NEC锂电池产品分类
大规模储能系统中在线电池荷电状态估计的改进混合深度学习建模策略述评
发布时间：2026-06-02 10:14:31 点击： 次
在大规模储能系统(ESS)中，锂离子电池的荷电状态(SOC)精确估计对其安全、高效及长寿命运行至关重要，尤其是在高度动态和多尺度耦合的运行工况下。本文综述了面向ESS应用的混合深度学习SOC估计方法，系统梳理了从单体电池层面到系统级协同估计架构的研究进展。首先，总结了传统模型驱动与数据驱动SOC估计方法的基本原理及固有局限。随后详细阐述了混合深度学习的三大技术路线：面向结构化建模的物理信息嵌入方法、时空特征融合架构以及优化增强机制。此外，本文深入探讨了从单电池状态估计扩展到大规模储能系统（ESSs）过程中面临的关键挑战，并分析了混合深度学习与云边协同计算架构在缓解这些挑战中的作用。最后，研究明确了阻碍混合深度学习荷电状态（SOC）估算器工程化部署的核心瓶颈，并规划了未来研究方向。本综述旨在为具有高可靠性的新一代电池管理系统及可扩展储能系统应用提供理论洞见与技术指导。
引言
传统的SOC估计方法包括安时积分法(Ah Counting)、开路电压法(Open Circuit Voltage, OCV)和等效电路模型法(Equivalent Circuit Model, ECM)[[11], [12], [13]]。然而这些方法在复杂的实际应用中面临显著瓶颈，特别是在高度动态变化的应用场景以及电池老化后期，传统方法的鲁棒性和适应性往往不足。此外，SOC无法直接测量，需要通过电压、电流和温度等外部变量进行间接估计[14,15]，这在三方面存在困难。
- (1)
强非线性动态特性：锂离子电池因其高能量密度、低自放电率和环境友好性被广泛应用于电动汽车（EVs）。然而，由温度和老化状态变化引起的电池非线性动态特性会严重影响状态估计精度，且电池开路电压（OCV）受温度和老化程度的影响显著[16,17]。由于温度与老化过程表现出的强非线性动态特性，锂电池会显著影响OCV和状态估计的准确性。例如，三元锂离子电池在-10°C至45°C温度范围内的开路电压（OCV）偏差率可达12%[18]。 - (2)
多时间尺度耦合：电池对工况变化的响应涉及多时间尺度的耦合作用，这显著增加了荷电状态（SOC）估计的复杂性。例如，放电电流的突变会引起内部极化电阻的变化，而该响应往往表现出显著的时间滞后性[19,20]。Fan等人[21]进一步证实，由电流变化引发的极化电阻响应存在分钟量级的延迟，并伴随持续较长的热扩散过程。这表明电池行为同时包含快速电动态（如电压极化）与慢速热过程。因此，有效的SOC估计方法必须能够同步捕捉快速瞬态响应与长期慢漂移行为。 - (3)
数据噪声干扰：测量噪声（尤其是非高斯噪声）的存在会显著降低传统SOC（State of Charge）估计算法的性能，例如扩展卡尔曼滤波（EKF）[22,23]。Zhao等[24]的研究表明，当外部传感器精度不足时，基于标准EKF的SOC估计误差会大幅增加。特别是在动态运行工况下，误差可能超过实际值的3%，某些情况下甚至可达5%左右。这也是实际应用中必须解决的关键瓶颈之一。
为克服传统基于模型的方法在上述复杂工况下的局限性，融合时空特征提取与自适应机制的混合深度学习架构已成为重要研究方向。通过协同利用多重网络结构和学习策略的互补优势，此类模型旨在实现更高的估计精度、更强的鲁棒性以及更优的泛化能力[25,26]。然而在大规模储能系统中，荷电状态估计的挑战性显著增加。此类系统通常由数千个电池单体或模组构成，由此引发显著的电池不一致性、复杂串并联耦合效应、系统级热管理问题以及动态变化的负荷分配[27]。此外，大规模储能系统常需与电网或可再生能源系统协调运行，这对荷电状态（SOC）估算方法的可扩展性、实时性及协同控制能力提出了更严格的要求[28]。
因此，本综述系统性地梳理了混合深度学习在锂离子电池荷电状态(SOC)估计中的最新进展，追溯了从单体级别算法到系统级别应用的技术演进路径。重点阐明了核心混合建模方法的技术原理与发展脉络，进而分析了这些方法在大规模储能系统中部署时面临的关键工程挑战及相应的协同控制框架。最后，对未来的研究方向进行了展望。本综述旨在为开发具有高可靠性、可扩展性和智能化的下一代电池管理系统提供理论洞见与实践指导。
标签: