学习何时无需使用电池：多时间范围故障智能分析

《International Transactions on Electrical Energy Systems》：Learning When Not to Use a Battery: Multihorizon Failure Intelligence

　　摘要

电池储能系统（BESSs）越来越多地被部署在以可再生能源为主的电力系统中，以提供灵活性服务。然而，传统的电池分析主要关注电池的状态健康度（SOH）和剩余使用寿命（RUL），这些指标描述的是长期退化情况，而不是短期运行安全性。在实际的电网运营中，关键的决策是电池是否能够在预定义的时间范围内可靠地完成特定的服务承诺。本文将电池预测问题重新定义为一种运行可靠性估计问题，并提出了一种基于多时间尺度离散时间危险学习的决策导向框架。该方法预测服务窗口内的故障概率，并应用概率校准来获得一个可信的风险指标。校准后的风险被整合到一个考虑可靠性的调度策略中，该策略根据可接受的故障容忍度来调节电池在灵活性市场中的参与程度。该框架在37块锂离子电池上进行了评估，使用留电交叉验证方法来确保跨设备的一般性。危险模型表现出强大的区分性能，在20个循环时间范围内，未校准前的ROC曲线下面积（AUC）达到了0.944。经过概率校准后，用于决策的运行概率的AUC达到了0.891，Brier分数为0.064，证明了在不同服务时间范围内进行可靠的概率风险估计是可行的。当将其纳入调度决策时，考虑可靠性的策略将运行故障率从10.3%降低到2.95%，并且提供的能量从43.4千瓦时增加到47.0千瓦时，与非可靠性考虑的操作相比有所提升。早期分析进一步表明，只有当退化现象变得可观察时，运行风险才能被预测出来，这区分了可靠性估计和长期寿命预测。研究结果表明，电力系统的电池管理应从预测寿命转向控制运行风险。所提出的框架提供了一个可解释的可靠性信号，使得储能资产能够安全地参与灵活性市场，并架起了电池诊断与运行决策之间的桥梁。

1. 引言

电池储能系统（BESSs）在高比例可再生能源渗透的电力系统中已成为重要的运行资产，提供了削峰、平滑可再生能源输出和辅助调节服务[1]。在这些应用中，运营商不仅需要确定电池可以提供多少能量，还需要确定它是否能够在预定义的时间内可靠地完成预定服务。因此，运行规划需要一个基于可靠性的决策变量，而不仅仅是纯粹的诊断健康指标。大多数电池分析主要集中在估计电池的状态健康度（SOH）和剩余使用寿命（RUL），这些指标描述了长期退化行为[2-4]。使用深度学习和序列模型的数据驱动方法显著提高了寿命预测的准确性[5, 6]，而物理信息模型则结合了电化学知识来增强模型的稳健性[7]。迁移学习和跨条件学习进一步提高了电池和不同运行模式之间的泛化能力[8-10]。这些进步使得维护规划和生命周期估计得到了改进。然而，寿命预测并不能直接提供运行安全性。一个预测剩余使用寿命很长的电池在高峰功率调度期间仍可能发生故障，而一个退化的电池则可能安全地完成短时间的服务。这种不匹配是因为预测指标估计的是故障时间，而电网运行需要的是在特定服务窗口内的故障概率。具有不确定性意识和概率意识的预测方法可以量化预测的信心[11-13]，但它们并没有直接提供一个与运行调度时间范围对齐的决策变量。基于生存和危险模型的可靠性导向方法估计的是故障概率，而不是确定的寿命[14, 15]。同时，考虑退化的优化方法将老化约束纳入调度规划[16]。尽管如此，现有方法通常只在单一时间尺度上评估可靠性，或者依赖于启发式阈值，这阻碍了它们直接转化为跨多个服务期限的运行决策。因此，电池预测与电网运行之间存在差距：当前模型预测退化，而电力系统控制需要的是一个校准后的概率，以判断电池是否不能安全地完成预定义的服务间隔。本文通过将电池预测问题重新定义为运行可靠性估计问题来解决这一差距。所提出的框架不是预测寿命，而是使用离散时间危险学习来估计多个服务时间范围内的故障概率，并将校准后的风险转化为调度约束。主要贡献包括：

