登录
 机构网站
  1. 首页
  2. 情报产品
  3. 快讯详情

《考虑电池寿命的风能存储系统的最佳尺寸》

  • 来源专题：可再生能源
  • 编译者： pengh
  • 发布时间：2019-10-28

  • 电池储能系统（BESS）可以消除不确定性和间歇性可再生能源发电（尤其是风力发电）的负面特征，从而缓解微电网输出功率的波动。通过与锂电池存储系统集成，可以提高利用率和整体能源效率。但是，仅当BESS最佳匹配时才能获得此目标。对于此问题，电池容量的下降对Wind-ESS系统的运行成本有重大影响。研究集中在具有独立系统操作员的Wind-ESS系统中BESS组件尺寸的优化方法上。我们提出了一种混合动力储能系统的运营成本模型，其中考虑了锂电池在循环寿命中的容量衰减。为了使组件的尺寸达到最佳目标，在锂电池的性能和电网运行要求的约束下，通过将运营成本和容量下降作为最佳目标，采用了动态规划（DP）的全局优化方法。基于DP算法和电池模型的容量退化，获得了风能的最优输出。基于规则的方法和遗传算法也可用于仿真。仿真结果表明，与其他两种最优方法相比，风力发电系统的容量下降和能量存储的运行成本大大降低。

146浏览量
原文链接
相关报告

  • 《考虑电网调度断电和电池寿命的混合pv -电池系统的优化运行。》
    • 来源专题：可再生能源
    • 编译者：pengh
    • 发布时间：2018-01-10
    • 在许多发展中国家，能源供应能力低于需求，能源公司根据具体的时间安排分配可用的电力，导致电网调度的停电(GSBs)。解决这一问题的一种合适的方法是，在停电期间，安装一个联合光伏(PV)和蓄电池存储系统作为电网的替代。然而，众所周知，如果没有适当的操作，电池存储的寿命将大大缩短。本文探讨了应用经济模型预测控制(EMPC)的潜在好处，以优化混合pv -电池系统的运行，以解决GSB问题。我们的控制策略的目的是尽可能地覆盖负荷，同时最小化从电网消耗的能源的总成本。特别是电池的运行方式，其寿命将会延长。对系统的不同运行策略进行了比较，考虑了负荷和光伏发电的季节变化。结果表明，所提出的方法可以显著降低栅格所消耗的总能量，同时减少了从pv阵列中产生的能量，并使电池寿命最大化。 ——文章发布于2018年2月
    132浏览量
    原文链接

