文献标识码： A
文章编号： 0258-7998(2015)03-0141-04
0 引言
航空领域受重量、体积限制，需要高能量密度和高功率密度蓄电池作为应急供能和辅助动力电源。锂电池具有工作电压高、容量大、自放电小、重量轻、体积小等其他蓄电池不具备的突出优点，成为该领域应急供能和辅助动力能源之首选。由于单体电压和容量的限制，锂电池需要串并联成组使用，但是由于电池材料和生产工艺等原因，安全问题时有发生。如2011年杭州和上海电动汽车锂电池过热导致自燃、2013年JA829J次航班波音787型客机中锂电池组模块冒烟起火[1]、特斯拉Model S 2013年10月至今发生锂电池相关的5次起火等安全事故。锂电池的安全隐患限制了其推广应用，因此锂电池组的安全保障问题亟待解决。
国内相关单位(如北航、清华、中科大、中航锂电、长虹电源、德赛能源、天津力神、武汉力兴、西科大等单位)[2-8]开展了相关研究工作，取得了一定成效，但仍缺乏可靠的解决办法，锂电池组的航空航天应用仍存在安全隐患。国外从上世纪七十年代开始逐步使用锂离子电池代替镉镍电池作为航空航天领域一级应急供能和点火，如美国军用A10、MQ-9、AH64等战机和无人机已由使用Eagle-Picher公司的镉镍电池转为锂离子电池。美国NASA 和空军已将锂电池用于星际登陆器、星际徘徊者、星际轨道器、无人飞行器、军用飞机和地球轨道飞行器等航空航天设备，且把使用锂电池组作为空间工程的一个里程碑。限制锂电池应用的主要瓶颈是安全问题，已成为当前世界的研究热点。美国国家可再生能源室和莱登能源公司、英国利兹大学及日本Noboru Sato和东芝公司等单位都在投入大量精力研究其安全问题，在材料、工艺、添加剂、管理系统等方面进行了系列研究[9-16]。部分研究成果应用于生产实践并取得了一定成效，但仍没有安全保障的有效解决方案。锂电池组起火、燃烧的隐患目前仍无法完全消除，其使用过程中的安全保障成为目前研究的焦点。
本文针对机载锂电池组的安全保障问题，从关键参量检测角度出发，基于滑动平均思想进行了关键参量实时检测方法探索。实验验证结果表明，提出机载锂电池关键参量检测方法具有较高可靠性与实时性，基于该方法设计的机载锂电池状态检测系统能够有效保障其安全应用。
1 理论分析
1.1 滑动平均方法
针对采样过程中的离散数据序列，计算序列的两个或多个数据的滑动平均，由此形成一个平均值的新序列。针对机载锂电池组中单体电压、组电压、放电电流、加热电流等关键参量的应用特点，基于滑动平均思想实现该实时检测过程。
滑动平均方法具体可描述为：假定一个可滑动且长度固定的窗口，这个窗口随时间序列以队列方式移动。在移动过程中，每移动一个采样间隔，窗口前面进入一个新数据，窗口后面删除一个旧数据。这样，在窗口中始终有固定数量的最新数据，经过算数平均后即可得到一组经过滑动平均的新序列，计算过程：
式中，VI为电压或电流采样数据序列（其中，VInew为滑动平均处理后新采用序列，VIold为上一个采样间隔之前的旧数据序列）；n为要处理的数据时刻；N为窗口宽度，也即为有效数据序列的总长度。
滑动平均过程示意图如图1所示。
该滑动平均模型的频率响应式：
其中，针对该频率响应的振幅函数的频率响应：
由式(3)可知，滑动平均处理是一个低通滤波器，衰减了高频信号的影响，对数据起到平滑作用。由频谱分析可知，窗口越宽则通带越窄，而单个矩形脉冲频谱与滑动平均处理后的频谱具有一致性。基于这个特点，通过选择合理的窗口宽度，可以在有效地抑制噪声的同时保持有用信号，起到提高信噪比的作用。
同时，在滑动平均过程中，噪声信号是随机的，且经过平均处理后得到抑制，而有用信号得到有效积累，从而使得有用信号得到有效保持和加强。
滑动平均处理是相关检测中的一个特例，应用机理在于利用有用信号的良好相关性和噪声的不相关性，形成的有用信号积累而噪声不积累的原理，从而把噪声从有用信号中隔离出去。在相关检测中的自相关和互相关这两种方式中，自相关适用于周期信号，而互相关适用于非周期脉冲信号。
信号采样过程中的原始时间信号由有用信号和噪声信号两部分构成，即：
x(t)=s(t)+n(t)(4)
式中，s(t)为有用信号，n(t)为噪声信号，x(t)为实际采样过程中的随机信号。在实际检测过程中，基于采样定理，经过A/D采样后，信号转换为基于采样周期τ的离散数字信号，即：
式中，s[n]为有用时间离散信号，?啄[n]为噪声时间离散信号，x[n]为实际采样过程中的随机时间离散信号。
针对同类型采样过程，信号x[n]和信号y[n]的互相关函数为：