- 一种将寿命预测转换为服务时间范围可靠性估计的决策导向范式。
- 一个产生校准后的运行故障概率的多时间尺度危险学习框架。
- 一个考虑可靠性的调度策略，能够在利用和安全之间实现可控的权衡。
- 跨电池验证证明了概率预测的可转移性和改进的运行性能。

本文的其余部分组织如下：第2节回顾相关工作，第3节介绍方法论，第4节提供实验验证，第5节讨论影响和限制，第6节总结全文。

2. 相关工作

电池预测研究大致可以分为四个方向：健康估计、寿命预测、概率可靠性建模和考虑退化的运行。虽然每个方向都有助于理解退化行为，但没有一个方向直接提供了一个与电网服务承诺对齐的运行可靠性决策。

2.1. 数据驱动的电池健康估计

电池管理系统（BMSs）通常使用从电压、电流和温度测量中得出的SOH指标来评估退化。机器学习和深度学习模型在不同运行条件下的SOH估计准确性有了显著提高[17-20]。注意力机制和特征融合方法增强了跨负载轮廓的稳健性[21, 22]，而迁移学习使得模型能够跨电池类型和领域进行泛化[23, 24]。最近的电池预测和健康管理研究强调了使用系统行为监控和退化轨迹分析进行数据驱动的异常检测和故障预测[25, 26]。此外，最近的综述强调了结合实验测量、建模和数据驱动技术对于准确估计电池运行状态（如充电状态和SOH）的重要性[27]。尽管这些方法提供了准确的诊断指标，但估计的健康值并不能直接决定电池是否能够在预定义的时间内安全执行特定服务。

2.2. 剩余使用寿命预测和不确定性建模

剩余使用寿命预测使用基于回归的机器学习、序列模型和混合退化方法来估计电池的寿命结束时间（EOL）[3, 6, 28, 29]。早期循环预测方法在显著老化发生之前推断寿命[4, 30]，而具有不确定性意识的方法通过概率推断和集成学习提供置信区间[29-32]。基于物理的退化模型也被广泛用于研究锂离子电池的容量衰减机制。例如，已经开发了包含SEI层生长和副反应等退化机制的电化学模型，以分析长期容量损失和老化过程[33, 34]。这些方法描述了故障可能发生的时间，但运行决策需要确定故障是否可能发生在下一个服务间隔内。因此，寿命预测并不能直接提供可行的运行可靠性。

2.3. 基于可靠性和生存的建模

为了应对确定的寿命限制，一些研究使用随机可靠性和生存分析来建模退化[13, 35, 36]。这些方法估计故障概率和生存概率，为故障行为提供了概率解释。可靠性建模也被广泛应用于电力系统风险评估[37, 38]。最近的预测和健康管理研究进一步探索了结合数据驱动监控和系统级异常检测的预测框架，以评估电池可靠性[39, 40]。然而，现有的可靠性公式通常只在单一预测时间尺度上评估故障概率。因此，它们无法表示灵活性市场所需的多个服务期限内的运行风险。

2.4. 考虑退化的储能系统运行

最近的研究将电池老化整合到能源管理和调度优化中[12, 37-41]。这些方法通过施加退化约束来改善经济运行并保护电池寿命。然而，运行决策是基于启发式阈值或简化的老化代理，而不是基于学习到的可靠性概率。因此，调度仍然间接地与退化相关联，而不是基于校准后的风险估计。

