编译|王婷玉

编辑|姜黎

近年来，人工智能对全球经济社会发展产生了重要影响，并在能源行业及其相关领域扮演愈发重要的角色，开始应用于智能电网、能源设备、系统智能控制、自动驾驶系统和智能能源材料的开发等多个领域。在能源系统变得更加复杂的背景下，算法这样的跨学科研究能为能源发展带来什么样的新思路？近日，Elsevier《能源与人工智能》举办的“能源与人工智能在线研讨会”第一场会议上，展示了人工智能相关方法给电力领域提供的优化策略。

预测锂离子电池容量退化曲线中的拐点

高性能电池极大地受益于对未来容量损失的准确、早期预测，可以借此改善电池的管理，并尽可能长时间地保持特定应用的理想性能。

锂离子电池表现出两阶段容量衰减的行为：容量最初以低速率下降，从某个起始点开始，经历加速降解，曲线显示成膝型（knee pattern），直到细胞的寿命结束(EoL)。爱丁堡大学的Gonçalodos Reis博士使用容量退化数据进行研究，提出了一种可靠的方法来识别容量衰减曲线内的拐点。在拐点研究的新方法中，研究提出了“拐点起始点（knee-onset）”的概念，用于标识非线性退化的开始，并为其提供一种简单而强大的识别机制。研究将生命周期，拐点和拐点起始点联系起来，预测或识别其中一个要素能迅速揭示其他要素的变化。

总体来说，这个研究值得关注的有以下几点：建立了一种电池容量下降曲线拐点的新方法；引入了用于拐点早期指示的拐点起始点（knee-onset）的概念和识别算法；显示出拐点起始点、拐点和电池寿命终止之间的线性关系；使用早期周期数据和机器学习技术来进行早期预测；对预测的不确定性进行了方法上的量化，从而为决策提供了可靠的风险评估。

数据驱动电动车车队智能充电

不断扩大的电动汽车规模对充电基础设施容量发出了挑战。智能充电算法可以为单个电动汽车制定充电计划，旨在公平、有效地分配车队中车辆之间的充电容量，最大限度地利用充电基础设施。实际上，电动汽车充电过程是一个非线性充电曲线，功率随时间减少。智能充电必须考虑充电曲线，以减小充电计划和实际电动汽车功耗之间的差距。通常情况下，各种电动汽车是无法从公开渠道获得有效的充电曲线及其参数模型的。来自SAP德国的Oliver Frendo博士的研究主要解释了电池电量分布的综合预测如何影响智能充电。团队提出了一种数据驱动方法，将机器学习模型集成到智能充电算法中，以预测任意充电曲线。

研究使用包含2016-2018年工作场所充电过程的数据集来训练机器学习模型，该数据集来自1001辆电动汽车的异构电动车队，具有18种独特模型。每个充电过程都包括充电功率的时间序列。预处理后，数据集包含10.595个充电过程，总共产生120万个数据点。然后，研究比较不同的机器学习模型进行电荷分布预测，包括线性回归，神经网络和XGBoost。最终发现XGBoost产生最准确的预测，平均绝对误差（MAE）为126W，相对MAE为0.06。仿真表明，与不考虑充电特性的智能充电相比，使用集成的XGBoost模型进行智能充电可以提高基础设施的使用效率，最多可多充电21%。

参考文献：

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