SSB蓄电池基于动态与静态特征融合的铅酸蓄电池多阶段一致性筛选方法

2026-03-25 09:03:25

作为备用电源，变电站中的铅酸蓄电池在长期浮充条件下表现出显著的容量健康状态不一致性。针对传统全容量测试耗时过长的问题，本文提出一种无需先验数据的铅酸蓄电池一致性筛选方法，旨在快速筛选并重组具有一致健康状态的电池组。该方法整合了电化学阻抗谱的静态信息与脉冲测试的动态响应，构建了电池状态的综合特征集，并通过多级筛选方法描述电池内部状态的一致性。在第一阶段，采用改进的马氏距离评估电池单体间的相似性与聚合程度；第二阶段则采用孤立森林的无监督异常检测算法，实现对异常电池单体的精准识别与剔除。第三阶段，整合两种方法的评估结果，对单体铅酸蓄电池进行综合定量一致性评分。根据评分结果，从104块铅酸蓄电池中筛选出24块高一致性电池。实验验证表明，所选24块铅酸蓄电池放电前的开路电压差为16毫伏。在该组放电实验中，各单体电池电压差为73毫伏，容量差为2.11%。该方法在优化铅酸蓄电池一致性筛选方面展现出良好潜力。

引言

变电站直流电源系统由充电装备和蓄电池组构成[1]。其中，蓄电池组在主电源中断时提供临时应急电力，以确保装备持续运行[2,3]。电池组通常由若干单体电池串联组成，组内各单体电池性能参数的不一致性是影响系统整体性能与寿命的关键问题[4]。性能不佳的电池存在内阻高、容量小、自放电率高等问题。若电池组中存在性能不一致的电池，在市电中断的关键时刻，短路电池将率先达到放电终止电压，从而显著缩短整个电池组的有效容量与放电时间，甚至可能无法达到设计的后备时间。这将导致后备电源丧失可靠性[5]。基于此，严格筛选单体电池性能一致性是提升不间断电源系统可靠性与运行安全性的必要技术手段，也是最大限度延长电池组实际使用寿命的关键措施，特别是在以浮充为主的应用场景中[6]。
电压、容量和内阻是衡量铅酸电池一致性的关键指标[7]。根据所采用的一致性指标，筛选方法大致可分为两类：1)基于外部特性参数的筛选方法；2)基于内部状态参数的筛选方法。基于外部特性参数的筛选方法直接测量电池的端电压和温度。通过分析电池组中各单体电池在充电、放电或静置状态下端电压与温度的差异，可判断电池的性能一致性。Mehrnoosh等[8]基于电池的电化学特性及其充放电过程中电流与电压的变化，采用径向基函数神经网络对电池的电气模型进行辨识。Yue等[9]从铅酸电池充放电过程中同步采集的电流-电压时间序列数据中提取了有限长度的目标数据段，通过小波基分割聚焦与电池老化相关的关键动态信息。Liu等[10]以初始放电电压、初期放电阶段电压差及放电平台电压掉落速率作为评价指标，基于局部离群检测算法构建了铅酸电池健康状态的多性向评价模型。Y等[11]将单体电池温度与电池间温差作为一致性的影响因素，建立了电池组的电热模型，并预测了电池的热行为及一致性。
外部特征易于测量，但无法直接反映电池内部状态。基于内部状态参数的筛选方法着重反映电池内部电化学状态，例如荷电状态、容量和内阻。这些参数通常无法直接测量，必须通过模型估计或特定测试获取。Justin等[12]研究了铅酸电池在不同化成水平下的内阻变化，并考察了内阻与电池性能的关联性。他们发现内阻值与电池容量的化成程度存在相关性。K.等[13]采用高频阻抗这一可测参数，构建了特定时刻电池整体状态的完整评估维度，解决了传统性能数据无法全面反映实时健康状态的问题。Sadabadi等[14]对电池老化过程中的瞬时动态电阻进行了频响特性分析，建立了动态电阻频域特征与电池健康状态之间的对应关系。
