未來的能源需要更高效的電池存儲系統

21世紀的能源需求是在不斷變化中推進發展的。傳統能源方式依賴有限的資源，而且化石燃料也變得越來越昂貴。此外它們污染并破壞環境穩定。隨著這種意識的增強，消費者以更低的價格要求清潔能源增加容量。

為了滿足這一需求，能源供應商必須轉向更清潔、更高效的能源。這反過來推動了對低成本、長壽命、容量更大，更高的能量密度的儲能的需求。不幸的是，目前的電化學儲能技術在滿足這一需求方面有其局限性。盡管儲能材料的研究和開發取得了一些進展，但開發過程還不足以支持需求最高的行業的增長，如電力公用事業和電子交通行業。2020年，全球范圍內有超過1000萬輛電動汽車。國際能源署估計，到2030年高達30倍。這對電動汽車所依賴的公用事業，如電動汽車充電的設備負荷增加一倍。

除此之外，公用事業需要生產92%可再生能源，到2050年實現凈零排放。為了支持這一點，相關能源公司需要投資和優化電池儲能系統（BESS），才能實現更高的投資回報。

傳感器、機器人、掌上電腦和增材制造等設備，加上人工智能（AI）、虛擬現實（VR）和增強現實（AR）等軟件的開發，為各類設備的設計、運營和維護帶來了數字化。

例如，公用事業行業正在增加數字化戰略，并通過優化和效率降低成本以提高業務收入。在美國，特別是公用事業正在投資現代化電網以提高可靠性。

根據GlobalData和Wood Mackenzie的研究，預計2030年全球儲能行業累計發電量達到350GW以上累計裝機電量950GWh。該行業將經歷一場復合產能30%的增長率, 到2030年能源用量增加35%。

這種增長的一個主要驅動力是鎖緊太陽能的成本。另一個是電子交通行業負荷不斷增加，電網將遵循電動汽車的發展趨勢. 正如人們使用續航里程更長、充電更快的電動汽車，將有更多的中壓（MV）以及具有能量存儲的低壓（LV）電網連接，以支持快速充電需求并解決電網約束問題。

現在是時候利用這些機會來改變競爭地位，并考慮其他商業模式—— ABB能源部全球產品營銷經理Alexandra Goodson說。這些變化正在推動3D定義的全球大趨勢：decentralization（非集權化），decarbonization（脫碳化）and digitalization（數字化）。

非集權化 (Decentralization )

今天，我們看到了更多的就地生產——使客戶成為網格中的活躍元素。太陽能和風能集成的增長也推動了微電網的發展。盡管這促進了對能源需求的反應趨勢，但仍需要進行大量協調工作，以確保發電和需求之間的穩定性和一致性。

脫碳化 (Decarbonization)

在我們努力限制全球變暖和降低二氧化碳排放的過程中，我們的能源生產和消費習慣正在適應低排放戰略。這可以幫助實現90%的碳排放目標，并在交通運輸中采用電氣化。盡管可再生能源可以補充這些日趨增高的峰值，但是供應還不能完全滿足用量需求。

數字化（Digitalization）

智能是新時代的綠色。為了實現我們的脫碳目標，我們需要實時能源系統自動化的通信和運行。這有助于我們通過圍繞傳統習慣和其他供應和存儲等外部模式，最大限度地利用我們的資源。根據世界經濟論壇報道，電力部門將從數字化中獲取超過1.3萬億美元的價值。

適應能源的未來

為了適應未來的能源，可以使用儲能來平衡不斷增長的峰值需求，并支持可再生能源。它還可以幫助推遲對電網升級的投資，并支持現代商業模式。電網現代化和儲能數字化是實現低碳排放目標的關鍵，在此過程中，到2050年，使50%的可再生能源可行。

電池儲能系統（BESS）數字化

電池儲能系統（BESS）是將能量儲存在電池中以備日后使用的設備（或該設備的集合）的通用行業名稱。這些系統包括電池、電池管理系統、逆變器、開關設備、變壓器以及控制和保護系統。

BESS與可再生能源整合在高峰生產期間儲存能量，以及在需要時提供所存儲的能量。該系統的數字啟用版本配備了能源管理系統（EMS）以及監測和診斷系統，通過本地部署、云端解決方案提供。通過數字化，ABB的人工智能解決方案提供了電池儲能的最佳運行以提高電池壽命和投資回報。

數字化為這些系統帶來了電網支持、變電站自動化和多能源優化。數據管理托管在私有云或公司云上，以便進行分析和報告、實現人工智能和網絡安全。

BESS的人工智能：從哪里開始

為了預測能源消耗，我們從現場收集原始分布的真實數據開始。然后，我們可以通過對一段時間內的功率求和來計算能量需求。這將成為通過智能設備學習進行訓練和預測的關鍵因素。由此，可以生成能源能量以及功率的分布。這些都可以通計算得出了準確的預測。

能源預測

有了人工智能，你可以獲得未來24小時的真實能耗預測，還可以調查數據的季節性。添加天氣數據后，它可以預測多變量時間序列，并可以驗證它們之間的相關性。

考慮到引發的數據量，選擇混合數據以盡量減少信息損失是很重要的。我們必須將長期序列輸入到這些機器學習或統計模型中，例如每月序列，但建模是最關鍵的, 諸如異常檢測的極端事件，例如在颶風或高溫下產生的傳感器故障。

電池老化和存儲容量最優化

我們需要根據電池在最佳條件下的運行情況來預測和延長電池的壽命。電池老化的機理有兩種：日期老化和循環老化。日期老化受電池充電狀態的影響，而循環老化受C速率的影響，即與電池容量相比的放電或充電速率。

在ABB，我們在實驗室中對電池進行表征，在現場以了解它們在部署前的日期和周期老化行為。所有這些真實數據都用于訓練我們的人工智能系統，以推薦最佳。BESS運行條件。我們還可以使用它來計算未來安裝中更準確的運行容量。

我們如何融入人工智能

人工智能的設計是完全模塊化的，可以很容易地適應不同的應用。它輸出BESS的推薦操作參數。

人工智能模塊由數據采集模塊、預測模塊、仿真模塊和優化模塊組成。它通過遠程訪問或云連接啟用，以便在需要時由外部運營商進行更新、再培訓或監督。有了這個模塊，我們開發了一個用于實時調整電池儲能和運行優化的應用程序。

其操作過程包括：

? 基于默認設置或自定義設置創建每日事件列表

? 根據每日事件計算每日負載配置文件（通過自動將單個事件文件轉換為時間域與功率域）

? 根據第一步生成的事件列表，通過神經網絡生成未來事件。

? 生成直方圖數據（用于選擇最具代表性的負荷剖面的累積特征）。

? 模擬BESS最佳運行條件。

總結

像上面提到的這些可以用來模擬任何可再生能源工廠的BESS容量。輸入數據可以來自類似的工廠，并通過人工智能模塊應用，以找到系統的最佳配置。這有助于實現工廠中電池儲能系統的最佳尺寸。將人工智能融入電池儲能行業正在改變游戲規則！

最終，人工智能對于提高儲能投資回報率至關重要，因為我們將為支持未來的能源而勇往直前。