电池损耗模型如何影响综合能源系统的储能调度策略

我正在做一个小型产业园区的综合能源系统调度方案时，遇到一个让我印象很深的事：同一个储能电池，我只改了损耗模型里一个衰减系数，系统推荐出来的充放电策略就从“每天深充深放两次”变成了“高频浅充浅放”。同样是满足负荷和光伏出力曲线，一个方案跑下来电池能用六年多，另一个方案可能四年就得准备更换电芯。

这个改动背后，正是“电池损耗模型”在综合能源系统里的价值所在。很多刚接触这个方向的同学，习惯把储能当成一个“效率 95% 的大号充电宝”放进优化模型里，只算充放电量，不算电池本身的老化代价。但真正做园区级或者区域级的综合能源项目时，电池储能往往是整个系统里单位能量成本最高的灵活性资源。你在调度层让它多放一次电，表面上省了几百块电费，实际上可能透支了几千块的循环寿命。这个账不算清楚，方案做得再漂亮，运行两年就露馅。

这篇文章我想结合一个我自己复现过的综合能源系统实例，把两种常用的电池损耗模型掰开讲：它们的原理是什么，Matlab 里怎么写，接入调度优化后会产生什么差异，以及我在复现过程中踩过的坑。内容适合正在做微电网、综合能源系统优化调度、储能容量配置相关课题的研究生，也适合做园区能源管理的工程师参考。

1. 综合能源系统为什么绕不开电池老化这笔账

1.1 电池在这类系统里不是“电源”，而是灵活性成本项

传统电力系统里，电池通常被抽象成一个可充可放、带效率约束的“储能罐”。但在综合能源系统里，储能电池的存在意义不太一样：它往往不是为了长时间供电，而是为了对冲光伏、负荷的不确定性，或者利用峰谷电价做时间搬移。

比如一个园区配了 1 MW / 2 MWh 的磷酸铁锂电池，白天光伏大发时充电，傍晚负荷尖峰时放电。这个过程中，电池每一次“充进去再放出来”，都在消耗真实的循环寿命。如果我们只在优化目标里写“购电成本最低”，那么优化器一定会尽量用满电池。它不会关心 SOC 经常干到 90% 再放到 20% 对电池意味着什么，因为模型里没有这个惩罚。

实际项目中，我见过一个教训：某项目设计方案阶段只按“储能系统 10 年使用寿命”做经济测算，结果实际运行中由于每天峰谷套利都接近满充满放，加上夏季高温时段持续高倍率放电，投运后第三年容量衰减已经明显超出预期，不得不提前更换模组。问题不在电池本身，而在方案阶段把损耗指标定得太理想化，也没有把损耗和调度策略联动起来。

1.2 损耗模型的粒度：规划层和运行层要的答案不同

这里要先澄清一个容易混淆的点：电池损耗模型并不是越精细越好，要看它被用在哪个层面。

做容量规划时，我们关心的是“这套储能系统在 20 年项目周期内，因为老化需要更换几次”，所以需要的是长期容量衰减趋势，时间尺度通常以月、年为单位。做日前调度或实时控制时，我们关心的是“这个时段让电池多放电 100 kWh，会折算成多少经济损失”，时间尺度是小时甚至分钟级，而且这个成本要能放进优化目标函数里跟电费做比较。

现实中的损耗机理模型，比如电化学模型，能准确描述锂离子电池内部 SEI 膜增长、活性物质损失等过程，但计算量偏大，参数多，用在秒级实时控制里不现实。所以综合能源系统研究中，大家更常用的是两类折中思路：一类从“循环次数”切入，把损耗按等效循环折算；另一类从“容量衰减率”切入，用温度、放电倍率、SOC 区间等运行状态拟合损耗速率。下面要讲的两种模型，就是这两类思路的代表。

2. 两种电池损耗建模思路，本质上是两种“算账”方式

2.1 模型一：从“等效循环次数”角度算损耗

这个思路最直观，也是很多厂家说明书爱用的。厂家通常会写：电池在 25℃、0.5C、80% 放电深度下，循环寿命为 6000 次。于是有人就把它简化成：充放一次，损耗 1/6000 的寿命。这种简化在系统层面前期评估时可以用，但有一个硬伤：它把所有循环都按 80% DoD 来等价，忽略了实际调度里更多是“放 30% 又充回去”这类浅循环。

