基于储能云架构的能源工业互联网平台研究与应用

张继元 孙建旸 王卫宏

基于储能云架构的能源工业互联网平台研究与应用

张继元1,2孙建旸1王卫宏1,2

（1. 智光研究院（广州）有限公司，广州 510000；2. 广州智光电气股份有限公司，广州 510000）

储能系统是实现能源互联网的重要环节，随着对电池运行特性、机理模型和预防性诊断研究的深入，通过大数据和人工智能的融合，可形成更加数字化、智能化的储能信息物理系统。因此，基于工业互联网理念，本文首先提出储能云架构的电池管理系统，实现设备泛在接入、大数据分析、能量管理、智能评估等功能，接着阐述储能云的功能框架，以及典型应用场景，最后介绍能源工业互联网平台及其应用部署。在平台基础上，以储能智能控制为核心，协调光伏、用电负荷的运行。案例验证结果表明，平台能够对储能系统进行状态感知和优化控制，实施园区需量控制与峰谷价差策略，实现园区综合能源的经济运行。

储能系统；云架构；工业互联网；泛在接入；优化控制

0 引言

以物联网、大数据、人工智能等技术为驱动力的“第四次工业革命”，在带来深刻产业变革的同时将引领全球数字化转型[1-2]。我国也在积极布局推进数字化技术、工业互联网等创新应用[3]。随着互联网技术深度参与到工业生产、能源领域，能源系统中数字与物理的互联更加紧密。储能系统作为未来电力系统的重要支撑，不仅适用于从电动汽车到电网规模的能源储存，也是消纳新能源出力的重要途径。然而随着储能装机规模的扩大及电池单体数量的增加，本地监控系统已经难以满足大规模储能应用场景下，在计算资源和海量历史数据存储方面的需求。

因此，随着数据驱动及人工智能技术的发展，需要对储能进行更精确、智能的评估和控制[4-5]，以进一步挖掘储能数据资产价值。随着物联网（internet of things, IoT）技术的推广，能源工业互联网将有助于储能物理实体在数字空间中的映射，描绘储能设备的全生命周期运行特征[6]。鉴于锂离子电池的高度非线性及退化特征，电池管理系统（battery management system, BMS）可以通过物联网技术[7]和云计算进行创新性的变革，通过将电池相关数据汇总到边缘侧，并无缝传输到云平台，可以克服本地计算能力和数据存储能力的不足，同时在云平台进行建模[8]，通过云诊断电池单元体内部状态，并结合人工智能实现系统评估和优化。

储能云管理系统基于大云物移等先进技术，将设备、用户和数据连接融合，具有实时监控、生命周期管理、故障检测、状态评估等优势[9]。文献[10]针对分布式储能参与下的多种资源协调优化展开仿真研究，尚未利用云端进行统一的云计算服务。文献[11]提出基于物联网的电池监测系统，研究了云端系统的通信信道和采集技术，分析微电网中电池运行数据和特征。文献[12]提出基于云平台的电池状态监测和故障诊断，在平台中构建了状态监测和基于离群点挖掘的电池故障识别策略。而如何评估储能运行状态，并智能化地参与电网互动、优化调节，将是储能运行研究的重点与挑战。

本文提出储能云架构，通过与数据、模型、算法融合，构建能源工业互联网平台，克服本地计算和数据存储的瓶颈。首先阐述储能云管理系统的总体架构，包含终端设备、边缘侧、云平台及可视化等部分，实现设备泛在接入、高效数据采集与处理、云端评估与控制优化等功能；在此基础上开展云架构技术在储能行业的应用探讨，并通过平台实时掌握储能运行态势，提高储能充放电的安全可靠性，验证云端优化策略的有效性。

1 储能云管理系统

通过数据上云实现电池物理系统与虚拟镜像的连接。相较于本地端BMS，云计算可以进一步增强数据计算、存储能力，提高系统的可靠性。通过云边协同，能够利用更先进的算法提高本地BMS的性能。同时，基于大数据的智能诊断、寿命预测和系统优化等在本地BMS中难以实现的功能，也能够利用云端资源优势得以实现。储能云总体架构如图1所示，其中包括储能终端设备、边缘通信侧、云平台应用服务层及前端可视化，系统采用工业互联网技术，结合高级计算、数据分析、物联网传感技术及大云物智移等互联网技术，实现储能电站终端设备的泛在接入、状态感知、实时监视、调度控制、故障诊断等功能，为电站提供智能运维及电池生命周期管理服务[13]。

