锂电池SOC估计 UKF && EKF

已于 2023-09-11 22:03:18 修改
阅读量800 收藏 14
点赞数 1
文章标签： bms soc 汽车 matlab 能源
于 2023-02-08 23:07:11 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/m0_37702416/article/details/128945025
版权
该文通过UKF（UnscentedKalmanFilter）和EKF（ExtendedKalmanFilter）算法对二阶RC等效电路模型的电池进行状态估计，包括端电压和SOC（StateofCharge）。文中详细展示了两个算法的实现步骤，包括系统矩阵、观测矩阵的设定，以及状态更新和误差分析。通过比较两种方法的估计结果，评估其性能。
摘要由CSDN通过智能技术生成

UKF

对于一个非线性系统：

在这里插入图片描述
其中，w是系统噪声值，是v测量噪声值。
UKF算法过程如下：
1）确定状态值初始值和后验状态误差协方差初始值；
2）计算采样点。

在这里插入图片描述

其中，L为状态向量的长度，本文中状态向量长度为3，权重值计算如下所示：
在这里插入图片描述
在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
代码如下：

模型代码

load('R0.mat');
load('R1.mat');
load('C1.mat');
load('discharge.mat');%放电数据
load('OCV_SOC.mat');%OCV-SOC关系

系统矩阵

A=[1-1*Ts/R1/C1 0;0 1];%系统矩阵
B=[1*Ts/C1;-1*Ts/Qn];
C=[-1  0];
D=0;

初始值

Q=0.00000001*eye(2);
R=1;
P0=0.01*[0.01 0;0 1];%状态误差协方差初始值

赋值

tm=discharge(1,:)';
Cur=-discharge(2,:)';
Vot=discharge(3,:)';
RSOC=discharge(4,:)';
T=length(tm);

模型估计得到的电压值

Xekf=[0;0.8];%[U1,U2,SOC]初始值
L=length(Xekf);
Uoc(1)=p(1)*Xekf(2)^8+p(2)*Xekf(2)^7+p(3)*Xekf(2)^6+p(4)*Xekf(2)^5+p(5)*Xekf(2)^4+p(6)*Xekf(2)^3+p(7)*Xekf(2)^2+p(8)*Xekf(2)+p(9);%OCV
Vekf(1)=Uoc(1)+C*Xekf-Cur(1)*R0;%估计得到的端电压值
m=length(Vekf);
alpha=0.01;
ki=0;
beta=2;
lamba=alpha^2*(L+ki)-L;

迭代

for i=1:T-1
    delta=c*chol(P0)';
    Xekf_i=Xekf(:,i);
    Y=Xekf_i(:,ones(1,numel(Xekf_i)));
    X=[Xekf_i Y+delta Y-delta];
    LL=length(X);
    xx=zeros(2,1);
    XX=zeros(2,LL);
    for k=1:LL
        XX(:,k)=A*X(:,k)+B*Cur(i);
        xx=xx+Wm(k)*XX(:,k);
    end
    Xekf(:,i+1)=xx;
    X1=XX-xx(:,ones(1,LL));
    P_xx=X1*diag(Wc)*X1'+Q;
    LL_y=length(XX);
    yy=zeros(1,1);
    YY=zeros(1,LL_y);
    for k=1:LL_y
        Uoc(i+1)=p(1)*XX(2,k)^8+p(2)*XX(2,k)^7+p(3)*XX(2,k)^6+p(4)*XX(2,k)^5+p(5)*XX(2,k)^4+p(6)*XX(2,k)^3+p(7)*XX(2,k)^2+p(8)*XX(2,k)+p(9);
        YY(k)=Uoc(i+1)+C*XX(:,k)-Cur(i+1)*R0;
        yy=yy+Wm(k)*YY(k);
    end
    Vekf(i+1)=yy;
    Y1=YY-yy(:,ones(1,LL_y));
    P_yy=Y1*diag(Wc)*Y1'+R;
    P_xy=X1*diag(Wc)*Y1';
    K(:,i)=P_xy*inv(P_yy);
    Xekf(:,i+1)=Xekf(:,i+1)+K(:,i)*(Vot(i+1)-Vekf(i+1));
    P0=P_xx-K(:,i)*P_xy';
end

