【導讀】在實踐中發現浮充狀態下的電池信息，不足以準確反應電池的劣化。為解決浮充狀態下數據信息不足的問題，本設計采取了監測裝置與充電機互動的設計方案，在互動過程中采集放電數據，采用基于軟計算的預測模型進行電池劣化（SOH）和剩余容量（SOC）的在線動態計算。
網絡不僅改變了設備連接形式，而且可以通過設備信息的集中和融合提高了設備的智能化。在構造網絡互連環境下，本方案進一步研究網絡環境下蓄電池監控數據的加工處理，以實現蓄電池監測軟計算模型的動態進化。
監測裝置與充電機互動設計方案
監測裝置與充電機互動是本方案研究的一個重要內容，是提高劣化程度預測準確性的創造性工作模式，其基本結構如圖1所示。
圖1：互動方案的監測系統結構
互動方案的主要原理是：電池監測（Battery Monitoring Unit--BMU）進行日常的巡檢，并且分析采集的數據及變化趨勢，在一定條件下請求充電機（Rectifier Unit--RU）配合進行部分放電測試。由于RU在部分放電時設置為一個比蓄電池放電下限電壓低的某一整流輸出值，既能使電池提供用電設備的負荷功率，又避免了放電過程中由于電池問題帶來的停機風險。
在正常浮充狀態下，BMU連續檢測電池組的電壓和內阻，若發現電壓或內阻異常，則啟動部分放電測試過程，進行更深一層次的測試。該測試過程也被設置為按一定周期啟動，如一個月。
在放電測試期間，將劣化程度預測模型所需的放電數據，采集包括浮充電壓、初始跌落、正常放電電壓等數據，通過SOH預測模型運算，準確得知SOH。
這樣，在內阻監測的基礎上，監測系統通過采用三類不同深度的放電測試達到長期連續準確檢測SOH的目的：
1）完全放電 電池在投運之前應進行一次100%深度的放電，以確認該電池組能滿足設計要求。否則，若存在產品本身的質量問題，會影響到后續監測數據處理的準確性，放電前應該充滿并在浮充狀態保持一定的時間。
2）中等深度的放電 中等深度指30—50%深度的放電。檢測裝置的數據處理方法根據此深度的放電數據可以相當準確地計算各電池的SOH，同時亦避免了更加深度放電過程的突然停電，使設備承受斷電的危險。
3）周期性的短時放電 根據蓄電池應用場合選取適合的周期，例如3個月。一般短時放電的深度為5%左右。
互動方案的長期運行方式如圖2所示，一般為多次短時放電測試后加入一次中等深度放電，或者在短時放電測試結果發現電池可能嚴重劣化時進行一次中等放電予以確認。如果被確認預測結果正確，則通知控制中心；若證明預測有誤，則對預測模型作自適應調整。在最后一次中等深度放電確定電池劣化嚴重后，采取更換措施，更換之前進行一次完全放電。
圖2：互動方案的監測過程
監測裝置的模塊化設計
監測裝置設計要求
根據閥控鉛酸電池的一般使用情況和監測管理的目的，監測裝置的設計主要考慮以下幾個方面：
1）浮充電壓測量 電池浮充電壓的相對差異很小，要求測量電路具有高準確度，電池組串聯后的高電壓要求電路具有抗高共模性能。
2）電流監測 檢測電池充電、放電電流值。
3）環境溫度 （或標樣電池溫度）監測。
4）內阻測量 在線測量每個單電池的內阻值。
5）模塊結構 系統要滿足大部分應用場合，便于現場安裝與維護。
6）網絡化設計 網絡化和信息化是電子設備的發展趨勢，系統設計要有通訊接口和多種網絡方案。要適于遠程管理和集中監控。
7）可靠性 要求裝置長期穩定工作。
8）電磁兼容 檢測裝置應對用戶設備不能產生任何附加干擾，保證用戶設備同監測系統共同長期穩定工作。同時還要求裝置具有較強的抗干擾能力，在大功率電源裝置投切時保持穩定。
[page]
如圖3所示，為監測裝置的硬件組成。
圖3：監測裝置硬件結構
檢測模塊設計
檢測模塊主要包括5個部分：
1）電壓、電流、溫度的測量電路；
2）通道切換；
3）A/D轉換電路；
4）微處理器單元；
5）通訊接口。
檢測模塊完成數據采集，并將數據傳給控制模塊。高精度、高時效的數據采集模塊采用模塊化設計方案，兼顧了專用化與通用化原則，配置靈活，根據采樣點種類及規模的需求，各個模塊可單獨使用，亦可自由組合，能適應不同的監測場合。
