電力儲能用鋰離子電池狀態評估研究進展

王德順，薛金花，魯千姿，魏海坤

(1.中國電力科學研究院有限公司，江蘇 南京 210009；2.東南大學 自動化學院，江蘇南京 210096)

鋰離子電池憑借其在能量密度、體積密度、輸出電壓、循環壽命等參數上的優異表現，廣泛應用于電力儲能等領域。實際應用中，單體鋰離子電池的電壓或容量不滿足系統對容量、輸出電壓等指標的要求，因此需要將單體電池串并聯形成電池組。隨著大規模電化學儲能電站的發展，電力系統對儲能電池的一致性要求也會越來越高。但由于單體電池的制造工藝和使用環境不同[1]，鋰離子電池必然存在不一致性，導致電池組性能衰減。因此，鋰離子電池狀態估計對于提高使用效率、運行性能及壽命具有十分重要的意義。本文將對鋰離子電池的荷電狀態(SOC)估計、健康狀態(SOH)估計和一致性評估方法進行總結歸納和優劣勢分析，并提出主流方法和發展趨勢。

1 SOC 和SOH 狀態評估

1.1 數學解析模型

數學解析模型主要應用于SOC評估，最常用的數學解析方法是安時(ampere-hour integration，AHI)積分法[2]，通過電流積分對電池的SOC進行估計，如式(1)所示：

式中：SOC0為初始荷電狀態；η 為庫侖效率，通常取值為1[3]；ibatt為鋰離子電池充/放電的電流；Cmax為鋰離子電池的最大容量；t為當前時刻。

Bohlen 等[4]通過辨識電池等效電路模型得到電池開路電壓(open circuit voltage，OCV)，通過其偏離測量真值的程度隨電池SOC的變化規律，提出動態充電過程中的容量估計方法。

數學解析模型可以用來確定模型參數或者直接作為SOC估計方法，它是基于大量實驗獲取的數據進行評估或者預測，所以需要大量測試數據。

1.2 電化學模型

電化學模型主要應用于SOH評估，是通過物理化學方程描述電池性能的演化過程。電化學模型雖然可以描述電池性能變化的演變過程，但未能構建表征其SOH的關鍵參數體系，難以實現SOH評估。

SHU 等[5]分析不同溫度下電池老化情況，提取其電化學曲線，根據實驗數據繪制廣泛頻率下的Nyquist 曲線，利用該曲線配合模糊邏輯獲得SOH。

電化學曲線雖然能詳細描述電池阻抗，但測量復雜且需要專用儀器，不適合實際應用。

1.3 等效電路法

等效電路模型是對電池進行建模，觀察參數演變過程，并利用映射關系表征模型參數與可用容量的相關性。

1.3.1 卡爾曼濾波及其擴展算法

卡爾曼濾波法(Kalman filter,KF)及其擴展算法通過建立狀態空間模型，基于系統觀測值，實現電池參數或SOH的最優估計。常用的方法包括擴展卡爾曼濾波(extended Kalman filter,EKF)、無跡卡爾曼濾波(unsented Kalman filter,UKF)和容積卡爾曼濾波(cubature Kalmanfilter,CKF)。

YAN 等[6]采用EKF 建立用于SOC估計和SOH估計的多尺度狀態空間，實現鋰離子電池的多尺度狀態估計。ZENG等[7]基于UFK，通過建立鋰離子電池的二階等效電路模型，從而聯合估計電池SOC和SOH狀態。

1.3.2 粒子濾波及其擴展算法

粒子濾波基于蒙特卡洛思想，利用粒子集表示狀態的后驗概率分布，具備處理任何非線性、非高斯問題的能力。Bi等[8]針對鋰離子電池組使用過程中，多源噪聲導致系統呈現非高斯性質的問題，提出一種基于遺傳重采樣粒子濾波方法的電池組SOH估計方法。

1.4 數據驅動法

基于模型的估算算法的局限在于需要對相關領域內的專業知識進行深入的研究和消耗大量的時間進行實驗來建立精確的電池模型。當目標系統的數學模型未知或難以描述時，數據驅動方法具有巨大的優勢。

1.4.1 機器學習模型

機器學習模型是常見的用于建立數據驅動鋰離子電池單體和電池組的SOH模型。王語園等[9]采用自適應粒子群算法對最小二乘支持向量機(least squares support vector machine,LSSVM)的正則化系數和核函數進行優化，大幅提升SOC的估算精度。

1.4.2 深度學習模型

隨著深度學習快速發展，一些時間序列分析模型也被應用于建立鋰離子電池的SOH估計模型。Shen 等[10]采用深度卷積網絡(deep convolutional neural network，DCNN)建立鋰離子電池的SOH估計模型。Pan 等[11]提取多維健康因子，采用極限學習機(extreme learning machine，ELM)算法實現電池的SOH估計。

1.4.3 融合算法

上述算法模型各有優劣，因此，部分研究工作嘗試將兩類方法融合，從而優化原有算法。Zhang 等[12]利用高斯回歸過程結合容量增量定位充放電初期SOC，為AHI 法提供準確的初值。數據驅動方法有很強的數據綜合能力和非線性擬合能力，與現有的其他SOC估算方法結合具有良好的發展前景。

