1、当前动力锂电池状态监测方式回顾

随着新能源(电动)汽车的普及，电动车电池(下称动力锂电池)作为其核心部件，对动力锂电池安全管理和智能化管理的要求越来越高。对其如何进行监测、控制，并能够快速准确反应，成为我们当前的热点问题。

由于电动车的特殊性，我们需要的不仅仅是在动力锂电池出现故障之后将损失(汽车损失和生命财产损失)降到最低，还要对电池的状态进行监控和预测，从而能够有效地预防电池出现的种种危险。

当前形势下的对电池状态计算的模式，主要是由本地收集数据、上传云端、云端计算、输出结果几部分组成：

 图1 基于网络计算的电池监测系统

由上图可以清晰的看到，整个动力锂电池状态的监督和控制系统。首先由电动车与电池相关的各种传感器，例如电压电流传感器温度传感器，以及行驶里程计数器和累计里程计数器等进行主要指标的监控、收集。

然后由汽车上自带的发射装置，把这些数据流进行采集上传，通过社会当中自带的信号塔传输到云端数据流。在传输到云端数据流之后，这些数据又会被传输到指定的(客户或者供应商)大数据平台。在后台对大数据平台当中的数据进行计算，得出一个车辆当前的电池性能指标。在得出性能指标之后，后台又会通过数据信号塔逐级的返还到车辆本体，从而进行数据的反馈，或者对动力锂电池发出指令。

在这其中，有几个较为关键的技术要点需要进行说明。首先，设置在车辆上的传感器装置需要较为精确并且数量和布局要合理，否则会严重影响车辆架构和电池性能。其次，后台计算也是较为重要的一关。

如何处理大数据，或者换一句话说，如何处理海量的数据并最终得到一个最优解，是另外一个关键技术。而在[6]中介绍了一种基于大数据的智能搜索引擎技术，目前模式最终会依靠这种技术的发展而变得可靠性更高，计算更加高效。

当前这种反馈和计算模式已经相当成熟。例如[1]中的智锂狗系统，不仅仅包含了简单的电池监管网络系统，并且涵盖了诸如防盗技术等额外的功能。

从另一个角度讲，在[5]中描述了一种基于智能电网的未来大数据驱动方法。相信这种方法在未来会由于智能电网的使用和发展而变得更加普及。这种基于终端处理的电池监测方法也会变得更加迅速和准确。

2、当前已成熟的动力锂电池状态监测方式的优势和弊端

2.1当前模式的优势

就当前已经成熟的电池状态监测方式而言，它的优势主要体现在两大部分。首先是这种方式能够获得非常非常丰富的云端实际数据，从而可以从多方角度计算可行的结果和非常具有建设性意义的指导方案。

另一部分就是由于它在电动汽车上所设的检测原件仅仅有传输，接收和传感器三大部分，所以使得这种方法对电动汽车的空间要求相对较低，从而能够在不影响车辆整体架构和电池性能的情况下完成测量。除此之外，在[7]中提到的，该模式还可以依靠强大的云计算来对用户车主的用车习惯来进行分析和总结。具体优势如下：

1、检测原件少。所需硬件成本较低检测传感器成熟，在车辆本地的数据采集中较为可靠成熟；

2、拥有超级强大的后台计算能力和汇总能力。能够通过后台计算实时分析当前全国在行驶汽车的状态并且能够人为的给予干预和适当的建议；

3、汇总及时，上传及时，处理及时，反馈及时；

4、可以借由较为强大的传输网络和后台能力开拓新功能。例如车辆定位和自动报警装置。

2.2当前模式的弊端

当前模式的主要弊端同样也体现在两大部分。其一就是传输过程。我国是一个地域辽阔的国家，我们无法保证汽车行驶在任何一条道路上都能有持续不间断的，高强度的信号来完成这样高频度的信号传输。

汽车本身是一个非常具有划时代意义的交通工具，它的最大优势就在于它几乎能够无视地形地貌的特征，能够载人前往任何一个特殊的地点。而这些地点大多数都是没有较为强烈的信号覆盖的。所以换一句话说，这种现在已成熟的传输模式的弊端之一，就是它无法确保信息在数据传输过程中的完整性和正确性。

它需要依靠强大的社会基础网络，以及强大的通信信道传输容量才能完成基本传输工作。另一个弊端就是把汽车本身仅仅当作一个信号或者是数据的传输以及接收装置，这种系统并不具有本地处理数据的能力。它必须要将自己的全部数据从通信网络传输到后台再由后台返回结果之后，才具有初步的对数据的理解和处理能力。

这就造成了汽车就像一个没有脑子的人一样，无法自己做出决策。也就是说，没有强大通讯网络的支撑。汽车仅仅是一台简单的代步工具而已，并不能做到最基本的电池安全的监测和监管工作。具体缺陷如下：

1、过于依赖基础建设网络的能力；

2、信号和数据的处理过于集中化；

3、汽车无法在没有联网的情况下对自身情况进行评价以及传输；

4、收集到的大量数据一般仅提供给一个监测方，无法有选择地提供不同数据给不同监测方。

3、基于本地处理的电池状态计算的模式的提出

3.1新模式的总体要求

综合以上，我们可以感到现在迫切需要一个相对较为自主且开放的电池状态的计算模式的设想，这个新系统至少要满足以下几个方面：

1、能够独立自主的处理车辆数据；

2、不能对算力提出过高的要求；

3、在满足自主能力的同时，能够在适当的时候将数据全部传输给需要的一方；

4、能够在经过数据处理之后，及时的提供给车辆使用者当前的健康状态信息。

根据以上，一个基于本地处理处理，同时又兼容低算力要求和高可视化结果，依靠传感器技术、DSP处理器以及神经网络的电池状态的计算模式被提出。其简化框图如下所示：

 图2 基于本地计算的动力锂电池监测框图

首先，要满足“自主性”这一首要目标，就必须在车辆上安装现有的处理器。但考虑到一个较为复杂的问题：如果安装常见的电脑或者手机CPU，就势必会出现CPU过热，影响电池温度，从而进一步对测量结果和电池性能造成影响。

所以在这里采用了一种较为复杂小众，但是对离散(数字)信号处理能力和处理效率极高的一种处理器：DSP处理器。数字信号处理器是车载主机内以逻辑电路对音视频数字信号进行再加工处理的专用元件。包括数字效果器、EQ、3D环绕等等。

数字信号处理器是进行数字信号处理的专用芯片，是伴随着微电子学、数字信号处理技术、计算机技术的发展而产生的新器件。由以上可以看出两点：

1、DSP处理器的确对于离散的数字信号有着极高的处理能力；

2、DSP处理器应用在车辆上已经拥有了先例，虽然该先例与检测“发动机”情况无关，但是它的性能以及微型化已经得到了实际认证。

需要注意的是，DSP处理器的编程语言是较为原始的汇编语言，虽然它不易读，不易编，但是这种底层语言会有极高的运行效率。在本地处理芯片选择完之后，我们需要就另一个问题进行思考，即采用公式法对数据进行计算，还是采用较为新型的神经网络技术进行计算。

在这里首先对公式法和神经网络法进行简要概述以明晰他们的区别：

1、公式法：公式法字如其意，也就是将已经得到的多组数据通过一种既定的数学公式进行计算。在计算完成之后会给出一个既定的我们可预见的结果，公式法的好处是它的稳定性极强。由于它的种种参数已经确定，只需要计算器，按照公式法所提供的加减乘除或取对取指进行计算就可以完成所需要求；

2、神经网络：神经网络是一种新型的计算方法，他的主要过程在于会先利用大量的数据，对已经构建起来的类似于人类脑神经的网络进行参数的训练。在训练过程当中，神经网络可以通过首先给定的大量数据和最终的结果之间的对应关系调整自己参数，数据越多，神经网络的训练就完善，最后给出的结果就趋于最优解。训练之后，我们可以将神经网络当中已经经过大数据训练完成的参数直接的输入到DSP处理器当中，以便进行后续的简单计算。

为了验证这两种方法的计算效率，在此利用MATLAB软件进行了公式化计算和神经网络计算的模拟。在进行模拟之前，我们首先对结果进行一个简单的逻辑预测，从逻辑角度讲公式法需要将公式完整的输入在此之后需要将数据进行计算。

换一句话讲公式法就相当于一个循环一样，每传输一组数据，公式法就会依靠公式进行一次循环得出结果。从神经网络的逻辑上来讲，神经网络首先会根据已有的数据不断地训练自己，从而使参数达到最优解。神经网络的训练会使得整个计算过程相对较为简便，因为它省去了公式法当中较为复杂的逻辑数据计算。神经网络已经将这种复杂的计算当中的一部分负担调整到了之前的大数据训练之中。

所以综上对比，我们可以得出：虽然神经网络的计算方法在装入车辆之前需要进行大量的数据计算，但是输入车辆之后，神经网络会由于其简便性比公式法有更高的效率。并且随着时间的推移，神经网络会相对于公式法给出更优解。

3.2神经网络验证

接下来，我们会以六个主要参数(电池累计里程，电池当前续航里程，电池电压，电池电流，电池温度，电池电量)及其对应的得分，共25组进行神经网络的训练和公式法的计算。在此之后，会利用5组数据来进行平均效率验证，从而得到两种方法中具有更优性能的一种。

在此需要特别说明的是，由于各个车辆电池的状态不同，各个状态指标对于实际电池状态的影响能力也不相同。结果将侧重于计算效率，且会给出神经网络计算下的预测精准度。在充分参考[10]、[11]之后，考虑到新能源汽车的电池温度问题和充放电特性，设计了如下神经网络的训练/验证数据： 

在进行预测之前，这里给出本神经网络的架构图：

图三 神经网络架构

本网络采用较为简单的三层架构，由于没有指定的函数计算，所以这里采用经验函数进行预测。具体预测结果如下图所示：

图4 神经网络训练过程

上图为训练组的实际情况和预测情况。详细的说，就是在25组测试组中已经给出了结果，但是神经网络还是会根据公式计算出结果来进行参数的比对。这种不断的比对可以更加清晰的看到神经网络的训练过程和逐渐精准的预测过程。

