欢迎光临HAWKER英国霍克蓄电池（中国）营销总部
服务热线：15313702523

首页 > 新闻中心

霍克锂电池基于低秩矩阵逼近与非参数Kullback-Leibler散度的锂离子电池储能系统一致性评估

一致性是影响锂离子电池储能系统（ESSs）能量效率与运行安全的关键因素。开展一致性评估对ESSs至关重要，其中对系统一致性水平的评价是其健康管理的核心环节。此外，随着一致性劣化，需准确定位不一致电池组以进行后续均衡维护与更换。本文提出了一种通用评估框架，用于实现ESSs的一致性评价与不一致性识别。首先，考虑到充放电电压循环数据的高维性与稀疏性，本研究基于近似低秩矩阵的秩构建了电池组一致性评价指标，该指标充分考虑了固有的异质性与不确定性。随后，通过计算各监测电池包电压分布与正常电池包之间的非参数Kullback-Leibler散度，实现不一致性识别。最后，通过工业应用案例对实际储能电站进行验证，证明了所提方法的有效性和鲁棒性。实验结果表明，该方法能有效评估电池组的一致性水平，并准确识别异常电池包。所提出的一致性评估框架满足实际电池管理系统的在线应用需求，因此在储能系统健康管理领域具有重要的应用潜力。

