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 > 霍克蓄电池-官网

面向电能质量受限的光伏并网的AI赋能EnerSys蓄电池储能与电动汽车灵活性:综述

摘要

在配电网中,高光伏(PV)渗透率可能会受到电压升高、不平衡、谐波、热负荷以及逆变器电流限制的影响,从而导致可用的太阳能资源无法被充分利用。电池储能系统(BESS)和电动汽车(EV)的灵活性可以缓解部分限制,但其贡献取决于电池状态、退化情况、逆变器余量、移动性、通信以及公共连接点要求。本综述探讨了在这些约束条件下,人工智能(AI)何时能提升固定式和移动式电池灵活性的利用率。该综述对这些工程维度进行了定性比较,并对30篇选定文献进行了源级比较,同时对电池技术和AI约束执行方法进行了重点比较。在所审查的证据中,快速响应和波形支持服务通常受转换器电流的限制比受电池能量的限制更直接,而能量转移和车辆到电网运行则受荷电状态、可用性、效率和老化程度的强烈影响。人工智能作为预测、估算和监督层最具有合理性;它并不能取代电气可行性或电池安全限制。可用的光伏能量(即经过削减、转换损耗和电池限制后交付的能量)与更大的标称接入容量评级并非同一数值。因此,本综述建议在报告净回收光伏能量的同时,一并说明合规裕度、转换器利用率、电池吞吐量、老化假设、不确定性、回退行为和验证成熟度。
关键词:
人工智能; 电池储能系统; 电动汽车; 车辆到电网; 光伏集成; 电能质量; 电池衰减; 消纳能力; 配电网

 


图文摘要

1. 引言

配电系统正逐渐成为主动的可再生能源发电平台,而非被动的输电网络。在光伏(PV)丰富的馈线中,实际相关的指标不仅是已安装的光伏额定容量,而是可在不违反电压、热限制、不平衡、谐波、保护或逆变器约束的情况下,可外送或本地消纳的可用太阳能比例。传统的接纳能力研究表明,馈线拓扑、阻抗和电压控制设计使得分布式发电的渗透率具有强烈的地域依赖性[1,2]; 后续研究表明,谐波失真、背景波形失真和频率相关网络阻抗也可能成为约束条件 [3,4,5]。这些机制将电能质量(PQ)与可再生能源利用直接联系起来,因为每个约束条件都可能导致弃电、额外的储能循环、柔性需求重新调度或网络加固。
电池储能系统(BESS)和电动汽车(EVs)使光伏运行边界具有时间依赖性。固定式电池储能系统可以吸收多余的太阳能,稍后放电,并提供快速的有功或无功支持,而可控的电动汽车充电和车辆到电网(V2G)运行可以使需求与正午的光伏发电相匹配,改变馈线峰值,并为基于逆变器的电压支持做出贡献[6,7,8,9,10]. 这些资源的电力能力并不等同于持续可用的灵活性,因为荷电状态(SOC)、健康状态(SOH)、电池温度、退化、转换器电流、往返损耗、充电器连接、出发能量需求、通信可用性和用户参与度都会限制可提供的服务。
人工智能(AI)可以改善不确定条件下的预测、电池状态估计和顺序调度。其输出仍受限于变流器额定值、馈线限制、SOC/SOH边界、保护装置和备用控制。电池管理综述记录了学习和数字孪生方面的进展[11];近期研究将学习扩展到电池-电网协调和物理约束充电[12,13]。问题在于,在与传统控制相同的物理和寿命约束下,这些方法是否能提高可用的光伏(PV)能量。
核心研究问题是固定式和移动式电池是否增加了可用的光伏能源在施加了适用的公共连接点(PCC)、馈线、变流器、电池、移动性及部署约束之后。四个子问题使该比较更加明确:(i) 随着光伏渗透率的提高,哪些电气或功率质量(PQ)机制会成为约束条件;(ii) 哪些电池储能系统(BESS)或电动汽车(EV)服务可以缓解这些机制,以及在电池寿命和变流器余量方面需要付出何种代价;(iii) 在相同的物理约束下,AI驱动的预测、估算或控制何时比确定性替代方案更具价值;以及 (iv) 在将报告的收益从模拟转移到实际部署之前,需要哪些验证证据。这种区别至关重要,因为如果一项策略在提高已安装托管容量的同时,增加了年度弃电、转换损耗、循环次数或电池损耗,那么它所提供的可再生能源,可能还不如在代表性运行条件下评估的较小名义托管增量。
现有的综述涵盖了与电动汽车相关的电压、谐波和负载效应[14,15,16];光伏储能架构、电压调节和能量管理[17,18,19,20];以及广泛的AI赋能电网储能应用[21,22]. 表1将它们的组织问题与本综述进行了比较。在此,通过扰动、执行器、电池任务、合规边界和验证级别对报告的增益进行了比较。电池老化和V2G证据[23,24] 限制了可转移的索赔:在考虑了损失、循环和电气限制后,更高的托管评级并不能带来更大的光伏交付。
表1。本综述与近期综述的范围对比。最后一列指出了每篇综述未将其作为主要组织变量的内容;这并不意味着该主题在综述中缺失。