電池的串聯給采樣電路的設計帶來困難，本方案中使用耐高壓電子開關解決巡檢的困難。PhotoMOS是一種新型光耦合的耐高壓電子開關，它與普通的光耦相似，但輸出端為場效應管，克服了晶體管的管壓降問題，適合本方案所要求的高耐壓、高精度、高速的要求。
高共模采樣電路原理如圖4所示，在A/D和CPU之間采用光耦合方式進行電氣隔離。
圖4：高共模采樣電路
內阻模塊設計
內阻模塊與系統的分布式結構相適應，接受檢測模塊的調度。用于向電池組注入內阻測量的激勵信號。
內阻模塊的設計主要研究解決以下4方面問題：
1）受控波形和頻率受采樣模塊CPU控制，可以工作在設計范圍內的任意頻率點和不同波形。
2）穩定性和準確性 要保持長期工作的時間穩定性和溫度穩定性，模塊之間可以互換。
3）獨立性 激勵信號不受電池充放電回路的影響。
4）工作范圍寬 能夠在電池組的最低放電下限和最高充電上限范圍內正常工作。
以上要求主要體現在硬件電路設計中。
控制模塊設計
控制模塊用于數據傳輸、處理和人機界面操作，實時顯示、智能分析電池數據，對異常的電池運行情況進行及時報警。
監測裝置應用
在本方案的研究過程中，監測裝置在電信48V直流系統、電力220V直流系統和石油化工400V不間斷電源系統3種典型的閥控鉛酸蓄電池應用場合得到實際應用，驗證了技術方[page]
案的合理性。圖5 所示為系統工作流程。
圖5：蓄電池監測裝置工作流程
網絡環境下的蓄電池監測技術研究
網絡基礎的發展為蓄電池的智能監測和管理提供了新的解決方案。隨著網絡設施的普及，使用網絡來管理蓄電池是可行的，因此，蓄電池監測系統的網絡化是必然的發展方向。為此我們在系統中增加了以下功能：
（1）內阻數據，系統采集與傳送每個電池的內阻，此數值每天更新一次；
（2）上傳數據增加了SOC和SOH數值；
（3）增加了報警項目；
（4）增加了控制命令，可啟動快速容量測試和中等深度的容量測試。（為安全起見，完全放電測試需要維護人員到現場操作。）；
（5）增加了放電數據包的獲取功能；
（6）設計了軟計算模型下傳功能，能夠將SOH模型的配置參數下傳至電池監測裝置。
蓄電池軟計算模型的進化
軟計算模型的缺陷分析
監測裝置與蓄電池一同安裝在工作現場，在線監測蓄電池的工作條件，通過與充電機互動測試，采用軟計算技術實現SOH和SOC的在線動態估計。軟計算方法可以任意逼近動態非線性函數，但是，軟計算模型的學習卻是一個在現實中很困難的問題。這是因為：
(1) 電池的劣化是非常復雜的化學、物理過程，失效的情形千差萬別，目前還需要進一步研究。
(2) 不同劣化程度的電池非常難于獲得。在近幾年對幾十組電池的測試后發現，現場的電池或者劣化程度不夠嚴重，或者已經完全失效，處于中間狀態的電池非常少。即學習樣本難于獲取。
對于蓄電池監測，我們試圖建立比較準確的監控模型，但由于訓練樣本的限制，模型與實際對象存在差異，隨著樣本的增加，模型接近對象的程度也將提高。基于網絡技術，一方面可以廣泛獲得有效的實際放電數據，將典型數據加工為有效學習樣本，使模型得到更進一步的訓練；另一方面，通過網絡將升級后的模型下載到監測裝置，提高監測裝置的軟計算性能。
計算模型的進化
蓄電池的使用壽命由設計、制造和使用的多因素影響，對于 SOH軟計算模型，如何進行有效訓練，使模型能夠反映蓄電池劣化的復雜非線性是至關重要的，在獲得更多的有效訓練數據后，軟計算模型得以完善和驗證，其全局準確度將不斷提高，借助于網絡環境，可以將升級后的軟計算模型動態更新，使監測裝置具有更好的性能。
為達到計算模型動態升級的目的，監測裝置的軟計算模型以函數形式存儲在Flash電寫可擦除存儲器中，通訊程序接受網絡傳送來的軟計算模型數據，監測裝置識別該數據包的特征，如果與所監測的電池類型相符，則更新模型。
本文對后備方式蓄電池浮充狀態下測量的局限性，研究了以測量裝置與智能充電機互動為主要特點的系統設計方案，并設計了測量分析裝置，達到連續有效地監測電池狀態，取得了較好的現場使用效果。
本文研究了利用網絡對蓄電池進行遠程和集中監控的方案。并針對軟計算技術的薄弱環節——訓練樣本不足的問題，提出了網絡環境下的監測模型進化的思想，隨著網絡技術的不斷發展，我們相信基于網絡環境下的蓄電池智能監測系統必將得到廣泛應用。
