考虑日历老化的高精度储能SSB蓄电池健康状态估计与主动管理技术

2026-10-20 10:40:02

作为新型电力系统的核心组成部分，储能电池会因日历老化而发生容量衰减，导致内阻增加和健康状态（SOH）下降。这些变化会损害储能电站的运行安全和全生命周期经济性能。为了满足固定式电池日历老化风险管理以及基于循环数据准确估计SOH的需求，本研究开发了两个互补组件：一种适用于固定式电池的现场优先充电策略，以及一个在公开循环数据集上评估的数据驱动SOH预测模型。该策略为低能量固定式电池定义了标准，并建立了用于风险电池锁定和电量补充的加权优先充电规则。我们构建了一个集成交互卷积和自适应频谱模块的SOH预测模型，并使用梦境优化算法来优化其超参数，解决多尺度特征纠缠和预测精度有限的问题。结果表明，该策略能补充固定式电池的SOC并提高电池电压，且风险评分与SOH显著相关。在CALCE和牛津循环数据集上，该模型的误差低于评估的基准模型，尽管误差的降低程度取决于电池和对比对象。消融实验证实了各模块的优越性。本研究为固定式电池提供了一种现场风险管理方案，以及一种在公开循环数据集上验证的高精度SOH预测方法。

随着全球能源转型的加速，新能源产业及其上下游供应链正在迅速扩张。储能是这一发展过程中的代表性组成部分[1]。作为新型电力系统不可或缺的组成部分，储能电站的部署规模和复杂程度正不断提升。然而，在这一发展过程中也出现了一些实际挑战。由于储能电站对光伏发电的并网至关重要，成本仍然是一个核心挑战[2]。电池约占总站投资的40%，以及电池储能系统（BESS）成本的近60%[3]。因此，它们的衰老和健康状况需要密切关注。
大规模储能电站和消费电子产品对电池提出了不同的性能要求[4]。因此，为消费电子电池制定的老化规则不能直接应用于储能领域。电池老化通常表现为电化学性能下降，特别是容量损失和内阻增加[5]。例如，当电池的剩余容量下降到初始容量的80%时，通常被认为已达到使用寿命的终点[6]。对于高功率电池，阻抗翻倍也可用于定义寿命终点[7]。在实际应用中，储能电池老化的原因可分为运行老化和静态老化。运行老化是不可避免的，因为所有电池在服役期间都会发生不可逆的退化[8]。例如，不稳定的运行条件可能导致放电不平衡，加速锂离子损失和活性物质损失（LAM），并促进固态电解质界面（SEI）膜生长等不可逆过程[9]。即使采取保护性操作措施，也无法消除锂离子损失和LAM等电化学老化机制；它们只能影响使用寿命。由于储能电站与电力系统相连，其电池在日常电网调度中无法在理想的充放电条件下运行。因此，部分电池使用频繁，而其他电池则运行频率较低或处于静态备用状态[10]。在生产完成后，电池性能也会随着时间推移而下降，即使在低频使用或闲置待机状态下，直到达到特定的老化阈值（例如初始容量的80%）。这一过程持续的时间被称为日历寿命或日历老化[11]。因此，在实际的储能系统中，日历老化是不可避免的。它源于电池内部持续且不可逆的副反应，即使在最佳储存条件下也无法完全消除[12因此，合理的监测与缓解策略对于保护电池健康、规划电池服务以及降低储能应用中的运营成本至关重要。
准确的SOH估算有助于解决储能电站的若干运行挑战。首先，作为电池储能系统（BESS）的核心安全指标，SOH能有效识别异常电池，从源头防止热失控并降低火灾风险[13]. 其次，SOH为评估老化提供了重要依据。它支持平衡控制和单电池替换等策略，从而限制由老化电池引起的簇退化，并降低运维成本。它还支持梯次利用和退役回收，提高全生命周期经济效益[14]。最后，储能系统对于调峰、调频和应急备用至关重要。电池退化会减缓功率响应并降低可用容量，可能导致电站无法满足电网调度指令[15].
广泛的研究已为SOH估算建立了相对成熟的理论框架。按照传统分类，我们将现有方法分为四类。
第一类包括基于实验的检测方法。这些方法通过测量电池运行期间与老化相关的参数（如容量和内阻）来估算SOH[16]。然而，这些方法需要高精度的传感器，且仅适用于离线实验室应用，限制了其在工程部署中的实际价值。
第二类包含基于模型的方法。这些方法通过电池模型模拟SOH演化，并能提供全生命周期的估算[17]。典型代表包括经验退化模型、等效电路模型和电化学模型。经验退化模型通过拟合函数来描述SOH退化曲线。例如，一种具有指数衰减斜率的改进线性模型实现了良好的长期预测准确性和泛化能力[18然而，这些模型的解释性有限，无法解释电池容量增加等现象。等效电路模型通过电阻等电路元件模拟电池行为，以估算SOH。Liu等人[19]在卡尔曼滤波框架下使用带有恒流偏置补偿项的二阶RC等效电路模型，大幅提高了预测精度。该方法结构简单、计算成本低，可与滤波算法结合进行在线SOH估计。然而，在复杂工况下实现准确的模拟仍具挑战。电化学模型利用偏微分方程描述电池老化机制。电化学阻抗谱也被用于获取内部退化信息以进行SOH估计[20]。由于电池涉及复杂的内部化学机制，这些模型需要大量的计算和复杂的结构，给研究人员带来了实际挑战。
