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）-Toy模板网

这篇具有很好参考价值的文章主要介绍了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）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

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）估计电池的端电压（Vt）和充电状态（SOC）。该函数将以下内容作为输入：

· 电流(A)
· 电压(V)
· 温度(℃)

该函数的输出为：

· 估计SOC

· 估计电压Vt

· 电压Vt误差

function [SOC_Estimated, Vt_Estimated, Vt_Error] =AEKF_SOC_Estimation(Current, Vt_Actual, Temperature)

加载电池模型参数以及不同温度的SOC-OCV关系数据库。如果没有可用的温度数据或使用单一温度，建议使用25℃作为参考。用户应调整变量Cn，即在特定温度下的最大测量容量。

默认情况下，该函数加载提供的“BatteryModel\_Sample”.mat’文件，它是一个带标签的表格。该表分别在第1列至第7列中包含OCV、SOC、、R0、R1、C1、R2、C2数据。SOC的范围为0%至100%，间隔约为10%，但用户可以根据需要增加或减少SOC。

load 'BatteryModel.mat'; % Load the battery parameters and SOC-OCV
curve

SOC-OCV曲线由电池单元的脉冲特性测试产生。通常这是C/20放电和充电测试，每个放电和充电曲线的平均值为每个温度的一个SOC-OCV。重要的是确保没有重复的SOC点（特别是如果这些点具有不同的OCV值），因为这将在函数运行时导致插值错误。通过HPPC或其他特性测试，使用Simulink和Simscape模拟对电池进行建模，以估计电池参数，其他可用方法包括优化算法，如GA遗传算法。T是在表征在驾驶循环测试时测得的电池温度。

1.建模电池参数初始化

将初始SOC设置在0和1之间，其中0为0%，1为100%。可以将其设置为行驶循环初始SOC，或者设置为小于20%左右的值，以测试收敛性和鲁棒性。ΔT是电流矢量和Vt矢量中每个值之间的时间差，用于计算A和B矩阵。

SOC_Init = 1; % intial SOC
X = [SOC_Init; 0; 0]; % state space x parameter intializations
DeltaT = 1; % sample time in seconds
Qn_rated = 4.81 * 3600; % Ah
% initialize scatteredInterpolant functions for battery parameters and
SOC-OCV curve
% this function also allows for extrapolation
F_R0 = scatteredInterpolant(param.T,param.SOC,param.R0);
F_R1 = scatteredInterpolant(param.T,param.SOC,param.R1);
F_R2 = scatteredInterpolant(param.T,param.SOC,param.R2);
F_C1 = scatteredInterpolant(param.T,param.SOC,param.C1);
F_C2 = scatteredInterpolant(param.T,param.SOC,param.C2);
F_OCV = scatteredInterpolant(param.T,param.SOC,param.OCV);

卡尔曼滤波器有3个参数可以调节：R、P和Q。这些参数需要手动或通过优化算法对每个电池进行调整/调谐。R应设置为用于测试电池单元的设备的误差的平方。一旦调整了Q的值，就不能更新R。

n_x = size(X,1);
R_x = 2.5e-5;
P_x = diag(1e-10);
Q_x = [1.0000e-10 0 0;
0 1.0000e-10 0;
0 0 1.0000e-10];

初始化输出向量，并根据当前向量的大小设置for循环的长度。取消注释第25行，以测试0.1A的电流偏移。根据需要更新偏移。

SOC_Estimated = [];
Vt_Estimated = [];
Vt_Error = [];
ik = length(Current);
% Current = Current+0.1;

2.卡尔曼滤波算法

这是自适应扩展卡尔曼滤波算法的开始。循环基于当前输入电流数据长度。

for k=1:1:ik
T = Temperature(k); % C
U = Current(k); % A
SOC = X(1);
V1 = X(2);
V2 = X(3);
% Evaluate the battery parameter scatteredInterpolant
% functions for the current temperature & SOC
R0 = F_R0(T,SOC);
R1 = F_R1(T,SOC);
R2 = F_R2(T,SOC);
C1 = F_C1(T,SOC);
C2 = F_C2(T,SOC);
OCV = F_OCV(T,SOC);
% OCV = pchip(param.SOC,param.OCV,SOC); % pchip sample for unknown or
single temperature
The following is used to calculate the A and B matrices below on line 66 and 69.
Tao_1 = C1 * R1;
Tao_2 = C2 * R2;
a1 = exp(-DeltaT/Tao_1);
a2 = exp(-DeltaT/Tao_2);
b1 = R1 * (1 - exp(-DeltaT/Tao_1));
b2 = R2 * (1 - exp(-DeltaT/Tao_2));

