正如同自動駕駛依賴數據和仿真訓練，儲能系統的智慧進階，也需要依靠數據和算法。

近年來，儲能企業愈發意識到大數據的重要性，儲能運行數據成為重要的無形資產。

無論是儲能系統集成商還是儲能PCS等核心部件企業，逐漸改變之前將設備外包給軟件公司或運營商管理的常態，越來越傾向于自研云平臺、掌握設備運營權限，開啟數據上云。目前，大部分儲能廠商都開始建立了自己的數據庫。

行業認為，通過大數據分析和挖掘，能夠幫助儲能設備商和運營商找到隱藏在大量數據中的規律，反哺產品迭代和服務創新，提高資產運營效率和安全性，實現資產收益最大化。

但是，企業普遍面臨的一個核心問題是，如何讓數據真正發揮價值，而不僅僅停留在“隱形資產”和“潛在價值”的傳說中？

一方面，儲能系統復雜程度高，電芯、PCS、BMS、EMS等各部件通常來自不同廠商，系統內部存在數據孤島，例如電池故障智能預警、智慧運維等諸多問題無法通過單個部件獨立完成；

另一方面，儲能系統的數據體量持續增長，海量且碎片化的信息整合并非易事，且需要大量經驗和總結，無法直接照搬傳統大數據的處理方式。

“立足真實數據，基于用戶需求和實際工況開發先進算法和應用，讓數據真正產生價值。”基于動力電池BMS領域深厚積累和應用場景中的產品改進需求，力高新能自2017年開始啟動新能源大數據業務。

針對數據處理的諸多痛點，力高新能自主開發了儲能大數據管理平臺，在挖掘大數據的應用方面走在行業前列。既可以在儲能電站設計之初接入大數據管理平臺，也能夠對已投運的數字化程度不高的儲能電站進行智慧化改造。

力高新能儲能大數據管理平臺并非簡單的數據聚集平臺，而是一套完善的數據管理解決方案，系統性地改變數據處理方式，真正能夠讓儲能系統在大數據的基礎上“成長”。

行業對大數據的需求愈發迫切

儲能BMS系統主要通過監控、采集、分析電池信息，以實現電池的安全、高效、穩定運行。因此，BMS系統涉及諸多算法，包括電池SOX評估、充放電控制、健康預警、均衡優化、數據處理等。

首先，高精度的SOX估算需要大量現實數據來檢驗。

高精度的數據采集和電池狀態SOX(SOC、SOE、SOP、SOH)估算是儲能系統運行決策的重要依據，也是BMS的核心功能之一。

現階段，無論是電池電壓、電流、溫度的探測，還是多種氣體探測，都能夠實現高精度探測，但不同BMS廠商在電池SOX算法方面各有高低。

力高新能研究院院長、高級工程師沈永柏博士表示，即使這個算法在實驗室或理想狀態下能夠做到高精度估算，但在實際應用場景中可能會出現各種各樣的問題，導致這個算法無法使用。

在他看來，算法在現實場景中能不能真正運行起來、在大量現實數據中能不能保持高精度，是更重要、更難的課題。

其次，智能均衡算法需要更多歷史充放電數據的訓練。

儲能系統中所有電芯充放電是同步進行的，但由于生產工藝差異、電池倉內不同位置的溫度差異等多重因素影響，儲能系統中不同電芯的狀態會存在一定差異，隨著使用年限和循環次數增加，電芯之間的不一致性也會加劇。

如果電芯之間的SOC、SOH等多項指標出現較大不一致，輕則導致系統容量浪費，重則可能導致過充過放降低電池壽命，甚至可能引發電芯起火等事故。在此情況下，BMS的均衡優化技術愈發受到行業重視。

電池均衡的實現一方面在于硬件架構，另一方面在于軟件算法，需要系統智能決策后下達均衡指令，這就要求BMS企業掌握更多鋰電池的歷史充放電數據，通過每一次精確的充放電控制，延長儲能電池的生命周期。

第三，儲能安全預警需要以復雜工況的運行數據為底座。

最近幾年，全球儲能電站安全事故一年比一年增多。面對儲能行業的潛藏的巨大安全風險，國家對儲能安全的審查和驗收也開始收緊。由于鋰電池的本征特性，儲能電站安全事故大多數來源于電池熱失控。

