一、 UPS蓄电池安全说明

● 即使UPS电源并没有与市电相连接，但是它的电源输出插座仍有220V电压。

● 为了降低负载设备接地不良而引发电击危险，在安装计算机接口信号线时，须将交流输入电源切断，确保在连接了全部信号接头后才能接上电源。

● 将UPS电源接到带地线的交流输入电源上必须带有适当的支路保护器(断路器)，接到任何其它型号插座上都可能导致电击伤害。

● 充电线或电源线若需要换，请向本公司服务站或经销商购买原材料，以避免因容量不足而造成发热或打火，引起火灾。

● 不能用火对电池或电池组进行处理，否则会爆炸伤人。

● 切忌将电池打开，因损坏，溢出的电解液具有很强的毒性，对人体有害。

● 避免电池正负极短路，易导致电击或着火。

● 切忌自行打开UPS电源机壳，有触电危险。

● 勿触摸电池连接端子。电池回路与输入电压回路不隔离，在电池端子与地间会有高压危险。

【注意】

二、安装注意事项

 UPS蓄电池系统辨识及参数估计模型方法预测SOC

2000年左右，系统辨识及参数估计模型方法开始被应用于蓄电池SOC估计，目前在国内外研究中比较热门。它主要是应用一些新的方法(主要是人工智能算法)对蓄电池进行系统建模，将影响SOC的各种因素综合到电池模型中，通过大量试验对模型进行系统辨识和参数估计，得到蓄电池某些参数与SOC之间的关系，进而估算SOC。比较常用的人工神经网络法、向量机法、模糊推理法以及卡尔曼滤波法等。

3.1神经网络法

由于蓄电池是一个复杂的非线性系统，对其充放电过程建立准确的数学模型难度较大。而神经网络具有分布并行处理、非线性映射和自适应学习等特性，可较好地反映非线性的基本特性，在有外部激励时能给出相应的输出，因此能够在一定程度上模拟蓄电池动态特性，估算SOC[36][37]。

估算蓄电池SOC大多采用典型的3层人工神经网络[38][39]。一般直接采集蓄电池的放电电流、端电压以及温度或采用变电流组合测量方法，确定电动势和内阻作为神经网络模型的输入，SOC作为输出。其中输入、输出层神经元一般为线性函数；隐含层节点数目取决于问题的复杂程度及分析精度，可根据网络在训练过程中的收敛速度和训练完成后的误差来确定。人工神经网络法适用于各种蓄电池，但该方法的误差受训练数据和训练方法影响很大，而且实际使用中存在噪声干扰影响网络的学习与应用。从目前的文献来看，神经网络主要是理论方面研究。

文献[40][41]将另一种神经网络——支持向量机(SVM)方法用于蓄电池SOC估计，避免了传统神经网络在训练时间、局部**以及收敛速度方面存在的缺陷。而文献[42]则进一步提出利用相关向量机(RVM)对蓄电池SOC进行预测，比支持向量机预测精度更高，预测模型也更加稀疏，不过算法也更加复杂，需要占用较大的计算机资源。中国电池网 采用专用蓄电池充电管理芯片UC3906设计太阳能充电控制器，经过实验室调试，其各项性能达到要求。控制器由切换电路、充电电路、放电电路三部分组成(见附图)。下面分别介绍其各个组成部分。

切换电路：太阳能电池接在常闭触点，继电器线圈受三极管Q2控制，当太阳能电池受光照时，Q1导通而02截止，使得继电器线圈绝大部分时间不耗电。在太阳能电池不受光照时，Q1截止而Q2导通，交流电经常开触点送出。

充电电路：由UC33906和一些附属元件共同组成了"双电平浮充充电器"。太阳电池的输入电压加入后．利用电阻R，检测出电流的大小，再利用R2、R3、R4、R5、R6检测蓄电池的工作参数，经过内部电路分忻．进而通过 Q3对输出电压、电流进行控制。Rs取值为0.025Ω，充电电流**为10A，根据蓄电池的容量大小．可改变R，以改变充电电流。

在恒流**充电状态下，充电器输出恒定的充电电流Imax，同时充电器监视电池两端电压，当电池电压达到转换电压V12时，电池的电量已恢复到容量的70％～90％，，充电器转入过充电状态，在此状态下，充电器输出电压升高到 V。。由于充电器输出电压恒定不变．所以充电电流连续下降．当充电电流下降到Ioct 时，电池容量已达到额定容量的100％，充电器输出电压下降到较低的浮充电压Vf蓄电池进入浮充状态。此时U C3906的⑩脚输出高电平，LM2903的①脚输出低电平，发光二极管发光，指示蓄电池已充足电。图中的电路还具有涓流充电的功能，涓流充电的电流值为 It,R2为涓流充电的限流电阻。

3.2模糊逻辑法

模糊逻辑法是对蓄电池进行模糊建模，以系统的输入、输出测试数据为依据，不受先验知识，经验与行为所限制。该方法通常对作为模型的输入变量的参数(如电压、电流、温度、内阻等)进行模糊化处理，根据大量的蓄电池特性试验数据得到SOC与电流、电压、温度等因素之间的关系，设计模糊规则并进行模糊推理，经反模糊化处理估计电池SOC[43][44][45]。

