基于深度網絡的電池管理系統設計

馮繹銘 王思源 丁雷

摘要：電池管理系統是電動汽車的重要組成部分，智能化、高精度、實時SOC估算與降低電池管理系統成本是新能源電動汽車追求的目標。硬件上以飛思卡爾作為主控芯片控制大量的光耦繼電器開關，配合熱敏電阻，霍爾傳感器以及AD轉換即可實現電池基本數據采集，成本低廉，性能較好。采集完成后通過CAN通信電路與主機PC通訊監控。在SOC估算方面，使用深度網絡估算SOC，精度較高，實時估算誤差控制在2%以內，并采用非耗散型均衡方式保障電池組的容量均衡，具有較好的推廣使用價值。

關鍵詞： 電池管理系統； 參數監測； CAN通信電路；SOC估算； 非耗散型均衡

中圖分類號：TN86 文獻標識碼：A 文章編號：1009-3044（2018）28-0246-04

Design of Battery Management System Based on Deep Network

FENG Yi-ming， WANG Si-yuan， DING Lei

（Wuhan Textile University， School of Electronics and Electrical Engineering， Wuhan 430200， China）

Abstract：Battery management system is an important part of the electric vehicle. At present， Intelligent， high-precision， real-time SOC estimation and lowering the cost of battery management systems are the goals pursued by new energy electric vehicles. On the hardware，the Freescale is set as the main control chip to control a large number of optocoupler relay switches and cooperate with thermistor， Hall sensor and AD conversion to achieve battery basic data acquisition with better performance and lower cost. After the acquisition is completed， it communicates with the host PC via the CAN communication circuit. In terms of SOC estimation， the deep network is used to estimate SOC for higher precision and real-time estimation. Then non-dissipative balanced method is used to ensure battery capacity balance， which has a good promotion value.

Key words： battery management system； parameter monitoring ； communication circuit； SOC estimation； Non-dissipative balance

1 引言

近年以來，人們對于交通上的需求也是在不斷地增加，汽車不可避免地成為人們最主要的交通方式。但是過去的主要供能方式是通過燃料供能，多年的化石能源的使用到現在正在面臨諸如引起氣候變化，二氧化碳排放量的增加以及化石能源的枯竭危機，因此越來越多的人嘗試致力于研究新能源汽車去取代燃料汽車[1-2]。傳統的電動汽車存在著各種各樣的缺點，比如里程普遍較短，動力電池的壽命大多不是很長等等，基于此點，試圖研制具有比較優良性能的電池管理系統在推廣電動汽車的過程也就具備了更加重要的意義[3]。

由于鋰離子電池生產時候通常會受到工藝技術的限制，電池組里的各個單體鋰離子電池之間存在著容量的不一致性，這些存在的差異在大多數情況下也沒有辦法避免。另外，鋰離子電池的安全問題不容忽視，如果不加以控制保護，在工作過程中，電池很容易出現過充過放的情況，嚴重的時候，可能會引發安全事故，因此安全可靠的電池管理系統是十分重要的[4]。

下圖所展示的是一個電池管理系統應當具有的基本功能框圖。

如上圖所示，一個完整的BMS應包括以下五項功能：電池狀態監測（電壓，電流和溫度），電池狀態分析（SOC與SOH），電池安全保護，能量控制管理和電池信息管理[5]。

2 電池管理系統硬件設計

硬件主要由監測，通信和均衡三個部分組成。使用飛思卡爾16位單片機（MC9S12XS128）作為處理器[6]。電池的參數監測電路主要對電池的電壓，電流和溫度參數進行測量，通訊電路主要包括SPI總線接口（配合flash進行數據存儲），IIC總線接口（配合DS1307獲得時間信息），CAN總線接口（與上位機界面通信），通過能量轉換均衡方式進行均衡。

2.1 系統總體框架

系統框架如下圖所示：

2.2 參數監測電路

監測電路指電壓，電流和溫度測量。在這里我們首先討論有關于單體電池電壓的測量問題，因為和其他兩個參數的測量過程比較，電壓所含的信息量是最多的，并且另一方面，電流和溫度的測量方式也是將它們轉化成電壓信號來分析，因此首先要解決電壓檢測的問題。

本系統中對電壓采集采取一種基于繼電器陣列的輪流采集方式[7]，如下圖所示。

為單體電池提供兩個繼電器，電池的正負極通過繼電器之后分別連接到A/D轉換的兩個輸入端，這種繼電器通常采用光耦繼電器，由MCU進行控制其通斷，在電壓采集的過程中，首先讓單片機發出信號，隨后繼電器開關閉合，讓選定的單體電池正負極電壓差通過A/D轉化模塊由模擬信號轉化成數字信號，最后把數字信號傳送給單片機。

