SSB蓄电池面向多元储能场景的锂离子电池多应力普适性退化框架

2026-03-27 10:45:57

电池储能系统（BESS）已成为高比例可再生能源电网的关键基础设施，可提供频率控制备用（FCR）、削峰填谷（PS）和光伏（PV）并网等核心服务。锂离子电池（LIBs）在不同运行场景下的复杂退化行为，要求建立鲁棒模型以实现最优BESS管理。本研究提出了一种通用半经验退化框架，可在实际Multi应力条件下系统整合日历老化与循环老化机制。所提出的模型整合了温度、C倍率、放电深度（DoD）和荷电状态（SoC）等多重应力因素，这些因素源自对电池储能系统（BESS）在FCR、PS和PV应用中任务（Mission）特性的综合分析。通过对电池老化数据集进行系统验证，该框架展现出卓越的准确性。高于0.94。关键发现表明，循环次数和放电深度（DoD）是主导这些应用场景中电池退化行为的核心因素。经验证的框架为最优电池储能系统（BESS）部署策略提供了量化依据，可提升寿命预测精度、优化维护计划并完善经济性评估。该通用方法解决了现有退化模型的基础性缺陷，为BESS利益相关方提供了提升可再生能源并网应用中系统可靠性与经济性的实用工具。² above 0.94. Critical findings reveal that cycle number and DoD emerge as the dominant factors governing battery degradation across these applications. The validated framework provides quantitative insights for optimal BESS deployment strategies, enabling improved lifetime prediction, maintenance scheduling, and economic feasibility assessment. This universal approach addresses fundamental gaps in existing degradation models and offers practical tools for BESS stakeholders to enhance system reliability and economic performance in renewable energy integration applications.

