人工智能与储能技术融合的前沿发展

新能源采编储能 2024-10-29 11:11:58 185阅读 举报

  网讯:

  摘 要 随着大规模储能系统和电气设备的不断适应,电池和超级电容器(supercapacitors)的储能能力面临着越来越多的需求和挑战。其中漫长的研发周期及低效率的材料筛选是储能材料(energy storage materials,ESM)开发的两大难题,将人工智能(artificial Intelligence,AI)应用于ESM的研发是解决该问题的新方案。而机器学习(machine Learning,ML)作为AI的子领域,已被证明是从数据中获得见解的强大工具,ML可以挖掘大数据背后有价值的信息和隐含的关联,有助于揭示ESM的关键结构或性质与性能关系,大大加快了ESM的研发和筛选,同时AI为储能系统的设计和运行提供了先进的预测工具。因此,未来AI与储能技术的融合研究将是值得关注的新兴领域。本文首先阐述了AI的关键技术框架,包括监督学习、无监督学习以及可解释的人工智能(XAI)。然后从ESM设计、识别筛选和性能预测三个方向出发,分别总结了AI在这些储能领域的最新研究进展,包括机器学习在储能材料研究中常用的数据库列表,并分析了这一融合技术对智能电网优化、可再生能源集成与管理的贡献。最后,本文展望了AI与储能技术的融合面临的机遇挑战,以及未来需要重点关注的研究方向。

  关键词 人工智能;储能;融合;智能电网;可再生能源

  从化石燃料向可再生能源过渡是一项严峻的全球挑战,它要求在材料、设备和系统层面上取得进步,以有效收集、储存、转换和管理可再生能源。随着电力需求和可再生能源的增加,储能系统成为能源行业的重要组成部分。电池和超级电容器等储能设备面临着越来越大的需求和挑战。其中,储能材料(energy storage materials,ESM)的开发面临两大难题,即漫长的研发周期和低效率的材料筛选。这两个问题直接影响着储能系统的性能和可持续性。因此,储能领域急需创新性的解决方案,以提高储能设备的效率和降低成本。

  人工智能(AI)作为一项引领科技潮流的前沿技术,在可再生能源系统的设计和优化中发挥着越来越重要的作用。许多人工智能方法和技术已经广泛应用于能源领域,例如发电预测、能效监测、储能和能源系统的整体设计。在储能领域,引入AI技术为储能材料的研发和应用提供了新的契机。特别是,新兴的机器学习(ML)是人工智能的一个子领域,能够评估和分析大数据中的隐藏规则,能够有效揭示关键材料的结构与性能之间的关系,从而加速储能材料的设计和性能优化。

  因此,将人工智能与储能技术融合是未来研究的一个重要方向,尤其在材料设计、识别分类、筛选和性能预测方面。AI加速了储能材料的发现和优化,可以更加精准地了解储能材料的结构与性能关系,有助于解决漫长的研发周期和低效率的材料筛选问题,提高能源密度和系统效能。机器学习的强大功能使得从大数据中提取知识成为可能,为储能材料的性能预测提供更高的精度和效率,促进可再生能源与电网融合。这种融合不仅提高了电力系统的效率和稳定性,优化能源分配,降低运营成本,对智能电网建设产生深远影响,同时在太阳能、风能等可再生能源领域也有广泛应用,通过预测能源产生和需求平衡,提高了可再生能源系统的整体可靠性和集成化管理效率。随着AI技术的进一步发展,智能电网将更加智能化、高效化,为电力系统可持续发展提供有力支持,也为未来可再生能源的储能技术挖掘奠定了基础。

  本文的主要创新点如下:

  (1)对常用监督学习和无监督学习方法的优缺点进行了全面总结,为研究人员和从业者提供了关于如何为其特定的储能材料研究任务选择最合适的机器学习算法的指导。

  (2)汇编了机器学习在储能材料研究中常用的数据库列表。通过汇总这些数据库,研究人员可以访问用于训练和测试机器学习模型的宝贵资源,从而促进该领域的进一步发展。

  (3)讨论了可解释人工智能(XAI)的研究方法,并提出了未来关于因果人工智能(CAI)的研究想法。这种探索有助于增强在储能材料研究中使用的AI模型的解释性和可信度,从而促进信任并推动决策过程。

  (4)对过去5年内在储能材料设计、识别、分类、筛选和预测方面应用的最新AI研究方法和应用领域进行了全面回顾。此外,还重点介绍了AI储能集成对智能电网和可再生能源综合管理的贡献。

  1 人工智能技术及应用

  图1展示了机器学习(ML)的一般工作流程,包括数据准备、特征工程、模型选择、模型评估和模型应用。具体而言,流程始于原始数据的收集,随后进行预处理。预处理方法包括编码转换、特征交叉、计算优化、筛选和删除等,具体取决于原始数据的特征。接下来是关键且至关重要的一步,即根据原始数据选择适当的算法并建立训练模型。最后,使用优化后的算法模型进行数据预测。算法是ML的核心,合理的算法是建立精确ML模型的基础。在这方面,偏差和方差是评估ML模型质量的关键参数。ML可分为监督学习、无监督学习、半监督学习和强化学习。大多数ML算法属于监督学习或无监督学习,这也是材料发现领域应用最广泛的算法。因此,我们将重点介绍储能领域中常用的有监督和无监督ML算法,特别是它们的相对优势,同时简要介绍了可解释人工智能这一新兴领域及相关研究。

图1 ML学习训练的一般流程

 1.1 有监督学习

  有监督学习是机器学习的重要分支之一,其目标是从已知输入和输出样本中学习以预测新输入对应的输出。有监督学习算法的分类可参考表1。表2总结了8种监督学习的特点。

表1 监督学习算法分类表

人工智能与储能技术融合的前沿发展

表2 监督学习方法特点汇总

人工智能与储能技术融合的前沿发展

 1.2 无监督学习

  无监督学习的目的是发现数据集中的隐含结构。表3总结了4类无监督学习的特点。

表3 无监督学习方法特点汇总

人工智能与储能技术融合的前沿发展

  1.3 可解释人工智能

  人工智能(AI)正在成为社会几乎所有活动部门的基础。然而,大多数现代人工智能技术(例如机器学)都具有黑盒性质,这阻碍了它们在许多应用领域的从业者采用。这个问题提出了最近出现的人工智能新研究领域,称为可解释人工智能(XAI),XAI是以统计学为基础的计算机科学中的一个新兴领域,旨在提供基于人工智能的决策过程和结果,以便人类易于理解、解释和证明。自2018年以来,关于XAI的研究呈指数级增长。

