基于多路径超声融合与时空神经网络的锂离子电池荷电状态精准估计新方法

本文创新性地提出一种融合多路径超声（UW）信号与时空神经网络（2D CNN-BiLSTM-Attention）的锂离子电池荷电状态（SOC）估计方法。通过部署压电传感器采集表面波/透射波路径信号，结合Daubechies 4（db4）小波变换提取多尺度能量特征，构建时空深度学习框架捕捉电池内部电化学响应的空间关联性与动态演化规律。实验表明路径融合策略显著提升SOC估计的鲁棒性，为电池管理系统（BMS）提供非侵入式监测新范式。

　　

Highlight

本研究提出通过压电传感器采集锂离子电池表面多路径超声信号（UW），结合db4小波变换与时空神经网络框架，实现荷电状态（SOC）的高精度估计。实验验证透射路径性能优于表面路径，而双路径融合可显著提升模型稳定性。

数据分析和处理

采用2Ah/3Ah商用软包锂电池数据集，通过k折交叉验证评估模型。压电传感器分别采集沿电池厚度方向（透射波）和长度方向（表面波）的超声信号，揭示不同路径对内部电化学变化的敏感性差异。

方法论

1. 1.

   特征提取：应用db4离散小波变换（DWT）分解信号，构建包含多尺度能量矩阵和全局统计量的二维时频特征。

2. 2.

   网络架构：

   • •

     空间建模：2D卷积神经网络（CNN）自动捕获超声时频图的局部模式

   • •

     时序建模：双向长短期记忆网络（BiLSTM）解析SOC动态演化特征

   • •

     注意力机制：动态加权关键时间步特征，提升模型解释性

实验验证

在2Ah/3Ah电池数据集上：

• •

  透射路径的均方根误差（RMSE）比表面路径降低23.6%

• •

  双路径融合使SOC估计误差稳定在1.5%以内

• •

  消融实验证实CNN-BiLSTM-Attention各模块的协同增效作用

结论

该工作首次系统比较超声传播路径对SOC估计的影响，提出的时空框架突破了传统手工特征提取局限。未来可扩展至电池健康状态（SOH）监测，为智能BMS开发提供新思路。

（注：严格保留原文技术术语如BiLSTM、RMSE等中英文对照，采用"透射波/表面波"等专业表述，使用₂Ah/₃Ah规范容量单位）