0 引言

　　航空領(lǐng)域受重量、體積限制，需要高能量密度和高功率密度蓄電池作為應(yīng)急供能和輔助動力電源。鋰電池具有工作電壓高、容量大、自放電小、重量輕、體積小等其他蓄電池不具備的突出優(yōu)點(diǎn)，成為該領(lǐng)域應(yīng)急供能和輔助動力能源之首選。由于單體電壓和容量的限制，鋰電池需要串并聯(lián)成組使用，但是由于電池材料和生產(chǎn)工藝等原因，安全問題時有發(fā)生。如2011年杭州和上海電動汽車鋰電池過熱導(dǎo)致自燃、2013年JA829J次航班波音787型客機(jī)中鋰電池組模塊冒煙起火[1]、特斯拉Model S 2013年10月至今發(fā)生鋰電池相關(guān)的5次起火等安全事故。鋰電池的安全隱患限制了其推廣應(yīng)用，因此鋰電池組的安全保障問題亟待解決。

　　國內(nèi)相關(guān)單位(如北航、清華、中科大、中航鋰電、長虹電源、德賽能源、天津力神、武漢力興、西科大等單位)[2-8]開展了相關(guān)研究工作，取得了一定成效，但仍缺乏可靠的解決辦法，鋰電池組的航空航天應(yīng)用仍存在安全隱患。國外從上世紀(jì)七十年代開始逐步使用鋰離子電池代替鎘鎳電池作為航空航天領(lǐng)域一級應(yīng)急供能和點(diǎn)火，如美國軍用A10、MQ-9、AH64等戰(zhàn)機(jī)和無人機(jī)已由使用Eagle-Picher公司的鎘鎳電池轉(zhuǎn)為鋰離子電池。美國NASA 和空軍已將鋰電池用于星際登陸器、星際徘徊者、星際軌道器、無人飛行器、軍用飛機(jī)和地球軌道飛行器等航空航天設(shè)備，且把使用鋰電池組作為空間工程的一個里程碑。限制鋰電池應(yīng)用的主要瓶頸是安全問題，已成為當(dāng)前世界的研究熱點(diǎn)。美國國家可再生能源室和萊登能源公司、英國利茲大學(xué)及日本Noboru Sato和東芝公司等單位都在投入大量精力研究其安全問題，在材料、工藝、添加劑、管理系統(tǒng)等方面進(jìn)行了系列研究[9-16]。部分研究成果應(yīng)用于生產(chǎn)實踐并取得了一定成效，但仍沒有安全保障的有效解決方案。鋰電池組起火、燃燒的隱患目前仍無法完全消除，其使用過程中的安全保障成為目前研究的焦點(diǎn)。

　　本文針對機(jī)載鋰電池組的安全保障問題，從關(guān)鍵參量檢測角度出發(fā)，基于滑動平均思想進(jìn)行了關(guān)鍵參量實時檢測方法探索。實驗驗證結(jié)果表明，提出機(jī)載鋰電池關(guān)鍵參量檢測方法具有較高可靠性與實時性，基于該方法設(shè)計的機(jī)載鋰電池狀態(tài)檢測系統(tǒng)能夠有效保障其安全應(yīng)用。

1 理論分析

　　1.1 滑動平均方法

　　針對采樣過程中的離散數(shù)據(jù)序列，計算序列的兩個或多個數(shù)據(jù)的滑動平均，由此形成一個平均值的新序列。針對機(jī)載鋰電池組中單體電壓、組電壓、放電電流、加熱電流等關(guān)鍵參量的應(yīng)用特點(diǎn)，基于滑動平均思想實現(xiàn)該實時檢測過程。

　　滑動平均方法具體可描述為：假定一個可滑動且長度固定的窗口，這個窗口隨時間序列以隊列方式移動。在移動過程中，每移動一個采樣間隔，窗口前面進(jìn)入一個新數(shù)據(jù)，窗口后面刪除一個舊數(shù)據(jù)。這樣，在窗口中始終有固定數(shù)量的最新數(shù)據(jù)，經(jīng)過算數(shù)平均后即可得到一組經(jīng)過滑動平均的新序列，計算過程：

　　式中，VI為電壓或電流采樣數(shù)據(jù)序列（其中，VInew為滑動平均處理后新采用序列，VIold為上一個采樣間隔之前的舊數(shù)據(jù)序列）；n為要處理的數(shù)據(jù)時刻；N為窗口寬度，也即為有效數(shù)據(jù)序列的總長度。

　　滑動平均過程示意圖如圖1所示。

　　該滑動平均模型的頻率響應(yīng)式：

　　其中，針對該頻率響應(yīng)的振幅函數(shù)的頻率響應(yīng)：

　　由式(3)可知，滑動平均處理是一個低通濾波器，衰減了高頻信號的影響，對數(shù)據(jù)起到平滑作用。由頻譜分析可知，窗口越寬則通帶越窄，而單個矩形脈沖頻譜與滑動平均處理后的頻譜具有一致性?；谶@個特點(diǎn)，通過選擇合理的窗口寬度，可以在有效地抑制噪聲的同時保持有用信號，起到提高信噪比的作用。

