中國儲能網(wǎng)訊：
導語：采日能源正利用AI技術破解儲能系統(tǒng)的“黑箱”，驅動公司從設備供應商向數(shù)據(jù)驅動的儲能運營商轉型升級。
“AI大數(shù)據(jù)非常適合解決那些復雜的、甚至帶有些‘玄學’色彩的系統(tǒng)性問題，這些問題很難用傳統(tǒng)的統(tǒng)計或數(shù)學公式來精確表征。”采日能源的孫麗娜女士在與中國儲能網(wǎng)的對話中，以這樣一句精妙的比喻，開啟了對AI在儲能領域深度應用的探討。
而要將AI這股破解“玄學”的強大力量約束并引導，就需要一套精確的工程藍圖。對于采日能源而言，這份藍圖正是其核心的“3S垂直架構”。它并非簡單地在儲能系統(tǒng)上疊加AI功能，而是從底層重構了數(shù)據(jù)的流動與決策的鏈條，旨在將抽象的智能，精準固化為系統(tǒng)可執(zhí)行的“科學”指令。
第一部分：“第一手數(shù)據(jù)”，奠定AI應用不可動搖的基石
所有關于AI的宏偉構想，都必須建立在堅實的數(shù)據(jù)地基之上。在采日能源的理念中，這個地基的源點，被精準地錨定在了BMS（電池管理系統(tǒng)）上。
“采日能源在業(yè)界最早提出3S架構，而BMS正是我們的核心產(chǎn)品之一。從數(shù)據(jù)角度看，BMS是獲取電芯‘第一手數(shù)據(jù)’的端口，涵蓋了電、熱、力等多維度信息?！?/span>
這句“第一手數(shù)據(jù)”點明了采日能源AI戰(zhàn)略的起點——確保數(shù)據(jù)的原始性、完整性和高保真度。為了將這些寶貴的“第一手數(shù)據(jù)”轉化為切實的行動力，采日能源構建了一套“云-邊-端”協(xié)同的智能體系：
云端——智慧的“中央大腦”：云端平臺是整個系統(tǒng)的“大腦”和“研發(fā)中心”。這里匯聚了來自所有項目現(xiàn)場的海量運營數(shù)據(jù)，承擔著最核心的AI模型訓練與算法迭代工作。“我們致力于構建云邊端協(xié)同架構，通過云端持續(xù)訓練迭代算法模型，不斷提升預測的時效性以及準確性?！崩脧姶蟮乃懔M行并行計算，云端可以持續(xù)優(yōu)化熱失控預警模型、SOH/SOC估算算法以及市場交易策略，并將優(yōu)化后的模型下發(fā)至邊緣層和終端。
邊緣端——敏捷的“區(qū)域神經(jīng)中樞”：部署在項目現(xiàn)場的邊緣服務器，扮演著“區(qū)域神經(jīng)中樞”的角色。它接收來自云端的最新模型，負責對本站數(shù)據(jù)進行實時的推理和分析。相比于將所有數(shù)據(jù)上傳云端再等待結果，邊緣計算大大降低了延遲，能夠實現(xiàn)更快速的響應。例如，當邊緣端模型預測到某個電池簇存在早期熱失控風險時，它可以立即生成運維指令，指導現(xiàn)場人員進行精準排查，而無需等待云端的統(tǒng)一調度。
終端（BMS）——可靠的“神經(jīng)末梢+執(zhí)行器”：位于最底層的BMS等控制器，不僅負責采集最原始的數(shù)據(jù)，也內(nèi)置了輕量化的AI芯片，可以執(zhí)行緊急、高可靠性的本地控制邏輯，是智能決策的最終“執(zhí)行器”?！拔覀兿Ｍ軌蛲ㄟ^邊和端的實時可靠性的控制，基于終端預測，能夠快速識別異常以及快速處理”這意味著，即使在與云端或邊緣端通信中斷的極端情況下，終端設備依然能依據(jù)本地模型推理進行預警與保護性動作，構成了系統(tǒng)安全的最后一道防線。