画图

t=0:0.1:length(tm)/10-0.1;
figure(1);
plot(t,Vot,'-k',t,Vekf,'-r','lineWidth',2); grid on
legend('真实值','估计值-UKF');
ylabel('端电压','Fontsize', 16)
xlabel('时间(s)', 'Fontsize', 16)
figure(2);
plot(t,RSOC,'-k',t,Xekf(2,:),'-r','lineWidth',2); grid on
legend('真实值','估计值-UKF');
ylabel('SOC','Fontsize', 16)
xlabel('时间(s)', 'Fontsize', 16)
    V_error=Vot-Vekf';
    SOC_error=RSOC-Xekf(2,:)';
SOC_error_mean=mean(abs(SOC_error(5000:end)));
SOC_error_max=max(abs(SOC_error(5000:end)));
figure(3);
plot(t,V_error,'-k','lineWidth',2); grid on
legend('端电压误差');
ylabel('端电压误差','Fontsize', 16)
xlabel('时间(s)', 'Fontsize', 16)
figure(4);
plot(t,SOC_error,'-k','lineWidth',2); grid on
legend('SOC误差');
ylabel('SOC误差','Fontsize', 16)
xlabel('时间(s)', 'Fontsize', 16)
SOC_UKF=Xekf(2,:);
SOC_error_UKF=SOC_error;
save SOC_UKF.mat SOC_UKF
save SOC_error_UKF.mat SOC_error_UKF
save RSOC.mat RSOC

EKF

二阶RC等效电路模型的等效电路模型框图如下。
在这里插入图片描述

其中，Uoc表示理想电压源，与SOC存在非线性关系；R0表示欧姆内阻， R1 R2是极化电阻，C1 C2是极化电容，Ut表示电池的端电压。根据基尔霍夫定律，可以得到系统方程和观测方程如下。定义放电电流方向为正，充电电流为负。

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

代码如下

load('R0.mat');
load('R1.mat');
load('C1.mat');
load('discharge.mat');%放电数据
load('OCV_SOC.mat');%OCV-SOC关系
Qn=30.23*3600;%容量，单位：A*S

矩阵

A=[1-1*Ts/R1/C1 0;0 1];%系统矩阵
B=[1*Ts/C1;-1*Ts/Qn];
C=[-1  0];
D=0;

赋值

%% 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(tm)-1;%时间

EKF算法

Xekf=[0;0.8];%[U1,U2,SOC]初始值
Uoc=zeros(1,T+1);%OCV
Vekf=zeros(1,T+1);%估计得到的端电压值
Uoc(1)=p(1)*Xekf(2)^8+p(2)*Xekf(2)^7+p(3)*Xekf(2)^6+p(4)*Xekf(2)^5+p(5)*Xekf(2)^4+p(6)*Xekf(2)^3+p(7)*Xekf(2)^2+p(8)*Xekf(2)+p(9);%OCV
Vekf(1)=Uoc(1)+C*Xekf-Cur(1)*R0;%估计得到的端电压值
K=zeros(2,T);%卡尔曼增益
H=zeros(T,2);%观测矩阵
for i=1:T
    Xekf(:,i+1)=A*Xekf(:,i)+B*Cur(i+1);%先验状态值
    Uoc(i+1)=p(1)*Xekf(2,i+1)^8+p(2)*Xekf(2,i+1)^7+p(3)*Xekf(2,i+1)^6+p(4)*Xekf(2,i+1)^5+p(5)*Xekf(2,i+1)^4+p(6)*Xekf(2,i+1)^3+p(7)*Xekf(2,i+1)^2+p(8)*Xekf(2,i+1)+p(9);
    H(i,:)=[-1 p(1)*8*Xekf(2,i+1)^7+p(2)*7*Xekf(2,i+1)^6+p(3)*6*Xekf(2,i+1)^5+p(4)*5*Xekf(2,i+1)^4+p(5)*4*Xekf(2,i+1)^3+p(6)*3*Xekf(2,i+1)^2+p(7)*2*Xekf(2,i+1)+p(8)];
    Vekf(i+1)=Uoc(i+1)+C*Xekf(:,i+1)-Cur(i+1)*R0;%估计得到的端电压值
    P=A*P0*A'+Q;%先验状态误差协方差
    K(:,i)=P*H(i,:)'/(H(i,:)*P*H(i,:)'+R);%卡尔曼增益
    Xekf(:,i+1)=Xekf(:,i+1)+K(:,i)*(Vot(i+1)-Vekf(i+1));%后验状态值
    P0=(eye(2)-K(:,i)*H(i,:))*P;%后验状态误差协方差
end