合理一点的做法，是引入一条“循环寿命—放电深度”曲线。统计上，放电深度越深，电池能承受的循环次数越少，两者大致呈幂函数关系：

N_cyc(D) = N_ref × (D / D_ref)^(-kp)

其中 D_ref 是厂家测试对应的基准放电深度，比如 0.8；N_ref 是这个深度下的循环寿命，比如 6000；kp 是曲线形状参数，通常在 0.8～2.5 之间，不同类型电池差异很大。

有了这条曲线，我们可以通过雨流计数法（Rainflow Counting）从 SOC 时序里提取出一组“循环深度”，再把这些循环分别套入上面公式，折算出等效寿命损耗。这就是所谓“等效循环损耗模型”。它的优点是结果比较直观，能照顾到浅循环和深循环的差异，适合用来评估运行策略；缺点是计算过程是非线性的，并且雨流计数本质上需要完整闭环的 SOC 曲线才能提取循环，所以通常不能直接塞进滚动优化的目标函数里，更多用于“策略生成后评估”。

2.2 模型二：从“容量衰减速率”角度算损耗

第二种思路是从电池老化试验数据出发，建立一个容量衰减量与运行状态之间的映射关系。锂离子电池常用的老化描述是所谓“半经验模型”，形式大致如下：

Q_loss = A × exp(-E_a / (R × T)) × (Ah)^z

其中 Q_loss 代表累计容量损失比例，Ah 是累计通过电量，T 是电池温度，A、E_a、z 是通过不同温度和倍率下的老化试验拟合出来的参数。这个公式本身的物理含义是：电池内部老化反应遵循阿伦尼乌斯定律，温度越高，反应越快；累计反应量与通过电流的时间积分近似成幂函数关系。实践中常取其微分形式来估算单位时间步长内的损耗：

dQ_loss / dt = A × exp(-E_a / (R × T)) × z × Ah^(z-1) × |I|

这样做的好处是每一步的损耗大小能和当前电池温度、SOC、充放电倍率关联起来。如果你在优化模型里采用这种形式，就可以通过合理调度，让电池少在高温高倍率时段工作，或者避免在 SOC 过高时继续大功率充电——因为这些状态下的边际损耗比“温和区间”大得多。

不过要注意，这里的 Ah 指累计通过电量，而 SOC、温度又会反过来影响 A 和 E_a，所以严格说这是一个耦合模型。实际工程里常见做法是预先用不同温度、倍率做几组老化测试，拟合出参数表，然后在线运行时用查表或插值方式把损耗因子取出来。如果只取一组固定参数去套全工况，那这个模型就退化成“带温度修正的线性损耗”，效果会打折扣。

2.3 两种模型的适用范围对照

这两类模型不是替代关系，而是各有适用场景。我把它们放在一起对比过：

我在实际项目里通常做法是：运行层面用一个可微分的容量衰减损耗项做实时优化，同时对优化结果再跑一遍等效循环模型，用来复核“这样跑下去电池总的损耗是否符合预期”。两个模型互相印证，比单用哪一个都稳妥。

3. Matlab 代码实现：先定数据结构，再谈公式

3.1 参数定义与接口设计

很多人一上来就写公式，写到最后自己都乱了。我建议先在 Matlab 里把所有电池相关参数定义成一个 struct，这样后面做参数扫描或换电池型号都方便。

matlab复制% 电池基本参数
batt.E_rated = 2000;          % 额定容量，kWh
batt.P_rated = 1000;          % 额定功率，kW
batt.SOC_min = 0.2;           % 运行下限
batt.SOC_max = 0.9;           % 运行上限
batt.SOC_init = 0.5;
batt.eta_ch = 0.95;           % 充电效率
batt.eta_dis = 0.95;          % 放电效率
batt.c_inv = 1500;            % 单位容量投资成本，元/kWh
batt.EOL_ratio = 0.2;         % 容量衰减 20% 视为寿命终止

