電力儲能用鋰離子電池狀態評估研究進展

山東電工時代能源科技有限公司 羅 漢

鋰離子電池有較多優點，其不僅能量密度參數優異，在體積密度上也有比較明顯的優勢[1]。鋰離子電池的輸出電壓與循環壽命均表現良好，因此在電力儲能中被廣泛運用。在實際應用過程中，由于單體鋰離子電池的電壓與容量較低，所以一般會通過串并聯方式組成鋰電池組（電池模塊）進行使用，以滿足儲能系統設計容量及電壓等技術指標的要求。目前，隨著我國電化學儲能電站建設規模越來越大，電力系統對儲能電池的一致性也提出了較高的要求。由于電池單體的制造工藝不同，應用環境存在差異，鋰離子電池單體難以避免地存在不一致性，這種不一致性將給儲能電站帶來嚴重影響。使用過程中電池組的性能會不斷降低，最終無法滿足儲能電站的并網性能指標。因此，在電力儲能領域，對鋰離子電池的荷電狀態、健康狀態及一致性狀態實施評估尤為必要。

1 鋰離子電池狀態評估背景

現階段，社會經濟不斷發展，我國分布式能源規模逐漸擴大，與此同時，新能源規模也在不斷擴展，智能電網中的電力儲能與電力傳輸將會成為能源體系中的重要環節。電力儲能對電池各方面要求較高，特別是電池的各項電氣性能。一般情況下，電力儲能需要容量大使用壽命長且響應速度快的電池。鋰離子電池有著優越的能量密度，功率密度比良好[2]，再加上其優異的充放電效率以及靈活的成組方式，鋰離子電池已成為大容量電化學儲能電站的首選儲能介質。

當前，在大容量儲能技術的研究中，鋰離子電池已成為重要研究點，國內外針對大容量鋰離子電池的儲能應用也已經有了許多試點示范工程。在研究及工程試點應用過程中發現，鋰離子電池在具備上述特點的同時易產生不一致性。這種特性在電池長時間的充電與放電過程中會越發明顯，并對電池組的性能造成影響，比如單體電池間充電接受能力以及自放電率等。其中，影響最大的是單體電池的容量衰減速率。在這些方面的影響下，鋰離子電池組之間的離散性被動加大，導致電池組的性能快速下降，嚴重時會影響電池的安全運行。通過對鋰離子電池進行狀態評估，采取有效的措施對其進行管理，能夠提高電池組的安全性與可控性，增強儲能電站運行穩定性，同時對儲能電站的性能保持起到積極作用。因此，鋰離子電池狀態評估是電力儲能應用領域中的重要研究內容，對整個電力行業亦有重大意義[3]。

2 鋰離子電池荷電狀態（SOC）和健康狀態（SOH）狀態評估

2.1 數學解析模型狀態評估方法

數學解析模型法是鋰離子電池荷電狀態（SOC）的主流評估方法。具體而言，其數學解析模型多使用安時積分法。該方法以電流積分作為評估的主要依據對電池的荷電狀態實施評估。具體公式與公式說明如圖1所示。

圖1 數學解析模型狀態評估公式

此外，已有研究人員通過對電池等效電路模型進行分析，成功得到了電池開路電壓。該方法通常會結合安時積分法，跟隨鋰離子電池荷電狀態變化規律，在鋰離子電池動態充電過程中對容量進行更準確的評估。數學解析模型法從儲能電站大量的電池單體中獲取數據，對荷電狀態進行評估與預測，能夠實現較精準的預估，但需要大量的數據采集及運算[4]。

2.2 電化學模型狀態評估方法

電化學模型方法與數學解析模型方法不同，這種方法主要用于電力儲能用鋰離子電池的健康狀態（SOH）評估。電化學模型方法根據物理與化學方程對鋰離子電池進行描述，重點描述電池的演化過程。這種方法雖然可以將鋰離子電池性能變化的具體演化過程準確描述出來，但對電池表征健康狀態的重要參數不能構建出參數體系，不能精準實現鋰離子電池的健康狀態評估。針對此問題，有研究人員對電池老化做了相關試驗，將電池放在不同溫度下進行分析，觀察電池的老化情況，同時將電池的電化學指標數據提取出來，將繪制成了在廣泛頻率下的尼奎斯特（Nyquist）曲線。研究發現，尼奎斯特與模糊邏輯相互配合可以有效反映鋰離子電池健康狀態，其中電池阻抗能夠在電化學曲線作用下被清楚的描述出來。但是通過這種方法測量電池阻抗會面臨較大困難，測量復雜而且需要使用專業儀器，因此這種方法在實際中實用性較低[5]。

2.3 等效電路模型狀態評估方法

等效電路模型狀態評估方法對電池建模，在建模過程中詳細觀察其中的參數變化過程，并通過映射關系將模型參數反映出來。等效電路模型法分為卡爾曼濾波及其擴展算法與粒子濾波及其擴展算法。具體內容如下。

卡爾曼濾波法（KF）是序貫數據同化的一種，是Kalman 在隨機過程的評估狀態中提出來的。這種方法與其擴展算法都是以建立模型的方式實現電池參數狀態評估，通過建立狀態空間模型，在系統觀測值的基礎上，實現對鋰離子電池荷電狀態及健康狀態的優化評估。卡爾曼濾波普遍使用的方法有三種，主要包括擴展、無跡以及容積卡爾曼濾波。擴展卡爾曼濾波可以用于鋰離子電池荷電狀態評估與健康狀態評估中，對鋰離子電池來說，通過建立多尺度狀態空間，可以實現多尺度狀態評估。