Filip等人量化了电动汽车(EV)/电池储能系统(BESS)部署对低压光伏接入容量的影响[25],而Khunkitti等人优化了集成电动汽车馈线中的BESS/光伏布局与容量[26]。这些研究确定了综合系统边界。本综述探讨了并发的PQ限制、电池状态、转换损耗和验证如何影响对这些收益的解读。可用的光伏能量是系统产出;电池能量、当前能力、SOC/SOH、温度、退化和可用性决定了能够支持它的灵活性。
本综述通过对光伏接入能力、弃光率、合规裕度、净可用太阳能、电池吞吐量及生命周期限制的影响,评估了电池储能系统(BESS)和电动汽车(EV)技术。因此,只有在明确了馈线边界、调节量、变流器裕度、电池工作强度、车辆可用性、控制假设和验证平台后,才能对电压、谐波、成本或接入能力的改善进行解读。上述四个子问题为以下章节提供了结构框架:第3节, 第4节, 第5节和第6节因此,讨论的重点从物理约束转向可用灵活性,进而转向控制与验证,而非将各项技术视为独立的目录。
表2比较了用于综合研究的选定系统研究、电池实验和综述。这些条目展示了不同的工程主张和验证范围;它们并非参考文献的代表性样本。
表2。为批判性综合提供参考的选定来源。

2. 审查范围与分析框架

这篇叙述性批判性综述综合了因其在PQ约束下光伏与固定及移动电池集成方面的工程相关性而选定的文献。异构馈线模型、电池任务、合规边界和验证方法使得进行统计学元分析或对控制器进行通用排名变得不可能。该参考文献是专家选定的证据库,而非系统性综述中的纳入研究队列。

2.1. 来源选择与范围

选择这些来源是因为它们对四个问题中的一个做出了贡献:限制光伏利用率的电气机制、可用于缓解该机制的电池或电动汽车服务、管理该服务的控制约束,以及支持转移至运行阶段的证据。选择过程考虑了方法论细节、与配电/PCC边界的相关性,以及模型、实验室和现场结果之间的区别。标准和原始项目报告被用于合规性定义和部署证据;电池实验被用于老化和纹波主张。综述提供了背景信息,而非对控制器的独立验证。
证据库包括2015年之前的奠基性研究以及2026年6月之后的针对性近期出版物。当这些来源确立了物理机制、测量定义、实验电池响应或直接相关的系统比较时,它们将被保留。因此,出版日期并不遵循补充OpenAlex检查的更窄时间窗口。历史数据库查询日志未被保留,因此引用的文献无法分配回顾性的特定数据库筛选流程。因此,IEEE Xplore、Sc的是、Web of Science和ScienceDirect未被报告为可复现搜索的数据库集。不涉及网格接口影响且应用无关的纯材料研究不在综述范围内。

