02 储能工程
（一）科研项目
一、基于数字孪生的电化学储能系统可靠性评估关键技术研发
1、项目介绍
本项目面向电化学储能系统全生命周期运行需求，构建基于数字孪生的多层级故障诊断与可靠性评估体系，研发涵盖故障建模、状态监测、可靠性分析、系统集成与应用验证的关键技术。任务1融合机理与数学模型，研究电池演化与变流器故障，构建多组件数字孪生模型；任务2提出多层次可靠性评估方法，开展多场景风险诊断；任务3开发递阶层次故障与轻量化监测平台；任务4融合机理与数据驱动，结合AI实现状态估计与寿命预测并经硬件在环验证；任务5研究多工况退化规律与全生命周期可靠性，部署融合模型实现诊断与预警。项目形成“建模—评估—监测—集成—验证”研究链条，为储能电站安全高效运行提供支撑。
2、成果展示
构建了储能系统典型故障模型与仿真模块，提出多参量分析与参数跟踪方法，实现异常电池模块定位、信息可视化、预警及性能演化分析。通过外部特征响应解析内在机理，形成多层次、多参量的可靠性状态分析方法，并在多场景下验证可靠性评估模块的有效性。进一步结合电池老化特性、健康状态与指标权重，建立可靠性评估模型，揭示储能系统全生命周期的性能退化与可靠性演化规律。
二、基于数字孪生的电化学储能系统可靠性评估关键技术研究
1、项目介绍
探明储能系统关键器件的衰退与失效机理，建立从器件到系统层面的多尺度健康参数退化数字孪生模型，利用数字孪生技术将电池、变流器、电力电子器件从单一分析到联合协同，开发融合多种器件衰退机制的储能系统级可靠性评估方法，填补系统级运维模型和故障诊断方法的技术空白。项目开发数字孪生系统和平台通过采集物理系统的数据并与虚拟系统同步更新，结合数据-机理融合的高精度数字孪生模型，实时准确地评估实际物理系统的运行状态，提前研判、识别和处理可能的系统故障和安全隐患，构建一体化数字孪生系统和监控平台，实现储能系统全生命周期精细化管理。
2、项目成果：开发电化学储能系统一体化数字孪生系统与监控平台，平台具备 “数据采集 - 模型驱动 - 状态评估 - 故障预警 - 运维管理” 全流程功能。在数据采集层面，通过部署多类型传感器及通信模块，实现对物理系统运行数据的实时、高效采集与传输；在模型驱动层面，搭载多尺度数字孪生模型，实现物理系统与虚拟系统的实时同步与动态交互；在功能应用层面，平台可实时展示系统运行状态，自动识别和预警可能的系统故障和安全隐患（，并提供故障定位与处理建议；此外，平台还具备历史数据追溯、健康趋势分析、运维计划制定等功能，实现对储能系统从 “建设-运行-维护-退役”全生命周期的精细化管理。
相关报告：基于数字孪生的电化学储能系统可靠性评估关键技术研究.pdf
三、新型储能系统自主管控及安全高效能运行研究
1、项目介绍
本项目为应对高压电能计量装置现场检验检测业务需求，分析现有检验检测装置技术及功能不足，改进并创新拓展检测技术方法和算法模型，优化迭代了电流回路接地等隐蔽故障在线检测技术，深入研究了多形态计量故障下实际用电量估算模型及差错电量现场分析计算方法，采用硬件集约化、软件容器化设计理念，研制了高压计量异常多功能检测及差错电量辅助计算一体化智能装置。该装置能实现高压计量装置投运前后的状态检查分析、计量装置运行故障诊断及差错电量本地辅助计算
2、项目成果
能实现高压计量装置投运前后的状态检查分析、计量装置运行故障诊断以及差错电量本地实时计算，其主要功能特点包括：
（1）首创基于比较注入可调频高频电流信号和输出反馈损失程度判断电流回路故障方法，实现在不停电/停电状态下，排查电流回路隐蔽故障，降低高压客户停电损失。
（2）创新提出利用遗传策略算法搜索最小衰减率的信号频率范围，并对高频信号发生仪和功率放大器电路结构进行优化，在避免影响电能表准确计量的前提下检测判断高压TA接地故障。
（3）创新提出基于历史冻结数据的相量图绘制方法，解决了单一时刻相量图容易判断失误的问题，提高了错接线判别准确度。
（4）针对失压故障差错电量计算，创新引入配对t检验和Bootstrap抽样方法，进一步提升电流积分法计算故障期间用电量的准确性。
（5）本课题研制装置创新采用硬件集约化、软件容器化的设计理念，可实现对高压电能计量装置异常故障的全方位、多维度排查，支持校验结果数据与移动作业终端的自动回传，提高现场作业的数智化水平。
（二）论文成果
1. Zhou B, Jiang Y, Zhang Y, et al. Review of Modelling and Optimal Control Strategy for Virtual Energy Storage[J]. IET Generation, Transmission & Distribution, 2025, 19(1): e70031.
