中國儲能網訊：隨著新能源的開發(fā)利用以及“碳達峰·碳中和”的持續(xù)推進，電力系統(tǒng)正在經歷著重大變革，以火力發(fā)電為主的傳統(tǒng)能源逐漸向以新能源為主的方向轉型。同時，光伏發(fā)電、風力發(fā)電的間歇性推進了電池儲能技術的發(fā)展。鋰離子電池儲能因壽命長、能量密度高和充放電速度快等特點，已然成為大規(guī)模電力儲能中最具競爭力的技術之一?！吨袊娏Α?024年第11期刊發(fā)了夏向陽等撰寫的《儲能電站鋰離子電池本體安全關鍵技術及新技術應用情況》一文。文章探討了現(xiàn)有電池狀態(tài)評估技術的新研究熱點。從基于碎片數(shù)據(jù)實現(xiàn)電池狀態(tài)的有效評估、邊緣計算與智能巡檢3個方面對電池運行狀態(tài)評估技術展開分析；從計及電池參數(shù)變化的系統(tǒng)穩(wěn)定性研究與儲能系統(tǒng)多目標控制2個方面對儲能控制技術展開分析。
儲能電站鋰離子電池本體安全關鍵技術及新技術應用情況
夏向陽,譚欣欣,單周平,李輝,徐志強，吳晉波, 岳家輝，陳貴全
1.長沙理工大學 電氣與信息工程學院
2.巴斯夫杉杉電池材料有限公司
3.國網湖南省電力有限公司經濟技術研究院
4.國網湖南省電力有限公司電力科學研究院
“雙碳”目標的提出和能源電力低碳轉型的持續(xù)推進，以新能源為主體的新型電力系統(tǒng)面臨著規(guī)模化安全高效儲能等能源問題的重要挑戰(zhàn)。在這一背景下，儲能電站作為能源系統(tǒng)中關鍵的組成部分，其安全管理尤為重要，直接關系到整個電力系統(tǒng)的穩(wěn)定運行和可持續(xù)發(fā)展。針對鋰離子電池本體安全管理的研究現(xiàn)狀展開深入分析，首先，系統(tǒng)回顧了當前廣泛應用的各類電池健康評估方法，并詳細總結了數(shù)據(jù)驅動方法中健康因子的選擇；其次，從基于數(shù)據(jù)碎片評估電池狀態(tài)、電池邊緣平臺構建與儲能電站智慧巡檢3個方面出發(fā)，探討了現(xiàn)有電池狀態(tài)評估技術的最新研究熱點，指出儲能安全評估未來的發(fā)展方向和關鍵挑戰(zhàn)；最后，總結儲能電站的安全控制技術，針對計及電池參數(shù)變化的系統(tǒng)穩(wěn)定性與儲能系統(tǒng)多目標控制問題提出了相關見解。
一、電池本體安全關鍵技術及應用情況
1.1 電池狀態(tài)估計方法1）電化學阻抗法。電化學阻抗法是將正弦電壓信號注入電極，通過計算激勵電壓與響應電流的比值來確定電池在不同頻率下的阻抗，如圖1所示。
圖1 電化學阻抗法檢測結果
Fig.1 The results of electrochemical impedance method
隨著循環(huán)次數(shù)的增加，電池內部的物理和化學特性會發(fā)生變化，這些變化可以通過電化學阻抗譜中的阻抗值來反映，如歐姆內阻會隨著老化而升高，則電化學阻抗譜曲線高頻區(qū)域的阻抗實部增大，導致曲線整體會向右移動。因此，電化學阻抗譜曲線是可以直接反映電池狀態(tài)的。2）等效電路模型。常用的等效電路模型有Rint等效電路模型、Thevenin等效電路模型、二階RC等效電路模型、PNGV等效電路模型、GNL等效電路模型，如表1所示。同時，采用多種自適應方法濾波器，包括擴展卡爾曼濾波器、H∞觀測器和粒子濾波法，以準確識別等效電路模型的內部特征參數(shù)。文獻[17]提出了一種基于動態(tài)等效電路模型的電池SOH估計方法，利用非線性最小二乘曲線擬合來近似模型參數(shù)，在降低計算復雜度的同時捕捉SOH的動態(tài)變化。文獻[18]以電池的Thevenin模型為基礎應用自適應無跡卡爾曼濾波辨識時變電池系統(tǒng)的歐姆內阻，利用估計內阻的方式估計電池SOH，具有很好的實用性。文獻[19]引入了一種多時間尺度變階等效電路模型。
表1 電池模型描述Table 1 Battery Model Description
