91制片厂制作传媒,国产精品久久久久91,日韩中文字幕在线一区swag

嵌入式蓄電池SoC檢測系統(tǒng)研究與設計

2014年電子技術應用第9期

劉明忠1,，崔弘1,，羊行2，余岷3，李迅波3,于文杰3

1.四川電力科學研究院,，四川成都610072,； 2.電子科技大學通信與信息工程學院,，四川成都611731,； 3.電子科技大學機械電子工程學院，四川成都611731

摘要： 系統(tǒng)建立了基于神經(jīng)網(wǎng)絡的電池荷電狀態(tài)（SoC）的預測模型,，可用于對電池電量有精確預測需求的設備中,。首先，基于自適應神經(jīng)網(wǎng)絡模糊推理系統(tǒng)(ANFIS)的預測模型確定了網(wǎng)絡學習算法,，采用MATLAB仿真程序用不同方法構造初始ANFIS模型,，利用實驗數(shù)據(jù)對模型網(wǎng)絡進行訓練，分析ANFIS系統(tǒng)結構和參數(shù)的變化,。

關鍵詞： 電池荷電狀態(tài) 內(nèi)阻檢測自適應模糊推理系統(tǒng)

中圖分類號： TP273.4
文獻標識碼： A
文章編號： 0258-7998(2014)09-0058-04

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

蓄電池用途極其廣泛,，對其研究也一直在進行，監(jiān)控技術是該領域的關鍵技術之一,，特別是近年來隨著電動汽車,、儲能技術的發(fā)展，蓄電池監(jiān)控技術越來越顯得重要,，儼然成為各大設備廠商競爭的核心技術之一,。準確檢測蓄電池的荷電狀態(tài)SoC(State of Charge)、劣化情況,、健康狀態(tài)等,，及時對蓄電池系統(tǒng)進行維護、避免損失是其意義所在,。

閥控鉛酸蓄電池(VRLA)誕生于1970年,，之后的幾十年時間里，人們對蓄電池的工作原理,，工作性能,，維護保養(yǎng)等方面進行了大量的研究，常用的方法有安時積分法^[1],，開路電壓法,，阻抗分析法，Peukert定律,，密度法等,，近年來人工智能算法也開始吸引了大量關注,。

參考文獻[2]對鉛酸電池的SoC預測進行了研究，在單片機上實現(xiàn)了基于蓄電池電動勢和內(nèi)阻的電量模糊預測,。參考文獻[3]應用模糊神經(jīng)網(wǎng)絡對MH/NI電池進行SoC預測,，建立了四層結構網(wǎng)絡。參考文獻[4]采用無味卡爾曼濾波算法對鋰電池的SoC進行估計,，將電池開路電壓(OCV)作為參數(shù),。參考文獻[5]給出了利用采樣點卡爾曼濾波進行電池SoC估計的具體步驟，該模型用電池電壓,，電流和溫度作為參數(shù),。面向應用，參考文獻[6]以MSP430單片機為核心控件設計了面對一體化殼體的低功耗電容式電子測壓器,。

本文建立了基于神經(jīng)網(wǎng)絡的電池荷電狀態(tài)的預測模型,，在模型中考慮到內(nèi)阻、放電電壓,、溫度,、放電電流等多參數(shù)對蓄電池的SoC進行預測，設計并制作了硬件,，通過實驗驗證本文提出方法對工程應用的指導意義,。

1 蓄電池荷電狀態(tài)預測模型

ANFIS(Adaptive Neuro Fuzzy Inference System)是一種自適應神經(jīng)網(wǎng)絡，具有神經(jīng)網(wǎng)絡的學習能力,，而功能又與模糊推理系統(tǒng)等效,。其隸屬度函數(shù)參數(shù)和結論參數(shù)可以通過數(shù)據(jù)的訓練來自主確定和更新，所以ANFIS適用于特性難以掌握的復雜系統(tǒng)的建模^[7],。ANFIS采用Takagi-Sugeno推理計算方法,結構為一階：

自適應網(wǎng)絡的學習規(guī)則是基于梯度下降和鏈式法則^[8],，由于梯度方法收斂緩慢且易陷入局部最優(yōu)，ANFIS采用混合學習規(guī)則加速學習進程,。

電池SoC取決于多個因素^[8],，SoC可表示為:

其中，V_bat(t)和I(t)為測試變量,，R_Ω(θ)由實驗測定,，時間常數(shù)τ_d和τ_k通過實驗數(shù)據(jù)和仿真測試。R_k(θ)和R_d(θ)由最小二乘算法擬合曲線得到,。

