基于數據融合的電動汽車高壓采集方法

邵仕平，黃菊花，曹 銘

(南昌大學機電工程學院，南昌 330031)

基于數據融合的電動汽車高壓采集方法

邵仕平，黃菊花，曹 銘

(南昌大學機電工程學院，南昌 330031)

高電壓采集是電動汽車電池管理系統的最主要任務之一。準確、穩定的高電壓采集對電池管理系統估算SOC與SOH和動力電池安全管理等都有著重要意義。本文中提出了一種基于多傳感器融合技術和卡爾曼濾波器的高電壓采集方法。首先，對兩種現有的高壓采集方法進行了融合，解決了總電壓采集數據的誤差和噪聲的問題；其次，對融合模型和卡爾曼濾波器進行了改進，精簡了數據融合時的復雜計算；最后，通過實驗證明所提出的高壓采集方法具有較高的精度和穩定性。

電動汽車；高壓采集；卡爾曼濾波器；數據融合

前言

隨著能源危機和環境污染的日益加重，新能源汽車越來越受到重視，其中混合動力汽車、燃料電池汽車和純電動汽車已有成熟的產品面世，而純電動汽車更是因為其動力性強、經濟性好、零排放等優點而被市場普遍接受。動力電池管理系統(battery management system，BMS)是電動汽車三大關鍵技術之一，其中采集動力電池組串聯總電壓是BMS的主要任務。總電壓的采集精度直接影響BMS對電池組荷電狀態(state of charge，SOC)和健康狀況(state of health，SOH)的估算、電池組輸出功率與絕緣電阻值的計算以及均衡策略，進而影響電動汽車整車性能與安全性。

由于串聯電池組總電壓一般在100～500V，所以AD轉換器只能間接采集。目前采集電池組總電壓的方法有4種：①分壓法，該方法利用電阻分壓的方式對總電壓進行采樣，但由于電阻精度和漂移問題，這種方法的采樣精度較低，同時要求使用光電或V/ F(電壓/脈沖)轉換實現隔離[1-2]；②差分比例電路法，該方法通過差分比例電路對總電壓進行線性縮小并采樣，但如果電路元器件對稱性較差，采樣信號中會存在共模干擾，影響測量精度[3-4]；③電壓傳感器法，該方法采用霍爾式電壓傳感器對總電壓進行采集，但由于霍爾電壓傳感器使用時需要通過采樣電阻將電壓信號轉換為電流信號，這種采集回路存在漏電流，同時采樣結果也受信號轉換的精度限制；④單體電池電壓累加法，該方法采集電池組全部單體電池電壓，累加后得出電池組總電壓。合理選擇采集電路可減小單體電池電壓數據的干擾，但該方法存在累加誤差，且實時性較差。

此外，由于電動汽車工況復雜，采集電路會受到來自電機、DC/DC轉換器等的外界干擾，所以僅使用上述方法在電動汽車平臺無法獲得良好的采集效果。為此，本文中基于多傳感器融合技術和卡爾曼濾波器，設計了一種融合差分比例電路法與單體電池電壓累加法的改進高壓采集方法，對傳統數據融合模型進行改進，精簡了數據融合時的復雜計算，并將采集數據融合后的結果作為當前電池組總電壓。最后通過實驗驗證了該方法的穩定性與采集精度。

1 硬件設計

1.1 概述

對于電動汽車BMS高壓采集方法，差分比例電路法由于避免了使用隔離元器件和高精度傳感器，相較于其他方法有成本優勢。同時，監測動力電池組單體電池電壓是BMS的基本功能[5-6]，所以單體電池電壓累加法可在原有系統上實現，不需要修改硬件。因此對于融合二觀測量的高壓采集方法，選擇差分比例電路法與單體電池電壓累加法進行數據融合在硬件設計上是最優的。

圖1 分布式BMS結構示意圖

本文中介紹的高壓采集方法基于分布式BMS，管理45節100A·h磷酸鐵鋰串聯電池組，基本結構如圖1所示。該BMS采用Freescale公司DZ60作為MCU，具有12位ADC和CAN控制器，滿足運算、采集和通信需求。BMS在高壓箱內設有差分比例運算電路，其輸入端直接與串聯電池組正負極連接。BMS還具有5個子采集模塊，每個子模塊可采集10節單體電池電壓，并通過CAN將數據發送至上位機。這樣，BMS即可同時通過差分比例電路法與單體電池電壓累加法采集串聯電池組總電壓。

