ƒ

Battery SOC EKF

Advanced
Live-Beispiel starten Kostenlos · ohne Anmeldung · läuft im Browser

Der 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 (±2σ\pm 2\sigma) 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

x=[SOC, V1, V2, b]T,I=Im−b\mathbf{x} = [\text{SOC},\ V_1,\ V_2,\ b]^T, \quad I = I_m - b

Die kontinuierliche Zustandsdynamik und die Gleichung der Klemmenspannung lauten:

SOC˙=−η I3600 Q,V˙j=−VjRjCj+ICj,b˙=0\dot{\text{SOC}} = -\frac{\eta\, I}{3600\,Q}, \quad \dot{V}_j = -\frac{V_j}{R_j C_j} + \frac{I}{C_j}, \quad \dot{b} = 0
Vterm=OCV(SOC)−V1−V2−R0I,H=[∂ OCV∂ SOC, −1, −1, R0]V_{\text{term}} = \text{OCV}(\text{SOC}) - V_1 - V_2 - R_0 I, \quad \mathbf{H} = \left[\frac{\partial\,\text{OCV}}{\partial\,\text{SOC}},\ -1,\ -1,\ R_0\right]

Zustandskovarianzextrapolation und iterierte Messkorrektur folgen der diskreten Kalman-Rekursion:

x^k∣k=x^k∣k−1+Kk(Vmeas−h(x^k∣k−1)),Kk=Pk∣k−1HkT(HkPk∣k−1HkT+R)−1\hat{\mathbf{x}}_{k|k} = \hat{\mathbf{x}}_{k|k-1} + \mathbf{K}_k \left(V_{\text{meas}} - h(\hat{\mathbf{x}}_{k|k-1})\right), \quad \mathbf{K}_k = \mathbf{P}_{k|k-1} \mathbf{H}_k^T (\mathbf{H}_k \mathbf{P}_{k|k-1} \mathbf{H}_k^T + R)^{-1}

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 (socInit=0.6\text{socInit} = 0.6). Sobald Spannungsmessungen eingehen, konvergiert das EKF innerhalb von 1.5 s zum wahren Wert von 30% SOC und senkt σsoc\sigma_{\text{soc}} 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+V aus Excel), um OCV-SOC-Tabellen einzulesen und die Live-Kennlinie OCV = f(SOC) unmittelbar zu prüfen.
  • Konfidenzintervalle: Der Ausgang soc_sigma liefert die standardisierte Fehlerschätzung in Echtzeit, sodass Batteriemanagementsysteme verlässliche 95%-Konfidenzbänder (±2σ\pm 2\sigma) ausgeben können.
  • Konsistenzüberwachung: Das normalisierte Innovationsquadrat (NIS) überwacht die Filterfunktion und liegt im statistischen Mittel bei 1.0, sofern die Rauschkovarianzen QQ und RR mit dem realen Rauschen übereinstimmen.
  • Sensorausfall-Toleranz: Ein High-Signal am optionalen Eingang Dropout pausiert 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 (R0+R1∥C1R_0 + R_1 \parallel C_1) und korrigiert den Ladezustand über die nichtlineare OCV(SOC)OCV(SOC)-Kennlinie, was Schätzgenauigkeiten von unter 2%2\% 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.