Table of Contents

Введение: императив оптимизации в энергохранилище

Глобальный переход на возобновляемые источники энергии, такие как солнечная и ветровая, создал настоятельную потребность в высокопроизводительных решениях для хранения электроэнергии. Батареи, суперконденсаторы и системы с проточными ячейками должны одновременно удовлетворять нескольким, часто противоречивым, целям проектирования: минимизация капитальных и эксплуатационных затрат, максимизация плотности энергии и эффективность в оба конца, сокращение воздействия на окружающую среду в течение всего жизненного цикла и обеспечение длительного срока службы в различных условиях цикла. Традиционные методы однообъективной оптимизации, которые фокусируются, скажем, только на стоимости или только на эффективности, часто становятся незаменимыми в более широком системном контексте. MOO обеспечивает строгую математическую основу для оценки компромиссов между конкурирующими критериями, позволяя инженерам и лицам, принимающим решения, определять конфигурации, которые достигают наилучшего возможного баланса для данного применения. В этой статье рассматривается, как MOO практически применяется в разработке решений для хранения электроэнергии, охватывающих основные принципы, конкретные методы, реальные тематические исследования и новые тенденции, которые определят следующее поколение технологии хранения энергии.

Понимание многообъективной оптимизации

Многообъективная оптимизация решает задачи, где одновременно оптимизируются две или более объективных функций. В отличие от однообъективной оптимизации, которая ищет одно лучшее решение, MOO вырабатывает набор решений, известный как оптимальный набор Парето. Решение Парето оптимально, если ни одна цель не может быть улучшена без ухудшения по крайней мере одной другой цели. Сбор этих решений в объективном пространстве называется фронтом Парето. Например, в конструкции батареи увеличение плотности энергии часто сокращает срок службы цикла; фронт Парето покажет всю кривую достижимых компромиссов между этими двумя целями.

Математически, задача MOO может быть выражена как:


, где x является вектором переменных конструкции (например, толщина электрода, состав электролита, геометрия ячеек). Поскольку цели часто несоизмеримы (например, стоимость в долларах против воздействия на окружающую среду в эквиваленте кг CO2), ни одно «правильное» решение не существует без дополнительной информации о предпочтениях от лица, принимающего решение.

Существует два широких подхода к решению задач MOO: Методы a priori, где лицо, принимающее решение, формулирует предпочтения (например, веса) перед оптимизацией, и методы posteriori, которые генерируют весь фронт Pareto и позволяют выбор после этого. Для проектирования системы хранения часто предпочтительны методы posteriori, поскольку они раскрывают весь спектр возможностей и поощряют исследование инновационных компромиссов, которые в противном случае могли бы быть упущены.

Применение MOO к дизайну хранения электроэнергии

Проектирование систем накопления электроэнергии предполагает многомерное пространство для принятия решений. Ключевые цели, которые должны быть сбалансированы, включают:

  • Капитальные и эксплуатационные расходы — выбор материала, сложность изготовления, сборка ячеек, управление тепловыми потоками и компоненты баланса системы.
  • Энергия и плотность мощности — объёмные и гравиметрические показатели, определяющие физический след и вес блока хранения.
  • КПД в обход — доля энергии, которую можно извлечь из хранилища; потери приходят от внутреннего сопротивления, саморазряда и вспомогательных систем.
  • Цикл и календарный срок службы — сколько циклов заряда-разряда или лет работы до того, как емкость ухудшится до 80% от первоначального значения.
  • Воздействие на окружающую среду — в том числе добыча сырья, производство энергии, токсичность, перерабатываемость и удаление в конце срока службы.
  • Безопасность и соблюдение нормативных требований — тепловой риск, требования к сдерживанию и ограничения на транспортировку.

