基于LabVIEW的微电网电池荷电状态监测系统

王 萍，程志江，陈星志

(新疆大学电气工程学院，新疆 乌鲁木齐 830047)

实际风光发电系统多采用风光储联合系统的形式，以弥补风光系统的随机性等缺点。电池荷电状态(SOC)作为储能单元重要的参数指标，影响着储能电池的使用寿命和效率。人们对电池SOC的估算开展了大量研究，目前的估算方法主要有：基于神经网络的智能控制算法[1-2]、卡尔曼滤波法[3-4]、安时积分法[5]和开路电压法等。安时积分法应用广泛，但由于初始SOC的不确定性，不适合微电网电池的在线检测；开路电压法要求电池满荷电状态静置一段时间后进行测量，电池需要脱离供电系统，因此也不适合微电网电池的在线估算；基于神经网络的智能控制算法需要大量的训练数据，不适合大规模大批量的微电网储能电池系统。

为解决微电网储能单元电池SOC在线估算的问题，本文作者设计基于LabVIEW的微电网储能电池监测系统，采用卡尔曼滤波算法，通过LabVIEW前面板设计，实现电压、电流和SOC估算结果的实时显示，并进行数据的保存和查看，便于微电网系统工作人员监控系统和提取数据。

1 数据采集硬件设计

实验基于NI虚拟仪器图形化编程平台LabVIEW，采用NI9225电压采集卡(匈牙利产)和NI9227电流采集卡(匈牙利产)，采集电池电压、电流数据。NI cDAQ9174机箱(匈牙利产)通过USB接口与上位机LabVIEW界面进行数据传送，系统硬件连接框图见图1。

LabVIEW拥有快速计算的能力和良好的人机接口协议；NI9225和NI9227数据采集卡具有较大的电压电流稳定接入和信号处理能力，微电网储能电池通过电压互感器和电流互感器直接与数据采集卡相连，避免了复杂的数据信号采集和处理硬件设计。综上所述，基于LabVIEW的监测系统，能够满足系统对SOC在线估算的要求，为电池监测系统平台的搭建提供了现实和理论依据[6]。

2 系统软件设计

监测系统的软件界面设计主要有电压和电流的数据采集、最小二乘曲线拟合、卡尔曼滤波SOC估算和数据保存等4个主要组成部分。重点介绍对电池模型参数的拟合和SOC估算方法的研究。

2.1 电池模型参数拟合

卡尔曼滤波SOC估算方法的实现，难点在于电池模型的建立；电池模型的准确与否直接影响SOC估算结果的精度。文献[7]提出一种动态观测混合电化学模型，仿真并验证了模型的准确性和有效性，因此，本文作者根据混合电化学模型，得到开路电压、电流和SOC的关系方程。式(1)为系统状态方程，式(2)为系统输出方程。

(1)

K2·ln(SOCk)+K3·ln(1-SOCk)

(2)

式(1)-(2)中：下标k和k+1代表k和k+1时刻；Qa为电池额定容量；η为库仑效率；E为电压；E0为电池满荷电时的空载电压；Δt为单位时间间隔；R为电池内阻；i为电流瞬时值；K0、K1、K2和K3为电化学模型待辨识参数。

在此化学模型的基础上，进行电池标准放电实验，即以指定恒流充电到上限截止电压，转恒压充电至电流低于指定恒流的10%，再以指定恒电流下放电到下限截止电压。采用采集实验所得的电压、电流及SOC数据，按文献[8]中的算法逻辑程序，在LabVIEW编程环境下进行最小二乘曲线拟合。

2.2 卡尔曼滤波算法

卡尔曼滤波算法依据以SOC为状态变量建立的非线性电池模型，以最小方差的最优估计的方式进行误差估算，以前一时刻的SOC值作为当前时刻的SOC初始值，通过数次迭代后趋近于真实SOC初始值，程序流程图见图2。

图2中：SOCk_y为Klman算法中SOC状态更新预测值；P0为初始状态误差的协方差矩阵初值；Ek_y为电池端电压的预测值；Ak为状态方程中的系数；SOCy为SOC最终估算值。得到的LabVIEW逻辑编程实现卡尔曼滤波估算算法的程序如图3所示。

图3中，N为程序中FOR循环的次数；DBL为LabVIEW中的数值输入控件；0.5和1为常量。灰色矩形框为LabVIEW公式节点，通过增加输入输出变量，对公示节点内数学表达式进行计算，其中，节点内的Ey=Ek，如式(3)所示，C的表达式为：

(3)

