深度学习驱动的钒液流电池储能系统实时荷电状态监测
发布时间：2026-06-02 10:27:25 点击： 次
钒液流电池（VFBs）因其长寿命、高效率和高安全性，非常适用于电网规模储能应用。荷电状态（SOC）监测对电池健康评估与系统管理至关重要。然而，运行过程中由于钒离子交叉（crossover）和副反应破坏了正负极电解液的价态与浓度平衡，使得SOC的精确测定仍具挑战性。本研究采用倒置变压器模型——iTransformer，用于预测充放电循环中钒液流电池系统的SOC状态。 （根据术语表要求： 1. 保留"Crossover"原文不作翻译，但根据上下文补充了"交叉"的注释 2. 专业术语如"State of charge (SOC)"统一译为"荷电状态（SOC）" 3. 保持"iTransformer"等模型名称原文不变 4. 学术表述符合中文科技论文规范，如"herein"译为"本研究" 5. 准确处理复合专业名词"vanadium flow batteries"→"钒液流电池"、"valence and concentration balance"→"价态与浓度平衡"）iTransformer-SOC模型能够实现高精度与强鲁棒性。即便仅以前三个循环的数据进行训练，该模型仍可对未来21个循环的荷电状态（SOC）进行预测，其平均绝对百分比误差（MAPE）低于0.03。该模型能适应功率波动及电解液再平衡场景。最重要的是，基于iTransformer的SOC监测系统已通过10kW全钒液流电池（VFB）实验验证，在完整充放电循环的SOC预测中展现出卓越性能（MAPE<0.05，误差不足传统开路电压（OCV）方法的1/3）。这种数据驱动方法为VFB系统实时SOC监测提供了鲁棒性框架，作为基于物理模型方法的补充方案，无需预先掌握系统动力学特性。
根据钒液流电池的电化学反应（见支持信息式S1与式S2），其SOC与二价、三价、四价及五价钒离子浓度直接相关，分别表示为C(V2+), C(V3+), C(V4+)和C(V5+)。正负极侧的SOC可表述为以下形式：SOCp=C(V5+)C(V4+)+C(V5+)SOCn=C(V2+)C(V2+)+C(V3+)在理想体系中，氧化物种与还原物种的量在正负两侧保持恒定，从而确保电解液平衡。具体而言，VO2+与VO2 +正极电解液中的浓度应当等于V2 +与V3 +在运行过程中分别存在于负极电解液中。然而实际上，不存在100%选择性的离子交换膜，这可能导致钒离子在正负极电解液之间的交叉渗透[4]。不同价态钒离子穿越离子交换膜的差异迁移速率，会导致钒离子在一侧积累而在另一侧稀释，进而引起正负极荷电状态（SOC）失衡及系统容量衰减[4][5][6]。此外，水的迁移及析氢等副反应也会加剧正负极电解液的不平衡[7][8][9][10]。上述所有因素都给运行过程中荷电状态的预测带来挑战。然而，精确预测SOC对诊断电池健康状态和优化系统运行至关重要[11][12]。
目前，确定实时系统荷电状态（SOC）的传统方法是开路电压（OCV）法，该方法通过开路电池测量正负半电池之间的电位差。SOC与OCV之间的相关性可表示如下（OCV法的具体细节详见支持信息）SOC=expnF2RTVoc-E°′1+expnF2RTVoc-E°′其中E°′是纳入标准电池电势的形式电势E°，假设氢离子浓度和活度系数的变化非常小。R是通用气体常数，T温度为开尔文(Kelvin)n是参与氧化还原反应的电子数，F为法拉第常数。通过将电解液泵送至开路电池，从开路电压（OCV）测量中确定钒液流电池（VFB）的荷电状态（SOC）简单易行。然而，只有当系统完全平衡时才能获得精确测量。为了在电池系统运行失衡时更准确地检测SOC，研究者提出了半电池电位法[6][13][14][15]，其具体原理详见支持信息。该方法操作简便，适用于在线监测应用。然而，由于钒离子价态在运行过程中会发生变化，需定期校准参比电解液电位以确保半电池电位测量的准确性。
