ИИ-диагностика BESS: ресурс батарей в реальных сетях

Сетки уже не живут по «учебнику». Когда в энергобалансе растёт доля ветра и солнца, система становится более нервной: резкие набросы и сбросы мощности, быстрые переходные процессы, заметнее колебания частоты и напряжения. Оператору нужны инструменты, которые реагируют за миллисекунды и при этом не «съедают» ресурс оборудования.

Аккумуляторные системы хранения энергии (BESS) как раз умеют быстро и точно отдавать/принимать мощность. Но у батарей есть неприятная особенность: их поведение — это не одна «кривая КПД», а сумма истории режимов, температуры, окна SOC (State of Charge), архитектуры силовой части, балансировки и деградации. И вот здесь большинство компаний ошибаются: они пытаются управлять реальными батареями по моделям, которые никогда не видели реальную сеть.

Подход, который продвигают исследователи из University of Sheffield на базе CREESA (центра исследований накопителей), мне нравится своей приземлённостью: если вы строите ИИ-прогноз ресурса и стратегию диспетчеризации, проверяйте их на «живом» гриде, а не только на красивых лабораторных циклах. Иначе вы оптимизируете не то.

Почему лабораторные модели деградации BESS часто подводят

Короткий ответ: рынок и сеть создают режимы, которые сложно воспроизвести в лаборатории, а именно они и формируют деградацию.

В лабораторных испытаниях обычно всё аккуратно: повторяемые циклы, понятные профили токов, стабильная температура, минимальный шум измерений. В реальной эксплуатации BESS получает другой набор «раздражителей»:

• частичные циклы (micro-cycling) вокруг одного диапазона SOC;
• быстрые восстановительные интервалы между событиями;
• кратковременные высокомощные импульсы под услуги регулирования частоты;
• непредсказуемые возмущения по напряжению/частоте;
• влияние вспомогательных систем (охлаждение, подогрев, собственные нужды), которое на МВт-масштабе становится заметным в балансе.

В результате на реальном объекте проявляются эффекты, которые «не светятся» на стенде: локальные перегревы в контейнере, разъезд параметров ячеек в больших строках, неочевидные потери в силовой электронике и кабельном хозяйстве, задержки и колебания контуров управления.

Есть простая формулировка, которую полезно держать в голове: в BESS деградирует не “аккумулятор”, деградирует система “электрохимия + тепло + управление + рынок”.

Что даёт тестирование BESS на реальной сети: урок CREESA

Ответ по сути один: реальная сеть превращает «теорию» в инженерные цифры, которым можно доверять.

CREESA эксплуатирует исследовательский полигон с подключением 11 кВ и мощностью 4 МВт, где накопители работают в условиях, близких к коммерческим: получают рыночные сигналы, участвуют в услугах, ловят реальные отклонения частоты и события по напряжению.

В составе инфраструктуры (по данным описания проекта) — несколько разнотипных платформ, полезных именно для сравнения подходов:

• 2 МВт / 1 МВт·ч система на литий-титанате (LTO) — химия с высокой мощностью и устойчивостью к частым циклам;
• 100 кВт платформа «второй жизни» батарей электромобилей — для сценариев reuse/repurpose и экономики замкнутого цикла;
• поддержка гибридных архитектур (например, батарея + маховик, суперконденсаторы);
• 150+ каналов лабораторных испытаний ячеек и климатические камеры;
• высокоскоростной сбор данных и интегрированное управление для оценки параметров, теплового анализа и реакции на аварийные события.

Что в этом важно для практики ИИ в энергетике? Такая связка даёт датасеты «миллисекундного уровня» и правдоподобные профили нагрузок, которые можно использовать для:

• валидации моделей деградации;
• обучения алгоритмов оценки SOC/SOH/SOP;
• проверки устойчивости контроллеров к шуму, задержкам и «грязным» измерениям;
• технико-экономической оптимизации (не только «как красиво», а «как окупается»).

«Явления, которые никогда не появляются в лаборатории, могут доминировать на мегаваттном масштабе». Эта мысль хорошо объясняет, почему ИИ-модель без полевой проверки часто превращается в презентацию, а не инструмент.

ИИ-диагностика и прогноз ресурса: что реально работает на BESS

Практический вывод: самые полезные ИИ-алгоритмы для BESS — это не “чёрный ящик”, а гибрид “физика + данные”.

В описании исследований Sheffield прямо звучит то, что сейчас становится индустриальным стандартом: наблюдатели, фильтры Калмана, онлайн-идентификация параметров, плюс ML-слой там, где физика слишком грубая или параметров слишком много.

1) Оценка SOC/SOH/SOP в «неровных» режимах

• SOC (заряд) в динамике часто «плывёт» из‑за дрейфа параметров, шумов и неправильной инициализации.
• SOH (состояние здоровья) нельзя честно оценить раз в месяц; нужна непрерывная оценка, иначе вы пропускаете ускоренную деградацию.
• SOP (доступная мощность) зависит от температуры, внутреннего сопротивления, ограничений инвертора и BMS.

Комбинация Kalman filtering + онлайн-идентификация эквивалентных схем даёт устойчивость к шуму, а ML-подходи (например, градиентный бустинг или нейросети малой ёмкости) помогают «подхватить» нелинейности, которые не ложатся в простую RC-модель.

