面向储能电池日历老化的高精度SOH估计与主动管理：ICB-ASB-CrossLinear模型及DOA优化

《Batteries》：Considering Calendar-Aging High-Precision State of Health Estimation and Active Management Technology for Energy-Storage Batteries

　　

作为新型电力系统的核心组成部分，储能电池因日历老化而出现容量退化、内阻增加和健康状态（SOH，State of Health）下降。这些变化会损害储能电站的运行安全与全生命周期经济性能。针对固定式电池的日历老化风险管理需求，以及从循环数据中准确估计SOH的需求，本研究开发了两个互补组成部分：面向固定式单体的现场优先充电策略，以及在公开循环数据集上评估的数据驱动SOH预测模型。该策略定义了低能量固定式电池的判据，并建立了用于风险单体锁定与电量补充的加权优先充电规则。研究人员构建了集成交互卷积与自适应频谱模块的SOH预测模型，并使用梦境优化算法（DOA，Dream Optimization Algorithm）优化其超参数，以解决多尺度特征纠缠和预测精度有限的问题。结果表明，该策略可补充固定式电池的荷电状态（SOC，State of Charge）并提高单体电压，且风险评分与SOH显著相关。在CALCE和Oxford循环数据集上，该模型相比所评估基线产生更低误差，但降低幅度取决于电池和比较对象。消融试验证实了每个模块的优越性。本研究为固定式电池提供了一种现场风险管理方案，并提供了一种在公开循环数据集上验证的高精度SOH预测方法。

随着全球能源转型加速，新能源产业及其上下游供应链快速扩张，储能是其中代表性方向。储能电站作为新型电力系统不可或缺的组成部分，部署规模与复杂度不断提高。成本仍是核心挑战，电池约占电站总投资40%，接近电池储能系统（BESS，Battery Energy-Storage System）成本的60%。电池老化表现为电化学性能下降，尤其是容量损失和内阻增加；残余容量降至初始容量80%或高功率电池阻抗翻倍常被定义为寿命终点。储能电池老化可分为运行老化和静态老化。运行老化因不可逆退化不可避免，保护性操作不能消除锂离子损失和活性材料损失（LAM，Loss of Active Material）等机制，不稳定工况还可能加速固体电解质界面膜（SEI，Solid-Electrolyte-Interphase）生长。储能电站接入电力系统，日常电网调度中电池无法在理想充放电条件下运行，有些频繁使用，有些低频使用或静态备用。电池在低频使用或闲置备用下性能随时间下降直至达到指定老化阈值，这一过程称为日历寿命或日历老化。日历老化源于电池内部持续不可逆副反应，即使最优存储条件也不能完全消除，因此需要监测与缓解策略。准确的健康状态（SOH，State of Health）估计有助于识别异常电池、防止热失控、支持均衡控制和单体替换、梯次利用与退役回收，并保障调峰、调频和应急备用。现有SOH估计方法包括实验检测、模型驱动、数据驱动黑箱和混合方法。仍存在问题：电池在非理想条件下运行，退化单体造成电压差并影响整个簇，扭曲SOH信息；SOH预测不能仅依赖历史循环SOH，还需考虑运行温度、充放电倍率和循环次数等外源变量；储能电站需要能考虑日历老化的系统监测与诊断框架。主流公开数据集CALCE和Oxford主要记录循环充放电老化，长期静态日历老化全寿命时间序列难以获得，因为储能电站资产具有商业机密性。为此，研究人员将日历老化风险管理策略评估与SOH预测模型定量评估分开：前者用静态电池现场监测数据，后者用公开循环数据集。现有混合SOH预测方案常堆叠独立网络模块，缺乏针对复合电池老化的结构重构和交互特征传递，导致多尺度老化特征分离不足。研究人员在前期研究基础上，提出面向储能电池日历老化的SOH预测与主动保护策略：建立基于荷电状态（SOC，State of Charge）、簇内电压差等参数的加权风险评分，将电池分为A类高风险静态单体和B类正常单体；A类电池禁止放电并优先充电，以减轻运行暴露于日历老化；同时将重构的交互卷积模块（ICB，Interactive Convolution Block）和自适应频谱模块（ASB，Adaptive Spectral Block）嵌入优化CrossLinear架构，构建ICB-ASB-CrossLinear SOH预测模型，采用梦境优化算法（DOA，Dream Optimization Algorithm）进行超参数调优，并用消融实验比较模块贡献。其意义在于提供现场风险管理方案和在公开循环数据集上验证的高精度SOH预测方法。

