陳 林，張持健，殷安龍，許矛盾

（安徽師范大學(xué) 安徽 蕪湖 241000）

基于LabVIEW的鋰電池監(jiān)測系統(tǒng)及SOC預(yù)測研究

陳 林，張持健，殷安龍，許矛盾

（安徽師范大學(xué) 安徽 蕪湖 241000）

為了實(shí)現(xiàn)對電池參數(shù)的實(shí)時監(jiān)測和SOC的預(yù)測，中文以單片機(jī)和LabVIEW平臺開發(fā)出一套電池管理系統(tǒng)。采用LM算法，建立了基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池SOC預(yù)測模型，利用樣本數(shù)據(jù)進(jìn)行模型實(shí)驗(yàn)。通過不斷的學(xué)習(xí)，BP神經(jīng)網(wǎng)絡(luò)預(yù)測的SOC逐漸逼近實(shí)際的SOC。結(jié)果表明，該系統(tǒng)能實(shí)時顯示電池參數(shù)，實(shí)現(xiàn)數(shù)據(jù)存儲；該預(yù)測模型實(shí)現(xiàn)了鋰電池SOC預(yù)測中輸入與輸出之間的高度非線性映射，預(yù)測精度高，具有可行性。

鋰電池；LabVIEW；神經(jīng)網(wǎng)絡(luò)；SOC；預(yù)測

近年來，全球石油資源日益緊張、大氣污染愈發(fā)嚴(yán)重，人們愈發(fā)重視高效清潔能源的開發(fā)和利用。電動汽車以其低污染的優(yōu)點(diǎn)成為世界汽車發(fā)展的主要方向[1]，但電池的性能和價(jià)格成為影響電動汽車推廣的主要"瓶頸”。為了更好的發(fā)揮電池的性能并延長其使用壽命，急需設(shè)計(jì)電池管理系統(tǒng)對其進(jìn)行控制和管理。

文中設(shè)計(jì)鋰電池監(jiān)測系統(tǒng)使用STC12C5A60S2單片機(jī)作為主控模塊，實(shí)現(xiàn)鋰電池端電壓和放電電流等參數(shù)的實(shí)時采集，通過計(jì)算得出鋰電池的SOC，并將這些參數(shù)在上位機(jī)LabVIEW用戶界面進(jìn)行顯示和存儲。通常鋰電池剩余容量都是根據(jù)電池端電壓、電流、溫度、阻抗等參數(shù)來預(yù)測[2]。與蓄電池相關(guān)的建模方法有兩種：一種是物理建模方法，另一種是參數(shù)估計(jì)與系統(tǒng)辨識建模方法[3]。物理建模方法包括開路電壓法、電導(dǎo)法、電流計(jì)分法、測量電解液法。參數(shù)估計(jì)與系統(tǒng)辨識建模方法包括卡爾曼濾波法、模糊邏輯法和神經(jīng)網(wǎng)絡(luò)法。由于物理建模方法是根據(jù)電池內(nèi)部復(fù)雜的物理化學(xué)反應(yīng)建立的數(shù)學(xué)模型[4]，這種方法建模過程困難且繁瑣，模型的可靠性低且精度不高。近年來，將卡爾曼濾波法應(yīng)用于電池SOC預(yù)測[5]，但該方法估計(jì)精度由電池等效模型的準(zhǔn)確性決定，而且運(yùn)算量很大。神經(jīng)網(wǎng)絡(luò)模型具有很強(qiáng)的非線性映射能力、高度的容錯性和魯棒性。針對電池充放電過程的非線性的特性，將神經(jīng)網(wǎng)絡(luò)應(yīng)用于電池SOC的預(yù)測，可以不受非線性模型的限制，能非常好地解決鋰電池SOC在線預(yù)測問題。因此，本文利用神經(jīng)網(wǎng)絡(luò)根據(jù)采集的數(shù)據(jù)對電池SOC進(jìn)行預(yù)測，并利用Matlab開發(fā)環(huán)境建立SOC預(yù)測模型進(jìn)行仿真驗(yàn)證。

1 基于LabVIEW的鋰電池監(jiān)測系統(tǒng)結(jié)構(gòu)

系統(tǒng)利用STC12C5A60S2單片機(jī)進(jìn)行硬件設(shè)計(jì)，輸出電壓的大小通過改變單片機(jī)輸出的脈沖寬度調(diào)制（PWM）波的占空比來控制，從而控制恒流放電電路的電流大小，通過單片機(jī)片內(nèi)AD模塊實(shí)時對鋰電池兩端的電壓和放電電流進(jìn)行采集，利用串口協(xié)議，把采集到的參數(shù)傳送到LabVIEW上位機(jī)界面進(jìn)行顯示和存儲。監(jiān)測鋰電池的電壓達(dá)到設(shè)定的終止電壓時，系統(tǒng)輸出信號關(guān)閉MOS管，鋰電池停止放電。系統(tǒng)結(jié)構(gòu)框圖如圖1所示。

