In this course, you will learn how to implement different state-of-charge estimation methods and to evaluate their relative merits. By the end of the course, you will be able to:
Dieser Kurs ist Teil der Spezialisierung Spezialisierung Algorithms for Battery Management Systems
von
Spezialisierung Algorithms for Battery Management SystemsUniversity of Colorado SystemÜber diesen Kurs
47,399 kürzliche Aufrufe
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 3 von 5 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 28 Stunden zum Abschließen
Englisch
Untertitel: Englisch
Zertifikat zur Vorlage
Erhalten Sie nach Abschluss ein Zertifikat
100 % online
Beginnen Sie sofort und lernen Sie in Ihrem eigenen Tempo.
Kurs 3 von 5 in
Flexible Fristen
Setzen Sie Fristen gemäß Ihrem Zeitplan zurück.
Stufe „Mittel“
Ca. 28 Stunden zum Abschließen
Englisch
Untertitel: Englisch
von
University of Colorado System
The University of Colorado is a recognized leader in higher education on the national and global stage. We collaborate to meet the diverse needs of our students and communities. We promote innovation, encourage discovery and support the extension of knowledge in ways unique to the state of Colorado and beyond.
Lehrplan - Was Sie in diesem Kurs lernen werden
5 Stunden zum Abschließen
The importance of a good SOC estimator
This week, you will learn some rigorous definitions needed when discussing SOC estimation and some simple but poor methods to estimate SOC. As background to learning some better methods, we will review concepts from probability theory that are needed to be able to deal with the impact of uncertain noises on a system's internal state and measurements made by a BMS.
5 Stunden zum Abschließen
8 Videos (Gesamt 120 min), 13 Lektüren, 7 Quiz
8 Videos
3.1.2: What is the importance of a good SOC estimator?8m
3.1.3: How do we define SOC carefully?16m
3.1.4: What are some approaches to estimating battery cell SOC?26m
3.1.5: Understanding uncertainty via mean and covariance17m
3.1.6: Understanding joint uncertainty of two unknown quantities15m
3.1.7: Understanding time-varying uncertain quantities22m
3.1.8: Summary of "The importance of a good SOC estimator" and next steps3m
13 Lektüren
Notes for lesson 3.1.11m
Frequently Asked Questions5m
Course Resources5m
How to Use Discussion Forums5m
Earn a Course Certificate5m
Notes for lesson 3.1.21m
Notes for lesson 3.1.31m
Notes for lesson 3.1.41m
Introducing a new element to the course!10m
Notes for lesson 3.1.51m
Notes for lesson 3.1.61m
Notes for lesson 3.1.71m
Notes for lesson 3.1.81m
7 praktische Übungen
Practice quiz for lesson 3.1.210m
Practice quiz for lesson 3.1.310m
Practice quiz for lesson 3.1.410m
Practice quiz for lesson 3.1.515m
Practice quiz for lesson 3.1.610m
Practice quiz for lesson 3.1.730m
Quiz for week 140m
3 Stunden zum Abschließen
Introducing the linear Kalman filter as a state estimator
This week, you will learn how to derive the steps of the Gaussian sequential probabilistic inference solution, which is the basis for all Kalman-filtering style state estimators. While this content is highly theoretical, it is important to have a solid foundational understanding of these topics in practice, since real applications often violate some of the assumptions that are made in the derivation, and we must understand the implication this has on the process. By the end of the week, you will know how to derive the linear Kalman filter.
3 Stunden zum Abschließen
6 Videos (Gesamt 97 min), 6 Lektüren, 6 Quiz
6 Videos
3.2.2: The Kalman-filter gain factor23m
3.2.3: Summarizing the six steps of generic probabilistic inference9m
3.2.4: Deriving the three Kalman-filter prediction steps21m
3.2.5: Deriving the three Kalman-filter correction steps16m
3.2.6: Summary of "Introducing the linear KF as a state estimator" and next steps2m
6 Lektüren
Notes for lesson 3.2.11m
Notes for lesson 3.2.21m
Notes for lesson 3.2.31m
Notes for lesson 3.2.41m
Notes for lesson 3.2.51m
Notes for lesson 3.2.61m
6 praktische Übungen
Practice quiz for lesson 3.2.112m
Practice quiz for lesson 3.2.210m
Practice quiz for lesson 3.2.310m
Practice quiz for lesson 3.2.410m
Practice quiz for lesson 3.2.510m
Quiz for week 230m
4 Stunden zum Abschließen
Coming to understand the linear Kalman filter
The steps of a Kalman filter may appear abstract and mysterious. This week, you will learn different ways to think about and visualize the operation of the linear Kalman filter to give better intuition regarding how it operates. You will also learn how to implement a linear Kalman filter in Octave code, and how to evaluate outputs from the Kalman filter.