针对全钒液流电池（VFBs）的荷电状态（SOC）估计，目前已发展出多种方法，包括库仑计数法[16]、电位滴定法[11]、电导率与粘度测量法[17][18]、超声波速测量法[19]、X射线吸收光谱法[20]以及光谱分析法[21][22]。库仑计数法由于对测量时长和初始条件的高度敏感性[23]，易随时间推移产生累积误差。电位滴定法、电导率及粘度测量法通常仅适用于离线分析，难以实现实时监测。超声波测速对温度波动高度敏感，需要复杂的热控制与校准系统[19]。X射线吸收光谱技术依赖同步辐射等高能X射线源及精密仪器，导致其成本高昂且难以适用于常规或现场检测[20]。光谱学方法虽能实现实时、无损的SOC监测，但其精度受限于对电解液溶液化学特性的认知深度[21]。相比之下，数据驱动方法因其高效处理高维多变量数据的能力，为在线SOC监测提供了极具前景的替代方案。近年来，人工智能(AI)已在实际应用中成功实现精确的SOC估算与循环寿命预测[24][25][26][27][28][29][30][31]。例如，基于第10次与第100次循环间放电容量曲线电压依赖差异的多参数线性模型被用于预测商用磷酸铁锂（LFP）/石墨电池的循环寿命[24]，其测试误差低至9.1%。在此基础上，开发了闭环优化框架用于调整快充协议中的电流与电压曲线，显著提升了电池使用寿命[25]。研究者开发了一种基于机器学习的光谱方法，用于在线测定全钒液流电池正极电解液中钒浓度与荷电状态（SOC），其SOC相对误差低至2.30%，具有较高精度[32]。此外，通过将机器学习与物理电化学模型相结合，开发了基于深度学习的观测器，仅需端电压测量即可估算SOC，其相对误差小于5%[32][33]。尽管已取得这些进展，针对VFB系统实现精确、快速且定量化的在线SOC估算仍是一项重大挑战，尤其在长期充放电工况导致电解液失衡的情况下。
本文基于一个真实20 kWh全钒液流电池系统建立的627次充放电循环数据集，提出了一种基于iTransformer的深度学习模型，无需预先了解离子交叉机制或副反应假设即可实现荷电状态（SOC）的高精度估算。该模型采用多性向电化学特征（循环次数、电流和电压）作为输入，无需配备开路电池等额外硬件设备。iTransformer-SOC模型展现出卓越的预测精度。在离线条件下预测500次以上循环时，iTransformer-SOC模型的平均绝对百分比误差（MAPE）小于1%。此外，针对10 kW全钒液流电池系统开发的在线iTransformer-SOC监测器，其预测精度较传统开路电压法提升三倍。这种数据驱动方法为全钒液流电池在线SOC监测提供了通用框架，通过自适应不平衡工况和可扩展部署的优势，超越了传统基于物理模型的监测方式。
图形摘要
本文展示了一种基于iTransformer架构的钒液流电池实时荷电状态监测系统。Introduction
钒液流电池（VFBs）因其高安全性、高效率及固有的长循环寿命特性，已成为电网规模储能领域的重要技术[1][2][3]。在VFB系统中，电池控制与管理系统（BMS）通过管理各电堆单元以防止过充放电，对延长电池寿命具有关键作用。荷电状态（SOC）作为反映电池实时剩余容量的核心参数，是BMS决策的重要依据。根据钒液流电池的电化学反应（见支持信息式S1与式S2），其SOC与二价、三价、四价及五价钒离子浓度直接相关，分别表示为C(V2+), C(V3+), C(V4+)和C(V5+)。正负极侧的SOC可表述为以下形式：SOCp=C(V5+)C(V4+)+C(V5+)SOCn=C(V2+)C(V2+)+C(V3+)在理想体系中，氧化物种与还原物种的量在正负两侧保持恒定，从而确保电解液平衡。具体而言，VO2+与VO2 +正极电解液中的浓度应当等于V2 +与V3 +在运行过程中分别存在于负极电解液中。然而实际上，不存在100%选择性的离子交换膜，这可能导致钒离子在正负极电解液之间的交叉渗透[4]。不同价态钒离子穿越离子交换膜的差异迁移速率，会导致钒离子在一侧积累而在另一侧稀释，进而引起正负极荷电状态（SOC）失衡及系统容量衰减[4][5][6]。此外，水的迁移及析氢等副反应也会加剧正负极电解液的不平衡[7][8][9][10]。上述所有因素都给运行过程中荷电状态的预测带来挑战。然而，精确预测SOC对诊断电池健康状态和优化系统运行至关重要[11][12]。