关键技术方法（不超过250字）：现场样本来自河南漯河市临颍县光伏储能电站，四个电池簇，每簇16个单体，共64个单体；受商业机密限制，仅使用允许测量数据。公开数据来自University of Maryland的CALCE CS2数据集，包括CS2-35至CS2-38四个棱柱形钴酸锂（LCO，Lithium Cobalt Oxide）电池，额定1100 mAh，25 ℃，采用恒流/恒压（CC-CV，Constant-Current/Constant-Voltage）充电和固定倍率恒流放电；以及University of Oxford数据集，包括Nos. 1和2两个软包NMC电池，0.74 Ah，40 ℃，动态城市驾驶负载。方法包括SOH按C_n/C_i定义，提取HF1–HF6健康特征并做Pearson相关，设计A/B分类、加权优先评分和五阶段控制流程，构建由DOA、ICB、ASB和CrossLinear组成的预测模型，采用快速傅里叶变换（FFT，Fast Fourier Transform）与逆快速傅里叶变换（IFFT，Inverse Fast Fourier Transform）、自适应频率滤波、双分支交互卷积和内外源变量交叉相关嵌入，在PyTorch中实现并用DOA优化学习率、d_model和d_ff。

4.1 日历老化策略实验：在临颍光伏储能电站，四个电池簇、每簇16个单体，共64个单体。按策略分类，18个为A类、46个为B类，A类占28.1%；全部电池平均SOC为56.1%。判断命中分析显示，22个展示电池中4个有6次命中，占18.2%，另有1个5次、1个3次、2个4次、2个2次，2个仅1次且未判为风险；闲置时长、簇电压差和内阻增长在评价指标中贡献较大。随后计算A类优先评分并排序充电优先级，对最高优先级5个电池进一步风险分析，实施充电锁定控制；满充后电池进入激活状态，恢复放电权限并允许参与电网调度。前后比较显示SOC和单体电压提高，风险评分与SOH趋势强相关：风险评分越高，SOH越低；风险评分越低，SOH越接近或高于样本平均值。结论是所提日历老化权重公式具有可行性，风险评分较大程度反映SOH退化特征；但现场比较是运行变化的描述性证据，未建立对日历老化的因果抑制。

4.2 SOH预测实验：使用CALCE和Oxford循环老化基准数据集。训练使用每个循环记录前30%，展示测试比较保留约80%测量循环记录；完整记录约600–800循环。选择TimeXer和PatchTST为主要基线，Dlinear为轻量基准。结果表明，所提模型预测曲线几乎完全重叠实际SOH曲线，准确跟踪早期和中期逐渐下降及后期快速下降，避免基线的预测滞后、偏差和过平滑；在评估模型中RMSE（均方根误差，Root Mean Squared Error）、MAE（平均绝对误差，Mean Absolute Error）、MAPE（平均绝对百分比误差，Mean Absolute Percentage Error）最低。对CS2-38的详细比较中，RMSE比Dlinear低50%，MAPE低约56%；相对TimeXer和PatchTST的降低较小且取决于电池，平均预测误差低于1%。消融实验中，Model 1为DOA-ICB-ASB-CrossLinear，Model 2为ICB-ASB-CrossLinear，Model 3为CrossLinear，结果显示保留模块各有贡献，组合模型为该比较中最佳配置；误差分布符合正态分布曲线，支持结果可靠性。在Oxford数据集中，Battery No. 1呈稳态衰减，所提曲线紧密跟随测量曲线；Battery No. 2出现容量突降和局部波动，所提模型捕捉总体SOH下降并再现后期容量波动；基线在Battery No. 1晚期衰减偏离，在Battery No. 2突降拐点附近失败。结论是模型在测试条件下不依赖特定数据集并具有鲁棒性；但纯日历老化和日历-循环复合老化未独立验证。

讨论与结论：论文将日历老化风险管理策略与SOH预测模型分开验证。由于商业储能电站数据保密，无法获得纯静态日历老化下长期连续容量时间序列；现场比较被解释为运行变化的描述性证据，而非日历老化抑制的因果证明。权重校准使用64个老化样本，|r|_t=0.78、|r|_TSOC=0.76、|r|_ΔV=0.39，归一化后约0.4:0.4:0.2，局部稳定；但仅四个现场簇，无法进行稳定的簇级交叉验证，温度未加入第四项是因为缺少同步单体温度历史。模型在循环数据集上评估，不能独立验证纯日历老化预测或物理分离日历与循环老化。第5节结论翻译如下：（1）研究人员识别了储能电池日历老化的关键相关因素。闲置时长、SOC水平、簇内电压差和内阻一致性被确定为触发日历老化的关键因素。所提出的风险评分与SOH强相关，可能作为SOH评估的辅助指标。（2）所提出的日历老化应对策略能够准确识别长期备用中处于低能量状态的电池。通过分类管理、优先补充充电和定期预充电，该策略旨在降低过放风险并限制长期低能量备用的暴露。现场电池前后比较显示SOC得到补充且单体电压升高，但未建立对日历老化的因果抑制。（3）ICB-ASB-CrossLinear预测模型分离了SOH数据中的多尺度时间特征。在DOA优化超参数后，其在测试循环数据集上的预测精度超过所评估基线，包括Dlinear。该模型捕捉了稳态衰减和容量突降场景下的SOH变化。其向独立验证的日历-循环复合老化的扩展仍有待建立。（4）消融实验表明，ICB模块、ASB模块和DOA优化算法各自提高了模型性能，并且是整体框架不可或缺的，支持了所提架构的合理性和优越性。