基于低秩矩阵逼近与非参数Kullback-Leibler散度的锂离子电池储能系统一致性评估

2026-05-30 09:42:09

共同性是影响锂离子电池储能体系(ESSs)动力效率与运转安全的要害要素。展开共同性点评对ESSs至关重要，尤其点评体系共同性水平对其健康办理具有决定性含义。此外，随着共同性劣化，需准确认位不共同电池组以进行后续均衡维护与替换。本文提出了一种通用点评结构，用于完成ESSs的共同性点评与不共同性辨认。首先，针对充放电电压循环数据的高维稀少特性，根据近似低秩矩阵的秩构建了电池组共同性点评目标，该目标充分考虑了电池固有的异质性和不确认性。其次，经过核算各监测电池包与正常电池包电压散布间的非参数Kullback-Leibler散度，完成不共同性辨认。最后，经过一个实践储能电站的工业运用案例验证了所提办法的有用性和鲁棒性。试验成果表明，该办法能有用点评电池组间的共同性水平，并准确辨认反常电池模组。所提出的共同性点评结构满意实践电池办理体系在线运用需求，在储能体系健康办理领域具有明显的运用潜力。

导言

锂离子电池储能体系（ESSs）正发挥主导作用以满意日益增长的电力需求并提高供电稳定性[1]。在实践ESS运用中，很多具有更高能量密度、更长循环寿数及更低自放电率的电池单元经过串并联方式衔接，以满意输出功率需求并提高体系功能[2][3]。随着锂离子电池储能电站（ESPSs）装机容量的快速增长，ESS健康办理已成为首要关注方向。
值得注意的是，大规模储能体系（ESS）不可避免地面临共同性问题。这种不共同性一般体现在电池的特征参数上，如电压、内阻、荷电状况（SOC）和健康状况（SOH）[4], [5], [6]。ESS是一个杂乱的耦合体系，其影响不共同性的要素可归纳为三个方面：原资料、制作工艺和运转条件[7]。虽然电池在出厂前经过筛选，但电池资料和制作工艺的差异可能导致运用前固有的异质性，即所谓的"先天"不共同性；此外，在运转过程中，杂乱的充放电环境会加剧这种不共同性，形成"后天环境"导致的不共同性[8]。这种不共同性会下降ESS的整体功能，加速电池退化，甚至可能引发严重的安全事故。因而，共同性点评对ESSs的健康办理至关重要。
本文中，共同性点评包括共同性点评与不共同性辨认两部分。对于前者，一般可经过恰当的点评目标完成全面的共同性点评。一般选用特定统计量完成该过程。Zhen等[9]经过核算单体电池健康状况(SOH)的方差点评了锂离子电池组的共同性；Zhang等[10]则选用开路电压(OCV)变异系数作为荷电状况(SOC)共同性目标。虽然这些统计目标高效且易于施行，但一般过于大略且可靠性有限[11]。近年来，少数研讨探索了构建新式有用一维共同性点评目标的办法。Tian等[12]提出了一种多特征加权办法来开发电池包层面的点评目标，该办法能完成有用的共同性点评，但难以合理确认权重系数。Chen等[13]选用von Mises-Fisher散布对处理后的电压曲线建模，并根据该散布的聚集参数开发了一维目标。但是，散布拟合的精度与参数估量会明显影响最终点评成果，因而该研讨方向仍需进一步探索。
此外，现有不共同性辨认办法可大致分为以下类型：根据熵的办法[14]、根据深度学习的办法[15]和根据间隔的办法[16]。根据熵的办法一般选用信息熵来诊断电池体系的不共同性。例如，Qiu等[17]提出了一种根据香农熵和皮尔逊积矩相关系数的锂离子电池单体不共同性诊断办法。传统根据熵的办法往往疏忽固有的时刻方式，例如电池充放电曲线的周期性。此外，这些办法对噪声灵敏且依靠大样本量，这削弱了其鲁棒性，并约束了其在实践场景中的适用性。
根据深度学习的办法使用神经网络点评电池功能偏差，然后完成不共同性辨认。Cui等[18]选用长短期记忆循环神经网络估量电流散布，并进一步经过点评支路电流差异完成不共同性辨认。Jeng与Chieng[19]结合长短期记忆网络与卷积神经网络，开发了电压不共同性辨认办法。虽然这些办法无需先验知识或标注数据，但根据深度学习的模型常被视为解释性有限的黑箱体系。此外，其功能对数据类型灵敏，一般需求大规模练习集支撑。
根据间隔的办法经过测量电池间类似度进行点评，一般选用聚类算法完成，其中欧氏间隔与马氏间隔是常用衡量目标[20][21]。Chen等[22]提出了一种根据聚类成果与间隔衡量的储能体系多级不共同性辨认办法。Sun等[23]开发了结合遗传算法的聚类分析办法，经过引进聚类分析确认待均衡的不共同电池单元。Chen等[13]根据冯·米塞斯-费舍尔散布开发了一种假设检验办法，用于辨认ESS中的不共同性，其原理在于不共同的归一化电压向量会违背平均方向。需注意的是，ESS的电池特性数据一般具有高维特征。在高维空间中，随着输入变量或维度的增加，数据点会变得愈加涣散和稀少，这使得不共同性辨认更为困难[24]。此外，为聚类算法确认最佳聚类数量，或选择适宜的散布假设来构建假设检验，都可能对根据间隔的办法构成应战。表1展示了各种不共同性辨认办法的对比成果。
如何点评电池组的共同性并进一步辨认不共同电池组，始终是学术界与工业界的研讨重点。电池办理体系（BMS）中选用的传统共同性点评办法一般根据单点电压测量值。近期部分研讨尝试从电池特性参数数据中提取特征进行共同性点评[25]。相比之下，本文选用完整充放电电压循环曲线进行共同性点评，该办法不只保存了充放电电压曲线的时刻信息，还能捕捉电池的充放电方式，然后完成更准确、更鲁棒的共同性点评。
在实践中，储能电源体系（ESPS）的嵌入式电池办理体系（BMS）一般每分钟记载一次电压测量值。这种高频采样会生成包含明显噪声和冗余的很多监测数据，给共同性点评带来严重应战。因而，有用的降噪技能对于抑制无关信息并确保可靠点评至关重要。此外，在实践ESPS中的可布置性也是一个要害考量要素。
针对上述缺乏，本文提出了一种用于储能体系（ESS）共同性点评与电压不共同性辨认的通用点评结构。咱们的首要贡献可概括如下：

• (1)
  考虑到充放电电压循环数据的高维性与稀少性，本研讨根据近似低秩矩阵的秩构建了一种新式共同性点评目标。据咱们所知，这种根据秩的目标构建方式在储能体系共同性点评领域尚属首创。该办法经过低秩矩阵近似（LRMA）技能，能在保存首要信息的同时，有用解决电池生产固有的异质性以及噪声等外部不确认性要素。该办法无需预练习且核算负担较低，适用于实践工程运用场景。
• (2)
  本文提出了一种根据非参数Kullback-Leibler散度（NKLD）的电压不共同性辨认办法，可以有用辨认储能体系中存在反常的其他电池组。该办法无需对电压散布进行预先假设，然后明显提高了针对高维稀少充放电电压循环数据的处理灵活性与适应性。
• (3)
  所提出的点评结构可以同时完成在线共同性点评与不共同性辨认，这对于储能体系的健康办理具有重要含义。根据真实电网储能电站电压数据集的工业验证表明，该结构不只能掩盖电池办理体系（BMS）的预警信号，还能进一步辨认出更多存在不共同性的电池组，充分证明了所提结构的有用性与鲁棒性。