改进的聚类多模态特征分解用于能源存储电站大容量CTM蓄电池的多时间尺度终端电压表征、边缘计算性能评估和退役预测
发布时间：2026-07-15 10:42:52 点击： 次
针对大规模储能电站中储能单元数据维度复杂、缺乏储能性能评价体系以及传统评价方案计算成本过高等关键问题，本文基于“云-大计算-本地-小计算”的协作架构，提出了适用于大规模储能电池的综合性能评价方法及标准，即Clustering-Multimodal Feature Decomposition (C-MFD)算法。C-MFD算法以易于收集的电池端电压作为核心特征指标。通过聚类分析，实现了储能电池簇的特征分组，突破了单一评价标准的应用限制。并完成具有相同特征参数的电池组的有针对性的定量评估。为了验证所提出方案的有效性，选择了500块Kirin电池，并在三种情况下进行了15种循环充放电实验：实验室宽温环境、大规模储能应用和智能电网场景。实验结果表明，C-MFD算法可以在1分钟内初步确定电池输出功率差异，MRD为0.68%；在一个放电周期内准确诊断电池性能退化程度，MRD为0.19%；并在一个维护周期内完成电池退役等级判断，MRD为0.14%。C-MFD算法显著降低了BMS的计算负荷，并能直观准确地定量评估电池输出性能。为大规模储能电池的安全应用提供了科学的定量依据，为电池梯次利用提供了关键的技术支持，显著提高了储能电站的运行安全性和资源利用价值。
作为全球能源转型的关键推动力，储能产业近年来表现出指数级增长趋势。截至2025年6月，中国电力安委会的20家会员企业共投运了190座新型电化学储能电站，总装机容量为13.66吉瓦/33.75吉瓦时，比2024年底增长了22%。这一增量相当于全国新增装机容量的4.66%和新增可再生能源装机容量的5.07%。截至6月底，中国累计投运的储能电站数量已达到1663座，总装机容量为75.79吉瓦/175.12吉瓦时[1]。回顾过去五年的发展轨迹，电化学储能从2021年的利基领域逐渐发展成为电力系统的重要组成部分 [2], [3], [4]。总功率和总能量规模都实现了跨越性增长，它们在电力供应和可再生能源装机容量中的比例也稳步增加，显示出储能行业发展的强大韧性。
然而，2025年全球储能行业在安全事件的背景下开始了一轮“繁荣”。根据不完全统计，2025年上半年全球报道了超过12起储能事故，造成了巨大的财产损失。这些事故分布在三个大洲，呈现出多点爆发的趋势。随着电化学储能行业的快速发展，相应的支持安全技术措施也应得到及时改进[5], [6], [7]。现有研究在电池故障诊断和预警方面取得了一定进展。参考文献[8]提出了一种基于混合神经网络结合局部离群因子的异常检测和预警策略。与传统的电池管理系统（BMS）相比，该方法可以分别将欠压、过压和温度异常的预警时间提前83.5分钟、4.5分钟和24.6分钟。然而，该方法依赖于复杂的混合模型和神经网络，这导致了高计算开销和显著的运行散热压力。因此，它仅适用于具有良好散热条件的场景，例如电动汽车。参考文献[9]提出了一种结合等效电路模型（ECM）和数据驱动模型的鲁棒故障诊断方法。它仅适用于具有良好散热条件的场景，例如电动汽车。参考文献[9]提出了一种结合等效电路模型（ECM）和数据驱动模型的鲁棒故障诊断方法。它仅适用于具有良好散热条件的场景，例如电动汽车。参考文献[9]提出了一种结合等效电路模型（ECM）和数据驱动模型的鲁棒故障诊断方法。
