中国储能网讯：4月27-28日，由中国化学与物理电源行业协会主办的中国光储端信协同发展大会在重庆国际博览中心召开。
此次大会以“协同创新 融合发展”为主题，设置开幕式暨碳达峰高峰论坛、工商业储能与车网互联专场、光储氢协同发展专场、储能系统集成与智能安全预警系统专场、人工智能与碳足迹专场五个专场论坛。
来自行业主管机构、科研单位、电网企业、发电企业、系统集成商、金融机构等不同领域的300余家产业链供应链企业参加了本次大会对话与交流。
中国化学与物理电源行业协会储能应用分会、中国储能网与数字储能网联合承办，中国化学与物理电源行业协会储能应用分会专家委员会提供学术支持。
4月28日下午，北京理工大学材料学院副教授郁亚娟受邀在人工智能与碳足迹专场分享主题报告，报告题目《锂离子电池碳-能-材耦合与智能管理》。以下为报告主要内容：
郁亚娟：非常感谢有这个机会和大家交流智能电池、碳足迹和电池建模方面的工作，我们做的工作相对比较微观一点，最开始是从实验室电池是不是绿色的角度去启动我们研究的，主要是做绿色电池评价。我们最近比较关注电池层面的研究，给大家汇报五个方面：首先是我们提出的碳—能—材耦合的观念，碳—能—材这三个方面的耦合，形成三角形的结构，从材料的角度出发，材料可以作为能量的载体，又可能在电池的生产或者是使用或者是各种回收的环节里产生碳的排放或者碳足迹，这是我们理解的碳—能—材三角形互相反馈的关系。这种情况下做了电池健康的诊断，我们理想目标是让电池有尽量长时间的循环寿命，对我们碳足迹来讲是非常有关联的，换言之，电池能够在固定的设定功能下，它循环的次数越多，相对来讲整个生命周期的碳足迹可以被均摊一些，整个全生命周期碳足迹可以减缓或者是减排的。我们最近两三年正在开展智能电池的研究，主要是用机器学习的各类算法来进行电池健康评估，还有电池故障的分析，这一块我们还正在进行探索的工作，主要是想把人工智能和碳足迹减排有一个比较深度的结合。
第二、第三、第四部分，我们分享三个小案例。先讲第一个例子，是我们之前做的探索，基于装配在电动大巴车上锂离子电池生命周期的评价，这个研究的主要特点，是有两个角度的功能单元的定义，在电池的生产还有电池的回收环节是用千克或者是质量作为功能单元，而在电池使用，当装配到大巴车上的时候，我们考虑行驶每千米里程对应碳足迹，结合电池比较特殊的能量负荷的载体，在使用的生命环节里做生命周期评价特殊的考量。LCA的实施步骤，重点的范围里程或者是空间的概念对评价结果有非常大的影响，主要考虑电池在生产还有在路上以及最后回收时候的范围，定义了两个电池，代号是N5和N6，我们进行电池在生产过程碳足迹的核算，图上展示的是基本的结果。另外还做了使用阶段的，以行驶里程为功能单元的核算。在使用阶段，电动车真正在马路上的时候并不排放二氧化碳，所产生的碳足迹来自于充放电的过程当中的能源输入导致的排放，跟我国的电力结构有非常紧密的关系，我们国家目前来说电力结构相对来说比较传统的一个结构，所以未来我们有很大的发展空间，如果电力结构越来越走上绿色化清洁化的话，未来行驶阶段的碳足迹会越来越往可持续发展或者是低碳环保的角度发展。回收阶段也很有意思，国内有一些报道，对于回收的工艺有很多的探索，一个是物质流、一个是能量流两个维度，这两个维度对回收技术有直接的响应关系，如果采取相对比较清洁回收手段，对回收阶段碳足迹具有很好的减排贡献，当然这是从大巴车电池角度去做的。
第三部分，也就是第二个例子，是关于固态电池这一块的研究，固态电池这一块，我们用比较流行的足迹家族的概念来分析，以碳足迹为其中一个代表，所有的足迹都是与生态环境、资源或者是可持续发展有关。我们拓展了足迹家族指标，之前是主要做三个：碳足迹、水足迹和生态足迹，后来拓展到了物质足迹和健康足迹角度，碳足迹直接跟碳中和有相应，另外，足迹主要是跟电池这个产品是不是绿色，是不是环保，是不是有利于整个行业可持续发展，有一些不是对应的1对1的关系，但是是相应的反馈机制，我们就把它作为足迹家族体系反映电池的可持续性。我们的实施步骤，扩充了足迹家族指标体系以后，首次对固态电解质进行LCA评价。（图上）这是计算方面的方式，这是几个计算结果，这边是碳足迹、水足迹、生态足迹、健康足迹的情况。进行比较以后发现，固态电池有一些足迹是比较大的，还有一些固态电池相对来说足迹家族体系比较绿色。为了进一步分析，我们分析了对足迹指标值贡献比较大的成分，发现由于某些特定组分的存在，导致最终其足迹家族的情况并不优于传统电池的。