基于卡尔曼滤波的储能电池荷电状态(SOC)估计——附代码

目录

摘要:

研究背景:

蓄电池SOC的卡尔曼滤波估计:

本文代码运行结果:

本文Matalb代码分享:


摘要:

卡尔曼滤波是一种用于估计系统状态的数学算法,可以用于估计锂电池的荷电状态(SOC)。锂电池的荷电状态可以表示为系统状态变量,通过测量锂电池的电压和电流等参数,可以得到系统的输入量。卡尔曼滤波算法可以将输入量和状态量的信息进行融合,得到更加准确的状态估计结果。本文基于Matlab平台进行编程和调试,具体实现步骤为:

1.建立锂电池的数学模型,将锂电池的电压和电流等参数作为系统输入量,将锂电池的荷电状态作为系统状态量。

2.设计卡尔曼滤波算法的参数,如状态转移矩阵、观测矩阵、系统噪声和观测噪声的方差等。3.利用卡尔曼滤波算法对锂电池荷电状态进行估计。在每个时刻,根据当前的测量值和之前的状态估计值,用卡尔曼滤波算法更新状态估计值。

4.根据状态估计值,可以得到锂电池的实时荷电状态,从而可以进行电池管理和控制。

研究背景:

蓄电池剩余电量的准确测量在电动汽车的发展中一直是一个非常关键的问题因为只有对电池剩余电量进行准确测量才能使驽驶员及时掌握正确的信息估计自己的后续行驶里程并及时进行充电。

目前常用的电池电量测试方法包括密度法、开路电压法、内阻法和安时法等。密度法通过对测量电解液的密度值来间接估算蓄电池的剩余电量此方法已不适用于目前大量使用的密封式电池而且也不适于实时测量。电解液密度与电池电势有关因此根据电池电势也可估算电池电量这就是开路电压法的基础对于测试稳定状态下的SOC有很高的精度但是只适用于SOC随OCV变化明显的蓄电池。同时此方法明显地不适合于在电动汽车中使用因为在行驶中蓄电池很少处于开路状态。

内阻法通过对电池端电压与电流的测量计算出电池内阻后算出电池的电势达到对电池剩余电量估算的目的但是由于蓄电池内阻一般很小(毫欧级)并且在蓄电池正常放电的工作范围内内阻变化不超过5%-6%在测量中容易受测量线的阻抗影响造成测量失败而且目前常采用在电路中加弱音频电流的交流阻抗法也容易受到汽车内低频噪声的干扰而使测量不够准确。

蓄电池SOC的卡尔曼滤波估计:

卡尔曼滤波是60年代发展起来的一种现代滤波方法它的一个重要作用在于系统的状态估计。当噪声是正态分布时这种滤波给出了状态的最小方差估计当不是正态情况时这种滤波给出了状态的线性最小方差估计。

卡尔曼滤波的目的是在进行递推滤波的同时利用观测数据提供的信息不断地修正状态估计减小状态估计误差卡尔曼滤波算法适用于平稳与非平稳过程并且具有递推性但又不同于其他的递归滤波器结构它只需要记住前一步的估计结果由此大大减少了存贮器的使用量算法上易于在单片机系统中实现并做成电量计显示电池荷电状态只需在蓄电池首次使用中对SOC进行标定并根据开路电压来预测蓄电池初始容量来完成初始化工作就可对蓄电池的荷电状态进时实时监测根据输出不断地修正SOC值使安时法在长时间内都有较高的精度。

基于卡尔曼滤波的储能电池荷电状态(SOC)估计——附代码_第1张图片

基于卡尔曼滤波的储能电池荷电状态(SOC)估计——附代码_第2张图片

本文代码运行结果:

基于卡尔曼滤波的储能电池荷电状态(SOC)估计——附代码_第3张图片

基于卡尔曼滤波的储能电池荷电状态(SOC)估计——附代码_第4张图片

基于卡尔曼滤波的储能电池荷电状态(SOC)估计——附代码_第5张图片

基于卡尔曼滤波的储能电池荷电状态(SOC)估计——附代码_第6张图片

本文Matalb代码分享:

基于卡尔曼滤波的储能电池荷电状态(SOC)估计——附代码_第7张图片

你可能感兴趣的:(电网优化,卡尔曼滤波,储能电池,状态估计,荷电状态,matlab)