面向大规模锂离子电池储能系统：基于深度学习的电池组健康状态估计
2026-05-30 09:56:18 点击： 次
准确预算电池健康状况(SOH)关于保证大规模锂离子电池储能体系(BESS)的运转安全与长时间牢靠性至关重要。但是，现有办法仍受限于实践运转数据不足及普遍缺乏物理解释性。为打破这些约束，本研讨剖析了一个工业数据集：该数据集包含从1000千瓦时/1296个电池单元的BESS中历时240天采集的830万个数据点，提醒了与电气拓扑结构明显相关的集群级SOH不一致现象。依据上述剖析，咱们提出了一种卷积物理信息神经网络（CPNN），该网络将电池退化物理机制与深度卷积学习相交融。这种依据人工智能（AI）的模型在保证物理一致性的一起，无需手动特征工程。实验结果表明，与传统卷积神经网络比较，CPNN在四个不同数据集大将平均肯定百分比误差下降了32.67%。此外，咱们的数据驱动剖析提醒了导致非均匀老化形式的电气规划要素，为电池储能体系（BESS）的规划优化供给了可操作的见地。这项工作不仅推进了电池预后的人工智能驱动办法，还处理了BESS生命周期办理中的要害工程应战。
引言
全球向低碳动力的转型使储能技术成为可再生动力并网和电网安稳性的要害处理方案，推进其快速大规模布置。2024年全球新增储能装机容量跃升至188.5吉瓦时，同比增加82.1%（全球储能联盟，2025年），彰显了职业的爆发式增加。作为最老练的电化学储能技术，锂离子电池（LIBs）因其牢靠性和可扩展性（世界动力署，2024年）在这一格式中占有中心地位。但是，长时间运转不可避免地会下降其健康状况（SOH）——即可用容量与标称容量的比值——然后影响经济收益与安全性，并对可继续电池储能体系（BESS）的开展构成要害障碍（Nyamathulla和Dhanamjayulu，2024年）。由于工业/商业BESS的运转条件相较于受控实验室环境（如恒流循环、全深度充放电协议）明显复杂（Figgener等，2024年），这一应战进一步加重，使得精确的SOH估量变得尤为困难。为弥补这一空白，亟需依据实践运转数据的稳健SOH估量办法，此类办法将优化经济效益、下降安全风险，并推进职业高质量转型。 %%
作为电池办理体系（BMS）的中心功用，精确的健康状况（SOH）估量是剩余使用寿数（RUL）预测（Chen等，2024；Hong等，2023；Lai等，2025；Zhang等，2024）、故障诊断（Yang等，2022；H. Zhang等，2025a；Zhang等，2025b）以及二次寿数评价（Gao等，2024；Z. Wang等，2024a；Wang等，2024b）等要害使命的基础。鉴于其对电池安全与体系效率的直接影响，SOH估量已成为重点研讨课题。现有办法首要分为两大类：依据物理的模型（Bian等，2022；Gao等，2022；Li等，2024；Lui等，2021）和数据驱动办法（Che等，2025；Huang等，2022；Wu等，2024；Q. Zhang等，2025a；Zhang等，2025b；Zhou等，2024）。
依据物理模型的健康状况（SOH）估量办法经过数学公式模拟电池老化机制，首要选用等效电路模型（ECMs）和电化学模型。ECMs使用电气元件（如电阻器、电容器）近似充放电动态特性，其典型代表包含Rint模型、戴维南模型以及高阶RC模型（Feng等人，2024）。Bian等人（2022）研讨表明，经过从恒流充电数据中提取开路电压（OCV）曲线，将OCV模型与增量容量剖析相结合可完成精确的SOH估量。比较之下，电化学模型模拟的是降解机制（如电极反响、固相分散）。Gao等人（2022年）开发了一种选用双非线性滤波的降阶电化学模型，而Lui等人（2021年）则经过活性物质损失和锂背包损失等机制对容量衰减进行建模。但是，依据物理的SOH预算办法的准确性从根本上受限于其模型参数化。参数辨认不足会损害模型保真度，而参数过多则会导致过拟合和计算复杂性，然后阻止实时BMS的施行（Lu等人，2024b；D. Lyu等人，2024a，Lyu等人，2024b）。因此，无论是等效电路模型还是电化学模型，在实践运转条件下的储能使用中，都无法完成牢靠的生命周期预算。
数据驱动的健康状况(SOH)估量办法经过机器学习算法处理电池运转数据(电流、电压、温度)以辨认老化形式。常用办法包含支持向量机(SVM)(Feng et al., 2019; Peng et al., 2024)、长短期回忆网络(LSTM)(Lyu et al., 2023; Hu et al., 2023; G. Lyu et al., 2024a, Lyu et al., 2024b)、卷积神经网络(CNN)(Xu et al., 2023; Zheng et al., 2024; Cao et al., 2025)以及门控卷积神经网络(GCNN)(Ren and Du, 2023; Zhang et al., 2023)。最新研讨进展(F. Wang et al., 2024a, Wang et al.（Tang等，2024；Desai等，2025）研讨表明，将物理约束融入数据驱动模型可提高估量精度。虽然这些办法在大数据场景表现优异，但多数仅经过实验室数据验证，约束了实践使用价值。为弥合这一鸿沟，研讨者开端使用现场数据：Lu等（2024a）选用464组电动汽车数据集开发可搬迁图卷积神经网络模型，Liu等（2025）则经过三年期300辆电动汽车数据剖析构建了处理实验室-现场差异的多模态框架。这些实践效果显示出提高的工程有用功能。
