CAT蓄电池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
来源：
卡特蓄电池 发布时间：2026-04-09 20:32:15 点击： 次
引言
全球能源结构向低碳化转型的进程中，储能技术已成为可再生能源并网与电网稳定性的关键支撑，推动着大规模储能的快速部署。2024年全球新增储能装机容量飙升至188.5吉瓦时，同比增长率达82.1%（全球储能联盟，2025），彰显出行业的爆发式增长态势。作为最成熟（Mature）的电化学储能技术，锂离子电池（LIBs）凭借其可靠性与可扩展性（国际能源署，2024），在当前储能格局中占据核心地位。然而，长时间运行不可避免地会降低电池的健康状态（SOH）——即可用容量与标称容量的比值——这不仅影响经济收益和安全性，更成为电池储能系统（BESS）可持续发展的关键障碍（Nyamathulla和Dhanamjayulu，2024）。%%工业/商业BESS的运行条件相比实验室受控环境（如恒流循环、全深度充放电协议）显著复杂（Figgener等，2024），这使得精确估算SOH变得极具挑战性。为弥补这一不足，亟需基于实际运行数据的鲁棒性SOH估算方法，此类方法将优化经济性能、降低安全风险并推动行业高质量转型。作为电池管理系统(BMS)的核心功能，精确的健康状态(SOH)估计是剩余使用寿命(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)以及二次寿命评估(Gao等，2024；Z. Wang等，2024a；Wang等，2024b)等关键任务的基础。鉴于其对电池安全与系统效率的直接影响，SOH估计已成为重点研究方向。
现有方法主要分为两大类：基于物理的模型(Bian等，2022；Gao等，2022；Li等，2024；Lui等，2021)和数据驱动方法(Che等，2025；Huang等，2022；Wu等，2024；Q. Zhang等，2025a；Zhang等，2025b；Zhou等，2024)。
基于物理模型的SOH估计方法通过数学公式模拟电池老化机制，主要采用等效电路模型（ECMs）和电化学模型。ECMs利用电气元件（如电阻、电容）近似表征充放电动态特性，典型代表包括Rint模型、Thevenin模型以及高阶RC模型（Feng等，2024）。Bian等（2022）研究表明，将开路电压（OCV）模型与增量容量分析相结合，通过恒流充电数据提取OCV曲线，可实现精确的SOH估计。相比之下，电化学模型通过模拟降解机制（如电极反应、固相扩散）实现评估。Gao等（2022）开发了采用双非线性滤波的降阶电化学模型，而Lui等（2021）则通过活性物质损耗与锂Inventory损失等机制建模容量衰减。然而，基于物理原理的SOH估算方法，其准确性从根本上受限于模型参数化过程。参数辨识不足会损害模型保真度，而过多参数则会导致过拟合及计算复杂度激增，从而阻碍电池管理系统（BMS）的实时实现（Lu等，2024b；D. Lyu等，2024a；Lyu等，2024b）。因此，无论是等效电路模型还是电化学模型，在实际储能应用场景的真实运行条件下，均无法实现可靠的生命周期估算。
数据驱动的健康状态（SOH）估计方法通过机器学习算法处理电池运行数据（电流、电压、温度）以识别老化模式。常用方法包括支持向量机（SVM）（Feng等，2019；Peng等，2024）、长短期记忆网络（LSTM）（Lyu等，2023；Hu等，2023；G. Lyu等，2024a；Lyu等，2024b）、卷积神经网络（CNN）（Xu等，2023；Zheng等，2024；Cao等，2025）以及门控卷积神经网络（GCNN）（Ren和Du，2023；Zhang等，2023）。最新研究进展（F. Wang等，2024a；Wang等（Tang et al., 2024；Desai et al., 2025）的研究表明，将物理约束融入数据驱动模型可提升估计精度。尽管这些方法在大数据场景表现优异，但多数仅通过实验室数据验证，制约了实际应用潜力。为弥合这一鸿沟，研究者开始利用现场数据：Lu et al. (2024a) 采用464组电动汽车数据集开发可迁移的图卷积神经网络模型，而Liu et al. (2025) 通过分析300辆电动汽车的三年期数据，构建了解决实验室-现场差异的多模态框架。这些实践显著提升了模型的实际性能。
然而，电池储能系统（BESS）的运行条件与实验室测试及电动汽车应用存在显著差异，目前针对该领域的研究仍十分有限（Nyamathulla and Dhanamjayulu, 2024）。Dubarry等（2023）分析了光伏一体化家庭BESS的电池数据，Figgener等（2024）则利用德国家庭21套BESS的实地运行数据开发了可扩展的容量估计方法。尽管这些研究揭示了部分运行特征，电网级储能系统的精确健康状态（SOH）估算仍存在挑战，需要更具适应性的方法论。
为更清晰地阐释BESS与实验室电池及电动汽车电池的运行差异，我们结合现场数据及相关研究，从三个关键维度分析了其主要区别。具体而言，在运行周期方面，电池储能系统（BESS）采用与电网同步的削峰填谷模式，在十年使用寿命期间每日进行1-2次深度充放电循环；而电动汽车电池因驾驶模式多变，每日经历2-3次间歇性局部循环；实验室测试电池则采用标准化循环实验方案，例如固定的1C恒流充放电。关于倍率特性，BESS以0.1-1C的低稳定充放电倍率优先保障循环寿命；电动汽车电池需采用1-3C的中高倍率满足行驶需求，快充时更需5-7C的高倍率；实验室测试则常采用2-5C的极高倍率以加速老化机制研究。对于老化应力因素，BESS的性能衰减主要由日历老化主导（Collath等2022年），叠加制造差异和电流分布不均导致的集群层面差异；电动汽车电池老化主要由高倍率循环驱动；而实验室老化研究则集中于孤立应力因素（如高C倍率或过充）以分离特定衰减路径（Guo等，2021）。这些量化差异凸显了电池储能系统健康状态评估的独特挑战，其根源在于系统级架构和运行需求。
图1展示了电池储能系统(BESS)的层级架构：单体电池首先组装成模块，模块再串联构成电池簇。多个电池簇随后与电池管理系统(BMS)、功率转换系统(PCS)及热管理系统集成，形成完整的BESS。这种多级集成导致实验室研究与实际运行存在本质差异——尽管电芯级实验能生成洁净可控的数据，系统级运行却会引入显著的不确定性，从而降低数据质量。通过对实验室、电动汽车及工业BESS运行数据的综合分析，我们识别出工业/商用BESS特有的三个关键特征：
- (1)
