1、當前動力鋰電池狀態監測方式回顧

隨著新能源(電動)汽車的普及，電動車電池(下稱動力鋰電池)作為其核心部件，對動力鋰電池安全管理和智能化管理的要求越來越高。對其如何進行監測、控制，并能夠快速準確反應，成為我們當前的熱點問題。

由于電動車的特殊性，我們需要的不僅僅是在動力鋰電池出現故障之后將損失(汽車損失和生命財產損失)降到最低，還要對電池的狀態進行監控和預測，從而能夠有效地預防電池出現的種種危險。

當前形勢下的對電池狀態計算的模式，主要是由本地收集數據、上傳云端、云端計算、輸出結果幾部分組成：

 圖1 基于網絡計算的電池監測系統

由上圖可以清晰的看到，整個動力鋰電池狀態的監督和控制系統。首先由電動車與電池相關的各種傳感器，例如電壓電流傳感器溫度傳感器，以及行駛里程計數器和累計里程計數器等進行主要指標的監控、收集。

然后由汽車上自帶的發射裝置，把這些數據流進行采集上傳，通過社會當中自帶的信號塔傳輸到云端數據流。在傳輸到云端數據流之后，這些數據又會被傳輸到指定的(客戶或者供應商)大數據平臺。在后臺對大數據平臺當中的數據進行計算，得出一個車輛當前的電池性能指標。在得出性能指標之后，后臺又會通過數據信號塔逐級的返還到車輛本體，從而進行數據的反饋，或者對動力鋰電池發出指令。

在這其中，有幾個較為關鍵的技術要點需要進行說明。首先，設置在車輛上的傳感器裝置需要較為精確并且數量和布局要合理，否則會嚴重影響車輛架構和電池性能。其次，后臺計算也是較為重要的一關。

如何處理大數據，或者換一句話說，如何處理海量的數據并最終得到一個最優解，是另外一個關鍵技術。而在[6]中介紹了一種基于大數據的智能搜索引擎技術，目前模式最終會依靠這種技術的發展而變得可靠性更高，計算更加高效。

當前這種反饋和計算模式已經相當成熟。例如[1]中的智鋰狗系統，不僅僅包含了簡單的電池監管網絡系統，并且涵蓋了諸如防盜技術等額外的功能。

從另一個角度講，在[5]中描述了一種基于智能電網的未來大數據驅動方法。相信這種方法在未來會由于智能電網的使用和發展而變得更加普及。這種基于終端處理的電池監測方法也會變得更加迅速和準確。

2、當前已成熟的動力鋰電池狀態監測方式的優勢和弊端

2.1當前模式的優勢

就當前已經成熟的電池狀態監測方式而言，它的優勢主要體現在兩大部分。首先是這種方式能夠獲得非常非常豐富的云端實際數據，從而可以從多方角度計算可行的結果和非常具有建設性意義的指導方案。

另一部分就是由于它在電動汽車上所設的檢測原件僅僅有傳輸，接收和傳感器三大部分，所以使得這種方法對電動汽車的空間要求相對較低，從而能夠在不影響車輛整體架構和電池性能的情況下完成測量。除此之外，在[7]中提到的，該模式還可以依靠強大的云計算來對用戶車主的用車習慣來進行分析和總結。具體優勢如下：

1、檢測原件少。所需硬件成本較低檢測傳感器成熟，在車輛本地的數據采集中較為可靠成熟；

2、擁有超級強大的后臺計算能力和匯總能力。能夠通過后臺計算實時分析當前全國在行駛汽車的狀態并且能夠人為的給予干預和適當的建議；

3、匯總及時，上傳及時，處理及時，反饋及時；

4、可以借由較為強大的傳輸網絡和后臺能力開拓新功能。例如車輛定位和自動報警裝置。

2.2當前模式的弊端

當前模式的主要弊端同樣也體現在兩大部分。其一就是傳輸過程。我國是一個地域遼闊的國家，我們無法保證汽車行駛在任何一條道路上都能有持續不間斷的，高強度的信號來完成這樣高頻度的信號傳輸。