MOO позволяет системным дизайнерам исследовать, как изменения в одной цели влияют на другие. Например, недорогой свинцово-кислотный аккумулятор может иметь плохой срок службы и низкую плотность энергии, в то время как дорогостоящий литий-серный аккумулятор может предложить превосходную плотность энергии, но более короткий срок службы. MOO помогает количественно оценить эти компромиссы, чтобы инженеры могли выбрать лучшие технологии и параметры проектирования для конкретного варианта использования, такие как хранение в масштабе сети по сравнению с применением электромобилей.

Баланс между стоимостью и производительностью

Одним из наиболее распространенных сценариев MOO в разработке хранилища является компромисс между стоимостью и производительностью. Недавнее исследование продемонстрировало использование NSGA-II - популярного многообъективного эволюционного алгоритма - для оптимизации размеров электродов и состава материала литий-ионной батареи. Цели заключались в том, чтобы минимизировать затраты на кВт-ч при максимизации плотности энергии. Полученный фронт Парето показал, что снижение стоимости на 10% может быть достигнуто только с 3%-ным жертвованием в плотности энергии, но дальнейшее снижение затрат требует непропорционально больших штрафов за производительность. Такие идеи направляют выбор материала и производственные стратегии.

Экологические и устойчивые соображения

С растущим акцентом на оценку жизненного цикла (LCA) воздействие на окружающую среду стало критической целью. Многоцелевая оптимизация объединяет модели LCA с моделями производительности батареи. Например, исследователи оптимизировали катодный состав батарей NMC (никель-марганец-кобальт) для минимизации как стоимости, так и потенциала глобального потепления. Оптимальные решения Pareto подчеркивают катодные химии, которые предлагают лучший компромисс: формулы с более низким содержанием кобальта снижают затраты и этические проблемы, но могут увеличить энергию производства. MOO обеспечивает количественную основу для таких компромиссов, которые намного более строгие, чем простые подходы к взвешенной сумме.

Моделирование долголетия и деградации

Деградация батареи зависит от многих факторов: глубины разряда, температуры, скорости заряда/разряда и управления состоянием заряда. Многоцелевая оптимизация может включать модели деградации для оптимизации как начальной производительности, так и срока службы. Например, конструкция, использующая более толстый электрод, может предлагать более высокую емкость, но также более высокое внутреннее сопротивление и более быструю деградацию при высокоскоростном цикле. MOO может обеспечить набор конструкций, которые уравновешивают начальную энергию с ожидаемым сроком службы цикла, позволяя владельцам систем принимать обоснованные решения на основе уравновешенной стоимости хранения (LCOS).

Ключевые методы оптимизации и алгоритмы

Несколько семейств алгоритмов доказали свою эффективность для многоцелевой оптимизации при проектировании накопителей энергии. Наиболее широко используемыми являются:

  • Генетические алгоритмы (GA) — Методы поиска на основе населения, вдохновленные естественным отбором. Они не требуют производной информации и могут обрабатывать прерывистые, нелинейные объективные пространства. Недоминируемый сортирующий генетический алгоритм II (NSGA-II) остается эталоном из-за его способности генерировать хорошо распределенные фронты Парето. См. оригинальную статью NSGA-II для основополагающих деталей .
  • Оптимизация теплоты частиц (PSO) — Метод роевого интеллекта, при котором решения-кандидаты («частицы») перемещаются в пространстве поиска, руководствуясь их собственным наиболее известным положением и лучшими мировыми достижениями. Многообъективные варианты, такие как MOPSO, были применены для оптимизации управления тепловой батареей и балансировки ячеек.
  • Многообъективные эволюционные алгоритмы (MOEA) — Более широкий класс, который включает в себя NSGA-II, SPEA2 и MOEA/D. Эти алгоритмы используют операторов селекции, кроссовера и мутаций для эволюции популяций в направлении фронта Парето. MOEA/D (Многообъективный эволюционный алгоритм на основе разложения) особенно эффективен для проблем с большим количеством целей.
  • Парето Фронт Анализ и Визуализация — После получения фронта Парето лицам, принимающим решения, нужны инструменты для визуализации компромиссов и выбора предпочтительного решения. Параллельные координатные графики, графики рассеяния и тепловые карты являются общими. Такие методы, как «принятие решений в объективном пространстве» или «анализ торговли с использованием опорных точек», помогают заинтересованным сторонам сформулировать предпочтения после просмотра фронта.

