2021年7月，国家发改委、国家能源局出台《关于加快推动新型储能发展的指导意见》，其中明确了新型储能在能源领域实现“碳达峰、碳中和”的关键支撑定位[1,2,3,4,5,6,7,8,9]。电化学储能在新型储能中的装机占比最高、规模增长最快，同时预装式电化学储能电站具有便于安装、占地少、移动灵活等优势，目前已成为电化学储能电站设计部署的主流方式。

电化学储能电站是一个十分复杂的系统，其内部参数具有高度非线性和耦合性，其寿命也与多种因素存在密切的耦合关系，在对其进行精准状态估计、热管理、延长使用寿命等方面的研究存在巨大的挑战[10,11,12,13,14]。常规的数值建模与模拟仿真技术无法实现电站全寿命周期、实际服役情况的重构，难以对储能电站进行精细化的决策管理。因此，为了应对储能的规模化发展，需要能准确刻画储能电池系统全寿命周期状态的真实映射手段，实现有效、准确的状态评估与决策管理。

数字孪生技术通过利用传感器、物联网、虚拟现实、人工智能等数字技术对真实世界中物理实体和智能实体对象的特征、行为、形成过程和性能等进行描述和建模，是实现储能系统状态实时感知、辅助运行优化的理想途径之一[15]。数字孪生技术最初应用于航天航空领域，主要用于飞行器的寿命预测和健康管理。有学者利用动态贝叶斯网络建立飞机的孪生模型，包括通用的诊断和预测概率模型，对飞机的健康状态进行评估，并具体分析了机翼疲劳裂纹的扩展[16]。虽然数字孪生还处于发展阶段，但其在复杂系统预测和优化方面有巨大的价值。

Baumann M等人设计了汽车电池数字孪生系统，估计电池的SOH（健康状态），使用汽车的云BMS（电池管理系统）和运行云环境中的不同的模型来估计当前的系统状态以及电池的剩余寿命[17]。Qu等人通过利用数字孪生模型完全放电推演获取电池的容量，并使用LSTM（长短期记忆）算法描述电池端电压与SOC（荷电状态）之间关系[18]。Li等人提出了基于数字孪生的云电池管理系统，将测量到的电池相关数据通过物联网协议传输到云电池管理系统，并基于二阶RC模型为电池系统构建了一个数字孪生模型，利用自适应扩展H∞滤波算法进行SOC估计，利用粒子群优化算法进行SOH估计并实时更新电池模型，实现电池在线SOC、SOH估计[19,20]。

但现有的电池模型仅局限于单一模型的研究，多物理模型之间的相互耦合影响并没有考虑，无法反应实际电池运行情况；仅局限于电池层面，并没有从规模化应用的角度分析周边环境或者工况对电池行为的影响。

综上，本文提出了一种可在线虚实互动的电站电-热-流多物理场数字孪生模型建立方法。首先，设计电池标准化测试方案，获取电池的容量/能量、OCV（开路电压）及功率等基础特性以及电池的多物理场耦合规律；然后，通过测试数据辨识电池模型参数，构建老化模型参数数据库；其次，基于ICA（容量增量分析法）揭示电池老化过程，并提取特征映射电池最大可用容量；接着，基于电池多物理场耦合特性，利用实测激光扫描仪、工程图纸、COMSOL多物理场仿真软件建立电池舱的热场、流场模型；最后，依托浙江省某用户侧预装式储能电站进行效果验证。结果表明，所建立的数字孪生模型可准确评估未来工况下的电站状态，通过反馈调节实现集装箱内的智能环境控制。

1、储能电池测试方案

为建立储能电池的多物理场融合模型，需进行大量的基础特性测试与循环老化测试，通过测试数据获取电池的容量/能量、OCV及功率特性以及电池的多物理场耦合规律，辨识模型的初始参数，为孪生体的建立提供初始数据支撑。因此设计了标准化的储能电池测试方案，分为预测试、正式测试两部分，如图1所示。

预测试分为常温测试和变温测试。常温测试分为：电池激活，电池初次使用需进行小电流满充、满放以激活，从而保证后续使用中容量的充分发挥；标准容量测试，标定电池的最大可用容量；小电流测试和静置OCV测试，用以获取电池的OCV特性。变温测试分为：静置温变测试，获取电池OCV随温度变化的规律；标准工况测试，模拟电池的实际运行场景；充电曲线测试，用于提取电池老化信息，构建健康状态估计算法。

