登录注册
请使用微信扫一扫
关注公众号完成登录
我要投稿
作者:叶石丰1, 洪朝锋2, 綦晓2, 吴伟雄2, 谭子健1, 周奇1, 张兆阳1
单位:1. 广东电网有限责任公司广州供电局;2. 暨南大学能源电力研究中心
引用:叶石丰, 洪朝锋, 綦晓, 等. 基于EEMD-GRU-NN锂离子电池表面温度预测方法研究[J]. 储能科学与技术, 2025, 14(1): 380-387.
DOI:10.19799/j.cnki.2095-4239.2024.0571
本文亮点:1、提出基于EEMD的温升数据预处理方法,通过离线训练后将温升序列数据分解为周期分量和趋势分量,可以更清晰地识别和分析温升数据中的不同特征和趋势,分解后的数据更有助于模型捕捉复杂的时间序列变化,大大提高了对未来温升的预测准确性。2、提出基于GRU-NN的联合预测模型,利用GRU处理时间序列中的短期变化和周期性的优势,以及NN处理长期趋势和非线性关系的优势,使GRU和NN分别专注于不同的分量,避免单一网络在处理复杂时间序列数据时的不足,从而提高整体的预测精度,提供更全面的预测能力。
摘 要 随着全球可持续能源需求的持续增加,储能电池的安全性愈发重要。准确预测电池温度可以防止电池过热,避免因温度过高导致的电池故障、起火或爆炸,从而提高设备的安全性。为此,本研究提出一种基于集合经验模态分解(ensemble empirical mode decomposition,EEMD)的门控循环单元(gated recurrent unit, GRU)和基础神经网络(neural network, NN)联合预测方法。首先,利用EEMD将锂电池温升数据分解为周期分量和趋势分量,并将其作为监督学习的离线训练目标值;然后,结合电池温度特性选取合适的特征参数作为模型的输入特征,针对分解得到的不同分量,分别构建基于GRU和NN的实时在线预测模型;最后,将两种模型的输出叠加作为最终预测结果,并通过与常见神经网络模型的比较,证明了所提出方法的准确性。实验结果表明,在常温下,本研究提出的方法在各个评价指标上均优于常见模型,预测结果的均方根误差为0.10 ℃,平均绝对误差为0.075 ℃,最大误差为0.34 ℃。此外,在极端环境下,模型的预测能力有所下降,但其误差仍在合理范围内,证明了该模型在极端条件下仍具有较好的适应能力。
关键词 锂离子电池;温度预测;集合经验模态分解;门控循环单元
锂离子电池因其高能量密度、长循环寿命和环境友好性,已被广泛应用于消费电子、电动汽车和储能系统。近年来,随着新能源技术的快速发展和应用需求的不断增加,锂离子电池的使用场景变得越来越多样化和复杂化。然而,锂电池在使用过程中存在的安全性问题也逐渐显现,尤其是电池在充放电过程中的热管理问题。如果电池温度无法得到有效控制,温度的异常升高可能会引发一系列安全隐患,如热失控、起火甚至爆炸。因此,如何精确预测并控制锂电池的温度,成为确保电池安全性和延长其使用寿命的关键。
目前,锂离子电池温度预测方法主要分为基于传统物理模型方法和数据驱动模型方法两大类。传统物理模型基于电池的热力学或电化学原理,通过建立电池内部热源和热传导的数学模型,进行温度预测。物理模型在理论上能够准确反映电池内部的热行为,但在实际应用中需要大量的实验数据来校准模型参数,且计算过程复杂,难以实现高效的实时预测。与传统物理模型相比,数据驱动模型利用大量实验数据,通过机器学习算法进行训练,能够在不完全了解电池内部物理机制的情况下,实现高精度的温度预测。早期的研究多采用传统机器学习方法用于锂离子电池的温度预测,Kim等人提出使用人工神经网络开发在线适用的温度预测模型,并取得了一定的效果。该方法虽然在一定程度上实现了在线预测,但由于未能充分考虑时间序列数据的复杂性,其预测性能仍存在局限。