1.2 差分比例運算電路法

差分比例運算電路法如圖2所示。

圖2 差分比例運算電路法示意圖

圖2中u1為動力電池組串聯總電壓，A1和A2分別為OP279的兩路放大器。R1～R4和A1構成差分比例運算電路，具體阻值參見圖2。其中R1=R2，R3=R4，根據運算放大器的特性，此時放大器A1的輸入電壓u1與輸出電壓u1′的比值K=R1/R4。R5，R6和A2構成電壓跟隨器，增加電路跟隨特性，不影響電壓幅值，即u2=u1′。此時u1經過采集電路線性縮小為電壓u2，并滿足u1=Ku1′=Ku2。

通過DZ60單片機片內ADC采集u2，便可以計算出串聯電池組總電壓。其中，若電路內所有元器件為理想模型，則DZ60通過計算得出的串聯電池組總電壓u3與u1和u2的關系為

差分比例運算電路法由于元器件自身精度問題，無法實現完全對稱，故采集時會存在較大共模干擾。但該方法誤差小，電路直接測量電池組兩端電壓，可直觀反映電壓變化。

1.3 單體電池電壓累加法

單體電池電壓累加法如圖3所示。

圖3 單體電池累加法示意圖

其中，U1～U45分別為電池組第1至第45節單體電池電壓，R7，R8和A3組成電壓跟隨器，作為電壓調理電路，S1～S90為開關陣列。當S1和S2閉合，其余開關斷開，調理電路輸入電壓u4(1)等于U1，輸出電壓u5通過DZ60單片機片內ADC進行采集，此時u5(1)=U1。 閉合S3和S4，斷開其余開關，此時u5(2)=U2。 通過循環控制開關陣列，即可測出U1～U45，累加后即可得出串聯電池組總電壓u6：

單體電池電壓累加法的ADC與電池共地，所以采集時可忽略共模電壓輸入，但該方法存在較大的累加誤差，造成總電壓漂移。為減少誤差，在實際應用中開關陣列采用光電繼電器，可提高采集電路的一致性[7]，有助于進行誤差補償。

2 采集精度分析

2.1 離線測試

首先進行離線測試，通過高精度電源代替電池組，以修正兩種采集方法因元器件性能問題造成的誤差。對于差分比例運算電路法，由于R1～R4精度限制，會影響差分電路的對稱性，因此K需要用補償后比例值K′=48.11替代，以修正數據誤差，結果如表1所示。

表1 差分比例運算電路法補償測試

而對于單體電池電壓累加法，由于電池數量較多，逐一補償效率過低，沒有實際意義。

2.2 靜態測試

對兩種采集方法進行靜態測試，在開路情況下對電池組電壓進行采集。斷開電池組負載，靜置3h，此時單體磷酸鐵鋰電池電壓變化幅度小于2mV/10min，可認為串聯電池組總電壓U在短時間內恒定[8]，使用高精度萬用表測量總電壓U作為參考值，對比兩種方法測量靜態電壓的精度。由于DZ60片內ADC精度為12位，所以轉換結果保留3位有效數字。為消除隨機誤差，DZ60連續采集20次后取均方根，通過式(1)與式(2)計算出u3與u6，通過CAN發送至上位機，周期為500ms，取100次采集數據，結果如圖4所示。

圖4 靜態電壓采集對比

2.3 動態測試

為對比兩種方法的動態電壓的跟隨情況，通過可編程負載對串聯電池組恒阻放電1h，觀察兩種采集方法的精度。由于數據量過大，在全部7 200組采集數據中，在以30s為周期等距抽樣出120組數據樣本觀察其采集精度，結果如圖5所示。

