来源：《中国电力》2024年第11期
引文：夏向阳, 谭欣欣, 单周平, 等. 储能电站锂离子电池本体安全关键技术及新技术应用情况[J]. 中国电力, 2024, 57(11): 1-17.
随着新能源的开发利用以及“碳达峰·碳中和”的持续推进，电力系统正在经历着重大变革，以火力发电为主的传统能源逐渐向以新能源为主的方向转型。同时，光伏发电、风力发电的间歇性推进了电池储能技术的发展。锂离子电池储能因寿命长、能量密度高和充放电速度快等特点，已然成为大规模电力储能中最具竞争力的技术之一。《中国电力》2024年第11期刊发了夏向阳等撰写的《储能电站锂离子电池本体安全关键技术及新技术应用情况》一文。文章探讨了现有电池状态评估技术的新研究热点。从基于碎片数据实现电池状态的有效评估、边缘计算与智能巡检3个方面对电池运行状态评估技术展开分析；从计及电池参数变化的系统稳定性研究与储能系统多目标控制2个方面对储能控制技术展开分析。
“双碳”目标的提出和能源电力低碳转型的持续推进，以新能源为主体的新型电力系统面临着规模化安全高效储能等能源问题的重要挑战。在这一背景下，储能电站作为能源系统中关键的组成部分，其安全管理尤为重要，直接关系到整个电力系统的稳定运行和可持续发展。针对锂离子电池本体安全管理的研究现状展开深入分析，首先，系统回顾了当前广泛应用的各类电池健康评估方法，并详细总结了数据驱动方法中健康因子的选择；其次，从基于数据碎片评估电池状态、电池边缘平台构建与储能电站智慧巡检3个方面出发，探讨了现有电池状态评估技术的最新研究热点，指出储能安全评估未来的发展方向和关键挑战；最后，总结储能电站的安全控制技术，针对计及电池参数变化的系统稳定性与储能系统多目标控制问题提出了相关见解。电化学阻抗法是将正弦电压信号注入电极，通过计算激励电压与响应电流的比值来确定电池在不同频率下的阻抗，如图1所示。
![]()
Fig.1 The results of electrochemical impedance method
随着循环次数的增加，电池内部的物理和化学特性会发生变化，这些变化可以通过电化学阻抗谱中的阻抗值来反映，如欧姆内阻会随着老化而升高，则电化学阻抗谱曲线高频区域的阻抗实部增大，导致曲线整体会向右移动。因此，电化学阻抗谱曲线是可以直接反映电池状态的。常用的等效电路模型有Rint等效电路模型、Thevenin等效电路模型、二阶RC等效电路模型、PNGV等效电路模型、GNL等效电路模型，如表1所示。同时，采用多种自适应方法滤波器，包括扩展卡尔曼滤波器、H∞观测器和粒子滤波法，以准确识别等效电路模型的内部特征参数。文献[17]提出了一种基于动态等效电路模型的电池SOH估计方法，利用非线性最小二乘曲线拟合来近似模型参数，在降低计算复杂度的同时捕捉SOH的动态变化。文献[18]以电池的Thevenin模型为基础应用自适应无迹卡尔曼滤波辨识时变电池系统的欧姆内阻，利用估计内阻的方式估计电池SOH，具有很好的实用性。文献[19]引入了一种多时间尺度变阶等效电路模型。
Table 1 Battery Model Description![]()
基于上述分析可知，电池在使用过程中会逐渐老化，这会导致等效电路模型参数随时间发生变化。例如电池的欧姆内阻反映电池内部电解液的减少和离子传输阻力的增大，随着电池老化，欧姆内阻呈现升高趋势；极化电阻电池的极化电阻反映了电池在充放电过程中的电荷转移阻抗，随着电池老化，极化电阻呈现升高趋势。因此，等效电路模型参数的变化可以作为电池老化的指标，通过监测这些参数随时间的变化，可以推断电池的SOH。在过滤属性数据并构建健康因子作为模型算法的输入后，选择合适的机器学习算法至关重要。常用的算法包括支持向量回归、高斯过程回归、长短期记忆、极限学习机、神经网络等，数据驱动法架构如图2所示。
![]()
Fig.2 The structure of he data-driven methods
健康因子作为数据驱动模型的输入量，为模型提供了电池健康状况的直观和定量的描述，从而使模型能够更准确地进行状态监测、故障诊断和寿命预测。通过结合健康因子，数据驱动模型能够提高其预测的准确性和可靠性，实现对电池性能和寿命的有效管理。因此，数据驱动模型的构建离不开电池健康因子的有效筛选。现有文献对于健康因子的选取多从电池外特性参数进行，以根据恒流放电过程为例，该过程可分为放电初始阶段、放电稳定阶段、放电结束阶段和放电恢复阶段，每个阶段都表现出一定的健康特征。图3显示出放电过程中的电压骤降，其主要原因是随着电池老化，电阻会逐渐增大，进而导致明显的电压下降。