虽然电池内阻易于测量，但其数值同时与SOH和SOC存在关联。仅凭内阻参数无法精确区分两者对参数的影响，这会影响SOH评估的准确性[15]。Julia等人[16]采用相对阻抗增量作为评估电池健康状态的核心指标，但实验发现该指标在不同测量频率下存在显著波动。这表明激励信号和测量频率的选择将直接影响可用容量的计算结果。单一频率的阻抗数据无法准确反映电池的剩余健康状态。相比之下，电化学阻抗谱技术通过施加宽频率范围内的小幅度正弦交流信号，测量电池的复阻抗响应。该技术能够提供电池内部电化学过程的丰富信息，例如电荷转移、材料扩散和界面电容等。Petr等人[17]基于电化学阻抗谱，在2570 Hz至0.351 Hz频率范围内测量了铅酸电池的两个关键阻抗参数——阻抗幅值和相位角，旨在捕捉电池内部电化学特性的变化。实验结果表明，伴随电池老化的内部降解机制会显著改变阻抗模量和相位角。Huan等[18]采用非破坏性融合监测方法，在高倍率部分放电循环场景下评估了铅酸蓄电池的健康状态。基于铅酸蓄电池在高倍率部分放电循环过程中负极板的充放电曲线及在线电化学阻抗谱，他们通过非破坏性方法捕捉了电池内部电化学行为的变化。
数据驱动方法通过算法挖掘实验提取的内外部特征参数与铅酸蓄电池健康状态之间的关联特性，进而利用这些关联特性评估铅酸蓄电池健康状态。Muhammad等[19]提出了一种基于神经网络的简化电池健康状态估计方法，该方法以神经网络为核心建模工具，无需依赖电池内阻、阻抗等内部参数。该方法仅利用实时电池电压和电流信息以及简单的数学计算，通过神经网络精确拟合电池的动态行为。Syed等人[20]提出了一种基于时间序列聚类的电池异常检测方法。该方法仅使用电池运行数据，不依赖离线测试数据，从而为提高数据中心的维护效率和降低电池运行风险提供了途径。Amin等人[21]通过应用卡尔曼滤波器和MLP神经网络估算了电池的荷电状态(SOC)。Li等人[22]提出使用符号动态滤波特征提取工具来估算铅酸电池的SOC和健康状态(SOH)。
基于外部特征的电池健康状态评估方法仅依赖外部参数，无法与电池内部电化学状态建立关联。而基于内部特征的评估方法虽能关注电池内阻等电化学状态的变化，但在实际应用场景中存在大量工业噪声，仍难以精确获取电池内部状态信息。数据驱动算法需要大量数据进行算法训练，而在变电站场景中，难以获取蓄电池连续劣化过程的标注数据，模型缺乏训练基础。针对目前铅酸蓄电池组单体一致性筛选方法的局限性，本文提出一种无需先验数据的铅酸蓄电池单体一致性筛选方法。该方法融合电化学阻抗谱静态信息与脉冲测试动态响应，构建了铅酸蓄电池综合状态特征参数体系。通过多级筛选方式，全面表征蓄电池内部状态一致性。在第一阶段，采用改进马氏距离评估电池单体间相似性与聚合程度。在第二阶段，采用孤立森林的无监督离群值检测算法，精确识别并剔除异常电池单体。第三阶段通过整合统计学与机器学习方法，对电池单体一致性进行全面定量评估，并依据评估结果从104个电池单体中筛选出24个具有极高一致性的单体。本文的主要贡献如下：

• 1)
  通过整合电化学阻抗谱反映的静态阻抗信息与脉冲测试揭示的动态电压响应特性，构建了能够全面表征电池内部状态的多维特征集。该方法有效克服了传统仅依赖单一数据源所导致的特征偏差和评估偏离问题。
• 2)
  该筛选方法的框架遵循"先整体、后个体"的逻辑思路，既保证了筛选流程的稳健性，又确保了异常值识别的准确性。第一阶段基于改进马氏距离从聚合角度评估电芯间的整体相似性；第二阶段则利用隔离森林无监督异常检测算法，从离散角度精确定位并剔除异常单体电池。
• 3)
  第三阶段采用两种评价方法联合筛选，为每个电芯生成全面且一致的量化评分，该评分直接反映各单体电池与其对应组别的一致性程度。该方案无需任何历史数据，即可快速筛选出一致性更优的电池进行重组再利用。