基于上述分析可知，電池在使用過程中會逐漸老化，這會導致等效電路模型參數(shù)隨時間發(fā)生變化。例如電池的歐姆內阻反映電池內部電解液的減少和離子傳輸阻力的增大，隨著電池老化，歐姆內阻呈現(xiàn)升高趨勢；極化電阻電池的極化電阻反映了電池在充放電過程中的電荷轉移阻抗，隨著電池老化，極化電阻呈現(xiàn)升高趨勢。因此，等效電路模型參數(shù)的變化可以作為電池老化的指標，通過監(jiān)測這些參數(shù)隨時間的變化，可以推斷電池的SOH。3）數(shù)據(jù)驅動模型。在過濾屬性數(shù)據(jù)并構建健康因子作為模型算法的輸入后，選擇合適的機器學習算法至關重要。常用的算法包括支持向量回歸、高斯過程回歸、長短期記憶、極限學習機、神經網絡等，數(shù)據(jù)驅動法架構如圖2所示。
圖2 數(shù)據(jù)驅動法架構
Fig.2 The structure of he data-driven methods
健康因子作為數(shù)據(jù)驅動模型的輸入量，為模型提供了電池健康狀況的直觀和定量的描述，從而使模型能夠更準確地進行狀態(tài)監(jiān)測、故障診斷和壽命預測。通過結合健康因子，數(shù)據(jù)驅動模型能夠提高其預測的準確性和可靠性，實現(xiàn)對電池性能和壽命的有效管理。因此，數(shù)據(jù)驅動模型的構建離不開電池健康因子的有效篩選。現(xiàn)有文獻對于健康因子的選取多從電池外特性參數(shù)進行，以根據(jù)恒流放電過程為例，該過程可分為放電初始階段、放電穩(wěn)定階段、放電結束階段和放電恢復階段，每個階段都表現(xiàn)出一定的健康特征。圖3顯示出放電過程中的電壓驟降，其主要原因是隨著電池老化，電阻會逐漸增大，進而導致明顯的電壓下降。
圖3 電壓急劇下降變化趨勢
Fig.3 The change trend of sharp voltage drop
同時，放電過程中存在穩(wěn)定的電壓下降幅值，該電壓降主要是由電池極化電阻引起的，如圖4所示。隨著電池老化，電壓降的幅度會逐漸增大。因此，壓降幅度可作為評估電池健康狀況的健康因子。
圖4 電壓緩慢下降的變化趨勢Fig.4 The change trend of slow voltage drop
根據(jù)恒流充電過程，電池充電到截止電壓所需的時間會隨著電池老化而減少，如圖5所示。因此，特定電壓段的變化率可用作健康因子。
圖5 電壓變化率示意
Fig.5 Schematic diagram of voltage change rate
電池逐漸老化時，充電達到截止電流所需的時間會縮短，如圖6所示。因此，特定的電流段變化率可用作評估電池老化的健康因子。
圖6 電流變化率示意
Fig.6 Schematic diagram of current change rate
恒流充電時間和恒流放電時間是與電池容量密切相關的常用指標，如圖7所示，恒流時間會隨著電池的老化而顯著減少，可被視為健康因子。
圖7 恒流充放電時間的變化趨勢
Fig.7 The change trend of constant-current charge/discharge time
隨著電池老化，歐姆內阻和極化電阻會增加，電池在充電過程中達到最高溫度所需的時間會迅速縮短，如圖8所示。因此，達到電池最高溫度所需的時間可用作評估電池老化程度的健康因子。
圖8 達到最高溫度所需時間的變化趨勢
Fig.8 The change trend of time required to reach the maximum temperature
在充電或放電過程中，電池會逐漸老化和退化，導致歐姆內阻和極化內阻增加，最高溫度升高，如圖9所示。因此，充電或放電過程中的最高溫度可作為電池老化的健康因子。
圖9 最高氣溫的變化趨勢
Fig.9 The change trend of maximum temperature
隨著電池老化，其最高溫度會逐漸升高，如圖10所示。因此，特定溫度段的變化率可用作評估電池老化的健康因子。
圖10 溫度變化率示意
Fig.10 Schematic diagram of temperature change rate
