1. 从一块动力电池说起：SOC为何总是“估不准”

锂离子电池的SOC（State of Charge，荷电状态），说白了就是电池里还剩多少电。这个数字直接决定了电动车的剩余续航、充电策略、功率输出限制，甚至影响电池寿命管理。但在实际工程里，SOC偏偏是所有电池参数中最难“测准”的一个——它既没有一个可以直接读数的传感器，又会随温度、老化、充放电倍率发生漂移，这就让安时积分法、EKF（扩展卡尔曼滤波）、UEKF（无迹扩展卡尔曼滤波）这类算法有了用武之地。

我之前在做一个模拟项目X时，需要给一套电池管理系统写SOC估算模块，对比了这三种方法在Matlab中的实现效果。说实话，安时积分法写起来十分钟就能跑通，但精度撑不过几个充放电循环；EKF代码也不难，但遇到OCV曲线非线性强的区段容易抖；UEKF看着“高级”，实际上理解了Sigma点采样逻辑之后，代码量并没有比EKF多多少，鲁棒性却好了不止一个档次。这篇文章就把我调试过程中的完整思路、代码框架和踩坑记录整理出来，适合正在做BMS仿真、储能系统设计或Matlab/Simulink模型开发的朋友参考。

需要说明的是，文中的代码框架都是基于公开文献中常见的二阶RC等效电路模型和标准卡尔曼滤波流程重新组织实现的，不是某个特定商业项目的细节，可以放心用于学习和二次开发。

2. 三种估算方法的底层逻辑差异

2.1 安时积分法：简单但会漂的“里程表”

安时积分法的公式只有一行：

SOC(t) = SOC(t₀) - (∫₀ᵗ η·i(τ)dτ) / Cₙ

其中η是库仑效率（充电一般取1，放电略小于1），i(τ)是当前时刻电流（放电为正），Cₙ是电池额定容量。这个公式的逻辑和汽车的里程表完全一样——知道起点油量，再把每个时刻的流量累加起来，就能算出剩余量。

但这个“里程表”有两个致命弱点。第一，起点SOC必须已知。实际装车后电池可能已经自放电、或者被更换过模块，起点不准后面全不准。第二，电流传感器的偏置误差会被积分器无限放大。哪怕霍尔传感器只有±0.5%的零漂，一小时累计下来误差就相当可观。更别说在脉冲工况下，电流频繁跳变引起的采样误差会叠加进积分项，一个充放电循环跑完，偏移3%到5%很常见。

所以在我的对比里，安时积分法不是作为主力算法，而是作为“基准参照系”存在——它代表了“不做任何修正”时系统误差会累积到什么程度，用来衬托EKF和UEKF的修正能力到底有多明显。

2.2 扩展卡尔曼滤波EKF：用一阶泰勒展开强行线性化

卡尔曼滤波本身的假设是系统线性的、噪声是高斯分布的。但电池的OCV-SOC关系是一条非线性曲线，状态方程里还带着电流乘积项，不能直接用线性卡尔曼。EKF的思路很粗暴：在每个时间步，把状态方程和观测方程在当前估计值处做一阶泰勒展开，丢掉高阶项，得到近似的线性系统。

EKF的核心步骤可以概括为五步。首先是状态预测，用上一时刻的后验估计算当前先验估计；第二步是误差协方差预测，把过程噪声协方差Q加进去；第三步计算卡尔曼增益K，它本质上是个加权系数，决定“更信模型还是更信测量”；第四步用观测残差（实际端电压减去预测端电压）去修正状态；第五步更新协方差矩阵。

这个流程我一开始以为很简单，真正写代码才发现坑都在细节里。雅可比矩阵F和H怎么求？状态变量选什么？观测方程表达式是什么？这些推导不对，滤波器要么发散要么震荡。EKF还有一个天然短板——电池OCV-SOC函数在低SOC区段（比如0.1以下）曲率很大，一阶线性化带来的误差在这种区段会被放大，导致估算值明显偏离真实值。这也是后面我引入UEKF的直接原因。

2.3 无迹扩展卡尔曼UEKF：用Sigma点绕过雅可比矩阵

UEKF这个名字在文献里有时也叫UKF（无迹卡尔曼滤波），它和EKF的目标相同——处理非线性系统，但手段完全不同。EKF是“把非线性函数线性化”，UEKF是“对状态分布做采样再经过非线性函数传播”。

