Battery SOC EKF
AdvancedLe 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 ().
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
La dynamique d'état continue et l'équation de mesure de la tension aux bornes sont définies par :
L'extrapolation de la covariance d'état et la mise à jour itérée de mesure suivent la récursion de Kalman discrète :
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 (). Dès l'arrivée des mesures de tension, l'EKF converge vers le SOC réel de 30% en moins de 1.5 s, réduisant 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+Vdepuis Excel) pour charger des courbes réelles et inspecter le tracéOCV = f(SOC). - Intervalles de confiance : La sortie
soc_sigmaquantifie l'écart-type d'erreur d'estimation en temps réel, permettant au BMS d'afficher des bornes de confiance à 95% (). - Surveillance de cohérence : L'innovation quadratique normalisée (NIS) contrôle le fonctionnement statistique du filtre, avec une moyenne théorique de 1.0 lorsque les matrices et reflètent le bruit réel.
- Tolérance aux pannes de capteurs : L'activation de l'entrée optionnelle
Dropoutsuspend 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 () irreversibly drifts due to current sensor offsets and unmodeled parasitic reactions. An EKF pairs the Coulomb counting integrator with an Equivalent Circuit Model (ECM, ) and corrects the state estimate at each step using the nonlinear open-circuit voltage relationship . This bounds SOC estimation error within 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.