该方法有效解决了单颗电池缺乏参考信号的诊断挑战，实现了“误诊断抑制-真实故障增强”的智能平衡，并显著缩短了电池短路故障的警告延迟。然而，该方法仅适用于单颗电池的短路故障，对于大规模储能电池组的工程适用性不足；其在电池组系统中的可扩展性仍需进一步验证。参考文献[10]基于Transformer的两阶段对抗训练，构建了一个端到端的故障检测与早期预警框架。采用无监督架构，该框架仅将单颗电池电压作为输入，通过结合极值理论动态确定自适应阈值。并融合电压和温度信息来量化电池安全风险。通过少量故障电动汽车的测量数据验证，该模型仅需4天的正常历史数据进行训练，即可实现0.095的低假阳性率。它可以实现对渐变故障的小时级早期预警和对突发故障的秒级响应。然而，该方法仅支持对电池组中所有单个电池的实时监控，难以准确识别整个电池组中的多种故障类型。其在大规模储能电站场景中的迁移和适应能力也有限。参考文献[11]设计了一个多任务联合网络，通过双分支结构同步完成电池异常诊断和一致性评估：一种分支采用无监督编解码器结构，仅使用健康数据实现不一致性识别；另一种分支嵌入离散余弦变换层进行降噪，并通过分类器完成异常诊断，平均诊断准确率为99.78%。然而，该方法主要关注在单一工作条件下电池组中单个电池一致性的监控，动态工作条件下泛化能力有限，并且联合故障诊断的准确性还有待提高。然而，该方法主要关注在单一工作条件下电池组中单个细胞一致性的监测，动态工作条件下泛化能力有限，并且联合故障诊断的准确性还有待提高。然而，该方法主要关注在单一工作条件下电池包中单个电池一致性监测，动态工作条件下泛化能力有限，并且联合故障诊断的准确性还有提升空间。
总结来说，现有的大多数算法并不是为大规模储能系统中的实际场景设计的。它们通常表现出高计算开销、严格的散热要求、有限的故障诊断维度和对动态运行条件的适应性不足。此外，它们大多局限于在电池或电池组级别进行故障检测和状态监测，缺乏对电池组整体运行条件的直接感知和综合安全评估能力。因此，这些方法难以适应当前大规模储能电站的工程部署要求 [12], [13], [14]。C-MFD算法基于储能电池电压差的表征，对储能电池性能评估[15]和退役趋势预测[16]进行综合评估。根据储能电池由于其运行环境[18]、充放电循环次数[19]以及本体制造差异[20]、[21]、[22]、[23]、[24]的特点，对储能电池的特性进行批量聚类。依靠边缘计算完成大数据[25]、[26]、[27]的集中处理和分析，然后向相应的聚类组发布自适应电压参考曲线，构建“基于云的大规模计算和本地的小规模计算”的协作评估架构；每个储能单元的车载BMS只需要在本地完成实际运行数据与参考曲线之间的差值计算，并通过差值的累积分析实现对电池性能的准确评估。该方法基于储能电池的特征分类进行差异评估，突破了单一表面参数评估的局限性，能够更好地拟合电池的实际运行状态，有效提高储能电池性能评估的准确性和可靠性。并通过对差值进行累积分析，实现对电池性能的准确评估。该方法基于储能电池的特征分类进行差异评估，突破了单一表面参数评估的局限性，能够更好地拟合电池的实际运行状态，有效提高储能电池性能评估的准确性和可靠性。并通过对差值进行累积分析，实现对电池性能的准确评估。该方法基于储能电池的特征分类进行差异评估，突破了单一表面参数评估的局限性，能够更好地拟合电池的实际运行状态，有效提高储能电池性能评估的准确性和可靠性。
介绍
然而，2025年全球储能行业在安全事件的背景下开始了一轮“繁荣”。根据不完全统计，2025年上半年全球报道了超过12起储能事故，造成了巨大的财产损失。这些事故分布在三个大洲，呈现出多点爆发的趋势。随着电化学储能行业的快速发展，相应的支持安全技术措施也应得到及时改进[5], [6], [7]。现有研究在电池故障诊断和预警方面取得了一定进展。参考文献[8]提出了一种基于混合神经网络结合局部离群因子的异常检测和预警策略。与传统的电池管理系统（BMS）相比，该方法可以分别将欠压、过压和温度异常的预警时间提前83.5分钟、4.5分钟和24.6分钟。然而，该方法依赖于复杂的混合模型和神经网络，这导致了高计算开销和显著的运行散热压力。因此，它仅适用于具有良好散热条件的场景，例如电动汽车。参考文献[9]提出了一种结合等效电路模型（ECM）和数据驱动模型的鲁棒故障诊断方法。它仅适用于具有良好散热条件的场景，例如电动汽车。参考文献[9]提出了一种结合等效电路模型（ECM）和数据驱动模型的鲁棒故障诊断方法。它仅适用于具有良好散热条件的场景，例如电动汽车。参考文献[9]提出了一种结合等效电路模型（ECM）和数据驱动模型的鲁棒故障诊断方法。
