离子电池状态估计基于使用光学频域反射计的阳极应变场重构
Kaijun Liu1, Zhijuan Zou2, Guolu Yin1,3
1The Key Laboratory of Optoelectronic Technology and Systems (Ministry of Education), Chongqing University, Chongqing 400044, China.
ACS sensors
|April 15, 2025
概括
这项研究使用光学反射计来监测电池应变,使用神经网络准确预测充电状态 (SOC) 和健康状态 (SOH). 仅靠应变数据就能提供高精度的电池性能洞察力,而无需进行电气测量.
科学领域:
- 材料科学 材料科学 材料科学
- 电气工程 电气工程
- 数据科学数据科学数据科学
背景情况:
- 精确的充电状态 (SOC) 和健康状态 (SOH) 对电池系统的性能和安全至关重要.
- 传统的监控依赖于电气参数,在某些应用中可能受到限制.
研究的目的:
- 调查分布式应变数据的使用,以实时预测电池SOC和SOH.
- 评估光学频域反射计和用于电池诊断的神经网络的有效性.
主要方法:
- 采用相位敏感的光学频域反射计,用于实时监测电池阳极中的应变场.
- 使用feedforward和长期短期记忆循环神经网络,用于SOC和SOH预测的应变和应变率数据.
- 提取了诸如最大应变和累积残余应变等特征,以提高预测.
主要成果:
- 分布应变数据在SOC预测中达到98.3%的准确性,超过单点测量 (88.8%) 和匹配电参数预测 (98.5%).
- 长期短期记忆网络使用菌株数据预测SOH的准确率为96.3%.
- 基于应变的预测实现了高精度,而不需要电池数据.
结论:
- 纯粹基于应变的数据可以高精度地预测电池SOC和SOH.
- 分布式光学测量为同时监控多个电池组提供了强大的非电气方法.
- 这种方法支持先进的电池管理系统,以提高安全性和性能.


