中國儲(chǔ)能網(wǎng)訊：隨著新能源的開發(fā)利用以及“碳達(dá)峰·碳中和”的持續(xù)推進(jìn)，電力系統(tǒng)正在經(jīng)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(zhuǎn)型。同時(shí)，光伏發(fā)電、風(fēng)力發(fā)電的間歇性推進(jìn)了電池儲(chǔ)能技術(shù)的發(fā)展。鋰離子電池儲(chǔ)能因壽命長、能量密度高和充放電速度快等特點(diǎn)，已然成為大規(guī)模電力儲(chǔ)能中最具競(jìng)爭(zhēng)力的技術(shù)之一?！吨袊娏Α?024年第11期刊發(fā)了夏向陽等撰寫的《儲(chǔ)能電站鋰離子電池本體安全關(guān)鍵技術(shù)及新技術(shù)應(yīng)用情況》一文。文章探討了現(xiàn)有電池狀態(tài)評(píng)估技術(shù)的新研究熱點(diǎn)。從基于碎片數(shù)據(jù)實(shí)現(xiàn)電池狀態(tài)的有效評(píng)估、邊緣計(jì)算與智能巡檢3個(gè)方面對(duì)電池運(yùn)行狀態(tài)評(píng)估技術(shù)展開分析；從計(jì)及電池參數(shù)變化的系統(tǒng)穩(wěn)定性研究與儲(chǔ)能系統(tǒng)多目標(biāo)控制2個(gè)方面對(duì)儲(chǔ)能控制技術(shù)展開分析。
儲(chǔ)能電站鋰離子電池本體安全關(guān)鍵技術(shù)及新技術(shù)應(yīng)用情況
夏向陽,譚欣欣,單周平,李輝,徐志強(qiáng)，吳晉波, 岳家輝，陳貴全
1.長沙理工大學(xué) 電氣與信息工程學(xué)院
2.巴斯夫杉杉電池材料有限公司
3.國網(wǎng)湖南省電力有限公司經(jīng)濟(jì)技術(shù)研究院
4.國網(wǎng)湖南省電力有限公司電力科學(xué)研究院
“雙碳”目標(biāo)的提出和能源電力低碳轉(zhuǎn)型的持續(xù)推進(jìn)，以新能源為主體的新型電力系統(tǒng)面臨著規(guī)?；踩咝?chǔ)能等能源問題的重要挑戰(zhàn)。在這一背景下，儲(chǔ)能電站作為能源系統(tǒng)中關(guān)鍵的組成部分，其安全管理尤為重要，直接關(guān)系到整個(gè)電力系統(tǒng)的穩(wěn)定運(yùn)行和可持續(xù)發(fā)展。針對(duì)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(dāng)前廣泛應(yīng)用的各類電池健康評(píng)估方法，并詳細(xì)總結(jié)了數(shù)據(jù)驅(qū)動(dòng)方法中健康因子的選擇；其次，從基于數(shù)據(jù)碎片評(píng)估電池狀態(tài)、電池邊緣平臺(tái)構(gòu)建與儲(chǔ)能電站智慧巡檢3個(gè)方面出發(fā)，探討了現(xiàn)有電池狀態(tài)評(píng)估技術(shù)的最新研究熱點(diǎn)，指出儲(chǔ)能安全評(píng)估未來的發(fā)展方向和關(guān)鍵挑戰(zhàn)；最后，總結(jié)儲(chǔ)能電站的安全控制技術(shù)，針對(duì)計(jì)及電池參數(shù)變化的系統(tǒng)穩(wěn)定性與儲(chǔ)能系統(tǒng)多目標(biāo)控制問題提出了相關(guān)見解。
一、電池本體安全關(guān)鍵技術(shù)及應(yīng)用情況
1.1 電池狀態(tài)估計(jì)方法1）電化學(xué)阻抗法。電化學(xué)阻抗法是將正弦電壓信號(hào)注入電極，通過計(jì)算激勵(lì)電壓與響應(yīng)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(xué)阻抗法檢測(cè)結(jié)果
Fig.1 The results of electrochemical impedance method
隨著循環(huán)次數(shù)的增加，電池內(nèi)部的物理和化學(xué)特性會(huì)發(fā)生變化，這些變化可以通過電化學(xué)阻抗譜中的阻抗值來反映，如歐姆內(nèi)阻會(huì)隨著老化而升高，則電化學(xué)阻抗譜曲線高頻區(qū)域的阻抗實(shí)部增大，導(dǎo)致曲線整體會(huì)向右移動(dòng)。因此，電化學(xué)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(shí)，采用多種自適應(yīng)方法濾波器，包括擴(kuò)展卡爾曼濾波器、H∞觀測(cè)器和粒子濾波法，以準(zhǔn)確識(shí)別等效電路模型的內(nèi)部特征參數(shù)。文獻(xiàn)[17]提出了一種基于動(dòng)態(tài)等效電路模型的電池SOH估計(jì)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(jì)算復(fù)雜度的同時(shí)捕捉SOH的動(dòng)態(tài)變化。文獻(xiàn)[18]以電池的Thevenin模型為基礎(chǔ)應(yīng)用自適應(yīng)無跡卡爾曼濾波辨識(shí)時(shí)變電池系統(tǒng)的歐姆內(nèi)阻，利用估計(jì)內(nèi)阻的方式估計(jì)電池SOH，具有很好的實(shí)用性。