图1 储能云总体架构

1.1 终端设备

终端设备包括储能系统运行所需的能量管理系统（energy management system, EMS）、功率控制系统（power control system, PCS）、电池管理系统、空调系统和消防系统等各种配套设备。

其中，EMS是实现设备启停、功率调节的能量管理控制设备，同时可以对接多能源设备的泛在接入，接收底层设备的数据上送，实时远程遥调、遥控等。同时与上层调度交互进行数据传输与交换。从底层实现的角度来看，EMS一方面获取PCS、BMS等设备的实时运行数据，另一方面根据控制逻辑或调度策略下发控制指令，实现储能电站的启停逻辑、功率调节和充放电等操作。

针对储能电站在不同的放电深度（depth of discharge, DoD）和动态变化复杂条件下的长期运行，需要更加先进的电池诊断、评估和优化策略。而现有EMS方案在计算能力和存储空间方面都难以满足日益增长的需求，因此可与云端协同部署，实现计算资源、存储空间可弹性扩容，利用大数据分析评估、预防性诊断技术，提高电池充放电的安全性和可靠性。

1.2 边缘侧

边缘侧指的是通信网络边缘上的计算和存储资源，能够在储能系统就地端进行实时数据存储、聚合和分析，同时与云端相连，与接收远程监控和控制的其他设备进行通信和交互。因此，稳定的连接对于实时数据传输与指令交互至关重要。

边缘计算用于对储能系统现场的信息收集，支持Modbus、BACnet、OPCUA、IEC101、IEC104、DNP等协议，兼容不同通信介质（以太网、RS232/ 422/485、CAN等），采用消息队列遥测传输（message queuing telemetry transport, MQTT）协议，完成数据的解析、预处理、转发，实现设备与云平台之间的数据传输。

通过边缘侧实现云边协同的功能，如图2所示。通过本地BMS控制储能电池的充放电，并根据工作模式调整运行策略，确保系统运行安全可靠；同时，在云端构建储能数字孪生，基于大数据统计分析系统运行态势，以优化运行参数和阈值，提前发现电池异常状态并报警。通过云端进行模型训练，在线识别、更新电池特征参数，最终由云端下发指令和更新模型参数，经过边缘侧转发至本地控制终端，从而提升电池状态的评估精度及系统性能，延缓电池的寿命衰减。

图2 云边协同

1.3 云平台

云平台具有弹性存储和强计算处理能力，能够实现物联网设备的快速接入和数据分析。因此基于微服务技术设计平台整体功能，以系统中每一个独立组件作为一套微型服务进行独立部署，每一个微服务拥有独立的数据源，并通过接口完成不同数据库之间的数据读写，获取储能系统产生的大量非结构化和半结构化数据，提供高性能数据存储方案，根据应用场景的不同，将不同类型、格式、应用的数据分别存储在分布式文件系统（hadoop distributed file system, HDFS）、MongoDB等。

从功能实现角度，云端可根据不同业务逻辑，划分为数据离线批处理服务、Flink实时流计算服务，以及分布式可扩展的实时智能分析等服务，以此支撑诸如区域内储能电站全量数据的转发、存储、分析和评估等的功能需求。

从储能业务层面，储能云平台将助力解决如系统方案、运行监测、智能调度、预测性维护、故障预测、效益提升、数字孪生等各类功能应用问题。

1.4 可视化

Web与App端是云平台和用户之间的纽带，不仅可以提供电池实时数据的可视化、状态的变化趋势，同时筛选过滤众多历史运行数据，设置报警区间和阈值，通过界面提醒运维人员提前对系统进行故障识别，降低破坏性影响的概率，从而提高系统的可靠性，减少维护成本。

2 工业互联网平台

工业互联网平台如图3所示，包含四大要素：设备数据采集（边缘计算层）、基础设施服务（infrastructure as a service, IaaS）层、平台服务（platform as a service, PaaS）层和应用（software as a service, SaaS）层。数据采集是其中的基石，通过准确高效的数据通信体系，获取实时数据，协议报文经过转换及边缘层的计算后，需本地处理的数据直接返回设备，而筛选出的多维度、高价值数据则上传到云端进一步分析，以辅助系统的智能诊断评估。IaaS层是基础设施支撑，通过虚拟化技术将计算、存储、网络等资源池化，提供弹性化、分布式的资源服务。PaaS层是核心，是实现应用与开发的基础平台，在此之上构建操作系统。SaaS层是关键，由于工业场景高度复杂，行业知识千差万别，在该层面上提供不同行业、场景的应用服务，并以工业创新应用的方式进行呈现。

