微波EDA网,见证研发工程师的成长!
首页 > 硬件设计 > 电源设计 > 基于单片机的通信电源监控系统设计与实现

基于单片机的通信电源监控系统设计与实现

时间:08-24 来源:互联网 点击:

及备用发电机的有效切换。输入及显示模块采用8位7段LED显示,显示的内容包括电流、电压、频率及相差等运行数据,这些数据可以通过按键进行简单的选择,同时通过发光二极管和蜂鸣器提示运行状态。本系统硬件部分利用串口1采用RS485标准接IZl实现与上位机的通信,完成传输数据和远程报警等功能。

  3 系统软件设计

  3.1系统软件流程

  系统软件部分采用NI公司推出的一套面向测控领域的软件开发平台:Labwindows/CⅥ 来进行开发。LabWin-dows/CVI是National Instruments公司(美国国家仪器公司,简称NI公司) 推出的交互式C语言开发平台。LabWin-dows/CVI将功能强大、使用灵活的C语言平台与用于数据采集分析和显示的测控专业工具有机地结合起来,利用它的集成化开发环境、交互式编程方法、函数面板和丰富的库函数大大增强了c语言的功能,为熟悉C语言的开发设计人员编写检测系统、自动测试环境、数据采集系统、过程监控系统等应用软件提供了一个理想的软件开发环境。

  系统软件主程序部分的流程图如图3所示。

 图3 主程序流程图

  3.2软件部分的主要算法及功能

  3.2.1蓄电池智能充放电算法的确定

  正确合理的充放电可有效地延长蓄电池的使用寿命,本系统内置了蓄电池充放电算法的数据模型,利用下位机采集上传的数据自动生成容量对应曲线与之进行比较运算,用于确定下位机对蓄电池的充放电的管理,从而实现了蓄电池的智能充放电功能。

  蓄电池智能充放电算法很多,本系统采用的算法是:神经网络算法。

  神经网络算法是利用计算机来模拟大脑信号处理过程的人工智能技术,由大量简单的神经元广泛连接形成复杂的非线性系统,对采集数据进行自动归纳,从中获取这些数据的内在规律。蓄电池是一个高度非线性系统,通常很难对其充放电过程建立合理准确的数学模型。所以,在给出外部激励的条件下,神经网络算法能够利用神经网络的学习能力和并行结构模拟电池非线性特性来估计SOC值。

  SOC估计采用典型的三层神经网络,其中输入、输出层的神经元个数由实际系统需要决定,中间层神经元个数取决于系统复杂度及分析精度要求。在神经网络法中,系统输入量包括电池电压、环境温度、充放电电流、电池内阻、累积放出电量等。输入量类型、数量是否选择合适会直接影响到方法模型的计算量和准确性。

  3.2.2数字滤波算法

  根据本系统采集精度较高、被采集的模拟量变化缓慢的特点,采取了中值滤波法来从采样数据列中提取出逼近真值的数据。中值滤波是对某一被测参数连续采样N次(一般N取奇数),然后把N次采样值从小到大,或从大到小排队,再取其中间值作为本次采样值。中值滤波对于去掉偶然因素引起的波动或采样器不稳定而造成的误差所引起的脉冲干扰比较有效,可对电流、电压、温度等数据进行多周期采样,每次采样后和有效采样值比较,如果变化幅度不超过一定幅值,采样有效;否则视为无效放弃。

  4 抗干扰措施

  由于系统中存在 功率较大的设备,而且具有一定的电磁干扰,干扰一旦串入系统,轻则会引起误报,严重时就会导致整个系统瘫痪,甚至造成重大事故。本系统从硬件和软件两方面采取了抗干扰措施,从而保证了监控系统的可靠运行。

  在硬件方面,利用光耦合器件对单片机与各种传感器、开关、执行机构隔离开来,以防止串模干扰,同时在电源进线端加去耦电容,削弱各类高频干扰,以提高硬件的抗干扰性。

  在软件方面,利用了DS80C320提供的内部可编程硬逻辑看门狗来保证程序的安全性。

  5 结语

  与常规的电源系统相比,通信电源系统应能自动、连续、实时地监控所有变、配电设备的运行/故障状态和运行参数,还应具有故障的自动应急处理能力。实践证明, 基于DS80C320的通信电源监控系统性能优良,完全满足电源系统稳定性高的要求,具有很好的抗干扰能力,保证了整个智能建筑安全、可靠地运行。

Copyright © 2017-2020 微波EDA网 版权所有

网站地图

Top