然后再定义一个损耗模型参数结构体：

matlab复制% 损耗模型一：等效循环模型参数
deg1.N_ref = 6000;            % 基准放电深度下循环寿命
deg1.D_ref = 0.8;             % 基准放电深度
deg1.kp = 1.2;                % 幂函数拟合形状参数

% 损耗模型二：容量衰减半经验模型参数
deg2.A0 = 0.0032;             % 老化反应速率常数（标定后）
deg2.Ea_over_R = 3100;        % 活化能/气体常数，单位 K（近似值）
deg2.z = 0.8;                 % Ah 幂指数
deg2.C_rate_ref = 0.5;        % 参考倍率

定义好结构体之后，写损耗计算函数时就不用来回传一堆零散参数了。这也是我跟很多学生协作时反复强调的：代码可读性差往往不是算法难，而是数据结构没设计好。

3.2 模型一：循环损耗评估函数

模型一的核心是雨流计数。Matlab 没有现成的内置雨流函数，但可以用一个已经广泛流传的 Rainflow 工具箱，也可以自行实现简化版。如果只想理解逻辑，可以先跑一个简单判断循环峰谷的函数。

下面这个函数实现的是“从 SOC 时序中提取循环并计算等效寿命损耗”的评估流程：

matlab复制function [life_loss, cycles] = loss_equivalent_cycle(soc, batt, deg1)
% soc: 1×N 的电池 SOC 时序，范围 0~1
% cycles: 输出的循环信息，每行 [起始索引, 结束索引, 循环深度]

    % 找出 SOC 序列中的局部极值（峰/谷）
    dS = diff(soc);
    extreme_idx = [1, find(dS(1:end-1) .* dS(2:end) < 0) + 1, length(soc)];
    
    % 简化雨流：相邻峰谷差即一个半循环，视作一个完整循环用于评估
    cycles = [];
    for i = 1:length(extreme_idx)-1
        D = abs(soc(extreme_idx(i+1)) - soc(extreme_idx(i)));
        if D > 0.02  % 忽略小于 2% 的微小波动
            cycles = [cycles; extreme_idx(i), extreme_idx(i+1), D];
        end
    end

    % 根据 DoD-循环寿命曲线，计算每个循环消耗的寿命占比
    life_loss = 0;
    for k = 1:size(cycles, 1)
        D = cycles(k, 3);
        N_cyc_at_D = deg1.N_ref * (D / deg1.D_ref)^(-deg1.kp);
        life_loss = life_loss + 1 / N_cyc_at_D;
    end
end

这个简化版本的粗糙之处在于它把每个相邻峰谷都当成独立循环，严格雨流还应该处理“大循环套小循环”的情况。但如果你手里是一组已经优化好的 SOC 曲线，这样复算出来的循环损耗已经能反映趋势了。进一步可以通过换算得到损耗成本：

matlab复制cost_loss = life_loss / batt.EOL_ratio * batt.c_inv * batt.E_rated;

意思很明确：寿命损耗占比如果累计到 100%，说明电池有效寿命已经耗尽，需要花“重置成本”更换整套储能，所以用 life_loss 除以 EOL 比例再乘上投资成本。

3.3 模型二：容量衰减损耗函数

模型二更适合放在时间步进循环里逐时计算。仿真时先做一次不考虑损耗的调度，或者在一个迭代框架中逐步更新 SOC、温度，然后对每一步的放电电量算损耗增量。

matlab复制function [deg_cost, dQloss] = loss_semiempirical(P_bat, soc_vec, temp_vec, dt, batt, deg2)
% P_bat: 当前时段电池功率，放电为正，kW
% soc_vec: 当前时刻前后 SOC，用于计算区间
% temp_vec: 当前时刻电池温度，℃
% dt: 时间步长，h

    % 温度修正
    T_K = temp_vec + 273.15;
    
    % 当前倍率
    C_rate = abs(P_bat) / batt.P_rated;

    % 累计安时通过量增量
    I_mag = abs(P_bat) / batt.E_rated * 1000;  % 粗略折算：A = kW / V，此处按 kA 归一化处理
    Ah_inc = I_mag * dt;

    % 容量衰减增量
    dQloss = deg2.A0 * exp(-deg2.Ea_over_R / T_K) ...
            * (C_rate / deg2.C_rate_ref)^0.2 * Ah_inc^deg2.z;
            
