估计器
利用库仑计数和卡尔曼滤波器算法估计电池的荷电状态、端电阻和健康状态。
模块
精选示例
估计电池模组的最大充放电功率
此示例演示了如何使用 Battery Power Estimator 模块估计电池模组的最大充电和放电功率。
使用 Bar-Delta 滤波估计电池荷电状态
本例演示了如何通过条形三角滤波估计电池电芯的荷电状态 (SOC)。电池包由五个串联的电芯组成。每个电池电芯的初始 SOC 值在 0.45 至 0.65 之间。该估计技术采用电池组状态电量 (SOC) 估计器来获取电池组平均状态电量。电芯 SOC 估计器利用电池组平均 SOC 值来估计电芯的 SOC。电池持续充放电六小时。该估计器在不到 10 分钟内收敛至 SOC 的真实值，随后持续跟踪真实 SOC 值。bar-delta 滤波在计算上高效，因为它使用一个完整的卡尔曼滤波器和 Ns 个单状态卡尔曼滤波器，其中 Ns 表示串联电芯的数量。
估计磷酸铁锂电池的荷电状态
此示例说明了如何使用带误差校正的库仑计数法估计磷酸铁锂 (LFP) 电池的荷电状态 (SOC)。库仑计数方法以 1 秒的采样时间实现。为了校正库仑计数方法的估计值，该示例实现了采样时间为 10 秒的扩展卡尔曼滤波器。电池的初始 SOC 等于 0.4。估计器使用初始条件，其中 SOC 等于 0.6。LFP 电池持续充电和放电六小时。估计器在大约半个小时内收敛到 SOC 的实际值，然后跟随实际 SOC 值。
电池荷电状态估计
此示例说明了如何使用卡尔曼滤波器估计电池的荷电状态 (SOC)。电池的初始 SOC 等于 0.5。估计器使用的 SOC 初始条件等于 0.8。电池持续充电和放电 6 小时。扩展卡尔曼滤波器估计器在不到 10 分钟的时间内收敛到 SOC 的实际值，然后跟随 SOC 的实际值。要使用不同的卡尔曼滤波器实现，在 SOC Estimator (Kalman Filter) 模块中，将滤波器类型参数设置为所需值。
电池健康状态估计
此示例说明了如何使用自适应卡尔曼滤波器估计电池的内阻和健康状态 (SOH)。电池的初始荷电状态 (SOC) 为 0.6。估计器使用初始条件，其中 SOC 等于 0.65。电池持续充电和放电 10 小时。无香卡尔曼滤波器估计器在估计内阻的同时，还收敛到 SOC 的实际值。要使用不同的卡尔曼滤波器实现，在 SOC Estimator (Kalman Filter) 模块中，将滤波器类型参数设置为所需值。
带荷电状态估计器的充电和放电电池模组
此示例说明了如何循环充电和放电电池模组，同时估计模组中三个并联组件随时间变化的荷电状态 (SOC)。此示例使用 SOC 估计值在充电和放电配置文件之间进行切换。为了进行估计，卡尔曼滤波器使用初始 SOC 估计值以及并联组件的电压、电流和温度。该模型根据每个并联组件的电芯平均温度来估计并联组件的温度。
基于容量衰减估计电池健康状态
此示例说明了如何使用卡尔曼滤波器估计电池容量和健康状态 (SOH)。电池的初始荷电状态 (SOC) 为 0.5。估计器使用的 SOC 初始条件等于 0.8。电池持续充电和放电长达 50 小时。该示例使用扩展卡尔曼滤波器估计电池容量（以安培小时为单位）和 SOC。电池容量的估计误差小于 4%。SOC 使用扩展卡尔曼滤波器进行估计。使用固定容量时，估计的 SOC 值与真实值会出现偏差。为了演示估计器的功能并限制仿真的持续时间，此示例对容量衰减率的增加进行了建模。