  下面对XAI的相关研究进行了简要概述。Zhu等提出通过贝叶斯学习开发一个可解释的人工智能方案来解决这些挑战,其中基于物理的代理模型通过对原位监测数据的机器学习进行校准和更新,从而建立一个物理知情的、数据驱动的添加剂搅拌摩擦沉积过程中的温度分布模型。该方法的有效性在Al-Mg-Si合金的打印中得到了证明,其中通过适中的物理模拟试验和少量的原位测量实现了快速、准确的温度预测;Xia等构建长短期记忆(LSTM)模型,并实施对比实验分析棉花价格指数波动率。为了使构建的模型具有可解释性,使用可解释人工智能(XAI)技术对输入特征进行统计分析。实验结果表明,LSTM模型能够准确分析棉花价格指数波动趋势,但无法准确预测棉花实际价格;Thunold等提出了一种新的框架,该框架在不依赖手工制作特征或人为干预的情况下提供对疾病的见解。我们的框架基于深度学习(DL)、可解释人工智能(XAI)和聚类。深度学习用于学习深层模式,从而有效区分健康和病理图像。可解释人工智能(XAI)将这些模式可视化,并引入了一种新颖的“解释加权”聚类技术,以在多个患者中概述这些模式;Ahmad等提出一种基于深度学习的肺癌分类模型,并为预测提供了解释,在“DeepXplainer”使用其许多卷积层自动学习输入的特征后。为了提供预测的解释或可解释性,模型包括三个主要部分:一个用于特征学习,一个用于分类,第三个部分为所提出的混合(ConvXGB)模型的预测提供解释,该可解释性预测方法可能帮助医生更有效地检测和治疗肺癌患者,图2展示了该深度可解释模型的基本架构。Chakraborty等提出了一种结合双向门控循环单元(BiGRU)和人工神经网络(ANN)的鲁棒混合架构,用于文本的分类和情感分析,该方法利用BiGRU对数据中的顺序依赖关系进行建模,而ANN则用于最终的分类。Ibrahim等通过SHAP的系统方法预测了可持续三元水泥混凝土的抗压强度,该预测使用局部解释对全局理解和可解释的人工智能模型进行了研究。为此,使用了两个传统ML模型和三个集成ML模型,并进行了超参数调整。泰勒图、模型评估参数和SHAP值用于解释机器学习模型的预测性。结果表明,集成机器学习模型比传统机器学习模型具有更高的精度。另外从局部解释获得的见解可以得出结论,应谨慎使用黑盒模型做出的预测。Liu等提出了一个可解释的混合机器学习框架,以解开转换型电池难以解决的降解化学成分。该框架不是黑匣子,其寿命终止预测的测试平均绝对误差为8.9%,它不仅展示了准确预测锂硫电池的能力,而且还产生了有用的物理理解,为未来的电池设计和优化提供了指导。该框架还能够发现以前未知的性能指标,即首次放电时电解液量与高压区域容量的比率,适用于符合实际优点的锂硫电池。

人工智能与储能技术融合的前沿发展

图2 深度可解释模型的结构

  2 人工智能在储能系统中的应用

  在储能系统中,人工智能的应用在材料设计、识别分类筛选和性能预测三个方面发挥着关键作用,推动了能源存储技术的前沿研究。首先,人工智能及其子类以及计算基础设施的进步,使得人们可以快速计算材料特性,通过人工智能在材料设计方面的应用,科研人员能够更迅速地发现和优化储能材料,从而提高能源密度、降低成本,并推动储能系统的性能提升。其次,人工智能在识别分类筛选方面的应用为储能材料的选择提供了高效而精准的手段。通过机器学习算法,系统可以分析大量的材料数据,实现对材料性能、稳定性等关键特征的准确识别和分类。这种智能化的筛选过程使研究人员能够更有针对性地选择适用于特定储能需求的材料,提高了储能系统的整体效能。最后,人工智能在性能预测方面的应用为储能系统的设计和运行提供了先进的预测工具。通过建立复杂的模型,人工智能可以模拟不同工况下储能系统的性能表现,帮助优化系统的控制策略。这种精准的性能预测有助于提高储能系统的可靠性和响应速度,促进了可再生能源与电网的融合。

  目前,与物质相关的数据库相对有限,但越来越多的研究人员和机构正在积极分享更广泛的数据库资源。这一趋势扩大了数据库的范围,为研究人员提供了更大的灵活性和选择空间。电池参数数据库和材料数据库显著提高了研究效率,减少了数据收集和处理的所需时间,这些数据库的多样性扩大了机器学习在材料开发中的应用范围。不同领域的科研人员可以根据需要选择合适的集锦数据集,利用表4中列出的相关数据库资源。

表4 机器学习用于电池技术中常见的数据库汇总

人工智能与储能技术融合的前沿发展

  2.1 辅助储能材料设计

  人工智能在储能材料设计中的应用通过分析影响关联、快速识别分类和筛选以及高精度的性能预测,为储能技术的发展提供了全新的可能性。人工智能能够挖掘大量的材料数据,实现不同材料之间的关联性分析,得到关键因素对性能的重要性排序,这有助于科研人员更好地理解材料之间的相互作用,为设计更高性能的储能材料提供深入的科学依据。另外,材料的识别分类是人工智能在储能材料设计中的重要角色之一。通过机器学习算法,系统能够自动识别并分类大量的潜在储能材料,缩小研究范围,加速对具有潜在应用的材料的深入研究。这有助于提高研究效率,从海量数据中迅速找到合适的候选材料。在材料筛选和发现方面,人工智能技术能够实现更智能化的材料筛选过程。通过对材料性能、成本、可持续性等多方面因素的综合分析,系统可以帮助研究人员筛选出最具潜力的储能材料,从而加速储能材料的研究和开发。最后,在性能预测方面,人工智能通过建立复杂的模型,可以预测储能材料在不同条件下的性能表现。这使得研究人员能够更好地了解材料在实际应用中的表现,有助于优化设计和提前发现潜在问题。

  人工智能可以加速分析材料特征与标签间的关联关系和影响机制。Zhou等首次利用专有数据集,运用基于隐/显特征的高效机器学习(ML)解决传统试错组合优化问题,应用于金属氢化物,通过特征重要性排序确定了关键的容量影响因素,促进了高效的容量估算和高容量成分的制定;Faraji等提出了可解释的机器学习方法(XML)和系统的统计分析方法,综合评估了浆料涂层对锂离子电池电极制造的影响,避免了量化大量相互关联的控制变量对电极的影响的挑战。

