基于直流充電樁的動力電池診斷系統(tǒng)設(shè)計

鞏碩 嚴(yán)曉 黃碧雄

摘? 要： 隨著電動汽車的普及，電動汽車在充電過程中的安全事故頻發(fā)。如何低成本的對電動汽車電池進(jìn)行健康診斷并保證充電過程的安全性，是當(dāng)前新能源汽車進(jìn)一步普及所面臨的一個重大難題。文章基于目前常見的直流充電樁，以STM32為主控制器開發(fā)并設(shè)計了電池診斷系統(tǒng)，通過實驗對診斷方法進(jìn)行了驗證，結(jié)果表明該系統(tǒng)可以對動力電池進(jìn)行健康診斷，提升充電過程的安全性。

關(guān)鍵詞： 電動汽車動力電池;直流充電樁;電池診斷;STM32;直流內(nèi)阻

【Abstract】： With the popularity of electric vehicles， electric vehicles have frequent safety accidents during the charging process. How to low-cost health diagnosis of electric vehicle batteries and ensure the safety of the charging process is a major problem facing the further popularization of new energy vehicles. Based on the current common DC charging piles， this paper develops and designs a battery diagnostic system with STM32 as the main controller， and verifies the diagnostic method through experiments. The results show that the system can perform health diagnosis on the power battery and improve the safety of the charging process.

【Key words】： Electric vehicle power battery; DC charging pile; Battery diagnosis; STM32; DC resistance

0? 引言

由于動力電池對高能量密度材料的追求導(dǎo)致其安全問題日益突出[1]，電動汽車的電池診斷需求也越來越龐大。然而電動汽車電池健康診斷市場還處于早期階段，主要以汽車生產(chǎn)廠商返廠診斷為主。極少數(shù)專門研發(fā)的電池診斷設(shè)備使用場景單一，需要用戶上門診斷[2]，使用便捷性不高，同時生產(chǎn)成本高昂。在充電過程中，如何保證電動汽車的安全是目前各充電樁廠商研究的主要方向。如果能將電池健康診斷與電動汽車的日常充電結(jié)合在一起，以此保證充電過程的安全，將會具有十分廣闊的應(yīng)用前景。

1? 系統(tǒng)方案

為了克服目前動力電池健康診斷所面臨的實際問題，本方案在目前常見的直流充電樁基礎(chǔ)上搭建了動力電池診斷系統(tǒng)，在電動汽車日常充電過程中，基于使用STM32F107芯片的嵌入式系統(tǒng)進(jìn)行開發(fā)并設(shè)計一鍵診斷模塊，通過在充電過程中增設(shè)充電脈沖工步，獲取更豐富的電池充電數(shù)據(jù)。同時制定數(shù)據(jù)接口[3]，將數(shù)據(jù)上傳至云平臺進(jìn)行儲存與診斷分析，通過電池一致性算法分析當(dāng)前的電池健康狀態(tài)，并反饋診斷結(jié)果。

2? 診斷模塊硬件設(shè)計

本方案在直流充電樁原有控制板基礎(chǔ)上外接診斷模塊，通過串口通信讀取BMS（電池控制系統(tǒng)）發(fā)出的電池數(shù)據(jù)，并返回控制指令。如圖2所示，在充電樁原有控制板主要負(fù)責(zé)電源的接入和輸出，診斷模塊主要負(fù)責(zé)充電邏輯分析以及電池數(shù)據(jù)的上發(fā)。

2.1? 硬件電路設(shè)計

系統(tǒng)的主控制芯片選用STM32F107VCT6用來控制診斷充電樁運(yùn)行的相關(guān)功能，并將采集得到的數(shù)據(jù)發(fā)送至云平臺進(jìn)行相關(guān)的診斷分析，STM32F107VC使用高性能的ARM Cor2tex-M3 32位的RISC內(nèi)核，工作頻率為72 MHz。該器件包含2個12位的ADC、4個通用16位定時器和1個PWM定時器，還包含2個I2C，3個SPI，2個I2S，5個

