一、基于数字滤波器的内阻测量技术
在线测量每个单电池的内阻是检测装置的难题之一，测量准确度直接关系到分析的准确度。在线测量需要解决充电机和用电负载干扰的问题。对于大容量电池，电池内阻是微欧级小信号，本文中采用了数字滤波技术提高测量准确度。
在线测量主要存在以下因素影响测量：
1）测量线耦合的高频干扰信号；
2）50Hz工频干扰；
3）充电机低频纹波；
4）充电或放电的电压缓变；
5）负载的不规则变动。
对于高频干扰，一方面通过硬件低通滤波削减，另一方面，在有效的A/D采样频率下进行平滑滤波处理。有效信号组成如图1-1所示。
| 
图1-1
本文的研究中设计了专用的激励装置，向电池组馈入受控交流信号，测量电路采集被测电池的交流电压信号。为消除上述影响因素，采用了IIR数字滤波技术。
采用直接方式即可实现差分方程运算。图1-2是采用椭圆滤波器设计的带通滤波器，M=N=11，具有良好的下降斜率，在通带和阻带内均为等纹波。
表1是量程为50mΩ的实测数据，表明该方法具有良好的线性和重复性。
| 
表1 采用IIR滤波器的实测数据（mΩ）
二、监测装置与充电机互动设计方案
监测装置与充电机互动方案是提高劣化程度预测准确性的创造性工作模式，其基本结构如图2-1所示。
互动方案的监测系统结构
浮充状态下的测量理论和方法有其固有的局限性，放电测试能得到更为可靠的数据，但目前的放电测试或者需要人工干预，或者在不确定的停电发生后被动进行，前者难于经常性的进行，而且风险较大，后者的不确定性也带来隐患。本文的互动方案是针对先进电源装置的系统化设计方案，能有效解决前述的多方面问题。
互动方案的主要原理是：电池监测（Battery Monitoring Unit--BMU）进行日常的巡检，并且分析采集的数据及变化趋势，在一定条件下请求充电机（Rectifier Unit--RU）配合进行部分放电测试。由于RU在部分放电时设置为一个比蓄电池放电下限电压低的某一整流输出值，既能使电池提供用电设备的负荷功率，又避免了放电过程中由于电池问题带来的停机风险。
在正常浮充状态下，BMU连续检测电池组的电压和内阻，若发现电压或内阻异常，则启动部分放电测试过程，进行更深一层次的测试。该测试过程也被设置为按一定周期启动，如一个月。
在放电测试期间，将劣化程度预测模型所需的放电数据，采集包括浮充电压、初始跌落、正常放电电压等数据，通过电池的劣化程度（SOH）预测模型运算，准确得知SOH。
此外，互动方案并不排斥停电后的被动测试，被动放电也可以触发进行预测计算，出现放电即触发数据采集，在放电深度达到某个设定值时启动一次预测运算。
这样，在内阻监测的基础上，监测系统通过采用三类不同深度的放电测试达到长期连续准确检测SOH的目的：
1）完全放电 电池在投运之前应进行一次100%深度的放电，以确认该电池组能满足设计要求。否则，若存在产品本身的质量问题，会影响到后续监测数据处理的准确性，放电前应该充满并在浮充状态保持一定的时间。
2）中等深度的放电 中等深度指30-50%深度的放电。检测装置的数据处理方法根据此深度的放电数据可以相当准确地计算各电池的SOH，同时亦避免了更加深度放电过程的突然停电，使设备承受断电的危险，一般的电池配置往往考虑了电池容量的裕量，比如一倍。因此中等深度的放电在一般情况下，包括一般性的停电故障发生情况下是安全的 。
3）周期性的短时放电 根据蓄电池应用场合选取适合的周期，例如3个月。一般短时放电的深度为5%左右，检测装置启动FNN运算，预测电池的SOH。因为是预测，其可靠程度在目前仍处在研究中。这也包括FNN算法中所使用的输入数据是否对所有 的电池失效情况均敏感。在FNN运算中，还存在算法的"保守性"一面，即宁可低估SOH，也放弃高估SOH所带来的风险。
因此，互动方案在长期运行方式如图2-2所示，一般为多次短时放电测试后加入一次中等深度放电，或者在短时放电测试结果发现电池可能严重劣化时进行一次中等放电予以确认。如果被确认预测结果正确，则通知控制中心；若证明预测有误，则对预测模型作自适应调整。在最后一次中等深度放电确定电池劣化严重后，采取更换措施，更换之前进行一次完全放电，本组数据对于SOH模型的完善有重要意义。
|  图2-2 互动方案的监测过程
三、监测装置的模块化设计
3.1监测装置设计要求
如图3-1所示，装置由控制模块、检测模块、内阻模块、相关软件和辅助部件构成，一个控制模块可接入多个检测模块，完成对不同只数和不同电压规格的蓄电池组的监测管理，可同时管理多组蓄电池。
| | |
