嵌入式蓄电池SoC检测系统研究与设计

Research and design for embedded battery SoC detect system Liu Mingzhong1，Cui Hong1，Yang Hang2，Yu Min3，Li Xunbo3，Yu Wenjie3 1.Sichuan Electric Power Research Institute，Chengdu 610072，China；2.School of Communication & Information Engineering, University of Electronic Science and Technology of China，Chengdu 611731，China；3.School of Mechatronics Engineering, University of Electronic Science and Technology of China，Chengdu 611731，China Abstract： The system establishes a model based on adaptive neural network for predicting the State of Charge(SoC)，which can be applied to systems that need accurate control of battery power. Firstly, the ANFIS-based prediction model defines the network learning algorithm. The MATLAB simulate program generates several initiations to train the ANFIS model，and trains the network model with experimental data, analyses the change of ANFIS structure and values of parameters. Then, by comparing the values between ANFIS model and the real experiment, this paper adjusts the parameters and contrests experiment again. Finally, the design of hardware and software is performed, and an AC injection method is obtained in this paper to deal with the problem of measure battery internal resistance. Key words : battery；SoC；internal resistance detection；ANFIS     蓄电池用途极其广泛，对其研讨也一直在进行，监控技能是该范畴的关键技能之一，特别是近年来跟着电动汽车、储能技能的开展，蓄电池监控技能越来越显得重要，俨然成为各大设备厂商竞赛的中心技能之一。准确检测蓄电池的荷电状况SoC(State of Charge)、劣化状况、健康状况等，及时对蓄电池体系进行保护、避免损失是其意义所在。     阀控铅酸蓄电池(VRLA)诞生于1970年，之后的几十年时间里，人们对蓄电池的作业原理，作业性能，保护保养等方面进行了很多的研讨，常用的办法有安时积分法[1]，开路电压法，阻抗分析法，Peukert定律，密度法等，近年来人工智能算法也开端招引了很多关注。     参考文献[2]对铅酸电池的SoC猜测进行了研讨，在单片机上完成了依据蓄电池电动势和内阻的电量含糊猜测。参考文献[3]使用含糊神经网络对MH/NI电池进行SoC猜测，建立了四层结构网络。参考文献[4]选用无味卡尔曼滤波算法对锂电池的SoC进行估量，将电池开路电压(OCV)作为参数。参考文献[5]给出了使用采样点卡尔曼滤波进行电池SoC估量的具体步骤，该模型用电池电压，电流和温度作为参数。面向使用，参考文献[6]以MSP430单片机为中心控件规划了面临一体化壳体的低功耗电容式电子测压器。     本文建立了依据神经网络的电池荷电状况的猜测模型，在模型中考虑到内阻、放电电压、温度、放电电流等多参数对蓄电池的SoC进行猜测，规划并制作了硬件，经过试验验证本文提出办法对工程使用的指导意义。 1 蓄电池荷电状况猜测模型     ANFIS(Adaptive Neuro Fuzzy Inference System)是一种自适应神经网络，具有神经网络的学习才能，而功能又与含糊推理体系等效。