中国储能网讯：

李相俊 1，刘晓宇 1，韩雪冰 2，

杨佳涛 3，李睿 3

（1．可再生能源并网全国重点实验室（中国电力科学研究院有限公司），北京 100192；2．清华大学车辆与运载学院，北京 100084；3．电力传输与功率变换控制教育部重点实验室（上海交通大学），上海 200240）

摘 要：近年来，我国电化学储能电站的并网规模逐步向百兆瓦时级和吉瓦时级快速发展，大容量集中式接入和多点分散式接入是两大类应用模式。在分析我国电化学储能技术发展现状的基础上，面向电力与能源的数字化智能化（简称数智化）转型发展需求，提出了储能电池、储能变流器、储能电站的数智化应用方法，展望了电化学储能电站数智化应用前景。

关键词：储能；储能电站；数智化转型；储能数字孪生；智能电池；储能变流器

基金项目：国家重点研发计划项目“吉瓦时级锂离子电池储能系统技术”（2021YFB2400100）；国家重点研发计划项目“吉瓦时级储能电站集成及智能管理与示范应用”（2021YFB2400105）；国家自然科学基金项目“面向多应用场景的电力储能用锂离子电池性能衰退机理与寿命评估方法研究”（52077202）。

Supported by National Key R & D Program of China（2021YFB2400100， 2021YFB2400105）；the National Natural Science Foundation of China（52077202）.

［引文信息］

李相俊，刘晓宇，韩雪冰，等．电化学储能电站数字化智能化技术及其应用展［J］．供用电，2023，40（8）：3-12．

LI Xiangjun，LIU Xiaoyu，HAN Xuebing，et al．Digitalization and intelligence technologies of electrochemical energy storage stations and their application prospects［J］．Distribution & Utilization，2023，40（8）：3-12．

引言

0

2022年10月，党的二十大报告提出建设数字中国。2023年2月，中共中央、国务院印发《数字中国建设整体布局规划》，提出了加快能源领域的数字技术创新应用。2023年3月，国家能源局印发《关于加快推进能源数字化智能化发展的若干意见》，提出了基于数字化智能化（简称数智化）技术融合应用，满足电力、煤炭等行业数字化智能化转型发展需求。

储能是支撑能源高质量发展的重要技术，国内外已开展了电源侧、电网侧、负荷侧等不同场景下的储能多目标应用与工程示范［1-3］，取得了一定的商业化运营成效。近年来，国家也出台了一系列政策，推动电化学储能等新型储能技术不断发展。我国储能应用产业已逐步进入商业化初期，不同容量的集中式和分布式电化学储能在电网中得到了推广应用。据中关村储能产业联盟统计，2022年我国电化学储能新增装机规模已超过5 GW。随着电化学储能系统/电站在电力系统中的应用规模不断扩大，其安全性、可靠性、经济性问题备受业界关注。探索并提出储能应用过程中的数字化与智能化理论方法及其应用技术，将有效改善储能的安全稳定经济运行水平，是重要的现实需求。但是针对电化学储能的数智化水平提升，目前缺少较为系统的分析与论述。为此，本文将在分析电化学储能数智化发展现状的基础上，面向储能数智化发展与创新应用需求，提出并展望电化学储能电池、变流器、电站管控的数字化与智能化应用思路与解决方案。

储能电池数智化应用

01

1.1 储能电池的数智化整体思路

面向“双碳”目标，以电池为核心的电化学储能系统将大规模应用。储能系统电池数量大、一致性差异明显、深度充放电频繁，电池安全与寿命的问题日益凸显，对锂离子电池系统及电池管理系统提出了更高要求，需要在可靠性、安全性、耐久性等方面有进一步的拓展。为此，需要从设计、制造、使用、回收再利用等全生命周期进行电池的全链条智能化升级，包括电池智能化、制造智能化与管理智能化。储能电池的数智化发展方向如图1所示。

图1  储能电池的数智化发展方向

Fig.1  Development direction of battery digitalization and intelligence

1.2 储能电池的数智化应用

1.2.1 电池的设计制造

当前电池设计过程主要依赖经验试错，尚未实现跨尺度建模设计。电池本身也仅为单纯的能量存储单元，智能化程度较低，缺乏自响应功能。当前电池管理系统仅能够获得端电压与表面温度，无法感知电池内部多维信息，同时电池尚缺乏执行器与主动反馈控制能力。因此，针对电池智能化目标，解决方法归纳如下：①在电池设计过程中，需结合人工智能技术，开展跨尺度耦合电池设计，并引入智能多维多物理场传感器，实现对电池内部信息的全面感知；②基于多信息融合，实现对电池内部安全与寿命的状态观测；③进一步根据状态观测结果， 结合智能执行器，实现电池的主动闭环调控，保障电池的安全与长寿。

电池制造环节，生产工艺尚未实现全自动化，各工序相对分离，且生产过程信号开环，无法控制缺陷。虽然在生产过程中也会产生大量数据，但目前数据的利用率非常低。因此，针对电池制造智能化目标，解决思路归纳如下：①需要大力引入干法电极、智能分选等先进工艺，实现电池的全智能自动化生产；②需探索各类电池生产缺陷的引入机制与表征特性，在产线各段进行缺陷检测，并将缺陷信息对前端工艺进行反馈，实现生产过程智能闭环控制；③对产线大数据进行更高效合理利用，并通过工业互联网进一步保证生产效率与质量。