USART、一個USB和2個CAN通信接口，同時提供了以太網(wǎng)接口，極大的方便了電路設(shè)計，其豐富的外設(shè)接口，能夠滿足診斷模塊對充電樁系統(tǒng)中的電源模塊、電表、IC讀卡器、GPRS、觸摸屏等外設(shè)進(jìn)行控制的基本接口需求[4-5]。

2.2? 硬件電路設(shè)計

基于直流充電樁的電池診斷系統(tǒng)采用了多個獨立部件組合的設(shè)計，因此需要各模塊的通信接口對MCU資源進(jìn)行合理分配，實現(xiàn)MCU對各個部件的控制和管理。如表1所示為MCU主要資源分配表。

控制系統(tǒng)共使用了四個串行接口分別與觸摸屏、GPRS、電表和IC讀卡器通信。觸摸屏、讀卡器與GPRS為RS232電平經(jīng)過轉(zhuǎn)換與MCU通信;診斷模塊通過458通訊口連接多功能電度表，精確計量充電汽車所充電量，讀取電流，電壓值來判斷充電過程中是否出現(xiàn)過流或者過壓的情況，便于保護(hù)處理。通過GPRS通訊模塊將電池數(shù)據(jù)上傳至云平臺并返回診斷結(jié)果，通過232通訊口與充電樁控制模塊實時通訊，將診斷結(jié)果在顯示屏上顯示。RS232連接電路如圖4所示。

2.3? 控制導(dǎo)引電路

結(jié)合診斷模塊后的直流充電樁的充電安全保護(hù)系統(tǒng)方案如圖5所示，包括直流充電樁診斷控制裝置、電阻R1、R2、R3、R4、R5開關(guān)S、直流供電回路接觸器K1和K2接觸器K3和K4、充電回路接觸器K5和K6以及車輛控制裝置。電阻R2、R3安裝在充電插頭上，R4安裝在車輛插座上。當(dāng)插頭插座完全連接后，開關(guān)S閉合。在充電過程中，充電樁控制裝置監(jiān)測接觸器K1、K2和K3、K4。車輛控制裝置監(jiān)測K5和K6的狀態(tài)并控制其接通及關(guān)斷。

3? 系統(tǒng)軟件設(shè)計

如圖6所示為基于直流快速充電樁的電池診斷系統(tǒng)運(yùn)行邏輯框架圖。本系統(tǒng)通過在傳統(tǒng)直流樁上增加智能診斷模塊，在充電過程中由該模塊向充電樁發(fā)送充電調(diào)控指令，控制充電樁按照診斷模塊中設(shè)定的控制邏輯改變原有的充電電壓進(jìn)行充電，并通過CAN數(shù)據(jù)通信將充電過程中獲取的電動汽車動力電池單體電壓、總電壓等電池信息打包上傳至云平臺在線診斷系統(tǒng)，系統(tǒng)分析完成后返回電池健康狀況診斷報告。完整的邏輯框如圖6所示。

診斷模塊在不違反國標(biāo)的情況下控制電壓變化，并同步進(jìn)行數(shù)據(jù)采集，在電動車按照國標(biāo)發(fā)送單體電池電壓信息的情況下可以對相應(yīng)的通訊報文進(jìn)行解析上傳，并通過算法進(jìn)行直流內(nèi)阻計算與一致性診斷。

4? 電池診斷算法及實驗驗證

4.1? 直流內(nèi)阻診斷算法

內(nèi)阻是評價電池性能的重要指標(biāo)之一，內(nèi)阻的測試包括交流內(nèi)阻與直流內(nèi)阻。對于單體電池，一般以交流內(nèi)阻來進(jìn)行評價，即通常稱為歐姆內(nèi)阻。但對于大型電池組應(yīng)用，如電動車用電源系統(tǒng)來說，由于測試設(shè)備等方面的限制，不能或不方便來直接進(jìn)行交流內(nèi)阻的測試，一般通過直流內(nèi)阻來評價電池組的特性。因為直流內(nèi)阻過大會導(dǎo)致內(nèi)部壓降過大，對外輸出電壓減小，所以直流內(nèi)阻的大小是電池是否能夠繼續(xù)正常使用的首要指標(biāo)。在實際應(yīng)用中，也多用直流內(nèi)阻來評價電池的健康度，進(jìn)行壽命預(yù)測，以及進(jìn)行系統(tǒng)SOC、輸出/輸入能力等的估計。在生產(chǎn)中，可以用來檢測故障電池如微短路等現(xiàn)象[7]。

