电池模型与卡尔曼滤波

电池模型与卡尔曼滤波SOC估算 --- 几小时快速学习方案

适用前提：已掌握安时积分+多源修正的SOC估算方法（如本工程 SOCRENew 中的实现），希望进一步了解基于模型的卡尔曼滤波方案。

学习路线总图

复制代码

你已有的知识                         本方案新增
─────────────                      ────────────
安时积分 (Ah counting)    ─→    状态方程 (State Equation)
OCV-SOC 查表              ─→    观测方程 (Observation Equation)
多源校准修正               ─→    卡尔曼增益 (Kalman Gain)
固定系数追踪               ─→    误差协方差迭代 (P matrix)
安时积分累加器             ─→    离散时间状态空间模型

核心认知：卡尔曼滤波SOC估算本质上就是"安时积分 + 动态自适应的加权修正"------安时积分提供预测值，电压测量提供修正值，卡尔曼增益动态决定"信安时积分多一点还是信电压多一点"。

第一阶段：电池等效电路模型（约1.5小时）

1.1 为什么需要模型

安时积分法只有一个"状态"：SOC本身。但真实电池的行为更复杂------电流变化后，电压不会立刻稳定到OCV，而是要经过一个动态过程（极化效应）。你代码中均衡关断后的"死区等待"本质上就是在等极化消退。

电池等效电路模型（ECM，Equivalent Circuit Model）用R、C元件来描述这个动态过程，让BMS可以"预测"电压的瞬态行为。

1.2 Thevenin模型（一阶RC）--- 起点

复制代码

电路结构：

        R0(欧姆内阻)     R1(极化内阻)
OCV ───[≈2mΩ]───┬──────[≈3mΩ]────── + 端
                 │                   │
                 C1(极化电容)        V_terminal
                 [≈5kF]             (可测量的端电压)
                 │                   │
                 └─────────────────── - 端

物理含义：

OCV：开路电压，仅与SOC和温度相关，是我们要估计的"真值"
R0：欧姆内阻，电流突变的瞬间电压跳变就由它产生。τ ≈ 0（瞬时）
R1 × C1：极化环节，时间常数 τ₁ = R₁×C₁ ≈ 10~60s，描述电压的慢速恢复过程

数学描述（连续时间）：

极化电压的微分方程：

d V 1 d t = − V 1 R 1 C 1 + I C 1 \frac{dV_1}{dt} = -\frac{V_1}{R_1 C_1} + \frac{I}{C_1} dtdV1=−R1C1V1+C1I

端电压方程：

V t e r m i n a l = O C V ( S O C ) − V 1 − I ⋅ R 0 V_{terminal} = OCV(SOC) - V_1 - I \cdot R_0 Vterminal=OCV(SOC)−V1−I⋅R0

1.3 二阶RC模型 --- 更精确

在一阶基础上再加一个时间常数不同的RC环节：

复制代码

OCV ──[R0]──┬──[R1∥C1](τ₁≈1~100ms, 欧姆恢复)──┬──[R2∥C2](τ₂≈10~600s, 扩散极化)── + 端
             │                                   │
             └─────────────────────────────────────────────────────────────────── - 端

两个RC分别对应上一节"均衡关断后的电压恢复"中提到的快速恢复和慢速恢复。二阶模型对LFP电池尤其重要，因为极化效应更复杂。

学习建议：

先掌握一阶模型（Thevenin），理解R0、R1、C1各自的物理意义
二阶模型只是加了一个RC，数学形式一样，不影响后续卡尔曼滤波的理解
不用一开始就纠结"参数怎么辨识"，第二阶段再学

推荐阅读（优先前2个）：

CSDN：搜索 电池等效电路模型 Thevenin PNGV 区别 --- 找对比图最多的那篇
CSDN：搜索 锂电池二阶RC等效电路模型详解 --- 找有电路图+公式推导的
Youtube：搜索 Battery Equivalent Circuit Model Lecture --- Colorado Boulder大学Greg Plett的公开课，这个领域最权威的人
论文：Plett G L., "Extended Kalman filtering for battery management systems of LiPB-based HEV battery packs" (2004) --- EKF做SOC的开山之作