Operation mode: Industrial BESS dynamically adjust control strategies in response to grid dispatch commands, peak-valley pricing fluctuations, and variable loads. This real-time adaptability results in highly irregular charge/discharge patterns and frequent SOC range variations. Additionally, BMS-enforced SOC limits and restricted zones, while extending system lifespan, significantly challenge precise SOH estimation.
- (2)
System topology: The complex multi-layer architecture of commercial BESS, involving hundreds to thousands of serially/parallel-connected cells, magnifies initial parameter variations (capacity, internal resistance, thermal properties). These minor cell-level differences accumulate during extended operation, causing substantial pack-level inconsistencies and accelerated capacity degradation.
- (3)
Operating environment temperature: Despite employing temperature regulation systems, industrial BESS exhibit substantial thermal gradients due to varying distances from cooling equipment and non-uniform system efficiency. This thermal heterogeneity, combined with active temperature management, disrupts the fundamental temperature-aging relationship established in laboratory studies, invalidating conventional thermal degradation models for field applications.
本文主要内容如图2所示。本研究利用工业园区电池集群电池管理系统（BMS）的现场运行数据，解决了大规模电池储能系统（BESS）高精度健康状态（SOH）估算的难题。本工作的主要创新点包括：
- (1)
Dataset and system analysis: This study utilizes the largest known BESS dataset for SOH estimation research, comprising 1296 single cells (240 Ah each) with a total capacity of approximately 1000 kW-hour (kWh). Our analysis of 8.3 million operational data points collected over eight months reveals critical electrical structure design flaws in large-scale lithium-ion BESS through comprehensive horizontal (inter-cluster) and vertical (intra-cluster temporal) comparisons of field data.
- (2)
Label generation methodology: To address the absence of capacity labels in field data, we developed an innovative unsupervised approach using K-means clustering to segment charge/discharge cycles. The proposed operating condition stability assessment method enables reliable capacity label generation through ampere-hour integration of discharge segments under stable conditions. This solution effectively resolves the label scarcity problem for field data analysis.
- (3)
Novel algorithm development: We present a Physics-Informed Convolutional Neural Network (CPNN) that eliminates the need for manual feature engineering. The CPNN architecture automatically extracts relevant features while incorporating physical constraints to suppress estimation anomalies. Particularly effective in inconsistent battery systems, these physical constraints enable accurate SOH estimation across battery clusters with varying degradation rates.