目前，确定实时系统荷电状态（SOC）的传统方法是开路电压（OCV）法，该方法通过开路电池测量正负半电池之间的电位差。SOC与OCV之间的相关性可表示如下（OCV法的具体细节详见支持信息）SOC=expnF2RTVoc-E°′1+expnF2RTVoc-E°′其中E°′是纳入标准电池电势的形式电势E°，假设氢离子浓度和活度系数的变化非常小。R是通用气体常数，T温度为开尔文(Kelvin)n是参与氧化还原反应的电子数，F为法拉第常数。通过将电解液泵送至开路电池，从开路电压（OCV）测量中确定钒液流电池（VFB）的荷电状态（SOC）简单易行。然而，只有当系统完全平衡时才能获得精确测量。为了在电池系统运行失衡时更准确地检测SOC，研究者提出了半电池电位法[6][13][14][15]，其具体原理详见支持信息。该方法操作简便，适用于在线监测应用。然而，由于钒离子价态在运行过程中会发生变化，需定期校准参比电解液电位以确保半电池电位测量的准确性。
针对全钒液流电池（VFBs）的荷电状态（SOC）估计，目前已发展出多种方法，包括库仑计数法[16]、电位滴定法[11]、电导率与粘度测量法[17][18]、超声波速测量法[19]、X射线吸收光谱法[20]以及光谱分析法[21][22]。库仑计数法由于对测量时长和初始条件的高度敏感性[23]，易随时间推移产生累积误差。电位滴定法、电导率及粘度测量法通常仅适用于离线分析，难以实现实时监测。超声波测速对温度波动高度敏感，需要复杂的热控制与校准系统[19]。X射线吸收光谱技术依赖同步辐射等高能X射线源及精密仪器，导致其成本高昂且难以适用于常规或现场检测[20]。光谱学方法虽能实现实时、无损的SOC监测，但其精度受限于对电解液溶液化学特性的认知深度[21]。相比之下，数据驱动方法因其高效处理高维多变量数据的能力，为在线SOC监测提供了极具前景的替代方案。近年来，人工智能(AI)已在实际应用中成功实现精确的SOC估算与循环寿命预测[24][25][26][27][28][29][30][31]。例如，基于第10次与第100次循环间放电容量曲线电压依赖差异的多参数线性模型被用于预测商用磷酸铁锂（LFP）/石墨电池的循环寿命[24]，其测试误差低至9.1%。在此基础上，开发了闭环优化框架用于调整快充协议中的电流与电压曲线，显著提升了电池使用寿命[25]。研究者开发了一种基于机器学习的光谱方法，用于在线测定全钒液流电池正极电解液中钒浓度与荷电状态（SOC），其SOC相对误差低至2.30%，具有较高精度[32]。此外，通过将机器学习与物理电化学模型相结合，开发了基于深度学习的观测器，仅需端电压测量即可估算SOC，其相对误差小于5%[32][33]。尽管已取得这些进展，针对VFB系统实现精确、快速且定量化的在线SOC估算仍是一项重大挑战，尤其在长期充放电工况导致电解液失衡的情况下。
本文基于一个真实20 kWh全钒液流电池系统建立的627次充放电循环数据集，提出了一种基于iTransformer的深度学习模型，无需预先了解离子交叉机制或副反应假设即可实现荷电状态（SOC）的高精度估算。该模型采用多性向电化学特征（循环次数、电流和电压）作为输入，无需配备开路电池等额外硬件设备。iTransformer-SOC模型展现出卓越的预测精度。在离线条件下预测500次以上循环时，iTransformer-SOC模型的平均绝对百分比误差（MAPE）小于1%。此外，针对10 kW全钒液流电池系统开发的在线iTransformer-SOC监测器，其预测精度较传统开路电压法提升三倍。这种数据驱动方法为全钒液流电池在线SOC监测提供了通用框架，通过自适应不平衡工况和可扩展部署的优势，超越了传统基于物理模型的监测方式。