1.2.2 电池的优化管理

当前的电池管理主要基于电池侧管理系统开展，算力与存储能力有限，且缺乏与云端的信息双向交互，导致全生命周期电池数据利用率、互联率低。目前管理算法主要基于等效电路模型进行仿真计算与优化管理，精度难以进一步提升。为此，面向电池优化管理，数智化解决方法归纳如下：①需结合植入电池内部的机电、热、气多维传感器进行智能状态感知。例如，可通过主动激励进一步提取电池关键特征参数，搭建云边端一体化管理结构，将多传感器采集信息进行逐层上报，综合形成电池使用过程大数据库；②需结合电池安全失效与寿命衰退机理，利用人工智能训练电池高精度数字孪生模型，实现电池风险的高精度预警与老化状态的精准预测；③需结合主动调控技术，在电池风险超早期进行寿命损伤控制与安全风险调控，并考虑储能需求与电池状态进行电池的充放电优化，从而综合实现电池全生命周期的精细化智能管理。

储能变流器的数智化应用

02

储能变流器（power conversion system，PCS）作为储能电池与电网之间的功率接口，在电池储能系统中担任重要角色，其核心功能是在并网模式或者离网模式下控制储能电池的充放电，并实现并离网切换。因此，储能变流器直接决定了储能电池与电网之间的能量转换效率、并网侧电能质量以及电池储能系统的可靠程度，是电池储能系统中的核心组成部分。受益于近年来储能产业的飞速发展，不仅仅是电池管理系统、能量管理系统等相关产品正不断向数字化、智能化方向发展，储能变流器的数字化、平台化需求也快速提升。

2.1 储能变流器数智化的整体思路

从拓扑上来看，储能变流器可以分为工频隔离式拓扑、高频隔离式拓扑和级联式拓扑［4］。PCS的 2种工频隔离式拓扑如图2所示，可分为直接DC/AC逆变电路与两级DC/DC+DC/AC逆变电路2种，随后通过工频变压器接入交流电网；PCS的一种高频隔离式拓扑如图3所示，各组电池分别通过前级高频隔离DC/DC变换器级联接入逆变器高压直流母线，通过三电平有源中点钳位（three-level  active  neutral  point clamped，3L-ANPC）变换器直接并网［5］；PCS的一种级联式拓扑如图4所示，储能电池通过低压DC/AC功率模块直接级联，可以直挂高压电网，无需工频变压器，已于2014年在深圳宝清储能站完成了世界上首例示范应用［6-7］。各种拓扑的应用场景各有不同，工频隔离式PCS主要用于分布式储能应用，高频隔离式和级联式PCS用于中压并网的大容量储能电站。国内外针对相关PCS拓扑的研究主要针对传输效率的进一步优化，在拓扑和硬件上进行数字化、平台化的发展前景较小。

图2  PCS的2种工频隔离式拓扑

Fig.2  Two topologies of PCS with line frequency isolation

图3 PCS的一种高频隔离式拓扑

Fig.3  A topologies of PCS with high frequency isolation

图4  PCS的一种级联式拓扑

Fig.4  A topologies of PCS with cascading architecture

由于储能变流器的建模、仿真、控制、优化等过程本身就是基于数字信号处理单元实现的，其管理规模大、控制目标多样、人工介入成本高，比较适合向数字化、智能化和平台化发展，有利于实现对储能系统的智能控制和优化，提高储能系统的效率和可靠性。储能变流器的数智化解决方法归纳如下：①将储能变流器的控制算法、优化设计等进行数字化建模，可以提高建模、控制算法和容量规划优化等的精度和可靠性，从而提高储能系统的效率和可靠性；②通过人工智能、机器学习、数字孪生等技术实现储能变流器的智能建模、智能仿真、智能控制和智能优化，可以进一步提升系统效果。

2.2 储能变流器数智化发展的关键技术

2.2.1 储能变流器建模仿真的数智化

储能变流器仿真的数智化应用可帮助储能系统实现更加高效的能量转换和储存，提高储能系统的性能和可靠性。本文提出的储能变流器建模仿真的数智化应用分类如图5所示，主要包括以下4个方面：①基于物理模型的数学建模：通过建立基于物理原理的数学模型，可以精确地描述储能变流器的动态响应和稳态特性，实现对其运行状态的预测和优化控制；②基于数据驱动的建模［8］：通过采集和处理储能变流器的运行数据，可以建立基于数据驱动的建模方法，通过机器学习和深度学习等算法，实现对储能变流器运行状态和故障的诊断与预测；③动态仿真建模［8-9］：通过建立动态仿真模型，可以模拟储能变流器在不同工况下的运行状态和响应特性，帮助设计人员进行性能评估和优化［10］；④模型优化整合［11-12］：将已建的储能变流器模型整合到智能电网或储能系统的整体模型中，通过对已建模型的优化控制和运行监测，包括参数调整、控制策略优化等，提高储能变流器的能效和性能。

图5  储能变流器建模仿真的数智化应用分类

Fig.5 Classification of digitalization and intellectualization applications of modeling and simulation for PCS