汽車本身是一個非常具有劃時代意義的交通工具，它的最大優勢就在于它幾乎能夠無視地形地貌的特征，能夠載人前往任何一個特殊的地點。而這些地點大多數都是沒有較為強烈的信號覆蓋的。所以換一句話說，這種現在已成熟的傳輸模式的弊端之一，就是它無法確保信息在數據傳輸過程中的完整性和正確性。

它需要依靠強大的社會基礎網絡，以及強大的通信信道傳輸容量才能完成基本傳輸工作。另一個弊端就是把汽車本身僅僅當作一個信號或者是數據的傳輸以及接收裝置，這種系統并不具有本地處理數據的能力。它必須要將自己的全部數據從通信網絡傳輸到后臺再由后臺返回結果之后，才具有初步的對數據的理解和處理能力。

這就造成了汽車就像一個沒有腦子的人一樣，無法自己做出決策。也就是說，沒有強大通訊網絡的支撐。汽車僅僅是一臺簡單的代步工具而已，并不能做到最基本的電池安全的監測和監管工作。具體缺陷如下：

1、過于依賴基礎建設網絡的能力；

2、信號和數據的處理過于集中化；

3、汽車無法在沒有聯網的情況下對自身情況進行評價以及傳輸；

4、收集到的大量數據一般僅提供給一個監測方，無法有選擇地提供不同數據給不同監測方。

3、基于本地處理的電池狀態計算的模式的提出

3.1新模式的總體要求

綜合以上，我們可以感到現在迫切需要一個相對較為自主且開放的電池狀態的計算模式的設想，這個新系統至少要滿足以下幾個方面：

1、能夠獨立自主的處理車輛數據；

2、不能對算力提出過高的要求；

3、在滿足自主能力的同時，能夠在適當的時候將數據全部傳輸給需要的一方；

4、能夠在經過數據處理之后，及時的提供給車輛使用者當前的健康狀態信息。

根據以上，一個基于本地處理處理，同時又兼容低算力要求和高可視化結果，依靠傳感器技術、DSP處理器以及神經網絡的電池狀態的計算模式被提出。其簡化框圖如下所示：

 圖2 基于本地計算的動力鋰電池監測框圖

首先，要滿足“自主性”這一首要目標，就必須在車輛上安裝現有的處理器。但考慮到一個較為復雜的問題：如果安裝常見的電腦或者手機CPU，就勢必會出現CPU過熱，影響電池溫度，從而進一步對測量結果和電池性能造成影響。

所以在這里采用了一種較為復雜小眾，但是對離散(數字)信號處理能力和處理效率極高的一種處理器：DSP處理器。數字信號處理器是車載主機內以邏輯電路對音視頻數字信號進行再加工處理的專用元件。包括數字效果器、EQ、3D環繞等等。

數字信號處理器是進行數字信號處理的專用芯片，是伴隨著微電子學、數字信號處理技術、計算機技術的發展而產生的新器件。由以上可以看出兩點：

1、DSP處理器的確對于離散的數字信號有著極高的處理能力；

2、DSP處理器應用在車輛上已經擁有了先例，雖然該先例與檢測“發動機”情況無關，但是它的性能以及微型化已經得到了實際認證。

需要注意的是，DSP處理器的編程語言是較為原始的匯編語言，雖然它不易讀，不易編，但是這種底層語言會有極高的運行效率。在本地處理芯片選擇完之后，我們需要就另一個問題進行思考，即采用公式法對數據進行計算，還是采用較為新型的神經網絡技術進行計算。

在這里首先對公式法和神經網絡法進行簡要概述以明晰他們的區別：

1、公式法：公式法字如其意，也就是將已經得到的多組數據通過一種既定的數學公式進行計算。在計算完成之后會給出一個既定的我們可預見的結果，公式法的好處是它的穩定性極強。由于它的種種參數已經確定，只需要計算器，按照公式法所提供的加減乘除或取對取指進行計算就可以完成所需要求；

