美国电池储能系统互操作性标准呼声渐起

中国储能网讯：电池储能行业专家指出，电池储能系统软件栈复杂性不断上升，正推动行业对互操作性和数据标准的呼吁。

在加利福尼亚州加登格罗夫举行的2026年美国电池资产管理峰会上，专题讨论小组成员以及接受行业媒体采访的专家均指出，电池储能系统软件栈日益复杂，并呼吁建立电池储能行业统一的数据定义和互操作性标准。

该专题讨论小组由专注于可再生能源的人工智能合同服务商ContractPower公司联合创始人Bryan Villana主持，成员包括电池分析提供商PowerUp公司首席执行官Abdelkrim Benamar、艾默生公司业务发展经理Ryan Franks、Power Factors公司解决方案架构师Kristen Wagner，以及咨询机构Camelot Energy集团创始人兼首席执行官Shawn Shaw。

软件栈分层

Wagner概述了典型电池储能系统软件栈的各个层级。在现场层面，电池柜内装有电池及辅助系统（暖通空调、消防设施），由电池管理系统（BMS）协调；电源转换系统（PCS）组件则产生各自的数据流，有时来自与电池本身不同的供应商。

再往上一层，其定义就更加模糊。SCADA、能量管理系统（EMS）和电厂控制器（PPC）在现场工业功率转换系统（PCS）上执行相互重叠的功能；历史数据功能负责记录和聚合数据；控制功能则与PCS接口以执行调度。外部访问通过防火墙和VPN进行，而这一层的稳健性因项目不同差异很大。

云托管层位于最上层，包括组合级能量管理系统（EMS）控制、用于绩效分析、损失分摊和资产组合报告的资产绩效管理（APM）层，以及通过API与外部数据的进一步集成。

权责边界：厂商定位

Shaw表示，Camelot的定位是“各环节之间的粘合剂”，而非占据某个固定层级；通常在业主已经投入大量资金、但对资产能否达到财务模型表现缺乏信心时被引入。

Franks表示，艾默生公司的Ovation平台以硬件、软件和服务相结合的方式覆盖EMS、PPC和SCADA功能。

Wagner表示，Power Factors跨软件栈运营；Benamar则将PowerUp定位为分析层，旨在增强而非取代现有基础设施。

当被问及产品失效会发生什么时，Franks指出，控制配置错误或整定不当会导致停机或故障，而电池管理系统（BMS）负责处理热失控等最坏情况。Benamar表示，分析层故障会损失预防性维护能力和根因可见性，但不会直接导致停机。

拆除替换的经济性

Shaw描述了当电池原始设备制造商（OEM）退出市场时，能量管理系统（EMS）“拆除替换”情形日益频繁，典型周期为六到九个月，并因影响数据中心的同类部件供应约束而进一步延长。他举例说，曾有一个项目的延迟并非源于软件，而是因为逆变器制造商缺乏实验室台架空间、无法进行硬件在环测试，持续了六个月。

PowerUp公司的Abdelkrim Benamar主张，互操作性需要从一开始就提供清晰化文档纳入设计，涵盖接口定义、供应商可移植性和退出条款。

他将其分为三个组成部分：原始数据可移植性，即历史数据能够以可用形式提取；语义可移植性，即定义和数字化清晰；决策可移植性，即此前的分析工作能够延续到替换系统。

Franks指出，智能电网互操作性小组是在全球金融危机后成立的，旨在为计量、配电和输电制定数据格式标准，可作为电池储能行业仍缺乏的跨供应商标准化先例。

电池储能系统的充放电往返效率尚无共识

小组讨论主持人Villana指出，如果在现场就往返效率或可用性的定义进行即时投票，很可能会得到多种不同答案。Power Factors的Kristen Wagner表示，EMS供应商能力差异很大，软件提供商仍受BMS层不一致的制约。

在接受行业媒体采访时，Benamar表示，PowerUp的做法是先询问客户现有定义，再将其与自身方法进行比较；在这一关系中，以客户定义为准，同时努力调和差异。

他认为，共同定义应通过独立发电商（IPP）和能源生产商的集体行动产生，而非由任何单一供应商强加。他指出，电信和其他基础设施行业的标准化也遵循了类似的集体行动路径。