图1 储能电池测试方案   

正式测试分为电池基本特性测试和老化循环测试。电池基本特性测试包括标准容量测试、充电曲线测试、HPPC（混合脉冲功率）测试和标准工况测试等。老化循环测试是采用电池规格书所允许的正常充/放电方式对电池进行循环充/放电。本文选取浙江某用户侧储能电站的磷酸铁锂电池作为测试对象，其基本参数如表1所示。测试过程中使用爱斯佩克温箱控制电池的测试环境，迪卡龙5 V/200 A电池充/放电设备控制电池的运行工况。  

表1 电池基本参数  

5个测试电池的最大可用容量/能量结果如图2所示，容量与标称容量基本相同，5个测试电池的一致性较好，最大可用容量/能量较为接近，极差分别为0.91 Ah和2.2 Wh。图3展示了5个测试电池的小电流充/放电开路电压UOCV曲线，可以看出5个测试单体的UOCV曲线无明显差异，一致性较好，其中荷电状态值SOC采用安时积分法进行计算得到。图4展示了电池的HPPC测试结果，考虑到电池实际应用场景为温控集装箱，环境温度范围为18～25℃，因此，在3个温度（15℃、25℃、35℃）下，每5%SOC处施加不同的脉冲激励，测试数据可用于获取不同SOC值下的模型参数。

图2 电池容量与能量特性   

图3 小电流放/充电UOCV曲线   

2、预装式储能电站数字孪生模型建立

2.1 储能电站电模型

首先储能电池等效电路模型采用典型的n个RC网络结构组成，简称n-RC模型，通过极化内阻Rpi和极化电容Cpi来描述储能电池的动态特性，包括极化特性和扩散效应等，其中i=0，…，n。常用的Rint模型、Thevenin模型、双极化模型是nRC等效模型分别在n=0、n=1和n=2时的特例。

图4 HPPC测试下的功率特性  

图5中，Upi为电池的极化电压，根据基尔霍夫电压定律和基尔霍夫电流定律，以及电容电压变化与其电流的关系，状态空间方程可表示为：

图5 n阶RC等效电路模型   

通过测试数据辨识不同温度下每个SOC点的Thevenin模型参数。提取SOC=90%时的放电脉冲如图6所示。电池在SOC=90%时，以0.5 C(45 A）放电10 s，对应T0—T1段，随后静置40 s，对应T1—T3段。在撤除电流激励的瞬间，电压变化主要体现在欧姆内阻上，对应U1—U2段，因此，可按式（2）初步估算出电池内阻Ri为0.6 mΩ。

撤除电流后，电池电压缓慢变化的T1—T3段曲线对应RC网络的零输入响应，此时电池端电压Ut方程为：

提取出该区段的离散点，如图6所示，受电压采集精度的影响，存在较多电压相等的点。利用最小二乘法对离散点进行拟合，即可得到时间常数τ=12.940。

在得到该SOC点下的时间常数后，通过遗传算法，利用每个SOC点下的4段充/放电脉冲数据辨识储能电池其他电模型参数。

储能电站通常是由多个电池单体经串联成电池模组，由多个电池模组串联成电池簇，由电池簇并联形成的大容量电池储能系统。以某电池簇为例说明大容量储能系统与单体电池之间电模型的关系，为便于分析以及参考目前主流的成组成串方式，假设电池簇由多个电池单体串联形成，如图7所示。

电池簇电流处处相等、总电压等于串联各部分电路两端电压之和，如式（4）所示。

式中：Is(t）和Us(t）分别为电池簇电流及端电压；I1(t)～In(t）和U1(t)～Un(t）分别为各电池单体的电流及电压。由于电池单体的不一致，实际放电时电池簇的工作状态由性能最差的电池单体来决定，如容量最小的电池单体，最先到达放电截止电压而停止放电，从而导致电池簇停止放电。因此，在正常情况下，电池簇的实际端电压等于性能最差电池达到其放电截止电压时各电池单体端电压之和，且一般不小于单体放电截止电压之和。

图6 模型参数辨识曲线   

图7 串联型电池簇   

式中：tw为性能最差电池单体达到其截止电压的时刻；Ue1,SOC1～Ue2,SOC2分别为各电池单体放电截止电压。

同理可得，串联型电池簇的开路电压Uso,SOCs为各电池单体开路电压之和，且不小于端电压。

阻抗等于各单体阻抗之和，即：

2.2 储能电池衰减老化模型

等效电路模型的参数除了与SOC、温度有关外，与电池的老化衰减也十分紧密。电池寿命及其衰退机理严重依赖于电池结构，运行工况和控制策略。ICA作为一种非破坏性手段，通过分析IC（增量容量）曲线以揭示出储能电池老化过程中其内部的细微变化。因此，本文通过ICA构建电池衰减老化模型，其基本思路如图8所示，首先利用数值差分和安时积分从电池电压电流原始数据中提取IC曲线；进而从中提取能够反映电池老化状态的特征，如峰值高度；然后对不同温度和充电倍率进行修正；最后对电池最大可用容量进行映射，表征电池老化状态。

