基于时频特征和分层物理约束的钒氧化还原液流电池荷电状态估计
《JOURNAL OF POWER SOURCES》:State of charge estimation of vanadium redox flow battery based on time–frequency feature and layered physical constraints
【字体:
大
中
小
】
时间:2026年05月13日
来源:JOURNAL OF POWER SOURCES 7.9
编辑推荐:
宣刘|曹立峰|李凯|王金全|党刚|任美峰|严高伟|马素霞
太原理工大学电气与动力工程学院,中国太原030024
**摘要**
准确估计钒氧化还原液流电池(VRFB)的荷电状态(SoC)是确保电池安全运行、促进能源存储系统高效能源管理和优化调度策略的关键前提。然而,在
宣刘|曹立峰|李凯|王金全|党刚|任美峰|严高伟|马素霞
太原理工大学电气与动力工程学院,中国太原030024
**摘要**
准确估计钒氧化还原液流电池(VRFB)的荷电状态(SoC)是确保电池安全运行、促进能源存储系统高效能源管理和优化调度策略的关键前提。然而,在电网频率调节和负载突变等高频动态运行条件下,VRFB的运行参数表现出明显的时间变化行为和复杂的多物理场耦合效应,给SoC估计带来了严峻挑战。为应对这些挑战,本文提出了一种基于时频特征融合和物理约束的SoC估计框架。开发了时频特征提取模块,将原始运行信号转换为时频特征,并实现它们的互补融合,从而增强了模型的特征表示能力。将电池内部状态变量视为内生变量,而运行条件和外部干扰视为外生变量。引入了差异化的嵌入机制,分别模拟这两种类型变量的动态贡献,缓解了变量异质性问题。此外,设计了分层物理约束,并结合了电化学定律。实验结果表明,该方法具有高精度,平均绝对误差(MAE)低于1%,均方根误差(RMSE)低于1.1%。
**引言**
随着碳峰值和碳中和目标的推进,可再生能源的渗透率持续增加。风能和光伏等可再生能源的部署迅速增长;然而,它们的间歇性和可变性加剧了供需不平衡,增加了对峰值调节和频率控制的压力,从而在一定程度上限制了可再生能源的高效利用[1]。为了提高电网接纳可再生能源的能力,迫切需要具备削峰、填谷和平滑功率能力的网侧储能技术[2]。氧化还原液流电池(RFB)系统因其独特的功率和容量解耦能力而成为大规模储能的首选方案。尽管已经探索了多种RFB化学体系,但电解质的选择仍然是系统成本和可靠性的关键决定因素。例如,虽然基于铁或锌的RFB具有显著的成本优势,但其广泛应用仍受到运行稳定性和复杂交叉污染问题的限制[3]。在RFB技术中,钒氧化还原液流电池(VRFB)具有独特的优势,包括功率和容量的解耦、长循环寿命、出色的可扩展性和卓越的安全性。这些特性使其在长时储能和高频充放电应用中具有高度竞争力[4],目前它是应用最广泛且商业上最成熟的系统[5]。此外,在VRFB系统中,荷电状态(SoC)是控制充放电、评估可用容量和保障整体运行安全的关键指标。然而,在动态运行条件下,电池堆内的复杂电化学反应使得可测量信号与SoC之间的映射变得高度非线性且随时间变化。因此,无论是基于简化的物理模型还是纯数据驱动模型,都无法在广泛的运行条件下实现高精度的SoC估计。因此,有必要开发一种在高动态条件下具有高精度和高度适应性的SoC估计模型,以确保VRFB的安全、经济和高效运行[6]。
**现有SoC估计方法**
现有的SoC估计方法主要包括库仑计数法、开路电压法(OCV)、基于模型的滤波方法和数据驱动方法[7]。库仑计数法通过积分电流来获取电荷变化[8]。该方法简单且适合实时应用,但对初始SoC和电流测量误差非常敏感。此外,积分操作不可避免地会累积误差,使得在长期动态运行中难以保证无偏估计。OCV方法通过反演OCV-SoC映射来推断SoC[9],但在实际应用中受到限制,因为难以频繁满足足够长的休息时间。此外,在某些SoC区间内电压灵敏度较低,测量的OCV容易受到测量噪声、温度干扰以及跨膜离子传输引起的电解质组成和浓度变化的影响[10][11],这可能导致OCV漂移并引入系统偏差。