第二阶段：参数辨识 --- HPPC测试与最小二乘（约1小时）

2.1 模型参数从哪来

上面列了R0、R1、C1等参数，这些值不是从数据手册查的------是测出来的。标准方法叫 HPPC（Hybrid Pulse Power Characterization）测试。

HPPC测试简要流程：

将电芯调整到目标SOC（如90%）
静置1小时（极化消退）
施加脉冲电流 I_pulse（如1C = 100A），持续10~30秒
静置40秒，观察电压恢复
在不同SOC点（90%, 80%, ..., 20%, 10%）重复上述步骤

从HPPC脉冲响应中提取参数：

复制代码

电流 I
  ▲        ┌─── 10s 脉冲 ───┐
  │        │                 │
──┼────────┘                 └──────────
  │  ← 静置 →                ← 静置 →
  └──────────────────────────────────→ t

电压 V
  ▲  ← ΔV_R0 (瞬时跳变，由 R0 产生)
  │   ╲
  │    ╲___ ← ΔV_R1 (指数衰减，由 R1∥C1 产生)
  │         ╲_____________
  │                         ╱  ← 恢复（对称过程）
  │                        ╱
──┼───────────────────────────────→ t
  │← R0 →│←── R1∥C1 指数 ──→│

参数计算公式：

R 0 = Δ V R 0 I p u l s e = V ( t 1 ) − V ( t 0 ) I p u l s e R_0 = \frac{\Delta V_{R0}}{I_{pulse}} = \frac{V(t_1) - V(t_0)}{I_{pulse}} R0=IpulseΔVR0=IpulseV(t1)−V(t0)

R 1 = Δ V R 1 I p u l s e = V ( t 2 ) − V ( t 1 ) I p u l s e R_1 = \frac{\Delta V_{R1}}{I_{pulse}} = \frac{V(t_2) - V(t_1)}{I_{pulse}} R1=IpulseΔVR1=IpulseV(t2)−V(t1)

C 1 = τ 1 R 1 , τ 1 由指数拟合得到 C_1 = \frac{\tau_1}{R_1}, \quad \tau_1 \text{由指数拟合得到} C1=R1τ1,τ1由指数拟合得到

2.2 多SOC/多温度下参数变化的规律

做完HPPC后你会发现：R0、R1、C1都不是常数------它们随SOC和温度显著变化：

条件	R0	R1	说明
SOC 90%, 25°C	1.5mΩ	2mΩ	正常值
SOC 50%, 25°C	1.8mΩ	3mΩ	LFP平台区内阻稍大
SOC 10%, 25°C	2.5mΩ	8mΩ	低SOC时内阻急剧增大
SOC 50%, 0°C	4mΩ	20mΩ	低温下内阻翻倍以上
SOC 50%, -20°C	10mΩ	80mΩ	极低温下内阻巨大

这就是为什么需要查表 ：你代码中 CellVPlatformLimUpdate 根据温度查电压平台限制，思路相同------ECM参数也要根据 SOC 和温度做二维查表。

2.3 在线参数辨识 --- RLS（递归最小二乘）

离线HPPC测试的局限：电芯老化后参数会漂移，离线标定的表就过时了。**RLS（Recursive Least Squares，递归最小二乘）**可以在线更新模型参数。

核心思想：用最近一段时间内的电压、电流数据，持续递推更新R0、R1、C1，使模型预测的端电压与实际测量值误差最小。

RLS的递推公式（了解即可，不必背）：

K ( k ) = P ( k − 1 ) φ ( k ) λ + φ T ( k ) P ( k − 1 ) φ ( k ) K(k) = \frac{P(k-1)\varphi(k)}{\lambda + \varphi^T(k)P(k-1)\varphi(k)} K(k)=λ+φT(k)P(k−1)φ(k)P(k−1)φ(k)