2.5. 现有研究的局限性

现有研究可以分为四个方向：健康估计、寿命预测、概率可靠性建模和考虑退化的运行。虽然每个方向都提高了对退化行为的理解，但没有一个方向直接提供了一个能回答以下操作问题的决策变量：
电池是否可以在预定义的时间范围内安全地执行下一个服务？缺失的元素是一个在多个服务时间范围内定义的校准后的故障概率，可以直接用作调度约束。为了突出现有方法和所提出框架之间的区别，表1总结了主要研究类别的操作相关性。对比表明，之前的方法主要估计退化或寿命，而所提出的方法直接产生一个可用于调度决策的运行可靠性变量。

表1. 不同电池预测方法在操作可用性方面的比较
- 方法类别 | 主要输出 | 时间尺度 | 概率输出 | 操作决策能力 | 代表性参考文献
|------------|------------|------------|--------------|-------------------

| SOH估计 | 健康指标 | 长期 | 有限 | [17–24, 42] |
| RUL预测 | 剩余寿命 | 长期 | 有限 | [3, 4, 28–34] |
| 概率RUL | 寿命分布 | 长期 | 可用 | [30–35] |
| 可靠性/生存建模 | 故障概率 | 单一时间尺度 | 可用 | 部分 | [13, 35–37, 39–43] |
| 考虑退化的运行 | 运行约束 | 操作 | 不明确 | 间接 | [12, 40–45] |

比较表明，现有方法要么估计退化，要么将可靠性间接地纳入优化。相比之下，所提出的框架引入了一个校准后的多时间尺度故障概率，可以直接作为操作决策变量。

3. 方法论

所提出的框架将预测和控制集成在一个统一的流程中。该模型不是为了维护目的估计退化指标，而是直接评估未来服务时间范围内的运行安全性。预测的故障概率经过校准后转化为调度约束，只有当满足可靠性要求时，电池才能参与灵活性市场。整个运行决策框架如图1所示。

3.1. 运行可靠性公式化

传统的电池预测主要集中在估计退化指标，如SOH或RUL。虽然这些指标适用于维护计划，但电网层面的灵活性服务需要一个不同的运行决策：确定电池是否能够可靠地完成即将到来的预定服务承诺。在这项工作中，“故障”一词指的是运行服务失败，即电池无法在指定的运行时间范围内成功完成所需的服务。这个定义不同于灾难性的安全故障（例如热失控）和退化研究中的永久性寿命结束条件。相反，目标是评估电池是否能够可靠地为短期运行承诺提供所需的能量。为了解决这种不匹配，所提出的框架将电池诊断重新定义为有限时间范围的可靠性预测任务，而不是寿命回归问题。对于在周期t观测到的电池，定义了一个二进制运行事件：

(1)
其中H表示服务时间范围。目标不是预测总寿命，而是估计在这个时间范围内的条件故障概率。

(2)
其中Tf是故障周期，xt表示在周期t可用的测量数据。这种公式将电池健康评估转化为一个与运行决策直接对齐的离散时间生存分析问题。因此，该模型产生的风险指标可以被电网运营商理解，从而基于短期可靠性而非长期退化指标进行调度决策。

3.2. 特征表示

所提出的框架仅使用标准BMS中常见的测量数据，确保了实际部署的可行性，并便于在不同类型的电池之间进行转移，而无需专门的电化学传感。对于每个周期t，特征向量定义为：

(3)
该方法不是依赖于手工制作的退化指标，而是直接从测量的时间演变中学习退化动态。为此，构建了一个滚动的历史窗口：

(4)
其中w表示观察窗口长度。这种公式使得模型能够捕捉随时间变化的退化轨迹和过渡模式，而不是从单一的静态健康快照中推断可靠性。因此，运行风险是从学习到的时间行为中得出的，从而提高了跨异构电池和运行条件的泛化能力。

3.3. 多时间尺度离散时间危险学习

由于电池的运行风险取决于请求服务的持续时间，因此必须在多个承诺长度上评估可靠性，而不仅仅是在单一预测时间尺度上。因此，该框架执行多时间尺度学习，同时估计一组服务持续时间的风险。

