中国储能网讯：

1 研究背景

围绕碳达峰碳中和及能源电力系统“源-网-荷-储”全环节低碳化的要求和挑战，形成支撑高比例清洁发电和电能利用的基础理论和关键技术体系是急迫的，其中储能技术是解决风光可再生能源“间歇性”和实现“双碳目标”的关键环节。锂离子电池因其高能量密度、长循环寿命与低放电率，被广泛应用于生产生活环节之中。但锂离子电池储能单元是密闭空间存储巨大的能量，具有危险的本质，在外界诱因的影响下，存储的能量会发生热失控从而导致灾害事故发生。针对电池本体安全面临技术难题，团队开展了电池安全本质特性数据分析、储能电站电池本体状态评估、储能电站不一致性评估、储能电站智慧运维和安全调控等研究工作，提出数据工程-状态评估-智慧运维-安全调控的研究思路，提升电化学储能电站安全与可靠的运行。

2 论文解决问题及意义

1）锂离子电池剩余容量估计：传统方法因电池老化的非线性和时变性存在局限。本文提出的状态相依RBF-ARX模型，通过将RBF神经网络的复杂性转移到ARX结构，减少计算量，提升实时性，同时保证估计准确性。

2）电池老化特征提取与筛选：传统方法依赖电流、电压、温度等二次处理，过程复杂且易受噪声干扰。本文采用小波包能量分析，从充电曲线中提取能量特征，并结合传递熵筛选，简化过程并提高特征有效性，如图1所示。

图1  电压曲线不同节点下能量及各能量占比分布情况

3）数据缺失下的容量估计：针对历史数据缺失问题，本文提出基于经验拟合和机器学习的解决方案，通过补全数据片段实现有效估计，如图2、图3所示。

图2  基于重要信息数据片段的经验模型构建

图3  基于数据片段的机器学习模型构建

意义：准确的剩余容量估计有助于及时发现电池劣化，降低故障风险，提升储能系统调控能力下安全性和可靠性，对电动汽车、储能系统等领域尤为重要。

3 论文重点内容

锂离子电池剩余容量估计是电池管理系统中关键技术之一，也是实现调控锂离子电池安全稳定的前提。针对锂离子电池剩余容量有效估计问题，提出带外生输入的自回归模型(radial basis function-autoregressive exogenous，RBF-ARX)的锂离子电池剩余容量估计方法，利用结构化非线性参数优化方法辨识模型参数，并将“老化信息”与“能量”相结合，基于小波包能量分析从电池充电电流/电压曲线中直接提取能量特征作为新健康特征，采用传递熵对新健康特征进行筛选以构成模型输入，实现锂离子电池剩余容量的有效估计；最后基于NASA公开的锂离子电池老化数据，通过不同训练/测试样本比例、不同模型展开综合分析，验证了所提模型的评估精度。并在某省多地锂离子储能电站进行试运行，对于本文所提模型的工程应用开展进一步验证工作，有助于实现储能电站安全调控目的。

4 结论

本文提出了一种基于状态相依的RBF-ARX模型的锂离子电池剩余容量估计方法，解决了传统方法在处理电池容量估计时面临的强时变性和强非线性问题。通过构建带外生输入的自回归模型，结合RBF神经网络的局部逼近能力，准确描述了电池的动态特性。同时，利用小波包能量分析和传递熵筛选，提取了与剩余容量相关性强的健康特征，提高了估计准确性。此外，针对数据缺失问题，提出了经验拟合模型和机器学习模型两种解决方案，增强了模型的可行性和实用性，为储能系统安全调控提供准确电池状态信息。