做BMS相关项目的人，对SOC估计多少都有点执念。我这次把一个很经典的方案完整跑通了一遍：用某高校公开的电池老化数据集做输入，基于一阶RC等效电路模型，叠加扩展卡尔曼滤波（EKF）做SOC估计，再往下延伸到容量衰减与寿命分析。整个过程下来，最大感受是：EKF并没有论文里写的那么玄乎，真正花时间的反而是数据清洗、模型参数辨识和噪声协方差调参。这篇文章就把整个项目的实现过程、参数计算细节、踩过的坑全部记录下来，给正在做电池状态估计、或者准备拿公开数据集复现SOC估计算法的人做个参考。

先泼一盆冷水：很多人拿到公开数据集就开始调EKF公式，结果输出曲线跟过山车一样，然后怀疑算法有问题。实际上，EKF的精度上限在模型，不在滤波增益。你连OCV-SOC曲线都标定不准确，卡尔曼增益再聪明也救不回来。所以这个项目我坚持一条主线：先把模型参数搞扎实，再谈滤波算法。

1. 项目整体设计与核心思路

1.1 先搞清楚SOC估计和寿命估计之间的关系

项目标题里同时出现了两个关键词：SOC和寿命估计。这两者不是并列关系，而是递进关系。

SOC（荷电状态）是电池当前剩余电量占满电量的百分比，它是BMS最核心的状态量之一。但单纯估计SOC并不够，因为电池在循环老化过程中，可用容量会逐渐衰减，同样一个“SOC=50%”，新电池和老化电池对应的实际绝对电量完全不同。所以真正有工程价值的做法是：先通过EKF把SOC估计准，然后基于准确的安时吞吐量去跟踪容量衰减趋势，最后用容量保持率来量化寿命状态。

这个项目里我用的数据集正好支持这个思路：它包含多颗电池在不同循环编号下的充放电数据，覆盖了从新电池到容量明显衰退的整个生命周期。这样我既可以验证EKF在不同老化阶段的收敛性和精度，也能从SOC估计结果回推每循环的真实放电容量，形成完整的寿命退化曲线。

1.2 为什么选EKF而不是卡尔曼滤波或粒子滤波

做电池状态估计，算法选择上其实有一条清晰的鄙视链：线性卡尔曼滤波（KF）、扩展卡尔曼滤波（EKF）、无迹卡尔曼滤波（UKF）、粒子滤波（PF），复杂度依次上升。我在这个项目里选EKF，不是因为它最先进，而是因为它在精度和工程可实现性之间最均衡。

电池模型本质上是非线性的，核心非线性源是OCV与SOC之间的曲线关系。KF只适用于线性高斯系统，直接拿它套电池模型会出现明显偏差。UKF理论上比EKF更强，因为它不需要求导，通过Sigma点采样逼近状态分布，对强非线性系统表现更好，但实现复杂度高一些，运算量也更大。PF就更不用说了，适合非高斯、强非线性场景，但粒子数和实时性在嵌入式BMS上很尴尬。

EKF的做法是对非线性函数在当前状态处做一阶泰勒展开，把系统近似成线性时变系统，然后继续套用标准卡尔曼滤波框架。对电池这种“弱非线性+强实时性”的场景，EKF已经在绝大多数商用车和储能BMS里得到了验证，工程资料也多，出了问题容易排查。

1.3 整体技术路线与数据准备

整个项目流程可以拆成四步：

1. 从公开数据集中提取某颗电池的循环数据，确定充放电工况和采样周期。
2. 建立一阶RC等效电路模型，用HPPC（混合脉冲功率特性测试）数据离线辨识OCV-SOC曲线、欧姆内阻、极化电阻和极化电容。
3. 将模型写成离散状态空间方程，设计EKF观测器，在Matlab/Octave或Python环境里跑在线SOC估计。
4. 用不同老化循环的数据分别做验证，比较EKF估计SOC与参考SOC的误差，并统计容量衰减趋势。

数据准备这一步最容易被忽略。公开数据集原始文件通常包含电压、电流、温度、充电容量、放电容量等字段，但不同测试工况下采样频率不一致，个别循环还会出现数据缺失或重复时间戳。我之前拿到数据后第一件事不是写代码，而是先画电压电流曲线，肉眼过一遍数据质量。这个习惯帮我避开了很多“算法有问题”的假象。