θ ^ ( k ) = θ ^ ( k − 1 ) + K ( k ) $y ( k ) − φ T ( k ) θ \^ ( k − 1 )$ \hat{\theta}(k) = \hat{\theta}(k-1) + K(k) $y(k) - \\varphi\^T(k)\\hat{\\theta}(k-1)$ θ^(k)=θ^(k−1)+K(k) $y(k)−φT(k)θ\^(k−1)$

P ( k ) = 1 λ $I - K ( k ) φ T ( k )$ P ( k − 1 ) P(k) = \frac{1}{\lambda} $I - K(k)\\varphi\^T(k)$ P(k-1) P(k)=λ1 $I-K(k)φT(k)$ P(k−1)

其中 λ \lambda λ 是遗忘因子（通常0.95~0.995），决定"忘掉旧数据的速度"。

学习建议：

先理解HPPC测试流程和参数提取方法（这是基础）
RLS作为进阶了解------知道有这么个东西能在运行中自动更新参数就行
实际嵌入式实现时，RLS对算力要求比离线查表高得多，很多产品仍然是"出厂标定+温度SOC二维查表"方案

推荐阅读：

CSDN：搜索 HPPC测试电池参数辨识 R0 R1 C1 --- 找有电压曲线截图标注ΔV的文章
CSDN：搜索 遗忘因子最小二乘法 FFRLS 电池模型 --- RLS在电池中的应用
B站：搜索 HPPC测试方法 --- 看实验过程视频，比文字直观

第三阶段：卡尔曼滤波做SOC估算（约2小时，核心）

3.1 卡尔曼滤波的直觉理解（先别碰公式）

一句话：卡尔曼滤波 = 加权平均，权重由"谁更可信"动态决定。

具体到SOC估算：

安时积分告诉你一个SOC预测值，但你知道它有累积误差
电压测量通过OCV-SOC曲线反推另一个SOC值，但你知道动态工况下电压不准（极化未消退）
卡尔曼滤波计算一个权重 K（卡尔曼增益），动态融合两者

SOC_kf = SOC_ah + K × (SOC_from_voltage - SOC_ah)
↑ ↑ ↑
安时积分预测电压换算的SOC 卡尔曼增益

K 接近 0 → 信安时积分更多（动态工况，电压不可靠）
K 接近 1 → 信电压更多（静置工况，OCV准确）

与你现有代码的类比：

你代码中的概念	卡尔曼滤波中的对应
`deltaSysEQ` 安时积分累加	状态预测（先验估计）
`SOCShape` 各校准条件修正	观测更新（后验估计）
`trackFactor` 动态追踪系数	卡尔曼增益 K
`MAX_SOC_CHANGE_PME` 变化率限制	过程噪声协方差 Q
校准值的"可信程度"判断	测量噪声协方差 R

你的 trackFactor 本质上是一个启发式的"类卡尔曼增益"------充电时距最高SOC越近跑得越慢（K小），放电时距最低SOC越近跑得越快（K大）。卡尔曼滤波把这个"调节"用概率论严谨化了。

3.2 状态空间模型（把电池问题翻译成数学）

状态方程 （描述SOC如何随时间变化）：

S O C k + 1 = S O C k − η ⋅ Δ t C n o m ⋅ I k + w k SOC_{k+1} = SOC_k - \frac{\eta \cdot \Delta t}{C_{nom}} \cdot I_k + w_k SOCk+1=SOCk−Cnomη⋅Δt⋅Ik+wk

这就是安时积分！ w k w_k wk 是过程噪声，代表电流采样误差、容量不准等因素。

观测方程 （描述如何从SOC推算出我们能测量的电压）：

V t e r m i n a l , k = O C V ( S O C k ) − V 1 , k − I k ⋅ R 0 + v k V_{terminal,k} = OCV(SOC_k) - V_{1,k} - I_k \cdot R_0 + v_k Vterminal,k=OCV(SOCk)−V1,k−Ik⋅R0+vk