圖5 動態電壓采集對比

2.4 測試結果分析

通過靜態測試結果可以發現，差分比例運算電路法的數據含有較大噪聲，但均方誤差小。單體電池電壓累加法相對誤差高于2%，但該方法噪聲小，在靜態測量時信號十分穩定。

由圖5可見，在電池放電過程中，由于差分比例運算電路法對總電壓直接測量，無須累加計算，故電壓采集的實時性更好，但存在噪聲過大、數據不穩定的問題。單體電池電壓累加法與靜態采集時結果相似，噪聲小但均方誤差大。另外，無論靜態還是動態測試，u6的1階導數與U的1階導數更為接近，即

這說明在采集樣本次數較多時，單體電池電壓累加法更能反映電池組總電壓的變化趨勢。

3 數據融合模型

根據前面所述，由于差分比例運算電路法均方誤差小，而單體電池電壓累加法噪聲低，故對上述兩種方法采集到的總電壓u3和u6作為系統的觀測量進行數據融合，可以使高壓采集結果獲得更高的精度。

目前，常用的數據融合模型有：①最小二乘融合，該濾波模型包括平均值法、加權平均法等，其方差有下界，故無法保證融合結果的可靠性[9-10]；②序貫式融合[11-12]，該模型時效性較高，但在觀測量之間存在較大差異時融合結果會產生較大波動；③擴維融合，該濾波模型采用多維濾波器，精度較高，但因存在多階矩陣計算，會消耗過多的系統資源[13]，增加使用成本；④權值融合，該模型通過條件概率配置權值，使融合結果與輸入量之間的差值達到最小，但對于二觀測量融合模型，其輸入過少，難以滿足樣本要求[14-15]。

針對上述融合模型的不足，本文中設計了一種基于卡爾曼濾波器的數據融合模型。當融合模型含有兩個數據輸入時，傳統方法通常是使用兩個卡爾曼濾波器對數據分別濾波后再對結果進行加權，或者通過對濾波器進行擴維或序貫處理。這樣操作的原因是上述方法都認為在數據采集過程中，傳感器數據只能作為觀測量來使用。卡爾曼濾波器的狀態更新方程和測量更新方程分別為

其中傳統方法主要對式(5)中z(k)進行數據融合處理，如增加z(k)的維數，或者用多傳感器測量值對z(k)進行序貫更新。同時在數據采集過程中，通常沒有控制量，所以B=0，u(k)=0。然而在實際應用中，可使用一組傳感器數據模擬控制量，作用到狀態變量x(k｜k-1)。這樣在數據融合時，可減少濾波器實際所需的觀測量。對應于二觀測量的融合模型中，實際濾波器所需迭代的觀測量就減少為一個，實現一維卡爾曼濾波融合，這樣就可減少濾波器的計算量，從而節約系統資源。

但需要注意的是，由于有一個觀測量去模擬控制量，即該觀察量實際并沒有參與對測量方程的更新，而是直接用于狀態方程，因此該觀測量必須能準確反映被測對象的變化趨勢，同時其測量噪聲將作為過程激勵噪聲影響卡爾曼濾波器更新。因此在二觀測量融合時，選擇一個變化趨勢接近被測對象，同時用噪聲較小的觀測量來模擬卡爾曼濾波器的控制量，才能達到本文中所設計的改進數據融合模型的最佳效果。參考圖5和式(3)可以發現，單體電池電壓累加法的結果u6完全符合上述條件。因此，只需對u6進行適當變化，使其轉換為系統的“控制量”，即可完成濾波融合。

對于電動汽車BMS，其總電壓U變化曲線是連續的，即U=U(t)。但在電池管理系統采集總電壓時，由于單片機和AD轉換器的采樣限制，實際采集到的數據是離散的，對式(3)進行離散化，采用單體電池電壓累加法所得到的總電壓u6應滿足：

其中

式中：U(k)為電池組實際總電壓，k為采集次數。由于第k-1次采集時誤差為E，由圖4和圖5可知，u6存在較大誤差，無法直接使用，但在同一電池管理系統中，短時間內采集電路應具有相同的誤差E，所以連續兩次電壓采集數據相減可以消除誤差E。即過程模型可表示為