1.2 電池不一致性分析在實現(xiàn)有效電池狀態(tài)評估的前提下，隨著儲能電站規(guī)?；姵夭灰恢聠栴}日益受到關注。鋰離子電池組內部的不一致性主要表現(xiàn)在2個方面。1）電池在生產過程中，如電極制造、組裝過程中，會出現(xiàn)細微的誤差，從而導致電池本身的不一致性。電池容量、電池狀態(tài)、電池性能和電池壽命等方面不可避免地存在差異。即使是同一批電池芯，在充電、內阻和自放電方面也會存在差異。組裝過程也會造成接觸點內阻的差異。2）使用過程中出現(xiàn)電池參數(shù)不一致。由于電池的位置和散熱環(huán)境不同，它們的溫度也會不同。此外，傳播機制具有相關性和交叉依賴性。電池長期工作在復雜的充放電條件下，不同的電流、溫度和放電深度會加劇初始參數(shù)的不一致性，從而加速電池老化。1.2.1 不一致檢測對象在儲能電站中，為了滿足儲能系統(tǒng)的電壓水平和容量要求，必須連接串聯(lián)和并聯(lián)電池。監(jiān)測電池、電池組和電池堆之間的不一致性比監(jiān)測單體電池的健康狀況更為重要。儲能設備老化程度的不一致性會增加過充電、過放電和熱失控的可能性，從而導致不可逆轉的安全事故?，F(xiàn)有電池不一致分析研究方法如圖11所示。
圖11 電池一致性的綜合評估方法
Fig.11 Comprehensive evaluation method for consistency
1）文獻[22]從端電壓的角度，使用基于圖案距離的電壓差來檢測電池之間的不一致性。文獻[23]采用K-means算法進行電壓一致性評估。2）從溫度的角度來看，文獻[24]認為溫度不均勻會導致電池組不一致，影響其性能，并提出了合適的工作環(huán)境溫度。文獻[25]根據(jù)鋰電池組散熱過程的個體差異，設計了一種散熱性能良好的電池組。文獻[26]提出了電池充電熱行為的一致性表征指標。3）從阻抗的角度來看，文獻[27]根據(jù)電化學阻抗譜曲線實現(xiàn)了電池分類。4）文獻[28]從電量的角度提出一種基于電池簇放電電量的電池堆不一致性在線監(jiān)測方法，定量分析了電池堆與電池簇放電電量的對應關系。5）文獻[29]從多個對象角度出發(fā)，選擇容量、充電狀態(tài)和電阻作為電池組的一致性參數(shù)。文獻[30]采用電壓、溫度、內阻、容量和電量5個指標來計算一致性得分。文獻[31]選擇容量、內阻和開路電壓等作為電池一致性參數(shù)。1.2.2 不一致檢測方法目前，儲能電池不一致檢測方法可分為統(tǒng)計學分析法、機器學習分析法、多特征加權法等。1）統(tǒng)計學分析法。文獻[32]應用標準差來評估電壓和容量的一致性。基于3?σ準則的異常檢測算法，通過比較每個電池的評分結果來識別和定位微故障電池。文獻[33]基于統(tǒng)計分布的離群點檢測方法對整組電池的單體電壓數(shù)據(jù)進行計算分析，辨識出電池組一致性狀態(tài)、較極端單體及其異常原因與極端程度。2）機器學習分析法。制造誤差和使用環(huán)境的不同導致電池單體存在不一致性，準確估計某一單體電池的SOC變得困難，文獻[34]融合電池組模型和聚類算法，提出一種鋰離子電池組荷電狀態(tài)（state of charge，SOC）不一致估計方法。文獻[35]基于電池產線大數(shù)據(jù)，從電池分容階段的電壓曲線提取關鍵動態(tài)特征，形成了基于K-means聚類的電池分選方法，并從電池分容后的回充階段提取了用于評估電池性能一致性的指標，并設計了一個以指標標準差為核心的電池一致性評價方法。3）多特征加權法。單一特征很難全面描述電池組的真實性能狀態(tài)。為了克服這些問題，基于多特征加權的電池組一致性評價方法成為近年來的研究熱點。文獻[36]基于電動汽車的運行數(shù)據(jù)，探索了表征電池組一致性的靜態(tài)和動態(tài)參數(shù)，并結合熵權法分配特征權重。文獻[37]提出了一種基于多特征權重的電池組一致性評價方法。為了更好地捕捉電池性能狀態(tài)，文獻[38]提取了增量容量曲線上的特征，通過分析層次過程法建立了多特征加權一致性模型。
二、儲能技術研究熱點