2.2. 来源评估与补充覆盖范围检查

补充表S1和S5记录了主要比较中讨论的所选来源的系统边界、报告结果、验证水平和使用限制。这些有目的的评估支持对特定主张的解释;它们的比例并不代表文献验证分布的估计。补充表S3概述了当前手稿中实际引用的参考文献。
2026年10月2日,使用11个标题字段查询执行了独立的OpenAlex覆盖范围检查。存档的API请求检索了日期为2015年1月1日至2026年9月16日的出版物;报告的比较子集保留了日期截至2026年6月30日的记录。此出版物截止日期与执行日期不同。基于规则的Python 3.13.13脚本对可用标题和摘要应用了元数据过滤器和关键词表达式,为每条记录分配一个主要分类代码。它自动对元数据筛选后剩余的10,487条记录进行了分类;这些记录未经过人工审核员的独立评估。术语、规则、阶段计数和记录级输出均在补充表 S4.
狭窄的标题查询和自动化规则仅提供主题覆盖范围的补充检查,而非参考文献的筛选过程。它们与引用来源的重叠较小,无法确立完整性或代表性,且自动化通过并不等同于全文符合资格或纳入。因此,覆盖范围检查的计数保留在补充材料中,不用于推断有多少研究支持本综述的结论。所选来源的评估和说明性比较仍与此自动化登记表保持独立。

2.3. 分析综合框架与证据等级

表3定义了用于定性比较的维度。表4将其应用于十个说明性来源,记录了本综述中使用的约束条件、电池或电动汽车任务、验证和结果。补充表S1和S5中的来源评估提供进一步的针对性细节。
表3。用于定性证据合成的分析维度。

表4。分析维度在十个说明性来源中的应用。

证据等级取决于具体主张,而非通用评分。当馈线数据和不确定性可靠时,时间序列研究可支持年度能源和规划主张;而关于快速电压、谐波、谐振、保护和变流器的主张,则可能需要电磁暂态(EMT)、控制器硬件在环(HIL)、电力硬件在环或原型证据。试点和现场演示提供了模拟无法提供的互操作性、操作程序、通信、客户和机构证据。该等级用于调节结论的强度,而非仅根据论文中报告的最高验证标签对技术进行排名。

3. 光伏丰富网络中的系统边界与资源角色

图1采用以可再生能源发电为中心的边界,而不是将光伏、电动汽车和电池储能系统视为平行主题。光伏是需要最大化其可用输出的发电资源;电动汽车和电池储能系统是可消耗、转移、注入或调节电力的时变电气接口;而馈线/并网点则施加了同时的合规性约束。电动汽车和储能技术仅在它们改变配电网可容纳的光伏电力数量、时间及质量的范围内被纳入考虑。
Batteries 12 00456 g001
图1。以可再生能源发电为中心,展示了光伏、电池储能系统和电动汽车/车辆到电网资源的交互作用、人工智能监督功能,以及相关的电气、电池和移动性约束。缩写:AI,人工智能;BESS,电池储能系统;DRL,深度强化学习;EV,电动汽车;MPC,模型预测控制;OPF,最优潮流;PCC,公共连接点;PV,光伏;RL,强化学习;RUL,剩余使用寿命;SOC,荷电状态;SOH,健康状态;V2G,车辆到电网。

