一种基于膨胀力的方法，用于在整个锂离子电池生命周期内准确估算其剩余电量

《Journal of Energy Storage》：An expansion force-based method for accurate state of charge estimation across the entire lifecycle of lithium-ion batteries

提出基于膨胀力信号的多模态SOC估计框架，融合CNN、LSTM与注意力机制，显著降低估计误差（静态72.3%，动态73.2%）并抑制电池老化影响（75%），提升全生命周期精度。

　　随着全球能源危机的加剧和对环境保护意识的提高，清洁能源的转型正在加速推进。锂离子电池（LIBs）因其高能量密度、长循环寿命以及低自放电率，已成为这一趋势中的关键解决方案。为了确保锂离子电池的安全和高效运行，强大的电池管理系统（BMS）是必不可少的，其中准确的电池荷电状态（SOC）估计对于监控电池容量、减缓性能退化以及防止安全风险至关重要。然而，SOC无法直接测量，必须通过外部信号进行推断，如电压和电流等。尽管这些传统信号在电池管理中被广泛应用，但它们的灵敏度有限，且在电池老化过程中会进一步退化，从而影响其在整个电池生命周期（BEL）中的长期准确性。

为了克服这些局限，研究者们开始探索其他类型的信号，如机械响应，作为SOC估计的补充。在充放电过程中，电极材料会发生膨胀和收缩，产生可测量的膨胀力，这种力能够直接反映锂离子的嵌入和脱嵌过程。相比传统的电气信号，膨胀力与SOC之间的关系更为紧密，且具有更高的灵敏度和更丰富的信息内容。因此，将膨胀力信号引入SOC估计框架中，可以显著提高估计的准确性。

近年来，一些研究尝试将膨胀力数据整合到SOC估计模型中。例如，Peng等人通过将电压和膨胀力信号结合到卡尔曼滤波器中，提升了锂铁磷酸电池（LFP）的SOC估计精度。其他研究则采用了自适应算法，如无迹卡尔曼滤波器和最小二乘支持向量机（LSSVM），尽管这些方法依赖于准确的机制模型，但在复杂工况下仍然存在一定的局限性。与此同时，基于数据驱动的方法也开始利用膨胀力数据，如Gong等人采用长短期记忆（LSTM）网络结合电压、电流和膨胀力信号，提升了SOC估计的准确性。Liu等人则通过类似的架构，进一步优化了中段SOC的估计效果。

尽管膨胀力数据在SOC估计中展现出巨大潜力，但仍然存在一些关键挑战。在LFP电池中，膨胀力与SOC之间的非单调关系使得建模变得复杂。现有的方法，如非线性回归模型和LSSVM，往往依赖于简化的假设或需要详细的电池参数，这限制了它们在复杂工况和长时间循环中的适用性。此外，随着电池老化，膨胀力与SOC之间的关系会发生显著变化，但这一效应在以往的研究中常被忽视，导致SOC估计的可靠性随时间下降。因此，构建一个更加稳健和具有老化感知能力的SOC估计方法显得尤为重要。

针对上述问题，本文提出了一种基于膨胀力信号的新SOC估计方法。该方法整合了多种输入特征，包括膨胀力、其对电荷的导数（dF/dQ）、电压、电流以及电池老化指标。这些输入特征使模型能够捕捉到机械-电化学相互作用以及与老化相关的性能变化。为了实现这一目标，我们构建了一个混合的深度学习架构，该架构结合了卷积神经网络（CNN）用于空间特征提取，长短期记忆单元（LSTM）用于时间序列建模，以及一种能够突出重要信号的通道注意力机制。这种多模态框架不仅提高了SOC估计的准确性，还确保了其在整个电池生命周期中的稳定性和可靠性。

与以往基于膨胀力的方法相比，本文的方法引入了更加全面的特征集和更加有效的网络结构。这使得该方法不仅在不同的工况下提升了SOC估计的精度，还在整个电池生命周期中保持了较高的估计一致性。实验结果表明，该模型在早期循环阶段到晚期老化阶段均能保持较低的估计误差，展现出其在实际电池管理系统中的强大应用潜力。通过这种多模态方法，我们能够实现更加精准和可靠的SOC估计，为电池管理系统的长期智能化发展提供了新的思路和方法支持。

为了验证该方法的有效性，我们构建了一个专门的测试平台。该平台包括薄膜传感器（Tacsense SA6455-32A-HIP）、数据采集设备（Tacsense DH1-A10-HP）、可调节夹具、充放电测试仪（NEWARE BTS-5V60A）以及恒温箱（HUITAI HT-HW40-150L）。夹具可以施加定制的预载力，将电池在充放电过程中的体积变化转化为可测量的膨胀力变化。为了减少力分布的不均匀性，我们采用了多点测量技术，确保数据的准确性和一致性。测试平台能够在多种工况下稳定运行，为SOC估计的实验提供了可靠的硬件支持。

在实验过程中，我们观察到膨胀力在LIBs中的行为具有两个显著特点：可逆的波动趋势和老化引起的漂移。在每次充放电循环中，膨胀力通常会在充电时增加，在放电时减少，尽管在某些情况下可能会出现局部的非单调变化，这是由于电极材料中的相变引起的。这种可逆的变化反映了与锂离子嵌入和脱嵌相关的体积变化，而不可逆的变化则与电池老化密切相关。随着电池老化，膨胀力的漂移会变得更加明显，从而影响其作为SOC估计指标的可靠性。

为了应对这些挑战，我们构建了一个多模态的SOC估计框架。该框架结合了膨胀力、其对电荷的导数（dF/dQ）、电压、电流以及电池老化状态等多类信号，从而能够更全面地捕捉电池的动态变化。通过混合神经网络结构，我们不仅能够提取膨胀力信号中的空间特征，还能够建模其随时间的变化趋势，并通过注意力机制突出重要的信号特征。这种多模态方法在实验中展现出卓越的性能，不仅在静态和动态工况下均能保持较高的SOC估计精度，还能有效应对电池老化带来的信号漂移问题。

此外，该方法在实验中还展现出良好的泛化能力。无论是在低SOC区域还是高SOC区域，其估计精度均优于传统的基于电化学信号的方法。特别是在复杂的动态条件下，该方法能够显著减少SOC估计误差，从而提高电池管理系统的可靠性。通过引入老化指标，该方法能够动态调整模型参数，使其在电池老化过程中仍然保持较高的估计精度。这种动态调整机制不仅提升了模型的适应性，还增强了其在不同工况下的鲁棒性。

综上所述，本文提出了一种基于膨胀力信号的SOC估计方法，该方法通过整合多种输入特征，构建了一个混合的深度学习架构，从而实现了对电池生命周期内SOC变化的高精度估计。实验结果表明，该方法在静态和动态工况下均能保持较高的估计精度，并且能够有效应对电池老化带来的信号漂移问题。通过这种多模态方法，我们不仅提升了SOC估计的准确性，还为电池管理系统的长期智能化发展提供了新的技术支持。该方法的提出，标志着在电池管理系统中引入多模态信号的可行性和必要性，为未来的研究和应用提供了重要的参考和启示。