在过去的几年中，材料科学、应用化学、制造业和物流业的进步使储能系统的成本显著下降。然而，随着行业的成熟，市场的早期进入者将让位于主要厂商。储能项目在市场取得成功获得的经济效益决定了储能项目部署的命运。
储能系统为生产、传输和分配能源的公司提供了解决方案；这对从事太阳能业务的任何公司都是如此。甚至终端用户也开始将储能视为一个解决诸如平衡发电和消耗、减少线路损耗、停电后恢复电网资产、避免昂贵的基础设施升级等问题的解决方案。当然，电池储能系统可以解决这些挑战，但大多数都具有固有的财务性质，需要设施、工程和金融学科之间的协作。8f381fb8c93dca2c099120f9d29ff11379a43feb
例如，在加利福尼亚州，新的太阳能发电项目是通过增加电池储能系统实现的。但是，如果开发商推荐的储能系统规模太大或太小，资产所有者可能会认为该项目是“失败”的，并且开发商无法获得下一个项目的引荐。
规模超大的储能系统将完成这项工作，但永远不会有回报或满足内部收益率（IRR）的要求。规模过小的储能系统将无法完成这项工作，并遭受类似的经济命运。而在这个过程的早期，储能软件和分析通常会误算。
昂贵且耗时的财务分析（真正的微调）已经将储能变为可能需要高水平分析的更复杂的大型项目。实际上，这主要体现在分析师的分析报表上。当储能开发人员无法使用智能且易于使用的工具来比较系统的可能价值与执行成本时，储能行业的增长就会放缓。软件和分析正在推动该模型的一阶改变，机器学习和人工智能迅速产生巨大的二阶变化。
储能开发商将每个储能项目的机会与可能部署的项目规模和方案集合进行比较。对项目选项组合进行分析，以确定哪些选项通过产生收入或降低成本而产生最大价值。如果储能开发商必须依赖电子表格或基本的在线工具，这个过程会很快变得非常复杂。
对于储能系统的分析将包括负载要求、储能功率和储能容量、系统成本、现有可再生资源的贡献以及扩展能力。实际上，模型可以摄取和分析的数据越多，分析的可靠性就越高。可行的项目被汇编成一份最终报告以全面的格式呈现给项目利益相关者，帮助决策者以足够清晰的方式转换成高保真分析，以推动良好的管理决策。
这一分析过程需要大量的专业人员，他们负责数据收集、财务建模、产品研究，并了解可用的政府激励措施及其要求。这项工作耗费大量人力，耗时且昂贵。更糟糕的是，这种以人为主导的过程本身就很容易出错，如果发现错误，则需要付出更多的努力来纠正。
这种分析的复杂性和风险是推动未来储能项目成本的因素。难怪许多储能项目从未进入概念阶段，更不用说建设和运营了。通常情况下，这样做的客户或者是那些不关心系统真正的投资回报率的客户，或者是能够吸引大规模投资机会，并节省储能成本的大公司。
机器学习：伟大的均衡器
软件和数据分析已经从根本上改变了从电子游戏到医疗保健的市场动态。储能行业也采用这种方法。复杂的算法可以在几分钟内处理一年15分钟的能源消耗数据、一个地区批发电力的历史现货价格、电网运营商在前一年度公布的关键峰值事件数量，以及商业电价每千瓦需求电价。并将其转化为一种整洁的视觉表现形式。
高级软件和分析是革命性的，因为做这项工作的商业工具即使是企业、储能或太阳能公司的独资经营者也能负担得起。
现在，用户可以快速准确地评估项目组合，并处理从项目领导识别到分析，再到提案阶段的整个过程。随着规模较小的企业可以利用这些工具以更低的价格和更快的速度交付项目，储能市场将变得更具活力。
成本更低、功能更强的组件和分析能力民主化的结合，是更强大系统的来源，可以实现相同的价格、更低的风险和更多的经济价值。这种强有力的鸡尾酒的方法正推动更多的储能项目超越提案阶段。但这不是故事的结局。
储能发展的下一阶段将是通过高级分析来释放其价值。
执行中的计算值
