基于机电信息融合的先进光纤传感增强锂离子电池SOC估计方法

《Energies》：An Electro-Mechanical Information Fusion-Based SOC Estimation Method for Lithium-Ion Batteries Enhanced by Advanced Optical Fiber Sensing

　　

准确的荷电状态（SOC）估计对于锂离子电池的安全高效运行至关重要。然而，磷酸铁锂（LFP）电池在电压平台区内的弱电压可观测性限制了传统基于电压方法的精度。为解决这一问题，研究人员提出了一种用于SOC估计的机电信息融合框架。采用光纤布拉格光栅（FBG）传感器同时测量方形LFP电池的表面应变和温度。实验结果表明，应变信号与SOC的相关性比电压信号更强，平均绝对相关系数为0.92。建立了结合自适应遗忘因子递推最小二乘（AFFRLS）算法的戴维宁等效电路模型用于在线电压建模，同时开发了基于Mamba的应变模型，以捕获多维传感数据与电池应变之间的非线性时间关系。两个模型进一步与自适应无迹卡尔曼滤波器（AUKFs）集成，并通过双层自适应加权策略进行融合。在本研究考虑的五个工况下的实验结果表明，所提方法的平均均方根误差（RMSE）和平均绝对误差（MAE）分别为0.98%和0.80%，优于单独的基于电压和基于应变的方法。

论文解读文章

**研究背景与问题**

锂离子电池作为新能源汽车和大型储能系统的核心储能介质，其荷电状态（State of Charge, SOC）的精确估计对系统安全性、可靠性和经济性至关重要。然而，现有SOC估计方法主要依赖电压、电流和温度信号，这些信号在高电压大电流工况下易受电磁干扰影响，且对于磷酸铁锂（LiFePO₄, LFP）电池，其显著的电压平台效应导致电压信号在特定SOC区间内对SOC变化不敏感，从而降低了基于电压方法的估计精度。此外，传统数据驱动方法（如循环神经网络、长短期记忆网络和Transformer）在计算复杂度或长序列建模能力上存在局限。近年来，先进光纤传感技术为电池多维状态感知提供了新途径，其中光纤布拉格光栅（Fiber Bragg Grating, FBG）传感器因体积小、抗电磁干扰等优点被用于测量电池表面应变，但现有研究多集中于软包和圆柱电池，缺乏对方形电池（广泛用于电动汽车）的深入探索，且应变建模方法在物理可解释性或长时依赖建模方面仍有不足。为此，研究人员开展了基于机电信息融合的SOC估计方法研究，旨在通过整合机理模型与数据驱动模型，利用电压与应变信息的互补优势提升估计精度、稳定性和鲁棒性。研究论文发表在《Energies》期刊。

**主要技术方法简述**

研究人员采用以下关键技术：首先，使用FBG传感器（含两个不同布拉格波长的光栅）同时测量方形LFP电池（由国轩高科提供）的表面应变和温度，实现温度补偿。其次，建立戴维宁等效电路模型（Equivalent Circuit Model, ECM）并结合自适应遗忘因子递推最小二乘（Adaptive Forgetting Factor Recursive Least Squares, AFFRLS）算法进行在线参数辨识。第三，基于Mamba模型（一种基于结构化状态空间模型的选择性机制架构）建立电池应变预测模型，输入多维传感数据（电压、电流、温度等），输出应变估计。第四，分别构建基于ECM和Mamba的自适应无迹卡尔曼滤波器（Adaptive Unscented Kalman Filter, AUKF）用于电压和应变通道的SOC估计。最后，提出一种双层自适应加权融合策略：第一层根据观测残差计算动态可信度因子，第二层根据电压和应变信号对SOC的灵敏度分区（基于核密度估计和变化率分布）分配区间权重，最终融合两个通道的SOC估计结果。

**研究结果**

**4.1 电池模型验证**

**4.1.1 ECM验证**
在0.25 C、0.5 C、1 C恒流工况及FUDS（Federal Urban Driving Schedule）、DST（Dynamic Stress Test）动态工况下，ECM能准确跟踪端电压变化趋势。恒流工况下RMSE为5.74~8.27 mV，MAE为1.82~3.61 mV；动态工况下RMSE为11.09~23.16 mV，MAE为4.68~11.12 mV。平均RMSE和MAE分别为11.18 mV和4.83 mV，表明模型具备良好精度和适应性。

**4.1.2 基于Mamba的应变模型验证**
采用五折循环块交叉验证（避免数据泄露），以Mamba模型预测应变。在0.25 C、0.5 C、1 C、DST、FUDS工况下，预测曲线能有效跟踪实际应变变化趋势。与LSTM和Transformer模型对比，Mamba模型取得最佳综合性能：平均RMSE为6.56 με，平均MAE为4.50 με，参数量（77,057）和训练时间（722.37 s）介于两者之间，展现了优越的长序列建模能力和计算效率。

**4.2 SOC估计结果**

将所提融合方法（Fusion）与单独基于电压的ECM-AUKF方法和单独基于应变的Mamba-AUKF方法对比。结果表明：ECM-AUKF在高SOC区和低SOC区（放电末端）存在较大误差，在FUDS工况下最大负误差达-0.045；Mamba-AUKF在充电末端（高SOC区）因锂浓度饱和导致应变表征能力下降，最大误差约0.063；而融合方法在整个SOC范围内保持更稳定的估计性能，误差曲线更平滑。融合权重可根据SOC区域自适应调整：在电压高敏感区侧重ECM-AUKF估计，在电压平台区和低SOC区侧重Mamba-AUKF估计，并通过观测残差动态校正。所有工况下，融合方法的平均RMSE为0.98%，平均MAE为0.80%，显著优于ECM-AUKF（1.24%和0.98%）和Mamba-AUKF（1.26%和0.90%）。

**讨论与结论**

讨论部分指出，所提框架通过融合电压（强物理可解释性）和应变（对SOC变化高灵敏度）的互补优势，有效克服了单一观测变量的局限性，在复杂工况下提升了SOC估计性能。研究结论总结如下：
- FBG传感器能稳定捕获不同工况下方形LFP电池的表面应变和温度响应。应变信号与SOC的平均绝对相关系数为0.92，高于电压的0.75，表明应变可作为有效的补充观测变量。
- 建立的ECM（结合AFFRLS）和Mamba应变模型均具有良好精度，后者在长序列建模和计算效率上表现优越。
- 提出的双层自适应加权融合方法实现了最佳SOC估计性能，平均RMSE和MAE分别为0.98%和0.80%，验证了机电信息融合框架在提高估计精度、稳定性和鲁棒性方面的有效性。

研究局限性包括：仅在单个LFP方形电池、有限数据集和实验室条件下验证，未考虑电池老化、环境温度变化及FBG传感器长期可靠性。未来工作将扩展至不同老化状态、温度条件和外部预载环境，并进行多电池验证和长期循环实验。