基于LabVIEW的微電網電池荷電狀態監測系統

王 萍，程志江，陳星志

(新疆大學電氣工程學院，新疆 烏魯木齊 830047)

實際風光發電系統多采用風光儲聯合系統的形式，以彌補風光系統的隨機性等缺點。電池荷電狀態(SOC)作為儲能單元重要的參數指標，影響著儲能電池的使用壽命和效率。人們對電池SOC的估算開展了大量研究，目前的估算方法主要有：基于神經網絡的智能控制算法[1-2]、卡爾曼濾波法[3-4]、安時積分法[5]和開路電壓法等。安時積分法應用廣泛，但由于初始SOC的不確定性，不適合微電網電池的在線檢測；開路電壓法要求電池滿荷電狀態靜置一段時間后進行測量，電池需要脫離供電系統，因此也不適合微電網電池的在線估算；基于神經網絡的智能控制算法需要大量的訓練數據，不適合大規模大批量的微電網儲能電池系統。

為解決微電網儲能單元電池SOC在線估算的問題，本文作者設計基于LabVIEW的微電網儲能電池監測系統，采用卡爾曼濾波算法，通過LabVIEW前面板設計，實現電壓、電流和SOC估算結果的實時顯示，并進行數據的保存和查看，便于微電網系統工作人員監控系統和提取數據。

1 數據采集硬件設計

實驗基于NI虛擬儀器圖形化編程平臺LabVIEW，采用NI9225電壓采集卡(匈牙利產)和NI9227電流采集卡(匈牙利產)，采集電池電壓、電流數據。NI cDAQ9174機箱(匈牙利產)通過USB接口與上位機LabVIEW界面進行數據傳送，系統硬件連接框圖見圖1。

LabVIEW擁有快速計算的能力和良好的人機接口協議；NI9225和NI9227數據采集卡具有較大的電壓電流穩定接入和信號處理能力，微電網儲能電池通過電壓互感器和電流互感器直接與數據采集卡相連，避免了復雜的數據信號采集和處理硬件設計。綜上所述，基于LabVIEW的監測系統，能夠滿足系統對SOC在線估算的要求，為電池監測系統平臺的搭建提供了現實和理論依據[6]。

2 系統軟件設計

監測系統的軟件界面設計主要有電壓和電流的數據采集、最小二乘曲線擬合、卡爾曼濾波SOC估算和數據保存等4個主要組成部分。重點介紹對電池模型參數的擬合和SOC估算方法的研究。

2.1 電池模型參數擬合

卡爾曼濾波SOC估算方法的實現，難點在于電池模型的建立；電池模型的準確與否直接影響SOC估算結果的精度。文獻[7]提出一種動態觀測混合電化學模型，仿真并驗證了模型的準確性和有效性，因此，本文作者根據混合電化學模型，得到開路電壓、電流和SOC的關系方程。式(1)為系統狀態方程，式(2)為系統輸出方程。

(1)

K2·ln(SOCk)+K3·ln(1-SOCk)

(2)

式(1)-(2)中：下標k和k+1代表k和k+1時刻；Qa為電池額定容量；η為庫侖效率；E為電壓；E0為電池滿荷電時的空載電壓；Δt為單位時間間隔；R為電池內阻；i為電流瞬時值；K0、K1、K2和K3為電化學模型待辨識參數。

在此化學模型的基礎上，進行電池標準放電實驗，即以指定恒流充電到上限截止電壓，轉恒壓充電至電流低于指定恒流的10%，再以指定恒電流下放電到下限截止電壓。采用采集實驗所得的電壓、電流及SOC數據，按文獻[8]中的算法邏輯程序，在LabVIEW編程環境下進行最小二乘曲線擬合。

2.2 卡爾曼濾波算法

卡爾曼濾波算法依據以SOC為狀態變量建立的非線性電池模型，以最小方差的最優估計的方式進行誤差估算，以前一時刻的SOC值作為當前時刻的SOC初始值，通過數次迭代后趨近于真實SOC初始值，程序流程圖見圖2。

圖2中：SOCk_y為Klman算法中SOC狀態更新預測值；P0為初始狀態誤差的協方差矩陣初值；Ek_y為電池端電壓的預測值；Ak為狀態方程中的系數；SOCy為SOC最終估算值。得到的LabVIEW邏輯編程實現卡爾曼濾波估算算法的程序如圖3所示。

圖3中，N為程序中FOR循環的次數；DBL為LabVIEW中的數值輸入控件；0.5和1為常量。灰色矩形框為LabVIEW公式節點，通過增加輸入輸出變量，對公示節點內數學表達式進行計算，其中，節點內的Ey=Ek，如式(3)所示，C的表達式為：

(3)