模糊逻辑方法的主要缺点是需要大量的实验数据，根据实验数据获得模糊推理规则和经验公式。目前该方法主要应用于仿真和理论分析，尚未应用于实际。

3.3卡尔曼滤波法

卡尔曼滤波理论的核心思想，是对动力系统的状态作出**小方差意义上的**估计，它既适用于线性系统也适用于非线性系统[46]。

在运用卡尔曼滤波法估算SOC时，首先要建立适合于卡尔曼滤波估计的电池模型，且模型须具备两方面特点：(1)能够较好地体现电池的动态特性，同时阶数不能太高，以减少处理器的运算量，便于工程实现；(2)模型必须能够准确反映电池电动势与端电压的关系，从而使闭环估计有较高的精度。常用的等效电路模型有Randle模型(见图1)、MassimoCeraolo模型、Thevenin模型、Shepherd模型等，其中各个参数都为待定参数，需要根据实验数据计算得到[47][48]。

图1Randles电池模型

在实际应用中，卡尔曼滤波法通常与开路电压法以及安时法结合使用。其基本过程为：将模型中电容上的电压作为系统的状态，经卡尔曼估算出该电压后，利用模型中的数学关系求出电池电动势（或开路电压），**后由电动势与SOC的关系求出SOC。电池模型的卡尔曼数学形式为：

状态方程：

(9)

观测方程：

(10)

安时法方程：

(11)

系统的输入向量uk中，通常包含蓄电池电流、温度、剩余容量和内阻等变量，系统的输出yk通常为蓄电池的工作电压，蓄电池SOC包含在系统的状态量xk中，Ak、Bk由试验得到的参数确定，ωk、vk为系统噪声。估计SOC算法的核心，是建立一套包括SOC估计值和反映估计误差的、协方差矩阵的递归方程，协方差矩阵用来给出估计误差范围。方程(11)是电池模型状态方程，将SOC描述为状态矢量的依据。

卡尔曼滤波在估算过程中能保持很好的精度，并且对初始化误差有很强的修正作用，对噪声有很强的抑制作用，目前主要应用于电流变化较快的混合动力汽车蓄电池的SOC预测。在卡尔曼滤波的基础上，文献[49][50][51]又将扩展卡尔曼与无色卡尔曼滤波方法用于估计SOC。卡尔曼滤波法**缺点在于，其估计精度严重依赖于蓄电池等效电路模型的准确性，建立准确的电池模型是算法的关键。另一缺点是运算量比较大，必须选择简单合理的电池模型和运算速度较快的处理器。

3.4其它方法

文献[52]提到的线性模型法，利用线性模型对测量误差和错误的初始条件有很高的鲁棒性，以大量的电池充电放电实验为基础，建立SOC及其变化量电池端电压、电流的线性方程，见式(12)、(13)。该方法适用于小电流、SOC变化缓慢的情况，但这一特点也限制了其使用范围，目前实际应用中还未见到。

其中，SOC(k)为当前时刻的SOC值；△SOC(k)为SOC的变化值；v(k)和i(k)为当前时刻的电压和电流。Β0、Β1、Β2、Β3是利用参考数据通过**小二乘法得到的线性模型系数。

文献[53]提出利用非线性自回归滑动平均(NARMAX)模型逼近精度高、结构简单、收敛速度快等特点，以蓄电池工作电压和电流为模型输入，SOC的其它影响因素作为系统噪声，对蓄电池SOC进行实时估计，相对误差仅为1%，该方法的适用性还有待于进一步研究。其辨识模型见式(14)，其中y(t)为SOC序列，u1(t)为电流序列，u2(t)为电压序列。

文献[54]针对蓄电池内阻与剩余容量之间的非线性关系，采用了在线的灰色GM(1,1)模型群方法对混合动力汽车蓄电池单元的SOC进行预测。文献[55]则以安时法为基础建立SOC状态方程，提出应用鲁棒滤波算法来预测蓄电池的SOC。

由上面所介绍的各种方法可以看出，无论是物理建模方法还是系统辨识与参数估计模型方法，都是根据蓄电池的可测量参数(主要是电压、电流、内阻以及温度等)与剩余容量之间的关系，通过大量的实验建立稳定的蓄电池系统模型来预测SOC。

4小结

综上所述，SOC预测方法由于受众多因素(放电电流、电压、温度、放电深度、内阻、电解液密度、自放电、老化等)影响，VRLA蓄电池剩余容量的预测技术及其建模相当复杂，目前，还没有一种准确通用的预测方法。上述各种SOC预测方法各有利弊，但在不同的使用环境，不同的预测精度下，采用单一的预测方法已经不能满足实际需求，因此设计高精度的数据检测电路，使用多种方法进行组合预测SOC，特别是采用多种智能算法和新理论相结合的手段对SOC进行实时、在线、准确的预测，已经成为蓄电池剩余容量预测的发展方向。
【注意】