　　同時，在滑動平均過程中，噪聲信號是隨機(jī)的，且經(jīng)過平均處理后得到抑制，而有用信號得到有效積累，從而使得有用信號得到有效保持和加強(qiáng)。

　　滑動平均處理是相關(guān)檢測中的一個特例，應(yīng)用機(jī)理在于利用有用信號的良好相關(guān)性和噪聲的不相關(guān)性，形成的有用信號積累而噪聲不積累的原理，從而把噪聲從有用信號中隔離出去。在相關(guān)檢測中的自相關(guān)和互相關(guān)這兩種方式中，自相關(guān)適用于周期信號，而互相關(guān)適用于非周期脈沖信號。

　　信號采樣過程中的原始時間信號由有用信號和噪聲信號兩部分構(gòu)成，即：

　　x(t)=s(t)+n(t)(4)

　　式中，s(t)為有用信號，n(t)為噪聲信號，x(t)為實際采樣過程中的隨機(jī)信號。在實際檢測過程中，基于采樣定理，經(jīng)過A/D采樣后，信號轉(zhuǎn)換為基于采樣周期τ的離散數(shù)字信號，即：

　　式中，s[n]為有用時間離散信號，?啄[n]為噪聲時間離散信號，x[n]為實際采樣過程中的隨機(jī)時間離散信號。

　　針對同類型采樣過程，信號x[n]和信號y[n]的互相關(guān)函數(shù)為：

　　式中，N表示數(shù)字信號序列長度，k為延時時刻。由于噪聲與信號不相關(guān)，二者互相關(guān)值為0，則可以通過這種互相關(guān)處理減少噪聲對信號的影響。

　　對于所用寬度為N的理想矩形脈沖信號，可表示為：

　　如果其反射并疊加噪聲后的信號為x[n]，則互相關(guān)函數(shù)如式(6)所示，把式(7)代入式(6)，可得到二者的互相關(guān)函數(shù)：

　　可以看到，式(8)和式(1)是一致的，從其計算過程可知，滑動平均計算是互相關(guān)計算中的一種特殊情況。因此，在信號檢測時，就可以把單脈沖檢測轉(zhuǎn)化為滑動平均處理。

　　1.2 關(guān)鍵參量采樣機(jī)理

　　機(jī)載鋰電池組關(guān)鍵參量采樣結(jié)構(gòu)如圖2所示，在采樣過程中，通過四線制連線方式將動力線和信號采樣線分開，以降低線壓降。通過實時采集各單體電壓、總電壓、總電流、加熱電流、各單體溫度等關(guān)鍵參量，監(jiān)測蓄電池組工作狀態(tài)，并進(jìn)行實時決策調(diào)整。

2 實驗與分析

　　2.1 采樣與濾波處理實驗

　　機(jī)載鋰離子蓄電池采用8芯單體串聯(lián)工作，實時采樣線與均衡調(diào)節(jié)動力線分開，四線制模式進(jìn)行數(shù)據(jù)采樣。針對該鋰電池組進(jìn)行實時單體電壓采樣，單體電壓采樣原始數(shù)據(jù)和滑動平均處理后數(shù)據(jù)如圖3所示。

　　針對所有單體的電壓實時采樣與保護(hù)，使用隊列方式對各單體信號進(jìn)行實時滑動平均信號檢測與濾波處理，所有單體采樣電壓滑動平均處理后的實時檢測數(shù)據(jù)如圖4所示。

　　應(yīng)用該方法于加熱電流、放電電流和組電壓的實時檢測與保護(hù)處理，取得同樣的處理效果。

　　針對鋰離子蓄電池組全電壓檢測，綜合對比各種采樣方法效果，最終使用INA117低功耗零漂移儀表放大器，結(jié)合OPA27比例縮放，實現(xiàn)全電壓檢測，最后經(jīng)過滑動平均方法進(jìn)行有效低通濾波處理，實現(xiàn)全電壓信號實時檢測。檢測結(jié)果如圖5所示。

　　全電壓檢測過程中，由于受到充放電過程影響較大，直接采樣具有0.4 V的隨機(jī)誤差，因此，信號采樣后的濾波更是尤為必要，經(jīng)過滑動平均處理后的隨機(jī)誤差降為0.03 V，具有明顯的濾波處理效果。

　　2.2 結(jié)果分析

　　由圖3可知，單體電壓采樣平滑處理前后數(shù)據(jù)優(yōu)化效果明顯，該處理過程能夠起到較好的濾波效果。在原始數(shù)據(jù)中，由于外部高頻噪聲影響，單體電壓采樣存在較大噪聲，最高有12 mV的隨機(jī)誤差影響。經(jīng)過滑動平均處理后，最高有2 mV的隨機(jī)誤差。該鋰離子蓄電池工作過程中最高電壓為4.2 V，則經(jīng)過該滑動平均處理前后的相對隨機(jī)誤差為：

