核心内容摘要
v91av解锁数字生活的无限可能，前沿科技的无限魅力
锂电池SOC估计模型SOC估算卡尔曼滤波估算SOC 各大交流论坛搜集的模型合集 图中的12个模型都有 可以直接运行锂电池的续航焦虑就像夏天的蚊子一样挥之不去。
玩过BMS开发的都知道SOC估算简直就是玄学现场——你以为电压稳如老狗实际电量可能已经表演自由落体。
今天咱们不整虚的直接上硬菜手撕几个实战模型。
先看这个最经典的扩展卡尔曼滤波EKF江湖人称动态系统的读心术。
模型参数设置就像调鸡尾酒多一克少一克都会翻车class EKF_SOC: def __init__(self, R
0
01, C
1*
: self.R0 R0 # 内阻单位Ω self.C C # 电池容量单位As self.Q 1e-6 # 过程噪声协方差 self.R 1e-4 # 观测噪声协方差 def predict(self, soc_prev, current, dt): soc_pred soc_prev - current * dt / self.C P_pred self.P self.Q return soc_pred, P_pred def update(self, soc_pred, P_pred, voltage_meas, current): # 观测方程V OCV(soc) - i*R0 H self.ocv_curve.deriv_at(soc_pred) # OCV-SOC曲线斜率 K P_pred * H / (H**2 * P_pred self.R) soc_new soc_pred K * (voltage_meas - self.ocv(soc_pred) current*self.R
self.P (1 - K*H) * P_pred return soc_new重点看update里的H矩阵这就是OCV-SOC曲线的微分值。
实测中发现在SOC平台区比如30%-70%这里容易翻车建议配合开路电压迟滞模型食用更佳。
锂电池SOC估计模型SOC估算卡尔曼滤波估算SOC 各大交流论坛搜集的模型合集 图中的12个模型都有 可以直接运行再分享个骚操作——自适应无迹卡尔曼滤波AUKF。
这货能自动调节噪声协方差实测在电流剧烈波动时比EKF稳得多。
核心代码段长这样function [soc_est, P] AUKF_update(soc_pred, P_pred, z, current) % 生成sigma点 [X, W] generate_sigma_points(soc_pred, P_pred); % 量测预测 Z arrayfun((x) OCV_lut(x) - current*R0, X); z_pred sum(W .* Z); % 自适应调节 innovation z - z_pred; R_adapt
9*R_prev
1*(innovation^2 - H*P_pred*H); % 更新此处省略30行矩阵运算 end注意那个R_adapt参数这就像给算法装了ESP车身稳定系统。
实测某动力电池在-20℃低温下SOC估算误差从8%压到3%以内。
模型包里还有粒子滤波、滑模观测器等冷门流派。
特别提一嘴滑动窗口法虽然精度一般但在MCU上跑起来简直飞起float sliding_window_soc(float voltage, float current){ static float buffer[5] {0}; static int index 0; buffer[index] (voltage current*
0.
/
7; // 伪OCV估算 index (index
%5; return median_filter(buffer); // 取中值抗脉冲干扰 }这种土味算法在电动工具BMS里用得飞起毕竟成本压到五毛钱的主控芯片跑不动高大上算法。
最后甩个暴论别盲目追求算法复杂度实测数据表明在3C以上倍率放电时90%的误差来自温度补偿没做好而不是算法本身。
模型包里那个带温度补偿的EKF/UKF混合模型建议重点把玩毕竟——锂电池的脾气可比女朋友难懂多了。