文獻(xiàn)[19]引入了一種多時(shí)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(huì)逐漸老化，這會(huì)導(dǎo)致等效電路模型參數(shù)隨時(shí)間發(fā)生變化。例如電池的歐姆內(nèi)阻反映電池內(nèi)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(nèi)阻呈現(xiàn)升高趨勢(shì)；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(zhuǎn)移阻抗，隨著電池老化，極化電阻呈現(xiàn)升高趨勢(shì)。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(biāo)，通過監(jiān)測(cè)這些參數(shù)隨時(shí)間的變化，可以推斷電池的SOH。3）數(shù)據(jù)驅(qū)動(dòng)模型。在過濾屬性數(shù)據(jù)并構(gòu)建健康因子作為模型算法的輸入后，選擇合適的機(jī)器學(xué)習(xí)算法至關(guān)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(xué)習(xí)機(jī)、神經(jīng)網(wǎng)絡(luò)等，數(shù)據(jù)驅(qū)動(dòng)法架構(gòu)如圖2所示。
圖2 數(shù)據(jù)驅(qū)動(dòng)法架構(gòu)
Fig.2 The structure of he data-driven methods
健康因子作為數(shù)據(jù)驅(qū)動(dòng)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(zhǔn)確地進(jìn)行狀態(tài)監(jiān)測(cè)、故障診斷和壽命預(yù)測(cè)。通過結(jié)合健康因子，數(shù)據(jù)驅(qū)動(dòng)模型能夠提高其預(yù)測(cè)的準(zhǔn)確性和可靠性，實(shí)現(xiàn)對(duì)電池性能和壽命的有效管理。因此，數(shù)據(jù)驅(qū)動(dòng)模型的構(gòu)建離不開電池健康因子的有效篩選。現(xiàn)有文獻(xiàn)對(duì)于健康因子的選取多從電池外特性參數(shù)進(jìn)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(jié)束階段和放電恢復(fù)階段，每個(gè)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(huì)逐漸增大，進(jìn)而導(dǎo)致明顯的電壓下降。
圖3 電壓急劇下降變化趨勢(shì)
Fig.3 The change trend of sharp voltage drop
同時(shí)，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(huì)逐漸增大。因此，壓降幅度可作為評(píng)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(shì)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(shí)間會(huì)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(shí)，充電達(dá)到截止電流所需的時(shí)間會(huì)縮短，如圖6所示。因此，特定的電流段變化率可用作評(píng)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(shí)間和恒流放電時(shí)間是與電池容量密切相關(guān)的常用指標(biāo)，如圖7所示，恒流時(shí)間會(huì)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(shí)間的變化趨勢(shì)
Fig.7 The change trend of constant-current charge/discharge time
隨著電池老化，歐姆內(nèi)阻和極化電阻會(huì)增加，電池在充電過程中達(dá)到最高溫度所需的時(shí)間會(huì)迅速縮短，如圖8所示。因此，達(dá)到電池最高溫度所需的時(shí)間可用作評(píng)估電池老化程度的健康因子。
圖8 達(dá)到最高溫度所需時(shí)間的變化趨勢(shì)
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(huì)逐漸老化和退化，導(dǎo)致歐姆內(nèi)阻和極化內(nèi)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(shì)
Fig.9 The change trend of maximum temperature
