Giriş: Enerji Depolamanda Optimizasyon Imperative
Güneş ve rüzgar gibi yenilenebilir enerji kaynaklarına geçiş, yüksek performanslı elektrikli enerji depolama çözümleri için acil bir ihtiyaç yarattı. Bataryalar, süper kapasitetörler ve akış-tel sistemler aynı anda birden çok, sık çatışma, tasarım hedefleri: Enerji yoğunluğu ve yuvarlak-dönüşümlülük, çevre ayak izi tüm yaşam döngüsünde azaltıcı bir şekilde tanımlamak için mümkün olan en iyi şekilde tasarlanmış olan en iyi şekilde optimize edilen bir sistem için mümkün olan en iyi şekilde optimize edilen dijital analiz yöntemlerin belirlenmesi.
Multi-objective Optimizasyonu Anlamak
Çok-objective optimizasyon, Pareto optimal set olarak bilinen bir çözüm sunuyor.Bir çözüm, en azından bir başka hedef olmadan geliştirilemez bir şekilde optimize edilebilir. objektif alanda bu çözümlerin toplanması Pareto cephesi olarak adlandırılır. Örneğin, batarya tasarımında, artan enerji yoğunluğu genellikle döngüsü hayatını azaltır; Pareto önbellekleme süresi, bu iki hedef arasındaki tüm eğrileri gösteremez bir şekilde gösteremez.
Matematiksel olarak, bir MOO sorunu şöyle ifade edilebilir:
)
[Dönemli: 1) x tasarım değişkenleri vektörü (örneğin, elektrolit kompozisyonu, hücre geometrisi) yoktur. Çünkü hedefler genellikle sigortasız değildir (örneğin, kg CO2 eşdeğerinde çevresel etkilerden başka bir "korunma" çözümü var.
MOO problemlerini çözmenin iki geniş yaklaşımı vardır:0)Bir önceki yöntem[Dönemli yöntemler[Dönetici: 1 ), karar verici sanatlar tercihleri (örneğin, ağırlıklar) optimizasyondan önce ve [[Dönem:2) posterior yöntemleri).
MOO'yu Elektrikli Güç Depolama Tasarımlarına Uygulayın
Elektrikli güç depolama sistemlerinin tasarımı çok boyutlu bir karar alanı içeriyor. Dengeli olması gereken temel hedefler:
- [FONT:0]Küresel ve işletme maliyetleri[Dönetici: 1) malzeme seçimi, üretim karmaşıklığı, hücre meclisi, termal yönetim ve denge-sistem bileşenleri.
- [FONT=0)Enerji ve güç yoğunluğu[[Dönetici:0)[[Dönetici:0))[değiştir | kaynağı değiştir]
- [FONT=0]Round-trip verimliliği[[Dönetici:0][Dönetici] – depolamadan kurtarılabilir enerjinin kesilmesi; kayıplar iç direniş, öz-öçücü ve yardımcı sistemlerden gelir.
- [FONT:0)Cycle ve takvim hayatı[Dönem: 1)[Dönder:)))[FONT:0))))[FONT:0)Cycle ve takvim hayatı[[Dönetici: 0,8|Dönergeler veya ilk değerin %80'ine kadar işlemden önce kaç tane şarj-discharge döngüsü veya yıl önce işlem.
- [FONT:0)Environmental etkisi[[Döntgen: 1) - ham malzeme çıkarılması, üretim enerjisi, toksisite, recyclability ve son yaşam süresi tasarrufları dahil.
- [FONT:0) Güvenli ve düzenleyici uyumluluk[[Dönetici: 1 ) - termal runaway risk, kullanım gereksinimleri ve ulaşım kısıtlamaları.
MOO, sistem tasarımcılarının diğerlerini nasıl etkilediğine dair araştırmalarına izin verir. Örneğin, düşük maliyetli bir öncü-acid bataryası, yüksek maliyetli bir lityum-sulfur bataryası yüksek enerji yoğunluğuna rağmen, yüksek maliyetli bir bataryanın yüksek maliyetli bir şekilde sunabileceği gibi, bu ticaretten daha kısa bir süre sonra, bu yüzden mühendisler belirli bir kullanım durumu için en iyi teknolojiyi ve tasarım parametrelerini seçebilirler.
Balancing Cost and Performance
Depolama geliştirmedeki en yaygın MOO senaryolarından biri maliyet ve performans arasında ticarete gitmektir. Son zamanlarda NSGA-II'nin kullanımını gösterdi - enerji yoğunluğunda% 3'ü optimize etmek için - gerekli olan maliyet azaltımı ve malzeme kompozisyonunu optimize etmek için.Bu tür öngörüler malzeme seçimi ve üretim stratejilerine en aza indirmek için.