不過，鋰電池熱失控的誘因有許多，不同問題導致的熱失控會呈現不同的前期表現，例如過充、撞擊、針刺、進水、內短路等諸多問題都有可能引起熱失控。

如果儲能電池發生內短路，在熱失控初期，電池的溫度變化并不顯著，但電池內部可能出現電阻變小、電壓下降等情況，產生的熱量較小，能夠被冷卻系統及時處理。

熱失控初期是早期預警的最佳階段。雖然BMS系統、熱管理系統等發揮了電池安全管理的重要作用，但要真正把熱失控遏制在初期階段，關鍵在于需要對電池進行更精準、更全面的監測和預警，把握電芯各項數據的細微變化。

值得注意的是，熱失控預警并不等同于安全預警。沈永柏博士表示，安全預警的關鍵在于查準率（預警準確率），盡可能減少誤報，而熱失控預警追求的是查全率，“寧可錯殺也能不放過”。

如何不漏掉任何一個熱失控風險的預警，同時又要盡可能減少誤報，成為電池安全預警系統的技術難點。

儲能是個重運營的行業，海量電芯安全高效管理直接關系到儲能電站的收益水平。隨著儲能電站大型化、充放電愈發頻繁，傳統依靠人工運維的方式越來越不適用，業內對于AI智慧運營的呼聲越來越高。

無論是電池狀態評估、均衡優化還是安全預警等功能，都是儲能電站基于大數據處理實現的其中一項“智慧化”應用。

與常規的運維平臺不同的是，力高新能儲能大數據管理平臺是一個提升整體運營效率的綜合解決方案，基于數據處理和模型計算，整合了數據展示、安全預警、殘值評估、數據分析、數據服務、項目管理等各個應用模塊。

填補數據缺口，引領儲能安全和智慧進階

雖然越來越多儲能企業意識到，借助數據的力量來優化產品的重要性，但行業普遍面臨的一個現實問題是，儲能電站的實際運行數據存在巨大缺口。

一方面，儲能行業在近幾年才真正開始跨越式發展，早期投運的儲能電站僅有少數的示范項目，加上國內存在大量儲能電站“建而不用”的情況；另一方面，儲能系統的應用場景多樣，不同環境工況、不同充放策略下電池的運行狀況也不盡相同。

那么，儲能行業的數據缺口如何填補？其中一個重要方式在于用好動力電池的運行數據。

動力和儲能電池BMS在充電策略上的區別并不大，不過，由于動力和儲能對電池系統的訴求不一樣，在放電策略方面差異較大，動力電池的放電電流工況比較復雜和隨機，要求瞬時大功率輸出，而儲能電池對功率的需求不大，更注重保持海量電芯的一致性和安全性。

作為國內第三方BMS龍頭企業，力高新能在動力電池領域擁有海量數據積累。2017年開始，力高新能開展新能源大數據業務，目前已擁有新能源汽車、新能源叉車、儲能系統等多個大數據平臺產品。

基于多應用領域的數據積累和先進的算法模型，力高新能在提高電池全生命周期的安全性、提升使用效率方面領先于行業一眾企業。

高工儲能認為，面對儲能行業更高的安全性要求，儲能BMS需要更多有關電池安全方面的技術提升，尤其是在安全預警方面，BMS有巨大的發揮空間。

那么，如何實現儲能安全預警？沈永柏博士表示，目前業內主要采用三種方式，第一種是基于閾值的故障診斷，例如設置壓差報警的閾值等等，但實際上只是BMS功能的轉移和重復；

第二種是基于電池模型的故障預警，在統計學習和算法的基礎上進行預警，但這種方式存在的問題是與電池所處工況強相關，預警并不穩定，準確性也就大打折扣；

第三種是建立電池預警評分體系，在第二種預警方式的基礎上，進一步分析問題出現的根本原因，并尋找智能維護方案。

面向未來儲能充放更頻繁，對儲能電池一致性、安全要求也將越來越高。在未來很長一段時間內，算法模型仍依靠數據來迭代，儲能電池的充放電運行數據、儲能電站的電力市場交易數據的挖掘和利用，是邁向“智慧”儲能時代的必經之路。