论文部分内容阅读
摘 要： 随着电动汽车的普及，电动汽车在充电过程中的安全事故频发。如何低成本的对电动汽车电池进行健康诊断并保证充电过程的安全性，是当前新能源汽车进一步普及所面临的一个重大难题。文章基于目前常见的直流充电桩，以STM32为主控制器开发并设计了电池诊断系统，通过实验对诊断方法进行了验证，结果表明该系统可以对动力电池进行健康诊断，提升充电过程的安全性。
关键词： 电动汽车动力电池;直流充电桩;电池诊断;STM32;直流内阻
【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
由于动力电池对高能量密度材料的追求导致其安全问题日益突出[1]，电动汽车的电池诊断需求也越来越庞大。然而电动汽车电池健康诊断市场还处于早期阶段，主要以汽车生产厂商返厂诊断为主。极少数专门研发的电池诊断设备使用场景单一，需要用户上门诊断[2]，使用便捷性不高，同时生产成本高昂。在充电过程中，如何保证电动汽车的安全是目前各充电桩厂商研究的主要方向。如果能将电池健康诊断与电动汽车的日常充电结合在一起，以此保证充电过程的安全，将会具有十分广阔的应用前景。
1 系统方案
为了克服目前动力电池健康诊断所面临的实际问题，本方案在目前常见的直流充电桩基础上搭建了动力电池诊断系统，在电动汽车日常充电过程中，基于使用STM32F107芯片的嵌入式系统进行开发并设计一键诊断模块，通过在充电过程中增设充电脉冲工步，获取更丰富的电池充电数据。同时制定数据接口[3]，将数据上传至云平台进行储存与诊断分析，通过电池一致性算法分析当前的电池健康状态，并反馈诊断结果。
2 诊断模块硬件设计
本方案在直流充电桩原有控制板基础上外接诊断模块，通过串口通信读取BMS（电池控制系统）发出的电池数据，并返回控制指令。如图2所示，在充电桩原有控制板主要负责电源的接入和输出，诊断模块主要负责充电逻辑分析以及电池数据的上发。
2.1 硬件电路设计
系统的主控制芯片选用STM32F107VCT6用来控制诊断充电桩运行的相关功能，并将采集得到的数据发送至云平台进行相关的诊断分析，STM32F107VC使用高性能的ARM Cor2tex-M3 32位的RISC内核，工作频率为72 MHz。该器件包含2个12位的ADC、4个通用16位定时器和1个PWM定时器，还包含2个I2C，3个SPI，2个I2S，5个
USART、一个USB和2个CAN通信接口，同时提供了以太网接口，极大的方便了电路设计，其丰富的外设接口，能够满足诊断模块对充电桩系统中的电源模块、电表、IC读卡器、GPRS、触摸屏等外设进行控制的基本接口需求[4-5]。
2.2 硬件电路设计
基于直流充电桩的电池诊断系统采用了多个独立部件组合的设计，因此需要各模块的通信接口对MCU资源进行合理分配，实现MCU对各个部件的控制和管理。如表1所示为MCU主要资源分配表。
控制系统共使用了四个串行接口分别与触摸屏、GPRS、电表和IC读卡器通信。触摸屏、读卡器与GPRS为RS232电平经过转换与MCU通信;诊断模块通过458通讯口连接多功能电度表，精确计量充电汽车所充电量，读取电流，电压值来判断充电过程中是否出现过流或者过压的情况，便于保护处理。通过GPRS通讯模块将电池数据上传至云平台并返回诊断结果，通过232通讯口与充电桩控制模块实时通讯，将诊断结果在显示屏上显示。RS232连接电路如图4所示。
2.3 控制导引电路
结合诊断模块后的直流充电桩的充电安全保护系统方案如图5所示，包括直流充电桩诊断控制装置、电阻R1、R2、R3、R4、R5开关S、直流供电回路接触器K1和K2接触器K3和K4、充电回路接觸器K5和K6以及车辆控制装置。电阻R2、R3安装在充电插头上，R4安装在车辆插座上。当插头插座完全连接后，开关S闭合。在充电过程中，充电桩控制装置监测接触器K1、K2和K3、K4。车辆控制装置监测K5和K6的状态并控制其接通及关断。 3 系统软件设计
