增强SSB蓄电池在恒压充电场景下不间断电源系统的健康状态估计

2026-08-11 23:10:42

对不间断电源（UPS）健康状态（SOH）的准确监测对于维持其应急功能至关重要。与电动汽车和储能系统不同，UPS几乎完全采用恒压（CV）充电场景，这对SOH估计带来了重大挑战。本文报告了一种以当前放松行为特征工程为核心的新型机器学习方法。从一个关键洞见中得出两个关键特征：与之前的假设相反，电池电流在CV条件下的松弛速率并非恒定，而是与CV充电时间呈明显线性关系。描述当前弛豫率的斜率和初始值的参数被选为训练特征。这两种特征的整合解决了传统特征与目标 SOH 之间非唯一对应的问题。此外，其良好的可解释性降低了算法对大量训练数据的需求，并增强了方法在不同电池单元间的泛化性。实验结果表明，所提方法在磷酸锂（LFP）电池中，SOH均方根误差估计率可达不到0.01%。

简介

不间断电源（UPS）作为通信基站和应急保护系统的重要组成部分，用于在主电源故障或电力波动发生时提供临时电源，这在确保设备耐久性、防止数据丢失以及应对紧急情况方面发挥着不可或缺的作用[[1]， [2]， [3]]。近年来，随着价格下降和级联利用率的增加[[4]， [5]， [6]， [7]]，锂离子电池逐渐取代铅酸电池，成为UPS系统中储能部分的最佳选择[8]。
为了确保UPS系统能够及时且稳定地提供足够的电力，准确检查和评估电池的健康状态（SOH）非常重要，SOH是评估电池性能的最关键指标之一。以往的学者们对这一主题进行了大量研究。在这些研究中，最简单的方法是直接测量，通过测量电池的物理参数来评估SOH，例如放电容量或完整的开路电压（OCV）曲线[9,10]。然而，所有这些方法都需要特定的实验环境和测试设备，导致它们效率总是很低，不适合大规模应用。
为了高效获得SOH，提出了一系列间接测量方法。这些方法侧重于建立SOH与随细胞老化变化参数之间的数学关系。见参考文献。[11,12]，增量容量分析（ICA）和差分电压分析（DVA）曲线的局部部分参数用于估计。具体来说，通过仔细比较老化细胞与新鲜细胞在ICA和DVA曲线峰值大小及位置上的差异来实现。见参考文献。[13,14]，细胞内阻的变化也可以作为特征选择。具体来说，卡尔曼滤波器用于识别不同SOH状态下的内部电阻，并建立了电阻值与SOH之间的负相关。此外，在参考文献中，[15,16]，引入了一种基于电化学阻抗谱（EIS）的方法用于SOH估计。他们发现随着细胞老化，EIS的低频部分也会发生变化，导致奈奎斯特图中曲线末端向右移动的现象。基于这种右移现象，可以选择特征来估算 SOH。
然而，在实际运行过程中，UPS几乎完全适用于恒压（CV）场景，充放电时间较短，这使得这些方法难以启动用于SOH估计。因此，仅利用CV场景下的当前数据实现SOH估计仍然是一项具有挑战性的工作。对于CV场景，已有若干先进研究成果被研究。见参考文献。[17,18]，作者发现电流曲线随着细胞年龄存在“漂移”现象。具体来说，与新电池相比，老化电池在CV场景中达到截止条件所需时间更长，这导致测试时间延长，充电能力在此期间提升。基于这一现象，Q 的一个特殊特征_简历选择表示在CV场景中固定截止条件下充电的容量。以及Q之间的关系_简历SOH也随之成立。在类似的原理下，参考文献[19]使用了t的特征_简历，代表CV充电时间，用于估算SOH。与Q相比_简历，t的选择_简历因为该特征可以降低SOH估计的计算复杂度。然而，无论是否是_简历或 T_简历，也有同样的缺点。在收购Q的过程中_简历以及 t_简历电流衰减到极小的值，电流传感器难以准确测量，这将使截止条件的选择极为困难，增加SOH估计的不确定性。
为消除这种不确定性，一些学者提出了基于等效电路模型（ECM）的电流松弛率τ概念[20,21]。τ用于定义CV场景下的电流松弛速率[22,23]。具体来说，随着细胞老化，速率会逐渐下降，导致τ值逐渐上升。基于τ与细胞老化关系的功能化，SOH可以在线有效地获得。遗憾的是，这种使用τ来估算SOH的方法仍然存在一些缺点。通过实验发现，CV情景下的电流曲线仅大致符合“漂移”规则。由于细胞衰老过程受多种衰老机制影响，曲线所反映的实际趋势远比“漂移”现象复杂得多。具体来说，这一趋势表现为一些曲线显示局部混沌或交叉点。这导致被识别的τ与SOH之间存在非单调关系，这种关系会导致SOH估计不可靠。
为了解决这个问题，本文旨在寻找更稳定的特征，这些特征不仅能反映细胞老化程度，还能对当前曲线的混沌或交汇保持免疫。基于这些特征，将开发一种新的SOH估计方法，主要贡献如下：

• (1)
  发现在CV场景下，当前松弛率τ并非固定值，而是与CV充电时间呈正线性相关。
• (2)
  两个关键特征α和β描述了 τ 与 CV 充电时间之间线性关系的斜率和初始值，用于 SOH 估计。这两项关键特性的结合，确保了估算方法的高准确性。
• (3)
  通过基础的反向传播（BP）神经网络，可以证明所选特征在小数据集和低计算能力下的适用性。

利用所选特征，SOH估计可以在更深入的研究中进一步扩展。通过结合转移学习或其他先进机器学习网络，它可以应用于其他单元或整个模块[24,25]，适应不同的工作条件[26,27]，同时也能处理不完整的数据场景[28,29]。