储能电站的电池健康度目前多依赖离线容量标定：需停运、满充满放，单次耗时长，且难以覆盖全站数千个电芯。能源AI实验室尝试用日常运行中的恒流充电段做无感评估。
我们从BMS历史记录里截取充电电流稳定、起始SOC一致的充电片段，提取三类特征：dQ/dV曲线的峰位电压与峰面积、等压升对应的充电时长、充电过程的温升斜率。这些特征对活性锂损失与内阻增长较敏感，且不依赖完整充放电循环。模型先用梯度提升树做单次估计，再用带工况残差校正的时序模型外推衰减趋势。
进展：在某20MWh磷酸铁锂储能电站约1.2万条充电片段上验证，SOC区间20%~80%条件下，SOH估计平均绝对误差约1.8%，与季度离线标定结果偏差在2%以内；对容量异常单体的预警可提前约两周。
下一步：按温度与充电倍率分箱做残差校正，将推理链路接入BMS实时数据流实现在线滚动估计，并补做不同电芯批次的跨域验证。
评论