基于超声信号并考虑载荷的锂离子电池SOC估计方法

本发明属于锂离子电池，涉及一种基于超声信号并考虑载荷的锂离子电池soc估计方法。

背景技术：

1、锂离子电池作为一种高性能、高能量密度的电池，在电动汽车、便携设备和储能系统等领域得到了广泛应用。为了更好地管理和控制锂离子电池的充放电过程，提高其安全性和循环寿命，soc估计技术变得至关重要。准确的soc估计可以帮助用户更好地了解电池的使用情况，避免过度充放电而影响电池寿命，同时也有助于提高电池系统的安全性和性能。针对锂离子电池soc的估计，学界已经提出了一些soc估计方法，如安培小时积分法、开路电压法、电化学阻抗谱法、神经网络、卡尔曼滤波法、模糊逻辑方法、遗传算法方法等。然而，这些方法在实际应用中存在一定的局限性，如精度不高、计算复杂度高、对电池参数变化敏感等。为了提高预测的准确性和效率，研究人员一方面不断开发基于温度、电压和电流信号的更先进的算法，另一方面，还采用了新型传感器来辅助预测。

2、超声检测作为一种成熟且有效的无损检测技术，已被研究者用于锂离子电池的soc监测，监测方法包括基于超声信号飞行时间、超声信号幅值、超声信号最大瞬时能量等信号特征的锂离子电池soc估计方法。

3、然而，目前基于超声信号对锂离子电池进行soc估计的方法都存在一个问题，即电池所受载荷对超声信号的影响。锂离子电池在实际使用环境中会受到力的约束，并且在充放电过程中由于电池本身会膨胀或收缩，导致其所受载荷随之变化。电池在受到载荷之后密度和内部结构都会发生变化，同时发生形变，这些因素势必会影响超声波的传播。因此，基于超声信号对锂离子电池进行soc估计需要考虑到电池所受的载荷。

技术实现思路

1、有鉴于此，本发明的目的在于提供一种基于超声信号且考虑载荷的锂离子电池soc估计方法，考虑锂离子电池所受载荷对超声波传播的影响，从而更精确地实现锂离子电池soc的估计。

2、为达到上述目的，本发明提供如下技术方案：

3、一种基于超声信号并考虑载荷的锂离子电池soc估计方法，其包括：

4、s1、将超声信号发射传感器和超声信号接收传感器间隔的固定在一锂离子电池的同侧，其中，超声信号发射传感器与一信号发生器连接，超声信号接收传感器与一示波器连接；

5、s2、选择若干个设置有传感器的锂离子电池，通过夹具对锂离子电池施加不同大小的载荷，并采用力传感器采集载荷数据；

6、s3、设计多种受载工况下锂离子电池的充放电循环实验，并按固定时间间隔采集超声信号波形原始数据；

7、s4、对采集的超声信号波形原始数据进行数据批量处理和信号特征提取，并提取充放电循环过程中电池所受载荷值；将信号特征数据以及载荷数据组成数据集，作为soc估计的输入；

8、s5、建立bp神经网络模型，使用信号特征数据和载荷数据训练bp神经网络，通过训练好的bp神经网络进行锂离子电池soc的估计。

9、进一步的，步骤s3中，所述受载工况为不同速率的恒流恒压充电，随后恒流放电。其中，放电过程与充电过程采用相同的速率。

10、进一步的，所述示波器与计算机连接，通过所述计算机控制示波器对超声信号接收传感器接收到的超声信号每隔3s采集一次。

11、进一步的，步骤s1中，所述信号发生器控制所述超声信号发射传感器发出中心频率为100～200khz的五周期正弦脉冲波，且每间隔1～2ms发射一次脉冲。

12、进一步的，所述bp神经网络包括输入层、隐藏层和输出层，该神经网络通过前向传播和反向传播算法进行训练和优化，其训练过程包括：

13、1)前向传播过程：输入数据经输入层传递至隐藏层，每个隐藏层神经元接收加权输入并应用激活函数，计算隐藏层神经元的输出值；隐藏层的输出值再传递至输出层，每个输出层神经元接收隐藏层输出的加权和，并应用激活函数，计算最终的预测结果；

14、2)损失函数计算和反向传播过程：根据预测结果和实际标签计算损失函数，衡量预测值与真实值之间的差异；用反向传播算法计算梯度，沿着梯度方向更新权重和偏置参数，以最小化损失函数；通过随机梯度下降反复调整权重和偏置参数，直至模型收敛并达到预设的准确度要求；

15、3)模型训练和优化：重复步骤1)和步骤2)，不断迭代训练数据集，调整模型参数以提高预测准确性。

16、其中，bp神经网络模型的输入层输入的是将收集的超声信号特征数据以及载荷数据进行归一化处理之后得到的数据集，输出层输出的是锂离子电池soc；该模型的学习率为0.1～0.8，最大迭代次数为100～1000。

17、本发明的有益效果在于：

18、(1)本发明采用基于超声信号的方法对电池soc进行估计，与传统方法相比，大大降低了计算复杂度，同时具有较高的及时性和可靠性，为电池管理系统提供了更高效的soc估计方案。

19、(2)本发明采用的超声传感器具有体积小、质量轻、价格低的优点，使得传感器更易于集成在锂离子电池管理系统中，同时也节约了系统成本，提升了系统的经济性和实用性。

20、(3)本发明充分考虑了实际工况下锂离子电池受到载荷影响的情况，将电池受到的载荷作为soc估计模型的输入之一，消除了载荷对soc估计准确性的负面影响，从而提高了soc估计模型的广泛适用性和估计精确度，为电池管理系统的性能提升提供了可靠保障。

21、本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

技术特征：

1.一种基于超声信号并考虑载荷的锂离子电池soc估计方法，其特征在于：该方法包括：

2.根据权利要求1所述的锂离子电池soc估计方法，其特征在于：步骤s3中，所述受载工况为不同速率的恒流恒压充电，随后恒流放电。

3.根据权利要求1所述的锂离子电池soc估计方法，其特征在于：步骤s1中，所述信号发生器控制所述超声信号发射传感器发出中心频率为100～200khz的五周期正弦脉冲波，且每间隔1～2ms发射一次脉冲。

4.根据权利要求1所述的锂离子电池soc估计方法，其特征在于：步骤s3中，所述示波器与计算机连接，通过所述计算机控制示波器对超声信号接收传感器接收到的超声信号每隔3s采集一次。

5.根据权利要求1所述的锂离子电池soc估计方法，其特征在于：所述bp神经网络包括输入层、隐藏层和输出层，该神经网络通过前向传播和反向传播算法进行训练和优化，其训练过程包括：

技术总结本发明涉及一种基于超声信号并考虑载荷的锂离子电池SOC估计方法，属于锂离子电池估计领域。该方法包括：选择若干个设置有传感器的锂离子电池，通过夹具对锂离子电池施加不同大小的载荷并采集载荷数据；设计多种受载工况下锂离子电池的充放电循环实验，并按固定时间间隔采集超声信号波形原始数据；对采集的超声信号波形原始数据进行数据批量处理和信号特征提取，并提取充放电循环过程中电池所受载荷值；建立BP神经网络模型，使用信号特征数据和载荷数据训练BP神经网络，通过训练好的BP神经网络进行锂离子电池SOC的估计。本发明可降低SOC估计过程的计算复杂度，并提高估计精度。技术研发人员：刘冰河,童伟豪,刘玥,舒淙昊受保护的技术使用者：重庆大学技术研发日：技术公布日：2024/8/20