如图6所示为基于直流快速充电桩的电池诊断系统运行逻辑框架图。本系统通过在传统直流桩上增加智能诊断模块，在充电过程中由该模块向充电桩发送充电调控指令，控制充电桩按照诊断模块中设定的控制逻辑改变原有的充电电压进行充电，并通过CAN数据通信将充电过程中获取的电动汽车动力电池单体电压、总电压等电池信息打包上传至云平台在线诊断系统，系统分析完成后返回电池健康状况诊断报告。完整的逻辑框如图6所示。
诊断模块在不违反国标的情况下控制电压变化，并同步进行数据采集，在电动车按照国标发送单体电池电压信息的情况下可以对相应的通讯报文进行解析上传，并通过算法进行直流内阻计算与一致性诊断。
4 电池诊断算法及实验验证
4.1 直流內阻诊断算法
内阻是评价电池性能的重要指标之一，内阻的测试包括交流内阻与直流内阻。对于单体电池，一般以交流内阻来进行评价，即通常称为欧姆内阻。但对于大型电池组应用，如电动车用电源系统来说，由于测试设备等方面的限制，不能或不方便来直接进行交流内阻的测试，一般通过直流内阻来评价电池组的特性。因为直流内阻过大会导致内部压降过大，对外输出电压减小，所以直流内阻的大小是电池是否能够继续正常使用的首要指标。在实际应用中，也多用直流内阻来评价电池的健康度，进行寿命预测，以及进行系统SOC、输出/输入能力等的估计。在生产中，可以用来检测故障电池如微短路等现象[7]。
锂离子电池内阻测试方法包括伏安特性曲线法、HPPC（混合脉冲功率特性法）、开路电压法、交流阻抗法等。其中混合脉冲法测试法步骤相对简单，应用最为广泛。在本系统中，诊断模块控制充电桩在充电过程中模仿HPPC测试方法增加充电脉冲，通过压降计算电池直流内阻，从而对电池健康状态进行分析。
4.2 模拟实验
（1）实验条件
实验选用宁德时代新能源科技有限公司（CATL）的退役电池包作为实验对象，实现一致性检测方法的应用。同时，电池包的单体信息来自于科列BMS锂电池管理系统，该系统单体电池电压检测误差±5 mV，电流采集端口误差±1%，CAN通信速率为250 kbps。
实验对象的类型为磷酸铁锂，电池包具体参数如下。
（2）实验过程
基于上述原理，本文设计的充电桩诊断模块对充电过程进行干预，在不违反国标的情况下，当电池SOC分别达到70%时，加入30 s脉冲，将充电电流从45 A降低至5 A左右，同步进行电压数据采集，对相应的通讯报文进行解析上传，通过算法进行直流内阻计算与一致性诊断。实验结束后读取该段脉冲实验数据，对电压数据进行作图。如图7所示，
选取最高单体电压的55号单体电池与最低单体电压的84号电池为例，可以看到单体电池在加载负脉冲的瞬间，电池端电压会产生瞬间阶跃式下降，随后电压随时间变化相对缓慢地减小。其中极短时间的电压阶跃式减小是由欧姆内阻导致的，电压缓慢减小阶段是由极化内阻引起的。
（3）实验结果及分析
算法中引入3σ准则对该电池包的一致性进行分析。3σ准则又称为拉依达准则，其原理为先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除，且该准则适用于有多组数据的场景[8]。
云平台通过数据接口调用各个单体的电压数据，由公式1计算出电池包内各个单体电池的直流内阻，依据3σ准则结合直流内阻诊断算法计算出诊断过程中的单体电池直流内阻标准差σ，并将每个单体电池的直流内阻值和平均值的差值与3σ进行比较，如果差值大于3σ，即进行预警。在实际应用场景下，电压差值大于3σ已经是十分严重的情况，为了更好的诊断各个单体的电压一致性并增加适用场景范围，诊断云平台算法会对每个单体电池的直流内阻差值与2σ进行比较，当某单体电池直流内阻偏差大于2σ的次数较多，则将其挑选出来并显示在诊断报告上，从而更有层次的实现电池包的电压一致性诊断。为了验证该算法的可行性，将充电桩对实验电池包充电过程的数据进行记录并分析，如图8所示，图中不同半径的圆环分别代表不同的一致性区间，出现在最外层红色圆环部分的电池为内阻偏差在2σ-3σ之间的单体电池，可以看到用做测试的电池包中2、55以及78号电池在这个范围内，可以认为这三个单体电池内阻一致性较差。实验结果与该退役电池包的实际情况相符，从而验证了该算法诊断结果的准确性与可行性。