![]()
Fig.3 The change trend of sharp voltage drop
同时，放电过程中存在稳定的电压下降幅值，该电压降主要是由电池极化电阻引起的，如图4所示。随着电池老化，电压降的幅度会逐渐增大。因此，压降幅度可作为评估电池健康状况的健康因子。
![]()
图4 电压缓慢下降的变化趋势
Fig.4 The change trend of slow voltage drop
根据恒流充电过程，电池充电到截止电压所需的时间会随着电池老化而减少，如图5所示。因此，特定电压段的变化率可用作健康因子。
![]()
Fig.5 Schematic diagram of voltage change rate
电池逐渐老化时，充电达到截止电流所需的时间会缩短，如图6所示。因此，特定的电流段变化率可用作评估电池老化的健康因子。
![]()
Fig.6 Schematic diagram of current change rate
恒流充电时间和恒流放电时间是与电池容量密切相关的常用指标，如图7所示，恒流时间会随着电池的老化而显著减少，可被视为健康因子。
![]()
Fig.7 The change trend of constant-current charge/discharge time
随着电池老化，欧姆内阻和极化电阻会增加，电池在充电过程中达到最高温度所需的时间会迅速缩短，如图8所示。因此，达到电池最高温度所需的时间可用作评估电池老化程度的健康因子。
![]()
Fig.8 The change trend of time required to reach the maximum temperature
在充电或放电过程中，电池会逐渐老化和退化，导致欧姆内阻和极化内阻增加，最高温度升高，如图9所示。因此，充电或放电过程中的最高温度可作为电池老化的健康因子。
![]()
Fig.9 The change trend of maximum temperature
随着电池老化，其最高温度会逐渐升高，如图10所示。因此，特定温度段的变化率可用作评估电池老化的健康因子。
![]()
Fig.10 Schematic diagram of temperature change rate
1.2 电池不一致性分析
在实现有效电池状态评估的前提下，随着储能电站规模化，电池不一致问题日益受到关注。锂离子电池组内部的不一致性主要表现在2个方面。1）电池在生产过程中，如电极制造、组装过程中，会出现细微的误差，从而导致电池本身的不一致性。电池容量、电池状态、电池性能和电池寿命等方面不可避免地存在差异。即使是同一批电池芯，在充电、内阻和自放电方面也会存在差异。组装过程也会造成接触点内阻的差异。2）使用过程中出现电池参数不一致。由于电池的位置和散热环境不同，它们的温度也会不同。此外，传播机制具有相关性和交叉依赖性。电池长期工作在复杂的充放电条件下，不同的电流、温度和放电深度会加剧初始参数的不一致性，从而加速电池老化。在储能电站中，为了满足储能系统的电压水平和容量要求，必须连接串联和并联电池。监测电池、电池组和电池堆之间的不一致性比监测单体电池的健康状况更为重要。储能设备老化程度的不一致性会增加过充电、过放电和热失控的可能性，从而导致不可逆转的安全事故。现有电池不一致分析研究方法如图11所示。
![]()
Fig.11 Comprehensive evaluation method for consistency
1）文献[22]从端电压的角度，使用基于图案距离的电压差来检测电池之间的不一致性。文献[23]采用K-means算法进行电压一致性评估。2）从温度的角度来看，文献[24]认为温度不均匀会导致电池组不一致，影响其性能，并提出了合适的工作环境温度。文献[25]根据锂电池组散热过程的个体差异，设计了一种散热性能良好的电池组。文献[26]提出了电池充电热行为的一致性表征指标。3）从阻抗的角度来看，文献[27]根据电化学阻抗谱曲线实现了电池分类。4）文献[28]从电量的角度提出一种基于电池簇放电电量的电池堆不一致性在线监测方法，定量分析了电池堆与电池簇放电电量的对应关系。5）文献[29]从多个对象角度出发，选择容量、充电状态和电阻作为电池组的一致性参数。文献[30]采用电压、温度、内阻、容量和电量5个指标来计算一致性得分。文献[31]选择容量、内阻和开路电压等作为电池一致性参数。