第三类方法包括数据驱动的黑盒方法。鉴于上述复杂的内部反应，数据驱动方法提供了一种可行的替代方案。通过将电池内部视为黑盒，这些方法绕过了详细的机理分析，提取与老化相关的外部健康特征（HFs），并学习HFs与SOH之间的映射关系[21]。代表性的数据驱动算法包括支持向量机（SVMs）[22]、随机森林回归[23]以及数据驱动的循环寿命预测[24]已被广泛采用。然而，它们的准确性很大程度上取决于健康特征的选择和运行条件。随着人工智能的发展，深度学习算法已日益取代传统的机器学习方法。它们的适应性和表征能力有助于处理非线性、弱相关健康特征和复杂的时间依赖关系。例如，Du等人[25]将卷积神经网络与小波变换和注意力机制相结合，提高了SOH预测的准确性。Wang等人[26] 提出了一种具有时间与通道注意力的指数平滑 Transformer，从而通过自注意力机制提高了预测精度。
第四类包含混合方法。由于前几类方法具有互补的优势和局限性，混合方法在一个统一的框架内整合了它们的优点。它们可以在不增加计算成本的情况下实现高质量的预测，因此被认为是很有前景的研究策略。混合方法结合了互补的物理、统计和数据驱动信息。Waag等人[27]回顾了锂离子电池的诊断和预后方法，包括基于模型和数据驱动的健康评估。Linghu等人[28]提出了一种将数据增强与LSTM-iTransformer模型相结合的SOH估算方法，解决了数据稀缺问题并提高了预测精度。Zhang和Lee [29]总结了锂离子电池的寿命预测和健康监测方法，并强调了将测量信号与退化感知模型相结合的必要性。
储能电池的SOH估算仍面临若干挑战。首先，电池在非理想条件下运行。退化的单体电池会产生电压差，影响整个电池簇并扭曲相关的SOH信息。其次，SOH预测不能仅依赖历史循环SOH。必须考虑工作温度、充放电倍率和循环次数等外生变量的影响。最后，储能电站需要能够考虑日历老化的系统性监测与诊断框架。
主流的锂电池公开数据集（包括CALCE和牛津数据集）主要记录的是循环充放电老化条件下的数据。由于储能电站资产属于商业机密，很难获取长期静态日历老化全寿命周期的时间序列数据。为了解决这一局限性，我们将日历老化风险管理策略的评估与SOH预测模型的定量评估分开处理。前者使用静态电池的现场监测数据进行检验，而后者则使用公开的循环数据集进行评估。因此，本研究结果展示了在循环数据上的预测性能以及来自现场风险管理的观察结果。它们并未独立验证纯日历老化预测，也未将日历老化与循环老化完全剥离。
现有的混合SOH预测方案通常只是简单堆叠独立的网络模块，缺乏针对复合电池老化的结构化重新设计或交互式特征传输。这可能导致集成流于表面，且无法充分分离多尺度老化特征。与这种组件堆叠范式不同，我们并未直接采用原始且未经修改的自适应频谱区块（ASB）、交互式卷积区块（ICB）和CrossLinear结构。相反，我们针对电池老化任务定制并重构了每个模块，并在频谱分解与交互卷积单元之间构建了双向归一化特征交互通道。由此产生的三个部分架构形成了一个集成的时频特征交互机制，用于表示测量序列中的低频和高频模式。在本稿件中，这些频率分量被视为时间尺度特征，而非独立验证的日历和循环老化的物理特征。该架构旨在减少SOH预测中的特征耦合，而纯日历老化和受控复合老化条件下的验证仍超出可用数据集范围。基于我们之前的研究[30,31,32], 本研究进一步提出了一种面向日历老化储能电池的综合SOH预测与主动保护策略。我们基于SOC、簇内电压差等参数建立加权风险评分，将电池分为A类高风险静态电池或B类正常电池。A类电池将被锁定禁止放电并优先充电，以减少其在运行中暴露于日历老化的风险。同时，重构的ICB和ASB模块[33]被嵌入到优化的CrossLinear架构[34]构建了ICB-ASB-CrossLinear SOH预测模型，其中利用梦境优化算法(DOA)[35]进行超参数调优。消融实验用于比较各模块的贡献。本研究的主要贡献总结如下：
(1) 为应对日历老化问题，我们设计了针对性的管理策略并制定了优先级评分。该策略直观高效，可用于识别日常运行中的充电优先级。风险评分与SOH也显著相关，可能为后续SOH研究提供支持。
(2) 我们提出了一种集成多尺度特征解耦机制，通过双向跨特征交互重构ICB、ASB和CrossLinear。该模型消除了SOH预测过程中多维电池健康特征间的干扰。消融实验评估了各模块的必要性以及所提模型的性能。
(3) 我们采用Dream优化算法解决深度学习模型中的超参数选择问题，从而提高预测精度。
本文结构安排如下。第2节介绍了SOH和初步数据处理。第3节提出了日历老化对策策略和预测模型实现。第4节报告了关于老化控制策略和预测模型的实验，以及消融分析。第5节总结研究结果并讨论未来的研究方向。

2. 预备信息

2.1. SOH 估算

SOH通过比较电池当前性能与原始状态来量化电池的老化和退化。它通常以百分比表示。新电池的标准SOH值为100%。当可用容量低于初始额定容量的80%，或内阻显著高于初始内阻的120%时，电池面临潜在故障或退役，需要及时更换。大多数学术研究使用容量比作为电池健康标准。我们遵循此定义，如公式(1)所示。

上一篇：SSB蓄电池一种用于可再生能源供电换电站网络的混合整数线性规划-地理信息系统选址与规模确定框架，包含小时级可行性筛选

下一篇：建筑能源系统中的光伏、储能、直流电与灵活性：技术、协调与电网交互综述