分布式锂离子电池管理系统开发

摘要

　　随着全球汽车保有量的不断增多，环境污染和资源紧缺问题日渐突出。传统汽车对石油资源的依赖度也逐年递增。新能源汽车的兴起和发展表明人们已经开始认识到开发与利用清洁能源的重要性。国家和政府也出台了一系列政策，来推动节能与新能源汽车产业发展，提出继续支持电动汽车、燃料电池汽车发展，推动自主品牌节能与新能源汽车同国际先进水平接轨。

　　作为制约电动汽车发展的关键因素和电动汽车整车运行的动力来源，电池的性能好坏直接关系到整车续航里程的长短、使用寿命及安全性。一套合理的电池管理系统(Battery Management System, BMS)能够对锂离子电池状态进行监测、对整车安全性进行评估、完成人机接口通信，确保电动车运行过程中能量利用的合理、安全与高效。因此建立一套合理、可靠的分布式 BMS 尤为重要，选择合适算法对锂离子电池荷电状态SOC(State Of Charge, SOC)进行估算也非常值得研究。

　　对于 SOC 估算方面的研究，通过分析传统估算方法的优缺点，衡量各种估算方法的可行性和精确性，最终选择粒子群 PSO(Particle Swarm Optimization, PSO)优化BP(Back Propagation, BP)神经网络算法进行锂离子电池 SOC 估算。通过设计工况实验，在 MATLAB 中对两种算法进行了 SOC 估算的仿真验证，结果表明 PSO-BP 算法较 BP神经网络算法相比有更好的收敛性和精确性。最后利用 C 代码移植技术，成功获得了能在 DSP 中稳定运行的该算法代码。

　　除此之外，本课题还完成了分布式 BMS 主控板的设计，以 TMS320F28335 为控制核心，集成了 IO 隔离输出电路、AD 采集电路、SPI 通讯电路、CAN 通讯电路等等。

　　实现了主控板、采集板与上位机之间的联调，设计了一套合理的分布式 BMS。

　　关键词：电动汽车 电池管理系统 荷电状态(SOC) 粒子群优化BP神经网络(PSO-BP)

Abstract

　　With the increasing ownership of global cars , environmental pollution and shortage of resources are becoming increasingly prominent. The dependence of traditional automobile on oil resources is increasing year by year. The rise and development of new energy vehicles reveals that people from starting realize to develop and use the importance of clean energy.

　　The state and the government also introduced a series of policies to promote energy-saving and new energy automotive industry development, puting forward to support the development of electric vehicles, fuel cell vehicles, promoting self-owned brand of energy-saving and new energy vehicles to achieve international standards.

　　As a key factor to restrict the development of electric vehicles and the power source of the motor vehicle, the battery performance is directly related to the length of the vehicle mileage, service life and safety. A reasonable set of battery management system (Battery Management System, BMS) can monitor the status of lithium-ion battery, evaluate the whole vehicle’s safety, complete man-machine interface communication and ensure reasonable, safe and efficient of energy using when electric vehicles in the operation process.

　　So it is very important to establish a set of reasonable and reliable distributed battery management system, and it is worth to estimate the Charge of State (SOC) of the lithium-ion battery by using a suitable algorithm.

　　For the research of the SOC estimation, this paper finally chooses particle swarm PSO (Particle Swarm Optimization) (Back Propagation) to optimize the BP neural network algorithm to estimate the SOC lithium ion battery through the analysis of advantages and disadvantages of the traditional estimation method and measure the feasibility and accuracy of various estimation methods. By designing working conditions, which conducting emulation proof of SOC by using two algorithms in MATLAB. The results show that the PSO-BP algorithm is more reliable and accurate than the BP algorithm. At the end of the paper, it succeed to obtain the algorithm code that can stable operate in DSP by using C code transplant technology.

　　In addition, this thesis also completed the design of the distributed BMS master control board with TMS320F28335 as the control core, integrated IO isolated output circuit, AD acquisition circuit, SPI communication circuit, CAN communication circuit and so on, which realized the combination of the main control board, the acquisition board and the upper computer, as well as designed a set of reasonable distributed BMS.