2. 模型搭建与参数辨识

2.1 等效电路模型选型：为什么先上一阶RC

电池等效电路模型从简单到复杂有Rint模型、一阶RC模型、二阶RC模型、PNGV模型等。这个项目我选择一阶RC模型，原因是：在EKF这种带反馈校正的算法框架下，模型阶次对SOC估计精度的影响会被滤波机制部分补偿，而模型阶次带来的参数辨识复杂度却会显著增加。

一阶RC模型的电路结构是：理想电压源OCV串联欧姆内阻R0，再串联一个由极化电阻R1和极化电容C1并联构成的RC网络。它能够描述锂离子电池在充放电切换瞬间的欧姆压降和短时极化效应，对中低频动态工况已经够用。

对应数学表达式如下：

U_L = OCV(SOC) - I x R0 - U_1

其中U_L是端电压，I是电流（放电为正），U_1是极化电容两端的电压。这个方程是后续所有状态估计的观测方程基础。

有朋友问我为什么不直接上二阶RC。我的观点是：如果你的目标是认真做好SOC估计，而不是发论文，一阶RC配合EKF通常能把稳态误差控制在2%以内，调参成本低很多。二阶RC能改善动态响应，尤其是在脉冲工况下的电压拟合精度，但需要辨识的参数更多，参数辨识结果的分散性更大，反而给EKF引入了额外不确定性。

2.2 SOC-OCV曲线标定：这是整个项目的命门

SOC-OCV曲线描述了电池在静置足够长时间后，开路电压与SOC之间的映射关系。EKF的观测方程依赖这个曲线，卡尔曼增益的修正方向也依赖它的导数。

标定方法不复杂，但细节很多。我在项目里使用的方法是：先把电池以0.5C恒流放电到截止电压，静置2小时以上，然后以小电流（0.05C）分段充电。每充入5%的标称容量，就静置30分钟，记录静置末端的开路电压。重复这个过程，直到充满，就能得到SOC从0%到100%共20个标定点的OCV序列。

这里有一个关键操作：静置时间必须足够长。理论上锂离子电池极化电压完全消除需要数小时，我做实验时至少等30分钟，实际在SOC平台区（30%-60%）极化消散更慢，如果静置时间不足，标出来的OCV曲线会整体偏低或偏高，直接污染EKF观测方程。

拿到标定数据后，我用一个8次多项式做最小二乘拟合，以SOC作为自变量，OCV作为因变量：

OCV(SOC) = a0 + a1SOC + a2SOC^2 + ... + a8*SOC^8

拟合阶次不能太低也不能太高。5次以下在曲线端部（SOC<10%或>90%）误差很大，10次以上又容易出现龙格现象，端部震荡明显。我试过3次多项式和分段线性插值，最终8次多项式在均方根误差和端部表现上最均衡。

拟合完成后，必须做一步验证：把拟合曲线和原始标定点画在同一张图上，检查有没有局部异常弯折。我曾经遇到过一次，拟合曲线在SOC=45%附近出现不自然的凸起，后来发现是某个标定点静置时间不够，电压还没稳定就记录了。这类问题如果只盯着R平方看，根本发现不了。

2.3 离线参数辨识：用HPPC脉冲法解R0、R1、C1

R0、R1、C1这三个参数我采用HPPC（混合脉冲功率特性测试）方法离线辨识。

HPPC测试的核心是：在特定SOC点，先给电池施加一个短时大电流放电脉冲，然后撤掉负载，让电压自然恢复；接着再施加一个短时大电流充电脉冲，再撤掉。通过观察电压在电流突变瞬间的跳变和恢复曲线，就能把欧姆内阻和极化参数拆出来。

以某个SOC点为例，假设放电脉冲电流I=2C（约5A），持续10秒：

• 电流突加瞬间，电压从U1瞬间跌落到U2，这个瞬时的电压降ΔU_ohm = U1 - U2完全由欧姆内阻造成，所以R0 = ΔU_ohm / I。
• 随后10秒内，电压从U2缓慢下降到U3，这是极化电容逐渐充电、极化电压逐渐建立的过程。
• 电流撤除瞬间，电压从U3瞬间回升到U4，回升幅度同样是欧姆压降的释放。
• 之后电压从U4缓慢爬升到U5，这个过程是极化电容通过R1放电的零输入响应。

根据RC电路的零输入响应特性，极化电压恢复曲线满足：

U(t) = U_final + (U_start - U_final) * exp(-t / tau)

