大数据如何让储能更“聪明”？

正如同自动驾驶依赖数据和仿真训练，储能系统的智慧进阶，也需要依靠数据和算法。

近年来，储能企业愈发意识到大数据的重要性，储能运行数据成为重要的无形资产。

无论是储能系统集成商还是储能PCS等核心部件企业，逐渐改变之前将设备外包给软件公司或运营商管理的常态，越来越倾向于自研云平台、掌握设备运营权限，开启数据上云。目前，大部分储能厂商都开始建立了自己的数据库。

行业认为，通过大数据分析和挖掘，能够帮助储能设备商和运营商找到隐藏在大量数据中的规律，反哺产品迭代和服务创新，提高资产运营效率和安全性，实现资产收益最大化。

但是，企业普遍面临的一个核心问题是，如何让数据真正发挥价值，而不仅仅停留在“隐形资产”和“潜在价值”的传说中？

一方面，储能系统复杂程度高，电芯、PCS、BMS、EMS等各部件通常来自不同厂商，系统内部存在数据孤岛，例如电池故障智能预警、智慧运维等诸多问题无法通过单个部件独立完成；

另一方面，储能系统的数据体量持续增长，海量且碎片化的信息整合并非易事，且需要大量经验和总结，无法直接照搬传统大数据的处理方式。

“立足真实数据，基于用户需求和实际工况开发先进算法和应用，让数据真正产生价值。”基于动力电池BMS领域深厚积累和应用场景中的产品改进需求，力高新能自2017年开始启动新能源大数据业务。

针对数据处理的诸多痛点，力高新能自主开发了储能大数据管理平台，在挖掘大数据的应用方面走在行业前列。既可以在储能电站设计之初接入大数据管理平台，也能够对已投运的数字化程度不高的储能电站进行智慧化改造。

力高新能储能大数据管理平台并非简单的数据聚集平台，而是一套完善的数据管理解决方案，系统性地改变数据处理方式，真正能够让储能系统在大数据的基础上“成长”。

行业对大数据的需求愈发迫切

储能BMS系统主要通过监控、采集、分析电池信息，以实现电池的安全、高效、稳定运行。因此，BMS系统涉及诸多算法，包括电池SOX评估、充放电控制、健康预警、均衡优化、数据处理等。

首先，高精度的SOX估算需要大量现实数据来检验。

高精度的数据采集和电池状态SOX(SOC、SOE、SOP、SOH)估算是储能系统运行决策的重要依据，也是BMS的核心功能之一。

现阶段，无论是电池电压、电流、温度的探测，还是多种气体探测，都能够实现高精度探测，但不同BMS厂商在电池SOX算法方面各有高低。

力高新能研究院院长、高级工程师沈永柏博士表示，即使这个算法在实验室或理想状态下能够做到高精度估算，但在实际应用场景中可能会出现各种各样的问题，导致这个算法无法使用。

在他看来，算法在现实场景中能不能真正运行起来、在大量现实数据中能不能保持高精度，是更重要、更难的课题。

其次，智能均衡算法需要更多历史充放电数据的训练。

储能系统中所有电芯充放电是同步进行的，但由于生产工艺差异、电池仓内不同位置的温度差异等多重因素影响，储能系统中不同电芯的状态会存在一定差异，随着使用年限和循环次数增加，电芯之间的不一致性也会加剧。

如果电芯之间的SOC、SOH等多项指标出现较大不一致，轻则导致系统容量浪费，重则可能导致过充过放降低电池寿命，甚至可能引发电芯起火等事故。在此情况下，BMS的均衡优化技术愈发受到行业重视。

电池均衡的实现一方面在于硬件架构，另一方面在于软件算法，需要系统智能决策后下达均衡指令，这就要求BMS企业掌握更多锂电池的历史充放电数据，通过每一次精确的充放电控制，延长储能电池的生命周期。

第三，储能安全预警需要以复杂工况的运行数据为底座。

最近几年，全球储能电站安全事故一年比一年增多。面对储能行业的潜藏的巨大安全风险，国家对储能安全的审查和验收也开始收紧。由于锂电池的本征特性，储能电站安全事故大多数来源于电池热失控。