無跡卡爾曼濾波可以通過建立鋰離子電池的二階等效電路模型，對鋰離子電池的荷電狀態與健康狀態進行聯合評估。粒子濾波是一種密度函數，該密度函數在蒙特卡洛思想的基礎上通過粒子集的作用，提出了一種可以有效評估鋰離子電池健康狀態的方法。鋰離子電池組在使用時，電池呈現出非高斯性質的運行狀態，主要是多源噪聲對系統產生了影響所致。粒子集具有超強的處理能力，尤其是對電池運行中非線性及非高斯性質的問題進行處理。通過遺傳重采樣粒子濾波的方法，可以實現對鋰離子電池健康狀態的評估。

2.4 數據驅動狀態評估方法

數據驅動狀態評估方法主要分為機器學習和融合算法兩種模式。數據驅動狀態評估方法在模型估算方面具有一定的局限，因為此種方法需要花費大量的人工時間與精力進行研究，如對相關知識進行深入研究，或是消耗大量時間進行試驗以精確建立電池模型。在目標系統中，如果數學模型處于未知狀態或是難以展開描述，那么使用數據驅動方法存在較大優勢。鋰離子電池單體以及電池組，經常會使用數據驅動狀態評估方法中的機器學習模式建立電池健康狀態的評估模型。在此基礎上，通過運用自適應粒子群算法對最小二乘支持向量機實施優化，能進一步提升鋰離子電池健康狀態的評估精度。

融合算法是將數據驅動法中的機器學習與深度學習相融合，對原本存在的算法進行優化，利用高斯回歸線與容量增量定位得出電池充電與放電初期的荷電狀態。該方法具有兩個優點，一是有超強的數據綜合能力，二是在非線性擬合方面的能力很強。鋰離子電池荷電狀態與健康狀態評估不能局限在少量單體電池上，未來的評估重點將在規模較大的電池組上，因此相比其他荷電狀態估算方法，這種方法具有良好的發展前景?？梢灶A見，數據驅動電池狀態評估方法，在未來能夠被充分運用在大規模電力儲能用鋰離子電池荷電狀態和健康狀態評估上。

3 鋰離子電池一致性評估

電力儲能用鋰離子電池的一致性狀態實施要先對鋰離子電池運行數據實施清洗，然后進行特征選取與數據挖掘。數據清洗是針對電池管理系統及電站能量管理系統獲取到的電池單體電流、電壓、荷電狀態、溫度以及健康狀態等數據實施篩選，將清洗完畢的數據采用合適的特征選取方法實施降維，突出關鍵信息，最后在建立算法模型的基礎上對鋰離子電池的不一致性進行詳細研究。

3.1 特征選取方法

特征選取方法包括數據變化法與自動提取法。電力儲能用鋰離子電池的電池狀態會受到多種因素的影響，如電站運行方式變化、充放電功率調節、工作運行環境改變等。電池狀態的主要特征不清晰，影響電池系統的因素與高維時間序列疊加后會形成一個超高維數據空間。由于原始信息的聚類分析效果不理想，所以需要在原始信息中按重點特征進行篩選。

一般來說，在數據變化基礎上有許多方法可以對時間序列進行降維。數據變化法中最典型的是主成分分析法以及時間序列模型法兩種方法。主成分分析技術是通過數學變化的方式，對電池特征進行數據收集然后實施降維。有研究表明，健康特征因子可以運用IC 曲線提取出來，然后使用主成分分析對電池老化特征中所提取的參數進行處理。同時，可以在長時間序列與短時間序列間進行有效轉換，將長時間序列轉換為短時間序列。在此基礎上采用分段聚合近似表示方法能對其進行有效降維處理，提升計算速度。

自動提取法是另一種常見的特征選取方法。自動提取法利用了深度學習模型，其輸入層具有強大的感知功能，根據預設條件對原始數據進行構建，來對數據進行降維操作。

3.2 數據挖掘方法

電力儲能系統中鋰離子電池的運行狀態數據量非常龐大，并存在維度較高、信息量復雜等特點，在大規模的儲能數據中有效提取到隱性信息非常重要。與傳統的統計學不同，數據挖掘法是一種機器學習與深度學習方法，擁有理論最優、算法先進等優點，通過建立模型，將一致性目標結果使用輸出方法輸出連續值，在鋰離子電池的一致性狀態評估中較常使用。

4 結語

當前，鋰離子電池狀態評估主要針對電池單體通過在實驗室中開展數據測試、數學建模與驗證進行研究，針對電力儲能現場實際運行數據開展的研究較少，且與實驗室中的電池測試系統存在較大差異，對鋰離子電池大規模的儲能系統應用以及數據挖掘理論的應用帶來較大局限。當前，主要使用數學解析模型法、電化學模型法及等效電路模型法對電力儲能用鋰離子電池的荷電狀態及健康狀態進行評估，通過特征選取及數據挖掘對電池一致性狀態進行評估。今后電力儲能中使用鋰離子電池狀態評估要進行更深入研究，對現場數據進行有效提取，提高數據的質量，加強計算精度，采用不同的訓練進行數據挖掘，是準確評估鋰離子電池運行狀態的未來發展趨勢。