河北工业大学科研人员提出磷酸铁锂电池荷电状态估计的新方法

磷酸铁锂（LiFePO4, LFP）电池具有安全性高、寿命长等优点，是目前电动汽车主流电源之一。荷电状态（State of Charge, SOC）是电池管理系统（Battery Management System, BMS）中的重要监测指标。荷电状态反映锂离子电池中的可用电量，衡量锂离子电池的续航能力。因电极材料两相共存自由度为0，磷酸铁锂电池开路电压（Open Circuit Voltage, OCV）-SOC曲线具有平台期而呈非线性变化。目前，对长期在平台期服役的磷酸铁锂电池，构建强线性特征低复杂性估计模型，实现快速、精确的平台期荷电状态估计仍是一个挑战。

3d渲染电路板上摆放的新能源电池

目前，已有学者对于磷酸铁锂电池荷电状态估计方法做了大量研究。按测量数据来源分为基于电学参数、热学参数、力学参数和声学参数四类。相比这些方法，超声检测方法是基于电化学模型，以电池微观结构演变为根据，材料杨氏模量、密度、孔隙率等物理参数变化导致声阻抗和声速变化，继而外部表现为超声信号的改变。此外，超声检测方法灵敏度高、检测速度快、额外设备成本低，因此近年来基于声学参数锂离子电池荷电状态估计方法受到人们重点关注。

近几年，超声检测方法在锂离子电池荷电状态估计方面取得了一系列研究成果。该方法基于Biot的流体饱和多孔介质传播理论，利用材料物理特性变化导致的声学信号差异来无损原位表征电池内部状态。目前，超声多用于对三元锂和钴酸锂电池进行荷电状态估计，对磷酸铁锂电池荷电状态超声表征很少。多条件作用下磷酸铁锂电池超声信号的循环特性不明确，荷电状态估计仍处于初步探索阶段，同时针对长期在平台期服役的磷酸铁锂电池因OCV-SOC曲线过于平坦而荷电状态难以精确估计的问题，亟待发掘新的高相关性超声特征，并结合低复杂度回归模型实现平台期荷电状态快速精确表征。

针对长期在平台期服役的磷酸铁锂电池因OCV- SOC曲线过于平坦而荷电状态难以精确估计问题，省部共建电工装备可靠性与智能化国家重点实验室（河北工业大学）、河北工业大学河北省电磁场与电器可靠性重点实验室的刘素贞、袁路航、张闯、金亮、杨庆新，在2022年第22期《电工技术学报》上撰文，融合高相关性超声特征和低复杂性回归模型提出了一种磷酸铁锂电池平台期荷电状态估计方法。

图1基于超声时域特征及RF的SOC估计模型

研究人员开展了超声波发射频率、电流倍率和温度等不同条件下的超声透射波检测实验，研究常规超声特征在电池充放电过程中表征荷电状态的循环特性；基于信号包络线结构特征进一步扩展有效表征荷电状态的超声时域特征；建立多种低复杂性回归模型估计磷酸铁锂电池平台期荷电状态，对比模型驱动方法，并采用动态工况进行可靠性和精确性验证。

图2 锂离子电池电-声-热综合测试平台

他们发现，超声波发射频率会影响超声信号在相邻周期的一致性变化，高频下超声信号的一致性最强，同时超声特征与荷电状态呈高相关性；电流倍率和温度在高频发射信号下不影响超声信号的强一致性，并且超声特征与荷电状态均呈高相关性。另外，基于不同信号特征类型扩展并筛选出kab、kac、tr、tw四维与荷电状态呈高度相关的超声时域特征，其Pearson相关系数均高于0.93，进一步挖掘了超声特征有效表征磷酸铁锂电池荷电状态的潜力。

而基于多维超声时域特征及随机森林回归模型可以对磷酸铁锂电池平台期荷电状态实现精确估计，其动态工况下RMSE和MAE分别低于1.93%和1.66%。此方法结合高相关性超声特征，融合低复杂性回归模型，解决了长期在平台期服役的磷酸铁锂电池荷电状态难以估计问题，为提升电池管理系统的荷电状态估测精度提供了一种新思路。

研究人员指出，本工作提出的基于超声时域特征及随机森林的磷酸铁锂电池荷电状态估计方法的应用方式是在常用电池模组内的单体软包电池与导热铝隔板之间增加一层集成式智能薄膜传感电路，将压电薄膜超声传感器、柔性薄膜温度传感器、薄膜压力传感器等传感器呈分布式集成于同一智能薄膜传感电路中进行局部/全局声、热、力多维信号测量，同时融合电流、电压、内阻等电信号，在电池管理系统中结合有效算法和策略对荷电状态等电池状态及故障进行全面在线估计和预警，电池局部信号数据的增多将有效提高电池管理系统的可靠性和准确性。

本文编自2022年第22期《电工技术学报》，论文标题为“基于超声时域特征及随机森林的磷酸铁锂电池荷电状态估计”。本课题得到国家自然科学基金项目、河北省中央引导地方科技项目和电力系统国家重点实验室资助课题的支持。