用于估算集装箱式锂离子电池储能系统充电状态的提示引导型大型语言模型

《Journal of Energy Storage》：Prompt-guided large language model for estimating the state of charge of containerized lithium-ion battery energy storage systems

　　刘云鹏|毛志宇|陈忠伟 中国科学院大连化学物理研究所催化国家重点实验室动力电池与系统研究中心，中国大连116023

摘要
本研究提出了一种基于提示驱动的大型语言模型，并通过量化低秩适配技术对其进行微调，以提高集装箱式锂离子电池储能系统电量状态估算的长期准确性和泛化能力。首先将电压、电流和温度的时间序列数据转换为自然语言形式的问答对，然后利用量化低秩适配技术高效地对15亿参数的DeepSeek模型进行适配，无需修改其核心结构，从而实现轻量级部署。该模型在来自实际运行储能站的82天（118,080个样本）的数据上进行了训练和验证。在最优超参数下，所提出的估算方法的均方根误差仅为1.15%，显著优于现有基准方法。鲁棒性测试表明，经过量化低秩适配优化的模型在多种运行条件下仍能保持高精度和强泛化能力。这些结果表明，该模型有望成为大规模储能系统中可靠电量状态监测的语言驱动解决方案。

引言
近年来，由于锂离子电池具有高能量密度、长循环寿命、重量轻以及出色的环境适应性等优点，集装箱式锂离子电池储能系统已成为主流的分布式储能方案[1]–[5]。这些优势使得集装箱式锂离子电池储能系统成为电网级储能的重要解决方案。然而，在工程应用中，过充、老化以及电池单体一致性等问题可能引发热失控，给系统带来安全风险[6]–[7]。电量状态作为反映电池剩余容量的关键指标，对于电池管理系统中的平衡控制及故障检测至关重要[8]–[9]。由于传感器精度的限制以及运行条件的复杂性，电量状态无法直接在线测量[10]。因此，利用电压、电流和温度等实时信号开发高精度的电量状态估算模型，对于提升系统安全性并延长电池使用寿命具有重要意义。

传统的电量状态估算方法主要分为两类：基于静态端电压的开路电压法，以及基于电流积分的库仑计数法[11]。这两种方法都需要高精度的传感器或补偿算法来抑制噪声干扰，且要求电池处于完全静止状态以消除极化效应[12]。因此，这些方法较为复杂，难以满足不同运行条件下的需求。为克服这些局限性，近年来基于模型驱动和数据驱动的方法越来越受到重视[13]。模型驱动方法又可进一步分为等效电路模型和电化学模型[14]。等效电路模型结构简单，应用广泛，但在低温或高放电率等极端条件下，其精确度会显著下降[15]。而电化学模型虽然理论精度较高，但需要确定众多物理参数，难以在实时监测场景中应用[16]。

近年来，由于神经网络具备出色的非线性映射能力，基于深度学习的方法在锂离子电池电量状态估算领域得到了广泛应用[17]。这类方法可以利用深度神经网络、长短期记忆网络、卷积神经网络以及混合结构，基于现有的在线数据预测电量状态，无需复杂的电化学模型[18]–[21]。最近，基于自注意力机制的Transformer模型通过动态聚焦关键时间段，显著提升了电量状态估算的准确性和泛化能力，为高精度、高适应性的电量状态估算提供了新的技术路径[22]–[23]。

尽管基于深度学习的电量状态估算方法在电动汽车领域取得了成功，但将其直接应用于集装箱式锂离子电池储能系统仍面临诸多挑战。首先，目前关于锂离子电池电量状态估算的研究主要集中在电动汽车领域，那里的运行条件多变且频繁，对电池的能量密度以及充放电速度有较高要求。而储能电池通常在部分电量状态范围内长时间运行（如20%–80%），并且存在较长的静止期和间歇性工作模式[24]。随着时间的推移，电池会因日历老化导致电压与电量状态之间的映射关系逐渐发生变化。因此，那些在电动汽车领域表现良好的深度学习模型，在应用于储能系统时性能会大幅下降[5]。此外，集装箱式储能站由数千甚至数万节电池单体通过串并联连接而成，不仅电池数量庞大，而且运行环境十分复杂[25]。现场测量通常只能获得集群级或组级汇总数据，难以获取详细的单节电池数据[26]。这进一步加剧了现有模型在储能应用中的可观测性不足问题。

在现有的储能系统电量状态估算研究中，基于LSTM的模型最初展现出在捕捉电池电量状态的时间依赖性方面的优势[27]。然而，由于它们过度依赖序列相关性，可能在不同的运行条件下难以准确描述复杂的电池动态行为[28]。为提升特征提取能力，人们将基于CNN的空间特征提取与基于LSTM的时间建模相结合，形成了CNN-LSTM架构，从而提高了电量状态估算的精度[29]。不过，当输入序列过长时，仍可能存在信息丢失的问题[30]。为解决这一问题，人们进一步开发了带有注意力机制的CNN-LSTM结构，用于集装箱式锂离子电池储能系统的电量状态估算，使模型能够动态聚焦长序列中的关键局部特征，从而提高其在长时间运行数据下的泛化能力[5]。尽管有了这些进展，现有方法的估算精度仍受限于模型结构和数据粒度，其在复杂运行条件下的泛化能力与实际应用需求之间仍存在较大差距。因此，提升电量状态估算的精度和稳定性仍是一个重要挑战。