3.1. 光伏发电与馈线接入容量约束

配电级光伏主要通过电力电子逆变器接入,因此可用的可再生能源输出取决于可用辐照度和允许的逆变器/网络运行区域。在低渗透率下,并网光伏逆变器通常被表示为工作在接近单位功率因数的受控电流源。当反向功率流、电压升高、弱电网同步、逆变器电流饱和或谐波交互成为约束条件时,这种简化就不再适用。报告的影响还随相连接和馈线拓扑结构而变化,特别是在单相光伏改变局部电压和相平衡的情况下[59,60]. 传统的接入容量研究已经表明,馈线位置和网络电压控制可以改变可接入的发电量 [1];年度持续时间法进一步证明,当需要为了遵守电压限制而进行限电时,已安装的光伏容量和年度可用光伏能量并不等同 [2]。对于可再生能源评估而言,相关的量化指标是可行电气包络线内输送的太阳能,而非仅仅是额定渗透率。
大多数现有的分布式光伏(PV)运行在跟网模式下。逆变器通过锁相环(PLL)等方式与并网点(PCC)电压同步,同时最大功率点跟踪和直流母线控制决定了可用的有功功率指令。在强馈线中,这种架构已非常成熟,但在弱馈线中,同步动态、电流限制、馈线阻抗和保护之间的相互作用可能会变得十分重要。因此,构网型(GFM)控制正受到关注,因为它能提供类似电压源的响应并改善电压/频率支撑,然而弱网稳定性无法仅从单一基准或无约束的逆变器模型中推断出来[61]。GFM逆变器仍受限于半导体电流、直流侧能量、热限制、滤波器设计以及穿越/保护要求。虚拟同步发电机研究为阻尼和电网支持行为提供了额外的变流器控制基准[62],而光伏变流器研究表明,直流侧功率解耦设计也会影响可实现的运行包络线[63]。当目标是在应力运行条件下保持光伏发电时,这些限制至关重要。
电压管理研究已从固定功率因数转向自主电压-无功/电压-有功特性以及协调的有功/无功控制。局部无功控制无需持续通信即可降低过电压,馈线研究表明其效益对网络阻抗和逆变器能力具有敏感性[64,65]。协调限电、光储能量管理和高渗透率光伏馈线模型进一步表明,所选的控制边界会改变表观接纳效益[66,67,68,69,70]。分层协调方案可以在馈线范围内更具选择性地分配无功功率、削减量、分接头动作和储能[38,41]。其主要优势在于系统感知能力;主要缺点是对网络模型、测量、通信和预定义备用状态的依赖。无功支持也并非免费。在光伏输出接近最大值时,变流器的视在功率限制会减少可用除非逆变器容量过大或有功功率被削减,否则存在余量,而额外的无功电流会增加馈线损耗和变流器温度。这些约束解释了为什么协调储能和逆变器研究必须结合其假设的变压器分接控制、馈线模型和设备额定值来解读,而不能仅通过电压偏差来判断[ headroom unless the inverter is oversized or active power is curtailed, and additional reactive current can increase feeder loss and converter temperature. These constraints explain why coordinated storage and inverter studies must be interpreted with their assumed tap control, feeder model, and device rating rather than through voltage deviation alone [6,9,10].
光伏消纳边界并非纯粹的基础频率电压问题。实验验证表明,预先存在的谐波电压畸变会降低消纳能力[3];针对高光伏城市和畸变配电网的研究进一步表明,谐波传播取决于相位分配、背景畸变、变流器频谱以及频率相关的馈线阻抗[4,5]。光伏系统可以在满足本地设备测试的同时,使聚合馈线仍接近PCC畸变限制。当用户注入与上游背景畸变并存时,源归属方法变得至关重要[71]。这些发现证明,应将谐波裕度、谐振和测量带宽视为可再生能源并网约束,而非设计后的电能质量检查。
综合来看,近期光伏控制的发展揭示了一种反复出现的权衡。自主变流器功能可扩展且响应快,但对系统级约束的了解有限;协调控制能更高效地利用网络灵敏度,但会引入通信和模型依赖;储能可以回收削减的能量,但会消耗有限的荷电状态和寿命;主动滤波可以在改善波形质量的同时竞争变流器电流。每种方法都通过额外的可用的光伏能源在这些物理限制被体现之后,它才能实现,而不仅仅是通过电压改善。

