基于人工智能的物理基础锂离子CAT蓄电池模型，用于电力系统运行研究

锂离子电池储能系统的能量容量和能效的下降取决于其运行条件，是其商业案例可行性的关键因素。使用传统能源储量模型配合能量吞吐量方法来量化劣化，会导致收入估算不够准确，调度场景也变得不可行。本文提出了一种适合锂离子电池储能系统优化框架的新模型。本文提出的模型基于对描述电池储能运行和劣化的多个神经网络的混合整数线性规划重述构建。神经网络的架构设计允许它们直接集成到混合整数优化框架中。神经网络是通过基于锂离子电池模型的详细物理数字孪生数据进行训练的。数字孪生还用于验证由既定优化框架获得的调度结果。该方法用于长期能源套利研究。研究结果支持该模型的有效性，导致其使用寿命延长、可行派遣，以及能源套利研究相比传统模型更高的收入估计。

锂离子电池储能系统（LIBESS）是电力系统脱碳的关键组成部分，确保系统的可靠性、稳定性和韧性[1]、[2]、[3]。锂离子电池成本的下降，使其能够更广泛地作为电网的短期储能资产[4]。电池储能资产经济可行性的两个关键因素是其寿命和效率，这两者都是电池电池内复杂电化学过程的函数。这些工艺还受多种因素影响，包括充放操作的频率、一致性和深度[5]。尽管涉及复杂性，电力工程文献和行业的普遍做法是使用简单的线性模型来模拟电池的工作[6]，[7]。这一既定做法与LIBESS的非线性操作特性不符。这些电池的寿命有限取决于其作战历史[5]、[8]，并由现场数据[9]支持。因此，实现LIBESS在电力系统应用中运行特性的更真实建模至关重要。
一般来说，电力系统运维研究中使用的LIBESS模型可分为经验模型、基于物理的模型和数据驱动模型。只有少数著作在技术经济学研究中使用后两种模型来表示网格尺度的电池[10]。经验模型大多围绕能量储量模型构建，该模型仅追踪电池能量状态（SoE）的变化，并假设允许功率和能效恒定。该模型可通过纳入锂离子电池的某些工作和降解方面来增强。这可以通过考虑最大允许的充电/放电功率与SoE之间的关系来实现，如[11]、[12]所述。另一个改进是考虑电力和充电/放电对能源效率的影响，如[13]所述。电池模型中也可以结合这两种依赖关系，如[14]、[15]所研究。除了这些修改外，还可以将简单的能量储量模型与电池因循环或日历老化导致的劣化描述集成。将降解纳入该模型通常通过以下方法之一实现：施加操作极限[16]、[17]、使用能量通量法[18]，或采用雨流算法以区分不同放电深度循环（DoD）[19]。
研究人员提出了几种更先进的基于经验的能量容量衰落公式，结合能量储量模型。Maheshwari[20]考虑了充电/放电电流和国防部的影响，Padmanabhan[21]关注国防部和放电速率，而Sayfutdinov[22]则考虑了对充电状态（SoC）和国防部的依赖关系。总体而言，这些方法有一个共同特点：完全依赖经验经验。此外，虽然日历衰老和周期衰老的考虑是分开的，但需要注意的是，这两种衰老都源于同一物理过程：固体电解质间期（SEI）的生长[23]。
基于物理的模型涵盖了将LIBESS描述为一个物理系统的过程。通过考虑电池内部发生的物理过程，可以考虑LIBESS模型中控制变量与状态变量之间更复杂的关系。此外，这种方法利用基本物理定律对锂离子电池内的降解过程进行了表征。Reniers[24]和Cao [25]将基于物理的模型，特别是单粒子模型，以及SEI增长的数学表述，作为主要的降解过程，以分别获得LIBESS参与电力套利和提供频率调节服务的战略派遣。两位作者都将他们的表述构建为非线性优化问题，该问题具有计算复杂性，但并不保证能实现最优。混合模型结合了简单的能量储量模型和单粒子模型，见[26]。该模型因其线性特性和基于物理的降解表述具有优势。然而，它未考虑能源效率随运行条件变化的变化，且优化框架未考虑长期研究中容量和功率的衰减。
