首页/文章/ 详情

德国能源转型(Energiewende)简介

1月前浏览491

能源是人类文明发展的基石,其重要性无需赘述。而对于能源圈来说,近来一大重磅焦点莫过于刚刚公布不久的《能源发展“十三五”规划》和《可再生能源发展“十三五” 规划》。其中能源发展“十三五”规划中,重点强调了:“遵循能源发展“ 四个革命、 一个合作” 战略思想, 深入推进能源革命, 着力推动能源生产利用方式变革, 建设清洁低碳、 安全高效的现代能源体系, 是能源发展改革的重大历史使命”。由此不难看出我国进行能源转型与革命的决心。比如在可再生能源发展规划中,我国明确提出实现 2020、 2030 年非化石能源占一次能源消费比重分别达到 15%、 20%的能源发展战略目标, 进一步促进可再生能源开发利用, 加快对化石能源的替代进程。”,

在对于能源转型与发展这一宏大议题来说,中国近年来投入与行动力度不可谓不大,但是同时我们也应该,而且也一直在积极学习和了解外国先进国家在这方面的经验。而德国的能源转型开始的早,力度大,对于很多国家都很有参考意义,因此笔者撰写本文,意图与各位分享关于德国能源转型的知识,以了解世界能源领域的发展大趋势,并推知能源转型对于社会、经济等方方面面的影响。

德国能源转型是一个非常宏大的题目,其涉及的内容非常多广,一篇文章只能勾勒大概轮廓。笔者囿于自己的精力和能力,将尽量为大家介绍相关知识,同时也欢迎了解这方面知识的朋友多提意见和建议。

—————————————————————————————————

文章结构导读

A 国际背景

B 德国国内背景

C 转型举措

D 主要转型成果

E 存在的挑战

F 我们可以学习什么?

G 小结

—————————————————————————————————

A 国际背景

近几年来,国际能源形势有几大典型的主要情况

1)供需关系有所缓和,但是能源安全仍是各国核心任务。以页岩气等为代表的技术降低了国际油价。

2)新能源技术不断进步和兴起,光伏、风电、储能等技术不断进步,成本逐步下降,风电设备和光伏组件价格近五年分别下降了约20%和 60%。开始具备了与传统能源、业态竞争的能力,并已经出现了一批具有竞争力的公司和产品;

3)环保议题突出,雾霾、全球气候变化等议题引发广泛关注,全球对于发展清洁能源的期望不断加强,加之日本福岛核泄露事件使得该方面的需求更为突出。中国近来的雾霾的新闻大家都有些见多不怪了,但是比较少见的是这两天西欧也发生了雾霾。实际上,环境问题有相当部分都是能源问题,环保与能源的关系十分密切,比如中国北方的燃煤取暖的影响。


4)全球政经发展新常态(其实就是经济增长有点乏力。。。)使得各国对于能源产业的发展转型、带动经济发展的期望越加迫切,以能源为突破口进行相应的改革成为了许多国家的共识。——比如中国近一年推动的“互联网+智慧能源”/能源互联网相关的项目,无不体现着以能源转型促经济发展的思路


B 德国国内背景

德国地处欧洲,经济发达,人民素质较高,环保意识突出。欧盟整体在能源绿色转型方面就一直走在世界的前列:之前就已经在能源方面立法制定了许多目标,比如20%的最终能源消费需要由可再生能源满足,一次能源消耗要比现在削减20%。

德国传统上是科技、制造业大国,用能较多,能源结构曾经很大程度上依靠燃煤火电与核电支持。但是近年来弃核风潮很盛,加之福岛事件又进一步加剧了弃核的步伐。(可以参考WIKIPEDIA词条Atomausstieg Atomausstieg - Wikipedia)。

因此基于国民环保极强、能源转型需求、寻找新增长点以提振德国经济发展等多方面因素考虑,德国于本世界初开始大力推行能源转型(Energiewende),意图在社会各方面实现能源结构的变化,从传统的煤、核电集中式发电为主的传统能源结构向分布式、集中式发电并重,供需灵活互动,新能源占比高,能源生产-运输-消费高度绿色化、智能化的新形态发展。


Energiewende能源转型关键词,很多和英文差不多,环境,消纳,电动汽车,能效,供给都是值得注意的概念


C 转型举措

1) 可再生能源法(EEG)