2.2.2 储能变流器控制优化的数智化

储能变流器可以通过智能控制进一步提高储能系统的性能和可靠性，通过人工智能、机器学习、数字孪生等技术，实现对储能系统的智能控制和优化。本文提出的储能变流器控制优化的数智化应用如图6所示，主要包括以下4个方面：①智能控制算法：可以通过人工智能、机器学习、数字孪生等技术来提高控制算法的精度和可靠性。②智能运维［13-14］：储能变流器可以通过数字化的通信接口与其他设备进行通信，实现数据的传输和控制。储能变流器可以通过数字化的方式采集电网和储能系统的数据，包括电压、电流、功率等参数，用于多储能变流器之间、储能电站内部、储能之间的智能运维和智能控制。③智能能量管理、容量规划、预测优化［15-17］：通过人工智能、机器学习等技术，储能变流器能够实现能量管理、容量规划的智能化，预测容量需求，优化储能系统的实时容量配置，提高储能系统的效率和可靠性。④智能故障诊断［18］：智能故障诊断通过使用人工智能、机器学习等技术实现对储能系统的故障预测与诊断，提高储能系统的可靠性和安全性。

图6  储能变流器控制优化的数智化应用分类

Fig.6 Classification of digitalization and intellectualization applications of control and optimization for PCS

储能电站的数智化应用

03

3.1 储能电站数智化管控的整体思路

面向储能数字化管理和储能数字孪生构建需求，本文提出储能电站数智化管控的整体架构，主要包含物理实体管理、数据融合共享、泛在感知连接、数字孪生映射、跨域应用服务等交叉互融，如图7所示。

物理实体是储能电站数字化管理和数字孪生映射的物理基础，主要包括锂离子电池、钠离子电池、液流电池、铅酸电池等多类型电化学储能电池，逆变器、充放电控制单元等储能变流器设备，通信链路、网络交换机、协议转换器等网络通信设备，计算服务器、存储单元、安全防护等云边计算设备，以及视频监控、安防管理、传感等辅助设备等。不同的物理实体承载着物理量、状态量、电气量、环境量、空间量、行为量等原生物理信息。物理实体层通过统一管理真实世界的多类型多功能物理实体，以物理信息的完备性解决模型参数和应用推演的准确性，为储能在源网荷侧的多场景应用提供物理支撑。

孪生数据是储能电站数字化管理和数字孪生映射的核心驱动，包括电力发输配用、电力市场、网络运行状态、电力政策等历史和实时数据，以及发电预测、工况辨识、故障诊断等仿真数据。通过规范异构数据表达、统一异构数据互转换规则、建立异构数据融合标准，实现对多运行主体的多尺度异构数据的全面采集、存储、管理及融合共享，将多类型物理实体及其运行过程转化为数据表达，驱动多模态模型迭代演进和应用服务推演优化。

感知连接是支撑储能电站数据信息在物理实体与数字空间双向流动的神经通道，主要包括全息感知、数据采集、多域存储和泛在连接等功能。在支持海量储能相关设备安全接入的同时，兼顾源网荷储多元要素连接的灵活组网需求，实现多源异构数据的高效采集与实时传输。为满足储能电站核心业务对通信实时性、供电可靠性和数据安全性的严苛要求，综合利用多种通信技术手段，结合云边协同实现通信冗余配置、数据安全存储。

数字空间是储能电站数字化管理和数字孪生映射的实现平台。依赖高性能计算、异构数据存储、高速数据交互组成先进管控架构下的虚拟化资源集群，实时映射管理、配置调度设备本体、数据管理、网络通信、电力市场等模型；利用大数据融合、多模态整合等技术手段，基于海量数据完成对储能电站运行工况以及储能设备运行状态的感知、推演与综合呈现，建立储能电站运行数字孪生镜像；综合利用数据驱动得到的储能电站运行状态与物理电网的原生机理，提供具有前瞻性的态势判断和运行决策，保障储能系统在新型电力系统中安全可靠高效运行。

应用服务是储能电站数字化管理和数字孪生映射的高级应用。储能本体、数据、模型协同推动储能系统局部运行规律和发展态势的自感知，本体交互、数据挖掘和模型协同催生储能系统整体的全局知识发现和迭代优化。由局部到整体的跨域应用服务面向不同的应用需求，通过对储能本体交互认知、海量数据融合学习和多类型模型协同利用形成个性化业务智能。借助无处不在的通信网络关联不同业务域知识，形成覆盖储能在源网荷侧多环节的知识网络和知识图谱，掌握储能多场景业务应用的相互影响和协同，实现智能自治的储能电站数智化管控。

图7  储能电站数智化管控架构

Fig.7  Intelligent control architecture for energy storage stations

3.2 储能电站数智化发展的关键技术及挑战

为加快推进储能电站数字化智能化转型，需要以多类型设备本体、多源异构数据、多模态模型、多场景应用服务全面贯通为框架，以信息、能量、控制等多流融合为纽带，以云计算、大数据、物联网、移动互联网、人工智能、区块链、边缘计算等先进数字科学技术为抓手，提升储能在发电侧、电网侧、用户侧的数字化智能化服务水平。储能电站数字化智能化转型要求储能系统自身必须具备自感知、自计算、自决策和自优化等能力，通过感知、通信、控制的一体化协同，提升储能安全性、经济性、稳定性，助力能源绿色低碳转型。

3.2.1 全景信息感知

储能电站运行状态的全面准确数字化表征是储能电站数智化转型的基础。构建以智能传感量测为数据来源、以多源资源协同感知为实现目标的储能电站全景感知体系，响应源自储能系统上下游的数据传感、资源协同、工况响应等需求，是打造可观、可测、可控的数智化储能电站的首要关键，具体包括以下内容。