具体做法是这样的：假设当前状态估计服从某个高斯分布，那么在这个分布里确定性取一组采样点（Sigma点），个数一般是状态维数的2n+1。每个Sigma点都通过非线性状态方程和观测方程传播一遍，然后用加权统计的方式重新计算传播后的均值和协方差，再套用标准卡尔曼更新框架。

这样做的好处十分明显：完全不需要求雅可比矩阵，就没有线性化误差；而且对强非线性函数的传播精度比一阶泰勒展开高得多。代价是计算量大约增大了2n+1倍。对电池SOC这种状态维度只有3到5个的系统，这点计算量在BMS主控芯片上完全可以接受。

我在测试中还发现一个不容易注意到的点：UEKF对初始误差协方差矩阵P₀的敏感度比EKF低。P₀给得偏差一些，EKF可能需要好几分钟才能收敛，但UEKF往往十几个采样周期就把状态拉回来了。这个特性在电池成组应用中很有价值，因为电芯一致性差，每节电芯的初始SOC本来就有偏差。

3. Matlab实现前的准备工作：等效电路模型与参数辨识

3.1 为什么选二阶RC等效电路模型

SOC估计算法需要一个“虚拟电池”来预测端电压。最简单的模型是理想电压源串联一个内阻R₀，但真实电池的电压响应有明显的时间常数差异——极化效应里既有毫秒级的欧姆极化，又有秒级的电化学极化，还有分钟级的浓度极化。单RC模型只能近似一个时间常数，动态工况下电压预测误差偏大。

我选的是二阶RC模型，也就是OCV源串联R₀，再加两个并联RC环节。第一个RC环节（R₁C₁）描述电化学极化，时间常数通常在几秒到几十秒；第二个RC环节（R₂C₂）描述浓度极化，时间常数通常几十秒到几分钟。这个模型的端电压表达式为：

V_t = OCV(SOC) - i·R₀ - V₁ - V₂

其中V₁和V₂是两个RC环节上的极化电压。状态方程差分化和观测方程配合，就能组成完整的离散状态空间模型。用这个模型做HPPC脉冲测试拟合，端电压预测误差能控制在5mV以内，对SOC估算来说足够用了。

3.2 OCV-SOC曲线与参数辨识流程

电池模型的参数不能凭空设，需要实验数据支撑。标准做法是HPPC（混合脉冲功率特性）测试。将电池以1C倍率逐段放电至不同SOC点，每段静置1小时，测量静置末端电压作为该SOC点的OCV，再施加短时脉冲电流记录响应电压曲线。

有了HPPC数据，可以在Matlab里做离线参数辨识。R₀通过脉冲瞬间的电压跳变除以电流得到；R₁C₁和R₂C₂通过拟合脉冲结束后电压的回弹曲线得到。识别方法可以用最小二乘拟合，也可以用simulink的参数估计工具箱。OCV-SOC曲线则用多项式拟合，我实践下来5到8次多项式效果就不错，阶数太高会过拟合，太低则在中低SOC区段误差太大。

参数辨识完成后，把OCV(SOC)曲线、R₀、R₁、C₁、R₂、C₂全部存入参数表，Matlab主程序直接读取即可。这个准备步骤比算法本身更影响最终估算精度——模型参数不准，再好的滤波器也只是在错误的模型上做修正。

3.3 状态空间方程的离散化处理

二阶RC模型加上SOC状态，状态向量取x = [SOC, V₁, V₂]ᵀ。控制输入u = i（电流，放电为正）。连续时间状态方程为：

d(SOC)/dt = -η·i / Cₙ dV₁/dt = -V₁/(R₁C₁) + i/C₁ dV₂/dt = -V₂/(R₂C₂) + i/C₂

实际代码里是离散化执行的，采样周期我取1秒。对RC环节，精确离散化公式为：

V₁(k+1) = V₁(k)·exp(-Δt/τ₁) + R₁·i(k)·(1 - exp(-Δt/τ₁))

其中τ₁ = R₁C₁。SOC的状态转移则直接用欧拉法：

SOC(k+1) = SOC(k) - η·Δt·i(k)/Cₙ

这里有个容易被忽略的细节：如果仿真里放电电流定义为正，符号别搞反。很多初学的人在这里栽跟头，SOC越估越多，越充越少，调半天不知道问题在哪。

4. 代码实现的关键步骤与算法流程

4.1 整体结构设计

我习惯把Matlab脚本拆成几个模块，避免把所有逻辑塞在一个文件里：

主脚本里先通过一个“真值模型”生成仿真数据——给真实SOC按规定工况放电，算出端电压，再叠加高斯测量噪声，作为传感器的量测输入。同时给SOC初值故意加一个偏差，模拟“起始不知道确切SOC”的实际场景。三种方法同时估算，最后把结果画到同一张图上对比。