德国于2000年实施了《可再生能源法》,即EEG(Erneubare Energien Gesetz/German Renewable Energy Sources Act),翻译成中文为可再生能源法。德国的可再生能源法可以说是全球能源转型的标杆与旗帜,具有强大的示范作用。

EEG主要内容包括:(1)投资保护原则。基于各类可再生能源的技术经济条件,建立长期的、固定的上网电价机制和电网优先强制接入、收购和输电法令,来保障可再生能源投资者利益。(2)费用均摊原则。由固定电价机制和并网等增加的成本由消费者共同承担。(3)激励创新原则。对各类可再生能源设定不同的周期,以某一比例对其上网电价进行周期性下调,对产业链利益相关方产生明确、持续的成本压力,以经济杠杆激励技术创新。

德国分别于2004、2009和2012年对《可再生能源法》进行了几次大的修订,而最近的一版已经在2017年1月实行。具体内容的情况可以参考:German Renewable Energy Sources Act

2)电力市场的改革

德国在电力市场改革方面也走在了前面。在新能源方面,在欧洲能源交易所中的“优先排序原则”下,可再生能源可以凭借其较低的边际报价更加容易地被交易出去(这与我国可再生能源上网难的现象形成了对比)。(更新:2017.2.3 此处在评论区有较多的讨论,感谢所有的朋友在此研讨此话题。经@Kevin Zhang 的建议,做了修改。) 而在打破垄断和市场化方面,1998年,德国通过《电力市场开放规定》,开启了电力市场化的改革之路。改革前的德国电力市场,拥有一个高度垄断的电力市场。彼时,意昂(E.on)、巴登-符腾堡州能源公司(EnBW)、莱茵能源公司(RWE)、大瀑布( Vattenfall )四大公司拥有了德国超过80%的电力装机,并且业务几乎涉及电力的全产业链。伴随着电力改革的进程,高度垄断的四大能源巨头逐步被拆分,莱茵公司等还专门拆分成立了专营新能源业务的INNOGY,传统能源厂商正在积极谋求转型

2014、15年,德国联邦与经济能源部先后公布了电力市场绿皮书,适应能源转型的电力市场》白皮 书,征求和公布了德国电力体制改革的相关内容。2015年10月,德国联邦与经济能源部向德国联邦政府内阁提交了新的《德国电力市场法》草案。德国在电力市场改革方面力度大,进展快,值得中国学习。

德国对于新型智能电网结构的典型解读

3)可再生能源的发展

德国制定了各种鼓励政策,积极推进以风、光等可再生能源的发展。

在光伏方面:德国的光伏装机量一直保持全球领先,2014年达到近40GW,但是最近已经被中国超过。(德国面积小,能有如此的光伏装机量实属不易,然而也有争论,说德国高纬度地区太阳光资源实际不足,建设光伏是否在路线上有问题,这一点可以供思考。)

德国光伏的一大特点在于分布式为主。截至2013年,以德国为代表如瑞士和奥地利等国屋顶分布式光伏发电装机占比近80%,这与我国以大型光伏电站为主的特点不同。具体就德国而言,居民屋顶分布式光伏电站占总装机量的12%,商业屋顶分布式光伏电站占53%,工业屋顶分布式光伏电站占 10%,大型地面集中式电站只占25%。

目前,光伏占德国发电量的比重在阳光明媚的中午甚至可以占到德国最大用电负荷的一半以上(2014年6月9日)。而针对光伏出力波动的本征特性、德国在光伏功率预测、需求侧响应、储能技术、与风力资源丰富的邻国丹麦进行能量联络交易运输配置方面都已经积累了丰富的运行经验,德国在这方面的发展经验值得我国借鉴。

在风电方面,德国的风电与光伏发电分布示意如下图所示,可见德国具有“北风南光”的特点,这主要是由其地理、自然条件决定的:德国的北部沿海地区风电资源丰富,邻国丹麦更是风电大国。德国近年来风电不断发展,在风能市场和风电产量领域仍保持欧洲领先地位,2015年风能产量达到88TWH,远远超过欧洲其他国家。但是近一年来,德国北部风电建设也出现了类似于中国的建设过快而消纳能力不足的问题,政府也出台了法规在北德几州进行引导。


在其它可再生能源方面,德国还在积极发展地热能、生物质等能源,但是因为篇幅所限,将不会一一展开。在报告《德国可再生能源发展情况Statusreport_Regenerative_Energien_-_WEB VDI》中,对于这些能源的发展情况都有详细的描述,只是需要你会德语:)。

在储能方面,储能可以从根本上改变传统电力系统要求电力必须实发实用的平衡,可以为系统增加时间的变量。储能技术可以快速响应电网变化,对于可再生能源的消纳,以及为电网调控提供支持至关重要。

在德国,调频服务市场通过网上公开拍卖的形式进行,而输电企业可以在这里交易未来一段时间内所需的充放电服务。其中,一次调频市场对技术的要求颇高,它要求服务商能够在输电企业发出调频需求的30秒钟之内作出反应。而相比于传统的火电调频服务来说,储能电池调频功率变化能力强,而且更为精确,因此该市场吸引了电池储能技术提供商的兴趣。此在德国,电池被广泛使用用于电网的一次、二次控制。此外,德国还制定了相关政策,要求居民分布式光伏用户必须配备储能。近年来,在德国涌现出了像YOUNICOS一样的诸多优秀的储能企业。

4)各种试点工程:E-Energy

E-Energy是2008年由BDI(Bundesverband der Deutschen Industrie,德国联邦工业协会)在智能电网的基础上推出的一个技术创新促进计划,是基于ICT(信息与通信技术)发展的未来能源系统。德国的著名的大学、研究所、企业都参与到了E-Energy项目中,该计划主要特点是利用ICT技术,建立能源市场允许各类型用户参与,通过供需双方实时数据共享,实现能源动态匹配和交易。该计划重点建设了六个模范示范区,各自在技术特点上有所侧重,分别是:


(1)Cuxhaven的e-Telligence,侧重于能源交易市场和未来商业模式的构建。

(2)Harz的RegModHarz,侧重于可再生能源的示范利用。

(3)Rhein-Ruhr的E-DeMa,侧重于分布式能源的利用以及双向能源流动机制。

(4)Aachen的Smart Watts,主要是新型智能电表的应用,可以实时反映电价变化,并可以与电动汽车配合。

(5)Rhein-Neckar的Model City of Mannheim,即示范城市Mannheim的建立,侧重于多能互补,分布式能源,能源产生消费精确调配以及就地消纳。

(6)Baden-Württemberg的MEREGIO,即通过多能互补、分布式等能源互联网的典型手段,尽可能的减少碳排放,从而建立低碳示范区。


D 主要转型成果

德国能源转型的主要成果

1) 切实提高了可再生能源占比,1998年可再生能源占发电比重只有5%,2014年已经达到了25.8%。2016年5月15日的白天,德国的可再生能源占发电比重曾经在瞬时达到87.3%记录值。

近20年来德国发电各来源占比变化 ,绿色为可再生能源(水,风,生物质,光伏),棕色为褐煤,黄色为原子能,红色为无烟煤,蓝色为天然气,橙色为其它

2)保持了GDP的良好增长和制造业的强有力竞争力,单位GDP能耗不断降低,在2014年德国每创造1000欧元产值,只需要4.8GJ,而在1990年这个数字是7.6GJ。

纵轴为德国每产生1000欧元产值能源消耗量,三条曲线分别是:BIP为经济总值,BPW为工业净产值,BWS为商业服务业创造附加值

3) 与能源转型-新能源发展相关的德国技术成为了德国制造业的一张新的名片,受到全世界的广泛关注与学习。


4) 此外德国的电网还与周边国家紧密互动,例如与丹麦连动进行风电-光伏的灵活消纳和补充,为跨国能源互联(国网的全球能源互联网??:))做出了模范带头。


E 存在的挑战

能源转型是一场革命,革命就肯定不是请客吃饭,在这里列举几个最为代表性的挑战,供思考。

1)新能源因为其出力不稳定,协调上总有困难。而随着新能源装机量的增长,近年来德国出现新能源过发、弃电的情况逐渐增多,负电价成为了一大问题。以下图为例:在2015年,有负电价的日子增加到了25天,创历史新高。这样的时段常常发生在风光资源同时比较充沛的良好天气,在中午前后出现的概率较大。而可再生能源占比高会使电网的运行面临新的挑战,比如极端天气(日食)等,好在德国通过发展储能技术、预测技术、灵活的市场机制、高可靠性的能源网络等目前较好的应对了几次挑战,比如2015年3月20日的日食。