现代储能系统能够在几秒钟内以高精度储存和释放大量的电能。然而，只有当这种能力在适当的时间和适当的比率发挥作用时，电力资产的价值才能实现。备份电源是在等待直到检测到电网服务中断，将本地电路与电网隔离，并以适当的频率放电，直到系统的容量耗尽或电网服务返回采用的服务，其计算的复杂性很小。备份不是一件容易的事，但它相对简单。
另一方面，需求费用减少需要可靠地预测几个数据集：出现电力需求的下一个峰值，白天可能会出现的其他峰值，可以预计产生多少太阳能，等等。这些是复杂的计算模型，但是将它们组合在一起并实时执行，这些模型变得非常复杂，因为它们很有价值。也就是说，额外的复杂性来自美国联邦和州级激励措施，例如分别在美国联邦和加利福尼亚州提供的投资税收抵免（ITC）或自我激励计划（SGIP）。如果储能系统不是由相关的可再生发电基础设施专门收费，则声称获得ITC或SGIP激励措施的太阳能+储能项目将丧失这些计划的经济利益。
持续的需求收费将迅速而深刻地破坏（甚至消除）资产的价值主张。在具有针对需求费用的复杂结构的电费下，这种错误可以消除需求收费削减系统在6个月或更长时间内的预期成本节省。因此，储能系统依赖于太阳能发电，例如，在充电周期期间补充或智能地并且快速地调整其调峰策略。储能管理系统必须摄取和理解实时数据源，例如天气预报、辐照度传感器读数和现场的子计量输出，以实现提供节省需求费用所需的必要预测精度。只有通过将这种复杂性和洞察力推向储能设备本身，机器学习方法才能可靠地提供减少需求的费用。
常数的重要性
了解储能系统的规模是否适当，并能够执行一组给定的功能对于规划过程至关重要。此外，确保储能系统能够访问实时响应所需的数据结构，对于系统的增值操作至关重要。
要释放储能市场的价值，规划阶段使用的假设必须与完成系统中使用的假设相同。然而，这种常识是当今储能行业中的例外，而不是规则。
关注价值叠加
在储能行业，人们已经看到价值叠加的展示。分层多个应用程序比以上讨论的要复杂得多，而且很少有计划能够通过幻灯片展示就能实施。现实世界的价值叠加要求软件和分析的累积进步达到其极限，但只有少数几家公司专门从事软件和分析，以达到了解限制所需的程度。因此，价值叠加必须超越对一个太阳能+储能项目的给定用例的执行，并与其他通常具有竞争性的资产开发方法共同优化最大化的操作。
储能系统的目的是通过将减少需求费用、太阳能发电负载转移、需求响应计划，以及批发电力市场参与作为虚拟发电厂（VPP）组件的组合来产生价值。控制系统的软件必须采用高级分析来持续预测这四种策略可能的成本节省或收入，并实时确定应使用可用容量来处理哪些用例。
例如，可以使用对公用事业资费结构和系统历史性能的了解来确定。相反，该系统可以选择存储来自太阳能发电设施的电能，并在当天晚些时候将其放电，其中相应的电力价格之间的差异（考虑到系统损失）将导致所产生电力的价值增加。
控制储能系统的软件必须不断利用各种数据源，并与需求响应服务器或分布式能源管理系统（DERMS）进行通信，以确定能够参与可能更有利可图的应用程序的可能性资产所有者，而不仅仅是将太阳能发电转移到更有价值的使用时间。如果系统过于乐观或激进地追求这些机会，它可能会错过通过执行替代应用程序来创造价值的机会。因此，储能软件必须考虑到大量可能的价值流，理解捕获它们的可能性，列举它们的相对价值，并考虑到对设备寿命的影响而追求其中任何一个价值流的后果。该软件将会减轻企业高管的职责。
提取价值
第一代储能基于电化学、充电控制器和电池容量。下一代储能系统基于大规模异构数据集、机器学习和传感器网络。这些新的专业领域不会取代旧的领域。相反，将会增加并发挥巨大的新价值。在过去的几年里，人们知道储能更有价值，并且可以在演示文稿中描述这个价值。如今已拥有提取这一价值的技术，而这对于储能价值链来说是一个激动人心的时刻。