2、神經網絡：神經網絡是一種新型的計算方法，他的主要過程在于會先利用大量的數據，對已經構建起來的類似于人類腦神經的網絡進行參數的訓練。在訓練過程當中，神經網絡可以通過首先給定的大量數據和最終的結果之間的對應關系調整自己參數，數據越多，神經網絡的訓練就完善，最后給出的結果就趨于最優解。訓練之后，我們可以將神經網絡當中已經經過大數據訓練完成的參數直接的輸入到DSP處理器當中，以便進行后續的簡單計算。

為了驗證這兩種方法的計算效率，在此利用MATLAB軟件進行了公式化計算和神經網絡計算的模擬。在進行模擬之前，我們首先對結果進行一個簡單的邏輯預測，從邏輯角度講公式法需要將公式完整的輸入在此之后需要將數據進行計算。

換一句話講公式法就相當于一個循環一樣，每傳輸一組數據，公式法就會依靠公式進行一次循環得出結果。從神經網絡的邏輯上來講，神經網絡首先會根據已有的數據不斷地訓練自己，從而使參數達到最優解。神經網絡的訓練會使得整個計算過程相對較為簡便，因為它省去了公式法當中較為復雜的邏輯數據計算。神經網絡已經將這種復雜的計算當中的一部分負擔調整到了之前的大數據訓練之中。

所以綜上對比，我們可以得出：雖然神經網絡的計算方法在裝入車輛之前需要進行大量的數據計算，但是輸入車輛之后，神經網絡會由于其簡便性比公式法有更高的效率。并且隨著時間的推移，神經網絡會相對于公式法給出更優解。

3.2神經網絡驗證

接下來，我們會以六個主要參數(電池累計里程，電池當前續航里程，電池電壓，電池電流，電池溫度，電池電量)及其對應的得分，共25組進行神經網絡的訓練和公式法的計算。在此之后，會利用5組數據來進行平均效率驗證，從而得到兩種方法中具有更優性能的一種。

在此需要特別說明的是，由于各個車輛電池的狀態不同，各個狀態指標對于實際電池狀態的影響能力也不相同。結果將側重于計算效率，且會給出神經網絡計算下的預測精準度。在充分參考[10]、[11]之后，考慮到新能源汽車的電池溫度問題和充放電特性，設計了如下神經網絡的訓練/驗證數據： 

在進行預測之前，這里給出本神經網絡的架構圖：

圖三 神經網絡架構

本網絡采用較為簡單的三層架構，由于沒有指定的函數計算，所以這里采用經驗函數進行預測。具體預測結果如下圖所示：

圖4 神經網絡訓練過程

上圖為訓練組的實際情況和預測情況。詳細的說，就是在25組測試組中已經給出了結果，但是神經網絡還是會根據公式計算出結果來進行參數的比對。這種不斷的比對可以更加清晰的看到神經網絡的訓練過程和逐漸精準的預測過程。

神經網絡在最開始的預測相對誤差較大，但是在經過15組左右的訓練之后，擬合值逐漸好轉，最終誤差在0.4%左右。也就是說假如標準分數為85分。神經網絡給出的預測分數將會在(84.6-85.4)這個區間內移動，總體可以看出精準度極高，且只經過簡單的25組訓練。

圖5 神經網絡訓練結果驗證

上圖是在給出五組驗證組的驗證結果分數，精準度也非常令人驚訝。在經過時間計算之后得到了3.0152*10(-6)秒的數據。

3.3公式法驗證

在對神經網絡進行計算完成之后，下面給出本文采用的公式法的公式：

在本公式中，代表總分， 代表總續航里程，代表當前續航里程，代表電池電量，代表當前電池電壓，代表電池電流，代表電池溫度。其中考慮到在電壓，電流，溫度上都有標量化的最佳工作點，所以這里采用正態分布來對當偏離這個工作點時的得分進行模擬。在將一組數據利用MATLAB計算之后，我們得到了4.3995*10(-6)秒的計算時間。

在經過時間對比之后，我們發現神經網絡的精度高，且時間相對于傳統的公式法(實際公式將比本文中的預設公式復雜許多)節省30%的計算時間。所以經過充分的計算，認為這里采用神經網絡模型的訓練，預測方法是非常高效可行的。