图8 电池衰减老化模型建模流程   

在得到电池老化状态后，还需要获取对应老化状态下的电池模型参数。因此，通过提取多块电池在不同标定点下的充/放电HPPC数据，以电流、电压、采样间隔为输入，利用遗传算法获得不同老化状态、荷电状态下的开路电压UOCV、时间常数τ、极化内阻Rd和欧姆内阻Ri，通过拟合构建储能电池的老化模型参数库。图9选择部分循环的辨识结果进行详细展示，其余老化点的变化规律均一致大体相似。

2.3 预装式电池舱电-热-流耦合模型

锂离子电池需要针对多物理场信息进行融合建模，仅考虑单一物理场无法准确还原电池动静态特性，需要从电学、热学、流体力学、老化等多角度表征电池行为，耦合建模框架如图10所示。电池在工作过程中，电能与热能之间不停转换，热量的变化又直接影响流场演变，流体的运动反过来又会改变电池的散热，电池热量散失会使得电池的充/放电性能发生改变，电池充/放电行为和温度状态决定了电池的老化路径，电池的衰减又直接影响电池的充/放电性能和产热能力。电场、热场、流体场和老化相互耦合、相互影响，共同决定电池充放/电过程中的外部表征特性。

图9 老化-电量-模型参数库  

图1 0 储能电池电-热-流耦合建模框架   

依据上述耦合机理，考虑电模型参数的热特性规律，构建电模型与热模型的双向动态影响机制，进而建立储能电池单体的电-热耦合模型；考虑流场和温度场的耦合机理，将流场引入热电耦合模型中，并通过单体-模组-簇-堆-站的结构对单体模型进行多层级扩展，从而建立储能电站的耦合仿真模型；通过制定实体-模型-数据之间的动态交互策略，实现储能电站级数字孪生建模。

3、案例分析

3.1 数字孪生模型构建

选取前面提到的某浙江用户侧预装式磷酸铁锂电池储能电站0.5 MW/1 MWh(6个电池簇，每簇238个单体电池，单体电池容量90 Ah）作为分析对象，建立相应的数字孪生模型。其中电模型和老化模型的建立已在前文中介绍，这里重点介绍整个集装箱的数字孪生耦合模型建立与效果分析，建模流程如图11所示。

首先，在SOLIDWORKS软件中建立电池舱及主要部件的三维结构，具体参数如表2所示。在COMSOL软件中导入SOLIDWORKS建立的三维CAD文件。对该模型进行新工作平面定义后，通过布尔操作与分割定义出“空气域”“电芯域”“入风口面”“出风口面”等各个组成部分，最终形成联合体，如图12所示。由于部分参数需要实时计算输出，在建模过程中定义初始参数，部分参数如表3所示。

图1 1 数字孪生建模流程     

表2 主要部件参数  

图1 2 几何联合体   

然后，基于前述多物理场耦合建模策略，按照定义材料特性、网络划分、定义求解器、确定模拟场景、仿真计算的步骤即可完成储能电站级电-热-流多物理场耦合仿真。 

表3 部分参数 

该储能电站主要是参照峰谷电价时间段进行充放电，通过解析电池运行规律，制定了基于时间线的模型仿真运行策略，如图13所示，包含通用型运行机制与针对性运行机制，通用型运行机制用于在电池充/放电过程中进行历史工况仿真，针对性运行机制用于在电池充/放电之前进行未来趋势预测。

图1 3 模型仿真运行策略  

最终，通过物联网系统构建储能电站数字孪生系统，结构见图14，虚实结合的数字孪生系统保证了算法与模型的可靠运行。

3.2 结果分析

3.2.1 温度估计

通过与历史数据的对比，该模型能够准确地估算集装箱内部温度（包括单体电池的温度）。如图15所示，同一恒功率充/放电工况下温度估计误差小于1℃，且在其他工况下也有良好的适应性。

