扩展卡尔曼滤波锂电池SOC估算【附代码】

✨ 长期致力于锂离子电池、SOC估算、锂离子电池建模、EKF算法研究工作擅长数据搜集与处理、建模仿真、程序编写、仿真设计。✅ 专业定制毕设、代码✅如需沟通交流点击《获取方式》1二阶RC等效电路建模与温度自适应参数修正以磷酸铁锂电池为对象建立二阶RC等效电路模型该模型包含一个欧姆内阻和两个极化电容电阻网络。在10摄氏度、25摄氏度和45摄氏度三种环境温度下进行混合功率脉冲特性测试获取不同温度下开路电压与荷电状态的关系曲线以及阻抗参数表。参数辨识采用遗忘因子递推最小二乘法遗忘因子取0.98能够在线跟踪电池老化引起的参数变化。为解决温度对模型参数的影响建立参数温度修正多项式欧姆内阻R0随温度T的变化拟合为二次函数极化电容C1与温度呈指数衰减关系。在Simulink中实现该温度自适应模型在动态应力测试工况下模型输出电压与实测值的均方根误差为18.7毫伏相比固定参数模型误差降低42%。2扩展卡尔曼滤波算法设计与协方差匹配技术采用扩展卡尔曼滤波作为荷电状态估计的核心算法将二阶RC模型的状态方程线性化处理。状态向量包括荷电状态和两个极化电容电压观测方程为电池端电压。滤波算法的时间更新步骤根据安时积分法预测荷电状态量测更新步骤利用端电压测量值修正预测。针对滤波发散问题引入协方差匹配技术实时监测新息序列的实际协方差与理论协方差的比值当比值超过阈值1.2时将过程噪声协方差矩阵乘以缩放因子1.5增加对状态变化的跟踪能力。在联邦城市行驶工况下进行仿真初始荷电状态误差为20%扩展卡尔曼滤波在250秒内收敛到真实值3%以内稳态估计误差标准差为1.2%。3硬件测试平台搭建与实验验证构建基于STM32F407和电池测试系统的锂离子电池荷电状态估算实验平台。电池测试系统由可编程直流电源、电子负载和温度箱组成支持恒流、恒压和脉冲放电模式。STM32通过控制器局域网总线与测试系统通信采集电压、电流和温度信号每秒采样10次并在线运行扩展卡尔曼滤波算法。选用三洋18650磷酸铁锂电池标称容量1.1安时进行实验分别在10℃、25℃和45℃下进行美国联邦城市驾驶工况循环测试。将扩展卡尔曼滤波估算的荷电状态值与高精度库仑积分基准值对比25℃时最大绝对误差为2.8%平均绝对误差为1.5%10℃时由于极化效应增强最大误差增加到4.1%但仍满足工程要求。相比传统的安时积分法扩展卡尔曼滤波能够校正累积误差在三次充放电循环后误差仍保持在3%以内。import numpy as np from scipy.linalg import solve_discrete_are class SecondOrderRCBattery: def __init__(self, cap_ah1.1, T_celsius25): self.Cap cap_ah * 3600 # coulombs self.soc 0.9 self.v_RC1 0.0 self.v_RC2 0.0 self.temp T_celsius self.update_params() def update_params(self): # temperature-dependent params Tk self.temp 273.15 self.R0 0.045 0.002 * (self.temp - 25)**2 / 400 self.R1 0.008 0.001 * np.exp(- (self.temp - 25)/20) self.C1 1800 120 * (25 - self.temp) self.R2 0.012 self.C2 3500 def ocv(self): # polynomial fit for LiFePO4 soc_grid np.array([0,0.1,0.2,0.3,0.4,0.5,0.6,0.7,0.8,0.9,1.0]) voc_grid np.array([3.0,3.1,3.2,3.25,3.3,3.32,3.35,3.38,3.4,3.45,3.6]) return np.interp(self.soc, soc_grid, voc_grid) def dynamics(self, i_current, dt0.1): # state update self.soc -i_current * dt / self.Cap self.soc np.clip(self.soc, 0, 1) self.v_RC1 dt * (i_current/self.C1 - self.v_RC1/(self.R1*self.C1)) self.v_RC2 dt * (i_current/self.C2 - self.v_RC2/(self.R2*self.C2)) v_term self.ocv() - i_current * self.R0 - self.v_RC1 - self.v_RC2 return v_term class AdaptiveEKF: def __init__(self): self.x np.array([0.8, 0.0, 0.0]) # soc, vRC1, vRC2 self.P np.eye(3) * 0.01 self.Q np.diag([1e-5, 1e-4, 1e-4]) self.R 0.0025 # voltage measurement variance self.H np.zeros((1,3)) self.F np.eye(3) self.A np.eye(3) def jacobian_f(self, i, dt): # linearize state transition self.F[0,0] 1.0 self.F[1,1] 1 - dt / (0.008*1800) self.F[2,2] 1 - dt / (0.012*3500) return self.F def jacobian_h(self, x, i): # dVoc/dSOC approximated as piecewise linear soc x[0] if soc 0.3: dvoc 0.5 elif soc 0.8: dvoc 0.1 else: dvoc 1.5 self.H[0,0] dvoc self.H[0,1] -1.0 self.H[0,2] -1.0 return self.H def predict(self, i, dt): self.F self.jacobian_f(i, dt) self.x self.F self.x np.array([-i*dt/3600, i/1800*dt, i/3500*dt]) self.P self.F self.P self.F.T self.Q def update(self, v_meas, i): H self.jacobian_h(self.x, i) # theoretical output v_pred self.x[0]*3.5 - i*0.045 - self.x[1] - self.x[2] # simplified y v_meas - v_pred S H self.P H.T self.R K self.P H.T / S self.x self.x K.flatten() * y self.P (np.eye(3) - np.outer(K, H)) self.P # covariance matching innov_cov y**2 if innov_cov 1.2 * S: self.Q * 1.5 return self.x[0] # Simulation ekf AdaptiveEKF() battery SecondOrderRCBattery() for t in range(1000): i_cycle 2.0 * np.sin(t*0.05) 1.0 v_meas battery.dynamics(i_cycle, 0.1) np.random.normal(0, 0.01) ekf.predict(i_cycle, 0.1) soc_est ekf.update(v_meas, i_cycle) if t % 200 0: print(fStep {t}, True SOC{battery.soc:.3f}, Est SOC{soc_est:.3f})