【soc估算】基于卡尔曼滤波实现电池动态soc估算附matlab代码

✅作者简介：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：Matlab科研工作室

🍊个人信条：格物致知。

更多Matlab仿真内容点击👇

智能优化算法       神经网络预测       雷达通信       无线传感器        电力系统

信号处理              图像处理               路径规划       元胞自动机        无人机 

⛄ 内容介绍

汽车作为日常生活不可或缺的交通工具,正在以一个爆炸式的发展趋势步入千家万户,随之而来的能源危机和环境污染的问题也日益突显,电动汽车因为零排放的优势获得了全世界各国及汽车公司的重视。电池管理系统的研究是电动车发展的关键技术之一,而SOC的准确估计又是电池管理系统运行的基本要素和重要前提,因此soc估算的研究至关重要。文章首先介绍了国内外电动汽车的发展状况,通过对于各类电池的比较,指出了磷酸铁锂电池是电动汽车用动力电池的一个理想选择;为了更好的了解磷酸铁锂电池的性能,首先对SOC的定义进行了描述,然后分析了磷酸铁锂电池的相关性能,并研究了电池放电倍率,电池温度,循环次数对电池性能的影响。本文基于卡尔曼滤波实现电池动态soc估算。​

⛄ 部分代码

clear

clc

close all

%% Simulated time-varying MVAR model 

% Reference of the simulated model:

% [1] M. Winterhalder, B. Schelter, W. Hesse et al., 揅omparison of linear

% signal processing techniques to infer directed interactions in multivariate 

% neural systems,� Signal Processing, vol. 85, no. 11, pp. 2137-2160, 2005.

% ---------> Example 4 (pp. 13-14)

L = 5000;                                     % Number of time points

CH = 3;                                       % Number of channels

y = zeros(CH,L);                              % Simulated data: output of the time-varying MVAR model

p = 2;                                        % Model order

%% Define time-varying MVAR parameters

bb = sinc(linspace(pi/2+pi/4,5*pi,L));

b = (.8*(bb-min(bb))/(max(bb)-min(bb)))-.2;   % Parameter 'b': time-varying influence of channel 2 on channel 1

c = zeros(1,L);                               % Parameter 'c': time-varying influence of channel 3 on channel 1

%% Simulate the model

for n = p+1 : L

    if(n<=L/2)

        c(n) = (n/(L/2));

    else

        c(n) = (L-n)/(L/2);

    end

       

    y(1,n) = 0.59*y(1,n-1) - 0.2*y(1,n-2) + b(n)*y(2,n-1) + c(n)*y(3,n-1) + randn;

    y(2,n) = 1.58*y(2,n-1) - 0.96*y(2,n-2) + randn;

    y(3,n) = 0.6*y(3,n-1)  - 0.91*y(3,n-2) + randn;    

end

%% Time-varying MVAR parameter estimation using Dual Extended Kalman Filter (DEKF)

A = DEKF(y,p);                                % Estimated time-varying parameters, A = [A1 A2 ... Ar]

%% Plot parameters

figure, hold on, grid on

plot(squeeze(A(1,2,:)),'k','linewidth',2), plot(b,'r','linewidth',2)

plot(squeeze(A(1,3,:)),'b','linewidth',2), plot(c,'g','linewidth',2)

legend('Estimated b','b','Estimated c','c')

xlabel('Time (sample)','fontsize',14,'fontweight','bold')

ylabel('MVAR parameters','fontsize',14,'fontweight','bold')

set(gca,'fontsize',14,'fontweight','bold')

⛄ 运行结果

⛄ 参考文献

[1] 毛华夫, 万国春, 汪镭,等. 基于卡尔曼滤波修正算法的电池SOC估算[J]. 电源技术, 2014, 38(2):5.

[2] 董超, 尚鸿, 杜明星. 基于扩展卡尔曼滤波法的锂离子电池SOC估算[J]. 制造业自动化, 2014, 000(011):21-23.

[3] 安志胜, 孙志毅, 何秋生. 基于模糊卡尔曼滤波的锂电池SOC估算方法[J]. 火力与指挥控制, 2014, 000(004):137-140.

[4] 赵斌, 李昊. 基于卡尔曼滤波的锂电池SOC估算影响因素研究[J]. 河南机电高等专科学校学报, 2022(001):030.

⛳️ 代码获取关注我

❤️部分理论引用网络文献，若有侵权联系博主删除

❤️ 关注我领取海量matlab电子书和数学建模资料