3.运行更新模型

Vt方程基于：

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）

TerminalVoltage = OCV - R0*U - V1 - V2;

当U（电流）为正时，电池正在放电，库仑效率（η）设置为0.99。当U（电压）为负时，电池在充电，库仑系数（η）。

if U > 0
eta = 0.99; % eta for discharging
elseif U <= 0
eta = 1; % eta for charging
end

通过线性化C矩阵来线性化模型。该函数使用线性插值在特定查询点返回一维函数的插值。

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）

OCV = interp1(param.SOC,param.OCV,SOC,'linear','extrap');
C_x = [OCV -1 -1];
Calculate the Vt error.
Error_x = Vt_Actual(k) - TerminalVoltage;
if abs(Error_x) < 0.01
Error_x = 0.000;
end

保存/更新带有Vt误差的矢量中的SOC和电压估计值。这些是函数的输出向量。

Vt_Estimated = [Vt_Estimated;TerminalVoltage];
SOC_Estimated = [SOC_Estimated;X(1)];
Vt_Error = [Vt_Error;Error_x];

4.EKF

EKF使用两步预测校正算法。使用上述变量计算A和B矩阵：

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）

接下来，完成KF的预测（时间更新）部分。

1.预测未来状态（先验）：

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）

2.预测误差协方差：

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）

A = [1 0 0;
0 a1 0;
0 0 a2];
B = [-(eta * DeltaT/Qn_rated); b1; b2];
X = (A * X) + (B * U);
P_x = (A * P_x * A') + Q_x;

接下来，完成KF的校正（测量更新）部分。

1.计算卡尔曼增益：

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）

2.用测量值更新估计值Zk（后验）：

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）

3.更新误差协方差：

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）

KalmanGain_x = (P_x) * (C_x') * (inv((C_x * P_x * C_x') + (R_x)));
X = X + (KalmanGain_x * Error_x);
P_x = (eye(n_x,n_x) - (KalmanGain_x * C_x)) * P_x;

5.自适应律协方差匹配（AEKF）

自适应律协方差匹配由下式给出：

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）

Q_x = KalmanGain_x * Error_x * KalmanGain_x';
end

6.下面给出自适应扩展卡尔曼滤波的绘图程序及结果：

% Terminal Voltage Measured vs. Estimated
figure
plot(LiPoly.RecordingTime_Hours,LiPoly.Measured_Voltage);
hold on
plot(LiPoly.RecordingTime_Hours,Vt_Estimated);
hold off;
legend('Measured','Estimated AEKF');
ylabel('Terminal Voltage[V]');xlabel('Time[hr]');
title('Measured vs. Estimated Terminal Voltage (V) at 40 Deg C')
grid minor
% Terminal Voltage Error
figure
plot(LiPoly.RecordingTime_Hours,Vt_Error);
legend('Terminal Voltage Error');
ylabel('Terminal Voltage Error');
xlabel('Time[hr]');
% SOC Coulomb Counting vs. Estimated
figure
plot (LiPoly.RecordingTime_Hours,LiPoly.Measured_SOC);
hold on
plot (LiPoly.RecordingTime_Hours,SOC_Estimated*100);
hold off;
legend('Coulomb Counting','Estimated AEKF');
ylabel('SOC[%]');xlabel('Time[hr]');
title('Coulomb Counting vs. SOC Estimated at 40 Deg C')
grid minor
% SOC Error
figure
plot(LiPoly.RecordingTime_Hours,(LiPoly.Measured_SOC - SOC_Estimated*100));
legend('SOC Error');
ylabel('SOC Error [%]');
xlabel('Time[hr]');
grid minor

1.仿真电压对比

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）

2.仿真电压误差

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）

3.SOC对比

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）

4.SOC误差

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）

硕博期间所有的程序代码，一共2个多g，可以给你指导，赠送半个小时的语音电话答疑。电池数据+辨识程序+各种卡尔曼滤波算法都在里面了，后续还会有新模型的更新。快速入门BMS软件。某鹅：2629471989文章来源地址https://www.toymoban.com/news/detail-422914.html

到了这里，关于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）的文章就介绍完了。如果您还想了解更多内容，请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章，希望大家以后多多支持TOY模板网！