  薄膜介质电容器在大功率电子设备中得到广泛应用。微观结构设计和填料选择对纳米复合材料储能密度至关重要。Feng等建立了包含大量有关纳米复合材料最大储能密度的数据集。通过使用84种机器学习算法构建的预测模型,其预测准确率从84.1%提高到91.9%、68.9%提高到80.9%、70.6%提高到81.6%。通过计算随机森林预测模型中的分支权重,分析了不同描述符对纳米复合材料储能性能的影响。实验室制备了10组不同结构和填料量的复合材料,用于验证预测模型的可靠性。最后,通过三种预测模型,探究了有效填料的结构,并提出了填料界面设计的建议。人们对发现高容量电池材料产生了浓厚兴趣,这推动了对被称为MXenes的二维早期过渡金属碳化物的电化学储能潜力的研究。Li等使用新的分类描述符对特定的MXene化学式进行分类,并同时预测多个目标电化学性质。然后,根据一组电池性能标准,预测MXenes的公式。这种方法涉及多目标回归和多目标分类的工作流程,重点关注与电池设计最相关的物理化学特征。

  随着全球朝着可再生能源和绿色环境建设的方向迈进,电池储能系统(battery energy storage system,BESS)在应对可再生能源的间歇性方面变得至关重要。与电池储存的能量相关的量被称为电池的充电状态(SOC)。通常,假设SOC与电压、电流等量呈线性变化,则SOC的估计可以轻松测量,但实际上并不存在这种线性关系。机器学习技术已被证明可以用于SOC的测量,尽管常规特征经常受到多重共线性的影响。同样岭和套索回归方法已被证明可以抵消多重共线性的影响。Hasan等将这些方法与线性回归、支持向量机(SVM)和人工神经网络(ANN)结合使用。除了现有的常规特征外,还研究了一些可以从常规特征派生的非常规特征。结果表明,除SVM外,非常规特征提高了所有方法的性能。考虑到计算的准确性和速度,具有非常规特征的岭回归方法在所有场景中都表现出最佳结果。

  Yi等提出了一种基于机器学习的数据驱动预测策略,以加速具有靶向性的聚合物电介质的合理设计,特别是对于高介电常数(ε)和低损耗介质储能的设计。为了快速设计和发现新型聚合物介质储能,他们提出了一种基于优化遗传算法的区间支持向量回归(OGA-ISVR)的预测器,用于预测ε值。该方法通过将整个数据空间划分为子空间,并自适应地选择核函数,利用遗传算法获取最优超参数,从而提高预测精度,减少在每个子空间中的时间消耗。该机器学习模型识别了特征与属性之间的映射关系以及ε值的影响因素。与常见的支持向量回归方法相比,所提出的模型具有更低的计算开销和更高的预测精度。这项研究成功演示了所提出模型在聚合物电介质设计中即时性能预测方面的应用。

  Gómez-Bombarelli等提出了一种深度神经网络模型,该模型可以使分子在离散表示形式与多维连续表示形式之间来回转换。该模型能够通过开放式化合物空间生成新分子,以进行有效的探索和优化。该神经网络接受了成千上万种现有化学结构的训练,以构造三个耦合函数:编码器、解码器和预测器。编码器将分子的离散表示转换为实值连续向量,而解码器将这些连续向量转换回离散分子表示。预测变量从分子的潜在连续矢量表示中估算化学性质。分子的连续表示使在潜在空间中执行简单操作来自动生成新的化学结构成为可能,连续表示还允许使用基于强大的梯度优化算法指导寻找优质的功能化合物。

  锂硫电池是锂离子电池的有前途的替代品,具有较大的储能容量和较宽的工作温度范围。然而,它们的性能受到锂多硫化物(lithium polysulfides,LiPS)穿梭的严重影响。LiPS在单原子催化剂(single atom catalyst,SAC)上吸附的计算筛选对Li-S电池的设计有很大帮助,Li-S电池对LiPS从阴极到阳极和电解质的穿梭具有鲁棒性。为了促进这一过程,Andritsos等开发了一种机器学习协议,以加速基于密度泛函理论(density functional theory,DFT)计算发现的主导局部能量最小值的系统映射,进而快速筛选锂多硫化物在单原子催化剂上的吸附特性。该研究首先探测了吸附在Fe-N装饰的石墨烯上的LiPS势能表面,验证4-C SAC方法的可行性,确定了与以往文献中报道的结合能相当的或更好的最小值。接着开始分析Zn-N中4-C SAC的吸附趋势,观察到了与Fe-N具有相似吸附强度和行为的4-C SAC,突出了该方案的良好预测能力。该项研究为LiPS吸附的传统方法提供了一种全高效的替代方案。

  有机-无机钙钛矿太阳能电池(PSC)因其相对低廉的成本和高功率转换效率而成为下一代有前途的廉价太阳能电池板候选者。然而,PSC的稳定性较差。与三维金属卤化物PSC相比,准二维Ruddlesden-Popper PSC(准2D RP PSC)是PSC的一个新子集,具有更高的光稳定性以及对环境条件的优越弹性。为了加速寻找新的准2D RP PSC,Meftahi等报告了一项基于机器学习增强的高通量钙钛矿薄膜的制造和优化研究。这项工作设计了一种定制的实验策略,仅使用无旋涂、可重复的机器人制造工艺生产具有一系列不同成分的钙钛矿薄膜,这些太阳能电池的性能和表征数据用于训练ML模型,该模型可以优化材料参数并指导改进材料的设计。这种由ML优化的准2D RP钙钛矿薄膜产生的太阳能电池的功率转换效率高达2.16%。

 2.2 储能材料识别与筛选

  人工智能技术为储能材料的识别、分类和筛选工作带来了新机遇。通过先进的机器学习算法,人工智能实现了对各种储能元件和技术的精准识别与分类,包括锂离子电池模型参数识别、电池退化模式识别和分类、高温储热系统最佳性能指标识别等,其中机器学习出色的分类和回归能力已成功应用于可充电电池研究的各个领域。在筛选发现方面,人工智能使革命性的下一代范式能够显著加速材料发现的所有阶段,并促进对巨大设计空间的探索,人工智能通过分析大规模数据能够迅速筛选出性能卓越的储能材料,其中应用较为广泛的领域有筛选优质电极材料(正极/阴极)、筛选弹性纳米材料、筛选耐高温聚合物、高热容固体材料以及基于AI技术研究材料筛选效率的影响因素等。这一整合人工智能的储能技术不仅提高了系统的智能化水平,更为能源存储领域带来了更快速、精准的科技进步,为可持续能源的大规模应用打开了新的前景。

  2.2.1 识别

  模型参数识别:Li等提出了一个数据驱动的参数识别框架,利用人工智能技术对锂离子电池进行电化学模型的现实世界应用,即采用布谷鸟搜索算法。该框架仅使用电流和电压数据作为多目标全局优化的输入,同时考虑了模型和电池之间的电压误差以及两个电极之间的相对容量误差。通过基于灵敏度分析的多步骤识别过程,提高了对低灵敏度参数的识别精度。此外,通过采用受机器学习训练过程启发的新识别过程,进一步解决了使用有限电池数据时的过拟合问题。在恒流放电和实际驱动循环下,数据驱动方法的全电池电压最大均方根误差分别为9 mV和12.7 mV,仅为实验识别方法的17.9%和42.9%。这一研究为电化学模型的参数辨识提供了一种有效的数据驱动方法,提高了在实际应用中的准确性和适用性。