(5)
对于每个时间范围，定义了一个条件离散时间危险函数：

(6)
表示在未来的时间步长t + H发生故障的概率，前提是直到周期t的生存状况为真。在区间(t, t + H)内的相应生存概率为
(7)
服务范围内的累积故障概率变为
(8)

预测模型通过使用二元交叉熵目标函数共同优化所有时间范围来学习映射关系
(9)

与传统的剩余使用寿命（RUL）回归不同，该目标直接最小化了操作风险估计误差，使模型能够生成符合电网服务承诺的决策相关可靠性概率。

3.4. 概率校准

原始的机器学习概率往往校准不准确，因此不能直接解释为操作风险。为了获得可靠的风险估计，使用等差回归学习一个单调校准函数，如下所示：
(11)
其中g(·)是在验证数据上拟合的非参数单调映射。校准确保了概率的一致性，如下所示：
(12)

校准后，预测概率代表真实的经验故障概率，而不是分类分数。这一属性至关重要，因为预测结果被用作可靠性感知调度策略中的控制变量。

3.5. 可靠性感知调度策略

为了将可靠性预测整合到操作决策中，估计的故障概率会被校准并与预定义的风险容忍阈值τ进行比较。只有当校准后的概率满足条件时，服务请求才被视为可接受的
(13)

基于这一条件，电池调度被转化为一个可靠性感知的约束。时间t允许的调度能量定义为
(14)
其中Ereq(t)表示请求的服务能量。这种表述将电池诊断从被动监控指标转变为积极控制变量，只有在满足操作可靠性要求时才允许参与灵活性市场。

3.6. 评估协议

该模型在多个电池上进行训练，并使用留 batter out 交叉验证方法在未见过的电池上进行测试。性能通过判别能力（ROC曲线下的面积[AUC]）、概率准确性（Brier分数）、校准一致性和操作能量风险权衡指标来评估。验证方法在图2中说明。为了评估跨设备的泛化能力，采用了留 batter out 交叉验证协议。对于包含Nbatteries个电池单元的数据集，模型在N - 1个电池上迭代训练，并在剩余的未见过的电池上进行测试。该过程防止了不同退化轨迹之间的信息泄露，并评估了学习到的表示方法转移到之前未观察到的设备上的能力。

3.7. 数据集和实现细节

提出的框架使用NASA Prognostics Center of Excellence锂离子电池老化数据集[45]进行评估。该数据集包含了在不同运行条件下循环多次的多个商用18,650个锂离子电池单元。每个循环包括电压、电流、温度和容量在整个电池生命周期中的测量值。遵循电池预测研究的常见做法，数据集在可用容量降至标称容量的70%以下时定义电池的寿命终点（EOL）。在这项工作中，这个EOL点仅用于确定构建方程(1)中生存标签所需的参考故障周期Tf。所提出的模型并不直接预测EOL，而是预测电池在有限运行时间内无法完成请求服务的概率。因此，预测任务侧重于操作可靠性[46]，而EOL定义仅用作构建监督学习中故障事件的参考点。危险学习模型使用Python和梯度提升决策树（XGBoost）实现。模型参数使用带有逻辑损失和二阶梯度更新的梯度提升程序进行优化。基于验证Brier分数的提前停止用于防止过拟合。概率校准使用在验证预测上拟合的等差回归进行。所有实验都在不同电池上重复进行，报告的结果代表交叉验证折叠的平均性能。训练配置在表2中总结。