5 结论
本文在目前常见的直流充电桩基础上搭建了动力电池诊断系统，在电动汽车日常充电过程中，使用基于STM32F107芯片的嵌入式系统进行开发并设计一键诊断模块，通过在充电过程中增设充电脉冲工步，获取更丰富的电池充电数据。同时制定数据接口，将数据上传至云平台进行储存与诊断分析，通过电池一致性算法分析当前的电池健康状态，并通过实验验证了系统的可行性。在下一步的开发过程中，可以结合大数据分析进一步丰富电池诊断算法，从而更全面的进行充电过程的安全预警以及电池健康状态诊断。
参考文献
[1]崔源， 徐增勇. 电动汽车动力电池现状分析[J]. 产业与科技论坛， 2016， 15（24）： 80-81.
[2]黄赛杰， 徐敏， 郑小鹿， 等. 动力电池充放电检测系统的设计与实现[J]. 储能科学与技术， 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]杨彦伟， 雒志秀， 郑肖宇， 等. 基于STM32 芯片的楼宇火灾远程自动报警系统[J]. 软件， 2015， 36（8）： 117-120.
[5]李治国， 罗洋坤. 基于 STM32 的锂离子电池充电系统研究[J]. 软件， 2019， 40（6）： 127-129.
[6]陈婕， 金馨. 基于极限学习机的锂电池健康状态预测[J]. 软件， 2018， 39（2）： 191-196.
[7]武鑫， 严晓， 王影， 等. 三元锂电池内阻特性的研究[J]. 电源技术， 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， 张相文， 罗华永. 国家电网运营诊断指标体系研究[J]. 软件， 2016， 37（01）： 122-126.
[10]焦会英， 辛存生， 刘俊艳. 大数据技术及其在智能电网中的未来应用[J]. 软件， 2018， 39（9）： 200-202.
关键词： 电动汽车动力电池;直流充电桩;电池诊断;STM32;直流内阻
【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
由于动力电池对高能量密度材料的追求导致其安全问题日益突出[1]，电动汽车的电池诊断需求也越来越庞大。然而电动汽车电池健康诊断市场还处于早期阶段，主要以汽车生产厂商返厂诊断为主。极少数专门研发的电池诊断设备使用场景单一，需要用户上门诊断[2]，使用便捷性不高，同时生产成本高昂。在充电过程中，如何保证电动汽车的安全是目前各充电桩厂商研究的主要方向。如果能将电池健康诊断与电动汽车的日常充电结合在一起，以此保证充电过程的安全，将会具有十分广阔的应用前景。
1 系统方案
为了克服目前动力电池健康诊断所面临的实际问题，本方案在目前常见的直流充电桩基础上搭建了动力电池诊断系统，在电动汽车日常充电过程中，基于使用STM32F107芯片的嵌入式系统进行开发并设计一键诊断模块，通过在充电过程中增设充电脉冲工步，获取更丰富的电池充电数据。同时制定数据接口[3]，将数据上传至云平台进行储存与诊断分析，通过电池一致性算法分析当前的电池健康状态，并反馈诊断结果。
2 诊断模块硬件设计
本方案在直流充电桩原有控制板基础上外接诊断模块，通过串口通信读取BMS（电池控制系统）发出的电池数据，并返回控制指令。如图2所示，在充电桩原有控制板主要负责电源的接入和输出，诊断模块主要负责充电逻辑分析以及电池数据的上发。
2.1 硬件电路设计
系统的主控制芯片选用STM32F107VCT6用来控制诊断充电桩运行的相关功能，并将采集得到的数据发送至云平台进行相关的诊断分析，STM32F107VC使用高性能的ARM Cor2tex-M3 32位的RISC内核，工作频率为72 MHz。该器件包含2个12位的ADC、4个通用16位定时器和1个PWM定时器，还包含2个I2C，3个SPI，2个I2S，5个