画图

t=0:0.1:length(tm)/10-0.1;
figure(1);
% plot(t,Vot,'-k',t,Vekf,'-r','lineWidth',2); grid on

plot(t,Vot,'-k',t,Vekf,'-r','lineWidth',2); grid on

legend('真实值','估计值-EKF');
ylabel('端电压','Fontsize', 16)
xlabel('时间(s)', 'Fontsize', 16)
figure(2);
plot(t,RSOC,'-k',t,Xekf(2,:),'-r','lineWidth',2); grid on
legend('真实值','估计值-EKF');
ylabel('SOC','Fontsize', 16)
xlabel('时间(s)', 'Fontsize', 16)
    V_error=Vot-Vekf';
    SOC_error=RSOC-Xekf(2,:)';
SOC_error_mean=mean(abs(SOC_error(5000:end)));
SOC_error_max=max(abs(SOC_error(5000:end)));
figure(3);
% plot(t,V_error ,'-k','lineWidth',2); grid on
plot(t,V_error,'-k','lineWidth',2); grid on
legend('端电压误差');
ylabel('端电压误差','Fontsize', 16)
xlabel('时间(s)', 'Fontsize', 16)
figure(4);
plot(t,SOC_error,'-k','lineWidth',2); grid on
legend('SOC误差');
ylabel('SOC误差','Fontsize', 16)
xlabel('时间(s)', 'Fontsize', 16)

figure(5);
plot(t,Cur,'-k','lineWidth',2); grid on
legend('电流');


SOC_EKF=Xekf(2,:);
SOC_error_EKF=SOC_error;
save SOC_EKF.mat SOC_EKF
save SOC_error_EKF.mat SOC_error_EKF
save RSOC.mat RSOC

