基于LabVIEW的鋰電池實時監測系統及SOC估算研究

李壯 楊兆華

摘 要：基于單片機和LabVIEW平臺開發出了一套鋰電池的在線實時監測系統，能實現鋰電池參數的監測和SOC的估算。選擇LM算法，通過編寫MATLAB程序建立了以BP神經網絡技術為主要應用藍本的面向鋰電池

隨著人類社會科技的進步和經濟的發展，對于能源的穩定、有效供應以及安全提出了越來越苛刻的要求。時至今日，隨著傳統能源在應用領域的弊端日益顯現，對于替代能源的需求成為了關乎社會發展的重要議題，化學電池以其優越的性能成為了能源需求的關鍵突破技術[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、環保性好和無污染性的特點使它在儲能領域的應用越來越廣泛，成為了研究的重點[2]。但是在實際開發利用中，如何保持電池性能的穩定以及能量的傳輸效率是國內外研究領域十分關注的熱點問題。本文正是基于這樣的應用背景，利用目前的單片機集成電路技術以及LabVIEW開發平臺對包括鋰電池荷電狀態（State of Charge，后文簡稱SOC）等狀態參數與運行指標進行準確監測并進行相關預測，可以大幅度調高電池的利用效率、降低能量損耗。

本試驗研究選擇目前應用較為廣泛、技術性能穩定可靠的STM32F103C8T6型單片機作為監測系統的主控模塊，完成相關邏輯計算與傳輸功能。其主要應用功能為對鋰電池的運行狀態與相關參數進行實時監控、采集與傳輸，主要包括電池兩端電壓、傳輸電流等，再通過計算得到與之相對應的SOC值，將這些參數顯示和存儲在LabVIEW上位機用戶界面，便于用戶進行實時監測與觀察。

關于鋰電池的SOC計算方法，本文通過對國內外研究成果與相關文獻的廣泛調研與綜合分析比對，對目前已經較為成熟、應用較為廣泛的各類方法進行了初步研究，主要包括以下六類方法，分別為：（1）神經網絡法；（2）內阻測量法；（3）累積法；（4）卡爾曼濾波算法；（5）開路電壓法；（6）放電實驗法[3]。上述六種方法各有側重，在不同的應用領域各有優勢。相較而言，卡爾曼濾波法在應用范圍上最為廣泛，也是目前市場應用十分普及的方法，但是在計算模型與效率方面具有固有缺陷，其計算量完全取決于電池模型的準確性，因此受到電池建模的影響，在計算量方面十分龐大。神經網絡模型具有很強的非線性映射的能力、高度的魯棒性和容錯性[4]。針對鋰電池充放電過程中的非線性的特性，運用神經網絡算法可以非常好的解決鋰電池在線實時估算的問題。因此，本文將神經網絡模型作為試驗研究的核心研究手段，并利用Matlab開發平臺全面檢驗本研究方法的正確性與完備性。

1 基于LabVIEW的鋰電池監測系統結構

本系統電路在進行主控電路的設計時利用STM32F103C8T6型單片機。單片機內部的AD模塊對上述電壓與電流強度信號進行實時采集與分析并轉化成相關的數字量，并將相對應的參數傳輸到LabVIEW上位機界面，并利用相關放大運算、控制模塊在用戶端界面進行實時顯示，便于人員進行實時監測與觀察。圖1為系統的組織邏輯結果圖，從其組成內容而言，本系統主要分為三個功能板塊，其各自功能任務如表1所示。

1.1 系統硬件設計

系統的實時監測功能主要由監測功能板塊實現，其主要組成設備由以下三部分組成，分別為：（1）STM32F103C8

T6型單片機；（2）恒流放電模塊；（3）按鍵模塊。從其各自承擔的功能任務而言，鋰電池電壓、電流強度、溫度等重要的狀態參數與運行參數主要由LTC6804-1型電池組監視器芯片承擔，其數據的傳輸、采集、存儲與顯示的配套功能由PC機加以實現。

1.2 系統軟件設計

本文利用目前應用十分廣泛的商業軟件LabVIEW進行相關系統的軟件設計。鋰電池荷電狀態等狀態參數與運行指標進行準確監測并進行相關預測，不僅可以實現電池利用效率的大幅躍升，同時還可以降低能量的消耗率、大大延伸電池的單次利用時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象，基于LabVIEW平臺開發一套對鋰電池的電壓、電流、溫度等運行數據進行實時采集并顯示，還能在線估算鋰電池的SOC的上位機軟件。圖2是參數的顯示界面。

2 基于BP神經網絡的鋰電池SOC預測

2.1 BP神經網絡結構

誤差反向傳播神經網絡簡稱為BP神經網絡，其主要功能特征為可以按照誤差逆傳播算法對相關信號進行運算與傳輸并實現相關信號的反饋，因其在數據處理方面具有的突出優勢與強度功能，在各行各業均得到了廣泛應用與深入研究，在以往成熟的人工神經網絡的應用基礎之上，大幅度增強網絡計算能力，最終形成了BP神經網絡。鋰電池的SOC預測問題，就是基于電池內部復雜的關系和外部參數之間的非線性，采用BP神經網絡來解決此類問題，不用建立復雜而準確的電池參數數學模型，同時還能減少大量計算的誤差，具有更高的精準性。