4.2 EKF的滤波循环核心代码

EKF在每一步需要先算雅可比矩阵。状态转移矩阵F是先验状态对上一状态求偏导，观测矩阵H是端电压对状态求偏导。因为SOC和OCV的关系是多项式曲线，H矩阵中的∂OCV/∂SOC就是对多项式求导在当前SOC处取值。Matlab里用polyder和polyval可以实现。

核心滤波循环代码如下：

% 状态预测 x_pred = state_trans(x_est, I, dt, params); % 协方差预测 A = compute_F(x_est, I, dt, params); % 雅可比矩阵 F P_pred = A * P_est * A' + Q; % 观测预测 V_pred = measure_model(x_pred, I, params); % 卡尔曼增益 H = compute_H(x_pred, params); % 雅可比矩阵 H K = P_pred * H' * inv(H * P_pred * H' + R); % 状态更新 x_est = x_pred + K * (V_meas - V_pred); P_est = (eye(3) - K * H) * P_pred;

compute_F和compute_H是EKF的难点。我建议用符号工具箱先推一遍，确定表达式后再手写，或者干脆用matlabFunction自动生成。但注意符号展开的表达式优化不够好，仿真循环里反复调用会拖慢速度。后来我改成手动展开，效率提升了近一倍。

4.3 UEKF的滤波循环核心代码

UEKF的代码一遍就是三遍：预测、更新、再更新。它的核心是Sigma点生成和权重计算。状态维度n=3时，取2n+1=7个Sigma点。关键参数有α（控制点分布范围，取1e-3到1之间）、β（状态分布信息，高斯最优为2）、κ（通常取0或3-n）。

核心代码框架如下：

% 生成Sigma点 lambda = alpha^2 * (n + kappa) - n; sqrtP = chol((n + lambda) * P_est, 'lower'); X = [x_est, x_est + sqrtP, x_est - sqrtP]; % 权重 Wm = [lambda/(n+lambda), repmat(1/(2*(n+lambda)), 1, 2*n)]; Wc = Wm; Wc(1) = Wc(1) + (1 - alpha^2 + beta); % Sigma点通过状态方程传播 for i = 1:2*n+1 X_pred(:,i) = state_trans(X(:,i), I, dt, params); end % 计算先验均值和协方差 x_pred = X_pred * Wm'; P_pred = Q; for i = 1:2*n+1 diff = X_pred(:,i) - x_pred; P_pred = P_pred + Wc(i) * (diff * diff'); end % 观测更新部分同理，把Sigma点通过观测方程传播，计算残差协方差和交叉协方差 P_xy = ...; K = P_xy * inv(P_vv + R); x_est = x_pred + K * (V_meas - V_pred); P_est = P_pred - K * P_vv * K';

注意cholesky分解要求P_est必须是正定矩阵，数值计算中偶尔会出现半正定情况。我的处理办法是给P_est对角线加一个小量eps，或者用P_est = (P_est + P_est')/2 强制对称后再分解。这个小处理能避免很多“谜之报错”。

4.4 初始化与噪声参数的设置

算法参数分为两类：电池模型参数和滤波器参数。电池模型参数来自HPPC辨识，滤波器参数需要手动调整。下面是我调试后效果不错的初始值，可供参考：

% 滤波器参数 Q = diag([1e-6, 1e-5, 1e-5]); % 过程噪声协方差，SOC状态噪声很小，RC电压稍大 R = 1e-3; % 观测噪声协方差，电压测量噪声方差约(0.03V)^2 P0 = diag([0.01, 1, 1]); % 初始协方差，SOC不确定度约10% x0 = [0.95; 0; 0]; % 初始状态：SOC初值故意给95%，真实值为92%

Q矩阵的物理含义是“状态方程的不可信程度”。如果你把SOC的过程噪声设得过大，滤波器会过度信任测量电压，结果SOC跟着电压噪声高频抖动；设得过大反义，则修正速度极慢。我试了很多组，SOC对应位置取1e-6到1e-5量级、极化电压取1e-5到1e-4量级比较合适。R太小会让增益过大，导致输出毛刺；R太大则滤波器几乎不修正，退化为纯开环积分，等于白搭。