2.1 電池運行狀態(tài)評估技術1）基于碎片數(shù)據(jù)實現(xiàn)電池狀態(tài)的有效評估。在實際應用中，電池的操作數(shù)據(jù)有時不足，因此很難獲得其性能的真實描述。因此，許多學者使用數(shù)據(jù)段來評估電池狀態(tài)?；谀壳暗难芯楷F(xiàn)狀，本文從經驗擬合模型（empirical fitting mode，EFM）和機器學習模型（machine learning mode，MLM）的角度提出了2種能力評估方法。對于EFM，整個歷史數(shù)據(jù)包含關鍵信息，例如恒流放電階段電壓突降，該幅值間接反映了電池的歐姆內阻。通過擬合大量歷史數(shù)據(jù)，可以建立電壓突降幅值和相應容量的經驗擬合模型，如圖12所示。如果現(xiàn)有的碎片數(shù)據(jù)包含這一特征，則可以將電壓突降幅值納入經驗模型中，以估計電池的容量，從而進行狀態(tài)評估。
圖12 基于電壓幅值的經驗擬合模型
Fig.12 Empirical fitting model based on voltage
對于MLM，基于大量歷史數(shù)據(jù)集，如電流數(shù)據(jù)集{I1, I2, ···, In}（n為數(shù)據(jù)總量）、電壓數(shù)據(jù)集{U1, U2, ···, Un}與溫度數(shù)據(jù)集{T1, T2, ···, Tn}，構建相應的神經網絡模型。以電壓數(shù)據(jù)集為例，基于是否包含重要老化信息為標準，形成恒流充電過程中不同電壓范圍的數(shù)據(jù)集{D3.8~3.9 V, D3.9~4.0 V, D4.0~4.1 V, D4.1~4.2 V,}，并從上述電壓范圍的歷史數(shù)據(jù)集中，提取健康因子及其該循環(huán)圈數(shù)下的剩余容量，以構建不同電壓范圍的神經網絡模型；之后，通過數(shù)據(jù)補充手段將現(xiàn)有的數(shù)據(jù)片段{u1, ···, uq}（q為現(xiàn)有數(shù)據(jù)片段的數(shù)據(jù)點個數(shù)）補充到包含上述分段數(shù)據(jù)最多的電壓區(qū)間，并從補充后的完整電壓數(shù)據(jù)中提取健康因子{kv1, kv2}；最后，將這些健康因子作為相應電壓范圍神經網絡模型中的輸入量以實現(xiàn)該循環(huán)圈數(shù)下的容量預測，進而實現(xiàn)健康狀態(tài)的評估，整體結構如圖13所示。
圖13 基于機器學習模型的電池剩余容量示意
Fig.13 Diagram of the proposed prediction remaining life based on machine learning model
同時，采用均方根誤差（root mean square error，RMSE）、平均絕對誤差（mean absolute error，MAE）與平均絕對百分比誤差（mean absolute percentage error，MAPE）等指標來驗證電池狀態(tài)有效評估準確性。為了證明所提出EFM方法的有效性，以NASA公開的電池老化數(shù)據(jù)集為對象，由于容量再生現(xiàn)象的存在，對B0005電池35~165循環(huán)圈數(shù)下的瞬時壓降Δu與剩余容量c進行采集，如圖14所示。
圖14 B0005電池35-165循環(huán)圈數(shù)下的瞬時壓降與剩余容量采集結果
Fig.14 The sharp voltage drop and remaining capacity collection results of battery numbered B0005 under 35 to 165 cycles
基于35~159循環(huán)圈數(shù)下瞬時壓降Δu與剩余容量c的歷史老化數(shù)據(jù)構建擬合模型為進而通過第160~165循環(huán)圈數(shù)下的瞬時壓降Δu來估計剩余容量，估計結果與誤差如表2所示。
表2 EFM方法容量估計結果與誤差
Table 2 Capacity estimation results and errors of EFM
