新能源汽车产业的快速发展对新能源汽车的“心脏”——动力电池的安全性提出了更高的要求。各类锂离子电池正极材料在长周期循环中普遍面临电化学与物理演变带来的寿命衰减挑战。近期研究表明，复杂动态工况下剧烈的极化内阻波动会形成高频干扰，使传统仅依赖外部电信号（电压、电流）的荷电状态（SOC）估计方法面临严重的观测性缺失与预测失真现象。

  如何突破电学观测盲区,给电池装上高精度温度监测?深圳技术大学的研究团队提出了一种基于光纤布拉格光栅（FBG）原位监测与多模态融合的SOC估计模型以探究电池内部热-电耦合映射关系成为状态估计的新视角。他们在电池表面布设FBG传感器阵列，通过卷积神经网络-长短期记忆网络（CNN-LSTM）融合电学与热学数据。实验表明：在脉冲放电等复杂工况下，传统电参数模型的均方根误差（RMSE）显著偏高，而融合模型的RMSE降至1.3270%，决定系数R²达0.9971，精度大幅提升。相关成果发表于《粉末冶金工业》2026年第36卷第2期。

一、传统电学方法为什么“看不清”LFP电池？——光纤传感的不可替代优势

  磷酸铁锂（LFP）电池端电压呈现显著非线性特征，在充放电中段（SOC约为20%~80%），电压平台极其平坦（见图1a,b），传统仅靠电压、电流的估算方法难以区分真实电量。更棘手的是，动态负载（如脉冲放电）会瞬间激发欧姆极化和浓差极化，使电压产生锯齿状突降与回弹，形成高频干扰（见图1c）。在脉冲放电过程中，电流阶跃变化时，端电压出现剧烈波动，而真实的SOC仍在平滑变化。传统电学模型在这些观测盲区里，无法准确捕捉电池的真实状态，极易产生严重偏移。尤其是在急加速、脉冲放电等动态工况下，电压剧烈跳变，SOC估计常常失真。

图1 多工况下的电池电流与端电压响应曲线 （CC-CV充电、CC放电、脉冲放电；脉冲阶段电压锯齿状波动明显）

  要突破这一瓶颈，必须引入独立于电信号的物理观测维度——热。电池内部的极化发热会在表面形成特征性温度梯度，且温度变化与SOC演化存在耦合关系。然而，传统测温手段（热电偶、热电阻）存在两个致命缺陷：一是空间分辨率低，单点或少量测点无法捕捉电池表面的温度梯度；二是热响应迟滞，热电偶热容较大，难以捕捉毫秒级的瞬态温升。

  光纤布拉格光栅（FBG）传感器天然具备解决这些缺陷的独特优势：体积小（直径仅125μm）、热容极低、响应速度快、抗电磁干扰、可多点串联成阵列、无损贴附。这些特性使其能够以高时空分辨率原位捕捉电池表面的瞬态热场分布，恰好弥补了电学观测的盲区。这正是本研究选择FBG作为核心传感元件的根本原因。

二、从原理到验证：FBG如何将温度转化为波长，比热电偶更精准？

  FBG的测温原理基于光纤芯折射率的周期性调制。当温度变化时，光纤材料发生热膨胀和热光效应，导致反射光中心波长漂移。波长漂移量Δλ_B与温度变化量 ΔT的关系为：

  式中α_A为线膨胀系数，α_n为热光系数。通过解调波长变化，即可高精度反推温度。这一原理为后续标定与对比实验提供了理论基础。

  实验搭建（见图2）：本研究搭建了集成电化学性能测试与原位热场监测的综合实验平台。

图2 电池测试实验台架实物图

  实验工况涵盖了1~3C恒流充放电及脉冲放电，以模拟复杂实际场景。在25℃的恒温箱环境下，通过集成充放电测试系统、恒温环境控制装置和光纤传感器，搭建了多物理场耦合的电池状态监测平台，采样频率为1Hz，FBG传感器在电池表面的点位布设（见图3）。

图3 FBG传感器在电池表面的点位布设图 （阵列式贴布，覆盖极耳、中心等特征产热区域）

  实验标定（见图4）：首先开展光纤传感器温度标定实验，获得各传感器波长与温度间的线性响应特性。结果显示:光纤传感器波长随温度升高呈现规律性右移，两者间存在显著线性响应关系，温度灵敏度达 R²=0.9986，灵敏度为10.4pm/℃。该结果证实了波长-温度转换模型的有效性与测量系统的可靠性。

图4 光纤传感器标定结果 （波长-温度线性拟合，R²=0.9986）

  对比验证（见图5）：随后在同一测点，同时用FBG和热电偶，监测电池单次充放电循环的表面温度。结果显示：光纤与热电偶测温结果的高度一致性，且光纤传感器温度数据的动态分辨率显著优于热电偶，波动幅度仅0.2℃，能够精准捕捉微小瞬态热特征。这一对比直观地证明了FBG在动态响应和细微温度变化捕捉上的显著优势。

图5 单循环工况下FBG与热电偶测温曲线及局部放大对比 （光纤曲线平滑灵敏，热电偶呈阶梯状钝化）

三、CNN-LSTM多模态融合模型：让热学与电学协同工作

  数据预处理：电化学测试系统与光纤解调仪分别由独立时钟控制。以电信号采样周期（1Hz）为基准，对光纤波长数据执行线性插值重采样，实现电压、电流、温度严格同步。采用滑动窗口（窗口长为5）构造时序特征矩阵，为后续网络捕获短期瞬态极化规律提供标准化的时序输入。