但是，电池储能体系（BESS）的运转条件与实验室测验及电动汽车使用场景存在明显差异，目前针对该范畴的研讨仍较为有限（Nyamathulla和Dhanamjayulu，2024）。Dubarry等（2023）剖析了光伏一体化家庭BESS的电池数据，Figgener等（2024）则依据德国21个家庭BESS的实测数据开发了可扩展的容量估量办法。虽然这些研讨提醒了部分运转特征，电网级储能体系的健康状况（SOH）精确评价仍面对应战，需求更具适应性的办法论。
为进一步说明电网储能体系（BESS）与实验室电池及电动汽车电池在运转特性上的差异，咱们依据现场数据和相关研讨，从三个要害维度剖析了其中心区别。详细而言：在循环工况方面，BESS选用与电网匹配的削峰填谷形式运转，具有每天1-2次深度充放电循环、继续十年服务寿数的特征；而电动汽车电池则因驾驶形式多变，每天经历2-3次间歇性部分循环；实验室电池则依托标准化循环实验，例如固定的1C恒流充放电。关于倍率特性，BESS以长命数为导向，选用0.1-1C速率下运转，而电动汽车电池需求中高倍率（1-3C用于驱动，5-7C用于快速充电）以满意移动需求，实验室测验则常选用2-5C的极高倍率来加快老化机制。就老化应力要素而言，电池储能体系的功能衰减首要源于日历老化（Collath等，2022），其程度因制作差异导致的集群级不一致性和电流散布不均而加重；电动汽车电池老化则由高倍率循环主导；实验室老化研讨则聚焦于孤立应力要素（如高C倍率或过充）以分离特定衰减途径（Guo等，2021）。这些量化差异凸显了电池储能体系健康状况评价的特殊应战，其根源在于体系级架构与运转需求的独特性。（注：依据学术标准，此处保存段落分隔符%%以维持原文结构。后续段落因输入截断未完整出现，故未进行弥补翻译。）
图1展示了BESS的层级架构：单体电芯先组装成模组，再经过串联形成电池簇。多个电池簇随后与电池办理体系(BMS)、功率转化体系(PCS)以及热办理体系集成，构成完整的BESS。这种多层级集成导致实验室研讨与现场运转之间存在根本差异——虽然电芯级实验产生的是洁净、可控的数据，体系级运转却会引入明显的不确定性，然后下降数据质量。经过对实验室、电动汽车和工业BESS运转数据的归纳剖析，咱们辨认出工业/商业BESS特有的三个要害特征：
- (1)运转形式：工业级电池储能体系（BESS）依据电网调度指令、峰谷电价波动及可变动态调整操控战略。这种实时适应性导致充放电形式出现高度不规则性，且荷电状况（SOC）区间频频变化。此外，电池办理体系（BMS）强制施行的SOC约束区间与禁区设置虽延长了体系使用寿数，却对精确的健康状况（SOH）预算构成明显应战。 （注：依据术语表要求保存"Load"原文，但依据上下文判断此处应为"负载/负荷"的专业意义，故选用"可变负载"译法。若需严格对应术语表，可调整为"可变"）
- (2)体系拓扑结构：商业电池储能体系（BESS）复杂的多层架构包含数百至数千个串并联连接的电池单体，这会放大初始参数（容量、内阻、热特性）的差异。这些纤细的单体级差异在长时间运转过程中不断累积，导致明显的模组级不一致性并加快容量衰减。
- (3)运转环境温度：虽然选用了温度调节体系，工业电池储能体系（BESS）仍因与冷却配备的间隔差异及体系效率不均而出现明显的热梯度。这种热异构性与主动温度办理相结合，破坏了实验室研讨中建立的基础温度-老化联系，导致传统热降解模型在现场使用中失效。
本文首要内容如图2所示。本研讨使用工业园区电池集群电池办理体系（BMS）的现场运转数据，处理了大规模电池储能体系（BESS）高精度健康状况（SOH）预算的难题。本研讨的中心贡献如下：
- (1)数据集与体系剖析：本研讨选用了当前已知最大规模的BESS数据集进行SOH预算研讨，包含1296个单体电池（每个240安时），总容量约1000千瓦时（kWh）。经过对八个月内采集的830万条运转数据进行全面横向（集群间）与纵向（集群内时序）比照剖析，提醒了大规模锂离子BESS存在的要害电气结构规划缺点。
- (2)标签生成办法学：针对现场数据中才能标签缺失的问题，咱们开发了一种依据K-means聚类的创新无性向办法用于划分充放电循环。所提出的运转工况安稳性评价办法经过安稳工况下放电区间的安时积分，完成了牢靠的才能标签生成。该方案有用处理了现场数据剖析中的标签稀缺性问题。
- (3)新型算法开发：咱们提出一种物理信息卷积神经网络（CPNN），该网络无需人工特征工程。CPNN架构在自动提取相关特征的一起，经过交融物理约束来按捺估量反常。这些物理约束在功能不一致的电池体系中尤为有用，能够针对具有不同衰减速率的电池组完成精确的健康状况（SOH）估量。