Battery SOC EKF
AdvancedDer BatterySocEkf-Block implementiert ein Extended Kalman Filter (EKF) zur präzisen Online-Schätzung des Ladezustands (State of Charge, SOC) einer Batteriezelle aus Klemmenspannungs- und Laststrommessungen. Mithilfe eines Ersatzschaltbildes mit ein oder zwei RC-Polarisationszweigen kompensiert das Filter die Integrationsdrift des reinen Coulomb-Zählens sowie die Polarisationsverzögerung der Zellenspannung, während es gleichzeitig den Stromsensor-Offset (Bias) und statistische Konfidenzgrenzen () schätzt.
Die Leerlaufspannungscharakteristik (Open-Circuit Voltage, OCV) wird in einem Excel-ähnlichen 2-Spalten-Tabelleneditor (SOC (0–1) und OCV (V)) mit einer Live-OCV-Kennlinienvorschau (OCV = f(SOC)) konfiguriert und per linearer Interpolation oder monotonen kubischen Hermite-Splines (smooth) ausgewertet. Messdatenblätter lassen sich direkt über CSV (battery_ocv.csv) importieren/exportieren oder aus Excel einfügen (Ctrl+V). Alle 21 Parameter sind in vier logische Abschnitte unterteilt: _Anfangszustand & Timing_, _Rauschkovarianzen (Q & R)_, _Ersatzschaltbild-Zellmodell_ und _OCV-Tabelle & Solver_.
Mathematisches Modell
Die kontinuierliche Zustandsdynamik und die Gleichung der Klemmenspannung lauten:
Zustandskovarianzextrapolation und iterierte Messkorrektur folgen der diskreten Kalman-Rekursion:
Ein- & Ausgänge
| Direction | ID | Label | Typ | Status |
|---|---|---|---|---|
| → In | in1 |
I | number | Required |
| → In | in2 |
V | number | Required |
| → In | in3 |
Reset | number | Optional |
| → In | in4 |
Dropout | number | Optional |
| ← Out | soc_hat |
SOC | number | Output |
| ← Out | soc_sigma |
σ SOC | number | Output |
| ← Out | v1_hat |
V₁ | number | Output |
| ← Out | v2_hat |
V₂ | number | Output |
| ← Out | bias_hat |
I bias | number | Output |
| ← Out | voc_hat |
OCV | number | Output |
| ← Out | jacobian |
dOCV/dSOC | number | Output |
| ← Out | k_gain_0 |
K_SOC | number | Output |
| ← Out | innovation |
Innov. | number | Output |
| ← Out | innovation_cov |
S | number | Output |
| ← Out | nis |
NIS | number | Output |
Parameter
| Parameter | Label | Typ | Standardwert | Beschreibung |
|---|---|---|---|---|
sampleTime |
Sample Time | number | 1 |
Filter period in seconds |
socInit |
Initial SOC Estimate | number | 0.5 |
Fraction 0…1 |
v1Init |
Initial V1 Estimate | number | 0 |
|
pSoc |
Initial SOC Variance | number | 0.01 |
How unsure the initial SOC is; 0.01 is σ = 10 % SOC |
pV1 |
Initial RC Voltage Variance | number | 0.000001 |
Per RC branch; small, since a rested cell has V1 ≈ V2 ≈ 0 |
pBias |
Initial Bias Variance | number | 0 |
How unsure the current sensor's offset is; 0 leaves the offset out of the model, 0.01 is σ = 0.1 A |
qSoc |
Process Noise SOC | number | 1e-8 |
Noise density per second, so the filter does not change with the sample time |
qV1 |
Process Noise RC Voltage | number | 0.000001 |
Noise density per second, per RC branch |
qBias |
Process Noise Bias | number | 0 |
How fast the sensor offset may drift, as a density per second; 0 for a constant offset |
rMeas |
Measurement Noise | number | 0.0001 |
Variance of the voltage measurement in V² |
r0 |
R0 (Ω) | number | 0.05 |
Ohmic resistance |
r1 |
R1 (Ω) | number | 0.02 |
Polarisation resistance of the fast branch |
c1 |
C1 (F) | number | 1000 |
