StefanCharlie的博客

reference:10种简单常用滤波方法Github-Stefanbit19961. 问题背景 Backgrounds此问题基于一种简单的动力电池SOH估计方法，即通过估计ESR(Equivalent-Series Resistance)来实现。估计ESR R0R_0R0​ 是一个相对比较简单的问题，以为它对于端电压测量是比较敏感的，这可以通过下面的过程来证明。2.敏感性验证 Sensitivity validation根据Dr.Plett的课程中的等效电路模型vk=OCV(zk)+Vh.

1.估计准则常用的估计准则包括：无偏估计：即假设状态的估计值与真实值的平均值相等。最小二乘估计：不考虑数据的统计特性，如期望，方差等，直接用最小二乘法得到最优估计。误差方差最小：在满足最小二乘估计的同时，使得估计的误差方差最小。这一约束可以通过一系列等价的推导获得，前提是要事先知道测量数据噪声的方差。简单来说就是，满足误差方差最小必满足误差平方和最小，反之不成立。而无偏估计是最基本假设。原文链接：https://blog.youkuaiyun.com/qinruiyan/article/details/5

nested functions not implemented in this context解决方法1.问题产生2.内嵌函数3.解决方式1.问题产生在处理Coursera course - Algorithms for Battery Management System - Part 3 - Battery State of Charge Estimation - Week 7 - Capstone 2 - Tuning SPKF时，内嵌函数在jupyter notebook的octave环境下运行

使用2-D Lookup Table模块实现RLS-EKF温度适应改动情况RLSEKF_20200513_2/RLS-EKF2/EKF_SOC/SOC-OCV-T Lookup TableRLSEKF_20200331/RLS-EKF/EKF_SOC/cal/cal_UocRLSEKF_20200331/RLS-EKF/EKF_SOC/cal/cal_C1性能比较数据记录改动情况本次改动的模块为：RLSEKF_20200513_2/RLS-EKF2/EKF_SOC/SOC-OCV-T Lookup