1）智能传感量测：储能电站安全稳定运行依赖物理量、电气量、状态量、环境量、空间量、行为量等多源异构数据的传感量测，数据源覆盖储能电池、储能变流器、网络通信设备、云边计算设备、辅助设备等多类型设备本体。当前部署的传感设备大都仅支持获取单一设备本体的单一类型数据，难以通过一次量测获取多类传感数据，导致储能电站传感设备数量庞大、管控复杂。同时，目前传感设备的部署使用仍以“量测+传输+供能”组合集成为主，其严苛的安装环境、操作流程及应用要求限制了环境适应能力［19］。因此，需要加强传感设备的多物理量集成量测及多数据融合传输技术研究，推动传感设备“量测+传输+供能”多模块的微型化集成与封装技术迭代发展，利用人工智能赋能提升传感设备的自感知、自调节、抗干扰能力，建设“传感网+电网”紧密联系的统一物理网络。

2）资源协同感知：海量部署的智能传感终端采集到的多源异构数据是原始的、未经处理的，蕴含着海量隐式规律。储能在源网荷侧的不同运行工况引发储能电站动态投退、并离网会导致通信拓扑、网络时延多变［20-22］。因此需要实时准确感知源网荷储生产连接关系，明晰通信拓扑、通信状态、网络时延等因素的动态变化，充分保障链路冗余性、网络健壮性和通信可靠性。源网荷储互动催生海量数据，对储能电站数据处理能力提出挑战，构建涵盖云计算、边缘算力及本地算力的多层异构算力资源池能够有效提升数据处理能力。云边端算力资源从分布方式、算力规模、硬件架构、软件算法等方面存在极大差异且相互耦合制约［23-26］，必须精准感知与标识海量异构算力，建立标准化算力模型体系，支持算力透明感知、编排路由及协同调度，才能为不同储能应用场景按需调度算力资源，提供差异化服务。从电池单体到站级平台的工况特征各异且具有内在关联，需要设计合理的数据资源共享与多级工况协同运行机制，满足不同工况对数据资源的需求。同时，储能在源网荷侧运行特征交叉耦合，储能响应呈现非线性、非高斯、快速动态变化特性，传统的基于机理模型分析方法难以准确快速辨识工况，发展基于数据驱动的智能辨识方法，能够有效提高储能电站智能管控能力，支撑储能在源网荷侧的友好接入。

3.2.2 泛在安全互联

储能设备全域泛在互联、信息安全传输是储能电站数智化转型的核心。全景感知到的数据、资源、工况信息需要泛在安全的信息流动渠道，多元储能业务的控制稳定性、鲁棒性、安全性要求储能电站提供强实时、确定性、广连接、高安全的互联功能，具体包括以下方面。

1）泛在网络融合：多方主体参与下的多类型网络通信协议并存决定了源网荷储各环节灵活互联必须支持多协议融合通信。多协议融合通信的主要挑战在于跨介质、跨协议通信以及广域授时同步［27-30］。跨介质通信需要有线、无线网络融合，涉及电缆、光纤等有线介质与不同频段的电磁波等无线介质之间网络资源种类、数量、特性转换及映射。跨协议通信存在协议栈不对等、语法不一致、数据格式不统一、通信速率不匹配等问题，导致信息互通性差、实时性低。广域高精授时同步是支持储能在源网荷侧有序互动、安全稳定运行的重要基础。源网荷储各环节所涉及的调度系统、监控系统、保护系统以及数据采集、事件顺序记录、故障录波器等设备需要高精度授时实现全局同步［31-34］。通信网络融合迫切需要从协议栈结构、语法机制、数据格式、传输策略等维度挖掘异构协议相关性，定量分析时延、可靠性、授时授频精度、吞吐量、缓存等特征指标，以协议识别、解析、互操作为基础，研究网络业务预测、异构资源互通、流量调度、时间同步等方法，建立异构协议的透明通道，实现自适应协议转换与适配。

2）高可信网络安全：全景感知与泛在通信强化了多类型储能设备以及储能电站与源网荷侧多主体的灵活协调、互联互通关系，同时也带来了网络安全风险。多样性交互主体的弱安全防护能力容易造成单点网络安全风险扩散；数据交互共享、协同利用需求剧增导致交互规模与隐私保护矛盾凸显；以虚拟电厂、共享储能为代表的网络化运营主体容易被攻击者恶意挟持群体性负荷或电源，引发重大网络安全事件。因此，需要研究基于区块链、零信任技术的多元设备安全可信接入技术［35-37］，在接入源头应对终端设备的身份不确定性、访问权限动态变化问题，提高接入安全门槛。强化内生安全技术，研究适用于储能关键信息基础设施的安全操作系统、适用于分布式终端的嵌入式可信计算、适用于调度控制的量子通信密码、内生安全光通信等技术［38-42］，可以从根本上保障储能业务应用安全可靠运行。多方主体接入的新型电力系统涉及海量多类数据的交互共享，数据安全是电力系统安全的关键核心，需要研究覆盖数据接入、传输、管理、销毁的全周期数据安全管理技术［40-42］。考虑源网荷储物理资产、数据信息及应用场景的安全特殊性，常态化的安全监测及网络攻防演练是提升网络空间攻防能力的重要手段［43-44］，需要开展智能化安全监测和风险评估，构建虚实结合的自对抗自优化攻防体系，提升主动安全防御水平。