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

dogRuning
关注
  • 1
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 7
    评论
锂电池simulink建模与EKF的SOC估计
06-22
锂电池模型建立、参数辨识与验证、SOC估计采用扩展卡尔曼滤波(EKF)，使用了两种方式实现： 1. Simulinks(EKF only) 2. 脚本(包含EKF和UKF)
基于双卡尔曼算法的锂离子电池SOC和SOH的联合在线估计，采用带遗忘因子递推最小二乘法（FFRLS）进行参数辨识（含MATLAB代码）
weixin_54001429的博客
06-10 1101
本文介绍的是通过双扩展卡尔曼滤波算法实现对锂离子电池SOC和SOH的联合在线估计，参数辨识通过FFRLS方法进行，主要通过讲解大致的思路与MATLAB代码的编写范例。
锂电池模型建立与SOC估算：基于EKF和UKF的多种实现方式，基于Simulinks和脚本的锂离子电池SOC估算方法研究与验证
最新发布
ZGWIqrMQGKrE的博客
06-21 1331
在项目中，我们采用了两种方式来实现SOC（State of Charge，荷电状态）的估算，一种是使用Simulinks来实现EKF（Extended Kalman Filter，扩展卡尔曼滤波）算法，另一种是通过脚本来实现EKF和UKF（Unscented Kalman Filter，无迹卡尔曼滤波）算法。通过编写相应的脚本文件，我们能够模拟出BBDST（北京公交车动态街道测试）工况和带有观测噪声的恒流工况下的锂离子电池放电过程，并利用EKF和UKF算法对电池的荷电状态进行估算。脚本实现EKF和UKF。
UKF估计锂电池SOC
01-18
本代码采用UKF算法估计锂电池SOC，有注释，能跑出图，
基于UKF和EKF算法研究SOC估计比较
qq_74007971的博客
05-02 655
摘要：电池充电状态（SoC）的估计是电池管理系统（BMS）的基本功能之一，是电动汽车（EV）能量管理和配电控制的重要输入参数。本文分别提出了两种基于扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）的方法来估计电动汽车中使用的锂离子电池的SoC。使用戴维宁模型对锂离子电池进行建模，根据实验数据识别模型参数，并进行验证。然后建立用于SoC估计的空间方程。使用 EKF 和 UKF 对 SoC 估计结果在准确性和收敛性方面进行了比较。结果表明，两种算法均表现良好，而UKF算法收敛能力更快，精度更高。
UKF实现SOC估计附matlab代码.zip
04-28
UKF实现SOC估计附matlab代码.zip
使用扩展卡尔曼滤波（EKF）估计电池SOC（附MATLAB程序及详解）part1主函数篇
BMS新能源佬大的博客
12-15 4259
本篇博客介绍了脚本的主函数部分，通过给定实验测量的电池时间、电压、电流和温度数据，通过EKF_SOC_Estimation Function来分析计算电池在使用中的SOC和端电压（Vt），并将Function输出的数据进行分析，绘制出测量端电压与估计端电压的对比图、端电压误差图、真实SOC与EKF估计的SOC对比图、SOC误差图。并计算端电压（Vt）和SOC的均方根误差（RMSE）和最大误差（MAX）。
基于卡尔曼滤波的锂电池状态估计MATLAB仿真及程序
09-04
该项目的目的是估计锂电池的荷电状态(SOC)。...项目中包括锂电池模型建立、参数辨识与验证、SOC估计采用扩展卡尔曼滤波(EKF)，使用了两种方式实现： 1. Simulinks(EKF) 2. 脚本(包含EKF和UKF) 模型简介： ...
基于Simulink锂电池仿真模型SOC估算
04-03
搭建电池仿真模型，其实就是严格按照公式搭框架，这很简单，难的是电池的Voc与Soc关系式拟合，及R0R1R2C1C2的参数辨识。 所以模型里面包含静置电压放电仿真图，SOC在100%——20%静置不同的放电曲线图，值得学习 ...
基于电路等效和UKF-EKF的锂电池SOC估算方法研究_1000027937491811.pdf
12-07
基于电路等效和UKF-EKF的锂电池SOC估算方法研究 本文研究基于电路等效和UKF-EKF的锂电池SOC估算方法，旨在解决动力锂电池估算中的等效模型模拟电池充放电过程中的真实性低、常用算法精度损失等问题。文章通过采用...