Çevre ve sürdürülebilirlik
Örneğin, araştırmacılar NMC (nickel-manganese-cobalt) pillerin hem maliyet hem de küresel ısınmayı en iyi uzlaşma sağlayan Pareto optimal çözümlerin katlanmasını optimize ettiler: daha düşük emisyonlar için en düşük maliyetli ve en iyi çözümleri sunan modeller.
Longevity and Degradation Modeling
Battery deme birçok faktöre bağlıdır: deşarj derinliği, sıcaklık, şarj / geri yükleme oranları ve devlet-şarıtma yönetimi. Multi-objective optimizasyon, her iki ilk performans ve yaşam süresine göre sistem sahiplerinin bilgilendirilmesine olanak sağlar. Örneğin, daha yüksek bir kapasitede daha yüksek bir iç direnç ve daha hızlı bozulma sağlar. MOO, beklenen yaşam döngüsü ile ilk enerjiyi dengeleyen bir dizi tasarım sağlayabilir, sistem sahiplerinin bilgilendirilmiş maliyete dayalı olarak bilgilendirilmesine izin verebilir.
Anahtar Optimizasyon Yöntemleri ve Algoritmalar
Çeşitli algoritmaların aileleri enerji depolama tasarımında çok etkili bir optimizasyon için kanıtlandı. en yaygın kullanılan şunlardır:
- [FONT=0)Genetic Algorithms (GA))[GÜNCÜCELT:0)Genetic Algoritmalar (GA)[FONTD)[FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=FONT=I))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))))
- [FONT:0)Particle Swarm Optimizasyonu (PSO)) - Aday çözümlerinin ("parçalar") kendi en iyi bilinen konum ve MOPSO gibi en iyi şekilde yönlendirildiği arama alanı aracılığıyla hareket eden bir swarm-intelligence tekniği.
- [FONT:0) Çok-Objective Evolutionary Algorithms (MOEA)[FONT:0) – NSGA-II, SPEA2 ve MOEA/D. Bu algoritmaların büyük sayıda hedefi olan sorunlar için daha geniş bir sınıf.
- [FONT:0]Pareto Front Analysis ve Visualization) – Pareto cephesi elde edildikten sonra, karar vericilerin ticaret tercihlerini görmeleri ve tercih edilen bir çözüm seçmeleri gerekir. Paralel koordinat arsaları, saç arsaları ve ısımaps, "enç uzayda" veya "ticaret analizi kullanarak referans puanları kullanarak" gibi teknikler yaygındır.
Bu klasik yöntemlere ek olarak, gerçekrogate-assisted optimizasyon, yüksek sadakat simülasyonlarının (örneğin, elektrokimyasal modeller) hesaplamalı olarak pahalı. Surrogate modelleri (neural ağları, Gaussian süreçleri) hedefleri ve daha hızlı Pareto cephe nesli sağlar.
Elektrikli Güç Depolama Optimizasyonunda Vaka Çalışmaları
Vaka Çalışması 1: En İyimizing Lityum-Ion Battery Elektro Design
Bir mühendis ekibi NSGA-II'yi, yüksek enerji yoğunluğu (kW/kg) ve güç yoğunluğu (kW/kg) ile ilgili üç hedefin% 20'sinin üzerinde bir azalma gerektirdiğini görmekte ve yüksek çözünürlükte üç yüksek çözünürlükte (örneğin, hibrit elektrik uygulamaları) yüksek enerji yoğunluğuna (örneğin, yüksek enerji verimliliğine (örneğin, yüksek enerji verimliliğine) ihtiyaç duyulan üç farklı hücre mimarisini tercih etmiştir.
Vaka Çalışması 2: Güneş Fotovoltaik Bütünleşme için Batarya Depolama
Ağ bağlantılı güneş çiftlikleri için, batarya enerji depolama sistemi (BESS) kapasitesi, MOEA/D kullanarak bir MOO çerçevesine uygulanır ve Pareto cephesi, BESS boyutlarını 0,5 MW'dan 2.5 MW'a kadar içerir ve bu da kendi kendine ait enerji oranını %68'ye kadar destekler.
Vaka Çalışması 3: Akış Battery Membranının Çok İyi Bir Optimizasyonu
Valvedium redox akış pilleri (VRFB) iki elektrolit akışlarını ayıran bir membrana güvenir. Membranın düşük direnç (yüksek verimlilik için) ancak ayrıca düşük kullanım süresine (uzun uzun döngü ömrü ve yüksek kapasiteye sahip) sahip olduğu tespit edilmiştir.Bu iki hedef doğal olarak çatışmaktadır: ince bir membran azalır, ancak çok daha iyi bir şekilde ısıtılabilir bir fikre sahip bir fikre sahip olur.Bu efekt, membran kalınlığını optimize eder ve su yukarı doğrulanabilir.