В дополнение к этим классическим методам, суррогатная оптимизация набирает обороты для проектирования систем хранения, где высокоточные симуляции (например, электрохимические модели) являются вычислительно дорогостоящими. Суррогатные модели (нейронные сети, гауссовские процессы) приближают цели и обеспечивают более быстрое генерирование Pareto.

Тематические исследования по оптимизации хранения электроэнергии

Тематическое исследование 1: оптимизация литий-ионного аккумуляторного электрода

Команда инженеров использовала NSGA-II для оптимизации пористости, толщины и размера частиц как анода, так и катода в литий-ионной ячейке. Три цели были стоимостью за кВтч, плотностью энергии (кВтч / кг) и плотностью мощности (кВт / кг). Фронт Парето показал, что улучшение плотности мощности за пределами 20% базового уровня потребовало снижения плотности энергии более чем на 40%, что ясно показывает, что приложения с высокой мощностью (например, гибридные электромобили) требуют принципиально иной архитектуры ячеек, чем приложения с высокой энергией (например, стационарное хранение). Окончательный выбор конструкции использовал нормализованный метод расстояния до идеального для выбора решения, которое удовлетворяло всем трем целям в приемлемых пределах. (]См. соответствующую исследовательскую статью по оптимизации электродов с использованием MOO .

Пример 2: Хранение аккумуляторных батарей для солнечной фотоэлектрической интеграции

Для солнечных электростанций, подключенных к сети, емкость системы хранения энергии (BESS) должна быть измерена для максимизации самопотребления, снижения пиковых затрат на спрос и минимизации общей стоимости системы. Несколько целей включают капитальные затраты (CAPEX), эксплуатационные расходы (OPEX) и долю возобновляемых источников энергии, которая непосредственно потребляется (отношение самопотребления). Рамочная программа MOO с использованием MOEA / D была применена к солнечной электростанции мощностью 1 МВт. В результате фронт Pareto предоставил диапазон размеров BESS от 0,5 МВтч до 2,5 МВтч с соответствующими коэффициентами самопотребления от 35% до 68%. Лицо, принимающее решение, выбрало систему с коэффициентом самопотребления 1,8 МВтч, которая достигла 60% отношения самопотребления с периодом окупаемости менее 7 лет. Этот случай демонстрирует, как MOO поддерживает инвестиционные решения, которые выходят за рамки простого размера правила большого пальца.

Тематическое исследование 3: Многоцелевая оптимизация мембраны аккумуляторной батареи

Батареи с окислительно-восстановительным потоком ванадия (VRFB) полагаются на мембрану, которая разделяет два потока электролита. Мембрана должна иметь низкое сопротивление (для высокой эффективности), но также и низкий кроссовер ванадия (для длительного срока службы и удержания высокой емкости). Эти две цели по своей сути противоречивы: более тонкая мембрана снижает сопротивление, но увеличивает кроссовер. Используя многообъективный эволюционный алгоритм, исследователи оптимизировали толщину мембраны, мощность обмена ионов и поглощение воды. Фронт Парето показал, что мембрана с толщиной около 100 мкм и умеренной пропускной способностью обмена ионов обеспечила лучший компромисс, достигнув эффективности напряжения 85% и потери мощности только 0,1% за цикл. Этот результат напрямую проинформировал о разработке новой композитной мембраны.

