电化学储能电站电池维护与状态识别研究

电化学储能电站电池维护与状态识别研究

黄小荣

广东电网有限责任公司东莞供电局 广东东莞 523008

摘要：文章介绍了储能电站快速发展背景下电池运维及安全现状，提出快速检测储能电池的参数信息、识别储能电池的异常状态、优化储能系统的控制策略，提升储能电池的性能迫切需求，并对储能电池状态估算进行研究探讨。

关键词：电化学储能电站，电池维护，状态识别

1引言

随着电力系统、新能源发电、清洁能源等行业的飞速发展，对储能技术尤其是大规模储能技术提出了更高的要求，储能技术已经成为电力产业发展不可或缺的关键环节。储能技术在电力系统中的应用将成为智能电网发展的一个必然趋势，是储能产业未来发展的重中之重。在“双碳”目标下，电力储能成为新能源电力系统的重要组成部分，必须在能源系统的储存、调节能力上形成与可再生能源建设速度一致的发展节奏，在大力发展新能源的同时，对储能技术的进步以及储能在新能源发展中的特殊作用的认识还存在不足之处，因此更需对储能领域进行深度探索，避免储能在电力系统中规划滞后。

储能技术的应用也面临着巨大挑战，当下储能电池的安全问题急需解决。近年来，随着各地锂离子电池储能电站的大量建设，储能电站的安全问题逐渐地凸显出来。近5年，全球发生70多起储能事故事件，严重威胁电网和人身安全。储能系统电池串并联数量多、规模大，安全风险和影响十分严重。而储能电站的安全事故往往都是由于在预警缺失或滞后的情况下，电池自身热失控或是其他外部因素导致电池燃烧引发的。快速检测储能电池的参数信息、识别储能电池的异常状态、优化储能系统的控制策略，提升储能电池的性能，成为迫切需要解决的储能技术问题。

2储能电站电池运行维护

目前，储能电站的建设发展迅猛，随着储能产业迅速发展，对储能技术的要求也不断提高，而随着储能电站的产业化和市场化，越来越多的研究倾向于储能电站的系统化和集成化，但储能电池与并网控制的研究大多单一进行，在该处两者之间缺乏有效协同。因此，开展储能电池运行状态与并网控制协同研究，突破储能电池多场景下运行状态评估的技术难题，对确保储能电池的安全经济稳定运行具有重要意义。

目前各储能电站主要采取站端监控系统配合人工巡检，对储能电池进行监控管理，站端监控系统主要对电池、BMS、PCS等设备的工作状态进行实时监控和异常告警。由于BMS目前只能获得电压、温度、电流等数据，且其计算能力有限。EMS主要是数据分析展示及能量调度。两者都无电池内部变化趋势分析、电池热失控前兆预警、电池安全状态准确评估等方面功能。

解决储能电池的安全问题以及新能源并网控制的协同问题，可通过准确快速地监测到储能电池的状态信息，提高参数信息采集的精确度，并利用储能电池的状态估计参数，建立起一套行之有效的储能系统协调控制策略，从而实现储能系统和新能源电网的安全运行。开展储能电站电池维护及状态评估，能够确保储能电池的安全经济稳定运行，为电力储能安全运行提供理论和技术支撑。

3储能电池状态估算

储能电池状态估算是实现电池管理的核心技术，包括SOC估算和健康状态SOH估算。SOC 代表的是电池使用一段时间或长期搁置不用后的剩余容量与其满充容量的比值[1]，是储能电池管理系统的重要参数，其准确实时预测关系到电池充放电控制和储能系统的优化管理，直接影响锂电池的使用寿命。SOC 估算常用方法有：放电实验法、安时积分法、开路电压法、卡尔曼滤波法和神经网络法等。其中，安时计量法是应用最为广泛的电池SOC 估计方法。但对于锂电池而言，安时计量法存在弊端，随着电池充放电运行时间变长，其累计的运行误差也将变大，意味着一旦电池处于持续的充放电工作状态，安时计量法的准确度将受到极大限制[2]。对此，将卡尔曼及其改进估计算法用于估算电池 SOC 逐渐受到重视[3]。扩展卡尔曼滤波算法根据电池两端电压估计其 SOC，在无法直接测量SOC 的情况下对 SOC 的估计具有较高的准确度[4]。锂离子电池是一个复杂的非线性动态系统，而神经网络算法具有高度的非线性及自学能力，通过大量的数据学习，计算误差，向前一层反馈，不断修改各层的权值从而使误差达到理想值。

SOH 代表蓄电池满充容量相对额定容量的百分比，是衡量电池老化程度的度量标准，其通常包括容量衰减或功率衰退。 常用的指标包括电池容量、直流电阻和交流阻抗。SOH 估算方法主要包括基于耐久性模型的开环方法和基于电池模型的闭环方法。耐久性模型开环方法描述了固体电解质膜电阻和电池端子电压的增加，对电池内部的物理化学反应的特性进行分析，了解电化学反应特性和电池容量衰退的本质，从而直接预测容量衰减和内阻的变化。电池模型闭环方法使用最小二乘法、卡尔曼滤波和其他自适应算法，根据操作数据来识别电池容量和内阻。 除此之外，样本熵也被用来估计电池 SOH。

 SOC 估算准确性受到电池退化的影响严重，同时不正确的 SOC 估算反过来可能误导电池 SOH 校准。充分考虑电池 SOC与SOH的变化规律，将SOC 与 SOH 进行联合估计，可在一定程度上解决了两者之间的严重影响，提高估算的精度，为后续的剩余寿命预测提供更加有效的数据。现有电池状态估算方法大多用于 SOC 或 SOH 估算，而非两者同时估算，忽略了 SOC 与 SOH 之间的紧密耦合特性，需要研究从多时间尺度上对其进行联合估计的方法。

4结语

储能电池作为强非线性系统，需要一些参数描述电池性能，电压、电流等显性参数可以直接测量，荷电状态SOC，健康状态SOH等隐形参数需要间接计算。为了得到这些参数，需要深入对电池进行建模，再辨识电池模型参数，进而识别电池状态，通过融合电量和非电量等信息，及时捕捉电池异常，及时调整储能电站运维策略，提醒运维人员及时处理，解决目前储能电池安全预警不准确、不及时的问题，提升电池运行安全性及稳定性。

参考文献

[1]罗伟林, 张立强, 吕超, 等. 锂离子电池寿命预测国外研究现状综述[J]. 电源学报, 2013, 11（1）: 140-144.

[2]刘大同, 周建宝, 郭力萌, 等. 锂离子电池健康评估和寿命预测综述[J]. 仪器仪表学报, 2015, 36（1）: 1-16.

[3]林娅, 陈则王. 锂离子电池剩余寿命预测研究综述[J]. 电子测量技术, 2018, 41（4）: 29-35.

[4]隋欣, 陈永翀, 张晓虎, 等. 基于改进滑模观测器的锂离子电池荷电状态估计方法[J]. 电工电能新技术, 2018, 37（12）: 73-82.

项目编号：031900KZ23070029,

项目名称：电化学储能电站储能电池维护装置