该方法有效解决了单颗电池缺乏参考信号的诊断挑战，实现了“误诊断抑制-真实故障增强”的智能平衡，并显著缩短了电池短路故障的警告延迟。然而，该方法仅适用于单颗电池的短路故障，对于大规模储能电池组的工程适用性不足；其在电池组系统中的可扩展性仍需进一步验证。参考文献[10]基于Transformer的两阶段对抗训练，构建了一个端到端的故障检测与早期预警框架。采用无监督架构，该框架仅将单颗电池电压作为输入，通过结合极值理论动态确定自适应阈值。并融合电压和温度信息来量化电池安全风险。通过少量故障电动汽车的测量数据验证，该模型仅需4天的正常历史数据进行训练，即可实现0.095的低假阳性率。它可以实现对渐变故障的小时级早期预警和对突发故障的秒级响应。然而，该方法仅支持对电池组中所有单个电池的实时监控，难以准确识别整个电池组中的多种故障类型。其在大规模储能电站场景中的迁移和适应能力也有限。参考文献[11]设计了一个多任务联合网络，通过双分支结构同步完成电池异常诊断和一致性评估：一种分支采用无监督编解码器结构，仅使用健康数据实现不一致性识别；另一种分支嵌入离散余弦变换层进行降噪，并通过分类器完成异常诊断，平均诊断准确率为99.78%。然而，该方法主要关注在单一工作条件下电池组中单个电池一致性的监控，动态工作条件下泛化能力有限，并且联合故障诊断的准确性还有待提高。然而，该方法主要关注在单一工作条件下电池组中单个细胞一致性的监测，动态工作条件下泛化能力有限，并且联合故障诊断的准确性还有待提高。然而，该方法主要关注在单一工作条件下电池包中单个电池一致性监测，动态工作条件下泛化能力有限，并且联合故障诊断的准确性还有提升空间。
总结来说，现有的大多数算法并不是为大规模储能系统中的实际场景设计的。它们通常表现出高计算开销、严格的散热要求、有限的故障诊断维度和对动态运行条件的适应性不足。此外，它们大多局限于在电池或电池组级别进行故障检测和状态监测，缺乏对电池组整体运行条件的直接感知和综合安全评估能力。因此，这些方法难以适应当前大规模储能电站的工程部署要求 [12], [13], [14]。C-MFD算法基于储能电池电压差的表征，对储能电池性能评估[15]和退役趋势预测[16]进行综合评估。根据储能电池由于其运行环境[18]、充放电循环次数[19]以及本体制造差异[20]、[21]、[22]、[23]、[24]的特点，对储能电池的特性进行批量聚类。依靠边缘计算完成大数据[25]、[26]、[27]的集中处理和分析，然后向相应的聚类组发布自适应电压参考曲线，构建“基于云的大规模计算和本地的小规模计算”的协作评估架构；每个储能单元的车载BMS只需要在本地完成实际运行数据与参考曲线之间的差值计算，并通过差值的累积分析实现对电池性能的准确评估。该方法基于储能电池的特征分类进行差异评估，突破了单一表面参数评估的局限性，能够更好地拟合电池的实际运行状态，有效提高储能电池性能评估的准确性和可靠性。并通过对差值进行累积分析，实现对电池性能的准确评估。该方法基于储能电池的特征分类进行差异评估，突破了单一表面参数评估的局限性，能够更好地拟合电池的实际运行状态，有效提高储能电池性能评估的准确性和可靠性。并通过对差值进行累积分析，实现对电池性能的准确评估。该方法基于储能电池的特征分类进行差异评估，突破了单一表面参数评估的局限性，能够更好地拟合电池的实际运行状态，有效提高储能电池性能评估的准确性和可靠性。