左图:2011-15年德国出现负电价的天数,右图:在一天内德国电价随着时间的典型变化行为(深V型蓝线),用电量(GW)紫线,深橙:可再生能源出力,浅橙:传统能源出力

2)电费相对高昂。下图是德国目前的电费构成,可见其包括了诸多税费,近年来有增长的趋势,而且税费贡献较大。一大主要原因在于政府立法将相对成本较高的可再生能源的费用摊入了电费中,一方面这有力促进了可再生能源的发展,一方面却导致了用电成本的上升。从图可见,德国的居民电费达到了0.28欧每度(!!!!!!!!!!!!!!!!),明显高于欧洲周边国家,而且德国居民电费高于工商业用户(大约0.15欧每度),可以说是德国居民承担了许多能源转型带来的成本——但是德国人民环保意识强,心甘情愿的还算多,而且发展可再生能源比起“用爱发电”还是要不知道高到哪里去了(所以天朝的电价其实还好,但是如果计算进入环境影响因素后呢?德国人发电的清洁程度还是比较高的,因此如何在电价与环境之间取舍其实我认为是一个核心问题)


F 我们可以学习什么?

1) 强有力的政策制定、修正与执行。虽然能源转型深刻的影响了德国的能源、工业、经济结构的方方面面,对于很多既有体系造成了影响,德国的EEG与电力领域的相关改革条例自从制定之日起,就不是一纸空文,而是一直在强有力的执行。在补贴落实、法律政策调整更新、拆分垄断方面都落在了实处,这都值得中国学习。

2) 对于清洁可再生能源的切实支持。由于光伏发电等技术尚未成熟,导致发电成本相对于传统能源较高,政府应提供了强有力的补贴政策,对于储能等方面的规定也很好的支持了新能源的发展,此外还在不断升级建设远距离输电与智能电网,确立了对新能源友好的一系列市场机制的确立也有很大的帮助。

3)分布式能源占据重要地位。德国的光伏发电中分布式占有很大的比例,很多家庭都在自己的屋顶铺设光伏,解决了自用能量,还可以作为产销一体者PROSUMER来向外售电。清华大学夏清老师近来的一篇关于“全成本电价”的研究中,实际上说明了分布式发电在成本上的实质性优势:即距电力负载较近,可以减少运输网损,减少网络建设费用,考虑到这些方面,分布式能源的经济性是可以提升的,但是关键在于就近消纳。而我国对可再生能源鼓励在东部地区建设分布式,就是基于这样的考虑。

4)开展一批具有先进性的高水平示范项目,给予足够的支持,但是又要考察其运营经济性,不能再走以前常常存在的“面子工程”的路子。德国无论是对于EEG的执行,电力体制改革,还是E-ENERGY、工业4.0项目的开展的力度和思路都值得我们学习。


G 小结

以上说了好多关于德国能源转型的值得学习之处,但是中国是否可以完全照搬德国能源转型的发展之路呢?恐怕不能。笔者与好友

@伤痕的天空

讨论了一下这个问题。

德国在减少弃风弃光方面确实值得我们借鉴。但是毕竟德国的体量基本只相当于中国的一个省,德丹两国能源互联对于中国来说也只是相当于邻省输电而已,而2014年的发电量中国就已经是德国的11倍还多了。相比之下,中国更大,问题更多,相比于一体化的欧盟(虽然近来一一堆问题),很多问题可能更需要从自身情况出发来找解决方案。

可再生能源占比的提高对于电力系统的影响是巨大的,即意味着挑战,也意味着机遇。但是不可否认的一点,是其波动性对于消纳带来的难度,以及其对于系统惯性,稳定性带来的影响。所以我国的弃风弃光是一个系统问题,并不是说不弃就不弃这样简单。这需要我们从多方面着手来解决,包括但是不仅于电力体制改革,储能,直流电网,新型电力电子器件,新型电力市场机制等等。(以及说到这,能源转型需要的相关领域和技术都可能是未来的增长点,向这个方向来深造发展可能是一个不错的选择XD