3.2. 电动汽车需求与移动电池灵活性

电动汽车的整合通过需求时机、逆变器排放、相位负载和双向灵活性改变了光伏的运行包络线。第一个影响是时间性的。白天的办公场所或目的地充电可以吸收本地光伏发电并减少反向功率流,而同步的晚间充电则可能增加馈线峰值需求、电压降、变压器负载和损耗。读档模型、智能充电研究和办公充电分析表明,在评估这些影响时,必须明确表示充电重合度、连接位置和用户行为[72,73,74,75]. 早期光伏-车辆到电网(PV–V2G)研究表明,当充电窗口与可再生能源发电曲线重叠时,配备屋顶光伏和双向充电车辆的停车设施可以提升配电容量或降低峰值需求[7,36]。这些效益取决于车辆在场情况、充电器额定功率、驾驶员能源需求以及馈线约束的位置。
第二个影响与转换器相关。电动汽车充电器是非线性电力电子负载,其电流频谱在不同充电技术或运行点下并非固定不变。现代主动前端充电器相比被动整流接口能实现显著更好的功率因数和更低的低次谐波失真,但馈线级的电能质量仍取决于聚合效应、电网强度、背景电压失真和充电状态[76,77]。测量结果表明,充电过程中谐波电流失真会随电池荷电状态(SOC)的变化而改变[46];概率性馈线研究同样表明,电动汽车和非线性负载的不确定性改变了电能质量结果的分布,而非产生单一的确定性畸变值[ %%]。对于住宅网络,单相充电器分配也会导致相位不平衡和中性线负载问题变得重要,即使三相聚合功率看起来是可以接受的。33]. For residential networks, single-phase charger allocation also makes phase unbalance and neutral loading relevant even when three-phase aggregate power appears acceptable.
智能充电利用这种需求灵活性,而无需从车辆电池中导出能量。通过将充电时间避开受限时段或转向本地太阳能发电时段,调度可以减少同时需求并改善电压状况[73]。V2G通过允许有功功率输出,以及在充电器允许的情况下提供无功功率支持,扩展了可控范围。聚合器方案协调多辆车提供电网服务,同时兼顾充电成本或可用性目标[8,78,79] 实时电压控制研究利用电动汽车的有功和无功灵活性来减少电压偏差 [80,81,82,83,84],而分布式模型预测控制则利用无功V2G来协调多个资源,无需依赖单一的中央优化步骤 [39]。扰动观测器模型预测控制和电压/无功特性设计延续了这一趋势,旨在实现更快速的逆变器感知支持 [42,85].
然而,电气能力并不等同于可靠的灵活性。车辆可能会断开连接,用户要求的出发SOC可能具有约束性,可能无法使用双向充电器,或者在没有补偿的情况下,额外的电池吞吐量可能无法接受。配电系统影响评估和有序充电研究将连接不确定性、充电协调和网络运行条件确定为关键的建模输入[86,87,88,89,90] 规划与调度研究进一步表明,网络重构、随机需求、多性向调度以及协调充电/储能决策会改变可行的服务窗口 [91,92,93,94,95,96] 基础设施规划和太阳能充电研究揭示了移动储能的转换与选址权衡 [97,98] 生命周期和二次利用研究增加了化学特性、再利用和退化约束 [99,100,101,102],而调度研究则展示了服务时间表如何决定电池吞吐量和交付的电网价值 [103,104,105]. 可再生能源措施是指在考虑充电/放电损耗、电池吞吐量、移动性约束以及电网瓶颈时间点之后,额外吸收或输送的PV能量,或避免的弃电量。这一区分防止了V2G在仅以高生命周期成本转移能量时,被错误地计入可再生能源消纳价值。
实验证据支持了基于变流器的电动汽车支持技术的实施可行性,但也揭示了验证方面的差距。一款三相离网充电器原型已展示了实际的电网电压调节能力[48],而主动谐波抑制控制则表明充电器变流器能够参与波形支持[40]。目前的现场项目已将证据从单一设备的实验室工作扩展到更广泛的领域:澳大利亚电动汽车到电网服务(REVS)试验涉及51辆通过双向充电器连接的电动汽车[50],并且Sciurus项目在英国(UK)部署了300多台国内V2G单元[106]。这些示范表明,聚合V2G已不再纯粹是一个模拟概念,同时也暴露了互操作性、客户参与、计量、通信以及特定司法管辖区的市场限制。对于光伏丰富的馈线,电动汽车的灵活性最好被视为一种有界、概率性的资源,而非保证的储能。

