基于光纤光栅传感器的锂电池状态监测(光纤光栅应用)

本研究以光纤布拉格光栅（FBG）传感器为核心测试载体，针对锂离子电池荷电状态（SOC）估计中应变、温度两类非电学参数的相对贡献不明确、多点非电学参数融合对估计精度的影响未量化的问题，开展FBG测试相关研究；通过FBG传感器获取电池表面的应变和温度信号，结合电气参数输入至CNN-LSTM模型，对比不同应变、温度参数组合的测试效果，验证FBG传感器在锂电池应变、温度监测中的可行性，为非电学传感器的优化配置及提升SOC估计精度提供实验依据。

本研究选用额定容量3.2Ah、额定电压3.2V的18650型锂离子电池为测试对象，部署四个特征波长不同的FBG传感器（G1-G4），另设置G5用于环境温度补偿，传感器均布设于电池圆柱体中部区域，G1、G2粘贴于电池中部位置A，G3、G4对称粘贴于反面位置B。

图1 FBG布置

其中G2、G4封装于毛细铜管仅对温度敏感，G1、G3裸露同时响应应变与温度，通过信号差分实现应变与温度的解耦，同步获取两个对称位置的应变和温度共四个非电学信号。

测试中对电池执行1.5C恒流-恒压充电、1C恒流放电的循环工步，全程室温下进行并做温度补偿，得到由应变和温度变化引起的波长变化曲线。

图2 应变温度引起的波长变换

将FBG测试获取的应变、温度信号与电压、电流参数组合为6类输入特征，输入至CNN-LSTM模型构建不同的SOC估计模型，其中M1-M4为单应变/单温度组合，M5为双应变组合，M6为双温度组合。

FBG测试降噪后的波长数据清晰呈现了电池充放电各阶段应变、温度的演化规律，不同阶段的应变、温度波长变化与电池SOC变化呈现出明显的关联性。将6类特征输入CNN-LSTM模型后，各模型均能拟合SOC但估计性能差异显著，基于双温度的M6模型在充放电及静置阶段均表现出较窄的误差波动范围，单非电参数模型的误差主要出现在充放电模式转变阶段。

图3 SOC预测结果

以RMSE、MAE、MAPE为评估指标，M6模型的SOC估计误差最小，首个测试集中其RMSE、MAE、MAPE分别低至1.017%、0.843%、6.506%，相较于单温度、单应变、双应变方案，RMSE分别降低24.667%、24.499%、47.523%；第二个数据集测试中M6模型性能依旧最优，RMSE、MAE分别为0.997%、0.825%，相较于单温度、单应变、双应变方案RMSE均有显著降低。而双应变组合的M5模型在两个测试集中均表现最差，其估计误差甚至高于单应变模型，多点应变信号融合反而引入了额外噪声和特征冗余。

图4 6个模型的RMSE和MAE

四、测试结论

FBG传感器能够灵敏捕捉锂电池充放电过程中由体积变化和温度波动引发的微小应变、温度变化，实现对电池表面应变和温度的高精度实时监测，其获取的非电学信号可有效反映电池内部状态，为SOC估计提供物理上可解释的补充信息，验证了FBG技术在锂电池应变、温度监测及辅助SOC估计中的可行性。