  CNN-LSTM模型架构（见图6及表1）：构建CNN-LSTM混合神经网络。FBG在电池表面呈阵列式排布，其多点温度数据具备空间结构，CNN通过卷积运算可有效捕捉不同测试点的空间热场分布；LSTM 处理时间序列，可解析热效应的时序演化规律。最后全连接层将LSTM输出的综合时空特征映射为SOC估计值。

图6 热电特征融合的CNN-LSTM网络架构 表1 SOC估计模型结构

四、实验验证：融合模型在多工况下全面领先

4.1 不同模型对比

  为验证所提多模态融合模型在复杂工况下的状态估计能力，实验选取某一循环周期内 CC-CV充电、CC放电以及多阶脉冲放电工况下的3种工况进行独立验证，图7展示了不同工况下的 SOC预测值与真实值对比及其对应的瞬态误差曲线。

图7 融合模型在不同工况下的SOC估计曲线与瞬态误差特征

实验结果表明：

• 在CC-CV充电（见图7a）与CC放电（见图7b）阶段，模型预测值与真实SOC演变曲线高度吻合，表明融合模型在平稳工况下具有较高估计精度。

• 绝对误差均保持在0.04以内，表明模型能准确解析稳态极化条件下的物理演化规律。

• 在脉冲放电工况（见图7c），动态扰动导致预测精度局部下降，误差峰值集中于脉冲电流交替瞬间（见图7f）。这主要因为动态负载突变使得电池内部极化效应显著增强，端电压随之发生剧烈跳变。

  随后为验证本文CNN-LSTM混合模型的性能优势，选取卷积神经网络（CNN）、长短期记忆网络 (LSTM）、反向传播神经网络（BPNN）、K近邻（KNN）、支持向量回归（SVR）及线性回归6种典型机器学习回归模型作为基准开展多模型对比实验，以均方根误差（RMSE）、平均绝对误差（MAE）和决定系数（R²）作为评价指标（见图8）。

图8 不同模型对应的SOC估计误差

实验结果表明：

  在7组对比模型中，本研究提出的CNN-LSTM混合模型在在RMSE（1.3270%）、MAE（1.1999%）和R²（0.9971）三项指标上均最优，表明本模型在预测精度与稳定性方面均展现出显著优势。

4.2 不同输入对比

  最后，为验证光纤传感数据对SOC估计的优化效果，本研究基于CNN-LSTM架构，设计了四组输入：全参数（ALL）、仅电参数（IV）、仅温度（T）、仅光纤波长(W）。4组模型在全工况下的预测误差与散点分布特征（见图9、图10）：

图9 不同输入对应的SOC估计误差

图10 不同输入组合的SOC预测散点与误差分布

实验结果表明：

• 全参数输入模型（ALL）组：在各项评价维度上均表现最优，RMSE=1.3270%，MAE=1.1999%，R²=0.9971。其预测值与真实SOC曲线高度重合，在恒流充放电及瞬态脉冲等复杂工况中均表现出良好的适应性。
• IV组：RMSE=1.7611%，优于单一温度或波长组，但在脉冲工况下容易出现局部估计偏移。
• T组和W组：误差显著增大，表明仅靠热学信息不足以独立估计SOC，需与电参数融合。

  实验结论：电参数提供基础表征，光纤热响应补偿极化与温度梯度信息，多模态融合显著提升复杂工况下的抗干扰性。

五、核心结论：热-电多模态融合，破解LFP电池SOC估计难题

  本研究针对磷酸铁锂电池在动态工况下因电压平台平坦、极化干扰导致的SOC估计失真，提出并验证了基于FBG原位监测与CNN-LSTM融合的解决方案，得出三大核心结论：

1. 光纤传感优势明显：FBG阵列可高分辨率、快响应地捕捉电池表面空间热场与瞬态热特征，动态性能显著优于传统热电偶，为模型提供了高质量的热学输入。
2. CNN-LSTM模型优势：CNN提取多点空间热梯度，LSTM解析时序热累积效应，两者结合将电学与热学信息深度耦合，RMSE降至1.3270%，R²达0.9971，精度远超单一模型。
3. 多模态融合补偿观测盲区：在脉冲放电等复杂工况下，传统电参数模型易产生局部偏移，而引入光纤热响应后，模型通过跨模态信息补偿有效克服了LFP电池宽幅电压平台及高频极化效应中的表征盲区，显著提升了SOC估计的准确性和稳定性。

  相较于传统仅依赖电压、电流的估计方法，本方案具备原位无损监测、高时空分辨率、抗电磁干扰、可集成于电池管理系统等优势，可广泛应用于新能源汽车、储能电站等领域的动力电池状态评估，尤其适用于频繁动态充放电的场景。

  原文出处：申文静, 余浩天, 杨照坤, 等. 基于光纤光栅原位监测的磷酸铁锂电池荷电状态估计[J]. 粉末冶金工业, 2026, 36(2): 152-159.
  关注我们，获取更多光纤传感技术前沿解读！如需论文原文或技术合作，欢迎私信交流。