鋰離子電池內(nèi)阻測試方法包括伏安特性曲線法、HPPC（混合脈沖功率特性法）、開路電壓法、交流阻抗法等。其中混合脈沖法測試法步驟相對簡單，應(yīng)用最為廣泛。在本系統(tǒng)中，診斷模塊控制充電樁在充電過程中模仿HPPC測試方法增加充電脈沖，通過壓降計算電池直流內(nèi)阻，從而對電池健康狀態(tài)進(jìn)行分析。

4.2? 模擬實驗

（1）實驗條件

實驗選用寧德時代新能源科技有限公司（CATL）的退役電池包作為實驗對象，實現(xiàn)一致性檢測方法的應(yīng)用。同時，電池包的單體信息來自于科列BMS鋰電池管理系統(tǒng)，該系統(tǒng)單體電池電壓檢測誤差±5 mV，電流采集端口誤差±1%，CAN通信速率為250 kbps。

實驗對象的類型為磷酸鐵鋰，電池包具體參數(shù)如下。

（2）實驗過程

基于上述原理，本文設(shè)計的充電樁診斷模塊對充電過程進(jìn)行干預(yù)，在不違反國標(biāo)的情況下，當(dāng)電池SOC分別達(dá)到70%時，加入30 s脈沖，將充電電流從45 A降低至5 A左右，同步進(jìn)行電壓數(shù)據(jù)采集，對相應(yīng)的通訊報文進(jìn)行解析上傳，通過算法進(jìn)行直流內(nèi)阻計算與一致性診斷。實驗結(jié)束后讀取該段脈沖實驗數(shù)據(jù)，對電壓數(shù)據(jù)進(jìn)行作圖。如圖7所示，

選取最高單體電壓的55號單體電池與最低單體電壓的84號電池為例，可以看到單體電池在加載負(fù)脈沖的瞬間，電池端電壓會產(chǎn)生瞬間階躍式下降，隨后電壓隨時間變化相對緩慢地減小。其中極短時間的電壓階躍式減小是由歐姆內(nèi)阻導(dǎo)致的，電壓緩慢減小階段是由極化內(nèi)阻引起的。

（3）實驗結(jié)果及分析

算法中引入3σ準(zhǔn)則對該電池包的一致性進(jìn)行分析。3σ準(zhǔn)則又稱為拉依達(dá)準(zhǔn)則，其原理為先假設(shè)一組檢測數(shù)據(jù)只含有隨機(jī)誤差，對其進(jìn)行計算處理得到標(biāo)準(zhǔn)偏差，按一定概率確定一個區(qū)間，認(rèn)為凡超過這個區(qū)間的誤差，就不屬于隨機(jī)誤差而是粗大誤差，含有該誤差的數(shù)據(jù)應(yīng)予以剔除，且該準(zhǔn)則適用于有多組數(shù)據(jù)的場景[8]。

