【SOC估计】无迹卡尔曼滤波UKF锂电池SOC估计【含Matlab源码 2768期】

最新推荐文章于 2024-07-01 21:39:14 发布

Matlab武动乾坤

最新推荐文章于 2024-07-01 21:39:14 发布

阅读量277

点赞数

分类专栏： Matlab信号处理（进阶版）文章标签： matlab

本文链接：https://blog.csdn.net/KeepingMatlab/article/details/135224625

版权

Matlab信号处理（进阶版）专栏收录该内容

642 篇文章 56 订阅

订阅专栏

本文介绍了无迹卡尔曼滤波（UKF）在锂电池SOC（状态-of-charge）估计中的关键步骤，包括系统模型构建、Sigma点选择与传播、观测模型定义以及估计值和协方差的计算。作者提供了Matlab代码示例，展示了如何通过UKF处理非线性系统的状态估计问题。

摘要由CSDN通过智能技术生成

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

⛄一、无迹卡尔曼滤波UKF锂电池SOC估计

无迹卡尔曼滤波（Unscented Kalman Filter，UKF）是一种用于状态估计的非线性滤波器，适用于具有非线性系统模型的SOC（State of Charge）估计问题。以下是使用UKF进行锂电池SOC估计的基本步骤：

系统模型：建立描述锂电池动态行为的非线性状态空间模型。模型应包括电池内阻、容量衰减等变量，并采用适当的物理或电化学方程将电流和开环电压转换为SOC。

选择Sigma点：在UKF中，通过选择一组Sigma点的采样点来代表系统状态分布。通常使用确定性采样方法（如Merwe’s将电流和开环电压转换为SOC.

Sigma点传播：利用非线性系统模型，对选定的Sigma点进行状态预测和更新。这涉及对每个Sigma点按照非线性系统模型进行状态转换，并计算预测状态和预测协方差。

观测模型：根据具体的SOC观测方式（如电流积分法、开环电压法等），定义观测模型，将预测的状态映射到观测空间。

对Sigma点进行观测传播：对预测的状态Sigma点应用观测模型，计算测观测Sigma点和预测观测协方差。

通过递归公式计算估计值和协方差：使用UKF的递归公式，根据预测的状态分布、预测观测分布和实际观测值，计算最终的SOC估计值和协方差。

在实施过程中，需要根据锂电池特性、测量误差、系统噪声和非线模型进行参数调整和优化。此外，还应考虑基使用合适的初始状态和协方差矩阵进行初始化，以获得准确的SOC估计结果。

⛄二、部分源代码

function UKF_SOC
clc;
clear;
% 电流采样周期
T=1;
% 电流数据
I(1,:)=xlsread(‘UDDS.xlsx’)';
N=length(I);
% 过程噪声协方差矩阵
Q0=1e-4diag([1,1,1]);
% 观测噪声协方差
R0=1e-5;
% 状态协方差阵初始化
P0=1e-4eye(3);

XAh=zeros(3,N);
XAh(:,1)=[1;0;0];
Z=zeros(1,N);
AR0_u=zeros(1,N);
ARs=zeros(1,N);
ARp=zeros(1,N);
ACs=zeros(1,N);
ACp=zeros(1,N);
for t=2:N
%%%%%%%%% 求解模型参数 %%%%%%%%%%%%
AR0_u(1,t) =-0.3058XAh(1,t-1)^{6+0.9301*XAh(1,t-1)}5-1.036XAh(1,t-1)^{4+0.4936*XAh(1,t-1)}3 …
-0.06163XAh(1,t-1)^2-0.02467XAh(1,t-1)+0.03971;
ARs(1,t) = 0.9273XAh(1,t-1)^{6-2.811*XAh(1,t-1)}5+3.328XAh(1,t-1)^4 …
-1.961XAh(1,t-1)^{3+0.6171*XAh(1,t-1)}2-0.1035XAh(1,t-1)^1+0.0129;
ARp(1,t) =8.246XAh(1,t-1)^{6-26.15*XAh(1,t-1)}5+32.23XAh(1,t-1)^{4-19.76*XAh(1,t-1)}3 …
+6.466XAh(1,t-1)^2-1.1XAh(1,t-1)+0.09342;
ACs(1,t) = -6710XAh(1,t-1)^{6+1.944e+04*XAh(1,t-1)}5 -2.241e+04XAh(1,t-1)^4 …
+1.314e+04XAh(1,t-1)^{3-4231*XAh(1,t-1)}2+772.1XAh(1,t-1)^1+47.25;
ACp(1,t) = -1.44e+06XAh(1,t-1)^{7+5.143e+06*XAh(1,t-1)}6-7.211e+06XAh(1,t-1)^{5+4.997e+06*XAh(1,t-1)}4 …
-1.757e+06XAh(1,t-1)^{3+2.806e+05*XAh(1,t-1)}2-1.252e+04XAh(1,t-1)^1+491.1;
AA=[1,0,0;0,exp(-T/(ARs(1,t)ACs(1,t))),0;0,0,exp(-T/(ARp(1,t)ACp(1,t)))];
AB=[-1/(33600);ARs(1,t)(1-exp(-T/(ARs(1,t)ACs(1,t))));ARp(1,t)(1-exp(-T/(ARp(1,t)ACp(1,t))))];
XAh(:,t)=AAXAh(:,t-1)+AB*I(:,t-1);
end

%%%%%%%%%%%%%%%%%% OCV与SOC 函数关系 %%%%%%%%%%%%%%%%%%
soc=[1,0.9,0.8,0.7,0.6,0.5,0.4,0.3,0.2,0.1,0];
ocv=[4.1561,4.0832,4.0265,3.9316,3.8368,3.7543,3.6746,3.5959,3.5081,3.3792,3.147];
p1=polyfit(soc,ocv,6);
uoc = zeros(1,N);
for ti=1:N
uoc(1,ti)=polyval(p1,XAh(1,ti));
%%% 真实观测电压
Z(1,ti)=uoc(1,ti)-I(1,ti)*AR0_u(1,ti)-XAh(2,ti)-XAh(3,ti)+sqrtm(R0)*randn(1,1);
end

⛄三、运行结果

在这里插入图片描述

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]王若琦,王晓佳,杨淇,郭凯丽.基于双自适应无迹卡尔曼滤波算法的锂电SOC/SOH联合估计[J].机械设计与制造. 2023(01)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流人群疏散病毒扩散晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合