為了證明所提出MLM方法的有效性，同樣以B0005電池35~165循環(huán)圈數(shù)下的老化數(shù)據(jù)為例，假設已知35~64循環(huán)圈數(shù)下所有電池老化數(shù)據(jù)，且僅知第165循環(huán)下電壓為4.07~4.13 V的數(shù)據(jù)片段。首先，選擇4.050~4.075 V的電壓變化率kv1和4.075~4.100 V的電壓變化率kv2作為健康因子。基于NASA的歷史電池老化數(shù)據(jù)，獲得大量健康因子的歷史數(shù)據(jù)集以及相應的剩余容量{c35, c36,···, c164}，然后構建電壓為4.05~4.10 V的GA-BP神經網絡模型；接著，利用電壓為4.07~4.13 V的片段數(shù)據(jù)，構建非線性擬合模型u(t)來補全電壓為4.05~4.07 V的數(shù)據(jù)，即構建電壓為4.05~4.10 V的完整電壓數(shù)據(jù)，并選擇4.050~4.075 V的電壓變化率kv1和4.075~4.100 V的電壓變化率kv2作為片段數(shù)據(jù)的健康因子；最后，將健康因子{kv1, kv2}作為構建的GA-BP神經模型的測試集，預測第165循環(huán)的剩余容量，預測結果與誤差如表3所示。
表3 MLM法容量預測結果與誤差
Table 3 Capacity prediction results and errors of MLM
由表2與表3可知，本文提出的基于數(shù)據(jù)片段來估計剩余容量的方法的誤差指標均處于較低水平，證明了所提方法的可行性與有效性。2）邊緣計算平臺。隨著大型儲能電站的建設，電池的監(jiān)測數(shù)據(jù)急劇增加。針對這一問題，儲能電池邊緣計算平臺的建設應運而生。邊緣計算是應對儲能電池安全挑戰(zhàn)的一項關鍵技術。具體而言，邊緣計算涉及計算和數(shù)據(jù)處理，可實現(xiàn)更高效的電池管理和優(yōu)化。與傳統(tǒng)的云計算相比，邊緣計算具有更高的實時性能，可以作為儲能實際應用中很有前途的解決方案，如圖15所示。同時，現(xiàn)有的邊緣平臺主要監(jiān)測電池的外特性參數(shù)，并不注重內特性參數(shù)的監(jiān)測，這導致在健康狀態(tài)評估上存在一定程度的偏差。因此，本文提出了一種儲能電站電池健康管理邊緣計算平臺。它在電池和BMS之間建立了信息通信，實現(xiàn)運行數(shù)據(jù)實時傳輸?shù)耐瑫r，能夠對單體電池內/外特性參數(shù)進行實時監(jiān)測，從而進行更準確的評估。
圖15 邊緣計算平臺結構
Fig.15 The structure of edging computing platform
與其他監(jiān)測電流、電壓和溫度等外部特性的邊緣計算平臺相比，本文提出的邊緣計算平臺側重于監(jiān)測歐姆內阻rohm、極化電阻rp和極化電容cp等內部特性參數(shù)，如圖16所示，通過內部和外部特征參數(shù)的混合驅動，系統(tǒng)實現(xiàn)了對電池健康狀態(tài)的有效監(jiān)控。
圖16 電池邊緣計算系統(tǒng)界面
Fig.16 Edge Computing System Interface
為驗證電池健康管理邊緣計算平臺的工程應用能力，本文將邊緣計算平臺集成到中國湖南的一個儲能電站中。通過對電池單體電壓和電流的實時監(jiān)測，實現(xiàn)歐姆內阻、極化電阻和極化電容的在線辨識。以電池歐姆內阻為例，在恒流充放電工作狀態(tài)下，給出該儲能電站中鋰離子電芯端電壓的變化曲線，如圖17所示。針對恒流放電過程，該過程可以分為4個階段，即放電初始階段、放電穩(wěn)定階段、放電結束片階段與放電恢復階段。
圖17 電池電壓放電階段
Fig.17 Intelligent inspection robot schematic
在放電初始階段中，電芯端電壓受到歐姆內阻分壓作用而突然下降，其相關性如式（2）所示。在放電電流與采樣步長保持恒定的情況下，根據(jù)該片段電壓幅值變化Δuohm可以間接地計算出歐姆內阻大小情況。式中：i為放電電流。對于電池邊緣計算平臺，基于上述辨識方法，每個單體電池歐姆內阻識別結果均可查看，如圖18所示，進一步實現(xiàn)基于內/外部特征參數(shù)的電池健康狀態(tài)評估。盡管儲能電池的邊緣計算應用前景廣闊，但在實際應用中仍面臨挑戰(zhàn)和限制。例如，它需要較高的可擴展性和兼容性，以滿足不同環(huán)境的需求。