其中tau = R1 * C1是时间常数。我对恢复段数据做指数拟合，得到tau；然后从放电脉冲段的稳态压降得到R1，最后C1 = tau / R1。

我在某颗标称容量2.5Ah的三元锂电池上辨识得到的典型参数值如下：

注意，这些参数并不是常数，它们会随SOC、温度和老化程度变化。所以严格做法是：在不同SOC点分别做HPPC辨识，得到参数随SOC变化的查找表。在EKF运行过程中，根据当前SOC查表插值更新模型参数。我在项目初期图省事，用SOC=50%的辨识结果代替全范围参数，结果在SOC<20%时端电压预测偏差明显变大，后期改成查表才解决。

2.4 状态空间方程离散化：从电路方程到EKF能吃的形式

EKF是离散时间算法，所以必须把连续模型离散化。选择状态向量为：

x = [SOC, U_1]^T

控制输入为电流I（放电为正），观测量为端电压U_L。

离散后的状态转移方程如下：

SOC(k) = SOC(k-1) - (η * I(k-1) * Δt) / Q_cell

U_1(k) = exp(-Δt / tau) * U_1(k-1) + R_1 * (1 - exp(-Δt / tau)) * I(k-1)

其中η是库仑效率（充电时通常取1，放电时也近似取1，实际锂电池库仑效率可达99%以上），Q_cell是电池当前可用容量，Δt是采样时间。我用的公开数据集采样周期为1秒，这个Δt对一阶RC系统来说完全够用。

观测方程：

U_L(k) = OCV(SOC(k)) - I(k) * R_0 - U_1(k)

注意观测方程里OCV是SOC的非线性函数，这正是需要EKF而非普通KF的原因。

离散化这一步看似简单，但有两个细节很容易翻车：

第一，状态转移矩阵A不是常数。虽然SOC和U_1的递推公式里没有SOC项，A矩阵看起来很简单：

A = [[1, 0], [0, exp(-Δt / tau)]]

但U_1的时间常数tau随SOC和温度变化，所以A矩阵每个步长都要更新。

第二，观测矩阵H需要通过链式法则计算。H是观测函数对状态向量的偏导数：

H = [dOCV/dSOC, -1]

其中dOCV/dSOC是OCV-SOC多项式在当前SOC处的导数。这一步必须保证解析导数和拟合多项式一致，别自己手推错了。如果觉得求导麻烦，可以用数值差分近似，但步长要选好，我一般用中心差分，步长取0.001。

3. EKF核心推导与参数配置

3.1 非线性系统线性化的直觉理解

EKF的思想可以用一句话概括：在每个时间步，把非线性系统在当前状态估计点附近用切线近似，然后在这个局部线性化系统上跑标准卡尔曼滤波。

用生活化的类比来说：你站在一个山坡上，想知道往左边走10米高度变化多少。如果山坡弧度不大，直接用当前位置的斜率乘以10米，就能得到一个很不错的估计。EKF就是这么干的，每一步都重新计算当前点的斜率（雅可比矩阵），确保切线方向始终贴合真实曲面。

对电池SOC估计来说，最强的非线性来自OCV-SOC曲线。在SOC平台区（30%-60%），OCV随SOC变化非常平缓，也就是说dOCV/dSOC数值很小。这时候观测方程提供的“校正信息”很弱，EKF会更信任模型预测。而在SOC<20%或>90%的区域，OCV曲线斜率很大，一点点SOC差异都会引起明显的电压差异，观测校正作用就非常强。理解了这一点，你就能解释为什么EKF在SOC两端收敛快、在中间区间收敛慢——这不是算法缺陷，是电池本身的固有特性。

3.2 EKF五个核心公式落地

EKF的循环流程和标准卡尔曼滤波几乎一样，只是每个环节都用当前估计点处的雅可比矩阵代替常系数矩阵。

预测步：

x_pred = A * x_est + B * I

P_pred = A * P_est * A^T + Q

其中B是控制矩阵：

B = [[-η * Δt / Q_cell], [R_1 * (1 - exp(-Δt / tau))]]

卡尔曼增益计算：

K = P_pred * H^T * (H * P_pred * H^T + R)^(-1)

更新步：

x_est = x_pred + K * (U_measured - U_pred)