  退化模式识别:Li等通过整合现场数据、基于阻抗的建模和人工智能,提出了一个锂离子电池的退化诊断框架。该框架通过准确和鲁棒的容量和功率衰减估计以及退化模式分析,彻底改变了退化识别。利用低动态和高动态的场数据,采用多步布谷鸟搜索算法的数据驱动参数识别方法,考虑参数敏感性差异。即使在传感器噪声下,该方法在老化参数估计和退化模式识别方面仍表现出较高的准确性和鲁棒性。这一研究为锂离子电池的退化诊断提供了一种有效的综合方法,充分利用了实时场数据和机器学习技术,以提高对电池状态的理解和预测。

  最佳性能指标识别:Jin等提出了一个机器学习辅助计算框架,旨在识别具有最佳性能指标的高温储热系统(HT-RTES)站点。该框架通过将基于物理的模拟与随机水文地质结构和热能储存操作参数相结合,融合了模拟数据的人工神经网络回归和遗传算法支持的多目标优化。这一综合方法能够更全面考虑地质结构、操作参数和性能指标之间的复杂关系,以辅助选择具有最佳性能的高温储热系统站点。这项研究为实现净零碳经济目标提供了一种有前景的方法,特别是在平衡可再生能源发电的间歇性方面。

  2.2.2 材料分类

  电池老化模式分类:Kim等首次提出了一个基于合成数据的深度学习建模框架,用于快速、自动地对电池的老化模式进行分类和量化,并进行了实验验证。通过使用大约26000种初始条件和老化模式的合成dQ/dV曲线,该框架对不到100个循环内进行快速充电的电池的主要老化模式进行了分类。在分类后,该框架对22个Gr/NMC532软包电池在不同充电速率(1C~9C)下进行了多达600次循环的老化模式的演变进行了量化,这些模式通常与循环不均匀相关。这项研究为电池老化的快速分类和量化提供了一种有效的深度学习方法,并在实验中成功应用于不同充电速率下的电池测试。

  集成高能效线性分类器提取信号特征和结构:Xu等提出了一种基于机器学习的读出通道,适用于多执行器数据存储系统,通过决策树分类和梯度提升直接检测数据符号。该学习模块集成了高能效线性分类器,从原始回读信号中提取特征和结构。实验结果表明,该检测精度高,对码间干扰(ISI)和抖动噪声具有鲁棒性。低复杂度的机器学习模块对低信噪比的原始数据进行分类,实时准确率高于95.8%,功耗仅为53 mW。这一技术的提出为多执行器数据存储系统提供了一种高效、精确的数据检测方法,具有在复杂噪声环境下表现出色的特点。

  2.2.3 材料筛选

  筛选锂离子、钠离子和钾离子电池中氧化还原稳定的高电位阴极:Carvalho等提供了一个强大的人工智能驱动框架,旨在加速发现用于锂离子、钠离子和钾离子电池的新型有机基材料。该平台能够预测相应电池的开路电压,并提供对材料氧化还原稳定性的初步评估。该模型应用于对45万个小分子的筛选,以寻找新的高电位阴极。在锂离子、钠离子和钾离子电池中,提出了分别有3202、689和702种新化合物的候选名单,仅考虑氧化还原稳定的候选化合物。

  筛选新型有机电极材料:Carvalho等通过将人工智能(AI)和量子力学相互作用,开发并应用了一种替代但系统的方法,以加速发现适用于有机电极材料(OEM)的合适阴极活性物质。该AI内核允许对庞大的有机分子库进行高通量筛选,发现了459种有前途的新型OEM候选物,这些候选物有望实现超过1000 Wh/kg的理论能量密度,从而克服了与能量密度、倍率能力和循环稳定性相关的挑战性问题。此外,该机器学习模型准确识别了导致更高电压电极的常见分子官能团,并指出了一种有趣的供体-受体效应,这可能推动阴极活性OEM的未来设计。这项工作为开发具有可持续性和多功能性的新型有机电极材料提供了一种创新的方法。

  组合搜索空间大小对材料发现效率的影响:Yuan等通过比较两种基于机器学习的方法的性能,证明了在低电场下最大限度地提高无铅BaTiO3基电介质的能量存储密度是值得考虑的问题。该研究探讨了组合搜索空间大小的变化如何影响材料发现的效率,涉及不同级别的物理见解。从物理直觉出发,提供了指导原则,以在铁电相和弛豫铁电相之间的成分-温度相图中找到更好表现者。这种方法限制了多掺杂固体解决方案,并促使使用两种数据驱动的机器学习和设计策略,并具有实验反馈回路。其中,策略Ⅰ考虑了所有化合物的学习和性质预测,而策略Ⅱ学习在进行预测的交叉区域中预先选择化合物。通过策略Ⅱ仅执行两个主动学习回路,该研究为在低电场下提高无铅BaTiO3基电介质的能量存储密度提供了一种有前景的方法。

  结合机器学习和密度泛函理论的高热容固体材料筛选方法:Ojih等通过对来自全密度泛函理论(DFT)计算的3377个高质量数据的训练,有效寻找具有高热容的潜在材料。他们构建了4个传统的机器学习模型和两个图神经网络模型,用于预测从开放量子材料数据库中筛选出的32026个结构的热容。研究通过交叉比较不同模型的预测性能和准确性,发现deeperGATGNN模型具有较高的预测精度。研究深入了解了热容与结构描述符(如空间群、原型、晶格体积、原子量等)之间的相关性,预测了22个具有较高热容量的结构,并通过DFT计算进一步验证了结果。这项研究为加速发现新型热能存储材料铺平了道路,通过将机器学习与最小的DFT查询相结合,提高了材料科学中热容要求的固体材料的潜在性。

  结合遗传算法和机器学习预测器筛选耐高温耐高电场的聚合物:为了满足新兴电气化技术的需求,需要能够在高温下承受高电场的聚合物。考虑到聚合物的搜索空间庞大,传统的、基于直觉和经验的爱迪生方法在发现满足这些需求的新聚合物方面进展较慢。Kern等将遗传算法与5个基于机器学习的属性预测器相结合,设计了超过50000种具备目标属性的假设聚合物。此外,使用基于聚合物可合成性的标准,将这些聚合物缩小到23种可能可合成的候选聚合物和3665种可合成的候选聚合物。这一研究采用了创新的方法,利用遗传算法和机器学习属性预测器的结合,加速了新型高温、高电场下可用的聚合物的发现和设计。

