摘要
在能量存储站用于短时电力支持的应用中，功率状态估算应反映目标时间范围内的恒定功率边界，而恒定电流外推法可能无法准确体现电压下降所导致的电流上升情况。本研究提出了一种适用于便携式检测的30秒恒定功率功率状态评估框架，将参数反演与边界推导分开处理。该方法采用包含电解质动力学特性的单粒子模型，并考虑欧姆电阻、反应动力学及扩散作用带来的退化因素。欧姆电阻的退化因子通过零时刻电压降的精确校准来确定，而反应动力学和扩散作用的退化因子则通过基于物理信息神经网络的反演方法，利用30秒恒定电流脉冲响应来识别；恒定功率边界则通过龙格-库塔积分法和二分搜索法进行求解。在模型一致性闭环验证中，该方法在匹配模型假设下评估了数值计算与反演结果的一致性，而非独立的物理精度，其平均绝对误差为0.100%，95百分位误差为0.503%，最大误差为2.019%，这些数值均低于在相同匹配模型条件下的恒定电流近似法以及一阶等效电路模型基准值。该方法的Jetson Nano等效运行时间约为0.630秒。另外，使用公共HPPC数据集中的154组放电脉冲对LCO-石墨电池进行外部对比测试，结果显示相对于脉冲功率基准值，其平均绝对误差为0.41瓦特。这一结果反映的是与该选定脉冲功率基准值的一致性，而非与严格定义的30秒恒定功率真实值的准确性对比。在存在10毫伏噪声的测试条件下，功率状态的平均绝对误差上升至3.868%，这表明该方法对电压测量中的干扰极为敏感，因此需要经过验证的信号处理手段。总体而言，这是一种具有物理意义且易于实现的快速电池功率检测框架，但在实际应用之前，仍需进行直接的恒定功率实验、更广泛的电池化学体系测试以及噪声影响验证。
