Adaptive Extended Kalman Filtering for Battery State of Charge Estimation on STM32

Accurate and computationally light algorithms for estimating the state of charge (SoC) of a battery's cells are crucial for effective battery management on embedded systems. In this letter, we propose an adaptive extended Kalman filter (AEKF) for SoC estimation using a covariance adaptation tec...

Celý popis

Podrobná bibliografie

Vydáno v:	IEEE embedded systems letters Ročník 17; číslo 3; s. 160 - 163
Hlavní autoři:	Barros, Antonio, Peretti, Edoardo, Fabroni, Davide, Carrera, Diego, Fragneto, Pasqualina, Boracchi, Giacomo
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	IEEE 01.06.2025
Témata:	Adaptive extended Kalman filter (AEKF) Batteries Computational modeling Covariance matrices Data structures embedded implementation Integrated circuit modeling Kalman filters Load modeling Maximum likelihood estimation State of charge state of charge (SoC) estimation STM32 Voltage measurement
ISSN:	1943-0663, 1943-0671
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!