  探索一维碳纳米材料的弹性储能特性:碳纳米材料作为高可靠性、可重复使用和高密度的机械储能材料被广泛探索。Zhao等将机器学习技术,特别是机器学习电位(MLP)用来探索一维碳纳米材料(CNW)的弹性储能特性。该研究的重点是使用第一性原理分子动力学模拟数据训练的MLP。研究发现,这些材料表现出极高的拉伸弹性储能能力,最大储能密度范围为1~2262 kJ/kg。此外,还发现一些CNW表现出优于其拉伸储能能力的扭转储能能力。总体而言,这项研究证明了基于机器学习的计算方法在加速新材料的探索和优化方面的有效性。

  筛选可充电锌电池中高容量高压的正极材料:含水电解质的可充电锌电池被认为是很有前途的替代储能技术,具有成本低、容积容量大、环境友好、安全性高等多种优点。然而,由于缺乏可靠的正极材料,它们的应用在很大程度上得到了保证。Zhou等提出一种基于机器学习(ML)的方法来预测高容量(>100 mAh/g)和高压(>0.5 V)的无机材料。从材料项目数据库中筛选了超过约130000种无机材料,并应用基于晶体图卷积神经网络的ML方法与AFLOW数据库的数据相结合,产生了约80种预测的正极材料。其中,大约10种正极材料已被实验发现,与实验测量结果非常吻合,而约70种新的有前途的候选材料已被预测用于进一步的实验验证。

 2.3 储能材料性能预测

  目前,AI在储电、储热技术上的应用是比较热门的研究方向。在储电方面,机器学习算法、深度学习框架以及卷积神经网络(CNN)等技术被广泛应用于电池的性能预测、寿命估计和健康状态监测。这有助于提高电池系统的效率、降低能源储存成本,并优化电池的使用寿命。在储热方面,人工智能技术也用于对可逆热化学反应的动态行为、供暖系统功率以及储热相变材料的熔化时间等进行预测。这有助于优化热能储存系统的性能,提高能源利用效率。此外,人工智能技术在太阳能、风能等间歇性新能源领域也有应用。通过预测能源产生和需求之间的平衡,人工智能可以帮助提高可再生能源的整体可靠性和可持续性。这些应用体现了人工智能在新能源,特别是储能材料预测领域具有各种优势,为提高能源系统的效率、降低成本以及实现可持续发展目标提供了新的工具和方法。

  2.3.1 储电性能预测

  利用机器学习方法对储电性能进行预测之前通常需要分析储能性能的影响因素及其重要性排序。Zhang等提出了一种新的物理特征驱动的电池寿命预测方法,通过机器学习捕捉物理特征与电池寿命之间的关系。该方法能够预测电池的剩余使用寿命(RUL)和拐点,并首次实时对电池寿命进行分类。Zhang等提出了一种ML方法,用于快速准确地预测多硫化LiPS的结合能。他们分析了不同吸附位点、构型和距离对LiPS被吸附时结合能的影响,对理解LiPS与宿主的吸附机理具有重要意义。这项工作提供了一种有效的ML方法,用于筛选和发现新的AB2二维层状材料,以抑制锂硫电池的穿梭效应。Ghosh等首次从材料比容量的角度阐述了特征(材料组成、形貌、表面积等)的重要性,并应用机器学习来预测超级电容器电极的材料性能。这项工作旨在提高对超级电容器材料性能的理解,并为寻找性能更优越的电极材料提供指导。

  Xiong等提出一种结合了相关系数、最小绝对收缩率和选择算子回归、邻域分量分析以及ReliefF算法等63种算法的方法,用于估计锂离子电池(LiB)的健康状态(SOH)。该方法旨在从实测参数和计算参数中筛选出最重要的特征,以实现对老化过程的特征进行准确估计。为了验证所提方法的有效性,研究采用了两种锂离子电池,分别是NCA和LFP电池,并对它们的健康管理进行了SOH估算。这意味着通过提取关键特征,结合多种算法,可以更准确地估计锂离子电池的健康状态,有助于提高对电池寿命和性能的理解,从而改进电池管理系统。

  Duan等通过基于深度学习的方法,开辟了一种全面监控电池性能的新途径。他们利用CNN来预测电池在完全充电和完全放电状态下的阻抗谱,为电池寿命的监测提供了一种全新的手段。这个方法只需要在恒流充电下收集输入数据,并建立了包含1500个电池在较宽寿命范围内采集的多个阻抗谱的电池退化数据集。验证结果显示,所提出的方法在充电数据不完整的情况下仍能提供可靠的预测。这对于电池性能监测和寿命预测具有重要的应用前景。Li等提出了一种数据驱动的预测框架,旨在准确预测锂离子电池的容量和功率衰减。该框架采用了多任务学习的方法,能够同时预测容量和内阻的退化轨迹,包括拐点和寿命终止点。验证结果显示,该模型在电池寿命早期就能准确预测容量和内阻的退化,平均百分比误差分别为2.37%和1.24%。相比于单任务学习模型,该多任务学习模型具有显著的预测精度提高和计算成本降低的特点。这项研究凸显了多任务学习在锂离子电池退化预测中的优越性。

  Lu等提出了一种深度学习框架,将RUL预测扩展到在固定和随机未来运行条件下的充放电容量轨迹的预测。该框架以循环神经网络(RNN)为核心,通过整合未来的当前计划和少量的早期容量电压数据作为输入,实现了对电池性能的预测。研究采用了77个商用电池进行案例研究,结果显示,仅使用3.8%的全寿命数据,NMC/石墨电池的预测中位数均方根误差(RMSE)可以在2.4%以内,LFP/石墨电池的预测中位数均方根误差(RMSE)可以在2.3%以内。与现有方法相比,该框架的预测表现更准确,对固定和随机未来条件均具有非常均衡的性能。这项研究强调了基于RNN预测电池性能未来的潜力。

  Tian等提出了一种新颖的方法,通过使用短期充电数据,利用卷积神经网络(CNN)估计电池的最大容量和剩余容量,从而同时解决健康状态和充电状态的估计问题。这一方法与传统的基于特定运行数据估计单一状态的研究不同。这种新方法的灵活性使其能够在更短的时间内提供对电池状态的准确估计。

  Zahid等则提出机器学习算法作为电动汽车电池SOC估计的替代方案。通过在先进车辆模拟器(ADVISOR)中进行仿真实验,评估了ML算法与现有滤波算法的性能。研究中使用的输入参数包括电池电流、电池模块温度、电池输出功率(可用和请求)、电池功率损耗和从电池中去除的热量。通过从ADVISOR收集的数据进行模型的训练和测试,研究表明ML算法对于不同类型的电池(锂离子电池、镍氢电池和铅酸电池)在通用的驱动循环条件下都具有适用性。

