Cette semaine, vous apprendrez à dériver les étapes de la solution d'inférence probabiliste séquentielle gaussienne, qui est la base de tous les estimateurs d'état de type filtre de Kalman. Bien que ce contenu soit très théorique, il est important d'avoir une solide compréhension de base de ces sujets dans la pratique, puisque les applications réelles violent souvent certaines des hypothèses qui sont faites dans la dérivation, et nous devons comprendre l'implication que cela a sur le processus. À la fin de la semaine, vous saurez comment dériver le filtre de Kalman linéaire.

Les étapes d'un filtre de Kalman peuvent sembler abstraites et mystérieuses. Cette semaine, vous apprendrez différentes façons de penser et de visualiser le fonctionnement du filtre de Kalman linéaire afin d'avoir une meilleure intuition de son fonctionnement. Vous apprendrez également à implémenter un filtre de Kalman linéaire dans le code Octave et à évaluer les sorties du filtre de Kalman.

Un filtre de Kalman linéaire peut être utilisé pour estimer l'état interne d'un système linéaire. Mais les cellules de batterie sont des systèmes non linéaires. Cette semaine, vous apprendrez comment approximer les étapes de la solution d'inférence probabiliste séquentielle gaussienne pour les systèmes non linéaires, ce qui donne le "filtre de Kalman étendu" (EKF). Vous apprendrez à implémenter l'EKF dans le code Octave et à utiliser l'EKF pour estimer l'état des cellules de la batterie.

L'EKF est le filtre de Kalman non linéaire le plus connu et le plus utilisé. Cependant, il présente certaines limites fondamentales qui restreignent ses performances pour les systèmes "très non linéaires". Cette semaine, vous apprendrez à dériver le filtre de Kalman à point sigma (parfois appelé "filtre de Kalman non accentué") à partir des étapes d'inférence probabiliste séquentielle gaussienne. Vous apprendrez également à implémenter ce filtre dans le code Octave et à l'utiliser pour estimer l'état des cellules d'une batterie.

Le filtrage de Kalman exige que les bruits aient une moyenne nulle. Que faire si le capteur de courant présente une erreur de biais en courant continu, comme c'est souvent le cas ? Comment pouvons-nous mettre en œuvre des estimateurs SOC de type filtre de Kalman d'une manière efficace sur le plan informatique pour un bloc-batterie comprenant de nombreuses cellules ? Cette semaine, vous apprendrez comment compenser l'erreur de biais du capteur de courant et comment mettre en œuvre la méthode bar-delta pour une meilleure efficacité de calcul. Vous découvrirez également la validation de bureau en tant qu'approche pour les tests initiaux et le réglage des algorithmes BMS.

Vous avez déjà appris que les filtres de Kalman doivent être "réglés" en ajustant leurs matrices de covariance de bruit de processus, de bruit de capteur et d'estimation de l'état initial afin d'obtenir des performances acceptables dans une large gamme de scénarios d'exploitation. Ce dernier module de cours vous permettra d'acquérir de l'expérience dans le réglage manuel d'un EKF et d'un SPKF pour l'estimation du SOC.