P_est = (I - K * H) * P_pred

我用Python复现时的核心循环代码结构大概是这样的：

import numpy as np # 参数初始化 x = np.array([[0.8], [0.0]]) # 初始SOC=80%，初始极化电压=0 P = np.eye(2) * 0.1 Q = np.eye(2) * 1e-5 R = np.array([[1e-3]]) for k in range(len(current_data)): # 1. 状态预测 soc_prev, u1_prev = x[0, 0], x[1, 0] soc_pred = soc_prev - eta * current_data[k] * dt / q_cell u1_pred = np.exp(-dt / tau) * u1_prev + r1 * (1 - np.exp(-dt / tau)) * current_data[k] x_pred = np.array([[soc_pred], [u1_pred]]) # 2. 协方差预测 A = np.array([[1, 0], [0, np.exp(-dt / tau)]]) B = np.array([[-eta * dt / q_cell], [r1 * (1 - np.exp(-dt / tau))]]) P_pred = A @ P @ A.T + Q # 3. 计算观测矩阵（dOCV/dSOC 由多项式导数得到） dvocv = poly_derivative(soc_pred) H = np.array([[dvocv, -1.0]]) # 4. 卡尔曼增益 S = H @ P_pred @ H.T + R K = P_pred @ H.T / S # 5. 状态更新 u_pred = ocv_func(soc_pred) - r0 * current_data[k] - u1_pred innovation = voltage_data[k] - u_pred x = x_pred + K * innovation # 6. 协方差更新 P = (np.eye(2) - K @ H) @ P_pred

这个代码结构很简单，但实际跑起来会发现：真正决定EKF性能的不是这六个公式，而是Q、R、P0这三个矩阵怎么填。

3.3 噪声协方差矩阵的调参方法

在项目群里经常看到有人问“Q和R到底填多少”，这是个没有标准答案但有一定方法论的问题。

先说物理意义：

• Q是过程噪声协方差，描述模型误差的大小。Q越大，表示我们越不信任模型预测，卡尔曼增益会自动变大，滤波结果会更依赖电压测量值，但也会把测量噪声更多地引入状态估计。
• R是观测噪声协方差，描述电压测量误差的大小。R越小，表示越信任电压表，校正力度越大，但R过小时，一个几毫伏的电压毛刺就可能导致SOC估计出现明显抖动。

我的经验法则是：

Q矩阵的对角元先按模型参数的相对不确定性估算。SOC方程的主要误差来源是库仑效率η和容量Q_cell的不确定性。如果Q_cell标称值误差估计在1%左右，那么Q[0,0]可以取(0.01 * Q_cell / Δt)^2的等效数值，实际调参时我会落在1e-6到1e-4之间。U_1方程的过程噪声主要来自RC参数的不确定性，Q[1,1]通常比Q[0,0]大一个量级，取1e-5到1e-3。

R则根据电压传感器的实际精度来设。如果ADC精度是12位、电压范围5V，那么量化噪声在1mV左右，R取1e-6（伏特平方）是理论值。但实际中还有接触电阻、温度漂移、电磁干扰等额外噪声，我会把R放宽到1e-5到1e-3之间，再通过残差序列的均方根值来反馈调整。

调参的客观指标有两个：

第一，看新息（innovation）序列，也就是电压实测值与预测值之差。如果新息均值明显偏离零，说明模型存在偏差，可能是参数辨识问题而不是Q/R问题。如果新息在零附近高频振荡，说明R设得太小，测量噪声被增益放大。

第二，看SOC估计误差的收敛速度和稳态波动。我通常的做法是，先用R=1e-3和Q=1e-5跑一遍，然后单独把R缩小两个数量级看SOC曲线是否平滑；如果抖得像锯齿，就往回调。这个过程没有一次到位的，我被EKF调参折磨了大概两天才找到对自己数据集最合适的组合。

3.4 P0初值怎么设才合理

P0是初始状态误差协方差，表示对初始状态x0的信任程度。P0越大，表示初始状态越不可信，EKF会在前几个时间步用更强的校正力度把状态拉向测量值。

这里有一个很常见的错误：上来把P0设成单位阵，比如[[1,0],[0,1]]，然后抱怨EKF收敛太慢或者发散。原因很简单，SOC的数值范围是0-1，而U_1的量级是0.1V左右，两者数值尺度差一个量级，P0对角线应该按各自的不确定性来设置。

如果初始SOC来自库仑计初值，误差可能在10%-20%左右，那么P0[0,0]可以取(0.1)^2=0.01到(0.2)^2=0.04。U_1初始值通常设为0，但真值可能达到几十毫伏，所以P0[1,1]取(0.05)^2=0.0025就比较合适。我实际项目里取P0=[[0.01,0],[0,0.0025]]，在SOC初值偏差20%的情况下，EKF大约在200秒内就能把误差收敛到3%以内。

P0也不用太纠结，它只影响滤波前期的收敛速度，对稳态精度几乎没有影响，因为随着时间推移，P会收敛到一个与Q、R有关的稳态值，P0的影响会指数衰减。

4. 实操过程与复现步骤

4.1 数据预处理：如何从公开数据集提取有效循环

我用的公开数据集格式比较常规，每条记录包含时间戳、电流、电压、充电容量、放电容量、温度等字段。原始CSV文件是按循环组织的，一个循环包括一个充电段和一个放电段，中间有静置。