目前，储能电池不一致检测方法可分为统计学分析法、机器学习分析法、多特征加权法等。文献[32]应用标准差来评估电压和容量的一致性。基于3−σ准则的异常检测算法，通过比较每个电池的评分结果来识别和定位微故障电池。文献[33]基于统计分布的离群点检测方法对整组电池的单体电压数据进行计算分析，辨识出电池组一致性状态、较极端单体及其异常原因与极端程度。制造误差和使用环境的不同导致电池单体存在不一致性，准确估计某一单体电池的SOC变得困难，文献[34]融合电池组模型和聚类算法，提出一种锂离子电池组荷电状态（state of charge，SOC）不一致估计方法。文献[35]基于电池产线大数据，从电池分容阶段的电压曲线提取关键动态特征，形成了基于K-means聚类的电池分选方法，并从电池分容后的回充阶段提取了用于评估电池性能一致性的指标，并设计了一个以指标标准差为核心的电池一致性评价方法。单一特征很难全面描述电池组的真实性能状态。为了克服这些问题，基于多特征加权的电池组一致性评价方法成为近年来的研究热点。文献[36]基于电动汽车的运行数据，探索了表征电池组一致性的静态和动态参数，并结合熵权法分配特征权重。文献[37]提出了一种基于多特征权重的电池组一致性评价方法。为了更好地捕捉电池性能状态，文献[38]提取了增量容量曲线上的特征，通过分析层次过程法建立了多特征加权一致性模型。
在实际应用中，电池的操作数据有时不足，因此很难获得其性能的真实描述。因此，许多学者使用数据段来评估电池状态。基于目前的研究现状，本文从经验拟合模型（empirical fitting mode，EFM）和机器学习模型（machine learning mode，MLM）的角度提出了2种能力评估方法。对于EFM，整个历史数据包含关键信息，例如恒流放电阶段电压突降，该幅值间接反映了电池的欧姆内阻。通过拟合大量历史数据，可以建立电压突降幅值和相应容量的经验拟合模型，如图12所示。如果现有的碎片数据包含这一特征，则可以将电压突降幅值纳入经验模型中，以估计电池的容量，从而进行状态评估。
![]()
Fig.12 Empirical fitting model based on voltage
对于MLM，基于大量历史数据集，如电流数据集{I1, I2, ···, In}（n为数据总量）、电压数据集{U1, U2, ···, Un}与温度数据集{T1, T2, ···, Tn}，构建相应的神经网络模型。以电压数据集为例，基于是否包含重要老化信息为标准，形成恒流充电过程中不同电压范围的数据集{D3.8~3.9 V, D3.9~4.0 V, D4.0~4.1 V, D4.1~4.2 V,}，并从上述电压范围的历史数据集中，提取健康因子![]()
及其该循环圈数下的剩余容量，以构建不同电压范围的神经网络模型；之后，通过数据补充手段将现有的数据片段{u1, ···, uq}（q为现有数据片段的数据点个数）补充到包含上述分段数据最多的电压区间，并从补充后的完整电压数据中提取健康因子{kv1, kv2}；最后，将这些健康因子作为相应电压范围神经网络模型中的输入量以实现该循环圈数下的容量预测，进而实现健康状态的评估，整体结构如图13所示。
![]()
Fig.13 Diagram of the proposed prediction remaining life based on machine learning model
同时，采用均方根误差（root mean square error，RMSE）、平均绝对误差（mean absolute error，MAE）与平均绝对百分比误差（mean absolute percentage error，MAPE）等指标来验证电池状态有效评估准确性。为了证明所提出EFM方法的有效性，以NASA公开的电池老化数据集为对象，由于容量再生现象的存在，对B0005电池35~165循环圈数下的瞬时压降Δu与剩余容量c进行采集，如图14所示。
![]()
图14 B0005电池35-165循环圈数下的瞬时压降与剩余容量采集结果
Fig.14 The sharp voltage drop and remaining capacity collection results of battery numbered B0005 under 35 to 165 cycles
基于35~159循环圈数下瞬时压降Δu与剩余容量c的历史老化数据构建拟合模型为进而通过第160~165循环圈数下的瞬时压降Δu来估计剩余容量，估计结果与误差如表2所示。
