李壯 楊兆華

摘 要：基于單片機(jī)和LabVIEW平臺(tái)開發(fā)出了一套鋰電池的在線實(shí)時(shí)監(jiān)測(cè)系統(tǒng)，能實(shí)現(xiàn)鋰電池參數(shù)的監(jiān)測(cè)和SOC的估算。選擇LM算法，通過編寫MATLAB程序建立了以BP神經(jīng)網(wǎng)絡(luò)技術(shù)為主要應(yīng)用藍(lán)本的面向鋰電池

隨著人類社會(huì)科技的進(jìn)步和經(jīng)濟(jì)的發(fā)展，對(duì)于能源的穩(wěn)定、有效供應(yīng)以及安全提出了越來越苛刻的要求。時(shí)至今日，隨著傳統(tǒng)能源在應(yīng)用領(lǐng)域的弊端日益顯現(xiàn)，對(duì)于替代能源的需求成為了關(guān)乎社會(huì)發(fā)展的重要議題，化學(xué)電池以其優(yōu)越的性能成為了能源需求的關(guān)鍵突破技術(shù)[1]，其中最具代表性的即為鋰電池，其體積小、電壓高、比容量高、安全性高、環(huán)保性好和無污染性的特點(diǎn)使它在儲(chǔ)能領(lǐng)域的應(yīng)用越來越廣泛，成為了研究的重點(diǎn)[2]。但是在實(shí)際開發(fā)利用中，如何保持電池性能的穩(wěn)定以及能量的傳輸效率是國內(nèi)外研究領(lǐng)域十分關(guān)注的熱點(diǎn)問題。本文正是基于這樣的應(yīng)用背景，利用目前的單片機(jī)集成電路技術(shù)以及LabVIEW開發(fā)平臺(tái)對(duì)包括鋰電池荷電狀態(tài)（State of Charge，后文簡(jiǎn)稱SOC）等狀態(tài)參數(shù)與運(yùn)行指標(biāo)進(jìn)行準(zhǔn)確監(jiān)測(cè)并進(jìn)行相關(guān)預(yù)測(cè)，可以大幅度調(diào)高電池的利用效率、降低能量損耗。

本試驗(yàn)研究選擇目前應(yīng)用較為廣泛、技術(shù)性能穩(wěn)定可靠的STM32F103C8T6型單片機(jī)作為監(jiān)測(cè)系統(tǒng)的主控模塊，完成相關(guān)邏輯計(jì)算與傳輸功能。其主要應(yīng)用功能為對(duì)鋰電池的運(yùn)行狀態(tài)與相關(guān)參數(shù)進(jìn)行實(shí)時(shí)監(jiān)控、采集與傳輸，主要包括電池兩端電壓、傳輸電流等，再通過計(jì)算得到與之相對(duì)應(yīng)的SOC值，將這些參數(shù)顯示和存儲(chǔ)在LabVIEW上位機(jī)用戶界面，便于用戶進(jìn)行實(shí)時(shí)監(jiān)測(cè)與觀察。

關(guān)于鋰電池的SOC計(jì)算方法，本文通過對(duì)國內(nèi)外研究成果與相關(guān)文獻(xiàn)的廣泛調(diào)研與綜合分析比對(duì)，對(duì)目前已經(jīng)較為成熟、應(yīng)用較為廣泛的各類方法進(jìn)行了初步研究，主要包括以下六類方法，分別為：（1）神經(jīng)網(wǎng)絡(luò)法；（2）內(nèi)阻測(cè)量法；（3）累積法；（4）卡爾曼濾波算法；（5）開路電壓法；（6）放電實(shí)驗(yàn)法[3]。上述六種方法各有側(cè)重，在不同的應(yīng)用領(lǐng)域各有優(yōu)勢(shì)。相較而言，卡爾曼濾波法在應(yīng)用范圍上最為廣泛，也是目前市場(chǎng)應(yīng)用十分普及的方法，但是在計(jì)算模型與效率方面具有固有缺陷，其計(jì)算量完全取決于電池模型的準(zhǔn)確性，因此受到電池建模的影響，在計(jì)算量方面十分龐大。神經(jīng)網(wǎng)絡(luò)模型具有很強(qiáng)的非線性映射的能力、高度的魯棒性和容錯(cuò)性[4]。針對(duì)鋰電池充放電過程中的非線性的特性，運(yùn)用神經(jīng)網(wǎng)絡(luò)算法可以非常好的解決鋰電池在線實(shí)時(shí)估算的問題。因此，本文將神經(jīng)網(wǎng)絡(luò)模型作為試驗(yàn)研究的核心研究手段，并利用Matlab開發(fā)平臺(tái)全面檢驗(yàn)本研究方法的正確性與完備性。