　　由圖4可知，在8單體同步采樣過程中，該滑動平均方法能夠?qū)Ω魍ǖ绬误w電壓采樣起到同樣的平滑處理效果，證明該方法對該類型信號采樣處理具有普遍適應(yīng)性。

　　由圖5 可知，全電壓檢測過程中，滑動平均前后隨機(jī)誤差計算過程如下：

　　實驗結(jié)果表明，該方法能夠?qū)崿F(xiàn)對機(jī)載鋰離子電池組關(guān)鍵參量的實時有效處理。該方法與直接采樣數(shù)據(jù)對比，在不降低采樣時間的基礎(chǔ)上提高了采樣精度。同時，與傳統(tǒng)多次采樣取平均方法相比，很大程度上縮短了采樣處理時間，對實時檢測保護(hù)具有重要意義。

3 結(jié)語

　　本文提出了一種基于滑動平均的鋰電池組單體電壓、組電壓、加熱電流和放電電流等關(guān)鍵參量的實時檢測方法。該方法基于滑動平均思想濾除高頻噪聲影響，通過噪聲信號抑制和有用信號累積，對關(guān)鍵參量采樣起到較好濾波平滑效果。該方法已應(yīng)用于機(jī)載鋰電池組實時檢測保護(hù)單元，并取得了良好的工程應(yīng)用效果。該方法提出對鋰電池組的安全應(yīng)用提供保障，有效保證其應(yīng)用中的可靠性，對鋰電池安全保障標(biāo)準(zhǔn)化和應(yīng)用推廣起到有益的推動作用。

　　參考文獻(xiàn)

　　[1] 方謀，趙驍，陳敬波.從波音787電池事故分析大型動力電池組的安全性[J].儲能科學(xué)與技術(shù)，2014，3(1)：42-46.

　　[2] 魏克新，陳峭巖.基于自適應(yīng)無跡卡爾曼濾波算法的鋰離子動力電池狀態(tài)估計[J].中國電機(jī)工程學(xué)報，2014，3(3)：445-452.

　　[3] 陳雄姿，于勁松，唐荻音.基于貝葉斯LS-SVR的鋰電池剩余壽命概率性預(yù)測[J].航空學(xué)報，2013，34(9)：2219-2229.

　　[4] 張千玉，姜冬冬，李溪.一種新型鋰電池雙功能電解液添加劑的研究[J].電源技術(shù)，2014，38(8)：1424-1426.

　　[5] 于仲安，簡俊鵬，何方.純電動汽車鋰電池組均衡系統(tǒng)研究與設(shè)計[J].電力電子技術(shù)，2014，48(3)：64-67.

　　[6] 邱斌斌，劉和平，楊金林.一種磷酸鐵鋰動力電池組主動均衡充電系統(tǒng)[J].電工電能新技術(shù)，2014，33(1)：71-75.

　　[7] 姬芬竹，劉麗君，楊世春.電動汽車動力電池生熱模型和散熱特性[J].北京航空航天大學(xué)學(xué)報，2014，40(1)：18-24.

　　[8] 尚麗平，王順利，李占鋒.基于SOC的AGV車載蓄電池組主動均衡方法研究[J].電子技術(shù)應(yīng)用，2014，40(6)：67-69，73.

　　[9] Jung Seunghun，Kang Dalmo.Multi-dimensional modeling oflarge-scale lithium-ion batteries[J].Journal of Power Sources，2014，1(248)：498-509.

　　[10] JONGHOON K，SEONGJUN L，CHO B H.Complementary cooperation algorithm based on DEKF combined with pattern recognition for SOC/capacity estimation and SOH prediction[J].IEEE Transactions on Power Electronics，2012，27(1)：436-451.

　　[11] DAVE A，CHRISTIAN A，THOMAS S G.Advanced math-ematical methods of SOC and SOH estimation for lithium-

　　ion batteries[J].Journal of Power Sources，2013，1(224)：20-27.

　　[12] Ng Selina S.Y.，Xing Yinjiao，Tsui Kwok L.A naive bayes model for robust remaining useful life prediction of lithium-ion battery[J].Applied Energy，2014，1(118)：114-123.

　　[13] ADNAN N，TARIK T，THOMAS S G.Health diagnosis andremaining useful life prognostics of lithium-ion batteries using data-driven methods[J].Journal of Power Sources，2013，1(239)：680-688.

　　[14] ANDRE D，NUHIC A，SOCZKA-GUTH T.Comparative study of a structured neural network and an extended Kalman filter for state of health determination of lithium-ion batteries in hybrid electricvehicles[J].Engineering Applications of Artificial Intelligence，2013，26(3)：951-961.

　　[15] CHRISTIAN F，WLADISLAW W，ZIOU B.Adaptive on-line state-of-available-power prediction of lithium-ion batteries[J].Journal of Power Electronics，2013，13(4)：516-527.

　　[16] Lin Ho-Ta，Liang Tsorng-Juu，Chen Shih-Ming.Esti-mation of battery state of health using probabilistic neural network[J].IEEE Transactions on Industrial Informatics，2013，9(2)：679-685.