  聚合物介质电容器因其高功率密度而广泛用于脉冲功率器件。由于纯聚合物的介电常数低,因此需要无机填料来改善其性能。填料的尺寸和介电性能将影响聚合物基复合材料的介电击穿。然而,仅通过实验并不能完全获得填料对击穿强度的影响。Yue等考虑了影响聚合物基复合材料击穿强度的3个最重要变量:填料介电常数、填料尺寸和填料含量。对504组数据进行高通量随机击穿模拟,并将模拟结果作为机器学习数据库,得到聚合物基复合材料的击穿强度预测。结合经典介电预测公式,得到了聚合物基复合材料的储能密度预测。通过介电常数和击穿强度等定向实验验证了预测的准确性。这项工作为电容式储能应用中具有高能量密度的聚合物基复合材料的设计和制造提供了见解。

  Lliadis等提出了一种预测性BESS,该系统集成了ML方法,用于预测负载和间歇性太阳能和风能发电,以及自定义调度算法,该算法可计算实现所需水平效果的必要BESS设定点。调度算法的一个重要特征是,每天的充电和放电能量在设计上是相等的,并且与预测的准确性无关。这方面使经济研究能够确定特定系统的适当BESS容量,同时考虑到电池的容量退化。

  Ding等全面总结了不同环境和使用场景下材料和电池水平劣化机制的演变,包括老化机制、降解模式和外部影响之间的复杂关系,这些都是建模仿真和机器学习技术的基石。展示了电化学模型与电池内部退化机制以及老化参数的识别和跟踪的最新进展,特别强调了电极平衡和机器学习辅助可靠剩余使用寿命预测的预期趋势。电芯级老化的精确仿真预测将继续在先进的智能电池研究和管理中发挥重要作用,在缩短实验序列的同时提高其性能。

  2.3.2 储热性能预测

  近年来,离子液体(IL)和深共晶溶剂(DES)等绿色新溶剂引起了广泛兴趣,因为它们具有高度可调的特性,特别在能源和储热领域中作为绿色溶剂的应用备受关注。然而,它们在理论上无限的化学空间限制了它们的实际应用,并且缺乏关于其可行性的普适规律。Lemaoui等首次结合分子建模和机器学习,开发了一种全面工具,用于绘制IL和DES的热导率空间,将其引入工业现实作为绿色溶剂的选择。使用了两种分子表示:σ谱图(σp)和临界属性(CP)。此外,评估了6种ML算法,结果显示人工神经网络(ANN)对热导率空间的快速准确预测值为0.995和0.991。这项工作展示了以数据为中心的建模在预测IL和DES的化学空间方面的强大性,以推动它们在各种潜在应用中作为绿色溶剂的采用,包括储能、燃料电池和二氧化碳捕获。

  最近,相变材料(PCM)在提高热能存储(TES)平台性能和可靠性方面引起广泛关注。相变材料利用其高潜热值可以提高储能密度,从而在TES应用中提供紧凑的设备外形。通常,无机相变材料比有机相变材料提供更高的潜热值,但通常以可靠性为代价。无机相变材料的一个关键问题是启动成核所需的更高程度的过冷度,这可能降低其可靠性、净储能容量和TES平台的额定功率。为了缓解这些问题,Ren等使用了机器学习技术,特别是多层感知器模型(MLP),来改善CFT的利用能力。在PCM熔化实验中,温度瞬变被用来研究这种深度学习技术的效能,以预测达到PCM指定熔化分数所需的时间。结果表明,研究设计和实施的人工神经网络(ANN)模型能够准确地预测达到预先指定的熔体分数所需的时间,显示出出色的准确性。然而,该方法对于用于训练ANN(MLP)算法的数据集的保真度更为敏感。

  Tasneem等使用了5种强大的机器学习算法,分别是k-近邻(KNN)、最小绝对收缩和选择算子(LASSO)、极端梯度增强(XGBoost)、支持向量机(SVM)和贝叶斯脊精确模型,来预测可逆热化学反应系统的动态行为。该研究旨在找到硝酸铵和氢氧化钾之间的最佳公式和模型,以解释可逆热化学反应的动态行为。这5种机器学习算法在此研究中的应用表明,它们能够提供对可逆热化学反应系统动态行为的准确预测。不同算法的选择可能受到具体应用背景、数据特性和问题要求的影响。这种方法为理解和优化可逆热化学反应系统提供了一种有效的工具,并为未来类似问题的研究提供了方法学上的参考。

  Alden等提出了一种超快的一分钟分辨率混合机器学习模型(HMLM),作为建筑建模的一部分,特别是用于供暖、通风和空调(HVAC)负载以及等效储能计算。这个模型被设计为替代广泛使用的复杂白盒模型,因为白盒模型计算量大,无法在没有仿真时间延迟的情况下用于高分辨率分布式能源(DER)平台。HMLM使用组合的k均值聚类和多元线性回归(MLR)模型来预测微小HVAC功率,其nRMSE误差小于10%。这种混合机器学习模型的提出旨在解决白盒模型在计算上的繁重问题,使其更适用于高分辨率的分布式能源平台,并提供了一种有效的替代方案。

  2.3.3 新能源的储存性能预测

  Syed等提出了一种新的平滑控制方法,旨在解决太阳能光伏(PV)系统的间歇性问题,特别是电压波动、频率偏差和整体输出电能质量降低等不规则行为。该方法采用BESS与太阳能电池板相结合,通过在电网中整合BESS来实现对太阳能波动的平滑和稳定。在该系统中,低通滤波器(LPF)等平滑滤波器与BESS集成,以提高系统性能并降低成本。通过机器学习和模型预测控制的概念,他们设计了一个智能控制系统,该系统可以智能地调整LPF时间常数,从而有效消除PV曲线的波动。该控制器还包括一个神经网络预测系统,用于提高对太阳能功率变化的高精度预测。这种综合的控制方法通过平滑太阳能波动,同时考虑电池斜坡速率和充电状态,有望提高电网中光伏系统的可预测性和可靠性。

  Henri等提出了一种监督式机器学习方法,用于预测和调度住宅光伏/电池系统下一个运行间隔的实时运行模式。这个方法的核心思想是在基于模式的控制框架下,通过使用机器学习算法来提高控制系统的性能。首先,基于模式的经济模型预测控制方法被用作性能基准,以确定每个控制区间的最佳操作模式。然后,研究者使用了4种不同的机器学习算法,包括神经网络、支持向量机、逻辑回归和随机森林,来比较使用不同数量的特征和不同长度的训练集时的性能。通过对历史数据进行训练,这些机器学习算法能够更有效地预测下一个运行间隔的最佳操作模式。这项研究的仿真结果表明,相较于传统的基于模式的经济模型预测控制方法,采用机器学习方法能够提高系统性能,并减少本地控制器的计算负担。