图3 工业互联网平台

基于大数据驱动的工业互联网平台，将储能行业知识、电池机理模型、大数据能力、人工智能（artificial intelligence, AI）算法融合到一起。大数据处理首先获取储能实时数据，基于边缘侧进行数据传输与存储，同时基于数据分析电池的电压、电流、温度、极差、标准差，以及循环次数、放电倍率等，通过不同维度的集成后，生成储能运行状态数据集。结合专家知识和特征值，建立算法模型，利用平台的AI算法和弹性计算能力，评估电池一致性、容量电量衰减、内阻演变趋势等。进一步地，基于储能状态评估，优化调整储能的充放电动作，参与大电网的能量交互。

3 典型应用场景

储能系统能够改变电力能源供给在时间、空间上的分布，从而缓解能源供需不平衡的冲突，储能将成为能源互联网中不可或缺的部分。为落实“碳达峰、碳中和”的行动方案，本文研究储能云平台的几种典型场景，对储能的应用各有侧重。

3.1 集中式储能电站

为推动储能系统与新能源协调运行，需配置一定比例的电源侧储能，通过储能电站的协同优化运行，保障新能源发电的实时消纳和有效利用，为接入电网侧提供电压、频率支撑和调节响应。

储能电站的管理，当前需要加强对安全运维、数据贯通、诊断分析等的深入研究，以实现储能电站全方位监控与管理，提高系统安全性[14]。

1）通过储能云平台，满足设备状态感知、专业分析、全生命周期性能等管理服务。实时查看运行信息和状态，通过终端控制系统充放电，配置工作模式，调整运行策略，集中监测和管控区域电站，实现能源高效利用，多源之间的共享和节能，辅助支撑电力系统的稳定、安全、可靠运行。

2）利用大数据分析，挖掘电芯内部数学模型机理，统计系统各参数运行分布情况，优化参数和运行阈值。建立设备检修、运维档案，提供预防性诊断分析服务，提前发现安全隐患。

3）利用大数据、AI技术及时识别筛选出隐患电芯。构建故障识别、预警、预测性维护模型，开展电池故障诊断、健康度评估、演变趋势和预警判断，提供储能电站的高效运维和辅助决策。

3.2 园区综合能源

工业园区综合能源服务，将能够以储能为调节核心，综合协调可再生能源，搭建区域微电网系统，满足园区充电设备、数据中心、制冷站等用户用电需求，拓展储能的不同应用场景[15-16]。

1）通过云平台，实现融合储能系统的综合能源服务，满足园区用电功率实时平衡、重要设备的不间断供电和新能源消纳等，实现多能互补运行。

2）满足用电需求前提下，协调响应不同电价机制，参与削峰填谷，减轻园区用电尖峰负荷，延缓变压器扩容，提高园区能量管理效益。

3）聚合分布式光伏、电动汽车充电设施、用户侧储能及分布式可控/可调设备等能源资源，结合业务创新，探索智慧能源、虚拟电厂[17]、园区微网[18]等多种商业模式。

3.3 电力现货市场

储能系统能够为电力平衡提供快速响应和能量支撑，在电力现货市场体现电能价值。

1）储能云平台构建多方参与、公平交易、效益为先的商业模式，根据实时的电力供需状况，发现相对真实的电力价格，实现储能资源优化调配。

2）储能系统主动参与现货市场，能够降低由于供需关系出现价格大幅波动和价格尖峰的频率和程度，使电力负荷能够规避尖峰的价格风险。

3）通过云平台，整合不同类型规模的负荷，参与调峰调频、电力市场等政策，通过聚合效应，有效利用区域内的能源，实现整体经济效益。

4 应用案列

4.1 案例说明

在某园区建设了包含储能、光伏、数据中心、充电桩等的需求侧微电网能量管理工业互联网平台，实现园区综合能源的削峰填谷、需量控制、节能运行等应用。光伏装机容量100kWp，储能系统装机容量245kW/502kW·h，中央空调包含355kW离心机和199kW螺杆机，数据中心作为重要负荷24h运行，功率维持在120kW左右。储能系统由多个储能子系统并联，接入AC380V配电网。