这对一个电池所谓的好坏或者有没有推广价值，要从经济性和工艺的推广，还有是不是绿色和碳中和好几个维度去比，我们这边重点是讲绿色维度的情况。这边讲了一些结果，就不具体的展开，有一些细节的研究，这些研究比较细、比较微观。我们对文献上最新报道电池的清单进行了比较详细的分析，有一些电池还没有得到大规模商业的应用和推广，我们也做了一些计算。其实整个电池组的使用，生产的时候可能跟某一些比较多的特定成分的影响是很大的，在使用环节也是跟电力结构有非常重要的响应关系，未来如果电力结构走向更加清洁化的话，整个电池体系全生命周期的碳足迹或者生态足迹家族都会走向更好的情况。这边是使用阶段的足迹家族的分析，发电端这一块的影响是最大的，生态足迹这一块，我们发现中国的核电这一块，在整个比例里面相对来说比较清洁的，没有产生更多的一些排放，在核能安全利用的情况下，这是比较好的方向，有可能会提示我们电力结构的多样化会有更多的往核电或者其他清洁能源考虑。健康足迹这一块有一个值得关注的结果，发现日本产生的致癌物质和非致癌物质两种，健康指标的贡献比较大一点，可能也是跟整个产品污染物排放有重大的关联。
第四部分是最后一个例子，讲一下我们现在正在进行的电池健康的基于学习算法的模型，比如以动力电池为例，肯定是有里程焦虑的原因，定义目前电池健康的状态以及剩余寿命两个概念，来表征电池运行的情况。为了实现对电池健康管理，我们去做这样一个研究，后续还要加强对电池的健康还有寿命预测、故障诊断和故障预判，这一块应该也是热点，很多国内外的专家学者正在开展这一块的研究，我们觉得这是比较重要的领域之一，我们也正在挖掘它跟碳中和的关系。碳足迹的减排跟电池的使用寿命稳定安全长效寿命有直接的关系，我们通过人和器材的配合优化管理，实现电池能更长寿命、更多循环周期，由此就能帮助我们更好的减少碳足迹的排放，实现碳中和的目标。比如说数据驱动方法，一开始切入点是数据驱动方法，后来发现可能要做更多的混合驱动，加入了机理或者是模型原理性的东西。我们这边做的是梯度提升树原理，和Boosting原理。首先是特征的构造，描述一些信息，然后去做采集。对特征进行筛选，然后做特征的分析，然后做膨胀因子的筛选。这边还做了一个特征组合的东西，其实特征的筛选识别对电池的健康建模非常重要，我们这边做了很多的尝试，做了12个特征再去筛选组合，看哪种能代表又能算法的快捷性和准确性。最后去做结果的验证，得到的效果还是比较好的。为了加快算法的推进，减少算力的依赖性，用的是迭代循环，每十个循环出现一个划分，这样像爬楼梯一样的去推动计算的提升，这样可以加快计算的速度，提高时间的需求，对时间可以有更好的改进，首先是寻找参数并训练模型，GBM模型，做卡尔曼滤波的修正，做容量数据的更新和迭代，最后是模型的验证，还有结果的分析。这边展示的是我们开发的电池健康状态和剩余寿命预测平台，这边我们一直在不断的加模块，把之前开发的各种模块都综合到一起，然后做平台的界面，后续正在开发更多的算法，去适用于更多的电池。比如之前是以小电芯或者是动力电池小的单体为主要的对象，现在正在开发更多的对于大的电池组或者是模组或者是电池舱进行更多的应用，对大电池组存储的电化学性能一致性分析，或者大规模的故障预判诊断等，都是我们现在开展的工作。这边是健康管理系统，这个平台我们是在不断的开放去包容更多的算法或者模型进去的。这是结果情况展示，这是总体的健康评估平台的初步设计，现在还正在加更多的模块。
最后是第五块汇报内容，给大家总结一下关于锂电池智能管理我们的一些想法，首先是机器学习和智能电池有非常紧密的关系，想法用机器学习比较好的算法来去优化电池健康建模，还有电池剩余寿命和电池故障的诊断，这一块我们正在做工作，相信以后还有机会的话，把这个工作做成熟了以后继续跟各位专家汇报。实际上机器学习是非常重要的挖掘的点，在智能电池管理这一块有很多的工作可以做，大家如果有兴趣的话后期可以再深入的讨论。关于智能电池管理和碳中和有一个非常重要的连接的点，电池管理的优化是为了能让电池更加安全长效稳定的去运行，避免它过早的进入衰减老化的下一个生命周期阶段。我们智能电池管理的目标就是尽量适配电池现有的状态，或者说智能的调整它现在的状态，让它能有更好的运行的长生命周期，减少单次循环的碳排放，得到碳中和的目标。我们现在还正在做更多的有关电池健康或者电池故障诊断的模型算法，或者是改进，或者是应用到更多实际电站，这一块我们还不是特别的成熟，后续还会继续的改进。
以上是我的汇报，请大家批评指正！