3.2.2 综合性能评估及安全管理

基于数字孪生模型仿真结果，可实现储能电站温度场和流体流速场的历史状态还原和未来趋势推演；完成对储能电站的多维综合性能评价，有助于优化电站热管理系统的运行策略和电池舱内拓扑结构，改善电池运行环境和工作状态；完成对储能电站安全态势的诊断与监控，基于仿真结果能够提取舱内敏感部位或特征单体，进而制定优化决策方案提高电站整体安全性和可靠性，延长电池使用寿命。

图1 4 数字孪生系统   

图1 5 集装箱内最高温度的变化趋势   

如图16所示，历史工况仿真能够还原储能电站温度场和流速场的历史变化历程，从而有效指导电池热管理系统的运行机制和舱内拓扑结构的优化策略，通过实时调整制冷及空气循环系统风速、流向、出口等参数，可以在一定程度上减小电池间温差，改善电池舱内的温度一致性。研究发现，在出风方向为+45°的条件下，电池舱内温度一致性能够达到较好的水平。如图17所示，未来工况预测能够获取站内温度和空气流速的未来演变情况，从而准确监控电池安全状态和衰减趋势，为更加精细化的电池管理提供依据。研究发现，电池舱内离制冷系统较远的中部区域温度相对较高，在充/放电过程中，该位置处的电池衰减相对更快，且存在风险的可能性也较大，是需要重点监控和考虑的对象。

图1 6 历史工况仿真结果  

图1 7 未来工况预测结果   

3.2.3 其他状态估计

通过数字孪生的模拟结果，还可以准确地获取电池其他状态信息，包括SOC、SOH等，进而实现储能电站的多维状态评估。如图18所示，单体200次CYC（循环）下各充电功率下的最大可用容量的最大误差为1.94 Ah，健康状态SOH相对误差为2.51%,SOC整体误差在3%以下。

图1 8 基于数字孪生的状态评估结果   

4、结语

为了构建预装式电化学储能电站的数字孪生模型，本文设计了一种储能电池测试方案，提出了一种储能电站电-热-流-老化融合数字孪生模型建立方法，实现了多物理量的精准计算。通过选取某实际用户侧储能电站进行验证，所建立的数字孪生映射体，既能对历史工况模拟，又能在一定程度上完成未来工况预测，可实现储能电站状态的准确评估，为其热管理、高效运行、安全维护、决策支持提供了重要支撑。

参考文献:

[1]赵显赫,耿光超,林达,等.基于数据驱动的锂离子电池健康状态评估综述[J].浙江电力,2021,40(7):65-73.

[2]姚艳,吴红斌,林达,等.配电网中储能系统的多维价值评估及应用[J].浙江电力,2022,41(12):36-45.

[3]汪湘晋,黄滢,蒋金琦,等.基于层次分析法的储能综合评估及类型选择[J].浙江电力,2022,41(11):1-8.

[4]黄碧斌,胡静,蒋莉萍,等.中国电网侧储能在典型场景下的应用价值评估[J].中国电力,2021,54(7):158-165.

[5]吴冲,陆永灿,杨波,等.面向10 kV“煤改电”区域配电网供电质量提升的储能优化配置技术[J].电力电容器与无功补偿,2022,43(6):138-145.

[6]杨瑞琳,李可然,刘俊勇,等.考虑储能参与备用配置的园区综合能源系统日前经济调度模型[J].电力建设,2022,43(12):103-111.

[7]罗博航,沈翔宇.基于区块链的共享储能联合市场竞价模型与交易机制[J].电测与仪表,2022,59(8):30-38.

[8]李建林,丁子洋,游洪灏,等.构网型储能支撑新型电力系统稳定运行研究[J].高压电器,2023,59(7):1-11.

[9]李明,焦春雷,李晓龙,等.储能安全标准研究及储能在构网型新场景中的应用[J].高压电器,2023,59(7):20-29.

[10]陈翌,白云飞,何瑛.数据驱动的锂电池健康状态估算方法比较[J].储能科学与技术,2019,8(6):1204-1210.

[11]彭鹏,林达,汪湘晋,等.基于局部异常因子的锂离子电池储能系统故障诊断[J].浙江电力,2023,42(5):11-17.

[12]刘子豪,张雪松,林达,等.基于扩展卡尔曼滤波的储能电池能量和功率状态联合估计方法[J].储能科学与技术,2023,12(3):913-922.

基金资助:国网浙江省电力有限公司科技项目(5211DS21N006);

文章来源:林达,张雪松,李正阳.预装式电化学储能电站数字孪生模型建立方法[J].浙江电力,2024,43(05):63-72.