园区主要电能量来源为电网和光伏发电，电网专用变压器进线容量为2×800kV·A，实施大工业两部制电价，系统月均用电量超过120MW·h。同时配置柴油发电机，额定功率为550kW。搭建的园区需求侧微电网能量管理工业互联网平台如图4所示，负责数据采集、设备管理评估、功率控制和能量优化，实时获取光伏、用电侧、电网侧等的功率，利用平台智能算法，通过控制储能充放电，实时调整园区功率潮流，响应专用变压器进线的最大需量管理，并协调新能源发电和用电负荷的需求变化，维持园区能量平衡。

图4 需求侧微电网能量管理工业互联网平台展示

园区示范应用拟建成微电网“虚拟电厂”运营，如图5所示，通过“微电网+储能”系统的深度融合，结合云端平台的大数据、云计算技术，协调区域大量用户的分布式发电、储能、可调负荷等客户资源，实现信息流与能量流的控制，建设“虚拟电厂”区域能源管理，实现日内发电量预测、电力直接竞价交易、电力平衡兜底结算等参与电网、电力市场的电量交易与电力辅助服务，实现企业、区域能源系统的高效、经济运行，创新价值，分享收益。

图5 微电网“虚拟电厂”运营

4.2 分析决策与优化控制

针对储能的日常运行数据，在云端对储能数据进行分析，评估诊断储能性能，筛选偏离正常范围及判定离群的电池电芯。图6所示为储能荷电状态（state of charge, SOC）运行曲线及其极差值，由于电池包内部电芯本身差异、温度差异等的不一致，导致电池簇之间的SOC存在差异。在充放电过程中的电压平台期，其一致性表现较为平缓；在充放电末端，由于串联电芯的短板效应，使对于SOC的评估存在不一致的情况。通过云端的实时诊断评估与建议，针对多储能的SOC不一致性进行优化，提升系统整体性能、延长使用寿命。

图6 储能SOC运行曲线及其极差值

在本地控制端，SOC参数也作为控制输入量，根据不一致程度，以不同权重调节分布式储能的功率，可以显著降低储能设备的不一致程度及SOC极差值；在云端侧，通过连续准确的状态监测、指标评估，实时输出辅助决策意见。与本地侧协调运行，构建云边协同和数据驱动的数字化储能系统。

针对储能簇内所有电芯的温度、电压曲线进行诊断，如图7所示。通过相似性判断、孤立森林算法，筛选出簇内所有温度测点、簇单元体电压越限的电芯编号及频次。由于安全运行范围随着SOC不同状态而变化，因此通过智能算法实时评估计算储能运行安全区间，并动态地调整异常/离群点判断阈值上、下限，进行智能运维。

图7 储能簇内电芯温度、电压曲线

针对产业园10kV进线的负荷曲线及其需量变化曲线进行分析，并依据分时电价，通过储能充放电进行负荷转移、最大需量削峰。在负荷低谷时段充电、高峰时段放电，实现储能参与需量控制下的能量管理，优化策略实施效果如图8所示。

图8为园区某日实际运行数据，当无储能介入时，当日负荷曲线的最大需量达到700kW。平台执行储能参与需量管理的控制策略：在电价谷期，储能进行充电；随着用电负荷增长，临近设定的最大需量阈值530kW，此时云端实时滚动计算储能输出，并配合光伏功率进行放电，将需量控制在限定值以下，当需量降至限定值以下时，储能停止放电；在电价峰期，储能进行放电，将剩余电量执行峰谷价差套利。通过上述策略，能够获得需量管理和分时电价的综合收益，实现企业与用户互利共赢，验证了平台策略的有效性与经济性。

图8 储能参与下的需量管理曲线

5 结论

本文基于储能云数字化技术，通过云管理系统、大数据分析与人工智能技术的融合，助力解决储能大规模应用所面临难题。本文提出了基于储能云架构的能源工业互联网平台，实现设备泛在接入、大数据分析、能量管理、优化控制、智能评估等功能；基于储能云总体架构，详细分析了云边端各部分的组件和配置，并介绍了工业互联网云平台功能、数据分析计算流程，最后介绍了系统示范应用。在平台基础上，构建储能智能充放电控制策略，以储能为核心进行削峰填谷与需量管理的运行模式，有利于储能系统的商业化推广，可为实现更加智能和互联的综合能源系统工程提供应用参考。

[1] 陈国平, 李明节, 许涛, 等. 关于新能源发展的技术瓶颈研究[J]. 中国电机工程学报, 2017, 37(1): 20-26.

[2] 吴建中. 欧洲综合能源系统发展的驱动与现状[J]. 电力系统自动化, 2016, 40(5): 1-7.

[3] 蒲天骄, 陈盛, 赵琦, 等. 能源互联网数字孪生系统框架设计及应用展望[J]. 中国电机工程学报, 2021, 41(6): 2012-2028.

