基于LabVIEW的锂电池实时监测系统及SOC估算研究

李壮 杨兆华

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]。上述六種方法各有侧重，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，不用建立复杂而准确的电池参数数学模型，同时还能减少大量计算的误差，具有更高的精准性。

2.2 BP-LM算法

尽管BP算法在数据处理能力、应用冗余度等方面具有明显优势，但是其仍然有许多缺陷：（1）BP算法中使用了梯度下降法来更新权值，可以得到局部范围的极小值，但是对于全局来说，BP神经网络中包含了数量众多的较小值，这些较小值的存在会对计算过程与收敛速度产生不利影响，尤其是导致计算过程中过多的关注于最小值的计算而忽略了对于全局最优点的计算；（2）BP算法总体而言计算量十分庞大、需要经过多次反复计算才能得到最终结果，因此导致数据收敛慢，计算效率低；（3）在计算过程中相关节点、边界条件的选择很大程度上依赖于实验人员的计算经验，而缺乏明确的理论指导。

LM学习规则算法主要用来解决标准的BP算法收敛缓慢的问题和误差平方和的最小化。此算法进行权值调整的公式为：

？驻w=-（JTJ+？滋I）-1*JTe

其中，？驻w为调整前权值与调整后权值之差；J-网络误差对权值导数的雅可比（Jacobian）矩阵；I为单位矩阵；μ为标量，当μ很大时上式接近于梯度法，当μ很小时上式变成了高斯牛顿法，在这种方法中，μ也是自适应调整的；e为各训练样本对应的网络误差组成的误差向量。

2.3锂电池预测模型的建立

电池的电压U、电流I以及温度T是影响SOC最主要的因素。电池所受的影响因素众多，并且它的内部是非常复杂的，不能用简单的线性关系来描述，因此本文的BP网络的输入层选择电压、电流和温度，即有3个节点，输出层选择它的SOC值，即有1个节点。

在本试验研究中，通过综合比较与选择，最终选定18650型锂电池作为主要研究对象，该型电池相关参数如下：最大电容量为1000mAh，标称电压为3.7V，充电截止电压为4.2V，放电截止电压为3V，标准充放电电流为500mA，最大充放电电流为1000mA，工作温度为-20℃至+60℃。选取了0.3C，0.5C，0.7C，1C等倍率分别进行放电实验。在实验的过程中，通过LabVIEW使用电池组监测芯片实时采集到温度、电压、电流以及实际SOC等样本数据1775组，其中绝大部分作为训练样本，具体数量为1500组，剩下的样本作为测试样本参与试验。训练样本最重要的功能作用即為在软件与程序运行过程中可以对已有的计算方法进行测试与训练，使得计算程序能够得到较为满意的结果，在利用测试样本进行测试的过程中，对输入向量进行归一化处理可以大幅度提高训练效率同时尽可能减少由于样本本身数据差异带来的不利影响。训练函数采用LM算法。相关神经网络训练参数，经过资料查阅和反复验证，相关参数如下：

%网络参数的设置

net.trainParam.epochs=500；%训练次数设置

net.trainParam.goal=0.00004；%训练目标设置

net.trainParam.lr=0.02；%学习率设置，

net.trainParam.mc=0.9；%动量因子的设置，默认为0.9

net.trainParam.show=2；%显示的间隔次数

训练过程如下图3所示：

针对同一试验样本，经过多次重复试验与反复验证，发现在隐含层节点数确定为11时，计算量相对最小，收敛过程最为迅速，计算效率最高，因此所得到的包括电池SOC在内的各状态参数相互映射关系。

通过上节对神经网络的设计和训练后，随机选取275组锂电池的电压、电流和温度数据作为测试样本，用已构建好的神经网络对其进行预测，其SOC预测输出效果图和预测误差百分比图如下图4所示。

3 结束语

通过理论计算与试验验证，得到如下结论，即在BP神经网络预测模型中，电池SOC计算结果与实际参数之间的相对误差在百分之一以内，满足相关应用需求与误差标准。综上，本文所提出的基于LM算法的BP神经网络预测模型合理可行，可以良好的反映锂电池各状态参数之间的相互映射关系，为锂电池的后续开发与SOC预测提供了重要的参考与新选择。

参考文献：

[1]吴宇平，袁翔云，董超.锂离子电池-应用与实践（第二版）[M].北京：化学工业出版社，2013：4-5.

[2]刘坚.中国2030年电动汽车电力系统储能应用研究（上）[J].中国能源，2015，37（10）：29-34.

[3]华周发，李静.电动汽车动力电池SOC估算方法综述[J].电源技术，2013，09：1686-1689.

[4]封进.BP神经网络预估锂离子电池SOC训练数据选择[J].电源技术，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]王昕灿，郑燕萍，张林峰，等.基于LabVIEW的动力电池SOC实时估算系统研发[J].电源技术，2017，41（03）：374-376.的SOC预测模型，并针对开发出的新模型系统利用已有的样本数据进行不断学习，最终使SOC预测值逐渐逼近实测值。目前本系统可以成功实现对于锂电池运行状态的实施监测与显示，并利用配套的存储设备对相关状态参数进行实时存储。总体而言，本估算模型具有估算精度高、可靠性高、便于实施等突出优点。

关键词：锂电池；LabVIEW；神经网络；SOC；预测

中图分类号：TM912 文献标志码：A 文章编号：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