文獻標識碼： A
文章編號： 0258-7998(2015)03-0141-04
0 引言
航空領域受重量、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點，成為該領域應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，鋰電池需要串并聯成組使用，但是由于電池材料和生產工藝等原因，安全問題時有發生。如2011年杭州和上海電動汽車鋰電池過熱導致自燃、2013年JA829J次航班波音787型客機中鋰電池組模塊冒煙起火[1]、特斯拉Model S 2013年10月至今發生鋰電池相關的5次起火等安全事故。鋰電池的安全隱患限制了其推廣應用，因此鋰電池組的安全保障問題亟待解決。
國內相關單位(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用仍存在安全隱患。國外從上世紀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域一級應急供能和點火，如美國軍用A10、MQ-9、AH64等戰機和無人機已由使用Eagle-Picher公司的鎘鎳電池轉為鋰離子電池。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、軍用飛機和地球軌道飛行器等航空航天設備，且把使用鋰電池組作為空間工程的一個里程碑。限制鋰電池應用的主要瓶頸是安全問題，已成為當前世界的研究熱點。美國國家可再生能源室和萊登能源公司、英國利茲大學及日本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、管理系統等方面進行了系列研究[9-16]。部分研究成果應用于生產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。
本文針對機載鋰電池組的安全保障問題，從關鍵參量檢測角度出發，基于滑動平均思想進行了關鍵參量實時檢測方法探索。實驗驗證結果表明，提出機載鋰電池關鍵參量檢測方法具有較高可靠性與實時性，基于該方法設計的機載鋰電池狀態檢測系統能夠有效保障其安全應用。
1 理論分析
1.1 滑動平均方法
針對采樣過程中的離散數據序列，計算序列的兩個或多個數據的滑動平均，由此形成一個平均值的新序列。針對機載鋰電池組中單體電壓、組電壓、放電電流、加熱電流等關鍵參量的應用特點，基于滑動平均思想實現該實時檢測過程。
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，窗口前面進入一個新數據，窗口后面刪除一個舊數據。這樣，在窗口中始終有固定數量的最新數據，經過算數平均后即可得到一組經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據序列（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據序列）；n為要處理的數據時刻；N為窗口寬度，也即為有效數據序列的總長度。
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式：
其中，針對該頻率響應的振幅函數的頻率響應：
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，對數據起到平滑作用。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。基于這個特點，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，噪聲信號是隨機的，且經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。
滑動平均處理是相關檢測中的一個特例，應用機理在于利用有用信號的良好相關性和噪聲的不相關性，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。在相關檢測中的自相關和互相關這兩種方式中，自相關適用于周期信號，而互相關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信號。在實際檢測過程中，基于采樣定理，經過A/D采樣后，信號轉換為基于采樣周期τ的離散數字信號，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]的互相關函數為：
式中，N表示數字信號序列長度，k為延時時刻。由于噪聲與信號不相關，二者互相關值為0，則可以通過這種互相關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]，則互相關函數如式(6)所示，把式(7)代入式(6)，可得到二者的互相關函數：
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化為滑動平均處理。
1.2 關鍵參量采樣機理
機載鋰電池組關鍵參量采樣結構如圖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、各單體溫度等關鍵參量，監測蓄電池組工作狀態，并進行實時決策調整。
2 實驗與分析
2.1 采樣與濾波處理實驗
機載鋰離子蓄電池采用8芯單體串聯工作，實時采樣線與均衡調節動力線分開，四線制模式進行數據采樣。針對該鋰電池組進行實時單體電壓采樣，單體電壓采樣原始數據和滑動平均處理后數據如圖3所示。
針對所有單體的電壓實時采樣與保護，使用隊列方式對各單體信號進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據如圖4所示。
應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，結合OPA27比例縮放，實現全電壓檢測，最后經過滑動平均方法進行有效低通濾波處理，實現全電壓信號實時檢測。檢測結果如圖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的隨機誤差，因此，信號采樣后的濾波更是尤為必要，經過滑動平均處理后的隨機誤差降為0.03 V，具有明顯的濾波處理效果。
2.2 結果分析
由圖3可知，單體電壓采樣平滑處理前后數據優化效果明顯，該處理過程能夠起到較好的濾波效果。在原始數據中，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的隨機誤差影響。經過滑動平均處理后，最高有2 mV的隨機誤差。該鋰離子蓄電池工作過程中最高電壓為4.2 V，則經過該滑動平均處理前后的相對隨機誤差為：
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對各通道單體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性。
由圖5 可知，全電壓檢測過程中，滑動平均前后隨機誤差計算過程如下：
實驗結果表明，該方法能夠實現對機載鋰離子電池組關鍵參量的實時有效處理。該方法與直接采樣數據對比，在不降低采樣時間的基礎上提高了采樣精度。同時，與傳統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，對實時檢測保護具有重要意義。
3 結語
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，對關鍵參量采樣起到較好濾波平滑效果。該方法已應用于機載鋰電池組實時檢測保護單元，并取得了良好的工程應用效果。該方法提出對鋰電池組的安全應用提供保障，有效保證其應用中的可靠性，對鋰電池安全保障標準化和應用推廣起到有益的推動作用。
參考文獻
[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].儲能科學與技術，2014，3(1)：42-46.
[2] 魏克新，陳峭巖.基于自適應無跡卡爾曼濾波算法的鋰離子動力電池狀態估計[J].中國電機工程學報，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測[J].航空學報，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，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研究與設計[J].電力電子技術，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[J].電工電能新技術，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].北京航空航天大學學報，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].電子技術應用，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.