1.1 系統(tǒng)硬件設(shè)計(jì)

監(jiān)測系統(tǒng)硬件主要由STC12C5A60S2單片機(jī)、按鍵模塊、恒流放電模塊等組成。單片機(jī)主要完成數(shù)據(jù)的采集，PC機(jī)主要實(shí)現(xiàn)數(shù)據(jù)的實(shí)時顯示與存儲。

圖1 鋰電池監(jiān)測系統(tǒng)框圖

監(jiān)測系統(tǒng)的恒流放電電路由運(yùn)放和MOS場效應(yīng)管組成的壓控恒流源構(gòu)成。設(shè)計(jì)電路使得MOS管工作在恒流區(qū)，則理想運(yùn)放的差模輸入電壓為零，由此實(shí)現(xiàn)了利用單片機(jī)PWM控制放電電流的大小。

圖2 恒流放電電路

1.2 系統(tǒng)軟件設(shè)計(jì)

監(jiān)測系統(tǒng)的軟件程序設(shè)計(jì)是在KEIL C51軟件環(huán)境和LabVIEW軟件環(huán)境下完成的。數(shù)據(jù)采集端程序設(shè)計(jì)主要包括PWM程序設(shè)計(jì)和A/D采樣程序設(shè)計(jì)。上位機(jī)軟件設(shè)計(jì)主要包括數(shù)據(jù)采集、數(shù)據(jù)顯示、參數(shù)設(shè)置、數(shù)據(jù)存儲等部分。其中數(shù)據(jù)采集部分是基于LabVIEW的VISA節(jié)點(diǎn)完成從串口讀寫數(shù)據(jù)，數(shù)據(jù)顯示部分是把采集到的電壓以曲線的形式顯示出來，通過參數(shù)設(shè)置部分設(shè)置放電電流和放電終止電壓，將采集到數(shù)據(jù)保存到程序設(shè)定的目錄下。使用LabVIEW開發(fā)的上位機(jī)用戶界面如圖3所示。

圖3 監(jiān)測系統(tǒng)用戶界面

2 基于BP神經(jīng)網(wǎng)絡(luò)的鋰電池SOC預(yù)測

2.1 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

BP網(wǎng)絡(luò)是由輸入層、中間層（隱層）和輸出層構(gòu)成。它具有一個或多個隱層，相鄰兩層之間通過權(quán)值全連接。輸入信息從輸入層經(jīng)過中間層到達(dá)輸出層。若輸出結(jié)果不是期望值，那么轉(zhuǎn)入誤差的反向傳播，由LM算法調(diào)整各層神經(jīng)元的連接權(quán)值，使得誤差減少。

理論上BP網(wǎng)絡(luò)能夠逼近任意非線性函數(shù)，但由于神經(jīng)網(wǎng)絡(luò)訓(xùn)練學(xué)習(xí)中許多參數(shù)的選擇沒有理論依據(jù)，使得實(shí)際中神經(jīng)網(wǎng)絡(luò)的應(yīng)用具有局限性。BP算法本質(zhì)上是以誤差平方和為目標(biāo)函數(shù)，用梯度法求其最小值的算法。因此只有誤差平方和函數(shù)是正定的函數(shù)時，才能找到最小值，其他情況必然產(chǎn)生局部極小值。BP算法需要進(jìn)行不斷反復(fù)循環(huán)學(xué)習(xí)，導(dǎo)致算法收斂速度慢。采用LM算法優(yōu)化BP網(wǎng)絡(luò)，提到了收斂速度。

LM算法是一種利用標(biāo)準(zhǔn)的數(shù)值優(yōu)化技術(shù)的快速算法，是梯度下降算法與高斯-牛頓法的結(jié)合，具有高斯-牛頓法的局部收斂性和梯度下降法的全局特性。LM算法具有更高的精度和更快的收斂速度。LM算法的修正式如下：

式中，e是網(wǎng)絡(luò)誤差向量；J是雅可比矩陣；μ是大于零的常數(shù)，在實(shí)際操作中，μ是試探性參數(shù)，μ給定，如果網(wǎng)絡(luò)誤差減小，則μ減小值；反之，則增加。

2.2 鋰電池SOC預(yù)測模型的建立

電池SOC與電池的電壓、電流、內(nèi)阻、溫度、放電次數(shù)等密切相關(guān)，很難對其進(jìn)行準(zhǔn)確的數(shù)學(xué)建模。BP網(wǎng)絡(luò)在系統(tǒng)預(yù)測領(lǐng)域中使用比較廣泛。一般的預(yù)測問題都可以通過單隱層的BP網(wǎng)絡(luò)實(shí)現(xiàn)，因此本文采用3層BP神經(jīng)網(wǎng)絡(luò)對鋰電池SOC進(jìn)行預(yù)測。根據(jù)對鋰電池工作原理的分析發(fā)現(xiàn)，電池的工作電壓和工作電流是影響SOC最主要的因素，因此選擇電池的電壓和電流作為BP網(wǎng)絡(luò)的輸入，電池SOC作為網(wǎng)絡(luò)的輸出[6]。電池SOC預(yù)測模型如圖4所示。

