基于平均加权最小二乘法AWTLS、加权最小二乘 WLS、总最小二乘法TLS以及加权总最小二乘法WTLS的电池电动汽车的健康状态 SOH 和充电状态 SOC 估计

最新推荐文章于 2024-07-31 11:14:10 发布

Ps.729

最新推荐文章于 2024-07-31 11:14:10 发布

阅读量711

点赞数 27

文章标签：最小二乘法算法机器学习

本文链接：https://blog.csdn.net/weixin_67304359/article/details/139352792

版权

💥💥💞💞欢迎来到本博客❤️❤️💥💥

🏆博主优势：🌞🌞🌞博客内容尽量做到思维缜密，逻辑清晰，为了方便读者。

⛳️座右铭：行百里者，半于九十。

📋📋📋本文目录如下：🎁🎁🎁

目录

⛳️赠与读者

💥1 概述

📚2 运行结果

2.1 SOH_Estimation

2.2 SOC_Estimation

🎉3 参考文献

🌈4 Matlab代码、数据、文档下载

⛳️赠与读者

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。当哲学课上老师问你什么是科学，什么是电的时候，不要觉得这些问题搞笑。哲学是科学之母，哲学就是追究终极问题，寻找那些不言自明只有小孩子会问的但是你却回答不出来的问题。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“躺平”上的尘埃吧。

或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

💥1 概述

电动汽车电池的健康状态 (State of Health, SOH) 和充电状态 (State of Charge, SOC) 是衡量电池性能和状态的两个关键指标。它们的准确估计对于电动汽车的运行、安全性和寿命管理至关重要。以下是关于这两个指标的研究综述：

### 电池健康状态 (SOH) 估计
SOH 是电池当前健康状态的一个相对指标，通常表示为百分比（100%表示新电池的状态）。SOH 会随着电池的使用和老化而逐渐下降。估计SOH的方法主要有以下几种：

1. **基于模型的方法**：
- **电化学模型**：通过电池的电化学反应和物理过程进行建模，精确但复杂。
- **等效电路模型**：使用等效电路（如RC电路）来模拟电池的电化学行为，简化了模型，但精度较低。

2. **数据驱动的方法**：
- **机器学习方法**：使用神经网络、支持向量机等机器学习算法，通过大量的实验数据来训练模型，例如利用历史数据预测SOH。
- **统计分析方法**：基于统计数据和历史趋势进行分析和预测，例如基于回归分析的方法。

3. **混合方法**：
- 结合模型驱动和数据驱动的方法，通过多重信息源提高估计的精度。

### 电池充电状态 (SOC) 估计
SOC 是电池当前剩余容量与其最大容量的比值，表示电池剩余电量的百分比。SOC 的精确估计对于电池管理系统 (BMS) 的优化至关重要。估计SOC的方法主要有以下几种：

1. **库仑计数法**：
- 通过积分电流随时间的变化来估算SOC，但需要初始SOC的准确值，并且容易受累积误差影响。

2. **开路电压法**：
- 通过测量电池的开路电压来估算SOC，利用电池的开路电压与SOC的关系曲线，适用于静态测量。

3. **卡尔曼滤波法**：
- 使用卡尔曼滤波器来动态估计SOC，将模型预测和实际测量结合起来，能够在噪声和误差中提取有效信息。

4. **神经网络法**：
- 利用神经网络等机器学习方法，通过学习历史数据和电池特性来估算SOC，适应性强，但需要大量训练数据。

### 研究挑战和未来方向
1. **模型精度**：提高电化学模型和等效电路模型的精度，使其能够更好地反映实际电池的行为。
2. **数据质量**：改善数据驱动方法所需的数据质量和数量，保证模型的泛化能力。
3. **实时性和鲁棒性**：提高估计方法的实时性和鲁棒性，使其能够在不同工况下准确工作。
4. **综合估计方法**：发展多源信息融合的方法，将SOH和SOC的估计结合起来，提高整体系统的可靠性。

通过不断的研究和技术进步，电池SOH和SOC的估计方法将会更加精准和可靠，从而为电动汽车的广泛应用和普及提供有力的技术支撑。

📚2 运行结果

2.1 SOH_Estimation

2.2 SOC_Estimation

部分代码：

% Covariance values
SigmaX0 = diag([1e2 1e-2 1e-3]); % uncertainty of initial state
SigmaV = 3e-1; % Uncertainty of voltage sensor, output equation
SigmaW = 4e0; % Uncertainty of current sensor, state equation

% Create ekfData structure and initialize variables using first
% voltage measurement and first temperature measurement
ekfData = initEKF(voltage(1),T,SigmaX0,SigmaV,SigmaW,model);

% Now, enter loop for remainder of time, where we update the SPKF
% once per sample interval

for k = 1:length(voltage),
vk = voltage(k); % "measure" voltage
ik = current(k); % "measure" current
Tk = T; % "measure" temperature

% Update SOC (and other model states)
[sochat(k),socbound(k),ekfData] = iterEKF(vk,ik,Tk,deltat,ekfData);
if mod(k,1000)==0,
fprintf(' Completed %d out of %d iterations...\n',k,length(voltage));
end
end

%%
figure(1);
plot(time/60,100*sochat,time/60,100*soc,'linewidth',1.5);
hold on
plot([time/60; NaN; time/60],[100*(sochat+socbound); NaN; 100*(sochat-socbound)],'g');

title('SOC estimation using EKF');
grid on;
xlabel('Time (min)');
ylabel('SOC (%)');
legend('Estimate','Truth','Bounds');

%%
fprintf('RMS SOC estimation error = %g%%\n',sqrt(mean((100*(soc-sochat)).^2)));

%%
figure(2);
plot(time/60,100*(soc-sochat),'linewidth',1.5);
hold on
plot([time/60; NaN; time/60],[100*socbound; NaN; -100*socbound]);