  Liu等提出了一种考虑风电预测区间的数据驱动储能管理策略,该策略旨在实现风力发电与储能的协同运行,以保持能量平衡和提高系统的稳定性。首先,他们建立了一个基于长短期记忆和上下界估计(LUBE)的功率区间预测模型,以量化风电的不确定性。这有助于更准确地预测风电发电功率的范围,从而为储能系统提供更有效的管理依据。这一步骤的创新之处在于解决了传统LUBE模型无法采用梯度下降法的问题。其次,他们将能量存储管理问题转化为马尔可夫决策过程,并采用深度强化学习进行求解。深度强化学习是一种通过与环境的交互来学习最优策略的机器学习方法,这在解决复杂的、动态变化的问题上具有很大的潜力。总体而言,这种策略的创新之处在于综合考虑了风电预测区间、储能系统管理和深度强化学习,以实现风力发电与储能的智能协同运行。这有助于提高可再生能源系统的可靠性和稳定性,降低对传统能源的依赖。

  这些创新的方法突出了将机器学习技术集成到能源存储系统中,以提高效率、可靠性和稳定性,最终有助于可再生能源技术的进步。表5总结了将ML应用于储能材料的研究进展,包括辅助储能材料的设计、识别、分类、筛选和性能预测。

表5 ML应用于储能材料的研究进展

人工智能与储能技术融合的前沿发展

 3 AI+储能对电力系统的影响

  AI与储能技术的结合对电力系统产生了深远的影响。这种影响体现在多个方面,包括提高电力系统的效率和稳定性,优化能源分配,降低运营成本,以及促进可再生能源的广泛应用。AI技术在电力系统的应用,使得我们能够更好地理解和预测电力需求,从而更有效地进行电力调度。同时,AI也在储能技术的优化和提升中发挥了关键作用,使得储能系统能够更高效、更稳定地运行。AI技术可以用于预测电力需求,通过分析历史数据和实时数据,电力公司可以更准确地预测未来的电力需求,从而更好地进行电力调度。此外,AI还可以用于优化电力网络的运行。通过实时监测电力网络的运行状态,AI可以预测和防止潜在的问题,从而减少电力网络的故障率。在储能技术方面,AI可以用于优化储能系统的充电和放电策略。通过分析历史数据和实时数据,AI可以预测未来的电力需求,从而决定何时充电何时放电,以达到最优的运行状态。这不仅可以提高储能系统的效率,还可以延长储能系统的使用寿命。

  3.1 智能电网建设

  AI对智能电网建设的影响深远而广泛。AI技术为智能电网提供了强大的数据处理和分析能力,使得电网能够更准确地预测和应对电力需求的变化。同时,AI也在优化电力调度、提高电网运行效率、降低运营成本等方面发挥了重要作用。此外,机器学习算法可以分析理解电力市场中的价格形成动态,调节负载的频率波动,提高系统的稳定性和可靠性,有助于降低用户对电力系统的依赖。未来,随着AI技术的进一步发展,智能电网将更加智能化、高效化,为电力系统的可持续发展提供有力支持。图3展示了智能电网的运行流程。

人工智能与储能技术融合的前沿发展

图3 智能电网的运行流程

  Wijesingha等提出了一种智能住宅能源管理系统,采用机器学习算法,旨在通过有效地切换预先优先的可能负载、使用屋顶太阳能和考虑负载转移算法来实现在电网和可再生能源本地存储之间的有效切换,从而降低住宅场所对电网的依赖。具体来说,该系统采用机器学习算法,通过预先优先的方式在电网和可再生能源本地存储之间切换可能的负载,以实现更有效的能源管理。此外,负载转移算法被考虑,以在住宅中提供尽可能可靠的电力供应,同时降低电费。系统还包括使用人工神经网络的可用平均太阳能功率预测,以及使用强化学习功能来优化可用太阳能发电和储能的利用。这些功能的整合旨在最大程度地提高可再生能源的利用效率,并减少住宅对传统电网的依赖。通过引入这样一种智能住宅能源管理系统,人们可以更方便地实现能源的高效利用,降低电费支出,并减少对传统能源的依赖,有助于缓解能源危机。

  Jain等提出了一个基于机器学习的分析框架,旨在解构可变可再生能源(variable renewable energy,VRE)现代电力市场中价格飙升事件的主要驱动因素。由于电力市场正朝着100%可再生能源大容量电网的方向发展,电力系统运行和电力市场的动态正在发生变化,因此电力市场的价格形成变得更加复杂。传统的根本原因分析和统计方法在应对现代电网和可变可再生能源市场价格形成背后的主要驱动因素时可能不够灵活。因此,研究人员提出了一个机器学习的分析框架,旨在更好地理解高VRE电力市场价格飙升事件的原因。这个框架可以应用于任何独立系统运营商(ISO)或市场的数据,但在该研究中,研究人员使用了来自加州独立系统运营商(CAISO)和ISO新英格兰(ISO-NE)的开源公开数据集。该框架的应用旨在揭示价格上涨事件的各种主要驱动因素,从而为市场设计、可再生能源调度和削减、运营以及网络安全等方面提供关键信息。通过机器学习的方法,研究人员可以更全面、灵活地分析和理解现代电力市场中复杂的价格形成动态。

  Sivakumar等提出了一种基于机器学习的负载频率控制(LFC)方法,以抵消负载需求波动,特别是当非线性负载连接到电网时可能产生的频率波动。在连接到负载的任何电网或可再生能源(RES)系统中,频率调节对其运行至关重要。在该研究中,考虑了连接到负载的四个领域,包括电网、光伏和风力发电厂,以及用户负载。这些领域一起形成一个系统,其中负载的能源需求由太阳能和风能等可再生能源满足。为了改善系统的频率控制,研究人员采用了机器学习方法,建立了一个改进的LFC模型。该模型采用了比例积分和微分控制器(PID)控制,以减小振荡响应,并通过机器学习技术进行改进。这使系统能够更好地应对由于可再生能源的不稳定性和非线性负载引起的频率波动。研究的重点是通过使用ML来改进负载频率控制模型,以最大限度地减少快速负载波动,提高系统的可靠性和稳定性。

  Khoshlessan等将5种机器学习算法应用于与3个微网格社区相关的一组数据,旨在实现智能、精确和快速的决策,以有效控制微电网社区、适当分配能量并提高关键负载的可靠性。在这项研究中,使用了包含测试数据和训练数据的数据集,其中的信息包括电网电压、天气状况、微电网及其相邻单元中储能系统的SOC以及一天中的时间。运行模式通过机器学习算法实现,这些算法对各种能量进行管理,将其从可用来源分配到最优选的负载中。采用的5种机器学习算法分别是随机森林、决策树、逻辑回归、SVM和梯度提升。这些算法通过对数据进行学习和训练,使系统能够根据当前的电网状况、储能系统状态、天气等因素做出合理的决策,以实现微电网社区的智能管理和优化能源分配。