Table 2 Capacity estimation results and errors of EFM![]()
为了证明所提出MLM方法的有效性，同样以B0005电池35~165循环圈数下的老化数据为例，假设已知35~64循环圈数下所有电池老化数据，且仅知第165循环下电压为4.07~4.13 V的数据片段。首先，选择4.050~4.075 V的电压变化率kv1和4.075~4.100 V的电压变化率kv2作为健康因子。基于NASA的历史电池老化数据，获得大量健康因子的历史数据集![]()
![]()
以及相应的剩余容量{c35, c36,···, c164}，然后构建电压为4.05~4.10 V的GA-BP神经网络模型；接着，利用电压为4.07~4.13 V的片段数据，构建非线性拟合模型u(t)来补全电压为4.05~4.07 V的数据，即构建电压为4.05~4.10 V的完整电压数据，并选择4.050~4.075 V的电压变化率kv1和4.075~4.100 V的电压变化率kv2作为片段数据的健康因子；最后，将健康因子{kv1, kv2}作为构建的GA-BP神经模型的测试集，预测第165循环的剩余容量，预测结果与误差如表3所示。
Table 3 Capacity prediction results and errors of MLM![]()
由表2与表3可知，本文提出的基于数据片段来估计剩余容量的方法的误差指标均处于较低水平，证明了所提方法的可行性与有效性。随着大型储能电站的建设，电池的监测数据急剧增加。针对这一问题，储能电池边缘计算平台的建设应运而生。边缘计算是应对储能电池安全挑战的一项关键技术。具体而言，边缘计算涉及计算和数据处理，可实现更高效的电池管理和优化。与传统的云计算相比，边缘计算具有更高的实时性能，可以作为储能实际应用中很有前途的解决方案，如图15所示。同时，现有的边缘平台主要监测电池的外特性参数，并不注重内特性参数的监测，这导致在健康状态评估上存在一定程度的偏差。因此，本文提出了一种储能电站电池健康管理边缘计算平台。它在电池和BMS之间建立了信息通信，实现运行数据实时传输的同时，能够对单体电池内/外特性参数进行实时监测，从而进行更准确的评估。
![]()
Fig.15 The structure of edging computing platform
与其他监测电流、电压和温度等外部特性的边缘计算平台相比，本文提出的边缘计算平台侧重于监测欧姆内阻rohm、极化电阻rp和极化电容cp等内部特性参数，如图16所示，通过内部和外部特征参数的混合驱动，系统实现了对电池健康状态的有效监控。
![]()
Fig.16 Edge Computing System Interface
为验证电池健康管理边缘计算平台的工程应用能力，本文将边缘计算平台集成到中国湖南的一个储能电站中。通过对电池单体电压和电流的实时监测，实现欧姆内阻、极化电阻和极化电容的在线辨识。以电池欧姆内阻为例，在恒流充放电工作状态下，给出该储能电站中锂离子电芯端电压的变化曲线，如图17所示。针对恒流放电过程，该过程可以分为4个阶段，即放电初始阶段、放电稳定阶段、放电结束片阶段与放电恢复阶段。
![]()
Fig.17 Intelligent inspection robot schematic
在放电初始阶段中，电芯端电压受到欧姆内阻分压作用而突然下降，其相关性如式（2）所示。在放电电流与采样步长保持恒定的情况下，根据该片段电压幅值变化Δuohm可以间接地计算出欧姆内阻大小情况。对于电池边缘计算平台，基于上述辨识方法，每个单体电池欧姆内阻识别结果均可查看，如图18所示，进一步实现基于内/外部特征参数的电池健康状态评估。尽管储能电池的边缘计算应用前景广阔，但在实际应用中仍面临挑战和限制。例如，它需要较高的可扩展性和兼容性，以满足不同环境的需求。
![]()
Fig.18 Online characterization results for ohmic internal resistance