表2. 多时间范围危险模型的训练配置。
| 组件 | 设置 | 值 |
|---------|------|------|
| 学习框架 | 模型类型 | 梯度提升树（XGBoost，sklearn API） |
| 实现 | | |
| 预测目标 | 任务 | 二元危险分类 |
| 损失函数 | 目标 | 逻辑损失（二元交叉熵） |
| 估计器数量 | 树的数量 | 300 |
| 最大树深度 | 树的深度 | 4 |
| 学习率 | η | 0.05 |
| 行采样 | 子样本 | 0.8 |
| 特征采样 | 列样本 | 0.8 |
| 正则化 | 最小子节点权重 | 5 |
| 多时间范围设置 | 时间范围（H） | {10, 20, 30, 50循环} |
| 概率校准 | 方法 | 等差回归 |
| 验证方案 | 交叉验证 | 留 batter out（5折） |
| 评估指标 | | AUC、Brier分数、ECE |

4. 结果

4.1. 为何寿命预测不是操作指标

传统的电池预测依赖于状态-of-health（SOH）和剩余使用寿命（RUL）来量化电池状态。然而，操作网格服务需要确定电池是否能安全完成即将到来的服务窗口，而不是估计其总寿命。图3(a)展示了代表性电池单元的SOH轨迹。尽管所有单元都呈现整体下降趋势，但它们的短期退化行为有很大差异。具有相似SOH值的单元表现出不同的局部退化动态，包括临时恢复、加速衰减和不规则波动。因此，仅凭SOH无法唯一确定近期可靠性，因为健康水平相似的电池可能会经历不同的短期故障风险。

4.2. 概率校准和预测的可靠性

对于操作部署而言，预测的风险值必须对应于实际的故障频率，而不是作为相对置信度得分。图4(a)展示了预测故障概率与观察到的事件频率之间的校准关系。校准后，预测概率与实际发生率一致，表明模型输出了统计上一致的风险估计。

4.3. 多时间范围故障预测性能

所提出的模型估计电池在预定义服务时间范围内故障的概率，而不是预测单一的寿命值。图5(a)展示了代表性电池单元在20循环时间范围内的生存概率。在正常操作期间，生存概率接近1，在接近EOL时急剧下降，表明模型检测到了迫在眉睫的操作风险。

4.4. 基于风险的调度的操作价值

为了评估操作的实用性，将校准后的故障概率转换为调度约束。图6展示了不同决策策略下提供的能量与观察到的故障率之间的关系。传统基于规则的策略表现出明显的局限性。总是调度的策略导致最高的故障率（10.3%），表明在没有任何可靠性约束的情况下运行电池会使系统面临显著的操作风险。基于SOH的规则略微减少了故障发生次数，但仍在相对不安全的区域内运行，因为单一的健康阈值无法捕捉到短期退化动态。基于RUL阈值的策略消除了评估数据集中的故障，实现了0%的故障率，同时提供了47.53 kWh的能量。然而，这种策略依赖于确定的寿命阈值，因此没有考虑退化轨迹的不确定性或不同操作时间范围内的变化。相比之下，提出的风险阈值策略使用校准后的故障概率来调节调度决策。结果策略实现了2.9%的故障率，同时提供了46.97 kWh的能量。尽管确定的RUL规则在这个特定数据集中消除了故障，但概率框架提供了更灵活的可靠性信号，可以适应不同的服务时间和可靠性要求。

4.5. 可靠性感知的调度行为

所提出的框架使运营商能够通过可靠性容忍参数直接控制参与度。图7(a)展示了平均提供的能量作为风险阈值τ的函数。较低的阈值迫使保守操作，而逐渐增加的τ则增加了能量贡献。这种关系是连续的，而不是二元的，允许调整可靠性水平，而不是固定的接受规则。可靠性意识指数在电池初期运行过程中根据可用能量进行评估，并随着电池性能的下降逐步限制其参与度。与突然禁用电池的阈值规则不同，所提出的策略能够在电池接近寿命终点（EOL）时平滑地降低其利用率。这种行为表明，预测的故障概率可以作为可控的运营变量。电网运营商可以在保持灵活性服务稳定参与度的同时调整可靠性容忍度。

