Bajo el impulso de la transformación energética global, las nuevas tecnologías de energía alternativa se están desarrollando rápidamente, y las baterías de flujo líquido desempeñan un papel crucial en los sistemas de almacenamiento de energía a gran escala debido a su larga vida útil y alta seguridad. Para las baterías de flujo líquido, una evaluación precisa del estado de carga (SOC) y del estado de salud (SOH) puede mejorar significativamente la eficiencia de uso de la batería, prolongar su vida útil y optimizar las operaciones de arranque y parada en red, mejorando así la confiabilidad y la economía general de la gestión de energía. Este artículo revisa los avances en la evaluación del estado de carga (SOC) y del estado de salud (SOH) en los sistemas de almacenamiento de energía de las baterías de flujo líquido, centrándose en el análisis de varios métodos de evaluación clásicos, incluido el método de voltaje de circuito abierto, el método de integración de amperios-hora, el algoritmo que combina el modelo de circuito equivalente y el filtro de Kalman, así como los modelos basados en inteligencia artificial que han cobrado impulso recientemente. El artículo analiza en detalle las ventajas y desventajas de estos métodos, y señala el impacto de los complejos procesos electroquímicos de la batería y de las variaciones en el entorno externo en la estimación del SOC y SOH. Las direcciones clave de la inteligencia artificial para los sistemas de gestión de baterías de flujo líquido en el futuro son mejorar la precisión de la estimación del SOC y SOH, reducir la complejidad del cálculo y fortalecer la interpretabilidad de los modelos de inteligencia artificial.

baterías de flujo líquido; estado de carga; estado de salud; gestión de baterías; modelo de circuito equivalente; inteligencia artificial