隨著電池老化，其最高溫度會(huì)逐漸升高，如圖10所示。因此，特定溫度段的變化率可用作評(píng)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(shí)現(xiàn)有效電池狀態(tài)評(píng)估的前提下，隨著儲(chǔ)能電站規(guī)?；姵夭灰恢聠栴}日益受到關(guān)注。鋰離子電池組內(nèi)部的不一致性主要表現(xiàn)在2個(gè)方面。1）電池在生產(chǎn)過程中，如電極制造、組裝過程中，會(huì)出現(xiàn)細(xì)微的誤差，從而導(dǎo)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(nèi)阻和自放電方面也會(huì)存在差異。組裝過程也會(huì)造成接觸點(diǎn)內(nèi)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(huì)不同。此外，傳播機(jī)制具有相關(guān)性和交叉依賴性。電池長期工作在復(fù)雜的充放電條件下，不同的電流、溫度和放電深度會(huì)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(cè)對(duì)象在儲(chǔ)能電站中，為了滿足儲(chǔ)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(cè)電池、電池組和電池堆之間的不一致性比監(jiān)測(cè)單體電池的健康狀況更為重要。儲(chǔ)能設(shè)備老化程度的不一致性會(huì)增加過充電、過放電和熱失控的可能性，從而導(dǎo)致不可逆轉(zhuǎn)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(píng)估方法
Fig.11 Comprehensive evaluation method for consistency
1）文獻(xiàn)[22]從端電壓的角度，使用基于圖案距離的電壓差來檢測(cè)電池之間的不一致性。文獻(xiàn)[23]采用K-means算法進(jìn)行電壓一致性評(píng)估。2）從溫度的角度來看，文獻(xiàn)[24]認(rèn)為溫度不均勻會(huì)導(dǎo)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(xiàn)[25]根據(jù)鋰電池組散熱過程的個(gè)體差異，設(shè)計(jì)了一種散熱性能良好的電池組。文獻(xiàn)[26]提出了電池充電熱行為的一致性表征指標(biāo)。3）從阻抗的角度來看，文獻(xiàn)[27]根據(jù)電化學(xué)阻抗譜曲線實(shí)現(xiàn)了電池分類。4）文獻(xiàn)[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(cè)方法，定量分析了電池堆與電池簇放電電量的對(duì)應(yīng)關(guān)系。5）文獻(xiàn)[29]從多個(gè)對(duì)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(xiàn)[30]采用電壓、溫度、內(nèi)阻、容量和電量5個(gè)指標(biāo)來計(jì)算一致性得分。文獻(xiàn)[31]選擇容量、內(nèi)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(cè)方法目前，儲(chǔ)能電池不一致檢測(cè)方法可分為統(tǒng)計(jì)學(xué)分析法、機(jī)器學(xué)習(xí)分析法、多特征加權(quán)法等。1）統(tǒng)計(jì)學(xué)分析法。文獻(xiàn)[32]應(yīng)用標(biāo)準(zhǔn)差來評(píng)估電壓和容量的一致性。基于3?σ準(zhǔn)則的異常檢測(cè)算法，通過比較每個(gè)電池的評(píng)分結(jié)果來識(shí)別和定位微故障電池。文獻(xiàn)[33]基于統(tǒng)計(jì)分布的離群點(diǎn)檢測(cè)方法對(duì)整組電池的單體電壓數(shù)據(jù)進(jìn)行計(jì)算分析，辨識(shí)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(jī)器學(xué)習(xí)分析法。制造誤差和使用環(huán)境的不同導(dǎo)致電池單體存在不一致性，準(zhǔn)確估計(jì)某一單體電池的SOC變得困難，文獻(xiàn)[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(jì)方法。文獻(xiàn)[35]基于電池產(chǎn)線大數(shù)據(jù)，從電池分容階段的電壓曲線提取關(guān)鍵動(dòng)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(píng)估電池性能一致性的指標(biāo)，并設(shè)計(jì)了一個(gè)以指標(biāo)標(biāo)準(zhǔn)差為核心的電池一致性評(píng)價(jià)方法。3）多特征加權(quán)法。單一特征很難全面描述電池組的真實(shí)性能狀態(tài)。為了克服這些問題，基于多特征加權(quán)的電池組一致性評(píng)價(jià)方法成為近年來的研究熱點(diǎn)。文獻(xiàn)[36]基于電動(dòng)汽車的運(yùn)行數(shù)據(jù)，探索了表征電池組一致性的靜態(tài)和動(dòng)態(tài)參數(shù)，并結(jié)合熵權(quán)法分配特征權(quán)重。文獻(xiàn)[37]提出了一種基于多特征權(quán)重的電池組一致性評(píng)價(jià)方法。為了更好地捕捉電池性能狀態(tài)，文獻(xiàn)[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(quán)一致性模型。