基于模型的滤波方法使用等效电路模型或简化的电化学模型[12][13],并通过扩展卡尔曼滤波器(EKF)[14]、无迹卡尔曼滤波器(UKF)[15]和立方卡尔曼滤波器(CKF)[16]等滤波器来估计SoC。其优势在于,当模型结构合适且噪声近似服从高斯分布时,它们可以以相对较低的计算复杂度递归融合电流和端电压信息,生成适合集成到电池管理系统(BMS)中的准确SoC估计[17]。除了上述方法外,参考文献[18]提出了一种基于数字孪生的VRFB SoC估计方法。通过构建结合零维动态模型和实时传感数据的虚拟副本,实现了实时和准确的SoC预测。然而,这些方法严重依赖于模型的准确性和参数精度。在负载突变和流速调节的情况下,瞬态端电压响应主要由欧姆降和极化动态主导,降低了电压-SoC关系的可识别性。同时,温度和质量传输条件的变化会导致极化参数的快速时间变化,在固定参数或稳态假设下引起结构不匹配。当不匹配显著或噪声统计假设被违反时,滤波器的一致性会恶化,估计偏差可能累积,在极端情况下甚至可能发生发散[19],从而在动态条件下降低可靠性。
相比之下,数据驱动方法不需要显式的物理模型,也不依赖于难以测量的内部参数,同时仍能实现强大的非线性拟合能力[20][21]。数据驱动方法已被广泛用于电池SoC估计。参考文献[22]开发了一种多头注意力驱动的长短期记忆网络,考虑了流速和复杂的充放电条件。通过去除对基于物理模型的依赖,它提供了一个无需先验电化学知识的BMS工程师即可应用的框架。参考文献[23]还提出使用反向传播神经网络(BPNN)预测VRFB的SoC,并通过贝叶斯正则化改进网络以实现实时、高精度的预测。李等人[24]开发了一种基于粘度和温度的在线SoC预测模型,使用前馈神经网络,可以编程并集成到VRFB控制系统中。
然而,VRFB的SoC估计本质上是一个复杂的多变量时间序列建模问题。在动态条件下,电压、电流、温度和流速等不同输入通过不同机制影响SoC。许多现有的数据驱动模型以同质方式嵌入和处理所有输入信号,这可能导致特征耦合和贡献混合。结果,模型可能无法在动态演变过程中区分不同变量的作用,限制了在复杂场景下的估计精度和泛化能力。为了缓解由同质处理引起的特征耦合,近年来基于Transformer的模型引入了分层嵌入,用于内生和外生变量,显示出独特优势。通过以差异化方式表示不同类型的变量并使用注意力进行建模,它们有望提高对复杂动态的表示能力。参考文献[25]中的TimeXer模型区分了内生和外生变量,并采用分层嵌入和差异化注意力将外部条件的因果信息映射到内部时间序列的特征提取中。将这种内生-外生分层嵌入思想应用于VRFB SoC估计,可以更准确地分离和建模不同变量的动态贡献。通过有效利用外生运行条件信息,它减轻了由同质处理引起的特征耦合,提高了VRFB在动态运行下的特征表达能力和估计精度。
另一方面,并网VRFB的运行还面临高频动态干扰的挑战。负载波动可能导致电压和电流的高频振荡,泵速调节与流体-电化学耦合进一步加剧了信号的非线性和时间变化[26]。仅依赖时域幅度变化的特征提取方法往往无法区分有信息的高频动态和高频随机噪声。这可能导致模型过度拟合瞬态波动,降低跨运行条件的鲁棒性。因此,一些研究引入了频域或时频域特征提取来增强动态特征的完整性。参考文献[27]提出了一种具有时频学习能力的CNN,其中二维频谱分析提高了锂离子SoC估计的准确性。参考文献[28]将简化的电化学模型与电化学阻抗谱结合,通过选择关键频率特征解决了锂离子SoC估计的温适应性和精度问题。参考文献[29]提出了一种基于通道注意力机制的频域特征提取器,并通过离散余弦变换(DCT)建立了通道间的频率依赖性,为SoC预测器提供了更全面的时频特征。这些研究表明,结合频域分析可以增强输入表示的完整性,并为克服动态条件下的纯时域方法的局限性提供了有效途径。尽管这些方法可以利用频域信息进行SoC估计,但它们仍然属于纯数据驱动范式,缺乏物理一致性约束。因此,在极端动态或分布偏移的情况下,模型可能输出违反电化学原理的估计结果。相关研究引入了物理信息神经网络(PINN)[30],将电化学过程的关键物理定律整合到损失函数中[31][32],以提高数据驱动方法的物理一致性和可解释性。然而,在高维偏微分方程约束、损失权重调整、噪声敏感性和训练稳定性方面仍存在实际挑战。这激发了将电化学物理约束更精细地嵌入到数据驱动框架中的需求。