Polarisation capacitance of the fast branch |
r2 |
R2 (Ω) | number | 0 |
Resistance of a second, slow RC branch; 0 leaves the branch out |
c2 |
C2 (F) | number | 30000 |
Capacitance of the second RC branch |
capacity |
Capacity (Ah) | number | 3.2 |
|
chargeEfficiency |
Charge Efficiency | number | 1 |
Coulombic efficiency while charging (current < 0); Li-ion cells are typically 0.99–0.999 |
ocvSoc |
OCV Table SOC | table | 0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1 |
SOC breakpoints, ascending |
ocvVoltage |
OCV Table Voltage | text | 3.00 3.50 3.65 3.72 3.78 3.84 3.90 3.97 4.05 4.14 4.20 |
Open-circuit voltage at each breakpoint in V |
ocvInterpolation |
OCV Interpolation | select | linear |
Linear matches a LookupTable exactly; Smooth (monotone cubic) has no slope jumps at the breakpoints, which steadies the filter's gain |
iterations |
Update Iterations | number | 1 |
1 is the classic EKF; 3 relinearises at the corrected estimate (iterated EKF), which helps where the OCV curve bends sharply |
Anwendungsbeispiele
Beispiel 1: SOC-Initialisierung einer unbelasteten Batteriezelle
Eine ruhende Lithiumzelle mit 3.72 V wird mit einer unsicheren Annahme initialisiert (). Sobald Spannungsmessungen eingehen, konvergiert das EKF innerhalb von 1.5 s zum wahren Wert von 30% SOC und senkt von 10% auf unter 1%.
Beispiel 2: Dynamischer Fahrzyklus mit Stromsensor-Offset
Während pulsierender Entladezyklen eines Elektrofahrzeugs schätzt das Filter sowohl den Ladezustand als auch einen DC-Offset von 150 mA auf dem Stromsensor, wodurch langfristige Integrationsdrift verhindert wird.
Hinweise & Best Practices
- Interaktives OCV-Tabellenblatt & CSV-Import/Export: Verwenden Sie 📂 CSV importieren, 💾 CSV exportieren (
battery_ocv.csv) oder direktes Einfügen (Ctrl+Vaus Excel), um OCV-SOC-Tabellen einzulesen und die Live-KennlinieOCV = f(SOC)unmittelbar zu prüfen. - Konfidenzintervalle: Der Ausgang
soc_sigmaliefert die standardisierte Fehlerschätzung in Echtzeit, sodass Batteriemanagementsysteme verlässliche 95%-Konfidenzbänder () ausgeben können. - Konsistenzüberwachung: Das normalisierte Innovationsquadrat (NIS) überwacht die Filterfunktion und liegt im statistischen Mittel bei 1.0, sofern die Rauschkovarianzen und mit dem realen Rauschen übereinstimmen.
- Sensorausfall-Toleranz: Ein High-Signal am optionalen Eingang
Dropoutpausiert die Messaktualisierung; das Filter schaltet nahtlos auf reine Stromintegration um, während die Kovarianz realistisch anwächst. - Nichtlineare Stabilität: Die Verwendung stetiger kubischer Hermite-Splines und mehrerer lokaler Iterationen verhindert numerische Kovarianzsprünge an steilen Flanken der OCV-Kennlinie.
Häufig gestellte Fragen (FAQ)
Q: Warum ist ein Extended Kalman Filter (EKF) dem Coulomb-Counting bei Batterie-SOC überlegen?
Reines Coulomb-Counting driftet durch Sensorrauschen und Offsetfehler unweigerlich ab. Das EKF kombiniert Stromintegration mit einem Ersatzschaltbild () und korrigiert den Ladezustand über die nichtlineare -Kennlinie, was Schätzgenauigkeiten von unter Fehler ermöglicht.
Verwandte Blöcke
- KalmanFilter: Lineares Kalman-Filter zur Zustandsschätzung linearer dynamischer Systeme.
- LookupTable: Eindimensionale Kennlinientabelle für statische Nichtlinearitäten.
- RandomNumber: Gaußsche Rauschquelle zur Simulation von Mess- und Prozessrauschen.