式中Δu6(k｜k-1)反映電池總電壓的變化趨勢，因此可以根據Δu6(k｜k-1)與U(k-1)預測當前的實際總電壓U(k)，這樣將單體電池電壓累加法的結果u6從觀測量轉化為“控制量”，從而實現前面所述的對卡爾曼濾波器的降維處理；Q(k)為過程激勵噪聲協方差，可認為是單體電池電壓累加法的測量噪聲，參見圖4和圖5可知，Q(k)對結果影響較小，在系統資源緊張的情況下可以忽略。

卡爾曼濾波融合的測量模型參考差分比例運算電路法采集結果。同樣，測量過程是離散的，采集結果u3直接反映總電壓，因此測量模型可表示為

式中R為測量噪聲協方差，參見圖4，差分比例運算電路法噪聲較大，R不可忽略。

根據上述狀態模型與測量模型，即可進行狀態與測量的迭代更新。將模型代入卡爾曼濾波器狀態更新方程(4)與測量更新方程(5)，對于式(8)和式(9)中U(k)應用濾波器輸出u7(k)替代。狀態變量x(k｜k)為第k次融合的結果，即x(k｜k)= u7(k)。由于測量系統狀態變量直接反映測試結果，所以系統參數A，B和H為1。控制量u(k-1)參考前面所述由u6進行轉化，將式(8)代入式(4)可得u(k-1)=Δu6(k｜k-1)。觀測變量z(k)= u3(k)。對狀態更新方程與測量更新方程進行迭代，使x(k｜k)快速收斂至最小方差，這樣數據融合后的結果u7(k)比u3(k)和u6(k)將更接近當前實際總電壓U(k)。

通過上述濾波模型，可在系統存在兩個觀測量時，通過將單體電池電壓累加法的結果轉化為控制量，差分比例運算電路法的結果作為觀測量，最終實現一維卡爾曼濾波器對兩個觀測量的融合。

4 仿真與測試

參照第2節的實驗數據，對卡爾曼濾波融合模型進行性能仿真。首先，對實驗數據分析可得靜態測量噪聲協方差R，同時忽略過程噪聲Q(k)的影響。確定卡爾曼濾波融合模型參數后，使用第2節所述差分比例運算電路法與單體電池電壓累加法測試結果u3與u6作為濾波模型的輸入。在靜態電壓下，融合結果u7如圖6所示。

對比圖4可以發現，在靜態測試中，濾波融合后的結果u7修正了u6的累加誤差，并且在u3噪聲較大的情況下，依然能快速收斂。圖6中u7曲線幾乎與實際總電壓U重合，均方誤差小于0.083%。

動態電壓融合結果如圖7所示。由圖可見，動態測試中，u7同樣能快速收斂至U，表現出對總電壓良好的跟隨性，并隨迭代次數的增加不斷修正采集誤差。由于卡爾曼濾波器是通過迭代來減少均方差，所以收斂時間應該參考迭代次數。圖7中u7在經過60次的迭代就已和U重合，縮短采集周期，可在短時間內達到較好的采集效果。

圖6 靜態電壓融合

圖7 動態電壓融合

將第1節所述BMS移植到純電動汽車實驗平臺上，如圖8所示，以進一步驗證本方法在動態充放電工況中的有效性。該平臺是基于比亞迪F0改裝的純電動汽車實驗平臺。采用45節磷酸鐵鋰串聯電池組，額定總電壓144V，電機額定功率10kW。在該平臺上進行1組動態充電工況實驗和1組動態放電工況實驗，每組實驗前動力電池組均靜置3h。

圖8 純電動汽車實驗平臺和直流穩定電源

第1組實驗采用直流穩定電源以5A對動力電池組恒流充電1h，采集數據的處理方式與前面相同。實驗結果如圖9和圖10所示。

第2組實驗采用電機對動力電池組進行恒功率放電，放電時間為1h。實驗結果如圖11和圖12所示。

上述2組動態充放電工況實驗結果驗證了本方法的融合結果u7均可以在較少的迭代次數下完成對U的收斂，而且采集數據的精度高于差分比例運算電路法的采集結果u3和單體電池電壓累加法的采集結果u6。因此，本方法在不同工況下均具有較高的穩定性和精度。