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

本系統(tǒng)電路在進(jìn)行主控電路的設(shè)計(jì)時(shí)利用STM32F103C8T6型單片機(jī)。單片機(jī)內(nèi)部的AD模塊對(duì)上述電壓與電流強(qiáng)度信號(hào)進(jìn)行實(shí)時(shí)采集與分析并轉(zhuǎn)化成相關(guān)的數(shù)字量，并將相對(duì)應(yīng)的參數(shù)傳輸?shù)絃abVIEW上位機(jī)界面，并利用相關(guān)放大運(yùn)算、控制模塊在用戶端界面進(jìn)行實(shí)時(shí)顯示，便于人員進(jìn)行實(shí)時(shí)監(jiān)測(cè)與觀察。圖1為系統(tǒng)的組織邏輯結(jié)果圖，從其組成內(nèi)容而言，本系統(tǒng)主要分為三個(gè)功能板塊，其各自功能任務(wù)如表1所示。

1.1 系統(tǒng)硬件設(shè)計(jì)

系統(tǒng)的實(shí)時(shí)監(jiān)測(cè)功能主要由監(jiān)測(cè)功能板塊實(shí)現(xiàn)，其主要組成設(shè)備由以下三部分組成，分別為：（1）STM32F103C8

T6型單片機(jī)；（2）恒流放電模塊；（3）按鍵模塊。從其各自承擔(dān)的功能任務(wù)而言，鋰電池電壓、電流強(qiáng)度、溫度等重要的狀態(tài)參數(shù)與運(yùn)行參數(shù)主要由LTC6804-1型電池組監(jiān)視器芯片承擔(dān)，其數(shù)據(jù)的傳輸、采集、存儲(chǔ)與顯示的配套功能由PC機(jī)加以實(shí)現(xiàn)。

1.2 系統(tǒng)軟件設(shè)計(jì)

本文利用目前應(yīng)用十分廣泛的商業(yè)軟件LabVIEW進(jìn)行相關(guān)系統(tǒng)的軟件設(shè)計(jì)。鋰電池荷電狀態(tài)等狀態(tài)參數(shù)與運(yùn)行指標(biāo)進(jìn)行準(zhǔn)確監(jiān)測(cè)并進(jìn)行相關(guān)預(yù)測(cè)，不僅可以實(shí)現(xiàn)電池利用效率的大幅躍升，同時(shí)還可以降低能量的消耗率、大大延伸電池的單次利用時(shí)間與全周期使用壽命，提高電池能量利用率。本課題以18650三元鋰電池為研究對(duì)象，基于LabVIEW平臺(tái)開發(fā)一套對(duì)鋰電池的電壓、電流、溫度等運(yùn)行數(shù)據(jù)進(jìn)行實(shí)時(shí)采集并顯示，還能在線估算鋰電池的SOC的上位機(jī)軟件。圖2是參數(shù)的顯示界面。

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

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

誤差反向傳播神經(jīng)網(wǎng)絡(luò)簡(jiǎn)稱為BP神經(jīng)網(wǎng)絡(luò)，其主要功能特征為可以按照誤差逆?zhèn)鞑ニ惴▽?duì)相關(guān)信號(hào)進(jìn)行運(yùn)算與傳輸并實(shí)現(xiàn)相關(guān)信號(hào)的反饋，因其在數(shù)據(jù)處理方面具有的突出優(yōu)勢(shì)與強(qiáng)度功能，在各行各業(yè)均得到了廣泛應(yīng)用與深入研究，在以往成熟的人工神經(jīng)網(wǎng)絡(luò)的應(yīng)用基礎(chǔ)之上，大幅度增強(qiáng)網(wǎng)絡(luò)計(jì)算能力，最終形成了BP神經(jīng)網(wǎng)絡(luò)。鋰電池的SOC預(yù)測(cè)問題，就是基于電池內(nèi)部復(fù)雜的關(guān)系和外部參數(shù)之間的非線性，采用BP神經(jīng)網(wǎng)絡(luò)來解決此類問題，不用建立復(fù)雜而準(zhǔn)確的電池參數(shù)數(shù)學(xué)模型，同時(shí)還能減少大量計(jì)算的誤差，具有更高的精準(zhǔn)性。

