用于瞬时功率损失和MW级钒氧化还原流CAT蓄电池运行效率映射的新型人工神经网络模型，以提升技术经济分析

介绍了一种基于数据驱动、基于机器学习的新方法，用于建模配电站点2 MW/8MWh钒氧化还原流电池（VRFB）的瞬时功率损耗，这是一种网格级电化学储能技术，并将其与包括对称和非对称模型在内的基准经验建模方法，以及近期的凸包建模方法进行比较。这种新颖的损耗建模方法相较于基准模型和简单的效率估计带来了多项优势，其中最重要的是模型能够准确反映与泵电机驱动和鼓风机等机械辅助系统占空比相关的阶梯式和非线性寄生损耗 。比较模型的残差;所提出的数据驱动模型在准确性方面相较基准模型显著提升。该模型的确定系数相对于基准模型也有所提升。此外，还引入了一种新颖的方法，用于可视化网格尺度存储技术的运行效率。为了展示这种新型数据驱动方法在VRFB建模中的优势，基准模型和提出的模型被嵌入到开放式DSS配电网络模型中，以研究电网规模电力存储系统的两种应用：电网支持的负载平稳化和能源套利。本文表明，瞬时功率损失模型的准确性显著影响了对VRFB电荷状态的理解。反过来，VRFB效率建模的准确性影响了配电网络运营商对潜在经济价值和技术效益的理解。因此，本展示的功率损失建模方法对于公用事业利益相关者、电池资产所有者、系统工程师、系统设计师以及有兴趣评估或优化电网规模VRFB运行的财务规划师具有高度相关性。