此外,电价对于工业竞争力影响其实不小,而最近国家经济上的问题大家也都清楚,中国能否轻易的涨电价呢?德国制造业有本钱这样弄(技术积累好,可以抵消一部分电价成本),但是中国呢?中国电价不用说高到德国一样,涨个几分钱估计大家就全急眼了,毕竟中国广大百姓的环保意识没有那么强,而工业更多的是在走薄利路线,涨能源成本是非常严重的问题。因此发展可再生能源,环境保护,保证便宜的能源价格,保证能源相关工商业的竞争力,恐怕都是能源转型相关课题中最为重要的相互关联的问题,也是需要我们思考、探索和努力的内容。

愿:师夷长技,“能”者多劳,环境绿色,祖国强大,世界和平。

来源:弗雷刘
ACT汽车电力电子新能源通信UM控制
著作权归作者所有,欢迎分享,未经许可,不得转载
首次发布时间:2024-08-07
最近编辑:1月前
弗雷刘
博士 动力电池 新能源行业科普
获赞 0粉丝 1文章 98课程 0
点赞
收藏
作者推荐

刘博带你读文献(11)——基于物理模型+数据驱动的分析方法来检测电池的安全性

大家好!过年好呀!祝各位牛年顺心,万事如意!放松了一段时间,得抓紧了,所以今天赶紧给大家更新一篇。 本文是清华大学冯旭宁老师组与MIT、Northvolt等单位合作编写的,介绍了数据驱动的机器学习与电池安全物理模型可以怎样结合。这次的文章与之前的读文献系列不太一样,本文其实是电池安全物理机理与数据驱动/机器学习领域的一篇跨界文,大家可以体验一下数据/计算的领域如何与电池安全领域将有怎样融合的趋势,未来行业发展的方向可能是什么样子的。 目前大家都知道,电动汽车的电池使用其实都会产生大量的信息,而随着新能源汽车信息监控机制和平台的建立,对于数据的管理日趋完善,而如何利用好这些数据来更好的为我们的电池安全服务就成为了一个核心问题。刘博在去年11月于无锡由蜂巢能源举办的电池安全会中就发现,越来越多的企业已经提出了基于数据分析+云平台监控的电池安全监控和分析的工作方向。可以说对于电池安全这一核心问题来说,从数据分析侧来做工作的需求和发展趋势已经越来越明显。 但是实际上,虽然目前针对电池安全的一般的实验设计、机理分析的工作非常多,设计更安全的电池包和寻找应对措施仍是重点。而作为一种新兴事物,基于电池运行数据分析的线上和线下诊断-预警技术的数据分析研究诊断预警技术其实仍然处于一个比较早期的阶段,既是新兴的希望之星挑战也很大。 那么,挑战主要在哪些方面呢?主要有:1. 电池是一个非常复杂的非线性系统,甚至两节完全一样的电芯有可能在受到相同的机械/热/电的影响后发生不同的应对反应;2. 我们可以基于机器学习的算法来预测锂电这样的非线性系统的行为,但是要训练和验证这个系统并不容易,常常需要大量的数据;3. 而且目前很多模型/研究方法常常只能单纯的基于数据的机器学习来分析数据,其实并没有更多考虑底层的物理机理因素。 所以把数据分析与物理机理结合好,这就是未来研究和发展的主要方向。接下来我们看一下应该如何思考和应对这几方面的挑战。 有缺陷电芯很少:样本量有限导致的参考数据量的局限性 大家实际上知道:目前电芯生产都在奔着更好的质量控制,更低的失效机率而去,所以以概率来论,实际上电芯失效的机率是很小的,但是这就带来了一个问题:所以这样基于数据来诊断挑选出可能要失效的电芯实际上是难上加难——你可能需要很多电芯才能找到一只两只有问题的,才能找到这种“典型”的问题对象,把它的数据纳入数据库,作为一个典型的参考点。 这样的话一大核心问题就在于:数据不够。尤其是对于研究机构来说,它们常常不可能拥有大量的电芯来跑数据,找不良的电芯。当然这一点对于电芯企业和车企要好些,他们的数据则要丰富的多。 失效事件有时具有一定的随机性:其实对这方面有一定研究后,大家可能会有点痛苦的发现:电芯的各种失效常常是有点随机的玄学事件,比如想要预测内短路常常很难用决定/确定性的模型来实现。但是无论如此,基于有限的资源和努力的探索工作,也已经有了不少研究机构基于手头的资源开始进行了一些工作,比如可以基于在线监测电芯行为来预测剩余有用寿命Remaining Useful Lfe (RUL)的模型。在最近,NREL 和NASA搞了一个开源的Battery Failure Databank的数据库。这些工作都可以供大家参考,来了解目前这一领域已经发展到了一个什么程度。