2.2 BP-LM算法

盡管BP算法在數(shù)據(jù)處理能力、應(yīng)用冗余度等方面具有明顯優(yōu)勢(shì)，但是其仍然有許多缺陷：（1）BP算法中使用了梯度下降法來更新權(quán)值，可以得到局部范圍的極小值，但是對(duì)于全局來說，BP神經(jīng)網(wǎng)絡(luò)中包含了數(shù)量眾多的較小值，這些較小值的存在會(huì)對(duì)計(jì)算過程與收斂速度產(chǎn)生不利影響，尤其是導(dǎo)致計(jì)算過程中過多的關(guān)注于最小值的計(jì)算而忽略了對(duì)于全局最優(yōu)點(diǎn)的計(jì)算；（2）BP算法總體而言計(jì)算量十分龐大、需要經(jīng)過多次反復(fù)計(jì)算才能得到最終結(jié)果，因此導(dǎo)致數(shù)據(jù)收斂慢，計(jì)算效率低；（3）在計(jì)算過程中相關(guān)節(jié)點(diǎn)、邊界條件的選擇很大程度上依賴于實(shí)驗(yàn)人員的計(jì)算經(jīng)驗(yàn)，而缺乏明確的理論指導(dǎo)。

LM學(xué)習(xí)規(guī)則算法主要用來解決標(biāo)準(zhǔn)的BP算法收斂緩慢的問題和誤差平方和的最小化。此算法進(jìn)行權(quán)值調(diào)整的公式為：

？駐w=-（JTJ+？滋I）-1*JTe

其中，？駐w為調(diào)整前權(quán)值與調(diào)整后權(quán)值之差；J-網(wǎng)絡(luò)誤差對(duì)權(quán)值導(dǎo)數(shù)的雅可比（Jacobian）矩陣；I為單位矩陣；μ為標(biāo)量，當(dāng)μ很大時(shí)上式接近于梯度法，當(dāng)μ很小時(shí)上式變成了高斯牛頓法，在這種方法中，μ也是自適應(yīng)調(diào)整的；e為各訓(xùn)練樣本對(duì)應(yīng)的網(wǎng)絡(luò)誤差組成的誤差向量。

2.3鋰電池預(yù)測(cè)模型的建立

電池的電壓U、電流I以及溫度T是影響SOC最主要的因素。電池所受的影響因素眾多，并且它的內(nèi)部是非常復(fù)雜的，不能用簡(jiǎn)單的線性關(guān)系來描述，因此本文的BP網(wǎng)絡(luò)的輸入層選擇電壓、電流和溫度，即有3個(gè)節(jié)點(diǎn)，輸出層選擇它的SOC值，即有1個(gè)節(jié)點(diǎn)。

在本試驗(yàn)研究中，通過綜合比較與選擇，最終選定18650型鋰電池作為主要研究對(duì)象，該型電池相關(guān)參數(shù)如下：最大電容量為1000mAh，標(biāo)稱電壓為3.7V，充電截止電壓為4.2V，放電截止電壓為3V，標(biāo)準(zhǔn)充放電電流為500mA，最大充放電電流為1000mA，工作溫度為-20℃至+60℃。選取了0.3C，0.5C，0.7C，1C等倍率分別進(jìn)行放電實(shí)驗(yàn)。在實(shí)驗(yàn)的過程中，通過LabVIEW使用電池組監(jiān)測(cè)芯片實(shí)時(shí)采集到溫度、電壓、電流以及實(shí)際SOC等樣本數(shù)據(jù)1775組，其中絕大部分作為訓(xùn)練樣本，具體數(shù)量為1500組，剩下的樣本作為測(cè)試樣本參與試驗(yàn)。訓(xùn)練樣本最重要的功能作用即為在軟件與程序運(yùn)行過程中可以對(duì)已有的計(jì)算方法進(jìn)行測(cè)試與訓(xùn)練，使得計(jì)算程序能夠得到較為滿意的結(jié)果，在利用測(cè)試樣本進(jìn)行測(cè)試的過程中，對(duì)輸入向量進(jìn)行歸一化處理可以大幅度提高訓(xùn)練效率同時(shí)盡可能減少由于樣本本身數(shù)據(jù)差異帶來的不利影響。訓(xùn)練函數(shù)采用LM算法。相關(guān)神經(jīng)網(wǎng)絡(luò)訓(xùn)練參數(shù)，經(jīng)過資料查閱和反復(fù)驗(yàn)證，相關(guān)參數(shù)如下：

%網(wǎng)絡(luò)參數(shù)的設(shè)置

net.trainParam.epochs=500；%訓(xùn)練次數(shù)設(shè)置

net.trainParam.goal=0.00004；%訓(xùn)練目標(biāo)設(shè)置

net.trainParam.lr=0.02；%學(xué)習(xí)率設(shè)置，

net.trainParam.mc=0.9；%動(dòng)量因子的設(shè)置，默認(rèn)為0.9

net.trainParam.show=2；%顯示的間隔次數(shù)