    % 折算成经济成本
    deg_cost = dQloss / batt.EOL_ratio * batt.c_inv * batt.E_rated;
end

这里的 dQloss 是单步的累计容量损失比例增量。如果时间步长 15 分钟，Ah_inc 并不大，dQloss 会是 10^-5 甚至 10^-6 量级，数值很小，这是正常的。真正使用时，要注意单位统一，否则成本算出来要么是天文数字，要么小到等于没有惩罚。

3.4 与调度优化器的对接方式

在综合能源系统里，损耗模型通常不是独立跑的，而是作为目标函数里的一项“软约束”成本参与调度。例如用 Yalmip 建模时，可以在目标函数里加一个储能损耗成本变量：

matlab复制% 决策变量
P_bat = sdpvar(1, N);       % 电池功率，放电为正
SOC = sdpvar(1, N);         % 电池 SOC

% 电池 SOC 动态约束
for t = 1:N-1
    SOC(t+1) = SOC(t) - P_bat(t) * dt / batt.E_rated; % 未计效率，可自行修正
end

% 损耗成本：这里以线性近似为例
lamda_loss = 0.15;  % 元/kWh，由损耗模型离线标定得到
C_deg = lamda_loss * sum(abs(P_bat) * dt);
Objective = sum(购电成本(t)) + sum(售电收益(t)) + C_deg;

如果是滚动的 MPC 控制器，可以在每个控制周期开始时根据当前环境温度和 SOC 动态更新 lambda_loss，从而让损耗惩罚系数跟着运行状态走。这种方法实现简单，虽然不像完整非线性损耗模型那样严格，但在实际调度场景中已经能有效避免“电池被白嫖”的情况。

4. 一个靠近实际调度的算例：两个模型给出的建议明显不同

4.1 系统配置和十天运行数据

为了把两种模型差异说清楚，我搭了一个简化但接近工程实际的综合能源系统算例：园区内有 1.5 MW 光伏、1 MW / 2 MWh 储能，以及一条典型工业负荷曲线。光伏出力用典型日光照数据生成，负荷按工作日曲线构造，仿真时长为 10 天，时间步长 15 分钟。购电电价采用分时电价：峰段 1.2 元/kWh、平段 0.8 元/kWh、谷段 0.4 元/kWh，允许储能向电网放电。

电池更换成本按 1500 元/kWh、容量衰减到初始的 80% 即视为寿命结束。模型一采用等效循环法，基准 80% DoD 下循环 6000 次；模型二采用容量衰减半经验模型，并且人为给了一个较高的温度惩罚，模拟夏季储能舱散热一般、电池温度偏高的情况。

4.2 两种损耗模型下的损耗成本差异

整个 10 天仿真结束后，我把两种模型的累计损耗成本和对应的调度行为统计成了表格：

看到没有，最反直觉的是：模型二的累计通过电量比模型一还少，但等效满循环次数反而更高。说明模型二驱动出来的策略做了更多浅循环，单次损耗小，但因为循环次数多，总损耗依然被控制住了。这就是“高频浅循环”和“低频深循环”之间在做自动权衡。

4.3 为什么调度路径会发生分歧

原因要从损耗函数的形状来解释。

模型一把损耗成本近似成“线性相关于通过能量”，惩罚力度固定，所以优化器会优先取消单次经济收益较低的充放电，比如午后光伏出力不确定性高导致的反充电时段，但对“是否深放”不敏感。

模型二里温度、倍率还有 SOC 区间共同影响损耗增量。当储能舱温度在午后达到接近 40℃ 时，电池损耗成本会明显抬高。优化器经过多轮迭代后发现：与其在高温时段一次性深放 60% 电量，不如在傍晚温度回落后放两段 30% 浅循环，峰谷套利收益差不多，损耗却更少。

这给实际运行带来一个非常重要的启发：即使总放电量和峰谷套利收益相同，不同的功率曲线会让电池寿命产生 20% 甚至更多的差异。这 20% 直接对应后期更换电池的时间点，折算成钱，往往足以覆盖一套额外的小型储能设备。