  • 《人工智能大模型“拿捏”电池寿命》
    • 来源专题：能源情报网监测服务平台
    • 编译者：郭楷模
    • 发布时间：2024-09-25
    • 从清晨唤醒我们的闹钟，到随身携带的手机，再到电动汽车、无人机等新兴产品，无一不依赖于电池提供的稳定电力。 然而，随着电池使用时间的增长，其容量会逐渐衰减，造成供电时间缩短，影响设备的正常功能。如果能及时检测电池寿命，用户就能在电池性能明显下降前采取相应措施，从而避免因电池问题导致的设备故障或数据丢失，延长电池整体使用寿命。 近日，中国科学院大连化学物理研究所(以下简称大连化物所)研究员陈忠伟、副研究员毛治宇团队，联合西安交通大学教授冯江涛，在电池健康管理领域取得新进展。他们开发了一种新型的深度学习模型，有效解决了传统方法对大量充电测试数据的依赖问题，为电池实时寿命预估提供了新思路，实现了锂电池寿命的端到端评估。同时，该模型作为团队开发的第一代电池数字大脑PBSRD Digit核心模型的重要组成部分，为电池智能管理提供了解决方案。相关成果发表于《电气电子工程师学会交通电气化学报》。 难以预测的电池寿命 电池的循环寿命是指电池在规定的充放电条件下，经历多次完全充放电循环后，容量或性能下降到初始值的某一规定百分比所能经历的充放电次数。通常以电池容量衰减到初始值的80%作为循环寿命的“终点”。 假如一部手机的电池循环寿命是500次，这就意味着，如果每天把手机电量完全用完再充满，那么大约500天后，你就会感觉手机电量没有以前那么耐用了，因为电池的循环寿命到了。 由于电池容量退化是一个受多种因素影响的动态过程，包括充放电循环次数、充放电深度、环境温度、电池老化等，这些因素相互作用，使得电池寿命预测变得尤为复杂。 此前，电池寿命预测都在实验室内进行。比如让电池加速循环，在高温45℃下高倍率运行，以此推断它在实际应用场景中的使用寿命。但是，不同的应用场景和运行条件会对锂电池寿命产生显著影响，以致无法实现对电池的精准预测。 目前，很多团队正积极投身于人工智能领域的探索。“遗憾的是，当前的人工智能技术及其学习深度，以及有限的人力资源，不能完全满足对电池寿命进行精确检测的需求。”毛治宇说，“基于这一现状，我们萌生了一个设想——设计一个能够直接且高效检测电池寿命的创新模型。这一模型致力于突破现有技术的局限，为电池健康管理提供更为可靠和智能的解决方案。” 人工智能模型让电池“透视” 2017年，毛治宇在加拿大滑铁卢大学读博士，陈忠伟是他的导师。当时，人工智能刚刚起步，他们想尝试一下，用它能否解决电池寿命检测这一难题。 “实际上，电池包括正极、负极、隔膜、电极液等，是一个复杂的电化学系统。但是，那时候的模型还停留在简单的神经网络学习，人工智能检测刚刚开始，我们就用自己的电池尝试测试，并纳入此前未被考虑到的电池老化问题，最终检测出来的电池寿命与实际寿命相比，精度有了很大提高。”毛治宇回忆当初第一次尝试时说。 这次初步尝试开启了毛治宇在人工智能应用于电池智能管理方向的科研之路。后来，二人先后归国工作，毛治宇又加入了陈忠伟的团队。 陈忠伟团队有一个方向是智能电池，包括人工智能应用于科学、人工智能应用于工程，毛治宇想在这里圆梦。而目前科技领域已有多个人工智能的计算模型，他们“借风使船”结合多个模型，实现了优势互补。 “我们利用了Vision Transformer结构，它可以进行并行计算，同时处理多个任务。”论文第一作者、在大连化物所从事博士后研究的刘云鹏介绍，“还有一个空间流加时间流的双流框架，可提取多维时间尺度信息，同时借助高效自注意力机制减少计算复杂度。我们根据不同的优势将这两种算法进行了结合。” 这项研究提出了一种基于少量充电周期数据的深度学习模型，该模型通过带有双流框架的Vision Transformer结构和高效自注意力机制，捕捉并融合多时间尺度隐藏特征，实现对电池当前循环寿命和剩余使用寿命的准确预测。 该模型在仅使用15个充电周期数据的情况下，能够将上述两种预测误差分别控制在5.40%和4.64%以内。并且，在面对训练数据集内未出现的充电策略时，仍能保持较低的预测误差，证明了其zero-shot泛化能力。 打造“电池数字大脑” 同时，该电池寿命预测模型是第一代电池数字大脑PBSRD Digit的重要组成部分。通过将模型整合到该系统中，进一步提高了系统的准确性。目前，该电池数字大脑系统作为大规模工商业储能和电动汽车的能量管理核心，可部署于云端服务器和客户端嵌入式设备。 “现在新能源特别是储能是热点话题，很多厂家都想开发全生命周期的电池智能管理系统。我们希望建设一个完整的电池数字大脑，能够更好地管理电池，像大脑一样控制电池的各个方面，让电池效率更高、寿命更长。这是我们未来的一个智能化发展方向。”毛治宇介绍说。 事实上，陈忠伟、毛治宇、刘云鹏正好是一个团队内的“师徒三代”。经过多年发展，团队在电化学、电催化、人工智能方面都有着深厚的积累。他们的目标是打造从基础研究到关键技术开发再到产业应用示范的全链条模式，以应用为导向真正走向产业化，乃至对整个领域产生影响。 150余人的团队中，会聚了超过50位经验丰富的工程师。他们具有不同的技术背景，不乏在大数据架构与算法领域深耕多年的专家，擅长将前沿的算法研究转化为高效、稳定的系统架构，确保技术成果能够顺利落地。 正是这种“研究+开发”深度融合的模式，使得团队能够跨越传统界限，促进不同领域知识与技术的交叉融合。工程师们不仅能独立承担项目研发的重任，还能与科研人员紧密合作，将最新研究成果迅速转化为产品功能，从而加速技术创新与产业升级的步伐。 通过这种高效的协作机制，团队不仅在电池寿命检测等特定领域取得突破，还能灵活应对各种复杂挑战，推动多个项目并行发展，最终实现多元化、全方位的技术创新目标。 “未来，我们计划利用模型提炼等技术进一步优化模型，以提高资源利用率，打造真正的数字大脑。”陈忠伟说。 相关论文信息： https://doi.org/10.1109/TTE.2024.3434553
    129浏览量
    原文链接