4 Stunden zum Abschließen
7 Videos (Gesamt 86 min), 7 Lektüren, 7 Quiz
7 Videos
3.3.2: Introducing Octave code to generate correlated random numbers15m
3.3.3: Introducing Octave code to implement KF for linearized cell model10m
3.3.4: How do we improve numeric robustness of Kalman filter?10m
3.3.5: Can we automatically detect bad measurements with a Kalman filter?14m
3.3.6: How do I initialize and tune a Kalman filter?12m
3.3.7: Summary of "Coming to understand the linear KF" and next steps2m
7 Lektüren
Notes for lesson 3.3.11m
Notes for lesson 3.3.21m
Notes for lesson 3.3.31m
Notes for lesson 3.3.41m
Notes for lesson 3.3.51m
Notes for lesson 3.3.61m
Notes for lesson 3.3.71m
7 praktische Übungen
Practice quiz for lesson 3.3.110m
Practice quiz for lesson 3.3.210m
Practice quiz for lesson 3.3.310m
Practice quiz for lesson 3.3.410m
Practice quiz for lesson 3.3.510m
Practice quiz for lesson 3.3.610m
Quiz for week 330m
4 Stunden zum Abschließen
Cell SOC estimation using an extended Kalman filter
A linear Kalman filter can be used to estimate the internal state of a linear system. But, battery cells are nonlinear systems. This week, you will learn how to approximate the steps of the Gaussian sequential probabilistic inference solution for nonlinear systems, resulting in the "extended Kalman filter" (EKF). You will learn how to implement the EKF in Octave code, and how to use the EKF to estimate battery-cell SOC.
4 Stunden zum Abschließen
8 Videos (Gesamt 101 min), 8 Lektüren, 7 Quiz
8 Videos
3.4.2: Deriving the three extended-Kalman-filter prediction steps15m
3.4.3: Deriving the three extended-Kalman-filter correction steps6m
3.4.4: Introducing a simple EKF example, with Octave code15m
3.4.5: Preparing to implement EKF on an ECM20m
3.4.6: Introducing Octave code to initialize and control EKF for SOC estimation13m
3.4.7: Introducing Octave code to update EKF for SOC estimation16m
3.4.8: Summary of "Cell SOC estimation using an EKF" and next steps2m
8 Lektüren
Notes for lesson 3.4.11m
Notes for lesson 3.4.21m
Notes for lesson 3.4.31m
Notes for lesson 3.4.41m
Notes for lesson 3.4.51m
Notes for lesson 3.4.61m
Notes for lesson 3.4.71m
Notes for lesson 3.4.81m
7 praktische Übungen
Practice quiz for lesson 3.4.110m
Practice quiz for lesson 3.4.210m
Practice quiz for lesson 3.4.310m
Practice quiz for lesson 3.4.410m
Practice quiz for lesson 3.4.510m
Practice quiz for lesson 3.4.710m
Quiz for week 430m
Über den Spezialisierung Algorithms for Battery Management Systems
In this specialization, you will learn the major functions that must be performed by a battery management system, how lithium-ion battery cells work and how to model their behaviors mathematically, and how to write algorithms (computer methods) to estimate state-of-charge, state-of-health, remaining energy, and available power, and how to balance cells in a battery pack.
Häufig gestellte Fragen
Wann erhalte ich Zugang zu den Vorträgen und Aufgaben?
Sobald Sie sich für ein Zertifikat angemeldet haben, haben Sie Zugriff auf alle Videos, Quizspiele und Programmieraufgaben (falls zutreffend). Aufgaben, die von anderen Kursteilnehmern bewertet werden, können erst dann eingereicht und überprüft werden, wenn Ihr Unterricht begonnen hat. Wenn Sie sich den Kurs anschauen möchten, ohne ihn zu kaufen, können Sie womöglich auf bestimmte Aufgaben nicht zugreifen.
Was bekomme ich, wenn ich diese Spezialisierung abonniere?
Wenn Sie sich für den Kurs anmelden, erhalten Sie Zugriff auf alle Kurse der Spezialisierung und Sie erhalten nach Abschluss aller Arbeiten ein Zertifikat. Ihr elektronisches Zertifikat wird zu Ihrer Seite „Errungenschaften“ hinzugefügt – von dort können Sie Ihr Zertifikat ausdrucken oder es zu Ihrem LinkedIn Profil hinzufügen. Wenn Sie nur lesen und den Inhalt des Kurses anzeigen möchten, können Sie kostenlos als Gast an dem Kurs teilnehmen.
Wie erfolgen Rückerstattungen?
Wenn Sie ein Abonnement abgeschlossen haben, erhalten Sie eine 7-tägige, kostenlose Testversion, die Sie gebührenfrei wieder kündigen können. Danach gewähren wir keine Rückerstattungen mehr, aber Sie können Ihr Abonnement jederzeit kündigen. Lesen Sie unsere vollständige Rückerstattungsrichtlinie.
Ist finanzielle Unterstützung möglich?
Ja, Coursera bietet für Kursteilnehmer, die sich die Kursgebühr nicht leisten können, finanzielle Unterstützung an. Bewerben Sie sich dafür, indem Sie auf den Link für finanzielle Unterstützung links unter der Schaltfläche „Anmelden“ klicken. Sie werden zum Ausfüllen eines Antrags aufgefordert und werden bei Genehmigung benachrichtigt. Diesen Schritt müssen Sie für jeden Kurs der Spezialisierung ausführen, auch für das Abschlussprojekt. Mehr erfahren
Erhalte ich akademische Leistungspunkte für den Abschluss des Kurses?
Für diesen Kurs gibt es keine akademischen Leistungspunkte, doch Hochschulen können nach eigenem Ermessen Leistungspunkte für Kurszertifikate vergeben. Wenden Sie sich an Ihre Einrichtung, um mehr zu erfahren. Online-Abschlüsse und Mastertrack™-Zertifikate auf Coursera bieten die Möglichkeit, akademische Leistungspunkte zu erwerben.
Haben Sie weitere Fragen? Besuchen Sie das Hilfe-Center für Teiln..