3.2.3 跨域智能融合

储能多要素协同、集群智能管控和信息物理社会能源融合是储能电站数智化转型的大脑。构筑云边端协同管控框架促进数据流、能源流、控制流全域融合，提升不同链条、不同层级的物理设备、数字设施、应用服务平台的群体智能，推动建立信息物理能源社会融合系统，实时推演储能在源网荷各环节运行控制，能够为储能系统安全稳定经济运行提供决策。

1）集群智能优化：储能在源网荷侧的多元应用催生具有不同动力学运行规律的储能主体，源网荷储聚合优化通常需要人工建立完整准确的优化模型，难以适应电力系统非线性、强不确定性的发展趋势。需要推动储能智能终端技术突破，赋予储能设备本体环境感知、状态监测和行为自治能力，打破现有终端设备能力限制，将智能引入储能系统末梢。在储能设备本体普遍智能化基础上，边缘侧和云端平台也应同步提高智能化水平［45］，面向源网荷侧的差异化储能需求，结合全景信息感知和泛在网络通信，对储能设备本体、数据资源、应用场景进行精准建模计算，剖析设备本体、数据资源与应用场景三者之间的映射关系，实现工况、数据、资源等多要素解耦，合理编排调度网络、算力、电力电量。云边端资源属性各异，研究汇聚云边端多源异构数据的新型数据模型［46］，开发安全可靠的数据同步管理、高效存储索引、安全隐私保护策略，是有效利用源网荷储多源异构数据的基础。多源异构数据经过云边端算力特征提取显隐式多维信息，需要研究多维信息的跨域统一映射和管理机制，梳理异构信息聚合优化机理，构建标准化透明化信息通道，为规模化储能多场景应用提供关键信息支撑。云边端协同促使传统源网荷单向链式互动向源网荷储多方双向互动转型，研究多主体协调的精准响应、协同优化和服务执行机制，推动储能与源网荷侧不同主体的时序衔接、协同配合、集群调控，服务数据、资源、能量、控制多流互动［47］。

2）信息物理能源社会融合：在全景感知、泛在互联、智能协同等复杂特性的共同作用下，基于单一物理域的机理建模难以满足储能在源网荷侧的建模分析、规划配置、运行控制及应用评价要求，综合考虑信息域的数据资源特征、物理域的机理动力学规律、能源域的电量发输配用关系、社会域的人机物协同演进的多要素融合系统，形成虚实融合、物数交互的多主体储能综合管理控制方法，是解决上述问题的一种可行途径。数字孪生虚拟电厂系统、数字孪生驱动的智慧微电网系统、数字孪生能源互联网系统、元宇宙+电力的元电力、基于平行系统与元宇宙思想构建的平行电网系统MetaGrid等相关概念及架构相继提出［48-51］，孪生系统的迭代进化离不开云计算、大数据、物联网、移动互联网、人工智能、区块链、边缘计算等先进理论技术工具的发展，构筑现实电网空间与虚拟数字空间双向映射、实时互动的平行孪生体系需要通过对现实电网空间内的物理实体的特征属性、行为演化和性能表现等建模描述，实现物理实体到虚拟数字空间的实时完整映射。在虚拟数字空间中开展时空变换、演化推导、计算控制，得出全域最优解决方案反馈至现实电网空间内的物理实体，实现安全稳定运行。

结语

04

本文重点探讨了面向数智化发展的电化学储能电站创新应用新需求，提出了电化学储能电站数字化智能化发展的总体思路及具体实现方法，主要归纳如下：

1）剖析了智能电池的设计制造与优化管理过程中所面临的主要挑战与亟待解决的问题，提出了储能电池数智化应用的解决方法，展望了相关技术路线。

2）分析了储能变流器建模与控制优化的关键问题，提出了储能变流器数智化发展的整体思路，阐述了数智化技术在储能变流器建模与控制中的具体应用方法。

3）提出了电化学储能电站数智化管控的整体思路，从全景信息感知、泛在安全互联、跨域智能融合角度，建立了电化学储能电站数智化发展的整体研究框架，归纳并阐述了数智化技术在储能电站管控中的具体应用方法。

综上所述，本文对电化学储能电站数智化应用的关键技术、发展方向等做了分析与展望，为电化学储能电站全生命周期规划设计、运行管理、应用评价的相关技术发展提供了思路和建议。电化学储能将成为支撑新型电力系统“保供电、保安全、促消纳”的重要元素之一。本文主要侧重于电化学储能系统的数智化应用技术展开了分析与探讨。其他类型的新型储能技术在其不同发展阶段，都需要实现数智化转型发展与创新应用。作为支撑电网灵活调节能力等方面的重要调节资源之一，以电化学储能为代表的新型储能和抽蓄储能技术将在电力系统中发挥更多有益作用，其数智化转型发展值得期待。

参考文献

1］李相俊，官亦标，胡娟，等．我国储能示范工程领域十年（2012— 2022）回顾［J］．储能科学与技术，2022，11（9）：2702-2712．

LI Xiangjun，GUAN Yibiao，HU Juan，et al．Review of energy storage application in China from 2012 to 2022［J］．Energy Storage Science andTechnology，2022，11（9），11（9）：2702-2712．

［2］LI X，WANG S．Energy management and operational control methods for grid battery energy storage systems［J］．CSEE Journal of Power and Energy Systems，2021，7（5）：1026-1040．