相比于電壓物理量，電流的檢測相對而言顯得沒有那么復雜，因為電流所需要的采樣通道少，只需對干路電流進行監測，需要使用的采樣通道不像電壓采集那么多。

通過霍爾傳感器測量電流。霍爾傳感器不會帶來高頻信號噪聲，其可以輸出電流信號之后，把輸出的電流信號接到精密電阻之上，電流信號也隨之轉變成電壓信號，讀取電壓值之后經過換算即可獲得電流大小。

[Vo=1+R1R2·Vref] （1）

[VI（BATT）=I·R3+Vo] （2）

如圖所示，圖中的TL431是一種芯片，可提供2.5V的Vref， 通過測量到VI（BATT）的值，經過計算即可獲得電流值。

溫度檢測較為簡單，在動力電池組之中接入對應的熱敏電阻，通過分壓方式獲得其阻值即可得到溫度值。

2.3 通訊電路

CAN通信連接底層硬件和上位機。電池的電壓，電流和溫度的測量功能都是由底層的硬件電路實現，硬件電路采集到了這些參數之后會將它們傳給MCU，隨后MCU內部根據我們設定的算法計算出電池的SOC值，最后再把這些所有的值都通過CAN通信方式傳輸給上位機，同時上位機也會通過CAN通信的方式把相應的指令傳輸給MCU來控制底層硬件。

2.4 均衡電路

均衡控制管理是電池管理系統中一項不可或缺的重要功能，人們在大量的實踐過程和在實驗室中的實驗數據都表明了，加入了均衡控制管理的動力電池組，比沒有加入均衡控制管理的動力電池組擁有更好的表現。

均衡方式可以分為耗散型均衡和非耗散型均衡[8]兩種。耗散型均衡相當于“把長的部分砍掉，砍到和短的一樣長度”，非耗散型均衡是能量轉移的方式，相當于“取長補短”。

如上圖，將電池組的正負極通過繼電器接入到充電模塊的輸入端（在實際使用過程中可以加入多個充電模塊以便同時對多個電池進行均衡，充電模塊為DC/DC），轉換完成后通過繼電器接到單體電池上，繼電器均由單片機控制，決定具體的電池號碼，達到均衡的效果。

3 基于深度網絡的SOC估算

3.1 SOC定義

SOC指電池剩余電量，常用百分比表示，可以用公式（3）表示：

[SOC=QremainQrated×100%] （3）

Qrated是電池的額定容量，Qremain指剩余電量。在實際使用中，由于各種因素影響，電池可放出的最大容量不一定等于其額定容量，往往會是一個變化值。

3.2 傳統SOC估算

傳統方法采用安時積分法結合開路電壓法進行SOC估算。

安時（AH）法，有時也稱為庫侖（CC）方法，是一種通過基于初始SOC值，計算動力電池放電一段時間后的電量 獲取當前電池SOC的方法。具體計算過程如公式（4）：

[SOC（t）=SOC（t0）-1Qratedt0tI（t）dt] （4）

AH法估算SOC準確，計算簡單，但是往往存在依賴于初始值和誤差累計這兩個問題：

開路電壓法是通過測量開路電壓獲得SOC。開路電壓法獲得的電池SOC值是最為準確的，但很可惜無法實時估算。

通過實驗測得的數據擬合而成OCV-SOC曲線如圖所示：

通常采用AH計量法和開路電壓法相結合的方法估算SOC，在系統剛剛開機的時候，電池往往經過較長時間的擱置，端電壓近似于開路電壓值，通過開路電壓法獲取電池的初始SOC值，后續再通過AH法估算SOC。

3.3 基于深度網絡的SOC估算

神經網絡模型可以從試驗和錯誤之中進行學習，從而提取出來數據之間的隱藏關系，由神經元構成，通過連接形成網絡結構。

神經網絡一般具有自主學習性，高度非線性以及容錯性等特點，因而現在開始被用于電池建模之中。神經網絡模型通常由輸入層，隱藏層，輸出層組成，其中輸入層通常由可測得的實驗數據組成，會影響電池SOC的因素主要由電壓，電流，溫度，已釋放容量和電池的循環次數（老化程度）這五個因素組成，輸出層是需要獲得的SOC值，中間層統統為隱藏層，隱藏層的層數以及隱藏層神經元的個數由人工設定，通常在一定范圍內較深度的網絡能夠比較好地反映非線性關系，具體的人工神經網絡模型示意圖如下圖所示：