4、本地處理模式的優點與不足

4.1優點

該模式的主要優點在于它能夠獨立的進行簡單的計算，并且給出相對較為有效率的結果，能夠給出動力鋰電池的實時狀態。對于客戶(電動車集中運營商)、供應商(電池、電動車廠家)和國家監控平臺，能夠及時得到對動力鋰電池基本狀態判斷的一個基本結論，而不只是一堆原始數據，利于各平臺對動力鋰電池狀態更清晰地掌控。

與此同時，能夠滿足那些對動力鋰電池不專業的用戶的使用指導需求。除此之外，還能夠單獨地根據當前網絡的優劣來選擇是否將現有的數據提供給相關的處理廠家。

4.2不足

正如整體分析的那樣，該模式依賴于電動車所承載硬件進行本地運算，對動力鋰電池智能管理系統提出了軟硬件的更高的要求，增加了技術難度和成本。同時受限于電動車本身空間和整體協同，本地計算能實現的功能有限，所以只能進行簡單的數值計算，并不能給出全面、復雜的結論和建議。

5、該模式未來發展的建議

綜上所示，針對動力鋰電池智能管理系統的本地計算模式，給出以下建議以供參考：

1、由于DSP處理器的匯編語言特點，這里應當對如何將神經網絡的參數移植到其中進行充分的試驗以及研究，以更深入和準確低得出計算結果，更有利于動力鋰電池智能管理系統的智能化和精確性；

2、由于DSP處理器的型號眾多，這里應當考慮到不同型號的處理器的特點，選擇最適合電池檢測的型號。同時考慮動力鋰電池智能管理系統的成本問題，控制成本，以利于更多用戶使用；

3、本文對于公式法中采用的公式相對較為簡單，所以后續可以根據需要編寫詳細、完整公式，不過考慮到實際情況的復雜性，實際公式的計算效率和時間只會先對于當前的公式法計算結果高而不是低；

4、這里僅僅對于兩種算法(公式法和神經網絡)的計算效率進行了推算，但是并沒有對其實際的計算結果進行驗證，所以后續應當在擁有充分實際數據之后，對公式法和神經網絡的計算結果正確率進行評估，這里考慮到神經網絡的計算結果是基于大數據的參數調整方法，所以邏輯上講其相對于公式法具有更多的經驗，其計算正確率應當強于公式法；

5、由于該模式僅停留在設計階段，所以在實際應用中應當充分的對于各個部分硬件之間的結合問題進行試驗；

6、考慮到該模式是對數字信號進行處理，所以在選擇傳感器時應傾向于輸出數字信號的傳感器或者具有轉換原件的傳感器。

7、考慮到電池對于傳感器的諸多要求，這里可以考慮通過算法來彌補傳感器的缺點，如[8]中提到的溫補算法

8、可以參考[9]中的其它諸項預測來對新能源汽車的電池監控系統進行改進

6 參考文獻

[1] 張銳：采用DSP實現的神經網絡實時仿真系統

[2] 蘇奎峰：TMS320X28355DSP應用系統設計

[3] 深圳市尚億芯科技有限公司：智鋰狗鋰電池安全監控管理系統介紹

[4] 劉婷婷：傳感器及應用技術

[5] 吳佳：云計算智能電網大數據驅動的方法研究

[6] 全龍翔：淺談一種面向大數據行業的智能搜索引擎技術

[7] 胡增富：基于數據挖掘的計算機用戶行為分析與識別

[8] 張應和：基于改進的新息自適應卡爾曼MEMS陀螺儀溫度補償算法

[9] 張福斌：純電動汽車動力電池的發展現狀與研究進展 

[10] 朱攀峰：鋰離子動力電池充放電特性的試驗分析

[11] 戴海燕：三元軟包動力鋰電池熱安全性

作者：杜鎮源⑴，李華青⑵（⑴.西南大學 電子信息工程學院，重慶 400715  ⑵.非線性電路與智能信息處理重慶市重點實驗室，重慶 400715）

來源：《動力電池》雜志8月刊