引言

可再生能源渗透率的不断提高已成为现代电力系统的显著趋势，其中电池储能系统（BESSs）在调节电网功率流方面发挥着关键作用。在电化学储能技术中，锂离子电池（LIBs）因其高能量密度、长寿命和无记忆效应[1][2][3]，已成为固定式电网储能应用的主导选择。随着可再生能源并网规模的扩大，电池储能系统承担着多样化运行职能，包括频率控制备用（FCR）、电网调峰（PS）、光伏（PV）系统运行辅助以及如图1所示的电网支撑场景。这些应用场景对系统运行提出了差异化需求：调峰通常要求电池储能系统每日进行1-2次充放电循环，而频率控制备用则需要频繁执行短时（秒级至分钟级）充放电操作。因此，电池储能系统（BESS）的退化模式在这些应用场景中存在显著差异，这使得针对特定场址部署的投资决策必须依赖于精确的经济性评估[4]。
在这些应用中，电池储能系统（BESSs）所遭遇的多样化任务场景为电池退化建模与经济性评估带来了重大挑战。尽管已有大量研究探讨了锂离子电池（LIBs）的老化机制，但精确表征电化学反应过程中锂离子微观动力学行为仍存在困难。从本质上讲，锂离子电池容量衰减主要源于两种老化模式：电极活性材料损失（LAM）和锂库存损失（LLI）[5]。近期综合研究确定了正常运行期间的五大主要退化机制和十三项次要退化机制，其中主要机制包括固体电解质界面（SEI）膜形成、锂沉积、颗粒破裂以及正极结构变化与分解[6][7]。
锂离子电池（LIB）的容量衰减主要通过两种在真实工况下同时作用的基础老化路径体现：日历老化与循环老化[8]。日历老化指电池在静置存储期间、未进行实际充放电操作时随时间推移产生的性能衰减，主要由寄生副反应和电解质分解驱动。相反，循环老化源于反复充放电过程，机械应力、离子传输限制以及加速的副反应共同导致电池容量和功率能力逐步劣化[9][10]。这些老化模式的同步发生，加之其在变化温度、荷电状态（SoC）及运行模式下的复杂相互作用，为各类电池储能系统（BESS）应用中精确预测容量衰减带来了重大挑战。
鉴于电池健康状态（SoH）建模的复杂性及其对电池储能系统（BESS）经济可行性的关键影响，大量研究致力于开发SoH估算方法。现有方法可大致分为数据驱动方法与基于模型的方法[11]。数据驱动方法利用先进机器学习算法从运行数据集中识别退化模式[12][13][14]，具有计算效率高和适应性强的优势。然而，这些方法面临根本性局限，制约了其在多样化电池储能系统（BESS）场景中的适用性。它们作为"黑箱"运行，既无法揭示底层物理机制，又表现出对历史训练数据的强烈依赖，且在应用于不同电化学体系、制造商或运行条件时迁移性较差[15][16]。对于运行场景与现有训练数据集差异显著的通用型BESS而言，这些局限性尤为突出。
为解决数据驱动方法的局限性，基于模型的方法通过将电池行为的物理理解融入估计框架，提供了不同的研究范式。基于模型的方法可分为三大类：等效电路模型（ECMs）、电化学模型（EMs）以及经验或半经验模型，这些模型代表了计算复杂度与物理保真度之间的不同trade-off。其中，等效电路模型通过监测内阻[17][18]或容量[19]等电路参数的变化来评估电池退化状态。尽管等效电路模型（ECM）具有计算简便和实时实现的优势，但其集总参数表征方式在捕捉复杂老化现象时存在精度局限。电化学模型以Doyle和Newman建立的经典伪二维（P2D）框架为基础[20]，通过详细建模电化学过程[21][22]，能够高保真地再现电池物理特性。然而电化学模型的计算强度限制了其在实时电池储能系统应用中的实际部署，尤其在大规模系统中更为显著。
经验模型与半经验模型通过数学关系将电池寿命与关键老化应力因子相关联[24]，在计算效率与建模精度之间实现了实用性的折衷[23]。这类模型的发展历程体现了对应力因子组合的系统性考量逐步完善。早期研究主要关注单一应力因子，例如Torregrosa等[25]针对多种化学体系开发的日历老化模型，其预测精度（以R²为指标）表现突出。²四种不同类型锂离子电池的数值均超过0.97。Daniel等人[26]采用多种数学公式，在磷酸铁锂(LFP)电池模型中整合了温度、平均荷电状态(SoC)和放电深度(DoD)的影响。渐进式模型发展致力于解决多应力耦合问题：Schimpe等人[27]耦合了温度、C倍率和SoC但忽略了DoD；Zarei-Jelyani等人[28]引入了运行时间效应但未考虑SoC与DoD的影响，其相对误差低于2%。近期研究更聚焦特定机制，如Park等[29]分析了循环-日历老化相互作用及固体电解质界面相(SEI)生长机制，但其研究仅限于镍钴铝氧化物(NCA)化学体系在恒温条件下的表现。此外，Varini等人[30]开发的电化学基础半经验模型虽在容量衰减20%范围内具有较高精度，但在高温条件下误差显著，且未能捕捉循环-日历耦合效应。本文献综合分析表明，现有经验模型存在根本性缺陷，限制了其在多样化电池储能系统(BESS)场景中的普适性应用。现有模型存在三个关键局限性：未能全面考虑多应力因子交互作用、依赖于特定电池化学体系或运行条件，以及日历老化与循环老化机制间的耦合不足。这些局限性对于运行工况高度变化的电池储能系统（BESS）尤为突出，其电池需经历包含温度、荷电状态（SoC）、放电深度（DoD）和倍率（C-rate）等复杂组合的多任务剖面工况。因此，开发一种能全面处理多应力交互作用同时保持计算可处理性的通用退化模型，是实现跨应用场景BESS部署精准经济评估与优化管理的关键研究需求。
电池退化模型在电池储能系统(BESS)实际应用中面临的挑战不仅限于建模局限性。多项研究表明，研究者常将电池老化简单处理为经济性指标——通常采用线性化寿命成本函数或基于能量吞吐量的折旧模型，将退化近似折算为运行期间的直接经济损失[31][32]。另有研究在BESS优化框架中采用简化退化表征方法，例如线性或分段线性容量衰减模型[33][34][35]。尽管这些方法有助于实现经济调度和系统级优化，却未能捕捉实际运行工况与底层电化学衰减机制之间的复杂耦合关系。近期研究尝试通过精细化建模方法来填补这一关键空白。Xu等人[36]针对FCR应用开发了一个包含温度、放电深度(DoD)和平均荷电状态(SoC)的半经验模型，利用SEI膜生长机制来提升预测精度。该模型在动态应力测试(DST)中展现出良好的验证性能，实现了容量保持率超过0.95。然而，该模型完全未考虑充放电倍率（C-rate）效应，鉴于电网级储能系统通常面临高功率循环需求，这一疏漏尤为关键。此外，针对不同任务场景下电池退化模式的机理分析仍显不足，难以为各类运行工况对电池长期老化的影响提供充分见解。² exceeding 0.95. However, C-rate effects are entirely neglected, which represents a critical oversight given the high-power cycling demands typical of grid-scale energy storage operations. Furthermore, the mechanistic analysis of degradation patterns across diverse mission profiles remains limited, providing insufficient insight into the influence of different operational scenarios on long-term battery aging.
针对这些根本性局限，本研究提出了一种通用半经验退化模型，专门设计用于全面评估电池储能系统（BESS）在多样化任务场景下的性能。该方案通过创新建模框架，系统性地将多应力老化机制与实际运行工况相融合，该框架兼具高保真电池物理特性与工程实现所需的计算效率要求。基于SimSES（固定式储能系统模拟）生成的多样化电池储能系统应用任务配置文件，可在实际运行条件下系统分析老化应力因子的交互作用。采用PyBaMM（Python电池数学建模）进行退化模型开发与验证，在保证实际部署计算可行性的同时，提供基于电化学原理的老化预测。本文的创新性工作体现在以下方面：

• (1)
  本研究提出了一种通用的半经验退化模型，该模型通过系统性耦合多应力老化机制（温度、C倍率、放电深度和荷电状态），同时涵盖日历老化与循环老化两种模式。模型引入寿命转换系数以确保其在不同类型锂离子电池化学体系间的跨化学适用性。
• (2)
  采用所开发模型对不同任务剖面下的电池储能系统（BESS）进行了全面退化分析。通过系统解析应力因素对BESS退化的差异化影响，为优化运行策略提供了可动作的见解。