物理信息模型与大语言模型

人工智能占据了讨论的大部分时间，并明确区分了支持现有平台功能的嵌入式工具与基于大语言模型（LLM）的决策。

Ryan Franks介绍了艾默生公司的两项举措：一是“开放智能框架”，允许客户数据在获得许可后流向电池分析或收入优化等第三方服务；二是“虚拟顾问”，在本地运行Meta公司的Llama模型实例，其驱动因素包括算力约束和网络安全要求，因为艾默生公司涉及核设施及其他敏感站点。

Wagner表示，Power Factors公司已将生成式人工智能嵌入其平台，利用现有计算逻辑和运营资产术语支持自然语言查询，而非作为独立工具使用。

Benamar区分了作为核心分析引擎的“物理信息人工智能”与基于LLM的数据库交互，并警告不要在尚未建立可靠数据基础之前依赖生成式人工智能。

Benamar进一步解释了这一点：物理信息模型约束输出，使其符合已确立的物理定律。

他认为，将两者结合，既能获得物理约束，又能从大量现场数据中低成本学习——这是纯物理模型在设计上无法做到的，因为纯物理模型本质上是对现实的简化表示。

Camelot Energy集团首席执行官Shawn Shaw警告说，人工智能工具无论准确与否，都会生成听起来很自信的输出；非技术利益相关者可能根据一张快速生成的AI图表进行外推，对可自动化程度产生不现实预期，并低估多年积累的专有方法价值。

自建还是购买

专题讨论期间进行的一项现场投票表明，40%参会者预计三年内会自建其电池储能系统软件栈的“部分”或“部分模块”，28%表示已经在内部建设，20%预计不会自建，其余预计会自建大部分。

Shaw表示，当专业知识而非软件是核心产品时，SaaS提供商仍有防御性；但他警告说，若提供商的核心是软件，当人工智能降低复制表层输出（如单张图表）的门槛时就会暴露风险——这与复制底层专业知识是不同问题。

在台下与观众交流时，Benamar指出，电化学专业知识以及解释原始电压、电流和温度数据以进行根因分析的能力，是内部团队最难大规模复制的两项能力；他将其比作使用建筑软件与成为合格建筑师之间的差距。

数据访问与议价杠杆

Bryan Villana提出了数据锁定问题。

Wagner表示，Power Factors公司将自己定位为“数据托管者”而非数据所有者；她认为，锁定成本更多由上线导入和再培训投资驱动，而非技术导出障碍。

Benamar回应了封闭架构问题，建议议价能力有限的运营商优先选择提供数据访问的供应商。

他将其类比于电信行业：AT&T公司和Verizon公司的采购要求推动爱立信、诺基亚等供应商逐步提高数据开放性。他认为，开放访问能让运营商建立独立的第二意见，而不是仅依赖单一供应商对资产绩效的内部看法。

运营缺口

Shaw表示，互操作性需要持续的运营关注，而非一次性设计决策。他指出，自己尚未见过一份运维（O&M）合同明确界定防火墙软件生命周期终止后由谁负责更换——尽管这对维持安全连接至关重要。

他以一个电池储能项目为例，该项目的通信架构直到项目进度60%至90%阶段才被纳入设计文档，导致出现火灾报警信号由哪个系统负责的争议。

在回应观众关于EMS与分析数据不匹配的问题时，Franks和Shaw一致认为，这应在调试投运时发现。Shaw举例说，有一个电池的温度被标记为130度，但未注明是摄氏度还是华氏度，运营商可能无法确认。

他指出，此类缺口往往只在后期保险审查时才被发现，而保险审查期间数据受到的审视比资产生命周期其他任何时点都更严格。

从光伏和风电行业延续的问题

在接受行业媒体采访时，Wagner表示，电池储能系统继承了许多最初出现在光伏领域的数据和控制挑战：选择硬件和控制系统的各方，并不总是考虑后来依赖这些数据的资产管理团队的需求。

她说，储能系统制造商正日益警觉这一问题，部分原因是许多员工从风电和光伏行业转来，正在应用此前关于EPC工程到资产管理交接的教训。

她还指出，规模化速度与复杂监管背景共同成为缩小供应商选择范围的因素，其中包括NERC关键基础设施保护（CIP）合规、拟议中的FCC规则，以及现有的外国所有权、控制或影响（FOCI）考量。

关于人工智能，Wagner区分了实际用途与炒作：实际用途包括加快平台上线、支持经验较少的员工进行根因分析；她认为，基于历史趋势数据的预测分析，主要工具仍是机器学习而不是大语言模型（LLM），电池储能行业仍将先关注数据可靠性，之后才会更多信任人工智能生成的建议。