USART、一个USB和2个CAN通信接口，同时提供了以太网接口，极大的方便了电路设计，其丰富的外设接口，能够满足诊断模块对充电桩系统中的电源模块、电表、IC读卡器、GPRS、触摸屏等外设进行控制的基本接口需求[4-5]。
2.2 硬件电路设计
基于直流充电桩的电池诊断系统采用了多个独立部件组合的设计，因此需要各模块的通信接口对MCU资源进行合理分配，实现MCU对各个部件的控制和管理。如表1所示为MCU主要资源分配表。
控制系统共使用了四个串行接口分别与触摸屏、GPRS、电表和IC读卡器通信。触摸屏、读卡器与GPRS为RS232电平经过转换与MCU通信;诊断模块通过458通讯口连接多功能电度表，精确计量充电汽车所充电量，读取电流，电压值来判断充电过程中是否出现过流或者过压的情况，便于保护处理。通过GPRS通讯模块将电池数据上传至云平台并返回诊断结果，通过232通讯口与充电桩控制模块实时通讯，将诊断结果在显示屏上显示。RS232连接电路如图4所示。
2.3 控制导引电路
结合诊断模块后的直流充电桩的充电安全保护系统方案如图5所示，包括直流充电桩诊断控制装置、电阻R1、R2、R3、R4、R5开关S、直流供电回路接触器K1和K2接触器K3和K4、充电回路接觸器K5和K6以及车辆控制装置。电阻R2、R3安装在充电插头上，R4安装在车辆插座上。当插头插座完全连接后，开关S闭合。在充电过程中，充电桩控制装置监测接触器K1、K2和K3、K4。车辆控制装置监测K5和K6的状态并控制其接通及关断。 3 系统软件设计
如图6所示为基于直流快速充电桩的电池诊断系统运行逻辑框架图。本系统通过在传统直流桩上增加智能诊断模块，在充电过程中由该模块向充电桩发送充电调控指令，控制充电桩按照诊断模块中设定的控制逻辑改变原有的充电电压进行充电，并通过CAN数据通信将充电过程中获取的电动汽车动力电池单体电压、总电压等电池信息打包上传至云平台在线诊断系统，系统分析完成后返回电池健康状况诊断报告。完整的逻辑框如图6所示。
诊断模块在不违反国标的情况下控制电压变化，并同步进行数据采集，在电动车按照国标发送单体电池电压信息的情况下可以对相应的通讯报文进行解析上传，并通过算法进行直流内阻计算与一致性诊断。
4 电池诊断算法及实验验证
4.1 直流內阻诊断算法
内阻是评价电池性能的重要指标之一，内阻的测试包括交流内阻与直流内阻。对于单体电池，一般以交流内阻来进行评价，即通常称为欧姆内阻。但对于大型电池组应用，如电动车用电源系统来说，由于测试设备等方面的限制，不能或不方便来直接进行交流内阻的测试，一般通过直流内阻来评价电池组的特性。因为直流内阻过大会导致内部压降过大，对外输出电压减小，所以直流内阻的大小是电池是否能够继续正常使用的首要指标。在实际应用中，也多用直流内阻来评价电池的健康度，进行寿命预测，以及进行系统SOC、输出/输入能力等的估计。在生产中，可以用来检测故障电池如微短路等现象[7]。
锂离子电池内阻测试方法包括伏安特性曲线法、HPPC（混合脉冲功率特性法）、开路电压法、交流阻抗法等。其中混合脉冲法测试法步骤相对简单，应用最为广泛。在本系统中，诊断模块控制充电桩在充电过程中模仿HPPC测试方法增加充电脉冲，通过压降计算电池直流内阻，从而对电池健康状态进行分析。
4.2 模拟实验
（1）实验条件
实验选用宁德时代新能源科技有限公司（CATL）的退役电池包作为实验对象，实现一致性检测方法的应用。同时，电池包的单体信息来自于科列BMS锂电池管理系统，该系统单体电池电压检测误差±5 mV，电流采集端口误差±1%，CAN通信速率为250 kbps。
实验对象的类型为磷酸铁锂，电池包具体参数如下。
（2）实验过程