本文建立的ANFIS模型的輸入?yún)?shù)確定為內(nèi)阻R,，放電電壓V，溫度T,、放電電流I,。實驗測得，放電過程中，電池內(nèi)阻變化范圍為3.8 mΩ～6.3 mΩ,，即論域為[3.8,，6.3]，將其劃分為m個模糊集：R₁,，R₂,，…，R_m,。電壓變化范圍為12.5 V～10.5 V,，即論域為[12.5，10.5],，劃分為n個模糊集：U₁，U₂,，…,，U_n。取溫度變化范圍為5 ℃～20 ℃,，劃分為p個模糊集：T₁,，T₂，…,，T_p,。放電電流取值范圍為5 A～25 A，劃分為q個模糊集：I₁,，I₂,，…，I_q,。Sugeno模糊模型采用式(8)所示局部線性函數(shù)形式的模糊規(guī)則,。

建立了基于ANFIS的一個4輸入、1輸出的系統(tǒng),，如圖1所示,。

第1層是輸入層，它將輸入模糊化,，將4個論域分別劃分為m,、n、p,、q個模糊集,。各節(jié)點輸出相應隸屬度函數(shù)的值。

其中K₁,，K₂,，K₃，K₄取值分別為1～m，1～n,，1～p,，1～q。采用復合T規(guī)范的AND乘法算子確定每條規(guī)則的激勵強度,。第3層中每個節(jié)點都是圓形的,，計算第i個規(guī)則的激勵強度相對于所有規(guī)則激勵強度的和的比值，本層輸出稱為歸一化激勵強度：

2 嵌入式系統(tǒng)設計

2.1 實驗原理

本文建立的ANFIS模型,，需大量實驗數(shù)據(jù)對網(wǎng)絡模型進行訓練,、校驗和驗證，實驗原理為：(1)獲取不同條件下閥控式鉛酸蓄電池放電數(shù)據(jù),；(2)將獲取的數(shù)據(jù)用于訓練和檢驗模型,；(3)驗證訓練完成后模型的預測精度和有效性。根據(jù)驗證情況對模型進行改進,，再次驗證,。

監(jiān)測系統(tǒng)在嵌入式平臺中實現(xiàn)，實驗結果及軟件中各參數(shù)標定為系統(tǒng)軟硬件設計提供參考,。

2.2 硬件設計

硬件系統(tǒng)含測量單元和顯控平臺兩部分,，如圖2所示。前者用于測量內(nèi)阻,、電壓,、輸出電流、溫度,，實現(xiàn)簡單的插值運算及與顯控平臺通信,。測量單元基于單片機設計，采用STC12C5A60S2,。后者采用ARM Cortex-A8 Samsung S5PV210,。

2.3 內(nèi)阻測量電路設計

本文采用交流注入法測量蓄電池內(nèi)阻，用頻率為1 kHz的交流恒流信號注入蓄電池,，獲取反饋并進行調(diào)理送入ADC采樣,。原理框圖如圖3所示。

2.4 內(nèi)阻測量原理

設信號發(fā)生器產(chǎn)生正弦信號I=Asinωt,，由于電池的阻抗R_z存在容性成分,，反饋信號與激勵信號有相位差，設差分放大器的增益為B,，則采樣信號經(jīng)過差分放大器后的值為：

3 仿真分析及相關實驗

3.1 仿真分析

建立4種ANFIS模型,，模型1用鐘型函數(shù)作隸屬度函數(shù)，用genfis1產(chǎn)生初始FIS,；模型2用高斯函數(shù)作隸屬度函數(shù),，用genfis1產(chǎn)生初始FIS,；模型3用減法聚類法函數(shù)genfis2產(chǎn)生初始FIS；模型4用模糊C-均值聚類法函數(shù)genfis3產(chǎn)生初始FIS,。目標誤差0,，步長0.01，步長增長率和下降率分別為1.1和0.9,，訓練次數(shù)100,。各模型原始實測數(shù)據(jù)與預測曲線及誤差曲線如圖4所示。

(a)模型1 (b)模型2

(c)模型3 (d)模型4

圖4 模型曲線對比圖

各模型的預測曲線與實際測量曲線重合度較好,，其均方根誤差最大值分別為0.007 3,、0.004 4、0.007 4,、0.006 0,。結合應用需求，最適合用于預測蓄電池電能的是模型3,。

3.2 設備實測

系統(tǒng)從蓄電池滿電開始放電,，測量單元不斷采集蓄電池的內(nèi)阻、電壓,、電流、溫度參數(shù),，發(fā)送給顯控單元,，顯控單元通過ANFIS算法預測蓄電池容量。抽取間隔較大的10組數(shù)據(jù)如表1所示,。

表1所獲得的數(shù)據(jù)是顯控單元通過RS422與測量單元通信獲得的,，與實測值比較，各參數(shù)的誤差均在5%以內(nèi),。本系統(tǒng)的最終目的是將測量單元獲得的數(shù)據(jù)輸入顯控單元的ANFIS算法程序中預測蓄電池SoC,，因此表2對預測值與實際值進行了比較。