简介

电网级电池储能系统（BESS）在配电系统中日益必要，以确保客户的可靠性，并为电力公司提供灵活性，以减轻由变异和不可调度发电及不断变化的客户负载形态引入的巨大电压波动、昼夜变异以及拥堵[1]。钒氧化还原流电池（VRFBs）是一种商业可行的电网级储能系统，在配电网支持应用中相比其他电化学储能技术具有多项优势，如抗循环降解[2]和几乎无限的可扩展性[3]。这些优势源于VRFB设计的模块化特性;其中储存在两个外部罐中的电解质被泵送通过电化学电池内的膜，产生电势。这种安排允许系统的能量容量独立于功率容量进行扩展。尽管这些优势已被充分记录，但关于真正电网规模（即兆瓦级）VRFB系统在现实配电系统中运行性能的文献仍然很少。这很可能是由于VRFB在电网支持上的渗透率相对较低所致。根据美国能源部（DOE）[4]的数据，所有流式电池化学成分仅占全球目前运行的20.4 GW电化学储能系统总容量的1.7%。在这些流动电池中，VRFB占运营容量的75.3%[5]。竞争技术包括其他流式电池化学、锂离子电池、混合流式电池、铅酸电池和NaS电池[6,7]。任何BESS（包括任何VFRB）的经济可行性，都依赖于在任何运营策略（如电网支持策略）下准确预测系统的电荷状态（SOC），这又需要对充电和放电效率的准确理解。电网支持应用的例子包括负载平稳、能源套利和弹性增强[8]。负载平稳是负载整形的一个特殊情况，旨在将给定馈线的净负载保持在某些最大和最小约束之间[9]。该策略使电力公司能够推迟系统升级成本[10]，并有助于平滑太阳能光伏阵列相关的变异性[11]。能源套利是一种在配电网络负载相对较低时对VRFB充电，需求较高时放电的策略，利用能源价格差异。最近对运营配电站点VRFB以支持电网支持的多个价值流进行了深入探讨[12]。
以往研究提出了多种复杂度和可推广性各异的方法，用于将VRFB的效率纳入技术经济研究。这些研究通常聚焦于小型桌面VRFB系统，只有少数几项千瓦级系统。表示VRFB效率的最简单方法是估算系统的往返效率，捕捉可回收的总能量，作为充电所需能量的百分比。这种简单直接的方法很有优势，因为一旦获得了这个单一参数，就可以很容易地将其纳入优化问题中。然而，对于现场运行的VRFB，损耗并非恒定，而是在整个工作功率范围和系统充电状态中变化。此外，充放电的损耗通常不对称，使用简单的往返效率指标时也会被混淆[13]。
一种更复杂但更准确的瞬时功率损失和效率建模方法，通常是解析VRFB系统中各种基于化学的损耗分量相关的损耗，包括库仑效率和电压效率，然后将这些成分耦合以获得理论上的固定能效[14]。例如，Mohamed等人对小型25厘米的表现进行了描述²VRFB单元单元在标准化测试条件下[15];该桌面系统报告的最大能效为82%，库仑效率和电压效率分别为93.3%和88%。Skyllas-Kazacos 等人描述了 1 千瓦原型 VRFB 的效率[16]。它们报告的最大能效为89.6%，库仑效率和电压效率分别为97.8%和91.6%。赵等人描述了1千瓦和10千瓦VRFB的性能[17]。1千瓦和10千瓦烟囱分别记录到最大能效为78.12%和82.53%。
一些研究旨在保持VRFB技术经济学研究中往返效率的普遍性，同时部分缓解其不足。例如，Zhang 等人在 VRFB 系统的技术经济分析中引入了汇总参数模型，以优化住宅环境的系统规模。该方法将内部电池的影响，包括库仑损耗、电压损耗和电池自放电损耗，结合成一个单一损耗模型，用于估算系统的效率[18]。这种方法更具推广性，因为它允许将所有损耗机制聚合到单一损耗模型中，从而用于推导系统的往返效率估算。
上述方法的一个缺点是忽视了关键辅助子系统的能耗。例如，既不考虑冷却系统和电解液泵等寄生系统的自耗，也未考虑电力电子设备（如电力调节系统，PCS）的损耗。这些辅助子系统相关的损耗对VRFB的实际运行产生了重大影响。这对于网格尺度的VRFB尤为明显，其寄生损耗本身就大于此前研究过的台式规模系统全部容量。
VRFB的内部损耗已被深入研究。内部损耗高度依赖于系统设计和控制方案。有大量研究报告旨在通过最小化内部损耗来优化台式规模VRFB的性能。Morozov等人提出了理论依据，并展示了一种流量因子控制控制方案，旨在优化系统运行，以最小化系统运行过程中的内部损失[19]。它们依赖于Tang等人[20]之前的内部损失建模工作。这些研究探讨了系统设计、控制与内部损耗之间的关系，但主要关注小型台式系统。Trovò等人研究了9千瓦VRFB在实验室环境中的内部损耗[21]。他们的研究比较了物种交叉、分流电流、液压压降与泵送以及电池过电位对VRFB堆栈整体性能的相对贡献。他们报告称，细胞过电位和物种交替是内部损失最重要的来源。该工作的一个缺点是假设系统内每个电荷和有功状态值的功率逆变器效率为恒定95%，泵电机效率为50%。本文所开发的损耗模型并不假设任何损失向量的效率为常数。我们证明了效率实际上并非在VRFB的整个操作域中保持恒定。此外，Trovò等人利用数值建模估算了与压降、分流电流、细胞过电位和物种交汇相关的损失。我们的工作不同于之前的工作，而是将内部损耗汇总，VRFB在现场运行时汇总，并以制造商住友电气提供的单一数据向量呈现。使用电网规模和电网连接电池而非实验室系统，其中一个挑战是现场运行的系统可能没有实验室测试系统那样全面安装仪器，而实验室测试系统则允许参数化内部损耗模型。关于内部损失的完整描述，我们建议感兴趣的读者阅读这些先前的著作，因为内部损失是一个复杂的话题，但并非本文的重点。
一般来说，简单的效率估计未能反映即时操作效率是系统运行每个时刻主动功率设定点和电荷状态（SOC）的非线性函数。我们尚未得知此前有涉及MW级VRFB在电力配电网络中运行的技术经济分析，该模型基于详细的瞬时功率损失模型，该模型涵盖了之前讨论的所有损耗机制（如化学诱发的内部电池损耗、子系统的寄生损耗和PCS损耗），从而提供了系统运行效率的完整视图。本文的主要创新在于基于人工神经网络（ANN）的模型，将MW级VRFB的系统总损耗建模为电荷状态和系统主动功率设定点的多变量函数。瞬时损耗模型基于从美国加利福尼亚州圣地亚哥由住友电力公司在加利福尼亚州圣地亚哥投产的2 MW/8MWh虚拟变换电台试点系统收集的循环测试数据训练;在测试时，该系统是美国容量最大的VRFB系统[22]。VRFB设在一个配电变电站内，并连接到圣地亚哥燃气与电力公司（SDG&E）公用电网中的住宅供电线。2兆瓦/8兆瓦时试点系统的损耗和效率被表征。该新方法与基准经验建模方法进行了比较，包括对称双变量模型、非对称复合模型以及近期的凸包建模方法[23]。此外，本文提出的新颖损耗建模方法用于表示VRFB作为一个随系统主动功率设定点和SOC变化的表面的操作效率，极大提升了采用这些方法的技术经济分析的准确性，正如我们将在本文中展示的那样。