电池管理系统的设计及荷电状态的估算

2014-07-07刘骞孙红

电源技术 2014年5期

关键词：总线管理系统单片机

刘骞，孙红

（沈阳建筑大学交通与机械工程学院，辽宁沈阳 110168）

电池管理系统的设计及荷电状态的估算

刘骞，孙红

（沈阳建筑大学交通与机械工程学院，辽宁沈阳 110168）

电池管理是汽车混合动力系统的关键技术之一。对混合动力汽车电池管理系统（BMS）的硬件和程序流程进行了设计，并采用径向基函数（RBF）神经网络对电池的荷电状态（）进行估算。使用RBF神经网络算法估算可避免对电池内部复杂的电化学反应建模的过程，并可达到较高的精度。

电池管理系统；RBF；神经网络；荷电状态

混合动力是低碳时代汽车发展的重要方向之一，电池管理系统（BMS）对混合动力汽车的性能具有重要影响。BMS主要负责实时采集蓄电池组的电压、充放电电流以及温度等信息。它根据电流大小提供充放电保护，根据电压高低来进行充放电控制，根据温度信息判断当前电池组的工作状态，根据电池的电压、电流、温度等信息估算电池的荷电状态（）。BMS通过对动力电池组进行综合管理和保护，达到延长电池使用寿命、提高使用效率、增加汽车续驶里程、提升电池可靠性的目的。

本文在前人探索的基础上，设计出基于CAN总线的分布式BMS，并使用径向基函数（RBF）神经网络算法对电池的进行估算。

1 主要硬件电路的设计

本文中BMS整体布置形式为分布式。分布式BMS由一个主控制模块和若干个功能相同的采集子模块组成。主控制模块负责完成电池信息的处理、荷电状态的估算、电池组热管理等功能，主控模块与子模块之间以及主控模块与整车控制系统之间通过CAN总线进行通信。子模块独立实现电池信息采集、电池能量均衡等功能，各个子模块与主控制模块也是通过CAN总线进行通信。子模块硬件设计方案如图1所示，主要采集信息包括电流、电压和电池工作温度。

图1 采集子模块硬件设计方案

由于动力电池组通常采用串联供电，所以电流的采集只需设置一个采集点即可。电流采集电路如图2所示。本电路选择CHB-200SF霍尔电流传感器。CHB-200SF传感器测量匝数比为1∶2 000，精度在±0.8%之内，线性度小于0.1%，反应时间小于1μs，该模块具有较高的精度和线性度、较低的温漂和较短的响应时间，足以满足系统的设计要求。

图2 电流采集电路

在电池组充放电过程中，CHB-200SF霍尔电流传感器输出电流范围为－0.15～+0.15 A，则输出电压范围为－3～+3V。而作为微控制单元的PIC18F4580单片机的工作电压为5 V，即A/D采样的参考电压为5 V，所以必须通过反向加法器和反相器将CHB-200SF传感器输出电压调理为符合单片机的A/D转换电压的范围。在图2中，in为输出到单片机A/D口的转换电流，通过公式100×(in－3)计算可得到电池组的实际电流。

图3 滤波及采样保持电路

采样隔离电路由差动电路和隔离放大器组成，差动电路采集电池单体电压，并且消除温漂的影响，隔离放大器将采集到的电池单体电压与信息采集模块隔离。此外，每个电池信息采集子模块需要采集多块电池单体的电压数据，为了提高单片机A/D口的利用效率，电压采集电路选用了2片16路模拟多路转换开关芯片CD4O67，可以实现对多达32块电池单体电压的循环采集。另外，由于电池组的负载多种多样，电池电压上容易出现各种高频信号。所以，电压采集电路采用截止频率为100Hz的巴特沃斯二阶低通滤波器，将电压信号滤波以提高信号采集精度。采样保持放大器LF398的作用是保证采集到的是同一时刻的电压和电流。

温度采集选择DS18B20单总线数字温度传感器。它直接将温度信号转换成数字信号，相对于输出模拟信号的传感器而言，省却了将信号进行“滤波-放大-A/D转换”的过程，提高了温度采集系统的精度和响应时间。

由于单片机的驱动能力有限，再加上导线分布电容和能量衰减的影响，单片机I/O口可连接的DS18B20的数量和传输距离受到限制。实验表明，当单总线上挂接的DS18B20超过8个，就会出现温度转换误差较大的情况[10]，因此在DS18B20数量较多时，就需要解决总线驱动的问题，否则可能造成系统不能正常工作。驱动电路如图4所示，该电路由74LS244驱动器和门电路组成。74LS244为3态8位缓冲器，一般用作总线驱动器。74LS244的2A1和1Y1端口与单片机的RE0端口相连，74LS244的1A1和2Y1端口与DS18B20温度传感器的DQ线相连。在某一时刻驱动器74LS244只能向一个方向传输数据，数据传输方向由单片机的RE1端口根据DS18B20的操作时序进行控制。在这种驱动方式下，可以实现在较长的数据线上挂接超过24个的DS18B20传感器，足以满足子模块对温度采集点数目的要求。这个驱动电路只使用了两个I/O端口，单片机端口利用效率较高。

图4 DS18B20驱动电路

BMS使用CAN总线进行通信。CAN总线即控制器局部网（controller area network）总线，属于现场总线范畴，具有抗干扰能力强、实时性好、自动出错处理及故障保护的特点，可以应用在环境复杂、可靠性要求高的领域。