［3］李相俊，赵珊珊，惠东．面向新型电力系统的大型储能电站关键技术发展趋势分析与展望［J］．供用电，2022，39（7）：2-8，24．

LI Xiangjun，ZHAO Shanshan，HUI Dong．Development trend analysis and prospect of key technologies of large energy storage station in new type power system［J］．Distribution & Utilization，2022，39（7）：2-8，24．

［4］蔡旭，李睿．大型电池储能PCS的现状与发展［J］．电器与能效管理技术，2016（14）：1-8，40．

CAI Xu，LI Rui．Present status and development of large battery energy storage power conversion system［J］．Electrical & Energy Management Technology，2016（14）：1-8，40．

［5］BRAGARD M，SOLTAU N，THOMAS S，et al．The balance of renewable sources and user demands in grids：power electronics for modular battery energy storage systems［J］．IEEE Transactions on Power Electronics，2010，25（12）：3049-3056．

［6］刘畅，吴胜兵，吴西奇，等．35 kV高压直挂大容量电池储能系统［J/OL］．高电压技术：1-15［2023-06-19］．https://doi.org/10.13336/j.1003-6520. hve.20221577．

LIU Chang，WU Shengbing，WU Xiqi，et al．High-voltage large capacity battery energy storage system connecting to 35 kV grid without transformer［J/OL］． High Voltage Engineering：1-15［2023-06-19］．https://doi.org/10.13336/ j.1003-6520.hve.20221577．

［7］蔡旭，李睿，刘畅，等．高压直挂储能功率变换技术与世界首例应用［J］．中国电机工程学报，2020，40（1）：200-211，387．

CAI Xu，LI Rui，LIU Chang，et al．Transformerless high-voltage power conversion system for battery energy storage system and the first demonstration application in world［J］．Proceedings of the CSEE，2020， 40（1）：200-211，387．

［8］蔡昌春，息梦蕊，刘昊林，等．基于数据驱动和多场景技术的微电网并网等效建模［J］．电力自动化设备，2022，42（9）：64-69．

CAI Changchun，XI Mengrui，LIU Haolin，et al．Grid-connected equivalent modeling of microgrids based on data-driven and multi-scenario technologies［J］．Electric Power Automation Equipment，2022，42（9）：64-69．

［9］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．

YE Xiaohui，LIU Tao，WU Guoyang，et al．Multi-time scale simulation modeling and characteristic analysis of large-scale grid-connected battery energy storage system［J］．Proceedings of the CSEE，2015，35（11）：2635-2644．

［10］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．

YE Xiaohui，LIU Tao，WU Guoyang，et al．Multi-time scale simulation modeling and characteristic analysis of large-scale［J］．Proceedings of the CSEE，2015，35（11）：2635-2644．

［11］刁涵彬，李培强，王继飞，等．考虑电/热储能互补协调的综合能源系统优化调度［J］．电工技术学报，2020，35（21）：4532-4543．

DIAO Hanbin，LI Peiqiang，WANG Jifei，et al．Optimal dispatch of integrated energy system considering complementary coordination of electric/thermal energy storage［J］．Transactions of China Electrotechnical Society，2020，35（21）：4532-4543．

［12］袁铁江，李国军，张增强，等．风电-氢储能与煤化工多能耦合系统设备投资规划优化建模［J］．电工技术学报，2016，31（14）：21-30．

YUAN Tiejiang，LI Guojun，ZHANG Zengqiang，et al．Optimal modeling on equipment investment planning of wind power-hydrogen energy storage and coal chemical pluripotent coupling system［J］． Transactions of China Electrotechnical Society，2016，31（14）：21-30．

［13］刘宇凝，王迎丽，徐明文，等．基于数字孪生混合储能的风电功率波动平抑策略［J］．电网技术，2021，45（7）：2503-2513．

LIU Yuning，WANG Yingli，XU Mingwen，et al．Wind power fluctuation smooth strategy based on digital twin hybrid energy storage［J］． Power System Technology，2021，45（7）：2503-2513．

［14］蒲天骄，乔骥，韩笑，等．人工智能技术在电力设备运维检修中的研究及应用［J］．高电压技术，2020，46（2）：369-383．

PU Tianjiao，QIAO Ji，HAN Xiao，et al．Research and application of artificial intelligence in operation and maintenance for power equipment［J］． High Voltage Engineering，2020，46（2）：369-383．

［15］傅质馨，李潇逸，朱俊澎，等．基于马尔科夫决策过程的家庭能量管理智能优化策略［J］．电力自动化设备，2020，40（7）：141-148．

FU Zhixin，LI Xiaoyi，ZHU Junpeng，et al．Intelligent optimization strategy of home energy management based on Markov decision process［J］．Electric Power Automation Equipment，2020，40（7）：141-148．

［16］武小花，邹渊，阴晓峰，等．基于插电式电动汽车储能的智能家居动态规划能量管理策略［J］．北京理工大学学报，2017，37（1）：56-60．

WU  Xiaohua，ZOU  Yuan，YIN  Xiaofeng，et  al．Dynamic  energy programming management based on smart home for PEV energy storage［J］． Transactions of Beijing Institute of Technology，2017，37（1）：56-60．

［17］孙秋野，杨凌霄，张化光．智慧能源：人工智能技术在电力系统中的应用与展望［J］．控制与决策，2018，33（5）：938-949．

SUN Qiuye，YANG Lingxiao，ZHANG Huaguang．Smart energy applications and prospects of artificial intelligence technology in power system［J］．Control and Decision，2018，33（5）：938-949．