綜上，SOC、SOH狀態評估不單局限于幾十節單體電池，更多是針對實際應用中大規模電池模組，因此數據驅動法是大規模電力儲能用鋰離子電池SOC和SOH評估的一個發展趨勢。表1 對SOC和SOH評估方法的優缺點進行了總結。

表1 SOC 和SOH 評估方法優缺點

2 一致性在線評估

鋰離子電池一致性狀態評估主要分為三個步驟：數據清洗、特征選取和數據挖掘。首先，對獲取的電壓、電流、SOC、溫度、SOH等參數進行數據清洗；然后，采用適當的特征選取方法對清洗后的數據進行降維操作，強化關鍵信息；最后，建立算法模型對不一致性進行研究分析。本節主要研究特征選取方法和數據挖掘方法。

2.1 特征選取方法

電池系統狀態往往由多個因素決定，這些因素和高維時間序列疊加形成超高維數據空間，電池狀態的關鍵特征和冗余特征糅雜。考慮到直接采用原始信息進行聚類分析效果較差，因此需要在原始信息中篩選關鍵特征。常用的一致性狀態評估通常分為統計學方法、數據變換法和自動提取法。

2.1.1 統計學方法

Song 等[13]采用差值和平均值提取了放電過程的電壓曲線、溫度曲線、SOC曲線特征，并對誤差采用馬爾科夫鏈校正；Widodo 等[14]采用樣本熵提取放電過程中的電壓曲線特征。

該方法從統計學角度出發，主要提取單個或多個時間序列的特征統計量，該方法得到的特征值為單個數值數據，分析簡單，適用性較強。

2.1.2 數據變換法

通過數據變化對時間序列進行降維的方法有許多種，本文介紹其中最典型的主成分分析和時間序列模型。

主成分分析(principal components analysis，PCA)能直接通過數學變換對特征數據集進行降維。陳崢等[15]根據IC 曲線提取健康特征因子，運用PCA 對電池的老化特征參數進行處理。

時間序列模型將長時間序列轉換成較短時間序列。馮雪松等[16]采用分段聚合近似表示方法對時間序列進行降維處理，加快了計算速度。

2.1.3 自動提取法

深度學習模型的輸入層具備特征感知功能，侯瑞磊等[17]使用卷積自編碼神經網絡前期階段自動對電池電壓、電流和充電電壓、電流進行特征提取；周才杰等[18]使用自動編碼器對采集的電壓、電流、溫度和時間進行降維編碼作為神經網絡輸入。

綜上，在降維能力方面，基本統計量、模糊熵、PCA、深度學習都是具有降維能力的方法，PCA 和深度學習具有重構原始數據的能力；在處理復雜度方面，基本統計量、模糊熵、PCA、深度學習能夠按預設條件進行降維，其他方法需要經過一系列的判斷和選擇過程。

2.2 數據挖掘方法

大規模儲能系統數據量大、維度高、信息量復雜，數據挖掘可以從大規模儲能系統數據中提取潛在信息。數據挖掘不同于傳統意義上的統計學，它是統計學抽樣、估計和假設檢驗，人工智能領域的機器學習、深度學習，最優化理論、進化計算等的集合。

數據挖掘包括兩種基本算法：(1)回歸分析；(2)聚類分析。

焦東升等[20]利用PCA 提取充放電曲線特征，使用分層聚類對不一致性進行評估；申建斌等[21]采用無監督聚類法觀測鋰離子電池單體性能，利用隨機森林數據方法使得電池低維空間形成聚類。

綜上，回歸方法是建立輸入和輸出模型，其目標結果輸出連續值，故SOC和SOH評估使用回歸方法；聚類方法是對數據對象進行歸類，判斷離散程度，故對于一致性狀態評估使用聚類方法。

2.2.1 回歸方法

Widodo 等[14]采用支持向量回歸算法對樣本熵提取的電壓曲線特征數據進行處理。Qu 等[19]使用粒子群算法優化模型參數。

2.2.2 聚類方法

3 總結和展望

本文歸納了鋰離子電池SOC、SOH和一致性狀態評估方法，數據挖掘方法更適用于大規模電力儲能用鋰離子電池狀態評估。目前，鋰離子電池在線評估方向主要基于實驗室測試數據，利用數據挖掘理論開展了數學建模和驗證研究。但是，基于現場實際運行數據開展鋰離子電池在線評估的研究成果較少。此外，區別于實驗室電池測試系統，大規模儲能系統因數據量大、維度高、信息復雜等原因給數據挖掘理論的應用效果帶來不確定性。未來電力儲能用鋰離子電池狀態評估還需要在數據質量、特征刻畫和計算精度等方面進一步提高：一是對采集數據進行清洗，提高數據質量；二是從高度非線性特征的海量數據中提取有效特征；三是利用小樣本、多樣性訓練數據挖掘模型，精確評估鋰離子電池的狀態，并將算法模型應用在儲能電站監控系統等不同平臺中，將數據挖掘理論和電力儲能用鋰離子電池在線評估實現深度融合。