本文发表在《全球能源互联网》2022年第1期“以新能源为主体的新型电力系统关键技术与装备”专题，欢迎点击品读。受浙江省电力公司科技项目与国家重点研发计划项目资助。

锂电池具有能量比高、循环寿命长和自放电率低等特点，在电网中作为储能电站的常用储能形式得到了广泛应用。但随着锂电池的老化，锂电池内阻增加，热失控等风险增大，发生爆炸的可能性增大，而能量管理系统能够通过荷电状态（state of charge, SOC）与健康状态（state of health, SOH）确保电池处于安全工作范围内。为实现SOC与SOH联合预测，本文从机理和数据角度分析了预测电压与表面温度的必要性，并分析了SOC与SOH的关联性。为提高预测精度，本文将锂电池储能装置电压、电流、表面温度、SOC与SOH的历史运行数据作为特征量，并提出采用LSTM来预测锂电池储能装置电压与表面温度在后续循环中的变化。在电压与温度预测值的基础上，通过LSTM深度学习网络来联合预测SOC与SOH在后续循环中的趋势。

1）分析了预测锂电池储能装置电压与温度的必要性和SOC与SOH的关联性；

2）所提出的预测方法在预测电压与温度变化时精度更高，并基于预测后续循环中的电压、温度曲线与充放电电流曲线，实现SOC和SOH的同时预测；相较于荷电状态的单独预测，提出的方法能够以较高的精度联合预测SOC和SOH。

锂电池储能装置的电压、电流与温度是估计锂电池储能装置SOC和SOH的必要信息，经过对锂电池储能装置实测数据的分析，发现由于锂电池储能装置采取固定的恒流–恒压充放电方式，充放电过程中的电流曲线相对稳定，而电压与温度曲线随着锂电池储能装置的老化，会出现较大的变化。

SOC与SOH存在较强的关联性，且随着锂电池老化程度的增加，SOH对SOC的影响逐渐增加。相较于单独预测，对SOC与SOH进行联合预测能够提高预测精度。图2是SOH为76%时，考虑SOH影响与不考虑SOH影响时锂电池储能装置SOC的变化曲线。

由于锂电池状态量具有长时依赖性，储能装置的SOC、U、I、T以及SOH均与锂电池的电压与温度有较强的关联性。故选取SOC、U、I、T以及SOH的历史运行数据作为输入，输出则为待预测循环过程中的电压与温度曲线。锂电池电压与温度曲线预测如图3所示。预测结果为未来10个循环中电压与温度曲线。预测模型包括LSTM模型、小波神经网络、BP神经网络模型。为比较3种预测模型的预测效果，对预测曲线进行了局部放大。由图3（b）和图3（d）中的局部放大图与表1可知，LSTM模型的预测结果与实际值更为接近，证明了LSTM模型的预测精度高于小波神经网络和BP神经网络的预测精度。

⬇ 表1 预测模型的RMSE和MAE

基于预测后续循环中的电压、温度曲线与充放电电流曲线，实现SOC和SOH的同时预测，根据图4的局部放大图与表2可知，本文所提出的SOC和SOH联合预测方法比SOC单独预测时精度更高。

⬇ 表2 SOC与SOH预测模型的RMSE和MAE

 研究团队