基于LabVIEW的鋰電池監測系統及SOC預測研究

陳 林，張持健，殷安龍，許矛盾

（安徽師范大學 安徽 蕪湖 241000）

基于LabVIEW的鋰電池監測系統及SOC預測研究

陳 林，張持健，殷安龍，許矛盾

（安徽師范大學 安徽 蕪湖 241000）

為了實現對電池參數的實時監測和SOC的預測，中文以單片機和LabVIEW平臺開發出一套電池管理系統。采用LM算法，建立了基于BP神經網絡的鋰電池SOC預測模型，利用樣本數據進行模型實驗。通過不斷的學習，BP神經網絡預測的SOC逐漸逼近實際的SOC。結果表明，該系統能實時顯示電池參數，實現數據存儲；該預測模型實現了鋰電池SOC預測中輸入與輸出之間的高度非線性映射，預測精度高，具有可行性。

鋰電池；LabVIEW；神經網絡；SOC；預測

近年來，全球石油資源日益緊張、大氣污染愈發嚴重，人們愈發重視高效清潔能源的開發和利用。電動汽車以其低污染的優點成為世界汽車發展的主要方向[1]，但電池的性能和價格成為影響電動汽車推廣的主要"瓶頸”。為了更好的發揮電池的性能并延長其使用壽命，急需設計電池管理系統對其進行控制和管理。

文中設計鋰電池監測系統使用STC12C5A60S2單片機作為主控模塊，實現鋰電池端電壓和放電電流等參數的實時采集，通過計算得出鋰電池的SOC，并將這些參數在上位機LabVIEW用戶界面進行顯示和存儲。通常鋰電池剩余容量都是根據電池端電壓、電流、溫度、阻抗等參數來預測[2]。與蓄電池相關的建模方法有兩種：一種是物理建模方法，另一種是參數估計與系統辨識建模方法[3]。物理建模方法包括開路電壓法、電導法、電流計分法、測量電解液法。參數估計與系統辨識建模方法包括卡爾曼濾波法、模糊邏輯法和神經網絡法。由于物理建模方法是根據電池內部復雜的物理化學反應建立的數學模型[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，將卡爾曼濾波法應用于電池SOC預測[5]，但該方法估計精度由電池等效模型的準確性決定，而且運算量很大。神經網絡模型具有很強的非線性映射能力、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，將神經網絡應用于電池SOC的預測，可以不受非線性模型的限制，能非常好地解決鋰電池SOC在線預測問題。因此，本文利用神經網絡根據采集的數據對電池SOC進行預測，并利用Matlab開發環境建立SOC預測模型進行仿真驗證。

1 基于LabVIEW的鋰電池監測系統結構

系統利用STC12C5A60S2單片機進行硬件設計，輸出電壓的大小通過改變單片機輸出的脈沖寬度調制（PWM）波的占空比來控制，從而控制恒流放電電路的電流大小，通過單片機片內AD模塊實時對鋰電池兩端的電壓和放電電流進行采集，利用串口協議，把采集到的參數傳送到LabVIEW上位機界面進行顯示和存儲。監測鋰電池的電壓達到設定的終止電壓時，系統輸出信號關閉MOS管，鋰電池停止放電。系統結構框圖如圖1所示。

1.1 系統硬件設計

監測系統硬件主要由STC12C5A60S2單片機、按鍵模塊、恒流放電模塊等組成。單片機主要完成數據的采集，PC機主要實現數據的實時顯示與存儲。

圖1 鋰電池監測系統框圖

監測系統的恒流放電電路由運放和MOS場效應管組成的壓控恒流源構成。設計電路使得MOS管工作在恒流區，則理想運放的差模輸入電壓為零，由此實現了利用單片機PWM控制放電電流的大小。

圖2 恒流放電電路

1.2 系統軟件設計

監測系統的軟件程序設計是在KEIL C51軟件環境和LabVIEW軟件環境下完成的。數據采集端程序設計主要包括PWM程序設計和A/D采樣程序設計。上位機軟件設計主要包括數據采集、數據顯示、參數設置、數據存儲等部分。其中數據采集部分是基于LabVIEW的VISA節點完成從串口讀寫數據，數據顯示部分是把采集到的電壓以曲線的形式顯示出來，通過參數設置部分設置放電電流和放電終止電壓，將采集到數據保存到程序設定的目錄下。使用LabVIEW開發的上位機用戶界面如圖3所示。

