电池SOC仿真系列-基于双卡尔曼滤波（KF+UKF）算法的电池SOC估算

原创

已于 2022-09-04 15:09:06 修改 · 4.8k 阅读

于 2022-09-04 10:40:30 首次发布

本文介绍了无迹卡尔曼滤波（UKF）在电池状态-of-charge（SOC）估算中的应用，UKF通过无迹变换处理非线性问题，提供更高的精度。相比于扩展卡尔曼滤波（EKF），UKF避免了线性化误差和复杂的雅可比矩阵计算。算法流程包括状态和测量方程更新，通过UT变换构建Sigma点并进行卡尔曼增益计算。仿真结果表明，UKF算法相对于EKF在电池SOC估算上具有更高的准确性，适用于电池管理系统的要求。

基于双卡尔曼滤波（KF+UKF）算法的电池SOC估算

前文讲述了基于扩展卡尔曼滤波（EKF）的双卡尔曼滤波（KF+EKF）算法电池SOC估算方法，本期带来基于无迹卡尔曼滤波（Unscented Kalman Filter，UKF）的双卡尔曼滤波（KF+UKF）算法的电池SOC估算。
无迹卡尔曼滤波是一种采样策略逼近非线性分布的滤波方法，UKF的核心是一种通过计算非线性变换中变量的统计特征进行估计称为无迹变换（Unscented Transform，UT）的新方法，采用Kalman滤波算法的框架，UKF利用UT变换在估计点附近确定采样，将一个状态估计点转换为多个估计点，根据权值的不同将状态估计点的值传递给后面的观测值，按照观测值以及真实测量值的误差，通过反馈不断对相应的权值做出修正，以此逼近函数的概率密度分布，这可以使得非线性变换后的均值和协方差的精度更高，最终得到相对比较理想的状态值。

1、无迹卡尔曼滤波

卡尔曼滤波算法的基本步骤是以“预测—实际测量—校正”的顺序向后进行递推运算，利用系统的测量值作为反馈来消除夹杂的随机干扰，其状态方程以及观测方程可以表示为：
在这里插入图片描述
式中，xk代表k时刻的系统状态向量值，它可以是一个多参数矩阵。
第一个式子为状态表达式，这个式子主要用来表达系统在所测的各个时刻的特性，所求参数的稳定性、能控性和能观性均由该方程决定；
uk代表k时刻的系统输入值。参数估计系统的随