随着深度学习的发展,尤其是循环神经网络(recurrent neural network, RNN)在时间序列预测中的广泛应用,使得研究者开始将其应用于锂电池温度预测领域。考虑到RNN具有处理序列数据的优势,能够捕捉数据中的时间依赖性和动态变化特征,Naguib等人提出了RNN来估计电池表面温度。然而该方法在训练过程中容易产生梯度消失和爆炸现象。为了克服这一问题,Zhu等人提出了用长短期记忆网络(long short-term memory, LSTM)模型来预测电池温度变化,这种方法可以有效地预测电池在较长时间内的温度波动。考虑到相比LSTM,门控循环单元(gated recurrent unit, GRU)具有更简单的结构和更少的参数,在训练速度和计算效率上更具优势,Yao等人提出了一种GRU网络来精确估计锂离子电池表面温度,并且在不同环境温度范围下对该模型进行验证。另外,相比于简单的单网络预测,Qi等人提出了一种通过多模型组合以提高预测温度的精度,并在不同环境不同驾驶工况下验证了该模型的准确性。
为了克服单一网络在处理复杂时间序列数据时的不足,并提高现有温度预测模型在复杂工况和极端条件下的适应能力,本研究提出了一种基于EEMD-GRU-NN的锂离子电池表面温度预测方法。首先在离线训练状态通过集合经验模态分解(ensemble empirical mode decomposition, EEMD)分解温升序列数据,并叠加为周期分量和趋势分量,并为不同的分量构建基于GRU和NN的神经网络模型,最后在在线预测阶段将GRU和NN模型的输出叠加,作为最终温度预测结果。实验结果表明,拟提出的模型能准确地预测出复杂工况下的锂电池温升状态,并且在极端条件下模型仍具有较好的适应能力。
1 电池温度特性分析
在分析电池热状态时,本文作出以下假设:①电池的热量均匀分布;②热量通过电池外壳从核心传递到周围环境;③不考虑辐射换热,并且忽略核心内部的对流换热。图1显示了简化的电热耦合模型流程图。
根据基尔霍夫电流公式类比可得电池温度的表达式为:
![]() | (1) |
其中,,
,
为电池内部温度,
为电池表面温度,
为环境温度,
为内部传热热阻,
为外部传热热阻,
为内部热容,
为外部热容,
为电池产热量。
将式(1)转化为连续状态空间方程,得到:
![]() | (2) |
其中,为电池内部温度与环境温度差值的变化率,
为电池表面温度与环境温度差值的变化率。
根据Bernardi产热方程,电池的等效产热为:
![]() | (3) |
其中,为电池充放电电流,
为电池开路电压,
为电池开路电压,
为电池温度,
为电池熵热系数,
为电池产热量。
考虑到电池的电压电流是典型的时序数据,根据式(3)可以推导出产热量也是时序数据。进一步结合式(2),可以认为电池温度同样为一种时序数据。
2 算法原理
2.1 神经网络
神经网络(neural network, NN)是受生物神经系统启发的一种计算模型。NN模型层与层之间都是互相联系的,每层神经元都与其余层神经元相连,每条连接线代表一种权重加和。如图2所示,每条连接线的函数公式可表示为:
![]() | (4) |
其中表示神经元输出值,
表示神经元输入值,
表示权重代表输入值对输出的影响程度,
表示偏置用于调整神经元的输出。
2.2 门控循环单元
锂电池的温度变化具有时序特征。RNN是一类能够处理时序数据的神经网络。其通过循环连接,能够在每个时间步上处理输入数据,并将前一个时间步的隐藏状态传递给下一个时间步,从而捕捉到序列中的依赖关系。为了解决梯度消失和梯度爆炸问题,LSTM引入门控机制来控制信息的流动,从而有效地保留和更新长时间依赖的信息。GRU将LSTM的输入门和遗忘门合并为一个更新门,去除了单独的单元状态,结构更简单更易于计算。GRU具体结构如图3所示:
GRU由两个主要门控机制构成:重置门和更新门。更新门决定了过去的信息中有多少应被传递到未来的状态。重置门
则用于确定应丢弃多少过去的信息。在处理时间序列数据时,GRU的计算过程如下:
![]() | (5) |
![]() | (6) |
![]() | (7) |
![]() | (8) |
![]() | (9) |
其中,为
时刻重置门的输出,
为
时刻更新门的输出,
为候选隐藏状态,
为
时刻的隐藏状态,
为
时刻的输出,
为重置门的权重矩阵,
为候选隐藏状态的权重矩阵,
为输出的权重矩阵,
为
时刻的输入,
为输出的偏置,
和
为激活函数。
2.3 集合经验模态分解
集合经验模态分解(ensemble empirical mode decomposition,EEMD)是一种通过引入白噪声来辅助数据分析的方法,有效地缓解了传统经验模态分解(empirical mode decomposition,EMD)中常见的模态混叠问题。其基本思路是在EMD的基础上加入高斯白噪声,并在分解过程中多次添加均值为零的白噪声。该方法能够在分解中获得更精确的包络线,并显著减少模态混叠和虚假分量的问题。
EEMD步骤可以归为以下几步:
(1)原始信号中加入
次高斯白噪声
,此时信号变为
:
![]() | (10) |
(2)利用上下极值点得到上下包络线
、
,取平均计算出包络线均值
。
(3)将原始信号和包络线均值作差得到新信号,通过迭代计算筛选出符合条件的本征模态分量
以及对应的残余分量
,最终得到
阶
。
(4)将作为原始信号重复上述(1)~(3),直到输出所有本征模态函数及其残差。
(5)经EEMD分解后的本征模态分量为:
![]() | (11) |
3 电池温度预测模型
3.1 锂电池温度数据集
本文电池数据参见文献。实验电池为Panasonic 18650PF电池,额电容量2.9 Ah。在8立方英尺(1立方英尺=0.0283立方米)的热室中进行了测试,该热室具有25 A、18 V的Digatron点火电路通用电池测试仪。本文选用了不同温度下的神经网络驾驶循环测试,该循环测试是由US06和LA92驾驶循环的部分组合而成,其中US06模拟了高速公路和城市驾驶条件,最大速度约为129.8 km/h,LA92模拟了真实的城市驾驶情况,包括多次停车和起步,模拟拥堵的交通状况。另外驾驶循环的功率曲线是根据一个电动福特F150卡车的35 kWh电池组进行缩放,以适应一颗18650PF电池。数据集提供了电池的实时电压、电流和电池温度数据。
3.2 输入特征以及输出函数选择
考虑到电流和电压变化可以反映电池的动态性能和热特性,而产热量直接与温度变化相关,是预测温度的重要特征。本文将电流、电压、SOC和产热量作为模型的输入特征,使模型能够充分捕捉温度变化特征。其中,电流和电压数据可以实时从BMS中获得,而产热量数据需要通过计算进一步获得。结合式(3),忽略可逆热影响,可近似认为产热量为:
![]() | (12) |
其中,电池开路电压可以通过混合脉冲功率特性实验(hybrid pulse power characterization, HPPC)得到的SOC-OCV曲线获得,具体曲线如图4所示。
在进行时间序列预测模型之前,检测数据中的趋势、季节性或周期非常重要。本文通过EEMD对温度序列进行分解并叠加本征模态分量以获取温度序列的趋势以及周期值,分解结果如图5所示。
3.3 模型离线训练
通过历史数据集中的电压电流数据计算出实时SOC和产热量作为模型输入。将温度数据分解为周期分量和趋势分量,分别作为GRU模型和NN模型的输出。再将数据集以8:1:1的比例划分为训练集、验证集和测试集。训练集用于模型的训练,验证集用于调整模型的超参数和监控模型的性能,测试集用于最终评估模型的泛化能力。本文的实验硬件环境为Windows操作系统,英特尔6248R CPU和特斯拉40G A100 GPU。
3.4 评价指标
本文选取均方根误差(root mean square error, RMSE)、平均绝对误差(mean absolute error, MAE)和最大误差(maximum error, MAXE)作为预测模型的评价指标,其公式如下:
![]() | (13) |
![]() | (14) |
![]() | (15) |
其中,表示真实温度,
表示预测温度。RMSE衡量预测值与实际值之间的平均偏差的平方根,对异常值敏感,MAE衡量预测值与实际值之间的平均绝对偏差,相对稳健,MAXE反映了模型在数据集上的最大误差。
3.5 算法整体架构
基于EEMD的GRU-NN锂离子电池表面温度预测模型流程如图6所示。其主要流程步骤如下:
(1)根据BMS系统电压、电流数据计算SOC、产热量值,作为离线训练和在线预测的特征输入。
(2)将电池温度信息通过EEMD分解为趋势分量和周期分量。
(3)对两个分量进行神经网络拟合,其中趋势分量通过NN学习,周期分量通过GRU学习。
(4)将离线训练的最优模型超参数导入模型,进行在线预测。
(5)两个网络模型输出叠加获得最终输出。
4 结果分析
4.1 模型有效性对比分析
在本研究中,我们提出了一种基于EEMD的GRU-NN预测方法,用于准确预测锂离子电池的温度。为了全面验证该模型的优越性,我们将其与几种常见的算法模型在25 ℃环境温度下US06和LA92测试循环中进行了对比。预测结果如图7和图8所示,各个模型的评价指标见表1。图7显示了GRU-NN与基础神经网络RNN、LSTM、GRU的预测结果对比,不难看出在训练集中,所有网络均表现出较高的拟合度,但在验证集和测试集中,基础神经网络的预测结果出现了显著的偏差,仅能预测出温度数据的整体变化趋势。这说明基础的神经网络在学习复杂数据时易发生过拟合现象,无法区别训练数据中的噪声或特定模式,不适用于未见数据的预测。图8显示了3种联合预测模型的预测结果对比,结合表1可以看出,在相同的计算资源下GRU-NN模型的RMSE、MAE、MAXE均优于其余两种模型,对比较优的LSTM-NN模型,本文所提出的模型RMSE提高了10.8%,MAE提高了11.7%,MAXE提高了18.5%。
表1 评价指标对比
4.2 不同测试温度下模型有效性分析
考虑到在不同环境温度下锂电池电化学反应速率、电解液性能、材料稳定性等方面性能均有不同程度的变化,本节在不同温度下验证了模型的有效性。测试集预测结果如图9所示,各个条件下的评价指标见表2。如图9所示,GRU-NN模型在各种常见温度下均能表现出良好的拟合效果,能准确预测出温度变化趋势。但在极端环境下(-20 ℃温度),模型的预测能力变差,考虑到低温下的电池行为涉及更多复杂的物理和化学过程,如电解液黏度增加、电极表面反应速率降低等,这些过程往往具有高度非线性和动态变化特性。
表2 不同温度下模型误差指标
考虑到上述复杂性,0.85 ℃的最大误差是可以接受的。这表明,尽管模型在极端环境下的预测能力有所下降,但其误差仍在合理范围内,反映出模型在极端条件下具有较好的适应能力。
5 结 论
本文提出了一种基于EEMD的GRU-NN锂离子电池表面温度预测方法,通过EEMD对温升数据进行分解并叠加为趋势分量和周期分量,对两种分量分别进行预测并叠加得到最终预测结果。结论如下:
(1)EEMD可将温升数据有效地分解为趋势分量和周期分量,通过分解,可以更清晰地识别和分析温升数据中的不同特征和趋势。分解后的数据更有助于模型捕捉复杂的时间序列变化,提高对未来温升的预测准确性。
(2)提出的GRU-NN联合预测模型中,GRU和NN可以分别专注于不同的分量,避免单一网络在处理复杂时间序列数据时的不足,从而提高整体的预测精度。GRU擅长处理时间序列中的短期变化和周期性,而NN擅长处理长期趋势和非线性关系,两者结合可以提供更全面的预测能力。
第一作者:叶石丰(1978—),男,本科,工程师,研究方向为储能控制与优化;
通讯作者:綦晓,博士,讲师,研究方向为新能源电力系统频率控制及优化、储能电池热管理。