近年来，随着包含数十亿参数的大型语言模型在自然语言处理领域的突破性发展，其强大的序列理解能力和泛化能力引起了人们在电池状态估算领域的关注[31]。现有研究已经探索了多种基于大型语言模型的电池健康状态及状态估算方法。例如，一些基于低成本预训练大型语言模型框架的方法，通过结合多种与老化相关的特征，实现了电池健康状态估算，且精度、泛化能力以及部署适应性均有提升[32]。此外，还有一些基于可解释大型语言模型的电池寿命预测框架，通过结合低秩适配技术和检索增强生成技术，不仅提高了预测精度，还提供了基于物理原理的电池退化原因分析[33]。另外，经过低秩适配微调的中型规模大型语言模型也被应用于随机充电条件下的多状态电池联合估算，能够在多种数据集上实现准确的电池健康状态、电量状态以及剩余使用寿命预测[34]。还有一些混合提示策略，可将电池的电压、电流和温度数据转换为自然语言指令，从而使大型语言模型能够在低温和复杂运行条件下捕捉到电量状态的动态变化[35]、[36]。此外，参数高效型的提示驱动大型语言模型微调方法也被用于电池状态估算任务，它在降低计算成本的同时，仍能在不同类型和条件下的电池上实现高精度的电量状态和电池健康状态估算[37]。这些最新研究证明了大型语言模型在电池状态估算领域的可行性。然而，目前大多数基于大型语言模型的研究主要聚焦于单节电池、电动汽车应用场景，或是电池健康状态/寿命预测/联合估算任务，而针对集装箱式锂离子电池储能系统的整体电量状态估算研究则相对较少。尤其是如何以较低的计算成本和高精度，将大型语言模型有效地适配到实际的集装箱式锂离子电池储能系统数据中，仍然是一个重要挑战。

因此，本研究提出将经过量化低秩适配微调的DeepSeek大型语言模型应用于集装箱式锂离子电池储能系统的电量状态估算。通过设计专门的文本数据转换模板，将电池的电压、电流、温度等测量数据以及任务提示转换为自然语言输入，再利用量化低秩适配技术高效地对模型进行微调，在保留核心模型参数的同时使其适应电量状态估算任务。借助DeepSeek在自然语言理解和序列建模方面的优势，该方法旨在提升大规模储能系统中电量状态估算的泛化能力和稳定性。本研究的主要贡献如下：
1. 这是首次将经过量化低秩适配微调的DeepSeek大型语言模型应用于集装箱式锂离子电池储能系统的电量状态估算。通过设计的专用文本转换模板，可将电池测量数据和任务提示转换为自然语言，实现了语言模型在电量状态估算领域的创新应用。
2. 为了解决大型模型微调带来的计算负担，本研究采用了量化低秩适配技术来实现参数高效的模型适配。通过系统研究不同量化低秩适配超参数对电量状态估算性能的影响，阐明了量化低秩适配如何提升模型的适配能力，并通过与多种基准模型的对比验证了其稳定性，为未来进一步提升模型精度和适配能力提供了理论依据。
3. 本研究将大型语言模型的应用范围从传统的电动汽车领域扩展到了集装箱式锂离子电池储能系统，率先实现了使用DeepSeek模型进行该系统的电量状态估算，为在大型固定式储能系统中部署大型语言模型开辟了新途径。

本文的其余部分安排如下：第2节介绍基于提示驱动的大型语言模型以及量化低秩适配方法；第3节详细阐述实验内容；第4节是对实验结果的分析；第5节为结论部分。

问题构建
为实现基于语言驱动的集装箱式锂离子电池储能系统电量状态估算，本研究将这一任务建模为让大型语言模型根据自然语言提示作出响应的任务。设总数据长度为D，每个输入序列的长度为T，则样本集为{xi,yi}i=1N，其中样本总数为N=D/T。对于第i个输入序列xi={ζi,t}t=1T，ζi,t={Vi,t,Ii,t,Tempi,t}表示电池在各个时间点的电压、电流和温度的连续测量值。

储能系统结构概述
图4(a)展示了本研究所采用的集装箱式储能系统。该系统由五个功能模块组成：锂离子电池组、智能功率分配装置、液冷热管理装置、能量管理系统以及电力变换系统。电池组由五组电池架组成，每组电池的额定电压为166.4伏，额定容量为46.592千瓦时，采用1P52S的配置，电池单体为电压3.2伏、容量280安时的LiFePO4电池。智能功率分配装置负责向辅助负载供电，并上传数据。

量化低秩适配秩值的影响
如图6和表1所示，量化低秩适配模块的秩值对基于大型语言模型的储能系统的电量状态估算性能有着显著影响。秩值实际上决定了由低秩适配器所构成的特征子空间的维度：较高的秩值意味着有更多可训练的参数，以及更强的表征能力，从而使模型能够捕捉到电量状态与输入变量之间的复杂非线性关系和时间依赖性。

结论
本研究提出了基于量化低秩适配优化后的提示驱动DeepSeek大型语言模型方法，用于集装箱式锂离子电池储能系统的电量状态估算。通过将时间序列测量数据转换为自然语言提示，并结合量化低秩适配微调策略——该策略通过4位量化以及冻结核心模型结构，使GPU内存使用量减少了28%，同时仍能将均方根误差控制在1.15%——该模型能够有效学习电池运行过程中的动态特征，以及在不同运行条件变化下的非线性关系。经过训练后的模型……

CRediT作者贡献声明
刘云鹏：撰写——初稿撰写，概念构思。毛志宇：数据整理。陈忠伟：概念构思。

利益冲突声明
作者声明不存在任何可能影响本文研究成果的已知财务利益或个人关系。

致谢
本研究部分得到了中国科学院战略性先导科技专项（项目编号：XDB0600400）以及DMU–DICP医学工程联合创新基金（项目编号：DMU&DICP UN202522）的支持。作者们衷心感谢中国双登集团有限公司，感谢其为本研究提供集装箱式锂离子电池储能系统的实际运行数据以及宝贵的工程技术支持。