基于上述原理，本文设计的充电桩诊断模块对充电过程进行干预，在不违反国标的情况下，当电池SOC分别达到70%时，加入30 s脉冲，将充电电流从45 A降低至5 A左右，同步进行电压数据采集，对相应的通讯报文进行解析上传，通过算法进行直流内阻计算与一致性诊断。实验结束后读取该段脉冲实验数据，对电压数据进行作图。如图7所示，
选取最高单体电压的55号单体电池与最低单体电压的84号电池为例，可以看到单体电池在加载负脉冲的瞬间，电池端电压会产生瞬间阶跃式下降，随后电压随时间变化相对缓慢地减小。其中极短时间的电压阶跃式减小是由欧姆内阻导致的，电压缓慢减小阶段是由极化内阻引起的。
（3）实验结果及分析
算法中引入3σ准则对该电池包的一致性进行分析。3σ准则又称为拉依达准则，其原理为先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除，且该准则适用于有多组数据的场景[8]。
云平台通过数据接口调用各个单体的电压数据，由公式1计算出电池包内各个单体电池的直流内阻，依据3σ准则结合直流内阻诊断算法计算出诊断过程中的单体电池直流内阻标准差σ，并将每个单体电池的直流内阻值和平均值的差值与3σ进行比较，如果差值大于3σ，即进行预警。在实际应用场景下，电压差值大于3σ已经是十分严重的情况，为了更好的诊断各个单体的电压一致性并增加适用场景范围，诊断云平台算法会对每个单体电池的直流内阻差值与2σ进行比较，当某单体电池直流内阻偏差大于2σ的次数较多，则将其挑选出来并显示在诊断报告上，从而更有层次的实现电池包的电压一致性诊断。为了验证该算法的可行性，将充电桩对实验电池包充电过程的数据进行记录并分析，如图8所示，图中不同半径的圆环分别代表不同的一致性区间，出现在最外层红色圆环部分的电池为内阻偏差在2σ-3σ之间的单体电池，可以看到用做测试的电池包中2、55以及78号电池在这个范围内，可以认为这三个单体电池内阻一致性较差。实验结果与该退役电池包的实际情况相符，从而验证了该算法诊断结果的准确性与可行性。
5 结论
本文在目前常见的直流充电桩基础上搭建了动力电池诊断系统，在电动汽车日常充电过程中，使用基于STM32F107芯片的嵌入式系统进行开发并设计一键诊断模块，通过在充电过程中增设充电脉冲工步，获取更丰富的电池充电数据。同时制定数据接口，将数据上传至云平台进行储存与诊断分析，通过电池一致性算法分析当前的电池健康状态，并通过实验验证了系统的可行性。在下一步的开发过程中，可以结合大数据分析进一步丰富电池诊断算法，从而更全面的进行充电过程的安全预警以及电池健康状态诊断。
参考文献
[1]崔源， 徐增勇. 电动汽车动力电池现状分析[J]. 产业与科技论坛， 2016， 15（24）： 80-81.
[2]黄赛杰， 徐敏， 郑小鹿， 等. 动力电池充放电检测系统的设计与实现[J]. 储能科学与技术， 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]杨彦伟， 雒志秀， 郑肖宇， 等. 基于STM32 芯片的楼宇火灾远程自动报警系统[J]. 软件， 2015， 36（8）： 117-120.
[5]李治国， 罗洋坤. 基于 STM32 的锂离子电池充电系统研究[J]. 软件， 2019， 40（6）： 127-129.
[6]陈婕， 金馨. 基于极限学习机的锂电池健康状态预测[J]. 软件， 2018， 39（2）： 191-196.
[7]武鑫， 严晓， 王影， 等. 三元锂电池内阻特性的研究[J]. 电源技术， 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， 张相文， 罗华永. 国家电网运营诊断指标体系研究[J]. 软件， 2016， 37（01）： 122-126.
[10]焦会英， 辛存生， 刘俊艳. 大数据技术及其在智能电网中的未来应用[J]. 软件， 2018， 39（9）： 200-202.