电池温度状态（state of temperature ，SOT）描述了电池的实时热状态。电池温度极大地影响了其电气参数，例如欧姆内阻，极化电阻等，导致电池SOC、SOH估计误差很大，显著影响电池性能。因此，准确测量电池温度对于准确估计电池SOC和SOH并提高电池性能至关重要。此外，温度监控可防止因热失控而导致的电池不必要的老化和电池组故障。出于成本和复杂性的考虑，将温度传感器放置在每个电池的表面准确测量存在一定难度，特别是当电池系统包括数百甚至数千个电池单体。从电池运行的角度来看，SOT可以让BMS评估不同运行条件下电池本体的功率和能量能力，这有助于最大限度地提高电池性能。从电池健康管理的角度来看，应用热状态信息可以在电池级和电池组级上进行更好的健康状态估计，从而促进电池系统的预测和维护。通过对储能设备的温度等情况进行有效监控，将上述信息传输至EMS进行准确判断和安全控制。因此，本节提出搭建储能电站智能巡检机器人，如图19所示，包括移动系统、高清摄像头、红外温度传感器和消息接收模块，可与EMS实时交互数据，实现对电池温度问题的快速检查和实时诊断。同时，通过预先建立指定路径，检测机器人利用红外热成像技术进行非接触式温度测量，然后将获得的温度矩阵转换为彩色云图，显示矩阵内的最高和最低温度。
![]()
Fig.19 Intelligent inspection robot schematic
本文基于储能系统平台，利用智能巡检机器人对电池组进行热扫描。通过EMS的综合评估结果和实时数据交互，智能巡检机器人对目标电池组进行定时、定点巡检。智能巡检机器人在PC工作站上的程序界面不仅可以采集手柄、连接带、冷却风扇的常规视频图像，还能准确显示其温度云图，如图20所示，实现快速检测和实时监控。
![]()
Fig.20 Thermal imaging results for intelligent inspection robots
综上，储能电站通过智能巡检机器人可以进行储能设备定期巡检与SOT估计，并可以与云平台结合，通过多种方式实现对储能设备全方位安全状态的准确评估。不同应用场景下储能系统通过变流器实现电池与电网之间的能量交互，可能发生谐振及失稳现象。因此，针对变流器运行时平衡点变化范围，结合储能电池内部动态阻抗变化及能量调控动态区间，准确分析电池参数变化、电池老化引发的能量输出受限等问题对提升电网系统稳定性是非常重要的。目前针对变流器稳定性分析方法主要分为3大类：状态空间法、阻抗分析法、能量函数法。其中状态空间法和阻抗法都是基于系统稳定状态在平衡点附近波动时对模型进行线性化的分析方法。关于状态空间法，文献[50]考虑在逆变器内外环控制、锁相环和延迟控制等环节，在d-q旋转坐标系下逆变器高频状态空间模型，提出相应控制策略改善了系统不稳定性；文献[51]考虑储能电池和换流器的动态过程，建立了状态空间模型，得到电池因过度充/放电导致内阻增大及电池电压减小、恶化直流系统稳定性的结论。但是状态空间法因其需要获得系统完备的参数信息，当控制参数改变或者引入新的设备时需要重新建立状态方程，且随着电力电子设备的投入，系统阶数增加将面临建模“维数灾”的局限性问题。阻抗分析法利用其可测量性将变流器和电网分别划分为独立的子系统，分析其交互稳定性问题具有一定的优势，文献[52]将发电端等效为理想直流电压源，研究多机并联的稳定性问题，通过提出了一种系统的补偿输出导纳以克服不稳定性，同时保持低阶电网电压谐波衰减能力控制方法。文献[53-54]通过将储能变流器（power conversion system，PCS）等效为电流源与输出阻抗为定值的并联结构，研究电网和整个PCS系统间谐振问题，提出并联PCS台数的临界值。可见现有研究大多将储能电池模型等效为一个恒压源与恒内阻串联的模型，这种忽略电池阻抗动态特性变化的简化模型会随着电池数量的增加产生累计误差，导致稳定性分析结果不准确，从而在不同场景下，造成对系统稳定域内PCS多机并联台数最大范围的误判。故需要结合电池内阻抗变化特性进一步推演其稳定性特征，划定能参与能量调控的多机并联系统台数区间，如图21所示。
![]()
Fig.21 Root locus diagram based on changes in battery impedance
综上所述，在储能系统并网后，处于正常工况下或者小扰动工况下（即系统平衡点不发生偏移），储能变流器中电池长时间运行并发生老化，其电池内阻的动态变化影响着接入电网的最大并联台数，随时间的推移电池的阻抗增大，对于强电网而言可以容纳更多的变流器台数，但是电池的老化使其能量输出阈值衰减加剧，使满足电网能量所需的最小并联台数大于依据阻抗稳定性分析的储能变流器允许接入电网的最大运行台数时，则需要更换电池簇，依据阻抗和能量变化速率的PCS的最优台数判断区间，研究如何根据电池能量衰减和阻抗变化的速率进一步进行储能变流器最优台数的选择和提出判断更换电池簇的边界条件，可作为储能系统未来的研究目标，如图22所示。
