基于深度学习的实时充电状态监测，用于钒流SSB蓄电池储能系统

2026-07-24 20:02:11

钒流电池（VFBs）因其长寿命、高效和安全性，非常适合电网级储能。电量状态（SOC）监测对于电池健康评估和系统管理至关重要。然而，由于钒离子交叉和副反应破坏正负电解质间的价态和浓度平衡，操作过程中精确测定SOC仍具挑战性。这里采用了反相变压器模型，即iTransformer，用于预测VFB系统在充放电循环中的SOC。iTransformer-SOC 模型能够实现高精度和鲁棒性。即使训练仅限于前三个周期，模型预测接下来21个周期的SOC平均绝对百分比误差（MAPE）小于0.03。它可以适应功率变化和电解质重新平衡的情景。最重要的是，基于iTransformer的SOC监测系统由10千瓦VFB系统验证和确认，显示出在预测完整充放电循环SOC方面表现优异（MAPE < 0.05，误差不到传统开路电压（OCV）方法的三分之一）。这种数据驱动的方法为VFB系统中的实时SOC监控提供了稳健的框架，作为物理模型的补充替代方案，无需事先了解系统动力学。

图形摘要

基于iTransformer的钒流量电池实时电荷状态监测系统被演示。

钒流电池（VFBs）因其高安全性、高效性和固有的长周期寿命，已成为电网级储能的重要技术[1]， [2]， [3]。对于VFB系统，电池控制与管理系统（BMS）在管理每个烟囱单元中发挥重要作用，以防止过充和放电，进一步延长使用寿命。电池的电荷状态（SOC）反映了电池在特定时间内剩余的容量，是BMS决策中最重要的参数之一。
在VFB的电化学反应后（参见支持信息，方程S1和方程S2），VFB的SOC与二价、三价、四价和五价钒离子的浓度直接相关，记为,,， 和，分别。正负面的SOC可以表示如下理想系统中，正负端的氧化和还原物量保持恒定，确保电解质的平衡。具体来说，是 的数量画外音以及画外音在正电解质中，电解质应等于以及在操作过程中分别以负电解质为单位。然而，实际上没有膜是100%选择性的，这可能导致正负电解质之间的钒离子交叉[4]。不同价态钒离子在膜上移动的转移速率差异导致钒离子在一侧积累，另一侧稀释，导致正负两侧的SOC失衡和系统容量损失[4]， [5]， [6]。此外，水的迁移和氢的演化等副反应也可能诱发正负电解质的失衡[7]， [8]， [9]， [10]。上述所有因素在预测运行期间的 SOC 时都具有挑战。然而，准确预测SOC对于诊断电池健康状态和优化系统运行至关重要[11]、[12]。
目前，传统的实时系统SOC测定方法是开路电压（OCV）方法，该方法通过开路电路测量正负半电池之间的电位差。SOC与OCV之间的相关性可表示为（OCV方法的详细信息见支持信息）其中是被纳入标准单元电势的形式假设氢离子浓度和活度系数的变化非常小。R是通用气体常数，T是开尔文温度，n是参与氧化还原反应的电子数，F是法拉第常数。通过OCV测量确定VFB的SOC非常简单，只需将电解液泵入开路电池。然而，只有当系统完全平衡时，才能实现准确的测量。为了在电池系统运行过程中失衡时更准确地检测SOC，提出了半电池电位方法[6]， [13]， [14]、[15]。半电池电位法的详细内容见支持信息。该方法简单且适合在线监控应用。然而，由于钒离子在操作过程中价态的变化，参考电解质的电位需要定期校准，以确保半电池电位的准确测量。
VFB中SOC估计已开发出多种方法，包括库仑计数[16]、电位滴定[11]、电导率和粘度测量[17]、[18]、超声波速度测量[19]、X射线吸收光谱[20]、光谱方法[21]、[22]。由于对测量时长和初始条件的敏感性，库仑计数容易随时间累积误差[23]。电位滴定、电导率和电导率测量通常限于离线分析，因此难以实时监测。超声波速度测量对温度波动极为敏感，需要复杂的热控制和校准[19]。X射线吸收光谱学需要高能X射线源，如同步辐射和复杂的仪器，这使得其成本高昂且不适合日常或野外应用[20]。光谱方法实现实时、非侵入式SOC监测，但其准确性受限于对电解质溶液化学的理解[21]。相比之下，数据驱动方法因其高效处理高维多变量数据的能力，为在线SOC监控提供了有前景的替代方案。近年来，人工智能（AI）已成功实现了在现实应用中准确的SOC估计和循环寿命预测 [24]， [25]， [26]， [27]， [28]， [29]， [30]， [31]。例如，基于第10至100个周期放电容量曲线电压变化的多参数线性模型，预测商业磷酸锂（LFP）/石墨电池的周期寿命[24]，测试误差低至9.1%。基于此，开发了闭环优化框架，用于调谐快充协议中的电流和电压分布，显著提升电池寿命[25]。开发了一种基于机器学习的光谱法，用于在线测定VFB正电解质中的钒浓度和SOC，SOC的相对误差为2.30%，实现了高准确率[32]。此外，开发了一种基于深度学习的观测器，结合机器学习与物理电化学模型，仅利用终端电压测量估算SOC，相对误差低于5%[32]，[33]。尽管取得了这些进展，VFB系统的准确、快速且定量的在线SOC估计仍是重大挑战，尤其是在长期的充放电条件下，这会导致电解质失衡。
本研究基于基于真实20千瓦时VFB系统建立的627次充放电循环数据集，提出基于iTransformer的深度学习模型，无需事先了解离子交叉机制或副作用假设，即可准确估计SOC。该模型采用多元电化学特征（周期指标、电流和电压）作为输入，无需额外硬件如开路电池。iTransformer-SOC 模型展现了卓越的精度。iTransformer-SOC模型的MAPE在预测离线条件下超过500周期时不足1%。此外，还展示了适用于10千瓦VFB系统的在线iTransformer-SOC监测器，其预测精度比传统OCV方法提升了三倍。这种数据驱动的方法为VFB中的在线SOC监控提供了通用框架，相较于传统基于物理的模型，能够适应不平衡并实现可扩展部署。