电池SOC估计实战：从EKF到UKF，手把手教你用卡尔曼滤波搞定锂电池电量估算

🔋 电池SOC估计实战：从EKF到UKF，手把手教你用卡尔曼滤波搞定锂电池电量估算

准确估计电池剩余电量，是电动车、储能系统的核心技术难题。本文带你深入理解扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）在锂电池SOC估算中的应用，附完整MATLAB代码实现。

一、为什么SOC估算这么难？

锂电池的荷电状态（State of Charge，SOC）无法直接测量，只能通过电流积分（安时积分法）或电压查表法间接推算。然而：

• 安时积分法受初始误差和累积误差困扰
• 开路电压法需要电池静置数小时，实时性差
• 电池内部复杂的电化学特性、温度、老化等因素使SOC估算成为一项“看不见、摸不着”的挑战

卡尔曼滤波家族正是解决这类动态系统状态估计问题的利器。本文将展示如何基于Thevenin等效电路模型，分别用扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）实现高精度SOC估计。

二、电池建模：一阶RC等效电路

我们采用最常见的一阶Thevenin模型，结构简单又能捕捉电池动态特性：

电路方程（电流放电方向为正）：

UL(t) = UOC - Up(t) - Ro·I(t) I(t) = Up(t)/Rp + Cp·dUp(t)/dt

其中：

• UL– 负载端电压（可测量）
• UOC– 开路电压（与SOC是非线性函数）
• Up– 极化电容两端电压（状态量）
• Ro– 欧姆内阻
• Rp,Cp– 极化电阻和电容

离散化后的状态方程（采样间隔Δt）：

SoC(k) = SoC(k-1) - η·Δt/Qn · I(k-1) Up(k) = exp(-Δt/τ)·Up(k-1) + Rp·(1-exp(-Δt/τ))·I(k-1)

其中τ = Rp·Cp，η为库伦效率，Qn为额定容量。

写成矩阵形式：

X(k) = A·X(k-1) + B·I(k-1)

状态向量X = [SoC; Up]，矩阵A、B由模型参数构成。

三、扩展卡尔曼滤波（EKF）核心步骤

EKF的核心思想：对非线性函数做一阶泰勒展开，将其线性化。

3.1 预测阶段

根据上一时刻状态和当前电流，预测当前状态：

States_pre=A*States_upd(:,T-1)+B*I_ob;P_Cov=A*P_Cov*A'+[Qs0;0Qu];

同时预测端电压：

UL_pre=UOC_pre-Up_pre-I_ob*Ro_pre;

3.2 线性化

对观测方程UL = g(SoC, Up, I)求偏导：

C1=dUOC/dSoC;% 由UOC-SoC拟合多项式求导得到C=[C1-1];% 观测矩阵

3.3 更新阶段

计算卡尔曼增益，融合实际测量电压UL_ob修正状态：

K=P_Cov*C'/(C*P_Cov*C'+R);States_upd=States_pre+K*(UL_ob-UL_pre);P_Cov=P_Cov-K*C*P_Cov;

整个过程清晰明了，就像“预测→修正”的智慧闭环。

四、无迹卡尔曼滤波（UKF）：更高阶的替代方案

EKF的线性化会引入截断误差，对于高度非线性的UOC-SoC关系，UKF通过Sigma点采样直接传递概率分布，精度更高。

UKF关键步骤：

1. 构造Sigma点集：围绕当前状态均值，按一定规则生成2n+1个采样点
2. 非线性传播：每个Sigma点通过状态方程和观测方程
3. 计算预测均值和协方差
4. 更新：类似卡尔曼滤波，但增益基于Sigma点统计量

核心代码片段：

% Sigma点采样sigma=[Xsigma,Xsigma+sqrt((n+lambda)*P),Xsigma-sqrt((n+lambda)*P)];% 预测状态forks=1:2*n+1sigma(ks)=sigma(ks)-I_ob*ts/(Capacity*3600);sxk=Wm(ks)*sigma(ks)+sxk;end% 计算卡尔曼增益并更新SoC_UKF(T)=sxk+kgs*(UL_ob_UKF-syk);

UKF不需要显式计算雅可比矩阵，实现起来反而更简洁，且对强非线性系统更鲁棒。

五、参数辨识与工况验证

5.1 模型参数拟合

通过HPPC（混合脉冲功率特性）测试数据，将UOC,Ro,Rp,Cp拟合为SOC的多项式函数（6次多项式效果最佳）。例如UOC的拟合公式：

UOC=3.44003+1.71448*SoC-3.51247*SoC^2+5.70868*SoC^3-5.06869*SoC^4+1.86699*SoC^5;

5.2 动态工况测试

采用BBDST作为输入电流，电流波形剧烈变化，接近真实行车场景。

5.3 仿真结果对比

在MATLAB中运行主函数main(1,1)，得到以下结果：

• 蓝色实线：真实SOC
• 紫色点划线：安时积分法（误差随时间累积）
• 绿色点划线：EKF估计（迅速收敛）
• 橙色点划线：UKF估计（精度最高，抖动小）

误差统计（典型运行结果）：

UKF在SOC初始值错误（比如设为1而实际为0.8）的情况下，仍能快速收敛到真值，展现出强大的鲁棒性。

六、Simulink与脚本双实现

项目提供了两种实现方式：

1. Simulink模型（Improved_EKFSim.slx）：适合快速原型验证，模块化清晰
   

2. MATLAB脚本（EKF_UKF_Thev.m+main.m）：便于参数调优和算法对比

运行方式：

>>main(1,1)% 工况1（BBDST），初始SOC=1>>main(2,0.8)% 工况2（恒流间歇），初始SOC=0.8

脚本会输出估计误差的平均值和标准差，并自动绘制SOC曲线和误差曲线。

七、总结与工程建议

工程实践小贴士：

• 过程噪声协方差Q和观测噪声协方差R需要根据实际传感器特性调试，不是固定值
• 电池参数随温度、老化变化，建议加入在线辨识（如递推最小二乘）
• UKF的Sigma点参数（α, β, κ）可参考标准文献：α=0.01~1，β=2（高斯分布最优）

本项目完整代码可以直接下载运行，修改参数、对比算法，快速搭建自己的电池SOC估计器。

思考：当电池老化后，模型参数会偏移，卡尔曼滤波还能保持精度吗？
欢迎在评论区留言讨论！后续我们将带来自适应卡尔曼滤波和电池健康状态（SOH）联合估计的干货内容。

完整代码私信电池SOC估计实战：从EKF到UKF，手把手教你用卡尔曼滤波搞定锂电池电量估算