引言

锂离子电池储能系统（ESS）正发挥主导作用，以满足日益增长的电力需求并提升供电稳定性[1]。在实际应用中，多个具有更高能量密度、更长循环寿命及更低自放电率的电池单元通过串并联方式组合，以满足输出功率需求并提升系统性能[2][3]。随着锂离子电池储能电站（ESPS）装机容量的快速增长，储能系统的健康管理已成为首要关注问题。
值得注意的是，大规模储能系统不可避免地面临一致性问题。这种不一致性通常体现在电池特征参数上，例如电压、内阻、荷电状态（SOC）和健康状态（SOH）[4][5][6]。储能系统是一个复杂的耦合系统，影响不一致性的因素可归纳为三个方面：原材料、制造工艺和运行条件[7]。尽管电池在出厂前经过筛选，但电池材料与制造工艺的差异仍可能导致使用前固有的异质性，即所谓"先天禀赋"的不一致性；此外，在运行过程中，复杂的充放电环境会加剧这种不一致性，形成"后天环境"导致的不一致性[8]。这种不一致性会降低储能系统整体性能、加速电池退化，甚至可能引发严重安全事故。因此，一致性评估对储能系统的健康管理至关重要。
本文中，一致性评估包含一致性评价与不一致性识别两部分。通过适当的评价指标通常可实现全面的一致性评价，其中统计量是常用的分析工具。Zhen等[9]通过计算单体电池健康状态(SOH)的方差评估了锂离子电池组的一致性；Zhang等[10]则采用开路电压(OCV)变异系数作为荷电状态(SOC)一致性评价指标。尽管这些统计指标高效且易于实施，但通常过于粗略且可靠性有限[11]。近年来，少数研究探索了构建新型有效的一维一致性评估指标的方法。Tian等[12]提出了一种多特征加权方法以开发包级别一致性评估指标。该方法虽能实现有效的一致性评估，但难以合理确定权重参数。Chen等[13]采用von Mises-Fisher分布对处理后的电压曲线建模，并基于该分布的集中参数进一步开发了一维指标。然而，分布拟合与参数估计的准确性会显著影响最终评估结果。因此，该研究方向仍需进一步探索。
此外，现有不一致性识别方法可大致分为以下几类：基于熵值的方法[14]、基于深度学习的方法[15]以及基于距离的方法[16]。基于熵值的方法通常采用信息熵来诊断电池系统的不一致性。例如，Qiu等人[17]提出了一种基于香农熵与皮尔逊积矩相关系数的锂离子电池单体不一致性诊断方法。经典基于熵值的方法往往忽略了固有的时间模式（例如电池充放电曲线的周期性特征）。此外，这些方法对噪声敏感且依赖大样本容量，这削弱了其鲁棒性，并限制了在实际场景中的适用性。
基于深度学习的方法利用神经网络评估电池性能偏差，从而实现不一致性识别。Cui等人[18]采用长短期记忆循环神经网络估计电流分布，并通过评估支路电流差异实现不一致性识别。Jeng与Chieng[19]将长短期记忆网络与卷积神经网络相结合，开发了电压不一致性识别方法。尽管这些方法无需先验知识或标注数据，但基于深度学习的模型常被视为解释性有限的黑箱系统。此外，其性能对数据类型敏感，通常需要大规模训练集支持。
基于距离的方法通过测量电池间的相似度进行评估，通常采用聚类算法实现，其中欧氏距离与马氏距离是最常用的度量方式[20][21]。Chen等人[22]提出了一种基于聚类结果与距离度量的储能系统多级不一致性识别方法。Sun等人[23]开发了结合遗传算法的聚类分析方法，通过引入聚类分析确定需要均衡的不一致单体电池。Chen等人[13]提出了一种基于冯·米塞斯-费希尔分布的假设检验方法，通过利用不一致归一化电压向量偏离平均方向的特征来识别储能系统(ESSs)中的异常数据。需要指出的是，储能系统提供的电池特性数据通常具有高维特性。在高维空间中，随着输入变量或维度的增加，数据点会变得更加分散和稀疏，这使得不一致性识别变得更为困难[24]。此外，为聚类算法确定最佳聚类数目，或选择合适的分布假设来构建假设检验，都可能给基于距离的识别方法带来挑战。表1展示了各类不一致性识别方法的比较结果。
如何评估电池组一致性并进一步识别不一致电池组，始终是学术界与工业界的研究重点。电池管理系统（BMS）中采用的传统一致性评估方法通常基于单点电压测量值。近期部分研究尝试从电池特征参数数据中提取特征进行一致性评估[25]。相较之下，本文采用完整充放电电压循环曲线进行一致性评估，该方法不仅保留了充放电电压曲线的时间信息，还能捕捉电池的充放电模式，从而实现更精准、更鲁棒的一致性评估。
在实际应用中，储能系统保护装置（ESPS）内置的电池管理系统（BMS）通常每分钟记录一次电压测量值。这种高频采样会生成包含显著噪声和冗余的海量监测数据，为一致性评估带来巨大挑战。因此，必须采用有效的降噪技术来抑制无关信息，确保评估结果的可靠性。此外，在实际储能系统保护装置中的可部署性也是关键考量因素。
针对上述不足，本文提出一个用于储能系统一致性评估与电压不一致性识别的通用评估框架。我们的主要贡献可概括如下：
  • (1)
    考虑到充放电电压循环数据的高维性和稀疏性，本研究基于近似低秩矩阵的秩提出了一种新型一致性评估指标。据我们所知，这种基于秩的指标构建形式在ESS一致性评估领域尚属首创。该过程中，低秩矩阵近似（LRMA）能在保留主要信息的同时，有效解决由生产引起的固有异质性和噪声等外部不确定性问题。该方法无需预训练且计算负荷较低，适用于实际工程应用场景。
  • (2)
    本研究提出了一种基于非参数Kullback-Leibler散度（NKLD）的电压不一致性识别方法，能够识别储能系统中额外的不一致电池组。该方法无需对电压分布进行预先假设，从而提升了针对高维稀疏充放电电压循环数据的处理灵活性与适应性。
  • (3)
    所提出的评估框架可同步实现在线一致性评估与不一致性识别，有利于储能系统的健康管理。基于实际储能电站电压数据集的工业验证表明，该框架不仅能成功覆盖电池管理系统（BMS）的预警范围，还能进一步识别出额外的不一致电池组，充分体现了该框架的有效性与鲁棒性。
上一个：霍克锂电池基于物理信息机器学习的锂离子电池健康状态估计方法——采用模拟电压数据 下一个：霍克锂电池锂离子电池在线诊断的深入表征与等效电路表示：电池单元级方案与电池组级验证

推荐新闻

新闻中心

联系我们

联系人：英国霍克蓄电池（中国）营销总部

手机：15313702523（微信同号）

E-mail：ukhawker@yeah.net