　　Key words：Electric Vehicles, Battery Management System, State Of Charge(SOC), Particle Swarm Optimization BP Neural Network(PSO-BP)

　　随着全球汽车保有量的不断增加，资源告急的问题也随之而来，能源危机和环境污染已成为了一个全球性问题。伴随着石油资源的消耗，环境污染也与日剧增，尤其是大气污染。近年来全球汽车年增长率超过 25%，其燃油需求占石油资源总需求的 60。我国作为石油需求大国，2016 年国内原油进口量超过 2.89 亿吨，对外依存度为 59.9%，石油资源日渐枯竭是促使新能源汽车发展的一项重要原因。减少在交通领域的能源消耗及污染排放，促进交通资源转型势在必行。

　　新能源汽车具备低污染、零排放等优势，对新能源汽车的研究以及鼓励发展新能源汽车，可以有效的解决能源危机，同时也能促进相关的材料工业、机械制造业、电子通信业的发展。当今时代是新能源汽车快速发展的时代，特别是 2015 年 9 月 29 日，国家制造强国建设战略咨询委员会正式发布《中国制造 2025 重点领域技术路线图》，其中对新能源汽车进行了如下规划[1,2]：强力推动我国自主品牌新能源汽车同国际先进水平接轨，并进一步加快电动汽车、燃料电池汽车的进步速率。新能源汽车时代即将来临，因此与之相关的技术研发也成为了汽车行业的热点。

　　在汽车领域中，新能源汽车核心技术的探索早已受到各界人士的高度关注。电池作为电动汽车的动力源，是制约电动汽车发展的技术之一。锂离子电池相比于镍镉、镍氢、铅酸等电池有高寿命、无污染、循环使用次数高、能量密度高等诸多优点[3]，因此成为电动汽车储能元件的首选。建立一套合理性、安全性俱佳的 BMS 是电动汽车研究的重要方向。

　　本课题主要完成了对电动汽车 BMS 核心技术的分析研究工作。该研究是为了对电动汽车中的锂离子电池进行科学管理，满足电动汽车对其高效、稳定的使用需求。通过对解决核心技术问题的各项算法进行分析、对比，选择并尝试了一种新的算法，最终设计出了一套合理的分布式 BMS，融合采集、通讯、SOC 估算等功能为一体，提高了汽车行驶过程的稳定性和安全性。

　　在电动汽车不断发展的今天，对动力电池的研究已经成为人们关注的重点，为保证电池性能的合理性，解决成本高、易损耗等问题，研究人员付出了大量努力，通过技术层面的改革与提升，目前已研制出新一代锂离子电池，在许多方面都取得了重大进展，在许多技术上也取得了重要突破。当前主流动力电池为铅酸电池（VRLA）、镍镉电池（Ni-Cd）、镍氢电池（Ni-MH）和锂离子（Li-ion）电池。

　　铅酸电池是由法国人 Plante 于 1859 年发明的，距今已有 150 多年，是汽车领域应用最为广泛的动力电池[4]。但是其自身较低的能量比质量和能量比体积，致使其过于笨重，而且充电时间较长，所以只使用在各类运输车、采集车和电动自行车上。

　　镍氢电池相比与镍镉电池优点在于质量更轻、容量更大、寿命更长且不污染环境。缺点是原材料金属镍较为昂贵，因此其价格比镍镉电池更高。由于市场对动力电池需求的猛增、政府对推进新能源汽车政策的宏观调控效果凸显、电动汽车原材料价格的飞涨、以及骨干企业加快扩展步伐，国际市场中许多电池生产企业均已将动力电池作为发展项目，经大量资本的投入，技术成果非常显着[5]。如美国A123企业研制的锂离子动力电池，容量2.3Ah，循环使用寿命超过 1000 次，持续放电电流70A ，使用过程中非常稳定。美国Valence企业开发的 U -charge磷酸铁锂电池，与铅酸电池相比，重量降低了 36%，使用时长远远超过其 2 倍，在能量密度、稳定性等方面优势明显。在近些年举办的车展活动中，众多汽车制造商生产的新能源汽车也都选用锂离子电池为其提供动能。