MOO'yu Uygulamanın Faydaları ve Zorlukları
Faydaları Faydaları Faydaları
- [FONT=0]Bilgilendirilmiş ticaret-offları[[Dönetici:0)[[Döneticileri) yerine, MOO belirli bir metrik geliştirmek için tam maliyeti (diğer amaçlar açısından) ölçmektedir.
- [FONT:0]Rehlike olmayan çözümleri keşfedin[Dönetici:0) – MOO tüm tasarım alanını araştırıyor, tek bir enfejective optimize edici bir şekilde daha uzun bir yaşam için bu verim veren biraz daha yüksek maliyet gibi algılayabilir.
- [FONT:0]Scalability[Dönetici:0)[Dönetici: 0 )[Dönetici: 0 ))[Uygunluklar, modül-düşük termal yönetim ve sistem düzeyinde boyutlandırma, ölçekler arası tutarlı bir metodoloji sağlamak için uygulanabilir.
- [FONT:0] Belirsizlik ile ilgili olarak [Dönetici:0) - Robust MOO formülasyonları parametre belirsizliğini (örneğin, malzemeler maliyet değişkenliği, bozulma oranı belirsizliği) bir dizi senaryo altında optimal kalan çözümleri üretmek için.
Meydanlar
- [FONT:0)C ⁇ maliyeti[Dönetici: 1) Yüksek sadakatli elektrokimyasal ve termal davranışın simülasyonları çok pahalı olabilir. Tek bir tasarım yapmak, nüfus bazlı optimizasyon pratikleri gerçek olmayan modeller yapmak.
- [FONT:0)Data accessibility[[DÜT:1) - Doğru modeller malzeme özellikleri, bozulma kinetiği ve üretim değişkenliği üzerine kapsamlı deneysel veriler gerektirir. erken aşamada R&D, bu tür veriler sparse olabilir.
- [FONT:0)Decision-maker bilişsel yük[DÜT:1) - Üç veya daha fazla hedefle tam bir Pareto cephesi aşırı paydaşları aşırı derecede etkili bir araştırma alanıdır.
- [FONT:0) Çok ölçekli karmaşıklık[[Dönetici: 1) Battery performans, atom ölçeğinden (toplamsal iyon) sistem ölçeğine (termal gradients) göre son derece zor.
Future Yol ve Gelişen Trendler
MOO'yu depolama çözümü geliştirmede daha da etkili hale getirmek için birkaç gelişme hazırlandı:
- [FONT:0)Artificial intelligence and machine learning[DÜT:1) – Deep sinir ağları, boyutlandırma öğreniminin emirleri ile objektif değerlendirmeyi hızlandıran modeller olarak da arama sırasında dinamik olarak optimizasyon parametrelerini inceler.
- [FONT:0] Dijital ikizler [[Dönetici:0) – Bir batarya sisteminin dijital ikizi gerçek zamanlı sensör verileri, bozulma modelleri ve tahmin edici analizleri içerir. MOO, dijital ikizleri en iyi kontrol politikaları (örneğin, şarj programları) dengeyi, yaşam ve güvenliği tavsiye edebilir.
- [FONT:0) Çok-objective optimizasyon belirsizlik altında (MOOU)) - MOO'yu giriş belirsizleri için açıkça hesaba katarak genişletin (örneğin, maddi mülk toleransları, sıcaklık varyasyonları) küçük perturbasyonlara karşı hassas olan sağlam Pareto sınırları sağlar.
- [FONT:0) Yaşam döngüsü maliyetle (LCC) ve dairesel ekonomi) ile entegrasyon[değiştir | kaynağı değiştir] – Future MOO frameworks will include endof-life value, recyclability, and secondlife applications (e.g., emekli EV bataryalar sabit depolama için kullanılan)
- [FONT:0]İnsan-inthe-loop optimizasyon[Dönetici:0)) Uygulama, karar vericilerin Pareto cephesini keşfetmesine ve kullanıcı arayüzlerinde (örneğin VR- bazlı görselleştirme) ilerlemelere daha erişilebilir hale getirmelerine izin verir.
Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç Sonuç
Multibobjective optimizasyon, elektrik depolama çözümlerinin geliştirilmesinde temel bir metodoloji haline geldi.Açıkçası maliyet, performans, çevresel etki ve uzun ömürlülük arasında ticaret yapmak, MOO, mühendislere sadece verimli değil, ekonomik optimizasyon araçları ve sürdürülebilirlik sağlama konusunda temel bir yöntem haline getiriyor.Enerji depolama çözümleri için üst düzeye kadar, gerçekten de çok daha güçlü ve erişilebilir bir şekilde, bulutlu bir uygulama için uygun bir şekilde çözüm önerileri sunulabiliyor.