In dieser Woche werden Sie lernen, wie man die Schritte der Gaußschen sequentiellen probabilistischen Inferenzlösung ableitet, die die Grundlage für alle Zustandsschätzer im Stil der Kalman-Filterung bildet. Obwohl dieser Inhalt sehr theoretisch ist, ist es wichtig, ein solides Grundverständnis dieser Themen in der Praxis zu haben, da reale Anwendungen oft einige der in der Ableitung getroffenen Annahmen verletzen und wir verstehen müssen, welche Auswirkungen dies auf den Prozess hat. Am Ende dieser Woche werden Sie wissen, wie man den linearen Kalman-Filter herleitet.

Die Schritte eines Kalman-Filters mögen abstrakt und geheimnisvoll erscheinen. In dieser Woche lernen Sie verschiedene Möglichkeiten kennen, über die Funktionsweise des linearen Kalman-Filters nachzudenken und sie zu visualisieren, um ein besseres Verständnis dafür zu bekommen, wie er funktioniert. Außerdem lernen Sie, wie man einen linearen Kalman-Filter in Octave-Code implementiert und wie man die Ausgaben des Kalman-Filters auswertet.

Ein linearer Kalman-Filter kann verwendet werden, um den internen Zustand eines linearen Systems zu schätzen. Aber Batteriezellen sind nichtlineare Systeme. In dieser Woche werden Sie lernen, wie man die Schritte der Gaußschen sequentiellen probabilistischen Inferenzlösung für nichtlineare Systeme approximiert, was zum "erweiterten Kalman-Filter" (EKF) führt. Sie werden lernen, wie Sie den EKF in Octave-Code implementieren und wie Sie den EKF verwenden, um den SOC von Batteriezellen zu schätzen.

Der EKF ist der bekannteste und am häufigsten verwendete nichtlineare Kalman-Filter. Er hat jedoch einige grundlegende Einschränkungen, die seine Leistung für "sehr nichtlineare" Systeme einschränken. In dieser Woche lernen Sie, wie Sie den Sigma-Punkt-Kalman-Filter (manchmal auch "unscented Kalman-Filter" genannt) aus den Gaußschen sequentiellen probabilistischen Inferenzschritten ableiten. Sie werden auch lernen, wie Sie diesen Filter in Octave-Code implementieren und wie Sie ihn zur Schätzung des SOC von Batteriezellen verwenden können.

Die Kalman-Filterung setzt voraus, dass das Rauschen einen Mittelwert von Null hat. Was tun wir, wenn der Stromsensor einen Gleichstromfehler hat, wie es oft der Fall ist? Wie können wir SOC-Schätzer vom Typ Kalman-Filter auf eine rechnerisch effiziente Weise für ein Akkupaket mit vielen Zellen implementieren? In dieser Woche werden Sie lernen, wie man den Bias-Fehler des Stromsensors kompensiert und wie man die Bar-Delta-Methode für eine effiziente Berechnung implementiert. Außerdem lernen Sie die Desktop-Validierung als Ansatz für erste Tests und die Abstimmung von BMS-Algorithmen kennen.

Sie haben bereits gelernt, dass Kalman-Filter "getunt" werden müssen, indem man ihre Prozessrauschen-, Sensorrauschen- und anfänglichen Zustandsschätzungs-Kovarianzmatrizen anpasst, um eine akzeptable Leistung in einem breiten Spektrum von Betriebsszenarien zu erzielen. In diesem letzten Kursmodul werden Sie einige Erfahrungen mit der manuellen Abstimmung eines EKF und SPKF für die SOC-Schätzung sammeln.