式中，N表示数字信号序列长度，k为延时时刻。由于噪声与信号不相关，二者互相关值为0，则可以通过这种互相关处理减少噪声对信号的影响。
对于所用宽度为N的理想矩形脉冲信号，可表示为：
如果其反射并叠加噪声后的信号为x[n]，则互相关函数如式(6)所示，把式(7)代入式(6)，可得到二者的互相关函数：
可以看到，式(8)和式(1)是一致的，从其计算过程可知，滑动平均计算是互相关计算中的一种特殊情况。因此，在信号检测时，就可以把单脉冲检测转化为滑动平均处理。
1.2 关键参量采样机理
机载锂电池组关键参量采样结构如图2所示，在采样过程中，通过四线制连线方式将动力线和信号采样线分开，以降低线压降。通过实时采集各单体电压、总电压、总电流、加热电流、各单体温度等关键参量，监测蓄电池组工作状态，并进行实时决策调整。
2 实验与分析
2.1 采样与滤波处理实验
机载锂离子蓄电池采用8芯单体串联工作，实时采样线与均衡调节动力线分开，四线制模式进行数据采样。针对该锂电池组进行实时单体电压采样，单体电压采样原始数据和滑动平均处理后数据如图3所示。
针对所有单体的电压实时采样与保护，使用队列方式对各单体信号进行实时滑动平均信号检测与滤波处理，所有单体采样电压滑动平均处理后的实时检测数据如图4所示。
应用该方法于加热电流、放电电流和组电压的实时检测与保护处理，取得同样的处理效果。
针对锂离子蓄电池组全电压检测，综合对比各种采样方法效果，最终使用INA117低功耗零漂移仪表放大器，结合OPA27比例缩放，实现全电压检测，最后经过滑动平均方法进行有效低通滤波处理，实现全电压信号实时检测。检测结果如图5所示。
全电压检测过程中，由于受到充放电过程影响较大，直接采样具有0.4 V的随机误差，因此，信号采样后的滤波更是尤为必要，经过滑动平均处理后的随机误差降为0.03 V，具有明显的滤波处理效果。
2.2 结果分析
由图3可知，单体电压采样平滑处理前后数据优化效果明显，该处理过程能够起到较好的滤波效果。在原始数据中，由于外部高频噪声影响，单体电压采样存在较大噪声，最高有12 mV的随机误差影响。经过滑动平均处理后，最高有2 mV的随机误差。该锂离子蓄电池工作过程中最高电压为4.2 V，则经过该滑动平均处理前后的相对随机误差为：
由图4可知，在8单体同步采样过程中，该滑动平均方法能够对各通道单体电压采样起到同样的平滑处理效果，证明该方法对该类型信号采样处理具有普遍适应性。
由图5 可知，全电压检测过程中，滑动平均前后随机误差计算过程如下：
实验结果表明，该方法能够实现对机载锂离子电池组关键参量的实时有效处理。该方法与直接采样数据对比，在不降低采样时间的基础上提高了采样精度。同时，与传统多次采样取平均方法相比，很大程度上缩短了采样处理时间，对实时检测保护具有重要意义。
3 结语
本文提出了一种基于滑动平均的锂电池组单体电压、组电压、加热电流和放电电流等关键参量的实时检测方法。该方法基于滑动平均思想滤除高频噪声影响，通过噪声信号抑制和有用信号累积，对关键参量采样起到较好滤波平滑效果。该方法已应用于机载锂电池组实时检测保护单元，并取得了良好的工程应用效果。该方法提出对锂电池组的安全应用提供保障，有效保证其应用中的可靠性，对锂电池安全保障标准化和应用推广起到有益的推动作用。
参考文献
[1] 方谋，赵骁，陈敬波.从波音787电池事故分析大型动力电池组的安全性[J].储能科学与技术，2014，3(1)：42-46.
[2] 魏克新，陈峭岩.基于自适应无迹卡尔曼滤波算法的锂离子动力电池状态估计[J].中国电机工程学报，2014，3(3)：445-452.
[3] 陈雄姿，于劲松，唐荻音.基于贝叶斯LS-SVR的锂电池剩余寿命概率性预测[J].航空学报，2013，34(9)：2219-2229.
[4] 张千玉，姜冬冬，李溪.一种新型锂电池双功能电解液添加剂的研究[J].电源技术，2014，38(8)：1424-1426.
[5] 于仲安，简俊鹏，何方.纯电动汽车锂电池组均衡系统研究与设计[J].电力电子技术，2014，48(3)：64-67.
[6] 邱斌斌，刘和平，杨金林.一种磷酸铁锂动力电池组主动均衡充电系统[J].电工电能新技术，2014，33(1)：71-75.
[7] 姬芬竹，刘丽君，杨世春.电动汽车动力电池生热模型和散热特性[J].北京航空航天大学学报，2014，40(1)：18-24.
[8] 尚丽平，王顺利，李占锋.基于SOC的AGV车载蓄电池组主动均衡方法研究[J].电子技术应用，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.