数字储能网讯：近年来，多类型、多场景的电池服务需求日益增长。鉴于电池的服役寿命为10～15年，存量电池的智能化管理重要性不断提升，电池的全生命周期状态估计和管理将成为刚需。

值得关注的背景是：新能源汽车迅猛发展驱动动力电池装机量增长，光伏、风电配储刚需推动储能电池需求爆发。据国际能源署预测，到2030年，全球动力电池装机容量将超过7000吉瓦时，储能电池装机容量将超过1200吉瓦时。

人工智能：电池精细化管理的核心

尽管锂电池已经得到广泛应用，但人们对其关键特性的了解仍然有限，并且在现有电池管理系统技术路线上也暴露出了一些问题：不具备大规模电池服务能力，等效电路模型精度差且无法迭代；功能定位只适合管理单一电池系统，针对特定型号优化；数据积累依靠实时数据直接反馈，无法进行有效的迭代。

一个重要原因是缺乏像“脑机接口”这类更精细的信号传感技术。锂电池是封闭体系电化学系统，封装后只能测量外部特性，如电流、端电压、表面温度、表面压力等，而很多细微变化都是先从内部发生，难以测量内部信号便意味着巨大的信息屏障。

昇科能源研发团队在多维信号融合感知技术上实现了温度、压力、电位信号集成式传感器，可进行三种电池内部信号的同步测量，并在10安时的商用软包电池中进行了持续测试。测试结果表明，团队研发的电位传感器，循环寿命可达到3500小时以上，能够满足电池在研发环节的内部信号采集需求。团队于2022年推出的首个面向电池时序数据的大规模预训练模型PERB1.0，可以通过对比学习，直接从大规模无标签数据中获取信息，实现预训练，解决了伪周期零标签的时序数据异常检测技术难题，实现了高检出率、低误报率的数据驱动异常检测。2023年推出的电池AI大模型PERB2.0，利用超过60吉瓦时的电池数据进行训练，覆盖了442种电池类型，训练数据量达到2.5太瓦时，大模型参数量达到12亿。该技术可以同时满足安全预警、故障溯源、电池状态评估和电池寿命预测等多项任务需求，可兼容不同型号、材料、批次、接口的电池。该模型的研究报告已于2023年在学术期刊《自然》（Nature）的子刊发表，并被中国汽车工程学会评选为“2023动力电池领域关键技术进展”。

如果说，传统方式是以电池资产规模化生产、固定资产投入为主，那么，未来将是以电池资产管理与智能化服务、软件服务投入为主。最终的解决方案不会是一个庞大的模型包打天下，而是通过行业大模型的接口调用小模型，达到协同工作的效率最大化。

应用领域：车险延保+储能护航

电池大模型助力大规模新能源资产高质量管理的着力点有两个：一是在任何环节都能激发储能的收益潜力；二是全部运行周期真正实现零事故。由此可拓展电池大模型的应用领域：一是为新能源汽车保险提供检测支持，二是为储能场站安全运行、提升收益护航。

电池是新能源汽车产业价值链的核心，是保险行业关注的焦点。当前电池保险面临三个主要的难点：一是承保前不了解电池状态，缺乏电池状态的数据；二是承保中难以监控电池的运行，通过对电池的预警主动降低出险概率；三是出险后维修匹配缺乏判断依据，保险公司处于被动地位。

保险公司的痛点在于，缺乏新能源核心数据支撑电池保险开发，电池衰减评估缺乏有效手段。电池大模型可以助力电池延保产品开发，并为保险公司提供电池检测工具，用于保前健康度评估。2024年，中国人民保险集团股份有限公司正式推出电池延保产品，2025年预计保单数突破10000单。

来自储能领域的调查显示，5个省份的超30个储能电站采用固定策略造成的价差损失在10%左右；由于现场电力拓扑等多因素影响，几乎所有的场站都不能完全释放电量，电量损失率一般为5%～20%。

同时，依赖传统能量管理系统的报警方式，是基于固定阈值的频繁、重复报警，很容易让用户忽视真正的风险。为此，昇科能源打造出专业的储能安全系统，可实现AI安全巡检——最快提前50天诊断风险项，故障检出率可达93%；安全评级体系对告警信息进行筛选和整合，指出告警根源；内置专家建议可指导运营运维人员解决问题。

以此为基础，储能运营将迈向“完全自动驾驶”：一是感知收益的提升空间，给出优化方向；二是捕获最大价差的储能策略；三是实现分钟级的策略下发、秒级的响应速度，确保策略执行到位。当然，用户也可以切换到协同模式，即算法输入的策略经过运营人员的授权和纠偏后，再去执行，从而保证守好安全底线。