ƒ

Battery SOC EKF

Advanced
Start het live voorbeeld Gratis · geen account · draait in je browser

Het BatterySocEkf-blok implementeert een Extended Kalman Filter (EKF) om de laadtoestand (State of Charge, SOC) van een batterijcel online te schatten op basis van klemspanning- en belastingsstroommetingen. Aan de hand van een equivalent elektrisch circuitmodel met één of twee RC-polarisatietakken compenseert het filter voor de integratiedrift van coulomb-telling en spanningsvertraging door polarisatie, terwijl het gelijktijdig de offset (bias) van de stroomsensor en statistische betrouwbaarheidsgrenzen (±2σ\pm 2\sigma) schat.

Nullastspanningskarakteristieken (Open-Circuit Voltage, OCV) worden geconfigureerd via een Excel-achtige 2-koloms tabelbewerker (SOC (0–1) en OCV (V)) met een directe live OCV-curveweergave (OCV = f(SOC)), geëvalueerd via lineaire interpolatie of monotone kubische Hermite-splines (smooth). Gemeten celkarakteristieken kunnen rechtstreeks worden geïmporteerd of geëxporteerd via CSV (battery_ocv.csv) of geplakt vanuit Excel (Ctrl+V). Alle 21 parameters zijn overzichtelijk ingedeeld in vier secties: _Initiële toestand & timing_, _Ruiscovarianties (Q & R)_, _Equivalent celmodel_, en _OCV-opzoektabel & solver_.

Wiskundig Model

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

De continue toestandsdynamica en klemspanningsvergelijking luiden:

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]

Toestandscovariantiematrix-extrapolatie en geïtereerde meetcorrectie volgen de discrete Kalman-recursie:

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}

Ingangen & Uitgangen

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

Parameters

Parameters Label Type Standaard Beschrijving
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

Gebruiksvoorbeelden

Voorbeeld 1: SOC-initialisatie van een uitgeruste cel

Een uitgeruste lithiumcel met een klemspanning van 3.72 V wordt geïnitialiseerd met een onzekere schatting (socInit=0.6\text{socInit} = 0.6). Zodra klemspanningsmetingen binnenkomen, convergeert het EKF binnen 1.5 s naar de werkelijke 30% SOC en daalt σsoc\sigma_{\text{soc}} van 10% naar onder 1%.

Voorbeeld 2: Dynamische rijcyclus met stroomsensor-bias

Tijdens pulserende ontlaadcycli van een elektrisch voertuig schat het filter zowel de laadtoestand als een DC-stroomoffset van 150 mA op de sensor, wat integratiedrift op de lange termijn voorkomt.

Opmerkingen & Best Practices

  • Interactieve OCV-spreadsheet & CSV-import/export: Gebruik 📂 Importeer CSV, 💾 Exporteer CSV (battery_ocv.csv) of direct plakken vanuit Excel (Ctrl+V) om OCV-SOC-meetreeksen te laden en direct de live OCV = f(SOC) curve te inspecteren.
  • Onzekerheidsgrenzen: De soc_sigma-uitgang levert real-time schattingsfoutgrenzen, waarmee BMS-systemen 95%-betrouwbaarheidsintervallen (±2σ\pm 2\sigma) kunnen berekenen.
  • Consistentiebewaking: De genormaliseerde innovatiekwadraten (NIS) bewaken de filtergezondheid, met een theoretisch gemiddelde van 1.0 wanneer ruiscovarianties QQ en RR overeenstemmen met de werkelijkheid.
  • Sensoruitval-resistentie: Een hoog signaal op de optionele Dropout-ingang pauzeert meetcorrecties, waardoor het filter naadloos overschakelt op coulomb-telling terwijl de toestandscovariantie realistisch toeneemt.
  • Niet-lineaire robuustheid: Het gebruik van gladde kubische Hermite-interpolatie en meerdere meetiteraties voorkomt numerieke instabiliteit op punten waar de OCV-curve steile hellingen vertoont.

Veelgestelde Vragen van Ingenieurs (FAQ)

Q: Waarom is een Extended Kalman Filter (EKF) superieur aan Coulomb counting voor batterij-SOC?

Coulomb counting (SOC(t)=SOC0−1Qn∫IdtSOC(t) = SOC_0 - \frac{1}{Q_n} \int I dt) drift onherroepelijk af door sensorbias en parasitaire verliezen. Een EKF combineert stroomintegratie met een vervangingsschema (R0+R1∥C1R_0 + R_1 \parallel C_1) en corrigeert de toestand continu via de niet-lineaire open-klemspanningscurve Vt=OCV(SOC)−IR0−VRCV_t = OCV(SOC) - I R_0 - V_{RC}, waardoor de SOC-nauwkeurigheid binnen ±2%\pm 2\% gegarandeerd blijft.

Gerelateerde Componenten

  • KalmanFilter: Lineair Kalman-filter voor toestandsschatting in lineaire dynamische systemen.
  • LookupTable: Eendimensionale tabelopzoeking voor statische niet-lineaire verbanden.
  • RandomNumber: Gaussiaanse ruisbron voor het simuleren van sensor- en procesruis.