4.4 从算例能得出的实际结论

在我这个算例的参数组合下，可以得出三个结论：

第一，损耗模型不是可有可无的优化附加项，而是会实质改变充放电策略的因素。不加损耗项的策略是典型的“账面电费最低，全寿命成本吃亏”。第二，两种模型给出策略的整体方向一致——都会减少不必要的充放电——但在具体深度上会出现分歧，这时候需要根据项目评估目标选择或者综合使用。第三，损耗成本与电价的相对大小决定了储能套利是否还有空间。如果某地峰谷价差只有 0.3 元/kWh，而损耗成本平均已经到 0.25 元/kWh，那储能系统单纯靠峰谷套利已经不具备经济性，需要在辅助服务或需量管理上找额外价值。

5. 复现这个案例最容易踩的坑

5.1 幂函数拟合循环寿命曲线时外推失控

很多论文里的循环寿命-DoD 曲线是用幂函数拟合的，形式简洁，但千万别拿它去算 5% 以下极浅循环的寿命。幂函数在 D 趋近 0 时开销会急剧膨胀，导致算出来的浅循环寿命高得离谱，甚至循环次数超过电池实际可用日历寿命。

我自己遇到过一次：优化器为了规避损耗惩罚，把所有放电拆成 2% 的小循环，模型输出累计等效循环次数反而异常低，运行表现却很差。后来限制了 SOC 变化率门槛，小于 5% 的循环不计入寿命损耗，同时增加日历老化作为兜底，问题才解决。

5.2 温度和倍率对损耗的影响不是独立叠加的

模型二里如果直接把温度项和倍率项当成两个独立修正因子相乘，会带来明显误差。老化试验表明，高温和高倍率同时作用时，损耗速率大于两个因子各自作用的简单乘积。因此在写 Matlab 代码时，最好把倍率修正项放到指数项内部，或者采用一个二维查表结构，让温度和倍率真正耦合起来。

建议的做法是对温度、倍率做网格化扫描，生成一张损耗速率表，然后在代码里用 interp2 做插值。这样虽然多几个中间步骤，但比拟合一个很难保证精度的多元函数要可靠得多。

5.3 损耗成本系数不能简单地设为常数并放到所有场景里通用

有一种很偷懒但很常见的做法：一次性算出一个“每 kWh 放电损耗成本”，然后对所有时段统一加惩罚。这在电池处于温和工况时误差不大，但一旦进入夏季高温或电池 SOC 长期偏高，损耗成本会低估。

更稳妥的方法是在调度模型外套一个负反馈循环：先用当前损耗因子算调度，调度结果算 SOC 和温度序列，再用这个序列重新标定损耗因子，迭代到收敛。我自己在 Matlab 里写的脚本通常会迭代 5 到 10 次，实际效果比一次性求解有实质性提升。

5.4 关于 SOC 范围设定的一个隐藏影响

最后提醒一个容易被忽略的点：SOC 上下限本身也在“替你做损耗管理”。如果你直接把 SOC_min 设成 0.1、SOC_max 设成 0.95，再建立损耗模型，优化器仍然会在深循环和损耗之间做权衡；但如果你在电池技术规范里已经保守地把 SOC 限值设在 0.2 到 0.9，那么损耗即使测算得粗糙一些，实际运行风险也会被兜住很多。

所以做综合能源系统方案时，不要把 SOC 限值当成可以随便调的软约束。它和损耗模型共同构成了电池寿命的保护边界。很多时候项目运行出问题，不是损耗模型不好，而是 SOC 窗口设得太宽，把系统逼到了电化学性能急剧下滑的区域。

做这类研究有一点特别重要：不要迷信某一个模型的精度，而是把损耗模型当成调度策略的一把尺子。尺子有误差不可怕，可怕的是完全没有尺子，全凭感觉让储能系统在系统里“自由发挥”。我这个小算例虽然参数简化了不少，但已经足以说明：损耗模型选择的差异，能直接影响充放电曲线，还能通过累计寿命影响整个项目的经济测算。如果你打算在综合能源系统方向深入做下去，建议先把这两类模型都实现一遍，跑通几个典型算例，再决定自己项目中该用哪种方式去度量电池的每一次“付出”。