圖18 歐姆內阻的在線鑒定結果
Fig.18 Online characterization results for ohmic internal resistance
3）智能巡檢機器人。電池溫度狀態(tài)（state of temperature ，SOT）描述了電池的實時熱狀態(tài)。電池溫度極大地影響了其電氣參數(shù)，例如歐姆內阻，極化電阻等，導致電池SOC、SOH估計誤差很大，顯著影響電池性能。因此，準確測量電池溫度對于準確估計電池SOC和SOH并提高電池性能至關重要。此外，溫度監(jiān)控可防止因熱失控而導致的電池不必要的老化和電池組故障。出于成本和復雜性的考慮，將溫度傳感器放置在每個電池的表面準確測量存在一定難度，特別是當電池系統(tǒng)包括數(shù)百甚至數(shù)千個電池單體。從電池運行的角度來看，SOT可以讓BMS評估不同運行條件下電池本體的功率和能量能力，這有助于最大限度地提高電池性能。從電池健康管理的角度來看，應用熱狀態(tài)信息可以在電池級和電池組級上進行更好的健康狀態(tài)估計，從而促進電池系統(tǒng)的預測和維護。通過對儲能設備的溫度等情況進行有效監(jiān)控，將上述信息傳輸至EMS進行準確判斷和安全控制。因此，本節(jié)提出搭建儲能電站智能巡檢機器人，如圖19所示，包括移動系統(tǒng)、高清攝像頭、紅外溫度傳感器和消息接收模塊，可與EMS實時交互數(shù)據(jù)，實現(xiàn)對電池溫度問題的快速檢查和實時診斷。同時，通過預先建立指定路徑，檢測機器人利用紅外熱成像技術進行非接觸式溫度測量，然后將獲得的溫度矩陣轉換為彩色云圖，顯示矩陣內的最高和最低溫度。
圖19 智能巡檢機器人
Fig.19 Intelligent inspection robot schematic
本文基于儲能系統(tǒng)平臺，利用智能巡檢機器人對電池組進行熱掃描。通過EMS的綜合評估結果和實時數(shù)據(jù)交互，智能巡檢機器人對目標電池組進行定時、定點巡檢。智能巡檢機器人在PC工作站上的程序界面不僅可以采集手柄、連接帶、冷卻風扇的常規(guī)視頻圖像，還能準確顯示其溫度云圖，如圖20所示，實現(xiàn)快速檢測和實時監(jiān)控。
圖20 智能巡檢機器人的熱成像結果
Fig.20 Thermal imaging results for intelligent inspection robots
綜上，儲能電站通過智能巡檢機器人可以進行儲能設備定期巡檢與SOT估計，并可以與云平臺結合，通過多種方式實現(xiàn)對儲能設備全方位安全狀態(tài)的準確評估。 2.2 儲能系統(tǒng)控制技術1）計及電池參數(shù)變化的系統(tǒng)穩(wěn)定性研究。不同應用場景下儲能系統(tǒng)通過變流器實現(xiàn)電池與電網之間的能量交互，可能發(fā)生諧振及失穩(wěn)現(xiàn)象。因此，針對變流器運行時平衡點變化范圍，結合儲能電池內部動態(tài)阻抗變化及能量調控動態(tài)區(qū)間，準確分析電池參數(shù)變化、電池老化引發(fā)的能量輸出受限等問題對提升電網系統(tǒng)穩(wěn)定性是非常重要的。目前針對變流器穩(wěn)定性分析方法主要分為3大類：狀態(tài)空間法、阻抗分析法、能量函數(shù)法。其中狀態(tài)空間法和阻抗法都是基于系統(tǒng)穩(wěn)定狀態(tài)在平衡點附近波動時對模型進行線性化的分析方法。關于狀態(tài)空間法，文獻[50]考慮在逆變器內外環(huán)控制、鎖相環(huán)和延遲控制等環(huán)節(jié)，在d-q旋轉坐標系下逆變器高頻狀態(tài)空間模型，提出相應控制策略改善了系統(tǒng)不穩(wěn)定性；文獻[51]考慮儲能電池和換流器的動態(tài)過程，建立了狀態(tài)空間模型，得到電池因過度充/放電導致內阻增大及電池電壓減小、惡化直流系統(tǒng)穩(wěn)定性的結論。