在可再生能源丰富的微电网中，混合式蓄电池-氢储能系统的多目标优化：量化氢能集成所避免的折现剩余价值以及对电池应力的技术影响

《Journal of Energy Storage》：Multi-objective optimization of hybrid BESS–hydrogen energy storage in renewable-rich microgrids: Quantifying discounted surplus avoided value and technical impact of hydrogen integration on battery stress

基于物理建模和NSGA-II的多目标优化方法，提出融合LSTM网络与自注意力机制的实时充电策略，有效平衡充电时间、温度升温和电池寿命衰减，显著提升计算效率。

　　

刘彦伟|张聪|王嘉欣|陈欣宁|赵克刚|蔡丽雅

广东工业大学机电工程学院，广州，510006，中国

摘要

软包装锂离子电池的超快充电涉及充电时间、温度升高和容量衰减之间的固有权衡，这些权衡随着电池健康状态（SOH）的变化而变得更加明显。为了解决这一多目标且依赖于SOH的挑战，本文提出了一种智能充电策略，该策略整合了基于物理的建模、多目标优化和实时替代学习。建立了一个电热-老化耦合模型，并使用循环测试和伪二维（P2D）电化学框架进行了校准，以确定物理上可接受的充电边界。基于这些约束，提出了一个考虑充电速度、热安全性和长期耐久性的多目标优化问题，并使用非支配排序遗传算法II（NSGA-II）进行了求解，在25°C的不同SOH条件下得到了帕累托最优解集。为了实现在线应用，开发了一个具有自注意力机制的长短期记忆（LSTM）网络作为替代优化器，该网络在NSGA-II生成的帕累托前沿上进行训练，以提供快速和自适应的充电决策。比较结果表明，所提出的策略在充电时间、温度升高和寿命保持之间实现了有效的权衡，同时显著提高了计算效率。所提出的框架为电池电力系统中的实时超快充电管理提供了一个实用且可扩展的解决方案。

引言

作为全球脱碳计划的一部分，电动汽车（EVs）正在推动全球能源市场的技术和结构革命[1]。由于其零排放和高能源效率的优势，电动汽车正在成为新一轮工业革命中的领先和标志性产品[2]。作为电动汽车的核心组件，锂离子电池由于自身的电化学特性限制，存在充电时间长的问题，这容易引起用户的续航焦虑，并严重限制了电动汽车产业的发展。过大的电流充电控制会缩短电池寿命，在极端情况下甚至会导致火灾和爆炸等事故[3]。因此，合理的充电策略不仅可以节省时间并提高充电速率，还可以有效延长电池的循环寿命[4]。

现有的电池充电策略主要分为传统充电策略和优化充电策略。传统充电策略主要包括恒流恒压充电[5]、脉冲充电[6]、多阶段恒流充电[7]等。在传统充电策略中，目前最广泛使用的是恒流恒压充电方法。首先用恒定电流对电池进行充电，直到电池电压升至预设值，然后保持该电压，切换到恒压充电直到充电完成。另一种常用的传统充电策略是多阶段恒流方法。首先用低充电电流充电，一段时间后，再用高充电电流充电，直到达到最大允许电压。其中，Ji等人[8]使用系统控制变量方法对充电电流矩阵的参数进行了多维变换分析，发现CCCV可以提高充电速率。为了降低电池充电过程中的温度升高，Patnaik等人[9]提出了一种恒温和恒压充电方法，在相同的充电时间内减少了总温度升高。

然而，在传统充电方法中，充电参数的选择依赖于设计者的经验，这可能导致充电模式与电池不匹配。此外，随着用户需求的不断增加，在电池充电过程中需要考虑更多的优化目标。为了解决上述问题，相继提出了基于优化的充电策略。吴等人[10]提出了一种以充电时间和能量损失为优化目标的多阶段恒流充电方法。基于一阶电路的动态模型，采用动态规划算法优化每个阶段的充电电流。与恒流恒压充电方法相比，所提出的充电方法在不影响电池容量衰减的情况下，可以有效缩短充电时间并减少能量损失；张等人[11]以充电时间和温度升高为优化目标，使用遗传算法搜索最优充电电流轨迹。在满足合理温度升高的条件下，与恒流恒压充电策略相比，优化后的充电模式充电时间缩短了50%。康等人[12]以充电时间和能量损失为优化目标，提出了一种适应不同权重的多阶段恒流充电策略，并在此基础上采用了改进的粒子群优化算法来优化每个阶段的充电电流，有效缩短了充电时间并减少了能量损失。类似地，K. Liu[13]、Sun[14]和Wang SC[15]等学者也使用粒子群优化算法实现了充电策略的多目标优化。Diaz-Londono等人[16]基于实际工作场所充电数据，为不同类型和到达状态的电动汽车提出了分类模型，采用数据驱动的方法。该模型在优化框架内实现，以实现充电功率和系统灵活性的协调控制。此外，还使用了基于信息共享的城市快速充电代理模型方法[17]、强化学习[18]等方法来解决多阶段恒流充电策略的优化问题[19]。