訓(xùn)練過程如下圖3所示：

針對(duì)同一試驗(yàn)樣本，經(jīng)過多次重復(fù)試驗(yàn)與反復(fù)驗(yàn)證，發(fā)現(xiàn)在隱含層節(jié)點(diǎn)數(shù)確定為11時(shí)，計(jì)算量相對(duì)最小，收斂過程最為迅速，計(jì)算效率最高，因此所得到的包括電池SOC在內(nèi)的各狀態(tài)參數(shù)相互映射關(guān)系。

通過上節(jié)對(duì)神經(jīng)網(wǎng)絡(luò)的設(shè)計(jì)和訓(xùn)練后，隨機(jī)選取275組鋰電池的電壓、電流和溫度數(shù)據(jù)作為測(cè)試樣本，用已構(gòu)建好的神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行預(yù)測(cè)，其SOC預(yù)測(cè)輸出效果圖和預(yù)測(cè)誤差百分比圖如下圖4所示。

3 結(jié)束語

通過理論計(jì)算與試驗(yàn)驗(yàn)證，得到如下結(jié)論，即在BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型中，電池SOC計(jì)算結(jié)果與實(shí)際參數(shù)之間的相對(duì)誤差在百分之一以內(nèi)，滿足相關(guān)應(yīng)用需求與誤差標(biāo)準(zhǔn)。綜上，本文所提出的基于LM算法的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型合理可行，可以良好的反映鋰電池各狀態(tài)參數(shù)之間的相互映射關(guān)系，為鋰電池的后續(xù)開發(fā)與SOC預(yù)測(cè)提供了重要的參考與新選擇。

參考文獻(xiàn)：

[1]吳宇平，袁翔云，董超.鋰離子電池-應(yīng)用與實(shí)踐（第二版）[M].北京：化學(xué)工業(yè)出版社，2013：4-5.

[2]劉堅(jiān).中國2030年電動(dòng)汽車電力系統(tǒng)儲(chǔ)能應(yīng)用研究（上）[J].中國能源，2015，37（10）：29-34.

[3]華周發(fā)，李靜.電動(dòng)汽車動(dòng)力電池SOC估算方法綜述[J].電源技術(shù)，2013，09：1686-1689.

[4]封進(jìn).BP神經(jīng)網(wǎng)絡(luò)預(yù)估鋰離子電池SOC訓(xùn)練數(shù)據(jù)選擇[J].電源技術(shù)，2016，40（02）：283-286.

[5]Yifeng Guo，Zeshuang Zhao，Limin Huang. SoC Estimation of Lithium Battery Based on Improved BP Neural Network[J]. Energy Procedia，2017，105.

[6]王昕燦，鄭燕萍，張林峰，等.基于LabVIEW的動(dòng)力電池SOC實(shí)時(shí)估算系統(tǒng)研發(fā)[J].電源技術(shù)，2017，41（03）：374-376.的SOC預(yù)測(cè)模型，并針對(duì)開發(fā)出的新模型系統(tǒng)利用已有的樣本數(shù)據(jù)進(jìn)行不斷學(xué)習(xí)，最終使SOC預(yù)測(cè)值逐漸逼近實(shí)測(cè)值。目前本系統(tǒng)可以成功實(shí)現(xiàn)對(duì)于鋰電池運(yùn)行狀態(tài)的實(shí)施監(jiān)測(cè)與顯示，并利用配套的存儲(chǔ)設(shè)備對(duì)相關(guān)狀態(tài)參數(shù)進(jìn)行實(shí)時(shí)存儲(chǔ)?？傮w而言，本估算模型具有估算精度高、可靠性高、便于實(shí)施等突出優(yōu)點(diǎn)。

關(guān)鍵詞：鋰電池；LabVIEW；神經(jīng)網(wǎng)絡(luò)；SOC；預(yù)測(cè)

中圖分類號(hào)：TM912 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）12-0016-04

Abstract： An online real-time monitoring system for lithium battery is developed based on single chip computer and LabVIEW platform. It can realize the monitoring of lithium battery parameters and the estimation of SOC. The LM algorithm is selected to build the SOC prediction model for lithium battery based on BP neural network technology by writing MATLAB program， and the new model system is continuously studied by using the existing sample data. Finally， the predicted value of SOC is gradually approaching the measured value. At present， the system can successfully monitor and display the operation state of lithium battery， and use the supporting storage equipment to store the relevant state parameters in real time. In general， this model has the advantages of high accuracy， high reliability， easy to implement and so on.

Keywords： lithium battery； LabVIEW； neural network； SOC； prediction