但是狀態(tài)空間法因其需要獲得系統(tǒng)完備的參數(shù)信息，當控制參數(shù)改變或者引入新的設備時需要重新建立狀態(tài)方程，且隨著電力電子設備的投入，系統(tǒng)階數(shù)增加將面臨建模“維數(shù)災”的局限性問題。阻抗分析法利用其可測量性將變流器和電網分別劃分為獨立的子系統(tǒng)，分析其交互穩(wěn)定性問題具有一定的優(yōu)勢，文獻[52]將發(fā)電端等效為理想直流電壓源，研究多機并聯(lián)的穩(wěn)定性問題，通過提出了一種系統(tǒng)的補償輸出導納以克服不穩(wěn)定性，同時保持低階電網電壓諧波衰減能力控制方法。文獻[53-54]通過將儲能變流器（power conversion system，PCS）等效為電流源與輸出阻抗為定值的并聯(lián)結構，研究電網和整個PCS系統(tǒng)間諧振問題，提出并聯(lián)PCS臺數(shù)的臨界值?？梢姮F(xiàn)有研究大多將儲能電池模型等效為一個恒壓源與恒內阻串聯(lián)的模型，這種忽略電池阻抗動態(tài)特性變化的簡化模型會隨著電池數(shù)量的增加產生累計誤差，導致穩(wěn)定性分析結果不準確，從而在不同場景下，造成對系統(tǒng)穩(wěn)定域內PCS多機并聯(lián)臺數(shù)最大范圍的誤判。故需要結合電池內阻抗變化特性進一步推演其穩(wěn)定性特征，劃定能參與能量調控的多機并聯(lián)系統(tǒng)臺數(shù)區(qū)間，如圖21所示。
圖21 基于電池阻抗變化的根軌跡
Fig.21 Root locus diagram based on changes in battery impedance
綜上所述，在儲能系統(tǒng)并網后，處于正常工況下或者小擾動工況下（即系統(tǒng)平衡點不發(fā)生偏移），儲能變流器中電池長時間運行并發(fā)生老化，其電池內阻的動態(tài)變化影響著接入電網的最大并聯(lián)臺數(shù)，隨時間的推移電池的阻抗增大，對于強電網而言可以容納更多的變流器臺數(shù)，但是電池的老化使其能量輸出閾值衰減加劇，使?jié)M足電網能量所需的最小并聯(lián)臺數(shù)大于依據(jù)阻抗穩(wěn)定性分析的儲能變流器允許接入電網的最大運行臺數(shù)時，則需要更換電池簇，依據(jù)阻抗和能量變化速率的PCS的最優(yōu)臺數(shù)判斷區(qū)間，研究如何根據(jù)電池能量衰減和阻抗變化的速率進一步進行儲能變流器最優(yōu)臺數(shù)的選擇和提出判斷更換電池簇的邊界條件，可作為儲能系統(tǒng)未來的研究目標，如圖22所示。
圖22 基于阻抗和能量變化速率的最優(yōu)臺數(shù)范圍區(qū)間
Fig.22 Range of optimal number of stations based on impedance and energy change rate
2）基于安全的儲能系統(tǒng)多目標控制?，F(xiàn)有儲能系統(tǒng)PCS控制主要沿用傳統(tǒng)逆變器的控制策略，容易忽視儲能電池的健康狀態(tài)、壽命損耗規(guī)律、系統(tǒng)阻抗功率損耗等情況，導致系統(tǒng)運行風險系數(shù)高，易因產熱過大而造成熱失控等安全事故。因此，研究適合儲能系統(tǒng)PCS在不同工況運行下最優(yōu)控制策略非常關鍵。儲能系統(tǒng)參與調頻和調峰工況下運行時各參數(shù)變化如圖23所示，可見儲能變流器的傳輸功率、SOC和輸出電流在能量波動、時間尺度和變化趨勢上存在較大的差異。