圖9 動態充電工況電壓采集對比

圖10 動態充電工況電壓融合結果

圖11 動態放電工況電壓采集對比

圖12 動態放電工況電壓融合結果

5 結論

本文中對電動汽車串聯電池組高壓采集方法進行研究，分析了現有采集方法的不足，提出了一種基于卡爾曼濾波器的新型高壓采集方法。該采集方法改進了傳統卡爾曼濾波狀態模型與測量模型，將電池電壓累加法作為系統的控制量，差分比例運算電路法作為觀測量，在一維條件下實現上述兩種采集方法的融合。實驗結果表明，該采集方法結果比原有方法有更高的采集精度和信噪比，而比其他高精度高壓采集方法有更低的成本和更高的穩定性，對提升電動汽車BMS性能具有重要的意義。

[1] 周晨.電動汽車BMS中高壓檢測系統的設計與實現[D].合肥：合肥工業大學，2013.

[2] 李樹靖，林凌，李剛.串聯電池組電池電壓測量方法的研究[J].儀器儀表學報，2003，24(4)：212-215.

[3] 張彩萍，張承寧，李軍求.電動車輛動力電池組電壓采集電路設計[J].電氣應用，2007，26(12)：91-93.

[4] 徐國金，吳健，溫家鵬，等.基于誤差分析的電池組高精度測量系統的設計[J].儀器儀表學報，2013，34(9)：1989-1996.

[5] 南金瑞，孫逢春，王建群.純電動汽車電池管理系統的設計及應用[J].清華大學學報(自然科學版)，2007，47(S2)：1831-1834.

[6] 劉曉康，詹瓊華，何葵，等.電動汽車用電池管理系統的研究[J].華中科技大學學報(自然科學版)，2007，35(8)：83-86.

[7] 蔣新華，雷娟，馮毅，等.串聯電池組電壓測量的新方法[J].儀器儀表學報，2007，28(4)：734-737.

[8] 李哲.純電動汽車磷酸鐵鋰電池性能研究[D].北京：清華大學，2011.

[9] 岳元龍，左信，羅雄麟.提高測量可靠性的多傳感器數據融合有偏估計方法[J].自動化學報，2014，40(9)：1843-1852.

[10] 牛勝鎖，梁志瑞，張建華，等.基于廣義嶺估計的電力系統諧波狀態估計[J].電力自動化設備，2012，32(7)：94-98.

[11] 馬麗麗，張曼，陳金廣.多傳感器集中式增量卡爾曼濾波融合算法[J].計算機工程與應用，2014，50(11)：229-255.

[12] 馮肖亮，文成林，劉偉峰，等.基于多傳感器的序貫式融合有限域H∞濾波方法[J].自動化學報，2013，39(9)：1523-1532.

[13] 余安喜，胡衛東，周文輝.多傳感器量測融合算法的性能比較[J].國防科技大學學報，2003，25(6)：39-44.

[14] 任光，劉軍，朱利民.并行多參考模型卡爾曼濾波系統仿真研究[J].系統仿真學報，2000，12(6)：660-663.

[15] 魏克新，陳峭巖.基于多模型自適應卡爾曼濾波器的電動汽車電池荷電狀態估計[J].中國電機工程學報，2012，32(31)：19-26.

A High-voltage Collection Approach for Electric Vehicles Based on Data Fusion

Shao Shiping，Huang Juhua＆Cao Ming
School of Mechanical＆Electrical Engineering，Nanchang University，Nanchang330031

High voltage collection is one of the primary task of battery management system(BMS)in electric vehicle(EV).The accuracy and stability of high-voltage collection are of important significance for the estimation of SOC and SOH by BMS and the safety management of power batteries.In this paper，a high voltage collection method is proposed based on multi-sensor fusion and Kalman filter.Firstly，two existing approaches of high-voltage collection are fused to tackle the error and noise issues of total voltage data collection.Then fusion model and Kalman filter are modified and improved and the complex calculation in data fusion is simplified.Finally it is demonstrated by experiments that the high-voltage collection method proposed has higher accuracy and stability.

EV；high-voltage collection；Kalman filter；data fusion

原稿收到日期為2015年12月10日，修改稿收到日期為2016年3月7日。

曹銘，講師，E-mail：172022712＠qq.com。

10.19562/j.chinasae.qcgc.2017.02.013