储能电站的电池异常早期识别，难点不在算法复杂度，而在信号弱、个体差异大。传统做法依赖固定阈值报警，往往等到压差越过门限时，劣化已经持续数周。
我们在某 20MWh 磷酸铁锂储能电站做了一轮实验性验证：以电池簇内单体电压离散度、压差变化斜率、温度上升速率构成特征集，用轻量时序模型学习每一簇自身的“正常形态”，再对偏离程度打分排序，运维人员只需关注每日 Top-N 可疑簇。这相当于把报警口径从“绝对值越限”改为“相对自身基线的形态偏移”，对早期微短路与连接件松动更为敏感。
阶段性进展：
- 试运行 3 个月，覆盖 12 个电池簇、约 4.6 万个采样点，异常提示平均提前 5~14 天，其中 3 起经现场核查确认为连接螺栓力矩不足；
- 日均误报由阈值法的 6.4 条降至 1.1 条，残余误报主要来自空调启停引起的温度阶跃，已在特征侧加入工况掩码进行抑制。
下一步计划是将内阻估算与充放电工况对齐，接入温控系统做联动验证，并补充不同倍率下的样本以检验模型泛化能力。
评论