EKF_socekf_soc卡尔曼_SOC_锂离子电池_SOC算法_
10-03
标题中的“EKF_socekf_soc卡尔曼_SOC_锂离子电池_SOC算法”指的是在锂离子电池的状态估计中，采用扩展卡尔曼滤波（EKF）方法来估算电池的荷电状态（State of Charge, SOC）。扩展卡尔曼滤波是一种非线性滤波技术，它...
【SOC估计】扩展卡尔曼滤波EKF锂电池SOC估计【含Matlab源码 2769期】
Matlab领域的博客
06-30 566
扩展卡尔曼滤波EKF锂电池SOC估计 完整的代码，方可运行；可提供运行操作视频！适合小白！
基于自适应扩展卡尔曼滤波器（AEKF）的锂离子电池SOC估计（附MATLAB代码）
BMS新能源佬大的博客
11-16 7107
AEKF_SOC_Estimation函数使用二阶RC等效电路模型（ECM）和自适应扩展卡尔曼滤波器（AEKF）估计电池的端子电压（Vt）和充电状态（SOC）。
基于EKF的锂离子电池SOC估计——Simulink建模仿真——2RC模型（续）
WJR__w的博客
11-09 2496
*从结果可以看出，2RC模型SOC估计精度会高于1RC模型，且都有比较好的收敛速度。但由于EKF算法精度和收敛性与协方差矩阵初始值密切相关，因此当协防差矩阵选择不当时，会出现2RC模型估计精度低于1RC。在这个实验中，两个模型都是在独立情况下试凑出来的最佳一组协方差矩阵初始参数。
基于 Matlab/simulink的锂电池建模与仿真——复现论文《基于二阶EKF的锂离子电池SOC估计的建模与仿真》的仿真部分
热门推荐
WJR__w的博客
12-11 3万+
锂电池建模与仿真复现。
UKF滤波器算法详解
weixin_44954491的博客
06-04 1085
个人感觉第(6)步总思想和KF/EKF后三个方程的思路很类似: 我们有2个高斯分布N1(μ1,(σ)^2), N2(μ2,(σ_2)^2), 对同一个状态进行了预测,那我们是应该更相信分布N1还是更相信分布N2呢?Note: 这里f(x),h(x), 已经完全代替之前的状态转移矩阵F_k和雅各比矩阵H_k. 不管f(x)和h(x)线性还是非线性,正如上面所说: UKF是对非线性函数的概率分布(均值μ和方差σ^2)进行近似(sigma points),而不是对非线性函数进行线性化近似.
python数据处理高斯滤波_利用卡尔曼滤波进行状态估计
weixin_30407555的博客
12-16 1300
本文主要介绍如何利用卡尔曼滤波进行状态估计，因为需要用到一些车辆的运动模型，所以首先简单介绍几种常见的模型车辆运动模型匀速模型（Constant Velocity, CV） 四个状态变量依次为横坐标，纵坐标，与x轴夹角（逆时针为正），线速度 匀速和匀加速模型的状态转移方程都很好理解，可以直接得到 匀加速模型（Constant Acceleration, CA）状态变量多了一个加速度 恒定速度和转速...
无迹卡尔曼滤波估计SOC的simulink模型详解
BMS新能源佬大的博客
11-09 4643
基于电池模型的参数辨识结果，使用无迹卡尔曼滤波（UKF）完成SOC的估计，使用MATLAB的simulink建立仿真模型，在SOC初始值不精确的情况下该算法依然能够快速收敛，相比于扩展卡尔曼滤波精度更高。
ukf锂电池soc估计 matlab
07-28
UKF（Unscented Kalman Filter）是一种用于状态估计的滤波器算法，可以应用于估计锂电池的SOC（State of Charge）。在MATLAB中，你可以使用以下步骤来实现这个功能： 1. 定义锂电池的状态空间模型，包括状态方程和测量方程。状态方程描述了SOC的演化过程，测量方程将SOC与测量数据（例如电流、电压等）相关联。 2. 初始化UKF的参数，包括过程噪声和测量噪声的协方差矩阵，以及初始状态和协方差矩阵。 3. 在每个时间步骤中，根据当前的输入和测量数据，使用UKF进行状态预测和更新。预测步骤使用状态方程和过程噪声模型来预测下一个时间步骤的状态和协方差。更新步骤使用测量方程和测量噪声模型来校正预测的状态和协方差，并得到最终的SOC估计值。 具体的实现代码可能比较复杂，可以参考MATLAB官方文档中关于UKF的示例代码来进行参考和实践。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值