［18］曲建岭，余路，袁涛，等．基于卷积神经网络的层级化智能故障诊断算法［J］．控制与决策，2019，34（12）：2619-2626．

QU Jianling，YU Lu，YUAN Tao，et al．A hierarchical intelligent fault diagnosis algorithm based on convolutional neural network［J］．Control and Decision，2019，34（12）：2619-2626．

［19］杨庆，孙尚鹏，司马文霞，等．面向智能电网的先进电压电流传感方法研究进展［J］．高电压技术，2019，45（2）：349-367．

YANG Qing，SUN Shangpeng，SIMA Wenxia，et al. Progress of advanced voltage/current sensing techniques for smart grid［J］．High Voltage Engineering，2019，45（2）：349-367．

［20］雍培，张宁，慈松，等．5G通信基站参与需求响应：关键技术与前景展望［J］．中国电机工程学报，2021，41（16）：5540-5552．

YONG Pei，ZHANG Ning，CI Song，etc．．Participation of 5G communication base stations in demand response：key technologies and prospects［J］．Chinese Journal of Electrical Engineering，2021，41（16）：5540-5552．

［21］CI S，ZHOU Y，XU Y，et al．Building a cloud-based energy storage system through digital transformation of distributed backup battery in mobile base stations［J］．China Communications，2020，17（4）：42-50．

［22］米阳，王晓敏，钱翌明，等．考虑通信时延的直流微电网分布式储能单元协调控制［J］．电力系统保护与控制，2022，50（24）：91-100．

MI Yang，WANG Xiaomin，QIAN Yiming，et al．Coordinated control of distributed energy storage unit in DC microgrid considering

communication delay［J］．Power System Protection and Control，2022， 50（24）：91 -100．

［23］刘晓宇，李相俊，贾学翠，等．基于云边端协同的大规模储能电站资源分配方法及系统［P］．北京市：CN115912430A，2023-04-04．

［24］李相俊，刘晓宇，王上行，等．一种基于边端协同的风储电站能量管理方法及系统［P］．北京市：CN115776126A，2023-03-10．

［25］许鹏，何霖．新型电力系统下5G+云边端协同的源网荷储架构及关键技术初探［J］．四川电力技术，2021，44（6）：67-73．

XU Peng，HE Lin．Preliminary exploration on the source-grid-load-storage architecture and key technologies of 5G+ cloud-edge-end collaborative power system［J］．Sichuan Electric Power Technology，2021，44（6）：67-73．

［26］文祥宇，李帅，刘文彬，等．面向配电网的云边端协同技术研究［J］．山东电力技术，2022，49（7）：8-11．

WEN Xiangyu，LI Shuai，LIU Wenbin，et al．Research on cloud-side collaboration technology for distribution network［J］．Shandong Electric Power Technology，2022，49（7）：8-11．

［27］王星龙．电力系统中的信息与通信技术融合策略［ J］．电子技术，2023，52（1）：218-219．

WANG Xinglong．Information and communication technology integration strategy in power system［J］．Electronic Technology，2023，52（1）：218-219．

［28］黄晶．5G移动通信技术在电力系统中的应用［J］．集成电路应用，2023，40（1）：128-129．

HUANG Jing．Application of 5G mobile communication technology in power system［J］．IC Applications，2023，40（1）：128-129．

［29］权伟，张宏科．未来互联网体系的研究现状、热点与探索实践［J］．中国科学：信息科学，2017，47（6）：804-810．

QUAN Wei，ZHANG Hongke．Future internet architecture：research status，hot topics，and development practice［J］．Scientia Sinica

（Informationis），2017，47（6）：804-810．

［30］IMT2030（6G）Promotion Group．Research report on integrated communication and awareness technology［R］．Beijing：IMT-2030（6G） Promotion Group，2021．

［31］李博，方彤．北斗卫星导航系统（BDS）在智能电网的应用与展望［J］．中国电力，2020，53（8）：107-116．

LI Bo，FANG Tong．Application and prospect of BeiDou navigation satellite system（BDS）in smart grid［J］．Electric Power，2020，53（8）：107-116．

［32］The Power System Relaying Committee and Substations Committee．IEEE standard profile for use of IEEE 1588TM precision time protocol in power system applications：IEEE Std.C37.238—2011［S］．New York：IEEE，2011．

［33］XU L B，GUO R，ZHANG Y，et al．Intelligent planning algorithm for time synchronization network for large-scale power IoT terminals［C］//2022 IEEE 10th Joint International Information Technology and Artificial Intelligence Conference（ITAIC）．June 17-19，2022，Chongqing， China．IEEE，2022：2405-2408．

［34］凌晓波，涂崎，方国盛．基于北斗的电力系统时间同步安全技术研究［J］．

自动化与仪器仪表，2018（5）：84-88．

LING Xiaobo，TU Qi，FANG Guosheng．Research on time synchronization safety technology of electric power system based on Beidou［J］．Automation & Instrumentation，2018（5）：84-88．

［35］吴金宇，张丽娟，孙宏棣，等．泛在电力物联网可信安全接入方案［J］．计算机与现代化，2020（4）：52-59．

WU Jinyu，ZHANG Lijuan，SUN Hongdi，et al．Trusted secure access scheme of ubiquitous power IoT［J］．Computer and Modernization，2020（4）：52-59．

