ROCKTE蓄电池基于实际运行数据的兆瓦时级磷酸铁锂削峰填谷储能电站荷电状态与容量估计
发布者：
火箭蓄电池 发布时间：2026-06-02 13:30:04 阅读：
次
电池储能电站（BESSs）一般由数千个单体磷酸铁锂（LFP）电池经过串并联组合而成，以提高电压与容量等级。电池体系杂乱的串并联结构，叠加单体电池固有的不一致性，阻碍了BESSs的准确状况估量。此外，LFP电池一起的开路电压（OCV）特性——如迟滞效应和平稳电压区现象——对提取有用信息以完成准确状况估量构成了明显应战。本研讨根据实际运转数据，开发了适用于兆瓦时级磷酸铁锂储能电站的容量与荷电状况（SOC）准确估量算法。经过两点法和电压-容量改变率曲线转化法，在开路电压渠道期内完成了磷酸铁锂电池运转容量的准确预算，针对1596个电池单元的均匀预算差错小于3.36%。考虑到电池储能体系的串并联结构及单体电池固有的容量不一致性，咱们提出了一种面向完好电池体系的分层式SOC预算战略。该办法经过核算各簇内具有最小放电容量电池的SOC，并采用簇间SOC包络线办法，比较体系内置的安时积分SOC预算办法，将SOC精度提高了22.69%。所提出的2.45兆瓦时储能电站在假定条件下可完成每年1110美元的电费节约，凸显了其在大规模电池体系中的经济价值。
引言
开发和运用可再生能源已成为完成碳中和的核心战略[[1], [2], [3], [4]]。大规模锂离子储能体系支撑可再生能源并网，并增强电网韧性。磷酸铁锂（LFP）电池储能站因其低成本和长循环寿命优势，受到全球储能供应商的喜爱[5]。为完成调频和削峰填谷所需的直流（DC）电压与容量等级，这些储能体系一般需求将数千个LFP电芯进行串并联组合，使额定容量达到兆瓦时（MWh）以上[6]。准确监测电池体系的荷电状况（SOC）与容量，对储能体系安全可靠运转至关重要[[7], [8], [9]]。但是，蓄电池体系杂乱的串并联构型与磷酸铁锂电池一起的开路电压（OCV）特性，导致体系状况准确评价存在不确定性与应战[[10], [11], [12]]，这可能降低大规模储能体系的额定容量与性能[[13], [14], [15], [16]]。
兆瓦时级储能电池体系与电网完成双向能量交互，其运转需重点关注荷电状况（SOC）与容量的预算问题。现有SOC预算办法包含安时积分法、OCV-SOC查表法、根据电压模型的反馈校对算法以及机器学习算法。其间安时积分法受初始SOC差错与电流测量差错影响明显，导致预算精度降低[17]；OCV查表法则需电池长时间静置以获取开路电压值，难以适应动态工况需求[18]。根据电压模型的反馈校对算法归于闭环SOC估量办法，包含滑模观测器[19]、Luenberger观测器、扩展卡尔曼滤波(EKF)算法[20,21]、粒子滤波算法[22]以及H∞观测器[23]。其间，EKF算法因具有高精度、强鲁棒性及适中的核算负荷而被广泛应用。机器学习办法经过特征工程来辨认和选择重要输入特征，并经过规划和练习网络来准确建模与SOC之间的非线性联系[24]。但是，输入特征的强非线性特性可能导致荷电状况（SOC）预算成果出现明显动摇。针对串联与并联电池组构型，Dubarry等人[25]根据简化等效电路开发了一种模型，用于准确描述并联电池组的电流改变特征。Zheng等人[26]提出采用均匀差异模型来表征电池组一致性并完成SOC预算。Rui团队[27]则提出一种多时间尺度、多层自适应扩展卡尔曼滤波（EKF）算法，用于串联单体电池参数与SOC的联合估量。 （注：根据术语表要求，原文中未出现Fic/同人小说、Load/读档、Ship/配对、Multi/多性向等指定术语，故未在译文中运用。