Сильная позиция, которую я разделяю: точный SOP важнее “красивого SOC”, потому что SOP напрямую отвечает на вопрос диспетчера: сколько мощности можно отдать прямо сейчас и сколько это будет стоить ресурса?

2) Деградация: учитывайте micro-cycling и асимметричные профили

Ресурс батареи портят не только глубокие циклы. В сетевых услугах часто доминируют:

• короткие циклы вокруг среднего SOC;
• асимметрия «заряд/разряд»;
• частые события высокой мощности.

Если модель деградации обучалась на «красивых» циклах, она будет недооценивать старение или путать механизмы (например, приписывать всё календарному старению). Поэтому подход Sheffield, где в модель прямо вшиваются реальные профили частоты/рынка, выглядит взрослым.

3) Тепло и разбаланс: главные враги контейнерных BESS

В мегаваттных системах почти неизбежны:

• температурные градиенты по контейнеру;
• разъезд ячеек в строке (cell-to-cell divergence);
• рост дисбаланса на крайних SOC;
• неравномерное распределение токов и, как следствие, разная скорость старения.

ИИ здесь полезен не «ради ИИ», а как средство раннего обнаружения паттернов:

• выявление модулей с аномальным импедансом;
• прогноз роста разбаланса по условиям эксплуатации;
• оптимизация стратегии балансировки (когда балансировать выгоднее, чем терять доступную ёмкость).

4) Гибридные системы: ИИ как дирижёр нескольких технологий

Батарея + маховик или батарея + суперконденсатор — это не экзотика, а прагматика: быстрые пики отдаются “быстрой” технологией, батарея получает более щадящий профиль.

Здесь ИИ-оптимизация (включая эволюционные алгоритмы и модельно-предиктивное управление) решает прикладную задачу: минимизировать стоимость услуги с учётом деградации. Не просто «держать частоту», а держать её так, чтобы ресурс не улетел в трубу за два сезона.

Как внедрить AI-driven predictive maintenance для BESS: план на 90 дней

Ниже — реалистичная последовательность, которую можно применить и на промышленных объектах, и на пилотах. Она хорошо ложится в логику серии «Искусственный интеллект в энергетике и электроэнергетике»: сначала данные, потом доверие к моделям, потом автоматизация.

Шаг 1. Инвентаризация данных и телеметрии (1–2 недели)

Проверьте, что у вас стабильно собираются:

• напряжения/токи по строкам и модулям;
• температуры по контейнеру (не 1–2 датчика, а карта);
• команды и фактические значения мощности (setpoint vs response);
• состояния BMS/EMS, события защиты, аварийные журналы;
• собственные нужды (HVAC, насосы, обогрев).

Результат шага — единый словарь сигналов и понимание, где «дыры».

Шаг 2. Базовая диагностика без ML (2–4 недели)

Сделайте «физическую гигиену»:

• расчёт энергетического баланса (куда уходит кВт·ч?);
• оценка задержек реакции и ограничений инвертора;
• проверка калибровок датчиков и дрейфа;
• метрики разбаланса (ΔV, ΔSOC proxy, температурный разброс).

Это часто даёт быстрые деньги: выявляются неверные настройки HVAC, завышенные ограничения или паразитные потери.

Шаг 3. Гибридная модель SOC/SOP + тревоги (4–8 недель)

• внедрите наблюдатель SOC (Kalman/UKF) с онлайн-идентификацией параметров;
• обучите простой ML-модуль для уточнения SOP или для классификации режимов (например, «высокий риск деградации»);
• настройте тревоги по аномалиям: рост внутреннего сопротивления, перегрев в зоне, ускорение разбаланса.

Цель — не «идеальная точность», а надёжность и объяснимость.

Шаг 4. Валидация на исторических и «переигрываемых» сигналах (8–12 недель)

Если есть возможность реплея рыночных/сетевых профилей (как в подходе Sheffield), используйте её. Если нет — хотя бы:

• прогоните модель на последних 3–6 месяцах;
• сравните прогноз ресурса с фактами (снижение ёмкости, рост потерь, рост дисбаланса);
• отберите режимы, где модель ошибается, и дообучите/перенастройте.

Финальный артефакт — модель, которой доверяют инженер, диспетчер и финансист.

Что это значит для энергетики России в 2025–2026

Ответ прямой: без ИИ-диагностики и полевой валидации накопители будут дорогими, потому что риск по ресурсу заложат в тариф/капекс, а операторы будут «перестраховываться» консервативными ограничениями.

Для сетевых компаний и генерации с ВИЭ это особенно актуально зимой 2025–2026: сезонные пики, ограничения по сетям, рост требований к надёжности и качеству электроэнергии. BESS здесь становится не «игрушкой для отчёта», а частью технологической устойчивости. Но только при одном условии: ресурс и риски должны прогнозироваться честно — на основе реальных профилей работы.

Если вы отвечаете за внедрение BESS или за цифровизацию активов, полезный следующий шаг простой: проверьте, проходят ли ваши модели деградации “экзамен реальной сети”. Если нет — вы оптимизируете лабораторию, а платить будет эксплуатация.

Хотите, чтобы ИИ в энергетике был не модным словом, а инструментом? Начните с вопроса, который редко задают вслух: какие именно режимы на вашем объекте сильнее всего старят батарею — и умеете ли вы это измерять каждую минуту?