特别声明:北极星转载其他网站内容,出于传递更多信息而非盈利之目的,同时并不代表赞成其观点或证实其描述,内容仅供参考。版权归原作者所有,若有侵权,请联系我们删除。
凡来源注明北极星*网的内容为北极星原创,转载需获授权。
全固态锂电池通过以固态电解质替代易燃的有机电解液,并兼容高容量锂金属负极,有望实现远超传统液态锂离子电池的安全性和能量密度,并实现在极低温、高温等极端环境下的应用。然而,目前固态电解质本身的锂离子传输稳定性及析锂(锂离子在电解质内部得电子被还原)引发的短路问题,仍是制约全固态电池
北极星储能网获悉,5月21日,三孚新科披露投资建设高安全干电极电池关键材料及高频电子信息复合材料产业化项目的公告。为推动固态/半固态锂电池高安全材料、高频电子信息复合材料的产业化、商用化,增强业务影响力及综合竞争力,广州三孚新材料科技股份有限公司拟以合并范围内子公司江西邦越新材料科技
“十五五”是我国经济迈向高质量发展的关键阶段,也是全球能源格局深刻调整的重要时期。在当前和今后一段时间,我国能源电力将持续处于清洁低碳、安全高效转型的大趋势大环境中,如何更加有效地发挥电力在国民经济中的基础和先导作用,促进国家重大发展战略和目标的实现,更好地满足人民群众日益增长的
北极星储能网获悉,5月19日,华阳股份在投资者互动平台上表示,公司1GWh钠离子电芯、钠离子Pack电池、储能集成生产线,目前按计划满负荷生产。
近日,江苏省张家港保税区管理委员会就天齐锂业新能源材料(苏州)有限公司年产26000吨电池级碳酸锂项目环评进行公示,标志着项目迎来新进展。项目由天齐锂业全资子公司——天齐锂业新能源材料(苏州)有限公司进行建设,选址江苏省苏州市张家港保税区扬子江国际化学工业园。目前,该主要项目为年产3万
5月19日,云南省科技厅发布关于《2025年度省技术创新中心建设申报工作的通知》。其中,在重点领域中提到,围绕硅光伏产业提质升级,在钙钛矿薄膜电池、叠层电池等技术攻关和中试,光伏制造、光伏发电、光伏设备循环利用、光储融合发电系统等方面布局。在绿色能源产业方面,提到要围绕新型能源体系建设
5月19日至20日,2025年菲律宾未来能源展(TheFutureEnergyShow)在马尼拉SMX会议中心举行。作为菲律宾规模最大的光伏与储能行业展会,为当地及亚太地区可再生能源企业提供了重要的交流合作平台。清源科技携地面及屋顶光伏安装解决方案、光伏车棚及户用储能解决方案闪耀亮相展位1-E15,满足客户多样化需
在新能源行业,从来没有一种电池能解决所有问题。大储追求低度电成本和长循环寿命;工商储注重模块化灵活配置,同时兼顾高安全性和经济性;动力电池聚焦快充、高能量密度和超长循环——不同的场景,对电池性能的要求不甚相同。如果试图用单一技术路线满足所有需求,就像用同一把钥匙开所有的锁,结果只
北极星储能网获悉,5月19日,鹏辉力赫(天津)能源科技有限公司与文山高新区就云南文山市400MW/800MWh独立储能项目成功签约。据悉,该项目总投资达10亿元(北极星注:造价折合单价1.25元/Wh),建设周期为12个月,选址于文山高新技术产业开发区(登高片区),将建设400MW/800MWh独立储能调频电站,采用电
北极星储能网获悉,近日,新疆维吾尔自治区克拉玛依市独山子区人民政府与新疆烽焱资源循环利用有限公司正式签署战略合作协议,共同推进3万吨/年废旧锂电池综合回收项目达成战略合作协议。独山子区人民政府指出,废旧锂电池回收综合利用项目,深度契合独山子区产业向高端化、智能化转型需求,有力推动绿
北极星储能网获悉,近日,深圳市证券交易所发布公告,终止对东莞市朗泰通科技股份有限公司(以下简称朗泰通科技)首次公开发行股票并在创业板上市的审核。根据公告内容,终止审核的决定是基于朗泰通科技主动提交的撤回上市申请文件,以及保荐机构国金证券股份有限公司相应提交的撤回申请报告。据招股书