不过，锂电池热失控的诱因有许多，不同问题导致的热失控会呈现不同的前期表现，例如过充、撞击、针刺、进水、内短路等诸多问题都有可能引起热失控。

如果储能电池发生内短路，在热失控初期，电池的温度变化并不显著，但电池内部可能出现电阻变小、电压下降等情况，产生的热量较小，能够被冷却系统及时处理。

热失控初期是早期预警的最佳阶段。虽然BMS系统、热管理系统等发挥了电池安全管理的重要作用，但要真正把热失控遏制在初期阶段，关键在于需要对电池进行更精准、更全面的监测和预警，把握电芯各项数据的细微变化。

值得注意的是，热失控预警并不等同于安全预警。沈永柏博士表示，安全预警的关键在于查准率（预警准确率），尽可能减少误报，而热失控预警追求的是查全率，“宁可错杀也能不放过”。

如何不漏掉任何一个热失控风险的预警，同时又要尽可能减少误报，成为电池安全预警系统的技术难点。

储能是个重运营的行业，海量电芯安全高效管理直接关系到储能电站的收益水平。随着储能电站大型化、充放电愈发频繁，传统依靠人工运维的方式越来越不适用，业内对于AI智慧运营的呼声越来越高。

无论是电池状态评估、均衡优化还是安全预警等功能，都是储能电站基于大数据处理实现的其中一项“智慧化”应用。

与常规的运维平台不同的是，力高新能储能大数据管理平台是一个提升整体运营效率的综合解决方案，基于数据处理和模型计算，整合了数据展示、安全预警、残值评估、数据分析、数据服务、项目管理等各个应用模块。

填补数据缺口，引领储能安全和智慧进阶

虽然越来越多储能企业意识到，借助数据的力量来优化产品的重要性，但行业普遍面临的一个现实问题是，储能电站的实际运行数据存在巨大缺口。

一方面，储能行业在近几年才真正开始跨越式发展，早期投运的储能电站仅有少数的示范项目，加上国内存在大量储能电站“建而不用”的情况；另一方面，储能系统的应用场景多样，不同环境工况、不同充放策略下电池的运行状况也不尽相同。

那么，储能行业的数据缺口如何填补？其中一个重要方式在于用好动力电池的运行数据。

动力和储能电池BMS在充电策略上的区别并不大，不过，由于动力和储能对电池系统的诉求不一样，在放电策略方面差异较大，动力电池的放电电流工况比较复杂和随机，要求瞬时大功率输出，而储能电池对功率的需求不大，更注重保持海量电芯的一致性和安全性。

作为国内第三方BMS龙头企业，力高新能在动力电池领域拥有海量数据积累。2017年开始，力高新能开展新能源大数据业务，目前已拥有新能源汽车、新能源叉车、储能系统等多个大数据平台产品。

基于多应用领域的数据积累和先进的算法模型，力高新能在提高电池全生命周期的安全性、提升使用效率方面领先于行业一众企业。

高工储能认为，面对储能行业更高的安全性要求，储能BMS需要更多有关电池安全方面的技术提升，尤其是在安全预警方面，BMS有巨大的发挥空间。

那么，如何实现储能安全预警？沈永柏博士表示，目前业内主要采用三种方式，第一种是基于阈值的故障诊断，例如设置压差报警的阈值等等，但实际上只是BMS功能的转移和重复；

第二种是基于电池模型的故障预警，在统计学习和算法的基础上进行预警，但这种方式存在的问题是与电池所处工况强相关，预警并不稳定，准确性也就大打折扣；

第三种是建立电池预警评分体系，在第二种预警方式的基础上，进一步分析问题出现的根本原因，并寻找智能维护方案。

面向未来储能充放更频繁，对储能电池一致性、安全要求也将越来越高。在未来很长一段时间内，算法模型仍依靠数据来迭代，储能电池的充放电运行数据、储能电站的电力市场交易数据的挖掘和利用，是迈向“智慧”储能时代的必经之路。