4.6. 对早期使用寿命电池的泛化
为了评估预测的泛化能力，模型仅使用早期使用寿命的数据进行训练，并在电池的整个使用寿命期间进行测试。图8比较了在有限性能下降和完整轨迹数据下的区分性能。运营基准测试结果总结在表4中。

4.6. 对早期使用寿命电池的泛化
当在早期使用寿命数据上训练模型时，虽然性能有所下降，但仍然高于随机预测水平，这表明模型能够在电池显著老化之前捕捉到有意义的性能下降行为。使用整个使用寿命的数据可以显著提高区分能力，证实了额外的性能下降观察数据能够完善学习到的可靠性表示。这些结果表明，模型不仅仅依赖于后期的性能下降模式，而是学习了可转移的运营风险指标。因此，该框架甚至可以用于评估相对较新的电池的可靠性，这对于没有长期历史记录的实际应用来说是非常重要的。

5. 运营可靠性框架的消融分析
为了更好地理解所提出的运营可靠性框架中各个组件的贡献，进行了消融分析。该框架包括三个关键组成部分：（i）多时段风险学习，（ii）概率校准，以及（iii）基于风险的运营决策策略。虽然之前的章节评估了整个框架，但消融分析通过比较不同的决策策略来隔离这些组件的效果。定量比较结果总结在表5中。表5包括基线始终调度策略、基于原始风险的策略、所提出框架中使用的校准后风险策略，以及确定性的剩余使用寿命（RUL）阈值基准。由于消融分析的目的是展示所提模型组件的增量贡献，图9仅关注从基线策略到风险学习的进展，然后到带有校准的风险学习的过程。RUL阈值在表5中作为外部基准保留，而不是作为所提框架的一部分。

图9展示了不同决策策略下的运营故障率比较。基线策略的故障率为10.31%，表明无限制的运行会使系统面临较高的运营风险。引入基于风险的可靠性预测后，故障率降至3.00%，同时交付能量增加到46.94 kWh。应用概率校准后，故障率进一步降低到2.95%，同时交付能量几乎保持不变（46.97 kWh）。尽管相对于基于原始风险的策略，数值上的改进幅度不大，但校准非常重要，因为它将模型得分转换为可以直接用于运营控制的经验性一致的概率。RUL阈值策略在评估的数据集中实现了0%的故障率和48.22 kWh的交付能量。然而，这个基准是基于固定的确定寿命规则，没有提供跨多个运营时段的校准后概率风险估计。因此，它在这个研究中的作用是作为基准策略，而不是所提决策框架的一部分。图9通过对比基线策略、基于原始风险的模型以及经过校准的风险模型，突显了故障率的降低。从基线策略到基于风险的决策制定的转变带来了最大的故障率降低，而校准进一步提高了决策变量的可靠性。

6. 讨论
6.1. 研究成果的解释
结果表明，电池的可靠性本质上依赖于时间期限。传统的指标如剩余使用寿命（SOH）和剩余使用寿命（RUL）描述了长期的性能下降过程，但没有量化短期的运营安全性。正如结果所示，健康状态相似的电池可能在近期表现出截然不同的故障风险，而寿命预测即使在接近故障时也保持平滑。所提出的风险公式将电池诊断从性能下降估计任务转变为运营可靠性评估。该模型不是预测电池何时达到寿命终点，而是估计电池是否能够安全完成特定的服务承诺。因此，其输出可以直接用于运营决策。

6.2. 所提框架的创新性
这项工作的贡献不在于新的性能下降预测器，而在于一种新的电池预测视角。该框架包括以下内容：
1. 将预测指标转换为决策级别的可靠性变量；
2. 引入与服务持续时间对齐的多时段故障智能；
3. 生成可解释为运营风险的市场化概率；
4. 实现基于可靠性的灵活性调度。大多数现有研究旨在维护规划，而所提出的方法则生成了与电网运营兼容的调度准备就绪的控制信号。

