升运维知识库的运用价值。

  基于上面的关键技术，我们考虑典型方案，主要是开发用户驾驶舱、智能监视、智能巡视、智能操作、智能安全、智能分析等功能。

  用户驾驶舱是一个基于三维模型的主页，在界面上显示储能站关键设备参数，操作风格具有三维体验，使运维技术人员能快速全面地掌握实时工矿情况。

  智能监控能实现二三维的联动，智能巡视则通过摄像头、无人机等方式进行综合巡视。智能安全方面，我们对各种人员定位、人闸车闸、图像识别、智能锁实现远程许可、现场监督和远程验收。

  智能操作方面，我们会联动电网的操作票、操作管理平台，进行操作票的自动分析、过程监控、操作结果判断和操作信息记录等。

  智能安全方面，我们通过安防、视频、消防、环境监测等辅助系统与电池运行智能联动，提升整站的安全性，根据电芯运行工况动态优化液冷系统的能耗。

  智能分析方面，根据电站的状态估计数据和运维经验，我们设置专家库，实施智能告警定位，进行检修和智能决策。我们通过大数据加工、提炼和分析，运用有重要价值的数据，支持集控中心的应用，支持管理层决策，辅助质量评价和绩效考核。

  以上功能的成效也很明显：智能状态估计的误差减少 60%，意义重大，相当于项目效益提升了两个点，从原来的 5% 提升到现在的3%；三维场景全站集中运维管控，提升运维效率与体验；监视减少分散监盘压力70%；巡视作业人工替代率达到80%；操作时间减少60%；提高作业风险管控能力与安全水平，节省工时65%；及时生成事故处置报告，事故处置的速率和准确度。

  对于未来发展展望，我们认为对储能电池管理中最核心的问题——电池状态估计问题还需进一步探索。电池状态估计不准主要原因包括算法和电池储能工况没有标准。在电动汽车中，我们对各种工况进行定义，理论上来讲，定义标准工况才能准确计算电池状态。如果电流、电压和温度一直在变化，计算结果精度很难提升。因此，我们需要定义电流、电压和温度的标准工况，这是具有挑战性的，尤其是在调频工况变化剧烈的情况下。

  我们可以考虑在剧烈变化的场景中，结合电池储能和其他储能方式，如飞轮、重力、电容等，来解决调频工况问题。对于电流变化平缓的场景，我们可以基于电流工况的统计特性，将其定义为储能标准工况。此外，根据不同场景，我们也可以定义多个标准工况。基于这些标准工况，相对较容易计算出准确的电池状态，从而提高整个系统的稳定性和经济性。

  在算法方面，深度学习需要大量的标注样本和实验室测试，成本很高。尤其是目前新电池推出非常快，难以等待实验数据出来后再进行应用，因此，最好的方式是利用其他电池的测试数据进行快速迁移。这就像我们使用的 Chat GPT，通过训练一个超大型的模型，将模型应用到新场景，只需要对它一个示例，它就能立刻按照示例执行预测、进行输出。储能的最终方向可能也是类似，某个超级机构可能会基于海量电池样本数据训练一些超大型模型，然后将这些模型应用到新场景，在新场景应用小数据进行微调。这样，我们就可以最终解决储能电站锂电池状态估计的问题，为建设高效安全的锂电池储能电站奠定基础。

【责任编辑:孟瑾】