5. 仿真结果对比：误差、收敛速度与实际表现

5.1 理想初始化无误差工况

先说基线情况。在给三种方法同样正确的初始SOC（真实SOC已知）时，安时积分法在前几个采样周期内精度很高，SOC误差在0.5%以内。EKF和UEKF也都正常运行，三者差距很小。这个结果容易让人低估算法的价值——很多演示视频就在这里打住，让你以为安时积分已经很好了。

但把仿真拉长到10小时动态工况，安时积分法的劣势就显现了。由于模拟电流传感器存在轻微的偏置噪声，积分路径缓慢漂移，真实SOC到达60%时安时积分显示63%左右，误差已接近3%。而EKF和UEKF因为不断用端电压观测值做反馈修正，SOC误差始终被压制在1%以内。

这说明了一个规律：在没有累积误差的短时仿真里，简单方法够用；但只要仿真时间拉长到接近真实应用场景，闭环反馈的修正能力就是决定性的。

5.2 初始SOC偏差2%至10%时的收敛对比

更贴近实战的测试是给初始SOC人为设定偏差。我在main.m里把真实初值设0.92，三种方法的初值都设0.95。这个偏差模拟的是电池长时间静置后、或电池更换模块后，系统对起始SOC“心里没底”的情况。

安时积分法的轨迹非常直观：初始误差3%全程保留，不衰减也不放大，从头到尾恒定偏移，最终SOC估算值与真值始终差3个百分点。这在BMS里是很危险的——如果电池实际只有30%电量，仪表却显示33%甚至更多，用户会严重误判剩余里程。

EKF的收敛曲线是指数衰减形态。大约需要200到300个采样周期（对应3到5分钟仿真时间），SOC误差降到1%以下。收敛速度由卡尔曼增益决定，增益越大收敛越快，但噪声抑制能力变差。我在调参过程中发现EKF收敛曲线有轻微的超调——SOC从0.95冲过真值到0.90附近，再反弹回0.92左右，这是增益偏大时的典型表现。

UEKF的收敛则明显平顺，大概150个采样周期内就完成收敛，整个过程没有超调振荡。原因在于Sigma点传播比一阶线性化精度更高，预测的端电压与实际观测吻合更好，所以卡尔曼增益给出的修正方向更准确。多次反复测试后，UEKF的平均收敛时间比EKF少约30%到40%。

5.3 不同工况下的精度表现

为了验证普适性，我测了三种典型工况。

恒流放电工况，三者误差都很小，安时积分与滤波法的差距被压缩到1%以内。

动态工况（模拟驾驶循环，电流在正负30A之间频繁切换），安时积分误差随电流波动加大，峰值达到4%以上；EKF峰值约1.5%，整体RMSE约0.8%；UEKF峰值约0.8%，RMSE约0.5%。

脉冲工况（模拟设备间歇性高功率用电），EKF在电流突变瞬间会出现短暂电压预测偏差，SOC估计有轻微跳变；UEKF因为非线性传播能力强，跳变幅度更小，恢复也更快。

这些数据直观说明：工况越动态，非线性越强，UEKF相比EKF的优势就越明显。如果你的应用场景是工况稳定的储能柜，EKF已足够；如果做车载动力电池这种动态冲击频繁的场景，UEKF更值得投入。

5.4 三种方法综合对比表

6. 我在调试中的踩坑记录与调参心得

6.1 Q、R矩阵“看上去合理”但滤波器直接发散

刚开始我按文献给的推荐值设置Q = diag([1e-4, 1e-4, 1e-4])、R = 1，结果滤波器的SOC估算值一会儿冲到0.99一会儿掉到0.5，完全发散。排查下来发现两个问题：一是R=1意味着电压观测噪声方差被设定为1V²，但我的传感器电压噪声实际只有0.03V²，R给得太保守，导致滤波器几乎不用测量修正，状态跟着模型漂；二是Q中SOC的过程噪声被设成和极化电压一样大，相当于允许SOC每步可以大幅跳变，卡尔曼增益对SOC的修正权重异常高，反而把测量里的噪声全灌进了SOC估计。

调整思路是：Q矩阵的物理量纲必须与状态协方差一致。SOC的量级是0到1，过程噪声应该反映“模型预测SOC的置信度”，在电池工作正常、电流测量噪声很小的情况下，SOC一步预测误差主要来自库仑效率的不确定性，量级在1e-6到1e-5就很合理。极化电压的量级是几伏到几百毫伏，过程噪声在1e-5到1e-4。R则是电压传感器噪声方差，卡尔曼滤波里必须用“方差”（V²）而不是“标准差”（V）填入。