　　近年来，国内研发推出的动力蓄电池经过检测，在动力密度、能量储蓄水平、安全系数等方面已经全部达到国际先进水平。常温环境中，将镍氢动力电池放置 4 周，其储蓄电量依然超过 95%，与过去相比有了显着提升。而全新一代锂离子动力电池功率密度可达2000W/kg ，各项技术性能也排在全球前列[6]。

　　随着全球范围内能源危机日趋严重，许多国家和企业均在车用动力电池的研究方面加大了资金投入，在动力电池市场潜力方面加强了重视力度，可以相信短时间内电池能量密度必将得到大幅度提升，有效寿命也会不断延长，因而对一套完备的 BMS 的需求也将日益增长。

　　分布式锂离子电池管理系统：

总电流检测电路

四路采集电路

采集板核心芯片——LTC6802

温度采集电路

分布式 BMS 主控板

采集板

力神锂离子电池

采集板功能调试

CCS 读取寄存器数据

CCS 中 BP 神经网络算法 SOC 估算 C 代码（部分）

目 录

　　第一章 引言
　　　　1.1 课题研究目的及意义
　　　　1.2 国内外研究现状
　　　　1.3 课题研究内容及特色之处
　　　　　　1.3.1 课题研究内容
　　　　　　1.3.2 课题创新之处
　　第二章 锂离子电池管理系统分析
　　　　2.1 锂离子电池工作原理
　　　　2.2 锂离子电池特性
　　　　　　2.2.1 锂离子电池参数
　　　　　　2.2.2 锂离子电池性能
　　　　2.3 锂离子电池管理系统结构分析
　　　　2.4 锂离子电池管理系统功能分析
　　　　　　2.4.1 采集功能
　　　　　　2.4.2 SOC 估算功能
　　　　　　2.4.3 保护功能
　　　　　　2.4.4 通信功能
　　　　　　2.4.5 均衡功能
　　　　2.5 本章小结
　　第三章 分布式电池管理系统荷电状态估算策略研究
　　　　3.1 分布式电池管理系统 SOC 定义及估算方法
　　　　　　3.1.1 SOC 定义
　　　　　　3.1.2 安时计量法
　　　　　　3.1.3 开路电压法
　　　　　　3.1.4 负载电压法
　　　　　　3.1.5 卡尔曼滤波法
　　　　　　3.1.6 神经网络法
　　　　　　3.1.7 粒子群优化神经网络法
　　　　3.2 基于 PSO-BP 神经网络算法的 SOC 估算
　　　　　　3.2.1 BP 神经网络算法工作原理
　　　　　　3.2.2 PSO 算法工作原理
　　　　　　3.2.3 PSO-BP 算法工作原理
　　　　3.3 基于 PSO-BP 神经网络算法的 SOC 估算仿真分析
　　　　　　3.3.1 设计工况实验及样本采集
　　　　　　3.3.2 建立网络模型
　　　　　　3.3.3 仿真测试
　　　　　　3.3.4 仿真结果分析
　　　　3.4 本章小结
　　第四章 分布式电池管理系统软硬件设计
　　　　4.1 分布式电池管理系统总体设计方案
　　　　4.2 分布式电池管理系统硬件设计
　　　　　　4.2.1 主控制板电路设计
　　　　　　4.2.2 采集板电路设计
　　　　4.3 分布式电池管理系统软件设计
　　　　　　4.3.1 分布式电池管理系统主程序
　　　　　　4.3.2 系统初始化子程序
　　　　　　4.3.3 电池总电压/总电流采集子程序
　　　　　　4.3.4 电池包单体电池电压采集子程序
　　　　　　4.3.5 SOC 估算子程序
　　　　4.4 本章小结
　　第五章 分布式电池管理系统软硬件调试
　　　　5.1 采集板的数据采集与传输测试
　　　　5.2 SOC 估算子程序运行调试
　　　　5.3 本章小结
　　第六章 总结与展望
　　　　6.1 工作总结
　　　　6.2 后期展望
　　参考文献
　　发表论文和科研情况说明
　　致 谢

（如您需要查看本篇毕业设计全文，请您联系客服索取）