通過這套“云訓練、邊/端推理”的協(xié)同架構，采日能源成功地將AI的強大分析能力與儲能系統(tǒng)對安全、可靠、快速響應的嚴苛要求完美結合，構筑起一道堅固的智能化數(shù)據(jù)壁壘。
第二部分：“預測+運籌優(yōu)化”，AI賦能儲能全場景的實踐邏輯
掌握了高質量的數(shù)據(jù)源，AI究竟能為儲能系統(tǒng)帶來什么？孫麗娜用一個簡潔而深刻的框架概括了其核心價值：“工業(yè)AI的應用主要可以歸為兩類：預測與控制。最終的調度決策依賴于控制，而AI的價值在于，它能讓我們基于精準的預測結果，去執(zhí)行更優(yōu)化的控制策略。
這正是AI應用的兩大核心：預測類與調度優(yōu)化類?！?/span>
基于這一“預測+優(yōu)化”的雙輪驅動邏輯，采日能源的AI應用已滲透到儲能系統(tǒng)的各個關鍵環(huán)節(jié)。
在安全預警領域，AI扮演著“吹哨人”的角色。孫麗娜列舉道：“我們的安全預警體系，包括了對熱失控、電芯衰減率異常以及內(nèi)部短路等多種風險的提前預警。”
在經(jīng)濟調度領域，AI則化身為精明的“操盤手”。她詳細描述了這一過程：“以微網(wǎng)調度優(yōu)化場景為例，我們綜合氣象、歷史數(shù)據(jù)、時間特征等參數(shù)，通過LSTM/Transformer等時序預測模型，生成未來24小時的預測值。根據(jù)最新發(fā)電用電預測數(shù)據(jù)與儲能狀態(tài)，動態(tài)調整調度策略，最大化儲能收益，在實際運行的案例，全年可提高某廠區(qū)的經(jīng)濟收益超過5%。”
當被問及AI模型的選擇時，孫麗娜展現(xiàn)了其團隊深厚的技術功底和靈活的應用策略?！拔覀儾⒎鞘褂脝我荒Ｐ?，而是根據(jù)數(shù)據(jù)量和應用場景靈活選擇。比如國內(nèi)電力市場正式運行的省份較少，數(shù)據(jù)較少，我們針對某一數(shù)據(jù)量較少省份會使用梯度提升樹模型等機器學習模型進行迭代預測。而在數(shù)據(jù)量大的省份市場，則會采用深度學習的LSTM模型或Transformer時間序列模型，并進行結合，比較哪種或者結合的模型預測的效果更好?！彼偨Y道：“核心原則是，針對每一批數(shù)據(jù)，我們都會評估其在不同模型下的準確度和泛化能力，以尋求最佳匹配?！?/span>
這種“因數(shù)制宜”的務實態(tài)度，確保了AI技術并非僵化的“屠龍之技”，而是能精準解決不同場景具體問題的“利器”。
第三部分：“相互擁抱”，跨越知識鴻溝的組織進化與能力沉淀
再先進的技術，也需要匹配的組織能力來承載。孫麗娜坦誠，推動AI與儲能這一傳統(tǒng)硬件行業(yè)的深度融合，最大的挑戰(zhàn)在于跨學科團隊的協(xié)同。
“算法工程師更偏向理論，而儲能產(chǎn)品工程師則專注于電池機理、結構設計等。這兩個領域天然存在學科交叉，要實現(xiàn)自然的融合并不容易。”她直言，挑戰(zhàn)在于：“要讓AI算法工程師深入理解行業(yè)，如電芯機理、系統(tǒng)設計，同時也要讓系統(tǒng)研發(fā)工程師擁抱AI思維，探索其在優(yōu)化設計、降本增效上的新可能?！?/span>
如何實現(xiàn)這種融合？孫麗娜給出的關鍵詞是“相互擁抱”。她將這一過程定義為：“這本質上是AI算法在儲能行業(yè)的實例化過程。團隊成員必須相互擁抱、相互學習，才能打造出更專業(yè)、更有效解決問題的產(chǎn)品和系統(tǒng)?！?/span>