為了優(yōu)化儲能系統(tǒng)在調頻、調壓和調峰等工況下安全運行，對于調頻工況，文獻[56-57]提出了考慮SOC和健康狀態(tài)的儲能輔助調頻自適應優(yōu)化PCS控制策略，在保證儲能調頻效果的同時，使各儲能單元均處于健康工作狀態(tài)；對于調壓工況，文獻[58]提出一種PCS多變量協(xié)同保護策略，以無功支撐為首要目標，并網點有功功率波動、儲能系統(tǒng)側電流波動和輸出電流峰值為約束條件，構建相應函數(shù)并根據(jù)電壓跌落程度向電網提供相應無功支撐；在調峰工況上；文獻[59-60]根據(jù)每個儲能單元的SOC調整功率分配，并通過建立儲能的雙層協(xié)同控制來平滑風電波動；文獻[61]提出了通過構建功率分配優(yōu)化模型來減少電池能量損耗和維持SOC平衡的方法；文獻[62]基于遺傳算法對每個存儲單元的電流進行調整和優(yōu)化，使不同老化程度的電池都能同時報廢；文獻[63]提出考慮能量效率和SOC均衡來調節(jié)儲能電站各PCS傳輸功率，在降低電池內阻功率損耗的同時盡可能均衡電池SOC；文獻[64]基于電池老化特性曲線和系統(tǒng)并網諧波含量要求優(yōu)化多臺PCS傳輸功率的調峰控制策略，減緩了儲能電池老化速度19.8%；文獻[65]提出了一種在基于共識的分布式框架中實現(xiàn)各PCS功率分配的策略，共識因素包括SOC均衡、運行效率和電池壽命損耗，在不同的電池狀態(tài)和應用場景下選擇相應的共識因素來調節(jié)PCS傳輸功率。
圖23 儲能參與調頻和調峰能量波動
Fig.23 The map of energy storage participation in FM and peaking energy fluctuations
上述工作為儲能變流器多目標控制研究提供了一定的基礎，但整體而言，儲能系統(tǒng)在調頻、調壓和調峰等工況運行時，缺乏對不同工況下電池參數(shù)變化帶來的系統(tǒng)穩(wěn)定性、能量損耗、能量上限受限、并網指標和電池壽命變化規(guī)律等情況的協(xié)同考慮，研究儲能系統(tǒng)各工況運行下關鍵需求的PCS多目標協(xié)調控制，是未來保證儲能系統(tǒng)安全穩(wěn)定運行的關鍵技術。
三、結論
現(xiàn)今電力系統(tǒng)由“源-網-荷”逐漸向“源-網-荷-儲”轉變，本文在總結單體電池狀態(tài)評估方法與不一致性檢測的同時，探討了現(xiàn)有電池狀態(tài)評估技術與儲能系統(tǒng)控制技術的新研究熱點，主要結論如下。
1） 總結了各種電池狀態(tài)評估方法，如電化學阻抗法、等效電路模型、數(shù)據(jù)驅動方法等；并著重討論了數(shù)據(jù)驅動方法中健康因子的選擇，如恒流、恒壓充放電過程中的電壓變化率、電流變化率與溫度變化率等。
2）構建了監(jiān)測電池內/外特性參數(shù)的邊緣計算平臺，在監(jiān)測電池電流、電壓和溫度等外部特性參數(shù)的基礎上，對電池歐姆內阻、極化電阻和極化電容等內特性參數(shù)進行有效辨識，實現(xiàn)對電池健康狀態(tài)更加全面的評估，有助于識別潛在的安全問題。
3） 從經驗擬合模型和機器學習模型的角度出發(fā)，實現(xiàn)基于碎片數(shù)據(jù)實現(xiàn)電池狀態(tài)的有效評估。
4） 針對儲能電站的安全監(jiān)控，構建了配備移動系統(tǒng)、高清攝像頭、紅外溫度傳感器和消息接收模塊的智能巡檢機器人。該機器人可與EMS平臺實現(xiàn)數(shù)據(jù)交互，實現(xiàn)對電池溫度狀態(tài)的快速檢查和實時診斷，為電池溫度狀態(tài)評估和儲能電站安全運行提供新概念和理論支撐。
5） 針對不同工況下，電池阻抗變化及能量衰減速率，根據(jù)兩者間變化的速率差異，進一步精確化儲能變流器最優(yōu)臺數(shù)的選擇和提出判斷更換電池簇的邊界條件，可作為儲能系統(tǒng)未來的研究目標。
6） 儲能系統(tǒng)在調頻、調壓和調峰等工況運行時，現(xiàn)有儲能系統(tǒng)PCS控制主要沿用傳統(tǒng)逆變器的控制策略，缺乏對不同工況下電池參數(shù)變化帶來的系統(tǒng)穩(wěn)定性、能量損耗、能量上限受限、并網指標和電池壽命變化規(guī)律等情況協(xié)同考慮，導致系統(tǒng)運行風險系數(shù)高，急需研究出適合儲能系統(tǒng)PCS在不同工況運行下最優(yōu)控制策略，保證儲能系統(tǒng)安全穩(wěn)定運行。
