铅酸电池退化估计——一种基于机器学习优化电池储能系统的模型

《Electrochem》：Estimation of Lead Acid Battery Degradation—A Model for the Optimization of Battery Energy Storage System Using Machine Learning

　　

随着更多可再生能源系统集成至电网，储能系统的重要性日益提升。若要实现可再生能源的大规模并网，低成本且可靠的储能至关重要。铅酸电池因其低成本（尤其相较于锂离子电池(LIB)）被广泛用于固定式可再生能源系统与农业场景的储能，但其受充放电循环影响存在系统退化与寿命较短的问题。研究人员采用机器学习方法估计储能系统中的电池退化，使用两类数据集：放电条件数据与铅酸电池数据。初步分析中，采用RBF核的支持向量回归(SVR)方法结果较差，精度值0.0127、RMSE为5377；而长短期记忆(LSTM)方法估计结果更优，RMSE为0.0688，接近于0。

研究背景方面，印度尼西亚农业部门依赖太阳能干燥农产品，SMART DOME 4.0等光伏系统需配套储能。可再生能源出力波动，电池作为储能核心，其退化非线性且受深度放电(DoD)、循环次数、温度等影响。现有研究多聚焦锂离子电池或电动应用，铅酸电池在光伏储能中的长期退化与健康状态(SOH)、剩余使用寿命(RUL)估计尚缺乏系统研究，而准确估计可避免过充过放、优化充放电策略、降低运维成本。研究人员据此开展基于数据驱动的铅酸电池退化建模与RUL预测研究，论文发表于《Electrochem》。

关键技术方法上，研究人员取NASA Prognostic Center of Excellence电池数据集B0006（训练）与B0005（测试，168循环、240℃放电温度、50285条记录），并引入印尼国有电力公司光伏电站OPzV铅酸电池数据作对照；构建两类模型：SVR（RBF核，gamma=scale、epsilon=0.1、C=1.0，StandardScaler标准化）与LSTM（时序序列模型，3层密度层，ReLU激活，ADAM优化器beta_1=0.9/beta_2=0.999/epsilon=1×10^?8，MAE损失，200 epoch、batch_size=25）；以RMSE评估SOH与RUL估计误差。

研究结果部分，2. Materials and Methods中研究人员明确双数据集来源与预处理（无缺失值）、EDA相关性分析、SVR/LSTM超参配置及训练测试切分（B0006训、B0005测）。3. Results and Discussion中，相关性热图显示capacity、voltage measured、current measured、temperature measured、time呈强正相关（接近1）；SVR估计SOH精度0.0127、RMSE 5377，性能差；LSTM估计SOH的RMSE为0.0688，曲线贴合实际但预测SOH略低于实际，表明电池可能较预期更快退化；LSTM续估RUL（前50循环训练）得RMSE 0.031，图线显示约50循环后健康下降速率加快；将NASA锂离子数据预测SOH与印尼光伏铅酸电池实测SOH对比，后者因温度波动与工况差异退化更快，初始与预测SOH高于现场实测。讨论指出SVR未调参仅作可行性探索，LSTM适合时序但需更多工况数据；温度稳定可延缓退化，SMART DOME 4.0实测数据未来可补盲。

1. 4.
   Conclusions翻译浓缩：研究人员采用LSTM小误差估计RUL具前景，可提升性能与降本；铅酸电池在光伏现场退化快于NASA数据，但受现场数据量质限制，结论不可直接外推；SMART DOME 4.0真实数据将更好刻画退化；SOH解释须结合化学体系与运行条件。该研究为农业光伏中铅酸电池优化提供数据驱动思路，对可再生能源并网储能管理有参考价值。