為了促進這種“相互擁抱”，采日能源建立了一套行之有效的機制。孫麗娜介紹，從研發(fā)立項開始，就有包括各個市場、研發(fā)、工藝、生產(chǎn)等在內(nèi)的跨職能團隊深入討論。同時，為了沉淀和復用AI能力，公司打造了自研的算法平臺。
“我們構建了自研的算法平臺，”她介紹道，“平臺集成了多種核心算法，并封裝了采日專屬求解器。當數(shù)據(jù)導入后，平臺能智能推薦合適的算法進行預測以及求解。”這個平臺不僅是一個工具，更是一個知識庫和能力中臺，其背后是一套完整的算力架構。
在應對AI模型在實際應用中必然會遇到的穩(wěn)定性與適應性挑戰(zhàn)時，孫麗娜展現(xiàn)了其團隊嚴謹?shù)墓こ虘B(tài)度。對于不同電芯可能導致的模型“性能漂移”，她的態(tài)度非常明確：“如果新電站采用的電芯規(guī)格與以往一致，模型基本可以直接復用。但一旦電芯的材料體系發(fā)生變更，即便規(guī)格相同，我們?nèi)詧猿直仨氂眯聰?shù)據(jù)對模型進行重新訓練。”
而在至關重要的安全問題上，如何平衡誤報與漏報，她給出了采日能源堅定的原則：“我們秉持‘盡可能不誤報，但絕不能漏報’的原則，采用‘白名單’機制，不在白名單才觸發(fā)警報?！碑斎?，為了避免運維困擾，團隊也會通過數(shù)據(jù)濾波等技術手段，“過濾掉那些由于干擾或數(shù)據(jù)傳輸錯誤引起的偽警報?！?/span>
第四部分：從“設備供應商”到“儲能運營商”，AI驅動的戰(zhàn)略升維
憑借在數(shù)據(jù)、算法和組織能力上構建的深厚壁壘，采日能源的目光已投向更遠的未來——實現(xiàn)從設備供應商到數(shù)據(jù)驅動的儲能運營商的戰(zhàn)略轉型。
“過去我們主要以項目交付為主，定位是設備供應商?，F(xiàn)在，我們的戰(zhàn)略是逐步向儲能運營商的角色轉變?！睂O麗娜清晰地描繪了公司的戰(zhàn)略路徑。
她分析了采日能源轉型運營商的核心優(yōu)勢：“我們能做好服務的底氣，首先在于對儲能設備的深刻理解，這是保障系統(tǒng)高可用、高質量運行的基礎。”這是硬件基礎。而更深層次的優(yōu)勢，則來自于數(shù)據(jù)和AI帶來的增值能力?！捌浯危谟谖覀冇心芰\營的最終結果負責?！?/span>
這個“負責”，體現(xiàn)在從安全底線到價值創(chuàng)造的全方位承諾上。它既是對“設備安全、可靠連續(xù)運行”這一最基本功能的堅守，也是通過“高精度的電價預測模型和強大的交易能力”，在輔助服務及現(xiàn)貨交易中為業(yè)主“保證長期穩(wěn)定收益”的核心能力體現(xiàn)。
這番話清晰地表明，未來的儲能運營，將不再是簡單的“運維”，而是基于AI的、對安全和收益結果負責的、更高維度的價值創(chuàng)造。數(shù)據(jù)，這個曾經(jīng)內(nèi)隱于設備中的副產(chǎn)品，正在成為驅動新商業(yè)模式的核心資產(chǎn)。
第五部分：結語
從堅持“第一手數(shù)據(jù)”源頭，到構建“預測+優(yōu)化”的應用框架；從倡導“相互擁抱”的跨界文化，到驅動向“儲能運營商”的戰(zhàn)略躍遷。采日能源的故事，正是AI時代儲能產(chǎn)業(yè)進化的一個生動縮影。
它告訴我們，未來的儲能系統(tǒng)，將不再僅僅是鐵與鋰的集合體，更是一個由數(shù)據(jù)驅動、算法定義、能夠自主學習和創(chuàng)造價值的“能源智慧體”。而那些真正掌握了這種“智慧”的企業(yè)，無疑將在新一輪的能源革命中，贏得未來。