2.2 BP-LM算法

盡管BP算法在數據處理能力、應用冗余度等方面具有明顯優勢，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值，可以得到局部范圍的極小值，但是對于全局來說，BP神經網絡中包含了數量眾多的較小值，這些較小值的存在會對計算過程與收斂速度產生不利影響，尤其是導致計算過程中過多的關注于最小值的計算而忽略了對于全局最優點的計算；（2）BP算法總體而言計算量十分龐大、需要經過多次反復計算才能得到最終結果，因此導致數據收斂慢，計算效率低；（3）在計算過程中相關節點、邊界條件的選擇很大程度上依賴于實驗人員的計算經驗，而缺乏明確的理論指導。

LM學習規則算法主要用來解決標準的BP算法收斂緩慢的問題和誤差平方和的最小化。此算法進行權值調整的公式為：

？駐w=-（JTJ+？滋I）-1*JTe

其中，？駐w為調整前權值與調整后權值之差；J-網絡誤差對權值導數的雅可比（Jacobian）矩陣；I為單位矩陣；μ為標量，當μ很大時上式接近于梯度法，當μ很小時上式變成了高斯牛頓法，在這種方法中，μ也是自適應調整的；e為各訓練樣本對應的網絡誤差組成的誤差向量。

2.3鋰電池預測模型的建立

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，并且它的內部是非常復雜的，不能用簡單的線性關系來描述，因此本文的BP網絡的輸入層選擇電壓、電流和溫度，即有3個節點，輸出層選擇它的SOC值，即有1個節點。

在本試驗研究中，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象，該型電池相關參數如下：最大電容量為1000mAh，標稱電壓為3.7V，充電截止電壓為4.2V，放電截止電壓為3V，標準充放電電流為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等倍率分別進行放電實驗。在實驗的過程中，通過LabVIEW使用電池組監測芯片實時采集到溫度、電壓、電流以及實際SOC等樣本數據1775組，其中絕大部分作為訓練樣本，具體數量為1500組，剩下的樣本作為測試樣本參與試驗。訓練樣本最重要的功能作用即為在軟件與程序運行過程中可以對已有的計算方法進行測試與訓練，使得計算程序能夠得到較為滿意的結果，在利用測試樣本進行測試的過程中，對輸入向量進行歸一化處理可以大幅度提高訓練效率同時盡可能減少由于樣本本身數據差異帶來的不利影響。訓練函數采用LM算法。相關神經網絡訓練參數，經過資料查閱和反復驗證，相關參數如下：

%網絡參數的設置

net.trainParam.epochs=500；%訓練次數設置

net.trainParam.goal=0.00004；%訓練目標設置

net.trainParam.lr=0.02；%學習率設置，

net.trainParam.mc=0.9；%動量因子的設置，默認為0.9

net.trainParam.show=2；%顯示的間隔次數

訓練過程如下圖3所示：

針對同一試驗樣本，經過多次重復試驗與反復驗證，發現在隱含層節點數確定為11時，計算量相對最小，收斂過程最為迅速，計算效率最高，因此所得到的包括電池SOC在內的各狀態參數相互映射關系。

通過上節對神經網絡的設計和訓練后，隨機選取275組鋰電池的電壓、電流和溫度數據作為測試樣本，用已構建好的神經網絡對其進行預測，其SOC預測輸出效果圖和預測誤差百分比圖如下圖4所示。

3 結束語

通過理論計算與試驗驗證，得到如下結論，即在BP神經網絡預測模型中，電池SOC計算結果與實際參數之間的相對誤差在百分之一以內，滿足相關應用需求與誤差標準。綜上，本文所提出的基于LM算法的BP神經網絡預測模型合理可行，可以良好的反映鋰電池各狀態參數之間的相互映射關系，為鋰電池的后續開發與SOC預測提供了重要的參考與新選擇。

參考文獻：

[1]吳宇平，袁翔云，董超.鋰離子電池-應用與實踐（第二版）[M].北京：化學工業出版社，2013：4-5.

[2]劉堅.中國2030年電動汽車電力系統儲能應用研究（上）[J].中國能源，2015，37（10）：29-34.

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

[4]封進.BP神經網絡預估鋰離子電池SOC訓練數據選擇[J].電源技術，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的動力電池SOC實時估算系統研發[J].電源技術，2017，41（03）：374-376.的SOC預測模型，并針對開發出的新模型系統利用已有的樣本數據進行不斷學習，最終使SOC預測值逐漸逼近實測值。目前本系統可以成功實現對于鋰電池運行狀態的實施監測與顯示，并利用配套的存儲設備對相關狀態參數進行實時存儲。總體而言，本估算模型具有估算精度高、可靠性高、便于實施等突出優點。

關鍵詞：鋰電池；LabVIEW；神經網絡；SOC；預測

中圖分類號：TM912 文獻標志碼：A 文章編號：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