基于现场数据的电池储能系统健康状态估计的语义嵌入端到端深度学习

《eTransportation》：Semantically embedded end-to-end deep learning for battery energy storage system state-of-health estimation using field data

　　

• 从基于特征的诊断向连续的、特征无关的 SoH 智能转变的范式转移。
• 解决现场级故障模式：对可再生能源耦合的可变性、放大的噪声和数据缺失具有鲁棒性。
• 语义引导的端到端学习，将化学特性和运行环境嵌入日常运行信号中。
• 用于动态 OPF、感知退化的控制和市场集成的实时、可边缘部署的 SoH 数据流。

引言
可再生能源和交通电气化被广泛认为是电力系统脱碳和实现全球碳中和目标不可或缺的手段 [[1], [2], [3], [4]]。随着可再生能源渗透率和电动汽车（EV）充电量的增加，输电和配电资产面临着前所未有的运行挑战 [[5], [6], [7], [8]]。电池储能系统（BESS）成为平滑风和太阳能波动 [9]、支持频率和电压调节 [10]、实现削峰填谷和套利 [11] 以及在偏远或关键场所支撑微电网稳定性的关键 [12]。然而，对这些多兆瓦装置实际可用容量的实时洞察仍然难以捉摸，导致过于保守的调度、电池加速退化以及系统成本膨胀 [[13], [14], [15]]。

健康状态（SoH）量化了可用容量的下降，通常定义为其当前最大容量与其额定容量之比 [16]。其实时缺失削弱了现代电网智能 [17]。日前和实时最优潮流求解器依赖于准确的容量约束来平衡供需 [18,19]。感知退化的模型预测控制策略需要分钟级的健康指标来定制循环剖面并缓解加速老化 [20,21]。强化学习调度算法利用 SoH 反馈在资产寿命期内优化奖励函数 [22,23]。市场投标平台同样依赖于精确的剩余能量估计来设定具有竞争力且可靠的报价 [12,24,25]。资产管理者缺乏连续的 SoH 可见性，无法预测维护窗口或主动重新平衡电芯串，导致非计划停机和服务寿命缩短 [20]。这种不匹配也使二次利用策略复杂化并需要更大的旋转储备 [21]。

电化学和等效电路模型长期以来支撑着 SoH 估计工作——提供可解释性但受限于难以承受的复杂性或较差的可扩展性——因此该领域越来越多地转向机器学习方法，以适应噪声大、大规模的现场数据 [13,17,26]。数据驱动 SoH 估计的当前实践依赖于周期性离线校准或手工特征回归——这些方法最初是为消费电子或 EV 环境设计的，其中数据干净且检索可控 [[27], [28], [29], [30], [31]]。经验和半经验老化定律，以基于阿伦尼乌斯的衰减公式为典型，可以将显式退化动力学直接嵌入优化约束，但忽视了现实世界 BESS 退化路径的广泛可变性，并且需要完美、不间断的数据记录 [[32], [33], [34], [35], [36]]。Lam 等人 [37] 分析了长期日历老化数据集，并观察到应用阿伦尼乌斯和幂律公式时预测误差长达 103 周。基于特征的机器学习模型从原始运行数据中提取手工设计的统计或电化学指标——例如电压弛豫时间常数、等效内阻或差分电压指标——然后在这些预选特征上训练回归器 [29,[38], [39], [40], [41]]。虽然这种范式避免了连续记录的需要并嵌入了一定程度的电化学可解释性，但由于两个根本原因，它在现实世界 BESS 条件下表现不佳。首先，大规模现场数据集表现出巨大的可变性和噪声，由异构安装环境、高度不均匀的循环剖面和传感器漂移驱动；因此，事件触发特征变得不可可靠，信噪比太低，无法区分真正的退化特征和瞬态异常 [42]。其次，“触发”事件的发生和质量——例如干净的电荷弛豫序列——在实践中无法保证，导致特征可用性稀疏或不均匀，并迫使进行广泛的数据整理 [43,44]。因此，这些手工特征在不同系统和季节间表现不一致，并且难以泛化到设计时的特定运行环境之外 [44]。为了克服这些局限性，该领域迫切需要一种端到端、特征无关的 SoH 估计范式，能够从手持设备扩展到多兆瓦装置——将 SoH 从定期实验室检查转变为连续的、边缘就绪的智能。