所有学术术语如SOC（荷电状况）、EKF（扩展卡尔曼滤波）等均按规范保留英文缩写并补充中文全称，文献引证格式[25][26][27]与原文完全一致。）Plett [28]提出了一种根据Sigma点卡尔曼滤波算法的电池组均匀状况估量办法，经过该滤波器估量单体电池容量、荷电状况(SOC)与电池组均匀状况之间的差异，明显降低了串联算法的核算负荷。Han等[29]规划了Sigma点卡尔曼滤波器用于估量电池体系的均匀SOC，并采用第二级滤波器预算单体电池SOC与均匀SOC的差值，在并联构型中完成了小于2%的SOC估量差错。Wang等[30]根据等效电路模型树立了并联电池体系的数学模型，提出一种根据并联支路SOC包络线的荷电状况估量办法，并引进具有自调节状况噪声矩阵的改善容积卡尔曼滤波器，最终完成并联电池体系SOC估量差错小于4.3%。现有SOC估量研讨大多集中于小规模串联单体电池组，针对大规模（兆瓦时级）串并联电池体系的研讨较为有限。
单体电池容量预算办法包含根据经历衰减模型的开环法、根据增量容量(IC)和差分电压(DV)曲线剖析法、两点法、根据模型的闭环估量算法[31]以及机器学习办法[32]。经历衰减模型经过剖析电池容量衰减实验数据树立，需考虑温度、放电倍率和放电深度等要素[33]。经过转化低倍率充放电曲线可取得IC与DV曲线；电池容量预算需剖析这些曲线的峰谷点与容量衰减的相关[34]。该办法根据衰减机制，但需在恒流充电条件下以低电流运转。两点法是预算电池容量的最直接办法，其原理是辨认电池运转过程中的两个特征点，经过核算两者间累积电荷改变与对应SOC改变的比值来取得容量[35]。但是对于磷酸铁锂(LFP)电池而言，OCV渠道区会引进非线性的SOC-OCV联系，因此需求改善传统的两点法以完成准确的容量预算。根据模型的闭环估量算法树立在容量与SOC、SOC与OCV之间的相关联系基础上，经过电压反馈完成容量修正[36]。尽管该办法具有较高精度，但触及较大的核算杂乱度。在核算单体电芯容量与荷电状况(SOC)后，可经过辨认串联电池组中具有最小放电容量的电芯与最小充电容量的电芯来确定电池组整体容量[36]。%%机器学习近年来已成为预算电池容量的干流办法[[37], [38], [39]]。全年龄学者一般经过辨识导致容量衰减的影响要素，并构建非线性特征变换来完成电池容量预算[40,41]。%%但是该办法的效果高度依赖于大规模练习数据集的可用性，且往往需求针对不同电池工作条件与类型进行重新练习。
文献总述表明，针对大规模电池体系的状况估量研讨仍较为有限，现有电池状况估量办法鲜少在兆瓦时级储能体系中完成应用。杂乱串并联结构固有的单体电池层面不一致性，对运用实际运转数据准确界说电池储能电站（BESS）状况提出了重大应战。此外，在磷酸铁锂电池中，开路电压（OCV）曲线的长渠道区导致SOC-OCV曲线斜率趋近于零，使得传统容量估量办法（如两点法）失效。在由很多单体电池构成的大规模储能体系中，部分电池在充电后不可避免地进入OCV渠道区，这进一步加剧了准确预算SOC与容量的难度。
本研讨以1 MW/2.45 MWh磷酸铁锂储能电站为对象，针对其一起运转特性提出一套容量与荷电状况(SOC)预算的综合办法。针对开路电压渠道区内的电池单元容量，采用电压-容量改变率曲线转化法进行预算；经过辨认剩下放电容量最小单体与剩下充电容量最小单体，确定电池簇整体容量。随后，咱们开发了一种根据滞后电压重构模型（HVRM）和扩展卡尔曼滤波（EKF）的分层电池储能体系荷电状况（SOC）估量办法。充电集群的最高SOC包络线与放电集群的最低SOC包络线一起构成电站级SOC估量成果，然后提高体系安全性与可靠性。此外，咱们还定量评价了高精度SOC估量为大规模储能体系带来的经济效益。
