ekf估计电池soc过程推导（一）状态方程列写及离散化

Yabooo0

已于 2024-08-14 10:29:18 修改

阅读量2.8k

点赞数 6

分类专栏：电池文章标签：算法

于 2023-03-01 23:42:16 首次发布

本文链接：https://blog.csdn.net/yabooo0/article/details/129185344

版权

电池专栏收录该内容

2 篇文章 0 订阅

订阅专栏

本文介绍了电池的电荷状态（SOC）及其重要性，详细阐述了几种电池SOC估算方法，重点讲解了一阶等效电路模型（ECM）并基于此模型使用卡尔曼滤波进行状态估计。通过推导状态方程和输出方程的离散化过程，为电池管理系统的状态估计提供了理论基础。

摘要由CSDN通过智能技术生成

SOC是什么

SOC（State of Charge）即电池的电荷状态，通常用百分比表示。它表示电池目前已经存储了多少电量，是电池容量的一个比例。

例如，如果一个电池的额定容量为1000mAh，而目前已经存储了600mAh的电量，则该电池的SOC为60%。SOC是电池管理中非常重要的参数，它可以帮助确定电池的剩余容量和预测电池的寿命等。

电池SOC估算方法

电池状态估算方法主要包括以下几种：

基于物理模型的方法：这种方法通常基于电池的化学反应和物理原理，建立电池的数学模型，通过对电池内部化学反应过程、电化学过程和热力学过程的建模来估算电池的状态。这种方法通常需要较为精确的电池参数和较高的计算能力，但可以提供较为准确的电池状态估算结果。
基于统计学方法的方法：这种方法通过收集大量的电池运行数据，利用统计学方法来建立电池状态和电池参数之间的关系，从而实现电池状态的估算。这种方法的优点是不需要知道电池的内部参数和化学反应过程，但精度相对于基于物理模型的方法可能稍逊。
基于卡尔曼滤波的方法：这种方法基于卡尔曼滤波理论，将电池状态估算问题转化为状态量和测量量之间的卡尔曼滤波问题，通过对电池的充放电过程进行实时测量和处理，实现对电池状态的估算。这种方法通常精度较高，但需要较高的计算能力。
基于神经网络的方法：这种方法通过利用神经网络的强大非线性拟合能力，将电池的充放电过程作为输入，将电池状态作为输出，从而实现对电池状态的估算。这种方法需要较为丰富的数据量和较高的计算能力，但可以适用于复杂的电池系统。

卡尔曼滤波可以用在很多工程问题里，在电池状态估计这个问题上，我们实际上还是用了一个基于模型（ECM模型，而不是电化学模型）的估算方法，而不是基于数据的方法。

我在学习卡尔曼滤波方法估算电池soc时，因为基础较差，其实很多东西都忘差不多了，也遇到了或多或少的一些问题，也许有一些问题我至今也没有理解地很清楚，希望在我回顾这个方法时，我可以尽可能地讲得细一些，也许能帮助到同样刚开始接触这个算法的人。

模型

首先我们用到的模型，是一个一阶ecm模型，一阶 ECM（Equivalent Circuit Model）模型是一种电池建模方法，用于描述电池的动态行为。它将电池抽象为一个带有内阻的电压源，并利用一个一阶线性微分方程描述其行为。

有的文章里用二阶，其实二阶和一阶的公式基本一样，就是多了一个RC电路（RC并联），两个模型的主要区别在于它们所描述的电化学过程的复杂度不同。一阶 ECM 模型假设电池的极化响应是一阶动态系统，而二阶 ECM 模型则假设它是二阶动态系统，因此更能准确地描述电池的行为。

一阶ECM模型

其中，Voc表示电池的开路电压，也就是在不产生电流的情况下，电池的电压值。一阶 ECM 模型中的 Voc 通常被建模为与 SOC 有关的函数。Rs 是电池内阻，Rt 和 Ct 组成了一个 RC 电路，用来描述电池的电荷和放电行为。ib是输入信号。

状态方程

Uc部分

电池的输出电压vb可以用下式表示：

$Vb(t) = Voc(SOC(t)) - ib(t) * Rs - Vc(t)$

由基尔霍夫定律，可以得出：

$ib = Ct \frac{dvc}{dt} + \frac{vc}{Rt}$

整理可得：

$\dot{uc(t)} = -\frac{uc(t)}{Rt*Ct} +\frac{1}{Ct} ib(t)$

其中，ib是我们的输入，这就是我们通常看到的状态方程中，Uc的状态方程没离散化前的样子。对状态方程进行离散化，参考离散化的公式：

原状态方程： $\left\{\begin{matrix} \hat{x} = Ax + Bu\\ y=Cx \end{matrix}\right.$ ，其中，u为输入，x为状态，x_hat表预测，ABC是三个系数矩阵。

离散化后： $\left\{\begin{matrix} x(k+1) = G(t)x(k) + H(t)u(k)\\ y=Cx(k) \end{matrix}\right.$ ，

其中， $G(t) = e^{As}$ , $H(t) = \int_{0}^{T} e^{As}ds\cdot B$

Uc状态方程离散化后可得：

$uc(k+1) = e^{\frac{-1}{Rt\cdot Ct}}\cdot uc(k) + Rt\cdot (1-e^{\frac{-1}{Rt\cdot Ct}})ib(k-1)$

这里ib应该是ib（k），懒得改了。这一步就是按公式来就可以推出来了。

SOC部分

电池的状态可以通过电荷量来表示，而电荷量与电池的容量之比即为电池的SOC（State of Charge），SOC的取值范围一般为0-1，可以使用下面的公式计算：

$SOC = q(t) / Q$

其中，q(t)为电池当前存储的电荷量，单位为Ah（安时），Q为电池容量，单位也为Ah。

这是最基础的SOC公式，由这个公式，可以得出：

$SOC(t) = SOC(0)-\int_{0}^{t} \frac{\eta }{Qb}ib(t)dt$

其中SOC(0) 一般而言都是1（初始条件为新电池的情况下），Qb为电池容量， $\eta$ 为充电/放电效率。需要注意的是，此处在模型中，ib和单位时间的单位与电池容量单位（安时）需要进行一次换算。

离散化SOC：

$SOC(k+1) = SOC(k) + \frac{-\Delta t(k-1)}{3600Qb} ib(k)$

采样间隔 $\Delta t(k-1)$ 也应该是k，没有减一，懒得改了，通常就取1了。

状态方程

设 $X^- = \binom{SOC^-}{Uc^-}$ ，这里角标的意思其实和hat一样，也就是角标（k+1），是预测的意思，很多文章习惯用这个符号。综上，得出状态方程：

$X^- = AX + BI(k)$

其中，状态转移矩阵 $A = \begin{bmatrix} 1 & 0\\ 0 & e^{\frac{-1}{Rt\cdot Ct}} \end{bmatrix}$ ，输入矩阵 $B = \begin{bmatrix} \frac{-1}{3600Qb}\\ Rp(1-e^{\frac{-1}{Rt\cdot Ct}}) \end{bmatrix}$ 。