一项新研究强调，先进的人工智能集成电池管理系统技术对于可靠且可持续的数据中心运营至关重要，其作用在于监测、优化和预测电池性能。
使用可再生能源和储能为数据中心供电带来了一系列技术和经济挑战，独立发电商、EPC承包商和投资者直到最近才开始应对这些问题。在此背景下，大规模电池有望发挥关键作用，满足需求峰值期间所需的有功功率，并协调发电、储能与数据中心负载之间的能量流动。
然而，目前的电池技术能否高效地执行这些任务仍不明确，这引发了人们对光储行业短期内满足数据中心日益增长的电力需求能力的疑虑。
数据中心屋顶设有冷却塔和备用发电机
为探索此问题，一个国际研究团队研究了电池如何有效支持数据中心供电，并发现先进电池管理系统的开发将是关键。"储能、电池技术、人工智能（AI）集成和热管理可被视为需要更多调查和研究的四大领域，以实现成本最低、收益最高的可靠数据中心，"该团队指出。
在发表于《Journal of Energy Storage》的论文《下一代数据中心电池系统技术的产学研视角》中，研究人员指出，现有的大多数综述主要关注需求响应、负荷建模、能源管理系统、气流控制、资源分配和节能架构，但很少涉及电池或其与标准、行业白皮书、融资项目和实际应用的整合。
这项研究通过全面概述电池技术、其组件和控制方法，同时将其与数据中心更广泛的能效策略联系起来，填补了这一空白。这种整体方法涵盖了数据中心内部不间断电源（UPS）使用的电池和数据中心外部部署的电池储能系统（BESS）。
研究人员回顾了适用于数据中心的所有电池技术系统，概述了电源架构和推荐的拓扑结构，检查了与人工智能控制策略集成的电池和电池管理系统（BMS），总结了净零倡议和行业标准，并分析了最近的行业白皮书、概念验证和融资项目。通过详述UPS拓扑结构和正在使用的BESS类型，他们强调先进的BMS技术对于数据中心可靠、高效和可持续的运营至关重要。
"BMS技术对于确保锂离子电池的安全性、剩余使用寿命（RUL）和效率至关重要，它通过监测温度、电压、电流和电池状态等参数来实现这一点，"该团队解释。"它可以防止过充、过热和深度放电，并支持诸如电芯均衡、热管理和预测性维护等策略，从而优化电池性能。"
学者们解释道，在现代数据中心中，BMS持续监测关键状态，包括荷电状态（SoC）、健康状态（SoH）、能量状态（SoE）和温度状态（SoT）。电芯监测从单个电芯收集电压、温度和电流数据，从而实现实时调整以优化性能并延长电池寿命。
分层BMS架构包含数据层、计算层和应用层三个层级，允许测量、建模和实时控制的集成。计算层负责估算电池内部状态，而应用层则管理安全、老化、热控制、均衡和故障诊断。SoC和SoH估算采用常规方法、人工智能方法、基于观测器的方法、自适应滤波器以及混合方法，这些方法通常被集成到多状态估算框架中，用于预测剩余使用寿命（RUL）以及在实时、中期和长期尺度上的性能。
此外，该团队强调，基于人工智能的先进模型，如神经网络、神经模糊系统、强化学习、BiLSTM、LSTM、随机森林和生成对抗网络（GANs），进一步增强了状态估算、故障检测和预测控制能力。激活函数通过有效映射输入来支持这些人工智能模型，从而实现准确的SoC和SoH预测，并为高性能数据中心优化BMS性能。
研究人员总结认为，人工智能驱动的BMS将能够提供实时监控、预测控制和优化的能源管理，为数据中心内智能、可靠和可持续的电池运行奠定基础。
"将人工智能集成到BMS中，改善了状态估算，减少了故障，并延长了剩余使用寿命，"他们表示。"然而，在扩展人工智能驱动的解决方案、实现净零数据中心以及满足多样化的行业特定要求方面，挑战依然存在。"
（素材来自：Journal of Energy Storage 全球储能网、新能源网综合）
本文由智算芯能前沿网编辑整理，转载请注明出处。