基于上述分析,本研究针对具有时变电流和时变流速的VRFB动态运行条件,提出了一种结合时频特征和分层物理约束的SoC估计方法。核心思想是将历史SoC序列视为内生状态信息,将电流、端电压、OCV、温度和电解质流速视为外生运行条件信息。使用差异化的嵌入来处理变量异质性。同时,引入时频表示以在动态条件下实现全面的特征表征,并在学习过程中结合电化学先验来构建物理约束,从而提高估计的物理合理性和鲁棒性。实验结果表明,在不同运行条件下,所提出的方法平均绝对误差(MAE)低于0.6%,平均均方根误差(RMSE)低于0.7%,决定系数(R2)超过0.99。
**本文的主要创新点**
本文的主要创新可以总结如下:
(1) 时频特征提取模块:从原始信号中提取时域和频域特征,并将它们融合。该模块捕捉了动态条件下的高频振荡和参数的缓慢变化趋势,克服了纯时域特征提取的局限性,实现了动态条件下的全面特征表示。
(2) 电化学分层物理约束:将法拉第定律和能斯特方程中的电化学先验知识嵌入网络结构。将物理约束整合到不同模块中,确保估计结果满足电化学和热力学定律。模型输出符合物理定律。
(3) 引入内生和外生变量的分层嵌入策略:使用补丁令牌和全局令牌嵌入内生变量,而在变量级别使用变量令牌嵌入外生变量。这使得两种类型变量的动态贡献得以分离和有效利用,缓解了由变量信息同质处理引起的特征耦合问题。
**VRFB的电化学机制**
VRFB使用不同价态的钒离子作为活性材料,溶解在正负电解质溶液中,循环泵驱动电解质在电池堆内循环。运行过程中的电极反应如下:
正极:VO2++H2O ? VO2++2H++e?
负极:V3++e? ? V2+
在充电过程中,施加的电流驱动负极V3+还原为V2+,正极VO2+氧化为VO2+。
**方法论**
本节介绍了基于时频特征提取和分层物理约束的SoC估计框架。通过特征提取模块、特征增强模块和物理约束输出模块,在动态条件下实现了准确的SoC估计。模型的整体框架如图1所示。首先,从原始充放电数据构建时间序列样本。接下来,从时域和频域提取特征。本研究的分析和实验是在一个2.5 kW/3 kWh的VRFB(钒液流电池)系统上进行的,如图4(a)所示。该系统包括一个电池堆栈、电解液循环和输送单元、监控传感器以及电池管理系统,这些组件共同实现了电解液的循环、充放电调节和运行状态监控。实验平台的详细规格在表3中进行了总结。
实验设计
实验中的所有变量均以Δ为采样间隔进行同步采样。
不同模型的对比实验
为了验证所提出模型的优越性能,进行了与其他模型的对比实验。这些实验包括了传统的安时积分方法的结果,以及各种数据驱动方法,如CNN、TCN-BiLSTM [37]和BPNN [22]。在实验过程中,数据集被分为0.8部分用于训练,0.2部分用于测试。所有模型的SoC(剩余电量)估计结果的性能指标显示在表4中。
与其他模型相比,所提出的模型...
结论
为了解决VRFB在动态运行条件下的SoC估计挑战,包括特征表示不完整、对变量异质性的处理不足以及物理可解释性有限等问题,本研究提出了一个将时频特征与分层物理约束相结合的SoC估计框架。设计了一个时频特征提取模块以提供更全面的特征表示,同时还有一个物理特征增强模块...
CRediT作者贡献声明
刘轩:撰写——原始草案、验证、方法论、概念化。
曹立峰:监督。
李凯:可视化。
王金全:资金获取。
党刚:数据管理。
任美峰:软件开发。
严高伟:撰写——审稿与编辑、监督、资金获取。
马素霞:资源协调。
利益冲突声明
作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。
致谢
本工作得到了山西省自然科学一般项目(202403021221055)、山西省重大科技专项(202501060301003)以及赛英科技创新基金项目(2025-01)的支持。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号