基于LabVIEW锂电池实时监测系统及SOC估算研究.docVIP

基于LabVIEW锂电池实时监测系统及SOC估算研究 　　摘 要：基于单片机和LabVIEW平台开发出了一套锂电池的在线实时监测系统，能实现锂电池参数的监测和SOC的估算。选择LM算法，通过编写MATLAB程序建立了以BP神经网络技术为主要应用蓝本的面向锂电池 　　随着人类社会科技的进步和经济的发展，对于能源的稳定、有效供应以及安全提出了越来越苛刻的要求。时至今日，随着传统能源在应用领域的弊端日益显现，对于替代能源的需求成为了关乎社会发展的重要议题，化学电池以其优越的性能成为了能源需求的关键突破技术[1]，其中最具代表性的即为锂电池，其体积小、电压高、比容量高、安全性高、环保性好和无污染性的特点使它在储能领域的应用越来越广泛，成为了研究的重点[2]。但是在实际开发利用中，如何保持电池性能的稳定以及能量的传输效率是国内外研究领域十分关注的热点问题。本文正是基于这样的应用背景，利用目前的单片机集成电路技术以及LabVIEW开发平台对包括锂电池荷电状态（State of Charge，后文简称SOC）等状态参数与运行指标进行准确监测并进行相关预测，可以大幅度调高电池的利用效率、降低能量损耗。 　　本试验研究选择目前应用较为广泛、技术性能稳定可靠的STM32F103C8T6型单片机作为监测系统的主控模块，完成相关逻辑计算与传输功能。其主要应用功能为对锂电池的运行状态与相关参数进行实时监控、采集与传输，主要包括电池两端电压、传输电流等，再通过计算得到与之相对应的SOC值，将这些参数显示和存储在LabVIEW上位机用户界面，便于用户进行实时监测与观察。 　　关于锂电池的SOC计算方法，本文通过对国内外研究成果与相关文献的广泛调研与综合分析比对，对目前已经较为成熟、应用较为广泛的各类方法进行了初步研究，主要包括以下六类方法，分别为：（1）神经网络法；（2）内阻测量法；（3）累积法；（4）卡尔曼滤波算法；（5）开路电压法；（6）放电实验法[3]。上述六?N方法各有侧重，在不同的应用领域各有优势。相较而言，卡尔曼滤波法在应用范围上最为广泛，也是目前市场应用十分普及的方法，但是在计算模型与效率方面具有固有缺陷，其计算量完全取决于电池模型的准确性，因此受到电池建模的影响，在计算量方面十分庞大。神经网络模型具有很强的非线性映射的能力、高度的鲁棒性和容错性[4]。针对锂电池充放电过程中的非线性的特性，运用神经网络算法可以非常好的解决锂电池在线实时估算的问题。因此，本文将神经网络模型作为试验研究的核心研究手段，并利用Matlab开发平台全面检验本研究方法的正确性与完备性。 　　1 基于LabVIEW的锂电池监测系统结构 　　本系统电路在进行主控电路的设计时利用STM32F103C8T6型单片机。单片机内部的AD模块对上述电压与电流强度信号进行实时采集与分析并转化成相关的数字量，并将相对应的参数传输到LabVIEW上位机界面，并利用相关放大运算、控制模块在用户端界面进行实时显示，便于人员进行实时监测与观察。图1为系统的组织逻辑结果图，从其组成内容而言，本系统主要分为三个功能板块，其各自功能任务如表1所示。 　　1.1 系统硬件设计 　　系统的实时监测功能主要由监测功能板块实现，其主要组成设备由以下三部分组成，分别为：（1）STM32F103C8 　　T6型单片机；（2）恒流放电模块；（3）按键模块。从其各自承担的功能任务而言，锂电池电压、电流强度、温度等重要的状态参数与运行参数主要由LTC6804-1型电池组监视器芯片承担，其数据的传输、采集、存储与显示的配套功能由PC机加以实现。 　　1.2 系统软件设计 　　本文利用目前应用十分广泛的商业软件LabVIEW进行相关系统的软件设计。锂电池荷电状态等状态参数与运行指标进行准确监测并进行相关预测，不仅可以实现电池利用效率的大幅跃升，同时还可以降低能量的消耗率、大大延伸电池的单次利用时间与全周期使用寿命，提高电池能量利用率。本课题以18650三元锂电池为研究对象，基于LabVIEW平台开发一套对锂电池的电压、电流、温度等运行数据进行实时采集并显示，还能在线估算锂电池的SOC的上位机软件。图2是参数的显示界面。 　　2 基于BP神经网络的锂电池SOC预测 　　2.1 BP神经网络结构 　　误差反向传播神经网络简称为BP神经网络，其主要功能特征为可以按照误差逆传播算法对相关信号进行运算与传输并实现相关信号的反馈，因其在数据处理方面具有的突出优势与强度功能，在各行各业均得到了广泛应用与深入研究，在以往成熟的人工神经网络的应用基础之上，大幅度增强网络计算能力，最终形成了BP神经网络。锂电池的SOC预测问题，就是基于电池内部复杂的关系和外部参数之间的非线性，采用BP神经网络来解决此类问题，不