云平臺通過數(shù)據(jù)接口調(diào)用各個單體的電壓數(shù)據(jù)，由公式1計算出電池包內(nèi)各個單體電池的直流內(nèi)阻，依據(jù)3σ準(zhǔn)則結(jié)合直流內(nèi)阻診斷算法計算出診斷過程中的單體電池直流內(nèi)阻標(biāo)準(zhǔn)差σ，并將每個單體電池的直流內(nèi)阻值和平均值的差值與3σ進(jìn)行比較，如果差值大于3σ，即進(jìn)行預(yù)警。在實際應(yīng)用場景下，電壓差值大于3σ已經(jīng)是十分嚴(yán)重的情況，為了更好的診斷各個單體的電壓一致性并增加適用場景范圍，診斷云平臺算法會對每個單體電池的直流內(nèi)阻差值與2σ進(jìn)行比較，當(dāng)某單體電池直流內(nèi)阻偏差大于2σ的次數(shù)較多，則將其挑選出來并顯示在診斷報告上，從而更有層次的實現(xiàn)電池包的電壓一致性診斷。為了驗證該算法的可行性，將充電樁對實驗電池包充電過程的數(shù)據(jù)進(jìn)行記錄并分析，如圖8所示，圖中不同半徑的圓環(huán)分別代表不同的一致性區(qū)間，出現(xiàn)在最外層紅色圓環(huán)部分的電池為內(nèi)阻偏差在2σ-3σ之間的單體電池，可以看到用做測試的電池包中2、55以及78號電池在這個范圍內(nèi)，可以認(rèn)為這三個單體電池內(nèi)阻一致性較差。實驗結(jié)果與該退役電池包的實際情況相符，從而驗證了該算法診斷結(jié)果的準(zhǔn)確性與可行性。

5? 結(jié)論

本文在目前常見的直流充電樁基礎(chǔ)上搭建了動力電池診斷系統(tǒng)，在電動汽車日常充電過程中，使用基于STM32F107芯片的嵌入式系統(tǒng)進(jìn)行開發(fā)并設(shè)計一鍵診斷模塊，通過在充電過程中增設(shè)充電脈沖工步，獲取更豐富的電池充電數(shù)據(jù)。同時制定數(shù)據(jù)接口，將數(shù)據(jù)上傳至云平臺進(jìn)行儲存與診斷分析，通過電池一致性算法分析當(dāng)前的電池健康狀態(tài)，并通過實驗驗證了系統(tǒng)的可行性。在下一步的開發(fā)過程中，可以結(jié)合大數(shù)據(jù)分析進(jìn)一步豐富電池診斷算法，從而更全面的進(jìn)行充電過程的安全預(yù)警以及電池健康狀態(tài)診斷。

參考文獻(xiàn)

[1]崔源， 徐增勇. 電動汽車動力電池現(xiàn)狀分析[J]. 產(chǎn)業(yè)與科技論壇， 2016， 15（24）： 80-81.

[2]黃賽杰， 徐敏， 鄭小鹿， 等. 動力電池充放電檢測系統(tǒng)的設(shè)計與實現(xiàn)[J]. 儲能科學(xué)與技術(shù)， 2019， 8（01）： 146-154.

[3]Peng Ding. A Battery Health Data Sharing Model via Blockchain[J]. Open Access Library Journa， 2018， 05（11）： 1-12.

[4]楊彥偉， 雒志秀， 鄭肖宇， 等. 基于STM32 芯片的樓宇火災(zāi)遠(yuǎn)程自動報警系統(tǒng)[J]. 軟件， 2015， 36（8）： 117-120.

[5]李治國， 羅洋坤. 基于 STM32 的鋰離子電池充電系統(tǒng)研究[J]. 軟件，? 2019，? 40（6）：? 127-129.

[6]陳婕， 金馨. 基于極限學(xué)習(xí)機(jī)的鋰電池健康狀態(tài)預(yù)測[J]. 軟件， 2018， 39（2）： 191-196.

[7]武鑫， 嚴(yán)曉， 王影， 等. 三元鋰電池內(nèi)阻特性的研究[J]. 電源技術(shù)， 2019， 43（04）： 34-36+150.

[8]Zhao Y， Liu P， Wang Z， et al. Fault and defect diagnosis of battery for electric vehicles based on big data analysis methods[J]. Applied Energy， 2017： S0306261917306931.

[9]林海， 張相文， 羅華永. 國家電網(wǎng)運(yùn)營診斷指標(biāo)體系研究[J]. 軟件， 2016， 37（01）： 122-126.

[10]焦會英， 辛存生， 劉俊艷. 大數(shù)據(jù)技術(shù)及其在智能電網(wǎng)中的未來應(yīng)用[J]. 軟件， 2018， 39（9）： 200-202.