人工智能在储能系统方面的应用

导语：新一代人工智能技术是以高性能计算、大数据以及机器学习、深度学习三大技术为支撑的综合性技术, 高性能计算为人工智能提供了强大的计算能力,大数据为人工智能提供了丰富的训练样本, 机器学习和深度学习等为人工智能提供了更好的学习模型及算法,三者合力推动了人工智能技术的重大进步。本期将介绍人工智能在储能系统方面的应用。

（来源：微信公众号：交能网  ID：jiaonengwang 作者:蒋冉止）

在电网的发展中，储能系统在降低成本，确保可靠性和提高运行能力方面发挥着重要的作用。并且储能系统还能与蓬勃发展的可再生能源结合在一起，可以弥补可再生能源间歇性发电与供应不稳定的缺点。本期将以西班牙高速ERS的实例研究为基础，探讨可再生能源与储存系统的配合。

自20 世纪初以来，电力铁路系统（ERS）得到了充分的发展，为现在的高速列车和地铁的能源设施打下基础。为了迎合减少未来碳足迹的目标，北美和欧洲的铁路运营商将可再生能源（风能与太阳能）引入这些基础设施，利用可再生制动能力将多余的能量储存在储能系统（Energy Storage Systems，Ess）中。在电力铁路系统ERS中，主要的储存技术是超级电容、电池和飞轮，目标是捕获再生制动的能量从而减少能耗。

对于电力与铁路线路，将ERS分为如下四组部分：

1）外部高压网络、光伏版和风力涡轮机的发电源；2）通过运行（消耗和再生制动）配置文件建模的列车;3）由超级电容器和电池组成的混合储能系统（HESS）4）悬链线配置和网络拓扑

模型示意图（来源：Optimal Operation of Electric Railways With Renewable Energy and Electric Storage Systems）

假设风力涡轮机与光伏电池板集成在ERS的变电站里，给定风速，风力发电的功率即取决于风力涡轮机的特性。太阳能发电是根据光伏板的数量、环境和工作温度以及平均日照幅度计算的，这里提出了四种太阳情景，具有相应的概率：夏季/阳光（37.5%）、夏季/多云（12.5%）、冬季/多云（25%）和冬季/阳光（25%）。系统的场景利用每个太阳和风场景的组合来获得。

为了确认列车的电力需求、能耗和运行时间（或位置），有以下两种方法：

1）最简单的，传统的方法，就是从安装在车厢内的测量设备来获取历史数据，并且经过数学处理这些数据。

2）模拟与列车动力学相关的所有相关参数，这种方法意味着提前了解大量数据，如列车的质量、机械阻力，包括曲线阻力、空气动力学阻力和轨道斜坡）。这些参数会影响列车的最高速度和加速/减速能力，人工智能也体现在了这种方法中。

混合储能系统包含超级电容和电池，它负责从可再生能源和再生制动捕获多余的能量。超级电容器和电池在能量和功率密度方面差异更为明显。混合存储设备使得系统更加灵活。与电池相比，超级电容器的主要优点是，超级电容器的循环寿命更高，周期数十万次;另一个相关优势是，由于响应速度快，它们能够捕捉能量峰值。因此，使用超级电容器对于捕获与再生制动相关的高功率密度和高频操作至关重要，而电池更适合高能量密度周期和低频率操作。如果只使用电池，它可能需要一个超大的系统并且电池寿命将非常有限。另一方面，超电容器的高价格使得一个仅基于超级电容器的系统极其昂贵。因此混合解决方案应运而生。

模型网络由给定节点之间的各种线路组成，这些节点为变电站、自动转换器或乘客站的建模。在模型中，自动转换器对装备点进行符号化。

在西班牙南部的一条高速电力铁路系统上进行了数据分析，并且提出了4种不同案例进行对比。案例一的系统正常运行，不考虑可再生能源发电。案例二与一类似但是包括混合储能系统（HESS）。案例三模拟了可再生能源的引入。案例四包含了HESS与可再生能源。

四组案例的数据对比（来源：Optimal Operation of Electric Railways With Renewable Energy and Electric Storage Systems）

案例1（基本案例）：此基本案例用于比较不同案例结果。总成本为766.68 欧元;总发电量为32.09MWh，系统中的超额能量为6.19MWh。所有这些值的时间单位都是一整天。

案例2（混合储能系统HESS 集成）：关于HESS 集成，说明了超电容器和电池系统对全球能源和经济的改进。表中指出，成本和能源节约率分别为16.37%和3.37%。

案例3（可再生能源一体化）：分析考虑了集成可再生能源发电的基本情况，但没有 HESS。成本和能源节约得到改善，分别实现了9.00%和4.61%的节约。由于额外的可再生能源发电，系统中的超额功率增加了高达 55.25%。当然，这一结果表明，从电力铁路系统的角度来看，可再生能源的运行是有利可图的，而且，随着可再生能源的加入，HESS的安装更加合理。

案例4（HESS 和可再生能源集成）：该案例包括HESS 和可再生能源集成。通过此设置，成本和能源节约得到改善，分别实现了 33.22% 和 9.63% 的节约。

结论

这是一个用于ERS运营规划的模型，包括可再生能源RES和混合储能（超级电容器和电池）HESS集成，其中包含了大数据和基于列车再生制动能力的模型与算法。西班牙高速ERS的实实案例研究结果表明，RES与 HESS 的集成可分别实现 33.22% 和 9.63% 的成本和节能。还表明，HESS对列车再生制动和可再生能源的间歇性生产都有适当的补充和好处。