最近的研究继续推动电池建模和管理从受控的实验室环境走向现实世界现场运行、资产再利用、安全分析和数据驱动智能，从而激发了在异构运行条件下仍然有效的 SoH 估计方法的需求。Zhou 等人 [45] 开发了一种利用电动汽车大规模云充电数据的数据驱动容量估计方法，证明了在现实运行条件下电池健康评估的可行性。Gao 等人 [46] 调查了超过 100 个退役日产 Leaf 电池组，证明了它们在电池储能系统中的巨大二次生命潜力，为长期退化轨迹、剩余使用寿命和再利用锂离子电池的经济可行性提供了宝贵见解。Gupta 等人 [47] 开发了一个经验证实验的模拟框架，用于无负极电池的内短路分析，为电池故障、热失控和安全评估的机制提供了宝贵见解。Park 等人 [48] 开发了一个基于微观结构的锂离子电池模块数字孪生热电化学模型，能够高保真地预测热行为并改善模块级电池安全和热稳定性评估。Liu 等人 [49] 提出了一种基于 Vision Transformer 的迁移学习框架，用于锂离子电池系统的多类型故障诊断，证明了 Transformer 架构在捕捉复杂电池运行特征和增强系统可靠性方面的有效性。Zhou 等人 [50] 开发了基于机器学习的电池寿命管理框架，在真实车辆运行条件下，通过整合退化机制和基于学习的方法，提高了数据驱动退化建模的可解释性、鲁棒性和可迁移性。总而言之，这些工作突显了具有物理意义、数据驱动和现场部署的电池分析日益增长的重要性，并为本研究提供了自然基础，本研究专注于长期住宅 BESS 现场数据的语义引导 SoH 估计。

我们通过一个现场就绪的、端到端的深度学习框架填补了对连续、实时 SoH 可见性的关键需求，该框架摒弃了手工特征工程。其核心是一个轻量级 Transformer 编码器，它摄入最近 24 小时的原始电流、电压和温度数据——包括全天窗口和优化选择的充放电片段——并通过反映电池化学特性和季节运行模式的显式语义嵌入进行处理，如图 1 所示。这些嵌入引导注意力机制直接从时间序列数据中学习领域感知信号（粗略循环、充电和放电阶段），使网络能够推断复杂的退化行为而无需手工指标。完全集成的流程仅依赖本地测量提供秒级 SoH 估计，无需依赖离线校准或外部触发。我们在一个包含八年现场数据集上训练和验证模型，该数据集由十个系统组成，由四种不同的电芯化学体系和变化的串并联配置构建。通过将 SoH 估计从特征触发回归转变为连续的、边缘就绪的智能，我们的方法将高精度健康指标输入到动态容量约束、感知退化的控制方案和自动化市场投标平台中——从而延长电池寿命，降低运营成本，并解锁更有效的可再生能源集成。

章节片段
数据集预处理
本研究使用亚琛工业大学 RWTH 的“家庭储能系统多年现场测量及其在容量估计中的应用”数据集 [42] 进行模型开发和评估。选择了十个住宅 BESS 单元作为训练、验证、测试数据集，跨越八年的连续运行，按正极化学体系分组（见表 S1 更多详情）。这些系统涵盖四种主要正极化学体系——锂锰氧化物（LMO）、Ni-Co-Mn（NMC）（包括富镍

结论
我们提出并验证了一种用于住宅光伏耦合 BESS 的现场就绪、端到端深度学习范式，直接解决了 BESS 部署中对连续、实时 SoH 可见性的迫切需求。通过仅摄入最近一天本地存储的电流、电压和温度测量值，我们的模型消除了手工特征提取和周期性离线校准的需要。该模型基于 RWTH 现场数据中的十个真实世界住宅 BESS 部署进行训练和评估...

数据预处理
为了确保从时间序列输入到健康状态（SoH）的映射一致学习，原始电流和电压信号被转换为无量纲乘数，以相对于每个系统的额定容量和电压进行归一化。时刻 t 的电流乘数 It 和电压乘数 Vt 计算如下
It=itCnorm,Vt=vtVnorm,
其中 it 和 vt 表示瞬时电流和电压，Cnorm 和 Vnorm 是系统的额定容量和电压。然后校准容量为

CRediT 作者贡献声明
向悦：概念化，数据整理，形式分析，调查，方法论，资源，软件，验证，可视化，撰写 – 初稿，撰写 – 审阅与编辑。宋自由：概念化，调查，项目管理，资源，监督，撰写 – 审阅与编辑。Dipti Srinivasan：概念化，资金支持，项目管理，资源，监督，撰写 – 初稿，撰写 – 审阅与编辑。

数据和代码可用性
本研究产生的数据可通过联系人根据合理请求获取。本研究产生的代码可通过 https://github.com/StevenSchan/paper01_publish.git 获取。

竞争利益声明
作者声明，他们没有任何已知的竞争经济利益或个人关系，可能会影响本论文报告的工作。

致谢
我们感谢新加坡国立大学中央高性能计算设施对本研究计算工作的部分支持。

向悦 | 宋自由 | Dipti Srinivasan