二、儲(chǔ)能技術(shù)研究熱點(diǎn)
2.1 電池運(yùn)行狀態(tài)評(píng)估技術(shù)1）基于碎片數(shù)據(jù)實(shí)現(xiàn)電池狀態(tài)的有效評(píng)估。在實(shí)際應(yīng)用中，電池的操作數(shù)據(jù)有時(shí)不足，因此很難獲得其性能的真實(shí)描述。因此，許多學(xué)者使用數(shù)據(jù)段來評(píng)估電池狀態(tài)?；谀壳暗难芯楷F(xiàn)狀，本文從經(jīng)驗(yàn)擬合模型（empirical fitting mode，EFM）和機(jī)器學(xué)習(xí)模型（machine learning mode，MLM）的角度提出了2種能力評(píng)估方法。對(duì)于EFM，整個(gè)歷史數(shù)據(jù)包含關(guān)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(nèi)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(yīng)容量的經(jīng)驗(yàn)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(jīng)驗(yàn)?zāi)Ｐ椭校怨烙?jì)電池的容量，從而進(jìn)行狀態(tài)評(píng)估。
圖12 基于電壓幅值的經(jīng)驗(yàn)擬合模型
Fig.12 Empirical fitting model based on voltage
對(duì)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(gòu)建相應(yīng)的神經(jīng)網(wǎng)絡(luò)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(biāo)準(zhǔn)，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(gòu)建不同電壓范圍的神經(jīng)網(wǎng)絡(luò)模型；之后，通過數(shù)據(jù)補(bǔ)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(diǎn)個(gè)數(shù)）補(bǔ)充到包含上述分段數(shù)據(jù)最多的電壓區(qū)間，并從補(bǔ)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(yīng)電壓范圍神經(jīng)網(wǎng)絡(luò)模型中的輸入量以實(shí)現(xiàn)該循環(huán)圈數(shù)下的容量預(yù)測(cè)，進(jìn)而實(shí)現(xiàn)健康狀態(tài)的評(píng)估，整體結(jié)構(gòu)如圖13所示。
圖13 基于機(jī)器學(xué)習(xí)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(shí)，采用均方根誤差（root mean square error，RMSE）、平均絕對(duì)誤差（mean absolute error，MAE）與平均絕對(duì)百分比誤差（mean absolute percentage error，MAPE）等指標(biāo)來驗(yàn)證電池狀態(tài)有效評(píng)估準(zhǔn)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(duì)象，由于容量再生現(xiàn)象的存在，對(duì)B0005電池35~165循環(huán)圈數(shù)下的瞬時(shí)壓降Δu與剩余容量c進(jìn)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(shí)壓降與剩余容量采集結(jié)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(shí)壓降Δu與剩余容量c的歷史老化數(shù)據(jù)構(gòu)建擬合模型為進(jìn)而通過第160~165循環(huán)圈數(shù)下的瞬時(shí)壓降Δu來估計(jì)剩余容量，估計(jì)結(jié)果與誤差如表2所示。
表2 EFM方法容量估計(jì)結(jié)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(shè)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?；贜ASA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(yīng)的剩余容量{c35, c36,···, c164}，然后構(gòu)建電壓為4.05~4.10 V的GA-BP神經(jīng)網(wǎng)絡(luò)模型；接著，利用電壓為4.07~4.13 V的片段數(shù)據(jù)，構(gòu)建非線性擬合模型u(t)來補(bǔ)全電壓為4.05~4.07 V的數(shù)據(jù)，即構(gòu)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(gòu)建的GA-BP神經(jīng)模型的測(cè)試集，預(yù)測(cè)第165循環(huán)的剩余容量，預(yù)測(cè)結(jié)果與誤差如表3所示。
