数字储能网讯：电池健康状态（State of Health, SoH）是衡量电池老化与性能的核心指标，也是电池储能系统（运营和生命周期管理中最重要的参数之一，其重要性仅次于荷电状态（SoC）。日前，行业专家Liam Critchley撰文对SoH进行了深入研究与分析，指出该指标对于任何依赖电池的先进技术——无论是智能手机、电动汽车，还是大型电池储能系统，都具有基础性意义。

除了SoC，SoH也是电池储能系统运营和生命周期管理中最重要的指标之一。

电池健康状态（SoH）是指电池在充满电时仍能保持的可用容量。SoH表示为电池当前容量相对于其原始容量的百分比。

例如，电池储能系统中所有新电池的SoH初始值为100%，随着时间推移，充放电老化和日历老化会逐渐降低电池所能存储的总容量，SoH随之下降。如果某一电池使用已久并且频繁充放电，其SoH可能降至70%，这意味着该电池充满电后仅能保留原始容量的70%。

电池健康状态（SoH）与荷电状态（SoC）及电池衰减密切相关。电池管理系统（BMS）会对电池衰减进行预测，而SoH的降低直接反映了衰减程度——衰减通常表现为容量下降或安全隐患。  

SoC是指电池在使用、充电或静置状态下的当前电量，它也表示为与理论电荷相比的百分比，因此如果SoH低，那么电池的SoC也会受到影响。

SoH还与内阻相关，而内阻升高是电池老化的直接结果。将当前内阻与原始内阻相比较，可反映电池的老化程度。随着电池老化、SoH下降，内阻增大，意味着在额定电压下所能输出的电流减小。  

因此，SoH不仅用于判断电池储能系统的最大可用容量，更是衡量老化程度的关键指标——过度损耗会影响电极结构，进而危及电池安全运行。

当SoH过低、老化严重时，电池储能系统运营商需要知道在热失控或其他电池危险发生之前更换一些电池（这意味着如果发生火灾，需要更换更多的电池和设备）。因此，准确了解SoH可以帮助电池储能系统运营商节省运营成本，避免代价高昂的热失控事件，并保持其资产的运营效率和可用性。

影响SoH的运营因素

尽管电池初始的SoH为100%，但随着运行时间延长，老化不可避免。然而，电池储能系统的使用方式对电池老化和SoH损失也有显著影响。

例如，高倍率充放电（C-rate）、高温环境、频繁的深度放电（DOD），以及低效或欠佳的电池管理系统（BMS），都会加速老化。这意味着，即使日历寿命或充放电次数相同，如果运行条件更为恶劣，其SoH可能低于预期。而对于采用慢速放电、运行区间控制在20%~80%的BESS，其SoH则能在更长时间内保持较高水平。因此，电池储能系统的健康状态并无统一标准，这正是了解电池真实SoH的重要性所在。  

SoH还有助于确定何时需要更换电池，在多数情况下无需更换整个电池组需更换那些老化加速、已低于可接受阈值的电池。例如，SoH高于90%时，电池仍然保持“几乎全新”的性能；降至80%~90%时，虽有一定程度衰减，但正常运营不受影响；当SoH降至70%~80%，性能衰减明显，许多高要求应用场景下的资产所有者会开始考虑更换电池。

当SoH低于70%时，对于要求较高的使用场景（例如电力交易、提供高频电网辅助服务如频率调节等），此时通常视为寿命终止（EoL）。许多电池储能系统运营商会在这一阈值下更换电池。但并非所有电池都必须在此阶段更换——在要求较低的应用中（如可再生能源的能量时移），部分储能系统的电池可安全运行至50% SoH。  

甚至有些电池储能系统会采用来自电动汽车的二次电池，这些电池在安装时SoH仅为70%~80%，虽然已不满足电动汽车的高性能需求，但对于要求较低的储能系统应用场景仍然适用。  

计算SoH面临的挑战

准确计算SoH，有助于电池储能系统运营商更深入地了解系统状态，从而实现最大化收益、减少损失，并确保日常运营的高安全性和高性能。通常，电池管理系统（BMS）用于测量和监控是电池的SoH。然而，估算并精确计算SoH难度较大，因为不仅环境因素会影响结果，不同种类和生产商的电池之间的老化特性也各不相同——每个电池都存在差异。  

真实SoH与测量SoH之间通常存在偏差，因为部分电池管理系统（BMS）采用基于充放电次数的线性估算，未考虑深度放电（DOD）、热条件及其他加速老化的因素，导致某些性能衰减被掩盖，从而使SoH评估失准。

此外，还有技术层面的挑战影响到SoH和SoC估算的准确性。电池组层面存在不一致性——大量电池串并联，制造水平各异，导致电池储能系统整体老化不均，增加了精准追踪SoH的难度。这也意味着系统中通常存在“薄弱环节”，即便只有一个电池老化程度远高于其他电池，也可能限制电池储能系统的整体性能，并使SoH评估失真。另外，目前许多电池储能系统用磷酸铁锂（LFP）电池，其电压（OCV）存在充放电曲线不匹配的迟滞效应，这使其SoH估算与其他种类电池相比更为困难。  

不过，并非所有电池管理系统（BMS）都存在上述问题。当前，一些更先进、更稳健的BMS，能够显著提高SoH估算精度，进而提升电池储能系统的安全性和盈利能力。这些BMS采用智能算法，例如库仑计数法、基于电压的估算法和卡尔曼滤波等。  

优秀的BMS配合先进算法会持续管理单个电池和电池模组的各项参数，测量电池电压（防止过充过放）、追踪电流、监测内部温度以探测热点。对这些老化因素的有效管理，不仅有助于延缓老化、检测内阻变化，还能在复杂非线性衰减场景下更准确地估算SoH。  

就量化计算而言，SoH的公式本身很简单，难点在于对相关参数的分析以获取当前SoH。SoH（百分比）即为当前容量除以标称容量再乘以100，其表达式如下：  

其中 Qmax为当前最大容量，Q为原始标称容量。如果已知SoH百分比，也可反推得到以mAh为单位的精确容量。  

数据驱动方法提升SoH精度

鉴于先进BMS需要量化影响SoH的多个参数，并可靠和准确地估算真实SoH，数据驱动方法正被越来越多地用于辅助估算。  

人工智能正被应用于深入理解电池的损耗规律，基于BMS采集的数据预测未来性能和SoH。人工智能能够识别复杂模式，推断温度、充电速率、DOD和使用年限等因素对电池损耗的综合影响，并能根据电池储能系统运行条件的变化动态调整分析。通过洞悉储能系统电池内部的这些行为特性，BMS可更准确地预测真实SoH。  

与此同时，市场上也出现了越来越多的先进电池数据分析软件方案，它们可叠加在BMS之上，通过在电池及系统关键位置部署遥测传感器，测量影响SoH、SoC和热行为的各项指标。这些云端采集的数据经过分析后，据其提供商声称，可提供远高于传统方法的估算精度。  

SoH是判断电池剩余寿命的关键指标，有助于制定维护计划和更换决策。更重要的是，对于电站运营方和资产所有者而言，SoH如果失准则可能导致财务损失，而精准掌握则能帮助其实现收益最大化。同时，了解SoH可提升电池储能系统的长期可靠性，无论对资产所有者还是电网（尤其当电池储能系统参与电网服务时）均大有裨益。