北极星储能网获悉,2025年5月19日,在江西龙南市,三孚新科旗下邦越新材与欧洲储能科技企业诺赛博(NocebTechAB)正式签署战略合作协议,双方将就半固态高安全电池关键材料进行产业化合作,共建联合检测实验室。诺赛博是全球新能源领域的革命性企业,专注于开发世界首创的“无电芯半固态电池技术”及配
当地时间5月20日,作为全球清洁能源领域的顶级盛会,2025美国清洁能源展在美国亚利桑那州菲尼克斯会议中心举行。楚能新能源携新一代472Ah大容量储能电池及CORNEXM6电池预制舱等储能产品矩阵亮相展会,为全球可再生能源消纳提供新的解题思路。472Ah高性能储能电池量产在即展会现场,由楚能自主研发的472
北极星储能网获悉,5月21日,洁美科技发布控股子公司柔震科技与某固态电池生产企业签署《战略合作框架协议》的自愿性信息披露公告,提到,浙江洁美电子科技股份有限公司控股子公司柔震科技与某固态电池生产企业于2025年5月14日签署了《战略合作框架协议》(以下简称“协议”)。为达到双赢目的,经友好
北极星储能网获悉,5月20日富临精工在互动平台回答投资者提问时表示,公司磷酸铁锂正极材料主要应用于新能源汽车动力电池,也可以用于储能领域。公司将以市场和客户需求为导向,积极布局新能源锂电正极材料产业,后续将根据客户需求持续推进技术和产品升级,满足客户和市场多元化需求。
北极星储能网获悉,5月16日上午,由中铁广州局桥梁公司参建的佳航新能源产业园A区项目动工仪式在新会智造产业园凤山湖园区隆重举行。新会区副区长韩强,区工业园区管委会主任钟键鑫,银海集团董事长麦锡章,司前镇党委副书记、镇长胡健锋,集团公司广东指挥部副指挥长林文昌,区建管中心、国资办、江门
北极星储能网获悉,5月14日,上海市人民政府发布了人大代表《关于推进电池护照体系建设提升电池产业绿色贸易竞争力的建议》的答复。其中提出,鼓励企业开展试点。将结合产品数字护照实施总体部署及试点推进,在国家总体标准体系布局下,围绕数据采集、行业应用等地方性特色要求,探索利用标准创新联合
北极星储能网获悉,5月21日,龙蟠科技发布投资者关系活动记录表,回答投资者公司在正极材料、钠电池、固态电池等方面的布局。龙蟠科技表示,本次公司推出的4代一烧高压密磷酸铁锂正极材料采用特殊的一次烧结工艺,在性能、成本、环保多个维度实现行业突破。产品具有超高压实性能,压实密度可以达到2.62
近日,阿特斯阳光电力集团股份有限公司旗下阿特斯电力电子事业部自主研发的组串式储能变流器项目在阿特斯扬州工厂成功实现全容量并网发电!该储能项目总装机规模12MW/35.61MWh,阿特斯为该项目提供设计、储能成套设备供应及配套技术服务。其中,储能变流器采用阿特斯自主研发的组串式变流器,该产品支
近日,储能集成商Powin推出一款能量密度更高的电网级储能系统——PodMax。这款产品在20英尺的液冷集装箱中可实现6.26MWh的储能容量,较上一代5MWh产品的能量密度提高了25%,是该公司迄今为止功能最强大、能源密度最高的产品。据官网信息,此前PowinPod产品的参数如下:能量密度跃升,重构储能系统价值
5月20日,楚能新能源与江苏瑞德丰在楚能全球总部签署战略合作协议。根据协议,楚能将在未来五年向江苏瑞德丰采购约2.5亿套结构件,采购金额约30亿元。双方研究院将成立联合研发小组,推进高能量密度电池及超快充技术的研发与量产应用。楚能新能源董事长代德明、总裁黄锋、副总裁朱小平,江苏瑞德丰董事
北极星储能网讯:5月16日,上海市发改委印发《上海市新型电力系统调节能力奖励资金管理办法》,据实际放电量给予奖励。符合政策要求的项目可按首年申报标准连续3年获得奖励,每千瓦时储能容量的年电量奖励上限600kWh。独立储能0.35元/kWh,用户侧0.2元/kWh,奖励期3年。虚拟电厂资源聚合平台按调节能力
当地时间5月20日,作为全球清洁能源领域的顶级盛会,2025美国清洁能源展在美国亚利桑那州菲尼克斯会议中心举行。楚能新能源携新一代472Ah大容量储能电池及CORNEXM6电池预制舱等储能产品矩阵亮相展会,为全球可再生能源消纳提供新的解题思路。472Ah高性能储能电池量产在即展会现场,由楚能自主研发的472