3.3. 固定式电池储能:能量转移与电网支持

电池储能系统是可再生能源时间转移与快速变流器控制之间最直接的跨链桥。它能在出口受限期间吸收光伏能量,随后释放,提供无功功率,减少电压波动,并与光伏逆变器及馈线调节器协同工作[6,9,10]。储能技术在响应时间、功率密度、可用能量、循环特性和平衡系统要求方面存在显著差异;这些差异决定了某项资源是适用于快速PQ支持、能量转移,还是两者都不适用[107,108,109]。电池储能是重点强调的储能类别,因为它与目标系统中的光伏和电动汽车运行明确耦合。
在馈线层面,电池储能系统(BESS)至少可支持三种不同的时间尺度。快速变流器控制可在不进行大规模能量交换的情况下提供无功功率或波形支持。分钟级有功功率控制可平滑功率爬坡,并缓解暂时的电压或热约束。小时级调度可将正午的太阳能转移到后期的用电高峰时段。这些服务竞争相同的变流器额定容量,且对于有功功率服务而言,还竞争相同的荷电状态(SOC)窗口。为无功或谐波支持预留视在功率裕度会降低同时充放电能力;为应急支持预留SOC会减少正午光伏可存储的电量;而激进的有功功率调节则会增加电池吞吐量并加速其退化。
当研究仅报告主机容量增加时,这种耦合关系往往被隐藏。储能控制器可能会允许更大的光伏装机容量,但仍会削减相当比例的年太阳能,或者以频繁循环和转换损失为代价来回收这些能量。更全面的评估会报告MW/MWh额定值、SOC范围、变流器视在功率限制、充放电效率、退化表示、P/Q/PQ服务优先级,以及原本被削减的光伏能量中实际回收的比例。容量规划和调度研究通常优化损耗、收益或单一服务;除非同时考虑变流器和网络约束,否则其结果不能被视为PQ支持的证据[110,111,112] 分布式储能研究表明,与变压器或馈线电压控制协调运行可缓解光伏驱动的电压升高 [9,10],而耦合的光伏/电池储能系统控制可协调无功支持与能量存储 [6]。更广泛的面向功率因数的储能控制也被用于解决电压、功率因数以及与可再生能源/电动汽车相关的网络问题 [113].
更广泛的证据将储能价值分为三个来源。电动汽车和电网集成综述根据基础设施、服务和互操作性要求,将移动储能与固定储能区分开来[114,115,116,117,118]。相反,可再生能源和混合储能综述则强调技术选择以及目标服务的功率/能量需求[119,120,121,122,123]。预测和可再生能源平滑研究表明,调度价值随预测质量和混合资源配置而变化[124,125,126]。规划和优化研究表明,结果取决于目标、不确定性模型和网络约束[110,111,112]. 最近的电池系统证据进一步支持采用真实的荷电状态窗口、循环深度、充放电倍率、温度和老化因素,而非将电池储能系统功率视为无成本的控制输入 [47].
一个有用的可再生能源指标是单位储能吞吐量的增量可用光伏能量,以及避免的网络约束。有功功率循环会改变存储的能量和电池的负载。无功或波形支持使用转换器电流,并且根据相位配置和功率解耦情况,也可能产生直流侧纹波。因此,其对电池的影响需要使用3.4节中描述的接口模型.

