ƒ

Battery SOC EKF

Advanced
Lancer l’exemple en direct Gratuit · sans inscription · dans votre navigateur

Le bloc BatterySocEkf implémente un filtre de Kalman étendu (EKF) pour estimer l'état de charge (State of Charge, SOC) d'une cellule de batterie à partir des mesures de tension aux bornes et de courant de charge. Utilisant un modèle de circuit équivalent comportant une ou deux branches RC de polarisation, il compense la dérive d'intégration du comptage coulométrique ainsi que le retard de polarisation, tout en estimant le biais du capteur de courant et les intervalles de confiance statistiques (±2σ\pm 2\sigma).

La courbe de tension en circuit ouvert (Open-Circuit Voltage, OCV) est configurée dans un éditeur sous forme de feuille de calcul à 2 colonnes (SOC (0–1) et OCV (V)) avec un tracé dynamique de la courbe (OCV = f(SOC)), évaluée par interpolation linéaire ou par splines cubiques monotones d'Hermite (smooth). Les relevés expérimentaux de fiches techniques peuvent être importés et exportés en CSV (battery_ocv.csv) ou collés directement depuis Excel (Ctrl+V). Les 21 paramètres sont organisés en quatre sections logiques : _État initial & synchronisation_, _Covariances de bruit (Q & R)_, _Modèle de circuit équivalent_ et _Table OCV & solveur_.

Modèle Mathématique

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

La dynamique d'état continue et l'équation de mesure de la tension aux bornes sont définies par :

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]

L'extrapolation de la covariance d'état et la mise à jour itérée de mesure suivent la récursion de Kalman discrète :

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}

Entrées & Sorties

Direction ID Label Type 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

Paramètres

Paramètres Label Type Défaut Description
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

Exemples d'Utilisation

Exemple 1 : Initialisation du SOC sur cellule au repos

Une cellule lithium au repos à 3.72 V est initialisée avec une estimation imprécise (socInit=0.6\text{socInit} = 0.6). Dès l'arrivée des mesures de tension, l'EKF converge vers le SOC réel de 30% en moins de 1.5 s, réduisant σsoc\sigma_{\text{soc}} de 10% à moins de 1%.

Exemple 2 : Profil de roulage dynamique avec dérive de capteur

Durant des cycles de décharge pulsée de véhicule électrique, le filtre estime simultanément l'état de charge et un offset de 150 mA sur le capteur de courant, évitant toute dérive à long terme du calcul coulométrique.

Remarques & Bonnes Pratiques

  • Feuille de calcul OCV interactive & import/export CSV : Utilisez 📂 Importer CSV, 💾 Exporter CSV (battery_ocv.csv) ou le collage direct (Ctrl+V depuis Excel) pour charger des courbes réelles et inspecter le tracé OCV = f(SOC).
  • Intervalles de confiance : La sortie soc_sigma quantifie l'écart-type d'erreur d'estimation en temps réel, permettant au BMS d'afficher des bornes de confiance à 95% (±2σ\pm 2\sigma).
  • Surveillance de cohérence : L'innovation quadratique normalisée (NIS) contrôle le fonctionnement statistique du filtre, avec une moyenne théorique de 1.0 lorsque les matrices QQ et RR reflètent le bruit réel.
  • Tolérance aux pannes de capteurs : L'activation de l'entrée optionnelle Dropout suspend les corrections de mesure et bascule sur le seul comptage coulométrique avec accroissement réaliste de la covariance.
  • Robustesse non linéaire : L'interpolation par splines cubiques régulières et les itérations locales évitent les discontinuités de covariance dans les zones à forte pente de la caractéristique OCV.

Questions Fréquemment Posées (FAQ)

Q: Why is an Extended Kalman Filter (EKF) superior to Coulomb counting for battery SOC?

Pure Coulomb counting (SOC(t)=SOC0−1Qn∫IdtSOC(t) = SOC_0 - \frac{1}{Q_n} \int I dt) irreversibly drifts due to current sensor offsets and unmodeled parasitic reactions. An EKF pairs the Coulomb counting integrator with an Equivalent Circuit Model (ECM, R0+R1∥C1R_0 + R_1 \parallel C_1) and corrects the state estimate at each step using the nonlinear open-circuit voltage relationship Vt=OCV(SOC)−IR0−VRCV_t = OCV(SOC) - I R_0 - V_{RC}. This bounds SOC estimation error within ±2%\pm 2\% across temperature shifts and aging.

Composants Associés

  • KalmanFilter : Filtre de Kalman linéaire pour l'estimation d'état des systèmes dynamiques linéaires.
  • LookupTable : Table de correspondance unidimensionnelle pour non-linéarités statiques.
  • RandomNumber : Source de bruit gaussien pour simuler le bruit de mesure et de procédé.