神经网络在最开始的预测相对误差较大，但是在经过15组左右的训练之后，拟合值逐渐好转，最终误差在0.4%左右。也就是说假如标准分数为85分。神经网络给出的预测分数将会在(84.6-85.4)这个区间内移动，总体可以看出精准度极高，且只经过简单的25组训练。

图5 神经网络训练结果验证

上图是在给出五组验证组的验证结果分数，精准度也非常令人惊讶。在经过时间计算之后得到了3.0152*10(-6)秒的数据。

3.3公式法验证

在对神经网络进行计算完成之后，下面给出本文采用的公式法的公式：

在本公式中，代表总分， 代表总续航里程，代表当前续航里程，代表电池电量，代表当前电池电压，代表电池电流，代表电池温度。其中考虑到在电压，电流，温度上都有标量化的最佳工作点，所以这里采用正态分布来对当偏离这个工作点时的得分进行模拟。在将一组数据利用MATLAB计算之后，我们得到了4.3995*10(-6)秒的计算时间。

在经过时间对比之后，我们发现神经网络的精度高，且时间相对于传统的公式法(实际公式将比本文中的预设公式复杂许多)节省30%的计算时间。所以经过充分的计算，认为这里采用神经网络模型的训练，预测方法是非常高效可行的。

4、本地处理模式的优点与不足

4.1优点

该模式的主要优点在于它能够独立的进行简单的计算，并且给出相对较为有效率的结果，能够给出动力锂电池的实时状态。对于客户(电动车集中运营商)、供应商(电池、电动车厂家)和国家监控平台，能够及时得到对动力锂电池基本状态判断的一个基本结论，而不只是一堆原始数据，利于各平台对动力锂电池状态更清晰地掌控。

与此同时，能够满足那些对动力锂电池不专业的用户的使用指导需求。除此之外，还能够单独地根据当前网络的优劣来选择是否将现有的数据提供给相关的处理厂家。

4.2不足

正如整体分析的那样，该模式依赖于电动车所承载硬件进行本地运算，对动力锂电池智能管理系统提出了软硬件的更高的要求，增加了技术难度和成本。同时受限于电动车本身空间和整体协同，本地计算能实现的功能有限，所以只能进行简单的数值计算，并不能给出全面、复杂的结论和建议。

5、该模式未来发展的建议

综上所示，针对动力锂电池智能管理系统的本地计算模式，给出以下建议以供参考：

1、由于DSP处理器的汇编语言特点，这里应当对如何将神经网络的参数移植到其中进行充分的试验以及研究，以更深入和准确低得出计算结果，更有利于动力锂电池智能管理系统的智能化和精确性；

2、由于DSP处理器的型号众多，这里应当考虑到不同型号的处理器的特点，选择最适合电池检测的型号。同时考虑动力锂电池智能管理系统的成本问题，控制成本，以利于更多用户使用；

3、本文对于公式法中采用的公式相对较为简单，所以后续可以根据需要编写详细、完整公式，不过考虑到实际情况的复杂性，实际公式的计算效率和时间只会先对于当前的公式法计算结果高而不是低；

4、这里仅仅对于两种算法(公式法和神经网络)的计算效率进行了推算，但是并没有对其实际的计算结果进行验证，所以后续应当在拥有充分实际数据之后，对公式法和神经网络的计算结果正确率进行评估，这里考虑到神经网络的计算结果是基于大数据的参数调整方法，所以逻辑上讲其相对于公式法具有更多的经验，其计算正确率应当强于公式法；

5、由于该模式仅停留在设计阶段，所以在实际应用中应当充分的对于各个部分硬件之间的结合问题进行试验；

6、考虑到该模式是对数字信号进行处理，所以在选择传感器时应倾向于输出数字信号的传感器或者具有转换原件的传感器。

7、考虑到电池对于传感器的诸多要求，这里可以考虑通过算法来弥补传感器的缺点，如[8]中提到的温补算法

8、可以参考[9]中的其它诸项预测来对新能源汽车的电池监控系统进行改进

6 参考文献

[1] 张锐：采用DSP实现的神经网络实时仿真系统

[2] 苏奎峰：TMS320X28355DSP应用系统设计

[3] 深圳市尚亿芯科技有限公司：智锂狗锂电池安全监控管理系统介绍

[4] 刘婷婷：传感器及应用技术

[5] 吴佳：云计算智能电网大数据驱动的方法研究

[6] 全龙翔：浅谈一种面向大数据行业的智能搜索引擎技术

[7] 胡增富：基于数据挖掘的计算机用户行为分析与识别

[8] 张应和：基于改进的新息自适应卡尔曼MEMS陀螺仪温度补偿算法

[9] 张福斌：纯电动汽车动力电池的发展现状与研究进展 

[10] 朱攀峰：锂离子动力电池充放电特性的试验分析

[11] 戴海燕：三元软包动力锂电池热安全性

作者：杜镇源⑴，李华青⑵（⑴.西南大学 电子信息工程学院，重庆 400715  ⑵.非线性电路与智能信息处理重庆市重点实验室，重庆 400715）

来源：《动力电池》杂志8月刊