設計實驗來驗證深度網絡估算SOC的效果，實驗對象為湖北宜城新新能源有限公司生產的編號為M7568215的錳酸鋰電池（額定容量為10Ah，充放電截止電壓分別為4.2V和3V），通過深圳新威電子生產的充放電柜進行充放電試驗，實驗在武漢環視檢測設備有限公司生產的可編程恒溫箱里進行。實驗在20℃，5A的條件下進行，首先對空電狀態的錳酸鋰電池進行0.5倍率的充電，在達到充電截止電壓以后，對其進行10分鐘的擱置，隨后再進行0.5倍率的放電，達到放電截止電壓之后再進行10分鐘的擱置，然后再進行充放，如此過程進行5次循環，記錄下該過程的電壓，電流，容量等輸入神經元參數，輸出神經元參數為電池SOC，該SOC由充放電柜經過計算提供的AH計量值作為參考值。用實驗中四次循環的數據為訓練樣本，訓練該神經網絡模型，然后用剩下一次循環的數據作為測試樣本驗證神經網絡的預測效果，實驗如下圖所示：

結果分析上圖所示。圖9表示的是網絡模型的訓練數據樣本以及用訓練好的網絡模型進行預測的實驗數據。上邊圖為四個循環數據樣本，下邊圖為一個循環的測試樣本，圖中顯示了電池充放電實驗中的電壓和電流變化情況。圖10與圖11則表示了網絡模型的結果。在運用神經網絡估算電池SOC的時候，除了選擇合適的輸入神經元之外，另一點影響預測結果的重要因素就是神經網絡隱藏層的設計。一般來說，隱藏層的層數越少，計算過程也就越簡單，訓練過程也就更容易收斂，但是同時往往也不能很好地反映非線性因素，相反如果隱藏層的層數越多，神經網絡也就越復雜，往往能夠更好地反映電池模型的復雜程度，更加貼近實際使用工況，但是同樣地由于網絡模型過于復雜，往往會加大計算量，而且無法保證訓練一定能夠達到收斂的效果，為了選定合適的網絡模型，分別采用了單隱藏層，五個隱藏層和十個隱藏層的神經網絡模型進行訓練，實驗結果如圖10和圖11所示。

圖10上邊圖表示網絡模型的預測值和參考值（充放電測試儀提供的AH值）的曲線關系，可以看到無論哪種模型都能夠很好地達到SOC估算效果，近乎切合于參考值，最大誤差不超過2%。為了進一步探討隱藏層數和預測效果的關系，中間圖和下邊圖分別是單個隱藏層和五個隱藏層，五個隱藏層和十個隱藏層的估算誤差，可以明顯看出五個隱藏層的預測效果好于單個隱藏層，而隨著隱藏層的增加，與十個隱藏層預測相比精度相近，已無明顯提高，但是十個隱藏層的計算量與訓練時間遠遠超過五個隱藏層，因此選用五個隱藏層的模型最為合適。圖11更為清楚的表示在實驗開始，由充電過程轉變為放電過程，試驗即將結束的時候，單個隱藏層和五個隱藏層的預測效果與參考值的比較。可以明顯看出，五個隱藏層的網絡模型更加貼近于參考值，并且波動較小，在充電轉換為放電的時候也能夠平和的過度，在穩定性和精確度上的表現都更加優于單個隱藏層。

基于深度網絡的SOC估算方法，不僅精確度高，估算誤差控制在2%以內，而且穩定性好，受到外界因素的影響較小，還能夠實時估算，性能遠遠優于傳統的SOC估算方法，具有較高的實用價值。

4 結論

本文講述了采用飛思卡爾作為主控芯片，硬件上以光耦繼電器，熱敏電阻，霍爾傳感器，DC/DC模塊為主要元器件設計的一套成本低廉，性能優良的電池管理系統。在SOC估算方法，探索使用基于人工智能的深度學習網絡，達到實時高精度估算SOC，對于電動汽車的發展具有較為重要的意義。

參考文獻：

[1] 蔣瑞斌， 譚理剛. 電動汽車的發展及面臨的挑戰[J].機械工程師， 2009（2）：23-25.

[2] 亢風林， 李軍民. 電動汽車發展分析[J].農業裝備與車輛工程， 2008（11）：63-65.

[3] 岳仁超， 王艷. 電池管理系統設計[J].低壓電器， 2010（3）： 31-34.

[4] 安志勝，孫志毅，何秋生. 車用鋰離子電池管理系統綜述[J].電源技術，2013（6）：1069-1071.

[5] 王濤，齊鉑金，吳紅杰. 基于DSP和OZ890的電池管理系統設計[J].微計算機信息，2009， 25（7）： 210-211.

[6] 蔣原，杜曉偉，齊柏金. 基于Freescale單片機的電池管理系統設計[J]. 2011（1）：164 -167.

[7] 譚曉軍. 電動汽車電池管理系統設計[M]. 廣州：中山大學出版社，2011.

[8] 譚曉軍. 電池管理系統深度理論研究[M]. 廣州：中山大學出版社，2014.

【通聯編輯：唐一東】