这就是端电压方程！ v k v_k vk 是测量噪声，代表电压采样误差。

状态向量 （把未知量打包在一起）：

x k = $S O C k V 1 , k$ x_k = \begin{bmatrix} SOC_k \\ V_{1,k} \end{bmatrix} xk= $SOCkV1,k$

通常把SOC和极化电压V₁都作为状态量------因为两者都是未知的，都需要估计。

3.3 卡尔曼滤波五步迭代（真正的核心）

每来一个新数据点（电压+电流），做以下五步：

复制代码

┌─────────────────────────────────────────────────┐
│  Step 1: 状态预测（先验）                        │
│  x̂⁻ = A·x̂ + B·I                                 │
│  用安时积分预测SOC，用RC方程预测V₁                │
├─────────────────────────────────────────────────┤
│  Step 2: 误差协方差预测（先验）                   │
│  P⁻ = A·P·Aᵀ + Q                                │
│  预测值的不确定性在增加（因为模型不完美）          │
├─────────────────────────────────────────────────┤
│  Step 3: 卡尔曼增益计算                          │
│  K = P⁻·Cᵀ / (C·P⁻·Cᵀ + R)                      │
│  ★ 最核心的一步：K = 模型不确定性 / (模型不确定性 + 测量不确定性)│
├─────────────────────────────────────────────────┤
│  Step 4: 状态更新（后验）                        │
│  x̂ = x̂⁻ + K·(V_measured - V_predicted)          │
│  用实际测量的电压来修正预测的SOC                  │
├─────────────────────────────────────────────────┤
│  Step 5: 误差协方差更新（后验）                   │
│  P = (I - K·C)·P⁻                                │
│  修正后不确定性减小                               │
└─────────────────────────────────────────────────┘

关键理解------Q和R的作用：

Q（过程噪声协方差）大 → "我不太信安时积分" → K变大 → 更多依赖电压修正
R（测量噪声协方差）大 → "我不太信电压测量" → K变小 → 更多依赖安时积分
Q/R 的比值决定稳态行为，绝对值决定收敛速度

与你现在代码的逻辑完全对应：

你的 TrackFactorUpdate 让充电末期跟踪变慢（信安时积分更多） → 等效于电压误差R在小电流充电时变大
你的 SOCShape 在满足OCV条件时触发修正 → 等效于R突然变小（此时电压特别可信）

3.4 EKF（扩展卡尔曼滤波）--- 处理非线性

前面假设OCV-SOC是线性关系，但实际OCV曲线是强烈非线性的（尤其LFP平台区）。EKF通过对OCV函数做一阶泰勒展开（求导）来处理非线性。

EKF比标准KF多的一步：在每个时间步计算OCV对SOC的导数（雅可比矩阵），用于更新C矩阵。

为什么LFP电池用EKF反而有坑 ：LFP平台区OCV斜率趋近于零 → 导数趋近于零 → C矩阵趋近于零 → K趋近于零 → 电压无法有效修正SOC → 卡尔曼滤波退化为纯安时积分。所以在LFP平台区，必须结合其他修正手段（满充/放空等）来打破"不可观测"的死局。

这就是你现有代码的优势所在------你的多源校准（满充脉冲、放空脉冲、OCV校准等）不依赖OCV斜率，在平台区也能工作。如果用EKF做LFP，平台区SOC会漂，需要配合OCV校准条件来重置。

第四阶段：动手实验（约2小时，纸上或Python）

4.1 纸上推导（1小时）

找一个NCM电芯的数据（OCV斜率大，数学上友好），或者用简化数据：

OCV = 3.3 + 0.5 × SOC（线性简化，SOC范围0~1）
R0 = 2mΩ, R1 = 3mΩ, C1 = 5000F
电流取 -100A（充电）和 50A（放电）交替
初始SOC = 0.5，但滤波器初始化为SOC = 0.3（故意给错初始值）