3 實驗驗證

實驗采用的鋰離子電池(上海產)的基本參數為：尺寸130 cm×75 cm×37 cm，標稱容量5 200 mAh，最大電流5 A，輸出電壓范圍21.0～29.4 V，正、負極材料分別為磷酸鐵鋰和石墨。用QTBC326恒流放電儀(杭州產)對鋰離子電池進行恒流放電實驗，分別采用安時積分和卡爾曼濾波兩種方法進行SOC估計，并對估算結果進行對比。

為驗證系統的普遍適用性，實驗分別對滿荷電和未知荷電狀態的電池進行實驗。

3.1 電池模型擬合參數

在室溫條件下進行標準放電實驗：以5.0 A電流充電到29.4 V，轉恒壓充電至電流低于0.5 A，然后以5.0 A電流放電到21.0 V。假定庫侖效率η為100%情況下，擬合得到該電池的混合電化學模型參數K0、K1、K2和K3，分別為-2.62、17.59、-12.57和-0.27，R為3.43 Ω。將K0、K1、K2和K3代入式(2)，得到擬合輸出方程電壓數據與同等實驗條件下的實際放電電壓采集數據，如圖4所示。

從圖4可知，在估算開始的300 s內，擬合電壓值偏離實際采樣值較大。求出擬合輸出方程電壓數據與實際電壓采集數據的差，可得到放電電壓的擬合誤差曲線。由于迭代剛開始，次數較少，擬合電壓與實際電壓偏差較大，但多次迭代擬合后，誤差迅速減小，最大偏差為初期的0.9，300 s后誤差小于0.1，并穩定在0附近，整體擬合效果較好，能夠滿足模型精度要求。經過最小二乘曲線擬合，得到電池混合電化學模型的輸出方程，可較準確地描述電池放電實際電壓與SOC的關系，擬合結果的穩定性和準確性較好，可作為后續SOC在線估計的數學模型。

3.2 滿荷電狀態放電的SOC估算

分別采用卡爾曼濾波和安時積分兩種估算方法，對電池SOC變化進行估算，得出滿荷電狀態放電的SOC-E曲線，如圖5所示。

實驗是滿荷電狀態恒流放電，電池初始SOC為1，因此可認為電池滿荷電狀態的真實放電曲線與實際測試數據一致。計算卡爾曼濾波結果與安時積分結果的差，得到SOC估算誤差曲線?？柭鼮V波算法在估算初期，SOC估算結果在初始值附近波動較大，經過多次迭代，估算值迅速接近真實值，可見卡爾曼濾波算法對SOC初值要求不高；分析卡爾曼濾波均方估計誤差Pk，設定均方估計誤差Pk初始值為1，經過多次迭代后Pk迅速下降，逐漸趨于穩定，結合圖5中曲線2可在多次迭代后逐漸趨近曲線1，最后達到重合的效果，分析可得：卡爾曼濾波估算方法能夠滿足電池SOC實時在線估算的要求，且誤差較低。

3.3 荷電狀態SOC=0.85時的放電實驗

選擇電池非滿SOC，進行恒流放電實驗，驗證卡爾曼濾波方法對于電池普通SOC下的SOC估算的有效性。假定庫侖效率為100%，實驗選擇標準放電實驗電流5 A，先按標準放電過程放電到SOC=0.85，斷電靜置一段時間，繼續按照標準放電過程放電至終止。得到卡爾曼濾波估算方法、安時積分法與實際電壓放電曲線，如圖6所示。

假設初始SOC值為0.80，安時積分法并未對初值進行調整，而是將SOC初值與實際值的偏差累計，直到最后估算結束，導致估算結果的誤差越來越大；卡爾曼濾波估算方法同樣將初始值設為0.80，多次迭代后，估算結果逐漸趨近于實驗值，并沒有因為初始誤差的存在而累積，增大SOC估算誤差。由此可知：卡爾曼濾波估算方法適用于非滿SOC放電時電池SOC的在線估算。

通過分析兩次實驗數據，綜合上述分析可得：卡爾曼濾波解決了安時積分法初始狀態SOC值不確定和誤差累計的問題，可適用于電池SOC的快速在線估算，并能降低估算結果誤差，能夠滿足微電網儲能電池SOC估算的要求。

4 結語

針對微電網儲能電池SOC的在線監測問題，本文作者基于LabVIEW平臺，采用卡爾曼濾波算SOC估算方法，設計并實現了微電網電池工作電壓、電流和SOC在線估計數據的計算、顯示、保存和讀取。系統采用卡爾曼濾波SOC估算方法，彌補了安時積分等估算方法初始電壓不確定、誤差累計和訓練數據大等的不足，提高了電池容量在線估算的精度，實現了電池容量的在線估算與監控，可方便儲能電池的管理與檢測，為微電網儲能電池管理系統提供數據支持。