![]()
Fig.22 Range of optimal number of stations based on impedance and energy change rate
现有储能系统PCS控制主要沿用传统逆变器的控制策略，容易忽视储能电池的健康状态、寿命损耗规律、系统阻抗功率损耗等情况，导致系统运行风险系数高，易因产热过大而造成热失控等安全事故。因此，研究适合储能系统PCS在不同工况运行下最优控制策略非常关键。储能系统参与调频和调峰工况下运行时各参数变化如图23所示，可见储能变流器的传输功率、SOC和输出电流在能量波动、时间尺度和变化趋势上存在较大的差异。为了优化储能系统在调频、调压和调峰等工况下安全运行，对于调频工况，文献[56-57]提出了考虑SOC和健康状态的储能辅助调频自适应优化PCS控制策略，在保证储能调频效果的同时，使各储能单元均处于健康工作状态；对于调压工况，文献[58]提出一种PCS多变量协同保护策略，以无功支撑为首要目标，并网点有功功率波动、储能系统侧电流波动和输出电流峰值为约束条件，构建相应函数并根据电压跌落程度向电网提供相应无功支撑；在调峰工况上；文献[59-60]根据每个储能单元的SOC调整功率分配，并通过建立储能的双层协同控制来平滑风电波动；文献[61]提出了通过构建功率分配优化模型来减少电池能量损耗和维持SOC平衡的方法；文献[62]基于遗传算法对每个存储单元的电流进行调整和优化，使不同老化程度的电池都能同时报废；文献[63]提出考虑能量效率和SOC均衡来调节储能电站各PCS传输功率，在降低电池内阻功率损耗的同时尽可能均衡电池SOC；文献[64]基于电池老化特性曲线和系统并网谐波含量要求优化多台PCS传输功率的调峰控制策略，减缓了储能电池老化速度19.8%；文献[65]提出了一种在基于共识的分布式框架中实现各PCS功率分配的策略，共识因素包括SOC均衡、运行效率和电池寿命损耗，在不同的电池状态和应用场景下选择相应的共识因素来调节PCS传输功率。
![]()
Fig.23 The map of energy storage participation in FM and peaking energy fluctuations
上述工作为储能变流器多目标控制研究提供了一定的基础，但整体而言，储能系统在调频、调压和调峰等工况运行时，缺乏对不同工况下电池参数变化带来的系统稳定性、能量损耗、能量上限受限、并网指标和电池寿命变化规律等情况的协同考虑，研究储能系统各工况运行下关键需求的PCS多目标协调控制，是未来保证储能系统安全稳定运行的关键技术。
现今电力系统由“源-网-荷”逐渐向“源-网-荷-储”转变，本文在总结单体电池状态评估方法与不一致性检测的同时，探讨了现有电池状态评估技术与储能系统控制技术的新研究热点，主要结论如下。1） 总结了各种电池状态评估方法，如电化学阻抗法、等效电路模型、数据驱动方法等；并着重讨论了数据驱动方法中健康因子的选择，如恒流、恒压充放电过程中的电压变化率、电流变化率与温度变化率等。2）构建了监测电池内/外特性参数的边缘计算平台，在监测电池电流、电压和温度等外部特性参数的基础上，对电池欧姆内阻、极化电阻和极化电容等内特性参数进行有效辨识，实现对电池健康状态更加全面的评估，有助于识别潜在的安全问题。3） 从经验拟合模型和机器学习模型的角度出发，实现基于碎片数据实现电池状态的有效评估。4） 针对储能电站的安全监控，构建了配备移动系统、高清摄像头、红外温度传感器和消息接收模块的智能巡检机器人。该机器人可与EMS平台实现数据交互，实现对电池温度状态的快速检查和实时诊断，为电池温度状态评估和储能电站安全运行提供新概念和理论支撑。5） 针对不同工况下，电池阻抗变化及能量衰减速率，根据两者间变化的速率差异，进一步精确化储能变流器最优台数的选择和提出判断更换电池簇的边界条件，可作为储能系统未来的研究目标。6） 储能系统在调频、调压和调峰等工况运行时，现有储能系统PCS控制主要沿用传统逆变器的控制策略，缺乏对不同工况下电池参数变化带来的系统稳定性、能量损耗、能量上限受限、并网指标和电池寿命变化规律等情况协同考虑，导致系统运行风险系数高，急需研究出适合储能系统PCS在不同工况运行下最优控制策略，保证储能系统安全稳定运行。
根据国家版权局最新规定，纸媒、网站、微博、微信公众号转载、摘编《中国电力》编辑部的作品，转载时要包含本微信号名称、二维码等关键信息，在文首注明《中国电力》原创。个人请按本微信原文转发、分享。欢迎大家转载分享。