[4] 李欣然, 黄际元, 陈远扬, 等. 大规模储能电源参与电网调频研究综述[J]. 电力系统保护与控制, 2016, 44(7): 145-153.

[5] 叶小晖, 刘涛, 吴国旸, 等. 电池储能系统的多时间尺度仿真建模研究及大规模并网特性分析[J]. 中国电机工程学报, 2015, 35(11): 2635-2644.

[6] 马钊, 周孝信, 尚宇炜, 等. 能源互联网概念、关键技术及发展模式探索[J]. 电网技术, 2015, 39(11): 3014-3022.

[7] BOTTA A, DE DONATO W, PERSICO V, et al. Integration of cloud computing and internet of things: a survey[J]. Future Generation Computer Systems, 2016, 56: 684-700.

[8] GRIEVES M, VICKERS J. Digital twin: mitigating unpredictable, undesirable emergent behavior in complex systems[M]//Transdisciplinary Perspectives on Complex Systems. Cham: Springer, 2017: 85-113.

[9] ERDINC O, PATERAKIS N G, MENDES T D P, et al. Smart household operation considering bi-directional EV and ESS utilization by real-time pricing-based DR[J]. IEEE Transactions on Smart Grid, 2015, 6(3): 1281-1291.

[10] 张永旺, 赵伟, 肖勇, 等. 基于分层架构的大规模电动汽车有序充电仿真平台[J]. 电网技术, 2015, 39(1): 55-62.

[11] FRIANSA K, HAG I N, SANTI B M, et al. Development of battery monitoring system in smart microgrid based on internet of things (IoT)[J]. Procedia Engineering, 2017, 170: 482-487.

[12] KIM T, MAKWANA D, ADHIKAREE A, et al. Cloud-based battery condition monitoring and fault diagnosis platform for large-scale lithium-ion battery energy storage systems[J]. Energies, 2018, 11(1): 125.

[13] 康重庆, 刘静琨, 张宁, 等. 未来电力系统储能的新形态: 云储能[J]. 电力系统自动化, 2017, 41(21): 2-8.

[14] 李琳, 秦泽宇, 刘啸, 等. 电网侧储能电站监控信息接入验收管控方法研究[J]. 电气技术, 2021, 22(7): 7-12.

[15] 王昀, 谢海鹏, 孙啸天, 等. 计及激励型综合需求响应的电-热综合能源系统日前经济调度[J]. 电工技术学报, 2021, 36(9): 1926-1934.

[16] 周长城, 马溪原, 郭祚刚, 等. 面向工程应用的用户级综合能源系统规划[J]. 电工技术学报, 2020, 35(13): 2843-2854.

[17] 徐峰, 何宇俊, 李建标, 等. 考虑需求响应的虚拟电厂商业机制研究综述[J]. 电力需求侧管理, 2019, 21(3): 2-6.

[18] 傅晓梅, 温步瀛, 唐雨晨, 等. 考虑电池储能运行特性的微网优化运行[J]. 电气技术, 2021, 22(4): 12-19.

Research and application of the energy industry internet platform based on energy storage cloud architecture

ZHANG Jiyuan1,2SUN Jianyang1WANG Weihong1,2

(1. Zhiguang Research Institute (Guangzhou) Co., Ltd, Guangzhou 510000;2. Guangzhou Zhiguang Electric Incorporated Company, Guangzhou 510000)

Energy storage system has been playing an important part in implementation of energy interconnection. With the in-depth research on battery characteristics, mechanism model and predictive diagnosis, a more digital and intelligent energy storage cyber-physical system can be obtained through the integration of big data technology and artificial intelligence. Therefore, according to the concept of the industrial internet, a battery management system based on energy storage cloud architecture is proposed to achieve ubiquitous device access, big data analysis, energy management, intelligent evaluation and other functions. Furthermore, the functional framework and typical application scenarios of energy storage cloud-computing are represented. Finally, the energy industry internet platform is introduced. A flexible and interactive intelligent control system of energy storage, which can participate in the control of demanded quantities and peak shaving, is established to coordinate the operation of photovoltaic and electricity load. The verification results show that the energy industry internet platform can realize economical operation of comprehensive energy.

energy storage system; cloud architecture; the industry internet; ubiquitous access; optimal control

2022-01-24

2022-03-31

张继元（1990—），男，江西省赣州市人，博士，高级工程师，主要从事能源互联网与智能电网方面的研究工作。