表3 MLM法容量預(yù)測(cè)結(jié)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(jì)剩余容量的方法的誤差指標(biāo)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(jì)算平臺(tái)。隨著大型儲(chǔ)能電站的建設(shè)，電池的監(jiān)測(cè)數(shù)據(jù)急劇增加。針對(duì)這一問題，儲(chǔ)能電池邊緣計(jì)算平臺(tái)的建設(shè)應(yīng)運(yùn)而生。邊緣計(jì)算是應(yīng)對(duì)儲(chǔ)能電池安全挑戰(zhàn)的一項(xiàng)關(guān)鍵技術(shù)。具體而言，邊緣計(jì)算涉及計(jì)算和數(shù)據(jù)處理，可實(shí)現(xiàn)更高效的電池管理和優(yōu)化。與傳統(tǒng)的云計(jì)算相比，邊緣計(jì)算具有更高的實(shí)時(shí)性能，可以作為儲(chǔ)能實(shí)際應(yīng)用中很有前途的解決方案，如圖15所示。同時(shí)，現(xiàn)有的邊緣平臺(tái)主要監(jiān)測(cè)電池的外特性參數(shù)，并不注重內(nèi)特性參數(shù)的監(jiān)測(cè)，這導(dǎo)致在健康狀態(tài)評(píng)估上存在一定程度的偏差。因此，本文提出了一種儲(chǔ)能電站電池健康管理邊緣計(jì)算平臺(tái)。它在電池和BMS之間建立了信息通信，實(shí)現(xiàn)運(yùn)行數(shù)據(jù)實(shí)時(shí)傳輸?shù)耐瑫r(shí)，能夠?qū)误w電池內(nèi)/外特性參數(shù)進(jìn)行實(shí)時(shí)監(jiān)測(cè)，從而進(jìn)行更準(zhǔn)確的評(píng)估。
圖15 邊緣計(jì)算平臺(tái)結(jié)構(gòu)
Fig.15 The structure of edging computing platform
與其他監(jiān)測(cè)電流、電壓和溫度等外部特性的邊緣計(jì)算平臺(tái)相比，本文提出的邊緣計(jì)算平臺(tái)側(cè)重于監(jiān)測(cè)歐姆內(nèi)阻rohm、極化電阻rp和極化電容cp等內(nèi)部特性參數(shù)，如圖16所示，通過內(nèi)部和外部特征參數(shù)的混合驅(qū)動(dòng)，系統(tǒng)實(shí)現(xiàn)了對(duì)電池健康狀態(tài)的有效監(jiān)控。
圖16 電池邊緣計(jì)算系統(tǒng)界面
Fig.16 Edge Computing System Interface
為驗(yàn)證電池健康管理邊緣計(jì)算平臺(tái)的工程應(yīng)用能力，本文將邊緣計(jì)算平臺(tái)集成到中國湖南的一個(gè)儲(chǔ)能電站中。通過對(duì)電池單體電壓和電流的實(shí)時(shí)監(jiān)測(cè)，實(shí)現(xiàn)歐姆內(nèi)阻、極化電阻和極化電容的在線辨識(shí)。以電池歐姆內(nèi)阻為例，在恒流充放電工作狀態(tài)下，給出該儲(chǔ)能電站中鋰離子電芯端電壓的變化曲線，如圖17所示。針對(duì)恒流放電過程，該過程可以分為4個(gè)階段，即放電初始階段、放電穩(wěn)定階段、放電結(jié)束片階段與放電恢復(fù)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(nèi)阻分壓作用而突然下降，其相關(guān)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(jì)算出歐姆內(nèi)阻大小情況。式中：i為放電電流。對(duì)于電池邊緣計(jì)算平臺(tái)，基于上述辨識(shí)方法，每個(gè)單體電池歐姆內(nèi)阻識(shí)別結(jié)果均可查看，如圖18所示，進(jìn)一步實(shí)現(xiàn)基于內(nèi)/外部特征參數(shù)的電池健康狀態(tài)評(píng)估。盡管儲(chǔ)能電池的邊緣計(jì)算應(yīng)用前景廣闊，但在實(shí)際應(yīng)用中仍面臨挑戰(zhàn)和限制。例如，它需要較高的可擴(kuò)展性和兼容性，以滿足不同環(huán)境的需求。
圖18 歐姆內(nèi)阻的在線鑒定結(jié)果
Fig.18 Online characterization results for ohmic internal resistance
