多应力通用降解框架：面向多性向储能场景的锂离子电池研究
2026-06-01 19:47:50 点击： 次
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，为电网提供频率控制备用(FCR)、削峰填谷(PS)和光伏(PV)并网等重要服务。针对锂离子电池(LIBs)在不同多性向运行场景下的复杂退化行为，亟需建立鲁棒模型以实现BESS最优管理。本研究提出了一种普适性半经验退化框架，可系统整合实际多应力条件下的日历老化与循环老化机制。所建模型综合考量温度、倍率、放电深度(DoD)和荷电状态(SoC)等多重应力因子，这些参数源自对FCR、PS和PV三类任务剖面下BESS运行特征的全面分析。通过在电池老化数据集上的系统验证，该框架展现出卓越的预测精度，高于0.94。关键研究发现，循环次数和放电深度（DoD）是影响这些应用中电池性能退化的主导因素。该验证框架为最优电池储能系统（BESS）部署策略提供了量化依据，可改进寿命预测、维护计划制定及经济可行性评估。这一通用方法解决了现有退化模型的基础性缺陷，并为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能的实用工具。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持续提升已成为现代电力系统的显著特征，其中电池储能系统（BESSs）在调节电网功率流动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、长循环寿命和无记忆效应等优势[1][2][3]，已成为固定式电网储能应用的主流选择。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的运行功能，如图1所示：包括频率控制储备（FCR）、电网调峰（PS）、光伏（PV）系统运行辅助以及电网支撑等场景。这些应用场景对系统运行提出差异化需求：调峰通常要求电池储能系统每日进行1-2次充放电循环，而频率控制储备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）在不同应用场景中的性能衰减模式存在显著差异，这使得针对具体部署场址进行精确的经济性评估对投资决策至关重要[4]。
电池储能系统(BESS)在这些应用中面临的多样化任务场景，对电池退化建模与经济性评估提出了重大挑战。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。从本质上看，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)与锂库存损失(LLI)[5]。近期综合研究确定了正常运行期间5种主要与13种次要退化机制，其中主要机制包括固体电解质界面(SEI)膜形成、锂析出、颗粒破裂以及正极结构变化与分解[6][7]。
锂离子电池（LIB）的退化通过两种在现实条件下同时运行的基本老化路径表现出来：日历老化与循环老化[8]。日历老化指电池在无充放电操作的存储期间随时间发生的性能衰减，主要由寄生副反应和电解质分解驱动。而循环老化则源于反复充放电循环，在该过程中机械应力、离子传输限制以及加速的副反应会逐步降低电池容量与功率能力[9][10]。这些老化模式的并发出现，加之其在变化温度、荷电状态（SoC）及运行工况下复杂的相互作用，对不同电池储能系统（BESS）应用中精确预测性能退化构成了重大挑战。
鉴于电池建模的复杂性以及电池健康状态（SoH）对电池储能系统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的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，这些方法面临着根本性局限，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，既无法揭示潜在物理机制，又表现出对历史训练数据的强依赖性，且在应用于不同电池化学体系、制造商或运行条件时显示出较差的迁移能力[15][16]。对于运行场景与现有训练数据集存在显著差异的通用型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，提供了一种不同的范式。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，这三类模型体现了计算复杂度与物理保真度之间不同的trade-off。ECMs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。尽管等效电路模型(ECMs)具有计算简便和实时实现的优势，但其集总参数表征方式限制了捕捉复杂老化现象的准确性。电化学模型基于Doyle和Newman[20]建立的伪二维(P2D)基础框架，通过详细建模电化学过程[21][22]，可提供高保真的电池物理表征。然而，电化学模型(EMs)的计算强度限制了其在实时电池储能系统(BESS)应用中的实际部署，特别是对于大规模系统而言。
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[23]，在计算效率与建模精度之间实现了实用性的折衷[24]。这类模型的发展历程体现了对应力因子组合的系统性完善：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）已表现出显著优势。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，将温度、平均荷电状态(SoC)和放电深度(DoD)效应纳入磷酸铁锂(LFP)电池研究中。渐进式模型发展致力于解决多应力交互作用问题：Schimpe等人[27]耦合了温度、C倍率和SoC但忽略DoD；Zarei-Jelyani等人[28]引入运行时间效应但未考虑SoC与DoD影响，其相对误差低于2%。近期更多研究聚焦特定机制，如Park等人[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，但其研究仅局限于恒定温度下的镍钴铝氧化物(NCA)化学体系。此外，Varini等人[30]开发的电化学基础半经验模型在容量衰减≤20%时表现出较高精度，但在高温条件下误差显著，且未能捕捉循环-日历耦合效应。本综述通过系统文献分析揭示：现有经验模型存在本质局限性，导致其难以普适性地应用于各类电池储能系统(BESS)场景。现有模型存在三个关键局限：对多性向应力因子相互作用的考量不完整、对特定电池化学体系或运行条件的依赖性，以及日历老化与循环老化机制间的耦合不足。这些局限对于运行工况高度变化的电池储能系统（BESS）尤为突出，其电池需承受不同任务场景下温度、荷电状态（SoC）、放电深度（DoD）和倍率（C-rate）的复杂组合作用。因此，开发能全面处理多性向应力相互作用、同时保持计算可操作性的通用退化模型，是实现跨应用场景电池储能系统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）实际应用中的部署揭示了建模局限之外的更多挑战。诸多研究仅将电池老化作为经济性指标纳入考量，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，将退化近似为运行过程中的直接经济损失[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经济调度和系统级优化，但未能捕捉实际运行工况与基础电化学退化机制之间的复杂耦合关系。近期研究试图通过复杂建模方法解决这一关键空白。Xu等人[36]开发了一个半经验模型，专门针对FCR工况纳入温度、放电深度(DoD)和平均荷电状态(SoC)参数，利用SEI生长机制提升模型精度。该模型在动态应力测试(DST)中展现出良好的验证性能，实现了然而，该模型完全忽略了C倍率效应——鉴于电网级储能系统典型的高功率循环需求，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，难以充分揭示不同运行工况对电池长期老化的影响机制（其中C-rate保持原文不变，因属专业术语）。 （说明：根据用户要求的术语表，"mission"译为"任务"，故将"mission profiles"译为"任务场景"；严格保持"degradation patterns"（退化模式）、"long-term battery aging"（长期电池老化）等专业术语的一致性；通过破折号和括号补充实现学术文本的精确性；采用"尤为关键""仍显不足"等正式学术表达；保留"C-rate"原文因属电池领域标准术语）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.
为应对这些根本性局限，本研究提出一种通用的半经验退化模型，专门设计用于全面评估电池储能系统（BESS）在多样化任务（Mission）场景下的性能。该创新方法通过新型建模框架，将多应力（Multi）老化机制与真实运行工况系统整合，该框架兼具高保真电池物理特性与实际应用所需的计算效率要求。利用SimSES(固定式储能系统模拟)生成代表不同电池储能系统应用场景的任务配置文件，可在实际运行条件下系统分析老化应力因子的相互作用。通过PyBaMM(电池数学建模Python工具)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。本文的创新性贡献如下：
- (1)
本文提出了一种通用半经验退化模型，该模型系统耦合了日历老化与循环老化模式下的多应力老化机制（温度、倍率、放电深度与荷电状态）。通过引入寿命转换系数，确保模型对不同类型锂离子电池具有跨化学体系适用性。
- (2)
基于所开发模型，对不同任务剖面下的电池储能系统进行了全面退化分析。系统解析了应力因素对储能系统退化的差异性影响，为优化运行策略提供了可执行的见解。