其从属度函数参数和结论参数能够经过数据的练习来自主确定和更新，所以ANFIS适用于特性难以把握的杂乱体系的建模[7]。ANFIS选用Takagi-Sugeno推理核算办法,结构为一阶：     自适应网络的学习规矩是依据梯度下降和链式法则[8]，因为梯度办法收敛缓慢且易堕入部分最优，ANFIS选用混合学习规矩加快学习进程。     电池SoC取决于多个要素[8]，SoC可表示为: 其中，Vbat(t)和I(t)为测试变量，RΩ(θ)由试验测定，时间常数τd和τk经过试验数据和仿真测试。Rk(θ)和Rd(θ)由最小二乘算法拟合曲线得到。     本文建立的ANFIS模型的输入参数确定为内阻R，放电电压V，温度T、放电电流I。试验测得，放电过程中，电池内阻改变规模为3.8 mΩ～6.3 mΩ，即论域为[3.8，6.3]，将其划分为m个含糊集：R1，R2，…，Rm。电压改变规模为12.5 V～10.5 V，即论域为[12.5，10.5]，划分为n个含糊集：U1，U2，…，Un。取温度改变规模为5 ℃～20 ℃，划分为p个含糊集：T1，T2，…，Tp。放电电流取值规模为5 A～25 A，划分为q个含糊集：I1，I2，…，Iq。Sugeno含糊模型选用式(8)所示部分线性函数方式的含糊规矩。     建立了依据ANFIS的一个4输入、1输出的体系，如图1所示。     第1层是输入层，它将输入含糊化，将4个论域分别划分为m、n、p、q个含糊集。各节点输出相应从属度函数的值。 其中K1，K2，K3，K4取值分别为1～m，1～n，1～p，1～q。选用复合T标准的AND乘法算子确定每条规矩的鼓励强度。第3层中每个节点都是圆形的，核算第i个规矩的鼓励强度相对于一切规矩鼓励强度的和的比值，本层输出称为归一化鼓励强度： 2 嵌入式体系规划 2.1 试验原理     本文建立的ANFIS模型，需很多试验数据对网络模型进行练习、校验和验证，试验原理为：(1)获取不同条件下阀控式铅酸蓄电池放电数据；(2)将获取的数据用于练习和检验模型；(3)验证练习完成后模型的猜测精度和有效性。依据验证状况对模型进行改善，再次验证。     监测体系在嵌入式平台中完成，试验结果及软件中各参数标定为体系软硬件规划提供参考。 2.2 硬件规划     硬件体系含丈量单元和显控平台两部分，如图2所示。前者用于丈量内阻、电压、输出电流、温度，完成简略的插值运算及与显控平台通信。丈量单元依据单片机规划，选用STC12C5A60S2。后者选用ARM Cortex-A8 Samsung S5PV210。 2.3 内阻丈量电路规划     本文选用沟通注入法丈量蓄电池内阻，用频率为1 kHz的沟通恒流信号注入蓄电池，获取反应并进行调度送入ADC采样。原理框图如图3所示。 2.4 内阻丈量原理     设信号发生器发生正弦信号I=Asinωt，因为电池的阻抗Rz存在容性成分，反应信号与鼓励信号有相位差，设差分放大器的增益为B，则采样信号经过差分放大器后的值为： 3 仿真分析及相关试验 3.1 仿真分析     建立4种ANFIS模型，模型1用钟型函数作从属度函数，用genfis1发生初始FIS；模型2用高斯函数作从属度函数，用genfis1发生初始FIS；模型3用减法聚类法函数genfis2发生初始FIS；模型4用含糊C-均值聚类法函数genfis3发生初始FIS。目标差错0，步长0.01，步长增长率和下降率分别为1.1和0.9，练习次数100。各模型原始实测数据与猜测曲线及差错曲线如图4所示。                          (a)模型1                               (b)模型2                         (c)模型3                                 (d)模型4 图4  模型曲线比照图     各模型的猜测曲线与实践丈量曲线重合度较好，其均方根差错最大值分别为0.007 3、0.004 4、0.007 4、0.006 0。结合使用需求，最适合用于猜测蓄电池电能的是模型3。 3.2 设备实测     体系从蓄电池满电开端放电，丈量单元不断采集蓄电池的内阻、电压、电流、温度参数，发送给显控单元，显控单元经过ANFIS算法猜测蓄电池容量。抽取间隔较大的10组数据如表1所示。     表1所取得的数据是显控单元经过RS422与丈量单元通信取得的，与实测值比较，各参数的差错均在5%以内。本体系的终究意图是将丈量单元取得的数据输入显控单元的ANFIS算法程序中猜测蓄电池SoC，因此表2对猜测值与实践值进行了比较。     从表2中能够看出，猜测值与实践值的差错十分小，最大绝对差错为0.004 6，完全能满足工程使用需求。     本文建立了ANFIS模型，完成了相关试验和仿真练习，规划了体系硬件和软件，分析了实践运行作用。试验证明用减法聚类法发生的ANFIS网络最优，节点数相对较少，猜测作用好。