3）智能巡檢機(jī)器人。電池溫度狀態(tài)（state of temperature ，SOT）描述了電池的實(shí)時(shí)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(nèi)阻，極化電阻等，導(dǎo)致電池SOC、SOH估計(jì)誤差很大，顯著影響電池性能。因此，準(zhǔn)確測(cè)量電池溫度對(duì)于準(zhǔn)確估計(jì)電池SOC和SOH并提高電池性能至關(guān)重要。此外，溫度監(jiān)控可防止因熱失控而導(dǎo)致的電池不必要的老化和電池組故障。出于成本和復(fù)雜性的考慮，將溫度傳感器放置在每個(gè)電池的表面準(zhǔn)確測(cè)量存在一定難度，特別是當(dāng)電池系統(tǒng)包括數(shù)百甚至數(shù)千個(gè)電池單體。從電池運(yùn)行的角度來看，SOT可以讓BMS評(píng)估不同運(yùn)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(yīng)用熱狀態(tài)信息可以在電池級(jí)和電池組級(jí)上進(jìn)行更好的健康狀態(tài)估計(jì)，從而促進(jìn)電池系統(tǒng)的預(yù)測(cè)和維護(hù)。通過對(duì)儲(chǔ)能設(shè)備的溫度等情況進(jìn)行有效監(jiān)控，將上述信息傳輸至EMS進(jìn)行準(zhǔn)確判斷和安全控制。因此，本節(jié)提出搭建儲(chǔ)能電站智能巡檢機(jī)器人，如圖19所示，包括移動(dòng)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(shí)時(shí)交互數(shù)據(jù)，實(shí)現(xiàn)對(duì)電池溫度問題的快速檢查和實(shí)時(shí)診斷。同時(shí)，通過預(yù)先建立指定路徑，檢測(cè)機(jī)器人利用紅外熱成像技術(shù)進(jìn)行非接觸式溫度測(cè)量，然后將獲得的溫度矩陣轉(zhuǎn)換為彩色云圖，顯示矩陣內(nèi)的最高和最低溫度。
圖19 智能巡檢機(jī)器人
Fig.19 Intelligent inspection robot schematic
本文基于儲(chǔ)能系統(tǒng)平臺(tái)，利用智能巡檢機(jī)器人對(duì)電池組進(jìn)行熱掃描。通過EMS的綜合評(píng)估結(jié)果和實(shí)時(shí)數(shù)據(jù)交互，智能巡檢機(jī)器人對(duì)目標(biāo)電池組進(jìn)行定時(shí)、定點(diǎn)巡檢。智能巡檢機(jī)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(fēng)扇的常規(guī)視頻圖像，還能準(zhǔn)確顯示其溫度云圖，如圖20所示，實(shí)現(xiàn)快速檢測(cè)和實(shí)時(shí)監(jiān)控。
圖20 智能巡檢機(jī)器人的熱成像結(jié)果
Fig.20 Thermal imaging results for intelligent inspection robots
綜上，儲(chǔ)能電站通過智能巡檢機(jī)器人可以進(jìn)行儲(chǔ)能設(shè)備定期巡檢與SOT估計(jì)，并可以與云平臺(tái)結(jié)合，通過多種方式實(shí)現(xiàn)對(duì)儲(chǔ)能設(shè)備全方位安全狀態(tài)的準(zhǔn)確評(píng)估。 2.2 儲(chǔ)能系統(tǒng)控制技術(shù)1）計(jì)及電池參數(shù)變化的系統(tǒng)穩(wěn)定性研究。不同應(yīng)用場(chǎng)景下儲(chǔ)能系統(tǒng)通過變流器實(shí)現(xiàn)電池與電網(wǎng)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(duì)變流器運(yùn)行時(shí)平衡點(diǎn)變化范圍，結(jié)合儲(chǔ)能電池內(nèi)部動(dòng)態(tài)阻抗變化及能量調(diào)控動(dòng)態(tài)區(qū)間，準(zhǔn)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(duì)提升電網(wǎng)系統(tǒng)穩(wěn)定性是非常重要的。目前針對(duì)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(diǎn)附近波動(dòng)時(shí)對(duì)模型進(jìn)行線性化的分析方法。關(guān)于狀態(tài)空間法，文獻(xiàn)[50]考慮在逆變器內(nèi)外環(huán)控制、鎖相環(huán)和延遲控制等環(huán)節(jié)，在d-q旋轉(zhuǎn)坐標(biāo)系下逆變器高頻狀態(tài)空間模型，提出相應(yīng)控制策略改善了系統(tǒng)不穩(wěn)定性；文獻(xiàn)[51]考慮儲(chǔ)能電池和換流器的動(dòng)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(dǎo)致內(nèi)阻增大及電池電壓減小、惡化直流系統(tǒng)穩(wěn)定性的結(jié)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(dāng)控制參數(shù)改變或者引入新的設(shè)備時(shí)需要重新建立狀態(tài)方程，且隨著電力電子設(shè)備的投入，系統(tǒng)階數(shù)增加將面臨建模“維數(shù)災(zāi)”的局限性問題。