2. Sun W, Wu C, Xie C, et al. Fine-tuning enables state of health estimation for lithium-ion batteries via a time series foundation model[J]. Energy, 2025, 318: 134177.
3. Zhou D, Chen F, Liang J, et al. Battery defect detection using ultrasonic guided waves and a convolutional neural network model[J]. Journal of Energy Storage, 2025, 119: 116352.
4. T. R. Zhao, Y. H. Zhang, M. H. Wang, et al. A Critical Review on the Battery System Reliability of Drone Systems[J]. Drones, 2025, 9(8): 539.
5. T. R. Zhao, Y. H. Zhang, M. H. Wang, et al. A Hybrid LSTM-Transformer Model for Accurate Remaining Useful Life Prediction of Lithium-Ion Batteries[J]. Frontiers in Electronics, 2025, 6: 1654344.
6. S. X. Cao, T. R. Zhao, G. Wang, M. H. Wang, W. Feng and Y. H. Zhang, “Reliability assessment model of energy storage battery based on multidimensional generalized generating function”, in the 4th IEEE International Conference on Industrial Electronics for Sustainable Energy Systems, Sep. 2025.
7. Y. H. Zhang, T. R. Zhao, X. T. Xiong, H. H. Xiang, M. H. Wang and W. Feng, “Unsupervised Thermal Runaway Detection in Lithium-Ion Batteries Using Autoencoder and GAN Discriminator”, in the 4th IEEE International Conference on Industrial Electronics for Sustainable Energy Systems, Sep. 2025.
8. H. H. Xiang, T. R. Zhao, X. T. Xiong, M. H. Wang, W. Feng and Y. H. Zhang, “Battery Capacity Degradation Prediction Based on Optimal Feature Selection under Small Sample Conditions”, in the 4th IEEE International Conference on Industrial Electronics for Sustainable Energy Systems, Sep. 2025.
9. Y. H. Zhang, X. T. Xiong, W. Feng, C. H. Huang, T. R. Zhao and H. H. Xiang, “Decoupling independent aging features based on deep convolutional temporal networks and multi-physics coupling characteristics of batteries”, in the 4th IEEE International Conference on Industrial Electronics for Sustainable Energy Systems, Sep. 2025.
10. Xiong X, Zhang Y, Feng W. Robust battery fault detection for electric mining trucks using deep learning with enhanced interpretabilit[J]. Journal of Power Sources, 2025, 655: 237965.
11. Zhou D, Liang J, Li F, et al. SOH prediction of lithium-ion batteries using a hybrid model approach integrating single particle model and neural networks[J]. Journal of Energy Storage, 2024, 104: 114579.
12. Zhou J, Zhang Y, Guo Y, et al. Parameters identification of battery model using a novel differential evolution algorithm variant[J]. Frontiers in Energy Research, 2022, 10: 794732.
13. Guo Y, Yang Z, Liu K, et al. A compact and optimized neural network approach for battery state-of-charge estimation of energy storage system[J]. Energy, 2021, 219: 119529.
14. Shao L, Pan Z, Xu X, et al. Fault prediagnosis of power electronic devices in urban new energy system[J]. Energy Reports, 2021, 7: 134-140.
15. Guo Y, Yang Z, Liu K, et al. A compact and optimized neural network approach for battery state-of-charge estimation of energy storage system[J]. Energy, 2021, 219: 119529.