6.3. 与现有工作的比较
传统方法提供了维护指标，但需要启发式的阈值用于运营决策。可靠性模型提高了可解释性，但通常在固定的时间范围内运行。所提出的方法独特地生成了可直接用于控制决策的校准后的、具有时间意识的可靠性度量。与现有方法的比较及其运营可用性总结在表6中。

6.4. 实际应用意义
该框架使聚合商和电网运营商能够将电池健康状况纳入运营规划。系统不是通过二进制接受规则，而是通过以下方式实现基于风险的参与：
- 决定是否接受灵活性报价；
- 限制不安全的调度；
- 减少意外故障事件；
- 逐步退役退化的电池，而不是突然移除。这种能力将预测性维护与运营控制结合起来，使电池能够在尊重可靠性约束的情况下参与灵活性市场。

6.5. 局限性
尽管结果很有前景，但仍存在一些局限性。首先，故障的定义是基于剩余使用寿命（SOH）阈值，而不是物理故障机制，这可能无法完全反映真实的安全事件。其次，数据集包含实验室循环数据，未能捕捉到现场电池储能系统（BESS）操作的全部变异性。第三，调度策略是在没有市场互动或系统级优化的情况下离线评估的。最后，诸如热失控和保护系统故障等安全关键现象没有在模型中明确考虑。

6.6. 未来研究方向
未来的工作应通过将可靠性预测与电力系统优化相结合、建模多电池聚合行为以及实现实时市场竞价来扩展该框架的实际应用。结合物理信息丰富的故障定义和安全事件数据集将进一步提升可靠性的解释能力。

7. 结论
本文提出了一个基于多时段离散时间风险学习的BESSs（电池储能系统）决策导向的可靠性框架。与估计剩余使用寿命（SOH）或剩余使用寿命（RUL）等降解指标不同，所提出的方法预测电池无法安全完成预定义服务承诺的概率。这种重构使电池诊断与现代电力系统的运营要求相一致，在这里短期可靠性而不是寿命预测决定了调度的可行性。在多种锂离子电池上的实验评估表明，寿命指标不能可靠地代表短期运营安全性。所提出的模型生成了在不同服务时段内保持稳定的校准后故障概率，并且可以泛化到未见过的电池。当与风险阈值调度策略结合使用时，预测的可靠性度量实现了交付能量和故障发生之间的可控权衡，优于传统的基于SOH和RUL的决策规则。结果表明，电池预测可以从以维护为导向的预测任务转变为实时运营决策变量。通过将健康状况估计直接与调度控制联系起来，该框架实现了电池存储在灵活性服务中的基于可靠性的参与。未来的工作将集中在将可靠性预测集成到电力系统优化和市场运营中，扩展到聚合存储车队，并结合基于物理的故障定义以支持现场应用。

作者贡献
概念化：Tareq Anwar Shikdar；方法论：Tareq Anwar Shikdar；软件：Tareq Anwar Shikdar；验证：Tareq Anwar Shikdar；形式分析：Tareq Anwar Shikdar；调查：Tareq Anwar Shikdar；写作-原始草稿：Tareq Anwar Shikdar；写作-审稿和编辑：Hannu Laaksonen；监督：Hannu Laaksonen。

致谢
作者使用了基于AI的语言工具，包括Grammarly、QuillBot和ChatGPT，仅用于手稿准备期间的语法校正和语言优化。科学概念、方法论、模拟、分析和结论完全是作者的原创工作，作者对手稿内容负全责。

资金
本研究未获得外部资金支持，是作者在瓦萨大学（Vaasan yliopisto）进行的学术研究活动的一部分。开放获取出版由瓦萨大学通过Wiley - FinELib协议促进。

利益冲突
作者声明没有利益冲突。

数据可用性声明
本研究使用的数据集可从NASA Prognostics Center of Excellence电池数据集仓库公开获取。用于生成结果的处理数据和代码可在合理请求时从相应作者处获得。