Преимущества и проблемы применения MOO

Преимущества

  • Информированные компромиссы — вместо того, чтобы полагаться на основанные на опыте догадки, MOO количественно определяет точную стоимость (с точки зрения других целей) улучшения конкретной метрики.
  • Открытие неинтуитивных решений — Поскольку MOO исследует все пространство проектирования, он может раскрыть конфигурации, которые однообъективный оптимизатор никогда не будет рассматривать, например, немного более высокую стоимость, которая дает значительно более длительный срок службы.
  • Масштабируемость — Та же структура MOO может быть применена к проектированию на уровне ячеек, управлению тепловыми потоками на уровне модулей и калибровке на уровне системы, обеспечивая последовательную методологию в масштабах.
  • Интеграция с неопределенностью — Надежные формулы MOO могут обрабатывать неопределенности параметров (например, изменчивость стоимости материалов, неопределенность скорости деградации) для получения решений, которые остаются оптимальными в рамках ряда сценариев.

Вызовы

  • Вычислительные затраты — Моделирование электрохимического и теплового поведения высокой точности может быть очень дорогим.Оценка одного проекта может занять часы, что делает оптимизацию на основе популяции непрактичной без суррогатных моделей.
  • Доступность данных — Точные модели требуют обширных экспериментальных данных о свойствах материалов, кинетике деградации и изменчивости производства. На ранней стадии R&D такие данные могут быть скудными.
  • Когнитивная нагрузка, создающая решения — Представление полного фронта Парето с тремя или более целями может ошеломить заинтересованные стороны.Эффективные методы визуализации и определения предпочтений по-прежнему являются активной областью исследований.
  • Многомасштабная сложность — Производительность батареи регулируется явлениями от атомного масштаба (ионная интеркаляция) до системного масштаба (термические градиенты).

Будущие направления и новые тенденции

Несколько разработок готовы сделать MOO еще более эффективным в разработке решений для хранения:

  • Искусственный интеллект и машинное обучение — Глубокие нейронные сети могут служить суррогатными моделями, которые ускоряют объективную оценку на порядки. Также исследуется усиление обучения для динамической настройки параметров оптимизации во время поиска.
  • Цифровые двойники — Цифровой двойник аккумуляторной системы включает в себя данные датчиков в реальном времени, модели деградации и прогнозную аналитику. MOO может работать на цифровом двойнике, чтобы рекомендовать оптимальные политики управления (например, графики зарядки), которые балансируют пропускную способность энергии, жизнь и безопасность.
  • Многообъективная оптимизация в условиях неопределенности (MOOUU) — Расширение MOO для явного учета входных неопределенностей (например, допусков свойств материала, колебаний температуры) дает надежные границы Парето, которые нечувствительны к небольшим возмущениям.
  • Интеграция с стоимостью жизненного цикла (LCC) и круговой экономикой - Будущие MOO-фреймворки будут включать в себя ценность с истекшим сроком службы, возможность повторного использования и приложения второго срока службы (например, отставные батареи EV, используемые для стационарного хранения) в качестве явных целей, что позволит действительно устойчивый дизайн.
  • Оптимизация человека в контуре — Интерактивные инструменты MOO позволяют лицам, принимающим решения, исследовать фронт Парето и итеративно уточнять предпочтения. Достижения в пользовательских интерфейсах (например, визуализация на основе VR) сделают это более доступным для неспециалистов.

Заключение

Многоцелевая оптимизация стала важной методологией в разработке решений для хранения электроэнергии. Путем явного моделирования компромиссов между стоимостью, производительностью, воздействием на окружающую среду и долговечностью, MOO позволяет инженерам проектировать системы, которые не только эффективны, но и экономически жизнеспособны и устойчивы. От выбора материалов на уровне электродов до размера на уровне системы для интеграции с возобновляемыми источниками энергии, MOO обеспечивает строгий, управляемый данными путь к лучшим решениям. В то время как вычислительные и данные проблемы остаются, достижения в суррогатном моделировании, цифровых двойниках и интерактивных инструментах оптимизации обещают сделать MOO еще более мощным и доступным. По мере расширения рынка хранения энергии для удовлетворения потребностей декарбонизированной сети применение многоцелевой оптимизации будет ключевым фактором инноваций, помогая доставлять решения для хранения, которые действительно оптимизированы для сложного, многокритериального мира, в котором они должны работать.