  Sheha等的研究关注于能源需求预测,旨在通过机器学习技术提高整个城市能源需求的预测准确性,并通过调整能源价格,利用存储和灵活负载来实现能源的正确分配和有效利用。研究中比较了不同的机器学习技术,结果表明,具有外生输入的非线性自回归神经网络模型在整个城市能源需求的预测上表现最为准确。这种模型利用供暖、通风和空调(HVAC)温度设定点,通过电池储能和被动热能存储来响应可变价格信号,从而使需求侧成为电网调节的重要资产。这一研究为未来能源需求管理提供了有力的工具和方法,通过机器学习技术为城市能源系统的灵活性和智能性开辟了新的可能性。

  为了弥补可再生能源的间歇性并确保向负载供电的连续性,储能系统(energy storage system,ESS),特别是电池储能(battery energy storage,BES)已经出现在电网应用中。电池的重复充电/放电循环会对其使用寿命产生不利影响,从而降低整体系统的长期可靠性。Mohapatra等对支持向量回归(SVR)和极限学习机(ELM)进行了脊回归的比较研究。为了进一步提高ELM的性能,通过使用将误差系数估计值降低到零的惩罚因子来执行回归分析,最后提出了线性回归的扩展,即脊回归,它使用多元回归数据来最小化预测误差。

  3.2 可再生能源集成与管理

  可再生能源是一种可持续利用的能源,主要包括太阳能、水能、风能、生物质能等。这些能源在自然界中可以循环再生,因此被称为可再生能源。可再生能源在环保和可持续发展方面具有重要意义。它们不仅可以减少对传统化石能源的依赖,降低环境污染,还可以为经济发展提供新的动力。因此,许多国家和地区都在积极推广可再生能源的应用,AI技术为可再生能源集成与管理提供了强大的支持和优化,其影响深远而积极。通过AI的预测和优化,可再生能源的利用率得以提高,能源管理更加高效。同时,AI还为可再生能源的稳定运行提供了保障,减少了波动和不确定性。其中机器学习、人工神经网络(ANN)、循环神经网络(RNN)以及强化学习在可再生能源的集成与管理中已取得了初步成效。Donti等综述了利用机器学习来促进可持续能源系统的开发和运行的方式,概述了使用机器学习进行可持续能源生产、交付和存储的现有研究。

  Shibl等的研究聚焦于可再生能源的调度管理,提出了一种基于ML的两阶段混合发电厂(hybrid power plant,HPP)能源调度管理系统。这个系统的目标是协调可再生能源(光伏和风电)、储备能源(储能系统)和备用能源(如柴油、燃料电池、辅助负载等),以降低HPP的功率波动,实现调峰填谷的效果。第一阶段旨在预测可再生能源的功率输出以及负载需求。这有助于提前了解发电和用电的情况,从而更好地准备应对功率变化。第二阶段旨在协调储备和备用能源的能源输出,以满足系统的需求。通过这种协调,系统可以更灵活地应对可再生能源波动,并在需要时调动备用能源。研究中使用了不同的机器学习技术,比较它们的性能,结果表明长短期记忆(LSTM)提供了最佳的结果,具有较低的均方误差和较高的解释方差得分。这意味着LSTM在预测可再生能源输出和负载需求方面表现出色。总体而言,该系统证明了对HPP中能源调度管理的有效性,通过成功平滑HPP负载曲线,提高了电力系统的可靠性。此外,系统还表现出对光伏和风力发电输出不确定性以及负载需求变化的鲁棒性。

  Kamalakannan等提出了一种基于RNN的混合动力汽车(HEV)电源储能和管理系统设计的新策略。该方法的核心思想是将基于RNN的预测模型与HEV的能量存储和管理系统集成,以实现对车辆未来驾驶模式的准确预测和优化能量管理系统的目标。首先,使用历史驾驶数据训练RNN模型,该模型能够预测车辆未来的驾驶模式。这有助于系统更好地了解即将发生的驾驶状况。预测的驾驶模式被用于优化能量管理系统,其中包括对电池充电和放电操作的控制,以及电池与其他电源之间的功率分配。最后使用高保真HEV模型对现实世界的驾驶数字进行模拟,以评估所提出方法的性能。通过仿真,研究人员比较了基于RNN的能量存储和管理系统与传统的基于规则的控制策略。研究的最终结果表明,前者在能源效率、电池寿命和车辆性能方面都优于后者。这种方法为创建更高效的HEV能源管理系统提供了一种有前途的途径,有望显著提高混合动力汽车的燃油经济性、减少排放并延长电池寿命。

  Abarna等设计和开发了一种基于机器学习的并网多相能源管理系统,旨在应对能源危机和提高可再生能源利用率。该系统整合了风力涡轮机、光伏电池和柴油发电机,以确保在不同天气和时间条件下提供连续的电力输出。通过机器学习算法,系统预测天气条件、优化发电机和储能系统运行策略,并实时监测以满足电力需求。系统考虑多个目标,包括供电损失概率(LPSP)和系统年化成本(ACS)。此外,多相能源系统可以以独立运行模式或与电网并网运行,以适应不同的工作模式和需求。这一研究为创造高效、可靠和成本效益的多相能源管理系统提供了新的思路。

  Lin等提出了一种创新的方法,采用广义可加模型(generalized add models,GAM)和基于机器学习的人工神经网络(artificial neural network,ANN)模型,用于预测综合发电和储能系统的最佳收益。该研究以常规水电为例,使用能源与环境资源系统生成预测方程和模型。这一方法旨在支持电厂所有者或运营商在选择电池尺寸方面做出决策,以最大化财务绩效。通过比较GAM和ANN的性能,研究提供了有助于优化发电和储能系统的预测技术,从而在集成可再生能源和储能系统中实现最大收益。

  Lee等提出了一种数据驱动的方法,采用强化学习来优化智能家居的能耗,包括屋顶太阳能光伏系统、储能系统和智能家电。相较于现有基于模型的家庭能源管理系统优化方法,该方法具有以下新颖之处:①对于单个可控家电(如空调或洗衣机),应用了无模型的Q学习方法进行能耗调度,以及储能系统的充放电;②利用人工神经网络预测室内温度,协助提出的Q学习算法准确地了解室内温度与空调能耗之间的关系。所提出的Q-learning家庭能源管理算法结合了人工神经网络模型,可以将消费者的电费降低到首选的舒适度水平(如室内温度),并考虑电器的运行特性。这一方法为提高智能家居的能源效率提供了一种创新的数据驱动框架。

  Keynia等提出一种基于风

版权声明:
作者:新能源采编
链接:https://www.zhaoxny.com/p/18f8b2167ec346.html
分类:储能
本网站转载此文是出于传递更多信息之目的,若有来源标注错误或侵犯了您的合法权益,请作者持权属证明与我们联系,我们将及时更正、删除。若此文章存在违规行为,您可以点击 “举报”


登录 后发表评论
0条评论
还没有人评论过~
机械储能有哪些方式?
问答 1 位能友回复
如何判断锂电池的优劣?
问答 1 位能友回复