編譯|王婷玉
編輯|姜黎
近年來，人工智能對全球經濟社會發(fā)展產生了重要影響，并在能源行業(yè)及其相關領域扮演愈發(fā)重要的角色，開始應用于智能電網、能源設備、系統(tǒng)智能控制、自動駕駛系統(tǒng)和智能能源材料的開發(fā)等多個領域。在能源系統(tǒng)變得更加復雜的背景下，算法這樣的跨學科研究能為能源發(fā)展帶來什么樣的新思路？近日，Elsevier《能源與人工智能》舉辦的“能源與人工智能在線研討會”第一場會議上，展示了人工智能相關方法給電力領域提供的優(yōu)化策略。
預測鋰離子電池容量退化曲線中的拐點
高性能電池極大地受益于對未來容量損失的準確、早期預測，可以借此改善電池的管理，并盡可能長時間地保持特定應用的理想性能。
鋰離子電池表現(xiàn)出兩階段容量衰減的行為：容量最初以低速率下降，從某個起始點開始，經歷加速降解，曲線顯示成膝型（knee pattern），直到細胞的壽命結束(EoL)。愛丁堡大學的Gon?alodos Reis博士使用容量退化數(shù)據(jù)進行研究，提出了一種可靠的方法來識別容量衰減曲線內的拐點。在拐點研究的新方法中，研究提出了“拐點起始點（knee-onset）”的概念，用于標識非線性退化的開始，并為其提供一種簡單而強大的識別機制。研究將生命周期，拐點和拐點起始點聯(lián)系起來，預測或識別其中一個要素能迅速揭示其他要素的變化。
總體來說，這個研究值得關注的有以下幾點：建立了一種電池容量下降曲線拐點的新方法；引入了用于拐點早期指示的拐點起始點（knee-onset）的概念和識別算法；顯示出拐點起始點、拐點和電池壽命終止之間的線性關系；使用早期周期數(shù)據(jù)和機器學習技術來進行早期預測；對預測的不確定性進行了方法上的量化，從而為決策提供了可靠的風險評估。
數(shù)據(jù)驅動電動車車隊智能充電
不斷擴大的電動汽車規(guī)模對充電基礎設施容量發(fā)出了挑戰(zhàn)。智能充電算法可以為單個電動汽車制定充電計劃，旨在公平、有效地分配車隊中車輛之間的充電容量，最大限度地利用充電基礎設施。實際上，電動汽車充電過程是一個非線性充電曲線，功率隨時間減少。智能充電必須考慮充電曲線，以減小充電計劃和實際電動汽車功耗之間的差距。通常情況下，各種電動汽車是無法從公開渠道獲得有效的充電曲線及其參數(shù)模型的。來自SAP德國的Oliver Frendo博士的研究主要解釋了電池電量分布的綜合預測如何影響智能充電。團隊提出了一種數(shù)據(jù)驅動方法，將機器學習模型集成到智能充電算法中，以預測任意充電曲線。
研究使用包含2016-2018年工作場所充電過程的數(shù)據(jù)集來訓練機器學習模型，該數(shù)據(jù)集來自1001輛電動汽車的異構電動車隊，具有18種獨特模型。每個充電過程都包括充電功率的時間序列。預處理后，數(shù)據(jù)集包含10.595個充電過程，總共產生120萬個數(shù)據(jù)點。然后，研究比較不同的機器學習模型進行電荷分布預測，包括線性回歸，神經網絡和XGBoost。最終發(fā)現(xiàn)XGBoost產生最準確的預測，平均絕對誤差（MAE）為126W，相對MAE為0.06。仿真表明，與不考慮充電特性的智能充電相比，使用集成的XGBoost模型進行智能充電可以提高基礎設施的使用效率，最多可多充電21%。
參考文獻：
1.https://www.journals.elsevier.com/energy-and-ai/news/upcoming-energy-and-ai-online-symposium-30th-june-2020-1400
2.https://www.sciencedirect.com/science/article/pii/S2666546820300082
3.https://www.sciencedirect.com/science/article/pii/S2666546820300082
4.https://www.sciencedirect.com/science/article/pii/S2666546820300070
5.http://skle.tju.edu.cn/show.jsp?informationid=202005112046483030&classid=201210241624277998&siteid=201210241616486135