由于本文使用的PIC18F4580单片机带有CAN总线控制器，因而只需要设计接口电路即可。接口电路使用PCA82C50作为CAN总线驱动器，用于CAN协议控制器和物理总线间的接口，此元件对总线提供差动发送功能，对CAN控制器提供差动接收功能。接口电路通过高速光耦6N137实现与CAN总线上其他节点的电气隔离。6N137电路采用两个不同的电源供电，这两个电源通过DC-DC电源隔离模块完全隔离，从而提高了节点的安全性和稳定性。

2 基于RBF神经网络的电池估算

神经网络学习和测试的数据均来自于美国国家可再生能源实验室开发的电动汽车仿真软件Advisor的计算结果。在Advisor软件中，配置车型并选择工况。配置氢氧燃料电池与蓄电池的混合动力车型，蓄电池型号为ESS_L17_TEMP锂离子电池。在神经网络的学习过程中采用3UDDS+1HWFET混合工况，其中UDDS工况是用于测试车辆在城市道路下各种性能的循环工况，HWFET工况则代表了高速公路的运行工况。神经网络的测试选择INDIA_URBAN_SAMPLE工况。学习和测试两组工况下具体的车速-时间曲线如图5所示。在选定的车型和工况下，用Advisor计算得到该车型锂电池组的电压、电流、工作温度和等信息，作为RBF神经网络学习和测试的数据。由于Advisor得到的电池信息与电池实际使用中测得的数据相差不大，所以把Advisor计算得到的数值看成是实际值，用于神经网络的学习和测试[3]。

图5 神经网络学习和测试的汽车运行工况

神经网络模型选择RBF神经网络。RBF神经网络是一种单隐层的三层前馈网络，包括输入层、中间层和输出层。学习时，将上述车型在3UDDS+1HWFET混合工况下得到的电池数据作为神经网络学习的输入层值和目标输出层值，设均方误差目标值为10－4，使用Matlab中的net=new rb(P,T,goal, spread,MN,DF)函数进行网络设计，最终确定中间层神经元数目为7个。

测试时，将上述车型在INDIA_URBAN_SAMPLE工况下得到的电池各时刻的电压、电流、工作温度及初始时刻的导入输入层，经过RBF神经网络的运算，在输出层得到电池在使用过程中的。将RBF神经网络预测得到的值和在Advisor中得到的目标输出值进行比较，结果如图6所示。图6中显示预测值与目标值误差基本控制在2%以内，所以可以采用RBF神经网络来预测蓄电池组。

3 主控模块程序的设计

主程序流程如图7所示。主程序负责BMS初始化、电池信息采集、电池状态判断、SOC估算和CAN通信等子程序的调用，使各个子模块能够协调稳定地工作。

图6 RBF神经网络的预测值与实际值的比较及估算误差

图7 主程序流程图

在BMS的工作过程中，采集子模块将采集到的电压、电流、温度信息通过CAN总线实时传送到主控模块。由于蓄电池的开路电压与其之间可以看成线性关系，因此的初始值可以根据电池在开始工作前的开路电压得到。在电池工作过程中，主控模块根据电池实时的电压、电流、温度和上一时刻的计算得到电池实时的。此外，主控模块还对电池的工作状态进行判断，当电池工作异常时将发送报警信号并进行热管理或过充过放电的保护。

4 结语

本文设计的分布式BMS可实现电池信息的循环采集、信息处理、的估算和电池工作状态的判断，并通过CAN总线与汽车其它模块进行通信，基本满足对汽车动力电池组实时监控的需要。使用RBF神经网络对电池进行估算，可以降低电池建模的难度，并且达到了较高的估算精度。

[1]ZHU C B,WANG T C,HURLEYW G.A new state of charge determ ination method for battery management system[J].Journal ofHarbin Institute of Technology(New Series),2004,11(6):624-630.

[2]岳仁超.电池管理系统的研究[D].北京：北京交通大学，2010.

[3]李绍梅.Plug-In混合动力汽车动力电池估计研究[D].山东：山东大学，2010.

[4]何莉萍，赵曦，丁舟波，等.基于DSP的电动汽车电池管理系统的设计[J].湖南大学学报：自然科学版，2009，36(5)：33-36.

[5]黄文华，韩晓东，陈全世，等.电动汽车估计算法与电池管理系统的研究[J].汽车工程，2007，29(3)：198-202.

[6]QIANG JX,AO GQ,YANG L.Estimationmethod on the battery state of charge for hybrid electric vehicle[J].Chinese JournalofMechanical Engineering,2008,21(3):20-25.

[7]SANTHANAGOPALAN S,WHITER E.State of charge estimation using an unscented filter for high power lithium ion cells[J].International Journalof Energy Research,2010,34(2):152-163.

[8]张巍，王艳，殷天明，等.基于DSP的电动汽车电池管理系统的设计[J].微计算机信息，2009，25：238-239.

[9]张鑫，马兹林，冒晓建，等.混合动力车用蓄电池管理系统设计与研究[J].车用发动机，2010(6)：46-49.

[10]宋炳雨，高松，钟磊，等.DS18B20温度传感器在电动汽车电池管理系统中的应用[J].山东理工大学学报：自然科学版，2010，24(5)：82-85.

Design of BMSand estimation of

LIU Qian,SUN Hong

Battery management is one of the key technologies of electric vehicle hybrid power system.The hardware and software processes of batterymanagement system(BMS)ofhybrid electric vehicle were designed,and the state of charge()was estimated by radial basis function(RBF)neural network.Theestimation based on RBF neuralnetwork algorithm could avoid the modeling process of com plex electrochem ical reaction in battery,achieving high estimation accuracy.

BMS;RBF;neuralnetwork;

TM 912

1002-087 X(2014)05-0897-03