阻抗分析法利用其可測(cè)量性將變流器和電網(wǎng)分別劃分為獨(dú)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(shì)，文獻(xiàn)[52]將發(fā)電端等效為理想直流電壓源，研究多機(jī)并聯(lián)的穩(wěn)定性問題，通過提出了一種系統(tǒng)的補(bǔ)償輸出導(dǎo)納以克服不穩(wěn)定性，同時(shí)保持低階電網(wǎng)電壓諧波衰減能力控制方法。文獻(xiàn)[53-54]通過將儲(chǔ)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(jié)構(gòu)，研究電網(wǎng)和整個(gè)PCS系統(tǒng)間諧振問題，提出并聯(lián)PCS臺(tái)數(shù)的臨界值?？梢姮F(xiàn)有研究大多將儲(chǔ)能電池模型等效為一個(gè)恒壓源與恒內(nèi)阻串聯(lián)的模型，這種忽略電池阻抗動(dòng)態(tài)特性變化的簡(jiǎn)化模型會(huì)隨著電池?cái)?shù)量的增加產(chǎn)生累計(jì)誤差，導(dǎo)致穩(wěn)定性分析結(jié)果不準(zhǔn)確，從而在不同場(chǎng)景下，造成對(duì)系統(tǒng)穩(wěn)定域內(nèi)PCS多機(jī)并聯(lián)臺(tái)數(shù)最大范圍的誤判。故需要結(jié)合電池內(nèi)阻抗變化特性進(jìn)一步推演其穩(wěn)定性特征，劃定能參與能量調(diào)控的多機(jī)并聯(lián)系統(tǒng)臺(tái)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(chǔ)能系統(tǒng)并網(wǎng)后，處于正常工況下或者小擾動(dòng)工況下（即系統(tǒng)平衡點(diǎn)不發(fā)生偏移），儲(chǔ)能變流器中電池長時(shí)間運(yùn)行并發(fā)生老化，其電池內(nèi)阻的動(dòng)態(tài)變化影響著接入電網(wǎng)的最大并聯(lián)臺(tái)數(shù)，隨時(shí)間的推移電池的阻抗增大，對(duì)于強(qiáng)電網(wǎng)而言可以容納更多的變流器臺(tái)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(wǎng)能量所需的最小并聯(lián)臺(tái)數(shù)大于依據(jù)阻抗穩(wěn)定性分析的儲(chǔ)能變流器允許接入電網(wǎng)的最大運(yùn)行臺(tái)數(shù)時(shí)，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(tái)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(jìn)一步進(jìn)行儲(chǔ)能變流器最優(yōu)臺(tái)數(shù)的選擇和提出判斷更換電池簇的邊界條件，可作為儲(chǔ)能系統(tǒng)未來的研究目標(biāo)，如圖22所示。
圖22 基于阻抗和能量變化速率的最優(yōu)臺(tái)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(chǔ)能系統(tǒng)多目標(biāo)控制?，F(xiàn)有儲(chǔ)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(chǔ)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(dǎo)致系統(tǒng)運(yùn)行風(fēng)險(xiǎn)系數(shù)高，易因產(chǎn)熱過大而造成熱失控等安全事故。因此，研究適合儲(chǔ)能系統(tǒng)PCS在不同工況運(yùn)行下最優(yōu)控制策略非常關(guān)鍵。儲(chǔ)能系統(tǒng)參與調(diào)頻和調(diào)峰工況下運(yùn)行時(shí)各參數(shù)變化如圖23所示，可見儲(chǔ)能變流器的傳輸功率、SOC和輸出電流在能量波動(dòng)、時(shí)間尺度和變化趨勢(shì)上存在較大的差異。為了優(yōu)化儲(chǔ)能系統(tǒng)在調(diào)頻、調(diào)壓和調(diào)峰等工況下安全運(yùn)行，對(duì)于調(diào)頻工況，文獻(xiàn)[56-57]提出了考慮SOC和健康狀態(tài)的儲(chǔ)能輔助調(diào)頻自適應(yīng)優(yōu)化PCS控制策略，在保證儲(chǔ)能調(diào)頻效果的同時(shí)，使各儲(chǔ)能單元均處于健康工作狀態(tài)；對(duì)于調(diào)壓工況，文獻(xiàn)[58]提出一種PCS多變量協(xié)同保護(hù)策略，以無功支撐為首要目標(biāo)，并網(wǎng)點(diǎn)有功功率波動(dòng)、儲(chǔ)能系統(tǒng)側(cè)電流波動(dòng)和輸出電流峰值為約束條件，構(gòu)建相應(yīng)函數(shù)并根據(jù)電壓跌落程度向電網(wǎng)提供相應(yīng)無功支撐；在調(diào)峰工況上；文獻(xiàn)[59-60]根據(jù)每個(gè)儲(chǔ)能單元的SOC調(diào)整功率分配，并通過建立儲(chǔ)能的雙層協(xié)同控制來平滑風(fēng)電波動(dòng)；文獻(xiàn)[61]提出了通過構(gòu)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