山东电工时代能源科技有限公司 罗 汉

锂离子电池有较多优点，其不仅能量密度参数优异，在体积密度上也有比较明显的优势[1]。锂离子电池的输出电压与循环寿命均表现良好，因此在电力储能中被广泛运用。在实际应用过程中，由于单体锂离子电池的电压与容量较低，所以一般会通过串并联方式组成锂电池组（电池模块）进行使用，以满足储能系统设计容量及电压等技术指标的要求。目前，随着我国电化学储能电站建设规模越来越大，电力系统对储能电池的一致性也提出了较高的要求。由于电池单体的制造工艺不同，应用环境存在差异，锂离子电池单体难以避免地存在不一致性，这种不一致性将给储能电站带来严重影响。使用过程中电池组的性能会不断降低，最终无法满足储能电站的并网性能指标。因此，在电力储能领域，对锂离子电池的荷电状态、健康状态及一致性状态实施评估尤为必要。

1 锂离子电池状态评估背景

现阶段，社会经济不断发展，我国分布式能源规模逐渐扩大，与此同时，新能源规模也在不断扩展，智能电网中的电力储能与电力传输将会成为能源体系中的重要环节。电力储能对电池各方面要求较高，特别是电池的各项电气性能。一般情况下，电力储能需要容量大使用寿命长且响应速度快的电池。锂离子电池有着优越的能量密度，功率密度比良好[2]，再加上其优异的充放电效率以及灵活的成组方式，锂离子电池已成为大容量电化学储能电站的首选储能介质。

当前，在大容量储能技术的研究中，锂离子电池已成为重要研究点，国内外针对大容量锂离子电池的储能应用也已经有了许多试点示范工程。在研究及工程试点应用过程中发现，锂离子电池在具备上述特点的同时易产生不一致性。这种特性在电池长时间的充电与放电过程中会越发明显，并对电池组的性能造成影响，比如单体电池间充电接受能力以及自放电率等。其中，影响最大的是单体电池的容量衰减速率。在这些方面的影响下，锂离子电池组之间的离散性被动加大，导致电池组的性能快速下降，严重时会影响电池的安全运行。通过对锂离子电池进行状态评估，采取有效的措施对其进行管理，能够提高电池组的安全性与可控性，增强储能电站运行稳定性，同时对储能电站的性能保持起到积极作用。因此，锂离子电池状态评估是电力储能应用领域中的重要研究内容，对整个电力行业亦有重大意义[3]。

2 锂离子电池荷电状态（SOC）和健康状态（SOH）状态评估

2.1 数学解析模型状态评估方法

数学解析模型法是锂离子电池荷电状态（SOC）的主流评估方法。具体而言，其数学解析模型多使用安时积分法。该方法以电流积分作为评估的主要依据对电池的荷电状态实施评估。具体公式与公式说明如图1所示。

图1 数学解析模型状态评估公式

此外，已有研究人员通过对电池等效电路模型进行分析，成功得到了电池开路电压。该方法通常会结合安时积分法，跟随锂离子电池荷电状态变化规律，在锂离子电池动态充电过程中对容量进行更准确的评估。数学解析模型法从储能电站大量的电池单体中获取数据，对荷电状态进行评估与预测，能够实现较精准的预估，但需要大量的数据采集及运算[4]。

2.2 电化学模型状态评估方法

电化学模型方法与数学解析模型方法不同，这种方法主要用于电力储能用锂离子电池的健康状态（SOH）评估。电化学模型方法根据物理与化学方程对锂离子电池进行描述，重点描述电池的演化过程。这种方法虽然可以将锂离子电池性能变化的具体演化过程准确描述出来，但对电池表征健康状态的重要参数不能构建出参数体系，不能精准实现锂离子电池的健康状态评估。针对此问题，有研究人员对电池老化做了相关试验，将电池放在不同温度下进行分析，观察电池的老化情况，同时将电池的电化学指标数据提取出来，将绘制成了在广泛频率下的尼奎斯特（Nyquist）曲线。研究发现，尼奎斯特与模糊逻辑相互配合可以有效反映锂离子电池健康状态，其中电池阻抗能够在电化学曲线作用下被清楚的描述出来。但是通过这种方法测量电池阻抗会面临较大困难，测量复杂而且需要使用专业仪器，因此这种方法在实际中实用性较低[5]。

2.3 等效电路模型状态评估方法

等效电路模型状态评估方法对电池建模，在建模过程中详细观察其中的参数变化过程，并通过映射关系将模型参数反映出来。等效电路模型法分为卡尔曼滤波及其扩展算法与粒子滤波及其扩展算法。具体内容如下。

卡尔曼滤波法（KF）是序贯数据同化的一种，是Kalman 在随机过程的评估状态中提出来的。这种方法与其扩展算法都是以建立模型的方式实现电池参数状态评估，通过建立状态空间模型，在系统观测值的基础上，实现对锂离子电池荷电状态及健康状态的优化评估。卡尔曼滤波普遍使用的方法有三种，主要包括扩展、无迹以及容积卡尔曼滤波。扩展卡尔曼滤波可以用于锂离子电池荷电状态评估与健康状态评估中，对锂离子电池来说，通过建立多尺度状态空间，可以实现多尺度状态评估。