近年来，文献中提出了多种基于数据的方法，以推导电力系统中LIBESS的最优调度。赵等人[27]构建了一个神经网络，通过将环境温度、充放电速率、SoC、DoD和当前健康状态（SoH）等老化因素作为输入，预测退化。LIBESS的调度通过与可再生能源发电厂的小型微电网进行迭代执行，采用标准优化框架。每次迭代都会根据神经网络生成的知识进行更新。在曹[28]的研究中，LIBESS采用了一种结合操作依赖能效和雨流算法进行降解评估的深度强化学习方法。他们的无模型方法相比传统基于模型的优化方法，带来了更好的收入估算。[29]的作者部署了一台极端学习机器，以量化LIBESS在车辆对电网需求削峰操作问题中的退化情况。该退化模型基于经验国防部和充放速率应力函数生成的数据训练，并被纳入优化框架中。这得益于极端学习机的固有线性特性，其架构中没有任何激活函数。总体而言，他们开发的LIBESS老化模型产生的能量容量损失与Rainflow算法估算相当，同时所需计算时间更少。上述这些基于数据的LIBESS模型有一个共同的缺点，即它们采用经验模型构建，主要关注降解。
本文提出了一种在电力系统技术经济研究优化框架内的锂离子电池建模新方法。该模型是一个受物理启发的模型，用于参与能源市场的商用LIBESS设施。该模型结合了锂离子电池技术的物理原理，既复制了运行和降解，又具备运筹研究的计算可行性。与以往主要以老化循环为经验关系来建模LIBESS退化的研究[18]、[19]不同，我们的工作采用物理定律来描述降解。与之前[20]、[21]、[22]将周期老化和日历老化分别且实证处理不同，我们的方法基于SEI层增长的物理学。此外，我们的优化框架还包括基于物理的能效变化描述。与[24]、[25]不同，我们的模型是一个混合整数线性模型，适合用于电力系统的技术经济研究。本研究提出了一种替代方法，利用一套由神经网络参数构建的新型电池模型，能够集成到优化架构中。
所提出的方法论如图1所示。首先，基于物理的数据被用于训练神经网络。然后，利用混合整数表述将神经网络的权重和偏差整合进优化框架中。该方法使电池操作和降解公式能够线性化，代表了一项重要的方法学进步。此外，[26]中使用的方法仅适用于SEI降解，而本研究提出的方法/框架可扩展至其他降解形式。
与[27]中负责评估退化的神经网络与优化框架通过启发式解耦不同，我们的工作将神经网络整合进优化过程，并包括能效的描述。与[28]相比，LIBESS模型采用无模型深度强化学习方法，基于等效电路模型进行能效变化，降解基于雨流算法，本研究采用成熟的运筹学方法，确保分析方法稳健且经过验证。这种鲁棒性指的是MILP框架和可行性检查所提供的算法稳定性和物理可行性的保证。
与[29]中使用极端学习机通过国防部和收放率假设构建的LIBESS老化成本函数不同，我们的模型采用前馈神经网络构建，保持非线性。该模型经过验证，并与广泛使用的能量储量模型进行了比较。此前已有研究报道了基于物理的神经网络及其与锂离子电池建模的相关性[30]，[31]。这些模型只能用于模拟和预后分析。相比之下，我们的方法允许将神经网络架构与ReLU激活函数整合进优化框架，作为一组混合整数线性规划约束，使用二进制决策变量。这种综合方法使得在各种电力市场问题中推导出最优电池调度成为可能。
虽然所提出的建模框架用于参与能源套利、结算时间为一小时的电池，但它可以扩展到其他应用领域。我们选择能源套利，是为了强调电池建模方法论来解决电力市场优化问题，而非专注于某一具体应用。更短的时间步长可用于在优化框架中建模其他LIBESS应用。
近年来的进展试图通过先进的算法框架弥合实验室研究与现实应用之间的鸿沟。Han 等人[32]强调了将多源数据（实验室、现场和合成数据）与科学人工智能整合的关键必要性，以解决仅在静态实验室条件下训练模型的局限性。此外，先进的深度学习架构，如通过域适配增强的长短期记忆网络，已被成功提出以缓解训练数据与现实操作之间的分布差异[33]。尽管这些开创性研究主要聚焦于数据稀缺下对SoH的稳健估计，我们的工作则通过聚焦运营优化来补充这些研究。我们利用高保真物理基础数字孪生生成了涵盖整个运营范围的综合数据集。这使我们能够训练神经网络，不仅监控SoH，还能在所有潜在市场场景中主动优化调度指令。