(xiàn)[62]基于遺傳算法對(duì)每個(gè)存儲(chǔ)單元的電流進(jìn)行調(diào)整和優(yōu)化，使不同老化程度的電池都能同時(shí)報(bào)廢；文獻(xiàn)[63]提出考慮能量效率和SOC均衡來調(diào)節(jié)儲(chǔ)能電站各PCS傳輸功率，在降低電池內(nèi)阻功率損耗的同時(shí)盡可能均衡電池SOC；文獻(xiàn)[64]基于電池老化特性曲線和系統(tǒng)并網(wǎng)諧波含量要求優(yōu)化多臺(tái)PCS傳輸功率的調(diào)峰控制策略，減緩了儲(chǔ)能電池老化速度19.8%；文獻(xiàn)[65]提出了一種在基于共識(shí)的分布式框架中實(shí)現(xiàn)各PCS功率分配的策略，共識(shí)因素包括SOC均衡、運(yùn)行效率和電池壽命損耗，在不同的電池狀態(tài)和應(yīng)用場(chǎng)景下選擇相應(yīng)的共識(shí)因素來調(diào)節(jié)PCS傳輸功率。
圖23 儲(chǔ)能參與調(diào)頻和調(diào)峰能量波動(dòng)
Fig.23 The map of energy storage participation in FM and peaking energy fluctuations
上述工作為儲(chǔ)能變流器多目標(biāo)控制研究提供了一定的基礎(chǔ)，但整體而言，儲(chǔ)能系統(tǒng)在調(diào)頻、調(diào)壓和調(diào)峰等工況運(yùn)行時(shí)，缺乏對(duì)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(wǎng)指標(biāo)和電池壽命變化規(guī)律等情況的協(xié)同考慮，研究?jī)?chǔ)能系統(tǒng)各工況運(yùn)行下關(guān)鍵需求的PCS多目標(biāo)協(xié)調(diào)控制，是未來保證儲(chǔ)能系統(tǒng)安全穩(wěn)定運(yùn)行的關(guān)鍵技術(shù)。
三、結(jié)論
現(xiàn)今電力系統(tǒng)由“源-網(wǎng)-荷”逐漸向“源-網(wǎng)-荷-儲(chǔ)”轉(zhuǎn)變，本文在總結(jié)單體電池狀態(tài)評(píng)估方法與不一致性檢測(cè)的同時(shí)，探討了現(xiàn)有電池狀態(tài)評(píng)估技術(shù)與儲(chǔ)能系統(tǒng)控制技術(shù)的新研究熱點(diǎn)，主要結(jié)論如下。
1） 總結(jié)了各種電池狀態(tài)評(píng)估方法，如電化學(xué)阻抗法、等效電路模型、數(shù)據(jù)驅(qū)動(dòng)方法等；并著重討論了數(shù)據(jù)驅(qū)動(dòng)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(gòu)建了監(jiān)測(cè)電池內(nèi)/外特性參數(shù)的邊緣計(jì)算平臺(tái)，在監(jiān)測(cè)電池電流、電壓和溫度等外部特性參數(shù)的基礎(chǔ)上，對(duì)電池歐姆內(nèi)阻、極化電阻和極化電容等內(nèi)特性參數(shù)進(jìn)行有效辨識(shí)，實(shí)現(xiàn)對(duì)電池健康狀態(tài)更加全面的評(píng)估，有助于識(shí)別潛在的安全問題。
3） 從經(jīng)驗(yàn)擬合模型和機(jī)器學(xué)習(xí)模型的角度出發(fā)，實(shí)現(xiàn)基于碎片數(shù)據(jù)實(shí)現(xiàn)電池狀態(tài)的有效評(píng)估。
4） 針對(duì)儲(chǔ)能電站的安全監(jiān)控，構(gòu)建了配備移動(dòng)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(jī)器人。該機(jī)器人可與EMS平臺(tái)實(shí)現(xiàn)數(shù)據(jù)交互，實(shí)現(xiàn)對(duì)電池溫度狀態(tài)的快速檢查和實(shí)時(shí)診斷，為電池溫度狀態(tài)評(píng)估和儲(chǔ)能電站安全運(yùn)行提供新概念和理論支撐。
5） 針對(duì)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(jìn)一步精確化儲(chǔ)能變流器最優(yōu)臺(tái)數(shù)的選擇和提出判斷更換電池簇的邊界條件，可作為儲(chǔ)能系統(tǒng)未來的研究目標(biāo)。
6） 儲(chǔ)能系統(tǒng)在調(diào)頻、調(diào)壓和調(diào)峰等工況運(yùn)行時(shí)，現(xiàn)有儲(chǔ)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(duì)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(wǎng)指標(biāo)和電池壽命變化規(guī)律等情況協(xié)同考慮，導(dǎo)致系統(tǒng)運(yùn)行風(fēng)險(xiǎn)系數(shù)高，急需研究出適合儲(chǔ)能系統(tǒng)PCS在不同工況運(yùn)行下最優(yōu)控制策略，保證儲(chǔ)能系統(tǒng)安全穩(wěn)定運(yùn)行。