圖3 監測系統用戶界面

2 基于BP神經網絡的鋰電池SOC預測

2.1 BP神經網絡結構

BP網絡是由輸入層、中間層（隱層）和輸出層構成。它具有一個或多個隱層，相鄰兩層之間通過權值全連接。輸入信息從輸入層經過中間層到達輸出層。若輸出結果不是期望值，那么轉入誤差的反向傳播，由LM算法調整各層神經元的連接權值，使得誤差減少。

理論上BP網絡能夠逼近任意非線性函數，但由于神經網絡訓練學習中許多參數的選擇沒有理論依據，使得實際中神經網絡的應用具有局限性。BP算法本質上是以誤差平方和為目標函數，用梯度法求其最小值的算法。因此只有誤差平方和函數是正定的函數時，才能找到最小值，其他情況必然產生局部極小值。BP算法需要進行不斷反復循環學習，導致算法收斂速度慢。采用LM算法優化BP網絡，提到了收斂速度。

LM算法是一種利用標準的數值優化技術的快速算法，是梯度下降算法與高斯-牛頓法的結合，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是網絡誤差向量；J是雅可比矩陣；μ是大于零的常數，在實際操作中，μ是試探性參數，μ給定，如果網絡誤差減小，則μ減小值；反之，則增加。

2.2 鋰電池SOC預測模型的建立

電池SOC與電池的電壓、電流、內阻、溫度、放電次數等密切相關，很難對其進行準確的數學建模。BP網絡在系統預測領域中使用比較廣泛。一般的預測問題都可以通過單隱層的BP網絡實現，因此本文采用3層BP神經網絡對鋰電池SOC進行預測。根據對鋰電池工作原理的分析發現，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網絡的輸入，電池SOC作為網絡的輸出[6]。電池SOC預測模型如圖4所示。

圖4 基于BP神經網絡的SOC預測模型

圖4 中輸入層有2個節點，輸出層有1個節點，網絡輸入層與隱含層之間用單極性Sigmoid激活函數，隱含層用Tansig激活函數，輸出層用Purelin線性激活函數。

以諾基亞手機電池為測試對象，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）進行恒流放電，從上述鋰電池監測系統采集到的數據中選取訓練樣本，每個放電倍率下選10個典型數據作為網絡輸入，與其相對應的電池SOC作為網絡輸出。為了減小樣本各分量的差異造成的影響，使網絡訓練更有效，將輸入向量歸一化處理。利用MATLAB神經網絡工具箱搭建與訓練BP網絡，并將訓練樣本給網絡學習。訓練函數采用LM算法，最大訓練步數定為500，訓練目標定為0.000 1，其它參數均選用默認值，訓練過程如下：

圖5 神經元個數為11訓練的誤差性能曲線

經過用同一樣本集多次試驗后，當隱含層節點數為11時，誤差收斂速度最快，也就是說預測模型可以比較準確的描述電池放電電壓、電流與電池SOC的相互關系。

圖6 測試樣本誤差

保存上述網絡，并選取10組測試樣本進行預測，其誤差效果圖如圖6所示。

3 結論

實驗結果表明，把電池的端電壓和負載電流作為網絡的輸入，電池SOC作為輸出構造的BP神經網絡預測模型，預測的電池SOC值與實際值最大誤差不超過1%，具有較高的準確性。因此，基于LM算法的BP神經網絡預測模型具有可行性，能夠很好的反映出各參數與SOC之間的非線性關系，為鋰電池SOC預測提供一種實用便捷的新方法。

[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].電子測量與儀器學報，2010，24（8）:769-774.

[3]詹宜巨.神經網絡方法在蓄電池建模中的應用[J].太陽能學報，1997，18（4）:105-109.

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

[5]李玉博，許成謙.迭代法構造零相關區互補序列集[J].通信學報，2011，32（8）:38-44.

[6]安志生.電池管理系統中鋰離子電池SOC估算方法的研究[D].太原：太原科技大學，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：嵌入式開發與智能控制。