3.4. 电池化学、降解与接口架构

电池化学特性会影响可持续的功率和能量包络,但快速的PQ响应是由变流器及其控制器实现的。仅凭响应时间来比较不同化学特性,会将电化学能力与逆变器带宽混为一谈。表5因此,将重复的有功功率任务与无功或谐波支持区分开来,后者可能需要大量的交流电流,而电池能量的净交换却相对较少。这些比较是定性的:电池设计、温度、荷电状态窗口、电池组尺寸和制造商限制,使得无法进行通用的数值排名 [24,34].
表5。电池技术在换流器介导的PQ支持和能量转移方面的相对适用性。

退化模型在比较中分为三个层面。吞吐量或等效循环模型为能量交换分配边际磨损成本,便于调度,但无法区分具有相同吞吐量但SOC、温度或停留时间不同的两种调度方案。半经验日历加循环模型通过拟合的应力因子以及在适当情况下的循环深度计数来捕捉这些依赖关系;其系数因电池和任务而异。电化学或降阶物理模型能更直接地表征内部极限与机制,但识别和计算负担也更大。数据驱动的SOH模型支持在线更新,但继承了训练数据的覆盖范围和不确定性。电网服务研究应说明其模型、校准领域、日历老化处理方式、容量衰减与电阻增长指标,以及这些指标如何影响允许电流和可用能量[11,20,23].
这种区别具有可衡量的后果。Darikas等人测试了商用4.5 Ah锂离子电池,使用充电器衍生的V2G(车辆到电网)特性曲线,测试温度分别为5、25和40°C。他们的比较估算出,在容量衰减率与长期高SOC(荷电状态)存储相当的情况下,浅充放电(30–50% SOC)循环每天约为0.62个等效全循环。这是一种基于高SOC日历老化基准的特定电池比较,而非通用的无磨损V2G配额[28]。在另一项模拟中,Chen等人报告称,与非SOH感知控制相比,在SOH为60%时,瞬态超调降低了高达32%,调节时间缩短了25-40%,电池峰值电流应力降低了12-23%。这些是模拟的控制性能增益,而非实测的寿命延长[35]。此类结果支持将电池状态纳入控制;但它们并不能证明普遍的降额惩罚或保证的服务寿命是合理的。
表6比较了四项关于V2G或叠加纹波占空比下电池老化的实验研究;NCA代表镍钴铝氧化物。Chen等人进行的对照模拟已在上述作为对照性能结果进行讨论,故不包含在此实验表中。
表6。与V2G和变换器纹波相关的电池老化实验证据。

电池管理系统(BMS)对电网指令施加了额外的限制。电池组层级的SOC和SOH估算可能会掩盖单体电池不平衡、局部温度、传感器偏差和电阻不均等问题。因此,调度优化器必须获取实际可用的充放电限制,而不是假设额定功率始终可用。SOC估算的不确定性在LFP电压平台期尤为突出,而均衡、热降额、接触器保护和充电限制可能会导致原本可行的馈线动作无法执行。学习型状态估算是对这些保护措施的补充;它并不授权覆盖这些保护措施[11].
温度在低压馈线中也造成了部分相同的实际差距。环境热量、外壳设计和电池包热阻可能迫使BMS在电气SOC窗口耗尽之前降低充电或放电电流。因此,将标称SOC限制视为始终可用的控制器,可能会在高温运行期间高估可用能量和快速PQ支持。适当的报告应是热降额功率以及SOC窗口,而非单一的铭牌额定值。
光伏-电池储能系统(PV–BESS)拓扑结构也会改变可用的执行器。在交流耦合安装中,光伏和储能通常具有独立的电网接口;它们的视在功率限制和损耗必须分别表示。在直流耦合安装中,光伏和储能通过公共直流网络交换功率,通常共享一个电网逆变器。这允许直流侧光伏充电而无需中间交流转换,但电网出口、无功支持和高次谐波补偿会在共享的逆变器额定容量内相互竞争。直流-直流转换器限制和直流母线控制仍然相关。因此,相同的电池容量并不意味着交流耦合和直流耦合系统具有相同的弃光恢复或电能质量能力 [18,19]。在将收益归功于化学或人工智能之前,比较应识别拓扑结构、转换路径、共享评分和辅助工具。
即使平均有功功率为零,相位配置也至关重要。对于正弦单相电压和电流,以电压定义余弦参考,瞬时交流功率为