随着构建新型能源体系、新型电力系统及新型电网的不断推进,电力系统的结构形态、运行控制方式及规划建设与管理发生了根本性变革。这场变革不仅体现在技术创新上,还涉及能源结构的优化与电网管理的现代化。在构建新型能源体系中,“十五五”期间的大电网扮演着至关重要的角色,它不仅承上启下,连接着
5月16日,由高特电子主办的“数据聚合,服务无限”数据服务发布会暨生态伙伴发展大会在杭州隆重举行。活动汇聚电网、储能系统集成商、投资人、运营商等行业精英150余人,共同探讨微网数智化的未来路径,见证高特电子从“系统专家”向“数据服务领航者”的战略升级。围绕电网数智化转型、AI算法重构能源
对于现代能源体系来说,传统电力系统好比一条条宽阔的“主动脉”,能源单向流动,稳定却稍显笨重。一旦遇到极端天气、设备故障,可能会“牵一发而动全身”,引发大面积停电事故。同时,随着新能源快速发展,大量风光分布式新能源涌入电网,从而导致传统电网“消化不良”,这就促使微电网应运而生,它是
北极星储能网获悉,5月20日,内蒙古鄂尔多斯市科学技术局发布鄂尔多斯6家新型研发机构发布9项前沿科技成果,其中,北京大学鄂尔多斯能源研究院张宇闻发布“iMEMS储能电池能量管理系统技术”,该技术可实现储能系统内部微电网的能量控制,对智能电网的能量实施正确、高效的能量自动分配和管理。鄂尔多斯
全球能源结构加速向低碳化转型,可再生能源渗透率持续攀升。然而,风光发电的间歇性与电网稳定性之间的矛盾日益凸显。作为储能系统的核心“指挥官”,储能变流器(PCS)通过双向能量转换、灵活调频调压等核心功能,已成为破解新能源消纳难题、提升工商业用电经济性的关键设备。130kW系列储能变流器储能
近日,储能集成商Powin推出一款能量密度更高的电网级储能系统——PodMax。这款产品在20英尺的液冷集装箱中可实现6.26MWh的储能容量,较上一代5MWh产品的能量密度提高了25%,是该公司迄今为止功能最强大、能源密度最高的产品。据官网信息,此前PowinPod产品的参数如下:能量密度跃升,重构储能系统价值
北极星储能网讯:5月20日,阿瓦提粤水电200MW/800MWh构网型储能项目储能系统及升压站主要设备标包6:磷酸铁锂电池储能系统采购预招标发布,项目位于新疆维吾尔自治区。本项目为构网型储能电站,项目容量为200MW/800MWh,新建1座阿瓦提水电储能220kV升压汇集站,储能系统通过10回35千伏集电线路接入阿瓦
北极星储能网获悉,5月20日,四川省首个建成的构网型储能电站——红原安曲一期250兆瓦光伏电站成功实现全容量并网投产。红原安曲一期光伏电站位于海拔4010米高原,总装机容量达250兆瓦。该电站占地面积约8000亩,规划建设76个光伏阵列区,共安装45万块光伏板,并配套建设220千伏升压站及磷酸铁锂电池储
01迎峰度夏的背景和分析近年来,我国电力负荷呈现“冬夏双高峰”特征,夏季降温负荷占比达30%,部分省份甚至超过40%。2024年7月,全国最大电力负荷突破14.51亿千瓦,同比增加超1亿千瓦,电力供需矛盾日益尖锐。总结起来,根本矛盾可以归结为两方面:需求侧的结构性矛盾空调负荷激增:住建部数据显示,
近日,百思凯新能源(上海)有限公司正式签署总投资32亿元的“动力电池高值化利用零碳工厂项目”,项目落地江苏淮安工业园区,标志着长三角新能源产业协同发展迈入新阶段。本项目总占地面积380亩,建成后将实现年处理30万吨退役动力电池、年产2万吨电池级碳酸锂、10万吨再生电池级磷酸铁的战略目标,同
请使用微信扫一扫
关注公众号完成登录
姓名: | |
性别: | |
出生日期: | |
邮箱: | |
所在地区: | |
行业类别: | |
工作经验: | |
学历: | |
公司名称: | |
任职岗位: |
我们将会第一时间为您推送相关内容!