手算前3个时间步（Δt = 1s）的卡尔曼滤波迭代，观察SOC如何从0.3收敛到真实值附近。

纸算这个比读十篇博客有用，因为你会真正理解每一步在做什么。

4.2 Python仿真（1小时）

python 复制代码

# 最简EKF-SOC仿真框架（约80行，不用装任何特殊库）
import numpy as np
import matplotlib.pyplot as plt

# 1. 定义电池参数
R0, R1, C1 = 0.002, 0.003, 5000  # 简化值
tau1 = R1 * C1                    # 15s
C_nom = 100 * 3600                # 100Ah → 库仑
SOC_init_true = 0.5

# 2. 生成模拟数据（真实SOC + 模拟的端电压）
# 自己做，先线性OCV，后换成真实OCV曲线

# 3. 实现EKF五步迭代
# Step 1: x_pred = A @ x + B @ I
# Step 2: P_pred = A @ P @ A.T + Q
# Step 3: K = P_pred @ C.T / (C @ P_pred @ C.T + R)
# Step 4: x = x_pred + K * (V_measured - V_predicted)
# Step 5: P = (I - K @ C) @ P_pred

# 4. 对比 SOC_true vs SOC_ekf
# 验证：初始SOC猜错（0.3 vs 真值0.5）→ 预期几分钟内收敛到真值

# 5. 调参实验（感受Q和R）
# - R固定，增大Q → K变大 → 收敛快但噪声大
# - Q固定，增大R → K变小 → 收敛慢但平滑

推荐资源：

B站：电池管理系统之卡尔曼滤波SOC估计 --- 找播放量高的中文视频教程
$Github：`github.com/robinvanemden/Kalman-Filter-for-Beginners`$ (https://github.com搜索 battery kalman filter soc) --- 找带Python仿真代码的repo
CSDN：搜索 扩展卡尔曼滤波 SOC Python仿真 --- 找带完整可运行代码的

第五阶段：从理论回到实践（可选，1小时）

5.1 卡尔曼滤波 vs 工程中的安时积分+多源修正

维度	安时积分+多源修正	EKF/UKF
数学复杂度	低（整数运算）	高（矩阵求逆、浮点）
嵌入式算力需求	极低	高（尤其UKF需要Sigma点采样）
LFP平台区表现	★★★ 满充/放空+OCV校准仍有效	★ 斜率→0导致不可观测
初始SOC收敛	依赖OCV校准条件满足	★★★ 从任意初始值自动收敛
模型不确定性的量化	无（或隐式）	★★★ 输出SOC的同时输出方差
SOH在线更新	需额外逻辑	可联合估计SOC+SOH
调试可解释性	★★★ 直观（查表+限幅）	★ 黑盒感强

5.2 实际产品中的"混合方案"

绝大多数量产BMS采用混合方案：

复制代码

安时积分 + EKF预测
     ↓
OCV校准条件满足? ──Yes──→ 用OCV重置EKF（相当于R突然设很小）
     ↓ No
满充/放空条件? ──Yes──→ SOC硬校准至100%/0%
     ↓ No
继续正常运行

你代码中的架构其实已经为引入卡尔曼滤波做好了铺垫：

三值SOC体系天然适合"多状态联合估计"（可以把SOC_Max和SOC_Min作为状态量的上下界）
多源校准条件可作为EKF的"测量更新触发条件"
TrackFactor的思想可以平滑过渡到卡尔曼增益

学习时间分配建议

阶段	时间	方式	产出
1. ECM电池模型	1.5h	读博客+画电路图	能画出Thevenin模型并写出公式
2. HPPC与参数辨识	1h	读博客+看实验视频	能解释R0/R1/C1怎么测出来的
3. 卡尔曼滤波核心	2h	手算3步 + 读推导	能默写5步迭代并解释K的物理意义
4. Python仿真	2h	写代码+调Q/R	能看到收敛曲线、理解调参
5. 回到实践	1h	对比现有代码	理解两种方案的互补关系
总计	≈7.5h		从"会用"到"理解为什么"

如果压缩到最低限度（4h）：阶段1→1h + 阶段3→2h（含手算） + 阶段4→1h（跑别人的代码）。

电池模型与卡尔曼滤波