3 实验验证

实验采用的锂离子电池(上海产)的基本参数为：尺寸130 cm×75 cm×37 cm，标称容量5 200 mAh，最大电流5 A，输出电压范围21.0～29.4 V，正、负极材料分别为磷酸铁锂和石墨。用QTBC326恒流放电仪(杭州产)对锂离子电池进行恒流放电实验，分别采用安时积分和卡尔曼滤波两种方法进行SOC估计，并对估算结果进行对比。

为验证系统的普遍适用性，实验分别对满荷电和未知荷电状态的电池进行实验。

3.1 电池模型拟合参数

在室温条件下进行标准放电实验：以5.0 A电流充电到29.4 V，转恒压充电至电流低于0.5 A，然后以5.0 A电流放电到21.0 V。假定库仑效率η为100%情况下，拟合得到该电池的混合电化学模型参数K0、K1、K2和K3，分别为-2.62、17.59、-12.57和-0.27，R为3.43 Ω。将K0、K1、K2和K3代入式(2)，得到拟合输出方程电压数据与同等实验条件下的实际放电电压采集数据，如图4所示。

从图4可知，在估算开始的300 s内，拟合电压值偏离实际采样值较大。求出拟合输出方程电压数据与实际电压采集数据的差，可得到放电电压的拟合误差曲线。由于迭代刚开始，次数较少，拟合电压与实际电压偏差较大，但多次迭代拟合后，误差迅速减小，最大偏差为初期的0.9，300 s后误差小于0.1，并稳定在0附近，整体拟合效果较好，能够满足模型精度要求。经过最小二乘曲线拟合，得到电池混合电化学模型的输出方程，可较准确地描述电池放电实际电压与SOC的关系，拟合结果的稳定性和准确性较好，可作为后续SOC在线估计的数学模型。

3.2 满荷电状态放电的SOC估算

分别采用卡尔曼滤波和安时积分两种估算方法，对电池SOC变化进行估算，得出满荷电状态放电的SOC-E曲线，如图5所示。

实验是满荷电状态恒流放电，电池初始SOC为1，因此可认为电池满荷电状态的真实放电曲线与实际测试数据一致。计算卡尔曼滤波结果与安时积分结果的差，得到SOC估算误差曲线。卡尔曼滤波算法在估算初期，SOC估算结果在初始值附近波动较大，经过多次迭代，估算值迅速接近真实值，可见卡尔曼滤波算法对SOC初值要求不高；分析卡尔曼滤波均方估计误差Pk，设定均方估计误差Pk初始值为1，经过多次迭代后Pk迅速下降，逐渐趋于稳定，结合图5中曲线2可在多次迭代后逐渐趋近曲线1，最后达到重合的效果，分析可得：卡尔曼滤波估算方法能够满足电池SOC实时在线估算的要求，且误差较低。

3.3 荷电状态SOC=0.85时的放电实验

选择电池非满SOC，进行恒流放电实验，验证卡尔曼滤波方法对于电池普通SOC下的SOC估算的有效性。假定库仑效率为100%，实验选择标准放电实验电流5 A，先按标准放电过程放电到SOC=0.85，断电静置一段时间，继续按照标准放电过程放电至终止。得到卡尔曼滤波估算方法、安时积分法与实际电压放电曲线，如图6所示。

假设初始SOC值为0.80，安时积分法并未对初值进行调整，而是将SOC初值与实际值的偏差累计，直到最后估算结束，导致估算结果的误差越来越大；卡尔曼滤波估算方法同样将初始值设为0.80，多次迭代后，估算结果逐渐趋近于实验值，并没有因为初始误差的存在而累积，增大SOC估算误差。由此可知：卡尔曼滤波估算方法适用于非满SOC放电时电池SOC的在线估算。

通过分析两次实验数据，综合上述分析可得：卡尔曼滤波解决了安时积分法初始状态SOC值不确定和误差累计的问题，可适用于电池SOC的快速在线估算，并能降低估算结果误差，能够满足微电网储能电池SOC估算的要求。

4 结语

针对微电网储能电池SOC的在线监测问题，本文作者基于LabVIEW平台，采用卡尔曼滤波算SOC估算方法，设计并实现了微电网电池工作电压、电流和SOC在线估计数据的计算、显示、保存和读取。系统采用卡尔曼滤波SOC估算方法，弥补了安时积分等估算方法初始电压不确定、误差累计和训练数据大等的不足，提高了电池容量在线估算的精度，实现了电池容量的在线估算与监控，可方便储能电池的管理与检测，为微电网储能电池管理系统提供数据支持。