【滤波估计】双卡尔曼滤波SOC和SOH联合估计【含Matlab源码 2335期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅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项目合作扫描文章底部二维码。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab信号处理（仿真科研站版）仿真内容点击👇
Matlab信号处理（仿真科研站版）

⛄一、双卡尔曼滤波SOC和SOH联合估计

1 引言
为实现节能降耗，降低污染，发展节能环保、不依赖化石燃料的电动汽车取代传统燃油车，已成为当今世界汽车行业的重点发展方向。锂离子动力电池准确可靠的状态估计是电动汽车安全运行的基础[1]，其主要包括荷电状态（SOC）和健康状态（SOH）。SOC直接反映了电池剩余电量的大小，其准确估计直接关系到电动汽车的能量动力分配。

SOH是电池老化程度的一项重要指标，通常表现为电池的能量密度、功率密度、容量的衰减和内部电阻增大[2]，电池状态的准确估计可以使电池得到充分合理的利用，避免电池突发故障造成的危害，对于电动汽车的安全运行具有重要意义[3]。

目前国内应用最多的电池SOC测量方法是安时积分法，它计算简单，但受初始SOC误差的影响较大，且会随时间增长出现较大的累计误差[4]。另外，电池SOC测量方法还有开路电压法、卡尔曼滤波法、神经网络法。开路电压法容易实现但需要通过静置校准OCV值，不利于实际运用[5]。

神经网络法通过训练大量的样本数据进行估算，准确性受训练的方法及训练量大小影响较大，计算量太大。卡尔曼滤波法使用递推迭代的方法对SOC进行估算[6]。最常用的为扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF):EKF估算过程中容易由于线性化过程中方差矩阵的非正定性导致估计值不收敛；UKF利用无迹变换处理均值和协方差，可以有效提高对非线性分布统计量的估算精度，但是系统噪声的预定变量设置不当通常会导致系统误差和发散[6]。

国内外常用的SOH估计方法有定义法、电化学阻抗谱分析法、容量衰减法等。定义法是以电池的定义为基础，应用电池内部特征量变化前后的比值关系来对电池的进行估计，此方法需要反复充放电实验，在实际中很难实现[7]。电化学阻抗谱分析法对仪器的精度要求高，投入较大，性价比不高。容量衰减法是通过数学建模实验得出容量衰减的规律，属于定性的方法分析SOH[8]。

针对目前电池状态估计精度和实用性不理想的问题，常以表征电池老化的主要参数容量和内阻来定义SOH。相对来说，电池容量与SOH之间的关系更为直接且容易采集[4]，所以这里选择容量作为估计SOH的状态变量，其定义为在一定条件下锂离子动力电池能够充入或放出的最大容量占其额定容量的百分比[9]，如下式所示：

基于以上分析，目前锂离子动力电池状态参数的研究中，多是将SOC与SOH分开研究，对两者在电池状态参数估算过程中的相互影响考虑较少[10]。

为此，这里提出自适应无迹卡尔曼滤波算法（AUKF），并在其基础上，采用双自适应无迹卡尔曼滤波（DAUKF）对SOC和SOH联合估算，通过两个滤波器的结合，实时更新计算模型中的参数。最后通过实验验证了算法的可行性及估算精度。

2 UKF算法原理
无迹卡尔曼滤波算法（UKF）是通过UT变换，在状态变量附近选取采样点，对于给定的非线性系统，空间状态方程可以由下式描述：

式中：f—线性状态方程函数；h—非线性观测方程函数。用UKF

算法估计状态变量具体过程如下所示：

(1）算法初始化：


(3)2n+1个Sigma点集进一步预测，i=1,2，⋯，2n+1:

(4）加权求取均值和协方差：

(5）再次使用UT变换，产生新的Sigma点集：

(6）求新的Sigma点集的观测预测值，利用加权求和求得系统预测的均值和协方差：

(7）计算Kalman增益矩阵：

(8）最后，计算系统的状态更新和协方差更新：

⛄二、部分源代码

clear;clc;
close all
%% 模型参数
R1=0.0019;
R2=0.0035;
C1=23340;
C2=501270;
load(‘discharge.mat’);%放电数据
load(‘OCV_SOC.mat’);%OCV-SOC关系
Ts=0.1;%采样间隔
%% 矩阵
A=[1-1Ts/R1/C1 0 0;0 1-1Ts/R2/C2 0;0 0 1];%系统矩阵
C=[-1 -1 0];
D=0;
%% 初始值
Q=0.00000001eye(3);%系统误差协方差
R=1;%测量误差协方差
Xekf=[0;0;0.8];%[U1,U2,SOC]初始值
Pa_ekf=[0.0037;30.233600]; %初始值 [R0 最大可用容量]
P0=0.01*[0.1 0 0;0 0.1 0;0 0 1];%状态误差协方差初始值
%% 赋值
tm=discharge(1,:)‘;%时间
Cur=-discharge(2,:)’;%电流
Vot=discharge(3,:)‘;%测量得到的端电压
RSOC=discharge(4,:)’;%SOC真实值-安时法计算得到
T=length™-1;%时间
%% emf-soc关系
x=OCV_SOC(2,:);%SOC
y=OCV_SOC(1,:);%OCV
p=polyfit(x,y,8);%多项式参数值
%% 初始化
L_discharge=length(discharge);
Uoc=zeros(1,L_discharge);%OCV
H=zeros(L_discharge,3); %dUt/dx
Vekf=zeros(1,L_discharge);%估计得到的端电压值
K=zeros(3,L_discharge);%卡尔曼增益
C_1=zeros(L_discharge,2);
C_2=zeros(L_discharge,2);
d_g_PA=zeros(L_discharge,2); %dUt/d参数（内阻，容量）
K_pa=zeros(2,8137); %卡尔曼增益，参数估计中
Pa=zeros(1,L_discharge); %容量估计值
Pa(1)=Pa_ekf(2);
SOH=zeros(1,L_discharge); %SOH
SOH(1)=1; %SOH初始值
Uoc(1)=p(1)*Xekf(3)^{8+p(2)*Xekf(3)}7+p(3)*Xekf(3)^{6+p(4)*Xekf(3)}5+p(5)*Xekf(3)^{4+p(6)*Xekf(3)}3+p(7)*Xekf(3)^2+p(8)Xekf(3)+p(9);%OCV
Vekf(1)=Uoc(1)+CXekf-Cur(1)*Pa_ekf(1);%估计得到的端电压值
counter=0; %计数

⛄三、运行结果

⛄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
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

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