(Li, Y., Liu, K., Foley, A.M., Zu¨ lke, A., Berecibar, M.,Nanini-Maury, E., Van Mierlo, J., and Hoster, H.E. (2019). Data-driven health estimationand lifetime prediction of lithiumion batteries: a review. Renew. Sustain.Energy Rev. 113, 109254. Hu, X., Xu, L., Lin, X., and Pecht, M. (2020).Battery lifetime prognostics. Joule 4,310–346) 实验优化:引入那些低发生概率缺陷的情景,研究并获得数据 对于我们来说,需要得到有缺陷的电芯才能获得它们的特征数据,而这样的数据就需要我们刻意的制备出具有某种缺陷的电芯来获得,所以设计好实验来获得这种具有可控可变可研究的缺陷的电芯就非常有意义。 比如在制造一些典型缺陷:极耳没有对齐,焊接毛刺刺穿隔膜,隔膜力学性能的逐渐的崩溃,这些都可以在实验室中通过刻意制造条件来得到具有类似效果的样品。 比如制造具有内短路可能性,可以调节的电芯,可以用以下的方法:图1b中,我们可以用一个专门造的电芯来模拟图1a中毛刺缺陷的情景:蜡加热融化(之后正负极短路接触)、记忆合金植入(变形直接导致正负极短路接触)都可以导致类似于像刚才说的毛刺刺入的缺陷开始发生。 这两种方法都很方便研究者定量调整反应的程度,从而为设计操控实验,获得不同等级/程度的数据做支撑。 当然对于各种缺陷情景,都可以相应的设计处获得的思路:比如高温下/应力等不利条件下循环电芯让隔膜处于一个更容易失效的临界状态,本文在此也没有一一列举所有的制备缺陷的方法,只是把这种思考和解决问题的方式告诉了大家。 但是毕竟对于电池行业来说,电芯-电芯之间的差异性总之存在的,这导致了实际失效情况实际是很复杂的——失效发生的概率、机理和严重度可能都会产生一定的个例(CASE BY CASE)性。所以单独靠这些模拟性的实验当然可以获得一些特征的信息和数据,但是只靠这些偏向于电学方面的数据还不足以支撑我们使用数据来诊断预判事故发生的期望。那怎么办呢?需要从更多维度来监控电池,考虑更多种的信号,与这些信号代表的物理意义做好结合。 把电/热/声/机械维度的信息都收集越来用于分析判断,物理机理与信息数据模型的结合非常重要 如上所述,其实目前的电池安全的基于数据驱动的预测方法大都只用了电化学方面的数据,而对热、声、机械方面的数据就没咋用。可以看到了物理模型和数据分析的脱节性,所以这就要求:一方面需要在建立模型的时候开始考虑这些维度的数据和机理;另一方面还要在电芯研究表征方面,更多的利用OPERANDO原位的测量各类参数,如下图所示。那么接下来看一下这四大类表征方法/信号信息种类: 电。基本的直接读出的电压/电流/电量等信息当然是基础,但是明显只能应对典型的一般情况。想要获得更进一步的深层次信息:就要用一些基于电压/电量的微分的方法。比如正弦波激发的有不同频率下信息的EIS谱(了解内阻情况-进而了解不同典型机理的贡献量-甚至可以侧面了解老化失效机理),另外一个是Distribution of relaxation times (DRT)以及random forest (RF)classifier approach等方法。在此就是给大家简单介绍一下,如果对针对相应方面有细致需求的读者可以直接从参考文献找到详细内容,在此就不展开了。 机械。电芯应力和应变的情况对于电芯失效来说是非常关键的核心信息,可以使用原位的应力测试的手段来获得这些数据。严重的膨胀常常对应于电解液干涸-电芯刚度增加-析锂- -体积膨胀。薄膜应变片 (thin-film gauge)可以使用。在这里我想首先推荐大家回去看一下《刘博带你读文献(6)探测热失控的不同传感器对比》,可以对目前典型传感器的情况有一个基本的了解。 声学。声学探测手段比如acoustictime-of-flight analysis就已经用在估计SOH了,也有文献介绍了用其来研究电解液润湿/随着循环老化干涸情况的文献。