基于二阶RC等效电路模型的AFFRLSEKF的联合SOC估计 具体思路采用自适应遗忘因子最小二乘法估计电池参数并将辨识结果导入到扩展卡尔曼滤波EKF算法中实现AFFRLSEKF的联合估计基于动态工况 能保证运行simulink模型和仿真结果可见展示图片估计效果能完全跟随soc的变化 内容simulink模型、电池数据、参考文献详细遗忘因子最小二乘法、EKF估计电池soc原理搞电池管理的兄弟都知道SOCState of Charge估计就像给手机电量显示做加强版。今天咱们来唠唠基于二阶RC等效电路模型的联合估计算法这玩意儿用自适应遗忘因子最小二乘法AFFRLS和扩展卡尔曼滤波EKF双剑合璧效果直接看动态工况下的曲线跟踪那叫一个丝滑。先甩张Simulink模型结构图假装有图。模型分三块电池参数辨识模块实时输出RC参数EKF核心处理模块拿着这些参数算SOC中间用MATLAB Function桥接数据流。重点是这个参数辨识模块咱们直接上硬核代码function [R0, R1, C1, R2, C2, lambda] AFFRLS_estimator(U, I, Ts) persistent P theta lambda_prev if isempty(P) P 1000*eye(5); theta [0.1; 0.05; 1000; 0.02; 2000]; lambda_prev 0.98; end phi [-I, -theta(2), -theta(3)*I, -theta(4), -theta(5)*I]; epsilon U - phi*theta; lambda lambda_prev 0.001*(1 - abs(epsilon)/0.5); lambda max(0.95, min(lambda, 0.999)); K P*phi/(lambda phi*P*phi); theta theta K*epsilon; P (P - K*phi*P)/lambda; R0 theta(1); R1 theta(2); C1 theta(3); R2 theta(4); C2 theta(5); lambda_prev lambda; end这段代码的精髓在lambda的动态调整——当预测电压和实测电压误差大时自动降低遗忘因子相当于给旧数据打骨折强迫算法快速追踪新变化。看第12行的调整公式0.5这个阈值参数要是调得太激进参数估计会跟蹦迪似的乱抖建议根据电池类型微调。基于二阶RC等效电路模型的AFFRLSEKF的联合SOC估计 具体思路采用自适应遗忘因子最小二乘法估计电池参数并将辨识结果导入到扩展卡尔曼滤波EKF算法中实现AFFRLSEKF的联合估计基于动态工况 能保证运行simulink模型和仿真结果可见展示图片估计效果能完全跟随soc的变化 内容simulink模型、电池数据、参考文献详细遗忘因子最小二乘法、EKF估计电池soc原理转场到EKF部分状态方程直接把辨识出来的RC参数带进去玩真的function [SOC, V1, V2] EKF_update(SOC_prev, V1_prev, V2_prev, I, R1, C1, R2, C2, Q) # 状态预测 A [1 0 0; 0 exp(-1/(R1*C1)) 0; 0 0 exp(-1/(R2*C2))]; B [-1/(Q*3600); R1*(1-exp(-1/(R1*C1))); R2*(1-exp(-1/(R2*C2)))]; x_hat A*[SOC_prev; V1_prev; V2_prev] B*I; # 协方差预测 P_hat A*P_prev*A Q; # 卡尔曼增益 C [OCV_SOC(x_hat(1)), -1, -1]; # OCV-SOC曲线查表 K P_hat*C/(C*P_hat*C R); # 状态更新 x x_hat K*(V_measured - C*x_hat); P (eye(3) - K*C)*P_hat; end注意第7行的状态转移矩阵A这里用指数函数处理RC环节的瞬态响应比传统的欧拉离散化更准确。有个坑是OCV-SOC曲线得用实测数据拟合别直接拿厂家给的标称曲线否则低SOC区能给你偏出5%以上。实测效果方面继续假装有图在UDDS动态工况下估计误差能压在1%以内甚至在SOC拐点处也能紧紧咬住参考曲线。不过要当心参数初始值的设置曾经有个案例因为R0初值设成0.5欧姆实际电池只有0.1欧姆导致前30秒SOC估计直接飙到120%画面太美不敢看。最后安利下牛津大学的电池老化数据集里面包含不同SOH下的HPPC测试数据拿来调参比自建试验台省事多了。至于遗忘因子到底该不该加个低通滤波这事在IEEE论文里吵了十年也没结论——要我说工程上能跑出好曲线就是真理管他黑猫白猫呢。