6.2 电流方向符号不统一导致SOC“反向行驶”

这是我踩过最尴尬的坑。在参数辨识脚本里定义电流放电为正，但在状态方程里写成了SOC(k+1) = SOC(k) + η·Δt·i/Cₙ，符号差一个负号。调试时看到的现象是：真实SOC从90%一路下降，估算SOC反而从90%上升到95%。要不是把三个波形画在同一张图上看趋势，单看数值根本发现不了。

这种符号问题在Matlab里不会报错，但会静默地毁掉整个仿真。我的建议是：在代码文件开头明确注释清楚“电流方向：放电为正/充电为负”，并且写一个简单的烟雾测试——给固定正电流跑一百个采样周期，检查SOC是否单调下降。每修改一次符号定义就跑一遍这个测试，能省去大量无意义的查错时间。

6.3 OCV-SOC多项式拟合阶数引发的“幽灵波动”

OCV-SOC曲线拟合使用10阶多项式时，拟合曲线在所有采样点上看起来天衣无缝，但在SOC为0.1到0.15这个区段，多项式出现了明显的龙格现象（Runge phenomenon）——拟合曲线在数据点之间剧烈振荡。这个振荡直接传递给了EKF的观测方程雅可比矩阵H（因为H要对OCV函数求导），导致滤波器在该区段反复出现SOC估计抖动，精度反而比7阶多项式更差。

后来我把拟合改成分段方式：SOC在0到0.3用一段5阶多项式，0.3到1用另一段5阶多项式，并确保连接处连续。这样既保证了低SOC区段的拟合精度，又避免了高阶多项式的数值振荡。这个经验同样适用于UEKF——虽然它不需要雅可比矩阵，但观测方程本身不准，再好的滤波算法也无法纠偏。

6.4 UEKF中Cholesky分解的数值稳定性处理

UEKF在每次迭代里要对协方差矩阵做cholesky分解，一旦P_est丢失正定性，整个程序就会报错中断。我遇到的情况是在长时间仿真后，由于浮点舍入误差累积，P_est的对角线出现微小的负值。解决的办法有两个，我同时用了。

一是每次迭代前强制对称化：P_est = (P_est + P_est') / 2。二是给分解前矩阵加对角扰动的代码：

P_decomp = P_est + 1e-12 * eye(n); sqrtP = chol(P_decomp, 'lower');

这个扰动对结果影响可以忽略，但能保证分解过程稳定。类似的技巧在所有涉及矩阵分解的滤波代码里都通用。

6.5 采样周期对收敛性能的影响

采样周期从1秒改到0.2秒，并不像直觉上那样“采样快了就更准”。0.2秒采样时，相邻两步之间电流变化不大，但测量噪声的方差被重复进入更新方程，卡尔曼增益反而偏高导致SOC估计抖动更明显。后来我把R按采样频率修正（R = 基频方差 × 采样时间/基准时间），效果才恢复正常。

在BMS实际应用中，SOC滤波的采样周期通常取0.5秒到1秒最合适。太短了计算资源浪费，太长了无法及时响应动态工况的电流突变。这个经验对做工程落地的朋友应该有帮助——仿真里用1秒采样跑出来的参数，不一定能直接用于更高频率的控制系统，需要重新匹配R和Q。

最后再分享一点我的体会

把三种算法放在同一个Matlab框架里对比，收获最大的一点是：算法选型没有绝对优劣，只有适用场景不同。安时积分法适合短时间、低成本、精度要求不高的系统；EKF适合工况相对稳定、模型可线性化良好的场景；UEKF虽然计算量稍大，但在动态冲击和强非线性工况下的鲁棒性显著更好，实现难度其实也就多一点点Sigma点逻辑。

如果你刚开始做这个课题，我建议按这样的顺序推进：先把二阶RC模型的参数辨识做扎实，让OCV-SOC曲线精度尽量高；再实现安时积分法作参照；然后在它基础上扩展EKF；最后把EKF的雅可比矩阵部分换成Sigma点传播，你就拥有了一套完整的对比工具。这套代码框架后续还可以扩展——把温度作为输入，或者把容量衰减作为待估状态，就能从SOC估算延伸到SOH估算。希望这篇笔记能让你少走一些我走过的弯路。