［36］林兆鹏，邹起辰．可信设备接入网络认证协议设计及安全分析［J］．计算机仿真，2018，35（11）：254-258．

LIN Zhaopeng，ZOU Qichen．Design and security analysis of authentication protocol for trusted network access［J］．Computer Simulation，2018，35（11）：254-258．

［37］CUNINGHAM C，HOLMES D，POLLARD J．The eight business and security benefits of zero trust［EB/OL］．（2022-11-21）［2023-06-26］． https://www.forrester.com/report/The-Eight-BusinessAnd-Security-Benefits- of-Zero-Trust/RES13486．

［38］邬江兴．论网络空间内生安全问题及对策［J］．中国科学（信息科学），

2022，52（10）：1929-1937．

WU Jiangxing．Cyberspace's endogenous safety and security problem and the countermeasures［J］．Scientia Sinica（Informationis），2022，52（10）：1929-1937．

［39］周劼英，张晓，邵立嵩，等．面向高比例新能源的新型电力系统网络安全防护挑战与展望［J/OL］．电力系统自动化：1-10［2023-05-09］． http://kns.cnki.net/kcms/detail/32.1180.TP.20230310.1123.002.html． ZHOU  Jieying，ZHANG  Xiao，SHAO  Lisong，et  al．The  challenge and  prospect  of  network  security  protection  for  new  power  systems

with high proportion of new energy sources［J/OL］．Power System Automation：1-10［2023-05-09］．http://kns.cnki.net/kcms/detail/32.1180. TP.20230310.1123.002.html．

［40］余葭苇，陈一鸣，杨宇玄，等．不可信通信环境下的电力物联网用电数据全程安全传输方案［J］．电力信息与通信技术，2021，19（3）：60-64．

YU Jiawei， CHEN Yiming， YANG Yuxuan， et al． A secure transmission scheme for power consumption data of power IoT in untrusted communication environments［J］．Electric Power Information and Communication Technology，2021，19（3）：60-64．

［41］余晗，梁音，宋继勐，等．数据安全共享技术发展综述及在能源电力领域应用研究［J］．信息安全研究，2023，9（3）：208-219．

YU Han，LIANG Yin，SONG Jimeng，et al．A survey of data security sharing technology development and its application in power domain［J］． Journal of Information Security Research，2023，9（3）：208-219．

［42］李颖杰，谭杰．电力终端嵌入式组件信息源数据安全检测系统［J］．信息技术，2023，47（2）：178-184．

LI Yingjie，TAN Jie．Information source data security detection system for power terminal embedded component［J］．Information Technology， 2023，47（2）：178-184．

［43］SHU Z M，LIU Y G，WANG H N，et al．Research on the feasibility technology of Internet of Things terminal security monitoring［C］//2021 6th International Symposium on Computer and Information Processing Technology（ISCIPT）．June 11-13，2021，Changsha，China．IEEE， 2021：831-836．

［44］韩丽芳，张晓，应欢，等．电力关键信息基础设施网络安全攻防演练研究［J］．电力信息与通信技术，2022，20（7）：26-32．

HAN Lifang，ZHANG Xiao，YING Huan，et al．Research on cyber security attack and defense drills for power critical information infrastructure［J］． Electric Power Information and Communication Technology，2022，20（7）：26-32．

［45］LIU X Y，XU C，YU H B，et al．Multi-agent deep reinforcement learning for end edge orchestrated resource allocation in industrial wireless networks［J］．Frontiers of Information Technology & Electronic Engineering，2022，23（1）：47-60．

［46］朱锐，王宏志，崔双双，等．面向元宇宙的云边端协同大数据管理［J］．大数据，2023，9（1）：63-77．

ZHU Rui，WANG Hongzhi，CUI Shuangshuang，et al．Cloud-edge-end collaborative big data management for metaverse［J］．Big Data Research， 2023，9（1）：63-77．

［47］张津源，蒲天骄，李烨，等．基于多智能体深度强化学习的分布式电源优化调度策略［J］．电网技术，2022，46（9）：3496-3503．

ZHANG Jinyuan，PU Tianjiao，LI Ye，et al．Multi-agent deep reinforcement learning based optimal dispatch of distributed generators［J］． Power System Technology，2022，46（9）：3496-3503．

［48］李小双，王晓，杨林瑶，等．元电网MetaGrid：基于平行电网的新一代智能电网的体系与架构［J］．智能科学与技术学报，2021（4）：387-398． LI Xiaoshuang，WANG Xiao，YANG Linyao，et al．MetaGrid：a parallel grids based approach for next generation smart power systems［J］．Chinese Journal of Intelligent Science and Technology，2021（4）：387-398．

［49］黄超，卜思齐，陈麒宇，等．元电力：新一代智能电网［J］．发电技术，2022（2）：287-304．

HUANG Chao，BU Siqi，CHEN Qiyu，et al．Meta-power：next- generation smart grid［J］．Power Generation Technology，2022（2）：287-304．

［50］张俊，许沛东，王飞跃．平行系统和数字孪生的一种数据驱动形式表示及计算框架［J］．自动化学报，2020，46（7）：1346-1356．  ZHANG Jun，XU Peidong，WANG Feiyue．Parallel systems and digital twins：a  data-driven  mathematical  representation  and  computational framework［J］．Acta Automatica Sinica，2020，46（7）：1346-1356．

［51］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．

PU Tianjiao，CHEN Sheng，ZHAO Qi，et al．Framework design and application prospect for digital twins system of energy internet［J］． Proceedings of the CSEE，2021，41（6）：2012-2028．