圖4 基于BP神經(jīng)網(wǎng)絡(luò)的SOC預(yù)測模型

圖4 中輸入層有2個節(jié)點(diǎn)，輸出層有1個節(jié)點(diǎn)，網(wǎng)絡(luò)輸入層與隱含層之間用單極性Sigmoid激活函數(shù)，隱含層用Tansig激活函數(shù)，輸出層用Purelin線性激活函數(shù)。

以諾基亞手機(jī)電池為測試對象，型號為BP-4L，額定容量為1 500 mAh。采用4個不同的放電倍率（0.2C、0.5C、2.0C、5.0C）進(jìn)行恒流放電，從上述鋰電池監(jiān)測系統(tǒng)采集到的數(shù)據(jù)中選取訓(xùn)練樣本，每個放電倍率下選10個典型數(shù)據(jù)作為網(wǎng)絡(luò)輸入，與其相對應(yīng)的電池SOC作為網(wǎng)絡(luò)輸出。為了減小樣本各分量的差異造成的影響，使網(wǎng)絡(luò)訓(xùn)練更有效，將輸入向量歸一化處理。利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱搭建與訓(xùn)練BP網(wǎng)絡(luò)，并將訓(xùn)練樣本給網(wǎng)絡(luò)學(xué)習(xí)。訓(xùn)練函數(shù)采用LM算法，最大訓(xùn)練步數(shù)定為500，訓(xùn)練目標(biāo)定為0.000 1，其它參數(shù)均選用默認(rèn)值，訓(xùn)練過程如下：

圖5 神經(jīng)元個數(shù)為11訓(xùn)練的誤差性能曲線

經(jīng)過用同一樣本集多次試驗(yàn)后，當(dāng)隱含層節(jié)點(diǎn)數(shù)為11時，誤差收斂速度最快，也就是說預(yù)測模型可以比較準(zhǔn)確的描述電池放電電壓、電流與電池SOC的相互關(guān)系。

圖6 測試樣本誤差

保存上述網(wǎng)絡(luò)，并選取10組測試樣本進(jìn)行預(yù)測，其誤差效果圖如圖6所示。

3 結(jié)論

實(shí)驗(yàn)結(jié)果表明，把電池的端電壓和負(fù)載電流作為網(wǎng)絡(luò)的輸入，電池SOC作為輸出構(gòu)造的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，預(yù)測的電池SOC值與實(shí)際值最大誤差不超過1%，具有較高的準(zhǔn)確性。因此，基于LM算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型具有可行性，能夠很好的反映出各參數(shù)與SOC之間的非線性關(guān)系，為鋰電池SOC預(yù)測提供一種實(shí)用便捷的新方法。

[1]胡驊，宋慧孫.電動汽車[M].第3版.北京：人民交通出版社，2012.

[2]時瑋，姜久春，李索宇，等.磷酸鐵鋰電池SOC估算方法研究[J].電子測量與儀器學(xué)報(bào)，2010，24（8）:769-774.

[3]詹宜巨.神經(jīng)網(wǎng)絡(luò)方法在蓄電池建模中的應(yīng)用[J].太陽能學(xué)報(bào)，1997，18（4）:105-109.

[4]王銘，李建軍，吳捍，等.鋰離子電池模型研究進(jìn)展[J].電源技術(shù)，2011，79（35）:862-865.

[5]李玉博，許成謙.迭代法構(gòu)造零相關(guān)區(qū)互補(bǔ)序列集[J].通信學(xué)報(bào)，2011，32（8）:38-44.

[6]安志生.電池管理系統(tǒng)中鋰離子電池SOC估算方法的研究[D].太原：太原科技大學(xué)，2013.

Lithium battery monitoring system based on LabVIEW and research on the prediction of SOC

CHEN Lin，ZHANG Chi-jian，YIN An-long，XU Mao-dun
（Anhui Normal University，Wuhu 241000，China）

In order to realize the real-time monitoring of battery parameters and the prediction of SOC.In this paper，the battery monitoring system is developed based on single chip and LabVIEW platform.With LM algorithm，build the SOC prediction model based on BP neural network and use sample data to experiment the model.Through continuous learning，the SOC predicted by BP neural network approach the actual SOC gradually.The results show that the system can display the realtime parameters of battery and store data；the prediction model realized the high nonlinear mapping between the input and the output of lithium battery，the model has high precision and is feasible.

battery；LabVIEW；neural network；SOC；prediction

TN911.72

A

1674－6236（2016）15-0073-03

2015-08-15 稿件編號：201508080

陳 林（1990— ），女，安徽蕪湖人，碩士研究生。研究方向：嵌入式開發(fā)與智能控制。