笔者打算之后专门看一下这方面的工作来看是不是单独介绍这一块的前沿情况。(Davies, G., Knehr, K.W., Van Tassell, B.,Hodson, T., Biswas, S.,Hsieh, A.G., and Steingart, D.A. (2017). State of charge and stateof healthestimation using electrochemical acoustic time of flight analysis. J.Electrochem. Soc. 164, A2746–A2755. Knehr, K.W., Hodson, T., Bommier, C.,Davies., G., Kim, A., and Steingart, D.A. (2018). Understanding full-cellevolution and nonchemical electrode crosstalk of Li-Ion batteries. Joule 2,1146–1159) 热学。热方面的信息其实能提示很多:内阻的变化,放热的反应,内短路的生成,等等。当然此时的问题在于:尽量测试电芯内部温度变化最为准确,尽量要非破坏非侵入式的获取这个数据。在这里笔者可能想点评几句:对于单电芯来说以上的这些研究期望的愿景都没问题/可以小规模实现,但是对于大规模量产的汽车用电芯来说,想要原位给每节电芯装入内测温传感器基本没有什么可能性,工业上有时获得的数据注定相对有限/粗糙,所以传感器的发展也还是任重道远呢。包括其它的传感器,实际工业中应用空间够不够,成本上是不是划的来,都是要在工程化中认真考虑的前提。 工作思路:各维数据都有了,怎样建好数据库和模型来改善预测精度呢?物理模型的引入和实验工况数据的获得更有意义——让模型的外推性更强(extrapolative) 还是那个问题:学术界常常能有的数据/可研究的电芯样本数量有现,大多数都甚至很难能找到能用100+个电芯做实验积累数据的。基于这些有限的条件,学术界仍然已经开始了很多研究,有了一些初步的结果,当然了预测的精度还是不够理想。比如Chemali就基于深度学习整了一个模型,通过深度学习当然可以从训练数据中鉴定出高度复杂的一些规律。(Chemali, E., Kollmeyer, P.J., Preindl, M., and Emadi, A. (2018).State-of-charge estimation of Li-ion batteries using deep neural networks: amachine learning approach. J. Power Sources 400, 242–255.) 但是基于这些以有的工作继续往前展望,它们中的很多并没有和深层次的物理的东西结合起来。而且它不能预测超过给它输入数据的东西,具有内插/内断性interpolative,而对于预测和外推(extrapolative)更宽更广的情景的要求常常就无能为力。此时,就不能只考虑数据分析了,必须把物理模型也给引入进来:基于物理机理建立的模型再经过好的数据训练的外推外延性就要好很多。 所以:基于统计上的数据结果提取然后来建立数据-数学的模型来预测电芯的逐渐老化已经不容易啦,而如果你想要进一步建立一个随机二元过程的预测模型(比如普通工况下的内短路),只会更难。而且:目前很多研究都是在极端的故意滥用的条件下来提取数据建模的,但是要把基于这些条件获得数据/模型反回来用到正常(工程)条件下使用的电池来预测可能就不太好用了(其失效有时有随机性和概率性,不见得能百分之百回溯到这些极端滥用的场景)。 所以作者在这的建议是:别只顾着用样品搞一大堆循环测试,把实际工作的时候的电芯/电池的数据提取出来分析才是最可行的,这些数据才是最大的财富,而且它们才是反映实际运行情况的代表性数据。而且现在随着实时数据监测RTM技术发展,法规对于监控的强制要求,汽车企业中的各种电池包中的探测器的建立和各种数据的大量采集,基于实际数据开始进行研究的基本条件其实已经逐渐具备了。 刚才说到了用每辆车的实际数据来研究分析,此时有一个挑战在于:每辆车一个用法一个工况,这样不同包、不同电芯之间的比较也是不容易。