无迹卡尔曼滤波可以通过建立锂离子电池的二阶等效电路模型，对锂离子电池的荷电状态与健康状态进行联合评估。粒子滤波是一种密度函数，该密度函数在蒙特卡洛思想的基础上通过粒子集的作用，提出了一种可以有效评估锂离子电池健康状态的方法。锂离子电池组在使用时，电池呈现出非高斯性质的运行状态，主要是多源噪声对系统产生了影响所致。粒子集具有超强的处理能力，尤其是对电池运行中非线性及非高斯性质的问题进行处理。通过遗传重采样粒子滤波的方法，可以实现对锂离子电池健康状态的评估。

2.4 数据驱动状态评估方法

数据驱动状态评估方法主要分为机器学习和融合算法两种模式。数据驱动状态评估方法在模型估算方面具有一定的局限，因为此种方法需要花费大量的人工时间与精力进行研究，如对相关知识进行深入研究，或是消耗大量时间进行试验以精确建立电池模型。在目标系统中，如果数学模型处于未知状态或是难以展开描述，那么使用数据驱动方法存在较大优势。锂离子电池单体以及电池组，经常会使用数据驱动状态评估方法中的机器学习模式建立电池健康状态的评估模型。在此基础上，通过运用自适应粒子群算法对最小二乘支持向量机实施优化，能进一步提升锂离子电池健康状态的评估精度。

融合算法是将数据驱动法中的机器学习与深度学习相融合，对原本存在的算法进行优化，利用高斯回归线与容量增量定位得出电池充电与放电初期的荷电状态。该方法具有两个优点，一是有超强的数据综合能力，二是在非线性拟合方面的能力很强。锂离子电池荷电状态与健康状态评估不能局限在少量单体电池上，未来的评估重点将在规模较大的电池组上，因此相比其他荷电状态估算方法，这种方法具有良好的发展前景。可以预见，数据驱动电池状态评估方法，在未来能够被充分运用在大规模电力储能用锂离子电池荷电状态和健康状态评估上。

3 锂离子电池一致性评估

电力储能用锂离子电池的一致性状态实施要先对锂离子电池运行数据实施清洗，然后进行特征选取与数据挖掘。数据清洗是针对电池管理系统及电站能量管理系统获取到的电池单体电流、电压、荷电状态、温度以及健康状态等数据实施筛选，将清洗完毕的数据采用合适的特征选取方法实施降维，突出关键信息，最后在建立算法模型的基础上对锂离子电池的不一致性进行详细研究。

3.1 特征选取方法

特征选取方法包括数据变化法与自动提取法。电力储能用锂离子电池的电池状态会受到多种因素的影响，如电站运行方式变化、充放电功率调节、工作运行环境改变等。电池状态的主要特征不清晰，影响电池系统的因素与高维时间序列叠加后会形成一个超高维数据空间。由于原始信息的聚类分析效果不理想，所以需要在原始信息中按重点特征进行筛选。

一般来说，在数据变化基础上有许多方法可以对时间序列进行降维。数据变化法中最典型的是主成分分析法以及时间序列模型法两种方法。主成分分析技术是通过数学变化的方式，对电池特征进行数据收集然后实施降维。有研究表明，健康特征因子可以运用IC 曲线提取出来，然后使用主成分分析对电池老化特征中所提取的参数进行处理。同时，可以在长时间序列与短时间序列间进行有效转换，将长时间序列转换为短时间序列。在此基础上采用分段聚合近似表示方法能对其进行有效降维处理，提升计算速度。

自动提取法是另一种常见的特征选取方法。自动提取法利用了深度学习模型，其输入层具有强大的感知功能，根据预设条件对原始数据进行构建，来对数据进行降维操作。

3.2 数据挖掘方法

电力储能系统中锂离子电池的运行状态数据量非常庞大，并存在维度较高、信息量复杂等特点，在大规模的储能数据中有效提取到隐性信息非常重要。与传统的统计学不同，数据挖掘法是一种机器学习与深度学习方法，拥有理论最优、算法先进等优点，通过建立模型，将一致性目标结果使用输出方法输出连续值，在锂离子电池的一致性状态评估中较常使用。

4 结语

当前，锂离子电池状态评估主要针对电池单体通过在实验室中开展数据测试、数学建模与验证进行研究，针对电力储能现场实际运行数据开展的研究较少，且与实验室中的电池测试系统存在较大差异，对锂离子电池大规模的储能系统应用以及数据挖掘理论的应用带来较大局限。当前，主要使用数学解析模型法、电化学模型法及等效电路模型法对电力储能用锂离子电池的荷电状态及健康状态进行评估，通过特征选取及数据挖掘对电池一致性状态进行评估。今后电力储能中使用锂离子电池状态评估要进行更深入研究，对现场数据进行有效提取，提高数据的质量，加强计算精度，采用不同的训练进行数据挖掘，是准确评估锂离子电池运行状态的未来发展趋势。