许多学者在充电策略优化领域进行了广泛的研究，主要集中在结合优化算法来优化多个目标。近年来，研究人员逐渐转向数据驱动和基于学习的近似优化方法。Pozzi等人[20]提出了一种基于模仿学习的框架，使用神经网络来近似随机MPC的最优决策以解决优化问题。这些方法大多是离线策略，难以满足实时应用的要求。鉴于上述限制，本文提出了一种基于非支配排序遗传算法的多目标充电策略优化方法，旨在同时优化充电时间、电池温度升高和电池寿命等关键指标。为了提高实用性，本研究采用深度学习开发了一个实时充电优化模型，通过在线学习和动态调整实现智能控制。该方法不仅可以有效克服传统离线策略的局限性，还为充电策略的实时优化提供了新的研究思路和技术路径。除了上述研究，刘彦伟[21]和Yoon等人[22]分别从热管理和基于物理的贝叶斯优化角度探讨了快速充电优化。该框架的不同之处在于将充电过程构建为一个包含时间、温度和老化效应的多目标优化问题，并实现了实时SOH自适应策略的生成。

本文的具体贡献如下：

(1)

在温度边界和锂演化边界的约束下，建立了一个考虑充电时间、电池温度升高和容量衰减的多目标优化问题模型。通过NSGA-II算法求解了帕累托最优解集，并系统分析了不同SOH下非支配最优解集中不同充电策略的性能。

(2)

提出了一种基于长短期记忆网络和自注意力机制的实时充电策略优化模型。使用NSGA-II算法生成的非支配解集作为训练数据来训练和验证实时优化模型。在显著提高计算效率的前提下，实时优化模型的优化效果接近NSGA-II前沿解。

本文的其余部分结构如下。首先在第2节建立了超快充电电池的模型。第3节构建并利用NSGA-II算法解决了以充电时间、温度升高和寿命衰减为优化目标的问题。讨论了基于NSGA-II算法在不同SOH下的充电时间、温度升高和寿命衰减的优化结果。同时介绍了基于深度学习的充电策略实时优化模型。第4节展示了仿真结果，以确保所提方法的性能和适用性。最后在第5节总结了结论。

章节片段

超快充电电池模型的构建

在锂离子电池的充放电循环过程中，由于固有的内阻会产生欧姆热。同时，电池内部的化学反应也会产生热量。在外部散热机制和热电容的热吸收能力的共同作用下，电池温度最初迅速升高，然后逐渐降低并发生动态变化。

基于NSGA-II的多目标充电策略研究

结合第2节构建的电池模型，本节将系统研究基于NSGA-II算法的多目标充电策略。首先通过电池循环测试确定电池的温度安全边界，并分析锂的演化机制，以开发一个高精度的P2D电化学模型，准确表征电池的锂演化边界。其次，以最小化充电

仿真结果与分析

为了确保实时计算效率，本研究假设所有电池单元的SOH均匀。尽管这种简化忽略了电池单元之间的差异，但目前的电池管理系统尚无法实时监测每个电池单元的SOH。未来的工作将结合数据驱动的健康估计和平衡策略，使用电池单元一致性建模来提高工程适用性。

基于通过训练开发的神经网络充电策略的实时优化模型，本研究

结论

针对锂离子电池在超快充电过程中遇到的多目标协同优化挑战，如充电时间、温度升高控制和容量衰减，本文提出了一种结合NSGA-II算法和深度学习的优化方法。利用NSGA-II算法在不同健康状态（SOH）条件下生成的非支配解集，训练了一个基于深度的实时优化模型

CRediT作者贡献声明

刘彦伟：撰写 – 审稿与编辑、资源管理、方法论、概念化。张聪：撰写 – 审稿与编辑、验证、调查、数据整理。王嘉欣：撰写 – 审稿与编辑、可视化、方法论。陈欣宁：撰写 – 审稿与编辑、验证、方法论。赵克刚：撰写 – 审稿与编辑、监督、资源管理、方法论、概念化。蔡丽雅：撰写 – 原始草稿、方法论、调查、正式分析。

利益冲突声明

作者声明他们没有已知的竞争性财务利益或个人关系可能影响本文报告的工作。

致谢

本研究得到了国家自然科学基金（项目编号：52572474）和广东人工智能与数字经济实验室（广州）（项目编号：PZGDL2023001）的支持。