不过,针对这个问题目前也已经有了一些数据分析处理方法来把大量的不规律的信息处理让其更为线性。(Li, S., He, H., and Li, J. (2019). A cloud-based aging consideredvehicle-mounted lithium-ion battery management method: a big data perspective.In 3rd Joint International Conference on Energy, Ecology and Ll 328 Joule 5, 316–329,February 17, 2021 Perspective Environment and Electrical Intelligent Vehicles,pp. 181–184) 而且此时必须保证你选取的基础数据是对于我们要分析代表的场景有足够代表性(数据/研究方法毕竟具有interpolative的属性)。你得有验证的判据,来验证你这数据选的好不好能不能和物理机理结合好,能不能满足我们需要的尽量可以外推的extrapolative的要求。此外,如果数据量有局限,大的数据库常常要不太贵要不得不到,对此基于第一原理的高通量计算产生的数据库正在越来越重要,其可以用来训练神经网络,使我们获得的模型更为好用。 所以我们的这个模型要学术(物理)和应用(数据-BMS)两头跨 – 也就是说数据模型的物理考虑绝对不能少 所以说到最后:毕竟还是应该让物理模型做基础,以及数据驱动的预测必须要与物理解释相结合。所以此时我们需要模型可以在学术(物理层级)和应用(数据-BMS-云)方面两头跨,如下图所示。刚才说了半天需要什么维度的物理数据,怎样不断改善模型和算法的精度,最后还是要强调一点:必须把物理模型引入数据驱动的预测中,来引导工程中的应用。 在考虑物理因素/机理方面,PDE偏微分方程是一个重点:因为安全相关的许多热/传质力平衡啊等方面,都可以用其来定量解释机理。如果传统的数据驱动的方法常常就把这些给绕过去了,有时生成的结论甚至会与这些基本的物理模型/原理相悖。 所以咋把物理机理公式与数据驱动的模型结合好呢?主要可以有:1)重新构建模型,使用数学方法来降低计算成本;2)使用数据驱动的方法来解高度非线性的偏微分方程。对于第二种方法,主要的工作思路是:把非线性公式引入,包括边界和初始条件,引入到数据驱动的模型中作为(物理)训练约束条件(有一堆文献说明了很多人在这方面已经做了一些工作)。反正好处就是:可以用更少的数据样本(也就更便宜)训练量来达到目标。如果一个模型其实是力热电等多因素耦合,就可以把整体的网络模型分解为几个物理因素单独的亚网络(力/电/热)然后来求解和建立联结。 接下来介绍了一堆在机器人/自动化领域的经验,总之就是机器学习在这些领域中用的已经比较多了,在电池中用的还比较少,所以对于数据科学领域的这些研究方法,我们可以借鉴别的领域已经有的成熟经验。 结语 本篇文章是是跨界性的,刘博也不太懂数据分析机器学习这些领域,但是读完以后也受了些启发,初步了解了跨界学科研究的一个总体情况和思路。物理模型和参数监控的完善可以帮我们更好的了解电池安全方面的问题和挑战,而大数据和计算这一现代社会中的利器在电池安全中的应用是很有希望产生重要影响的,就像其对很多其它领域的推动的变化一样有可能对电动汽车安全方面产生重要的影响,所以肯定是值得大家重点关注的未来发展方向。 但是如本文所述,这条路道阻且长,不论是数据的可获得性(ACCESSIBLE,很多研究者和企业没有足够的数据,想要所有人都获得数据更是很难达成的愿景),还是物理机理与数据模型的结合,还是从海量信息中精确提炼出特征信息来判断和完善模型并训练其具有最终外推判断的能力,都不是一件易事,需要跨学科的合作和大量的努力才能完成。 以及响应一下冯老师在文末的号召:大家应该一起建立开源的电池安全数据库,这样才能更好的方便在这方面全行业的技术的发展。 致谢感谢冯老师的经典工作,感谢徐大哥推荐文章。感谢大家一直以来对弗雷刘的支持。祝各位牛年健康顺利,万事如意~来源:弗雷刘

未登录
还没有评论
课程
培训
服务
行家
VIP会员 学习 福利任务 兑换礼品
下载APP
联系我们
帮助与反馈