在储能电站运维中，电池健康度（SOH）长期依赖定期满充满放的容量标定，代价是停机与额外循环损耗。能源AI实验室近期的一项实验性探索，尝试用日常运行中自然产生的充电片段来反推容量衰减，在不打扰电站调度的前提下完成健康评估。
方法上，我们把每段恒流充电数据重采样为等电压间隔序列，提取充电时长、电压平台斜率与内阻估计等特征，用轻量模型拟合当前可用容量；对片段过短、温度偏离、倍率异常的数据做置信度标注，低置信样本不参与更新，避免噪声污染基线。
要点一：在 12 座电站约 30 万条历史充电片段上回测，SOH 估计的平均绝对误差约 1.8%，与季度满充标定结果的趋势一致；容量异常衰减的预警可提前约两周给出。
要点二：下一步计划引入温度与充放电倍率的修正项，并将评估从单体簇扩展到站级一致性分析，先在 200 座站点做灰度验证，重点观察低温工况下的估计稳定性与误报率。
该方向的目标不是替代标定，而是把标定周期之间的空白填上，让运维从被动响应转向有依据的提前干预。
评论