预处理我做四步操作：

第一步，统一电流符号约定。不同数据集的电流正负号定义可能相反，我在项目里约定“放电为正、充电为负”，并在读入数据时做一次符号校验。最简单的方法是看静置后第一个电流突变的符号，如果放电段电流显示为负，就整体取反。

第二步，剔除静置段数据。EKF在线估计不需要处理静置状态，因为静置时电流为零，模型预测退化为简单的电压弛豫。为了加快仿真速度，我会把电流绝对值小于0.01A的静置段数据切掉，但保留充放电切换附近的几个采样点。

第三步，按循环号切分数据集。每个循环内部数据质量可能参差不齐，我按循环号建立索引，方便后续单独验证某个循环的EKF估计效果。

第四步，核对参考SOC。公开数据集往往会给出基于高精度库仑计得到的参考SOC，这是评估EKF估计精度的基准。但要注意，某些数据集的参考SOC是充放电容量累计得到的，本身也存在小误差，评估时看2%以内偏差即可，不必追求完全重合。

4.2 HPPC参数辨识实操记录

我在标称容量2.5Ah的电池上做HPPC辨识时，用的是1C放电脉冲（2.5A），持续10秒，静置40秒，然后1C充电脉冲10秒，再静置40秒。选取的SOC测试点为10%、20%、50%、80%、90%这几个关键位置。

以SOC=50%为例，记录到的关键电压点大致为：脉冲前开路电压U1=3.850V；放电脉冲施加瞬间电压降到U2=3.775V；持续放电10秒后电压缓慢降到U3=3.745V；撤除脉冲瞬间电压回跳到U4=3.820V；静置40秒后电压缓慢恢复到U5=3.842V。

根据这些数据，计算得到：

R0 = (U1 - U2) / I = (3.850 - 3.775) / 2.5 = 0.030 Ω

R1 = (U3 - U4) / I = (3.820 - 3.745) / 2.5 = 0.030 Ω（这里需注意符号取绝对值）

然后对U4到U5的恢复曲线做指数拟合，得到时间常数tau≈25秒，因此C1 = tau / R1 ≈ 833F。

细心的朋友会发现R0和R1在这个例子里数值接近，但这只是巧合。实际操作中两者的区别在于响应时间尺度：R0对应的是微秒到毫秒级的瞬时压降，R1对应的是秒级到十秒级的极化建立过程。在1秒采样的数据集里，R0的辨识结果会受采样时刻影响，如果第一个采样点没有落在电流突变的瞬间，R0会偏大，因为它把一部分极化压降也算进去了。这个问题没有完美解法，只能靠多次重复试验取平均来缓解。

4.3 EKF仿真运行与结果评估

我用Python跑完整仿真，数据是某颗电池第100次循环的完整充放电过程。初始SOC设定为80%，但真实值约65%，故意制造15%的初始偏差，考验EKF的收敛能力。

运行过程中我重点观察三个指标：

第一，新息序列。理想情况下新息是均值为零的噪声。如果新息序列有明显偏置，说明模型参数有问题，而不是滤波参数问题。我跑完第一个循环后发现新息均值在-8mV左右，排查原因是OCV-SOC曲线在SOC<30%区域拟合偏差较大。后来增加了低SOC区的标定点，新息均值降到-1mV以内。

第二，SOC估计曲线的收敛行为。初始偏差15%的情况下，EKF大约在前150秒内完成主要校正，SOC估计值快速向参考值靠拢。随后进入平稳跟踪阶段，稳态误差在1.5%以内。作为对比，纯安时积分在同一条数据上的SOC估计始终带有一个15%左右的初始偏差，全程无法消除，这就是闭环滤波和开环积分的本质区别。

第三，电压残差的均方根值。论文里常叫RMSE。我跑出来的端电压预测RMSE约为12mV，考虑到电压量程是4.2V，这个精度意味着观测模型基本正确。如果RMSE超过50mV，就别急着调EKF了，回头检查参数辨识和OCV拟合才是正路。

4.4 从SOC估计延伸到寿命指标

EKF跑通之后，我把不同循环编号（比如第50次、第100次、第200次、第400次）的数据都跑了一遍，每次根据EKF校正后的SOC变化量和对应时间的电流积分，重新计算该循环的实际放电容量。

具体做法是：在恒流放电段，将EKF估计的SOC从放电开始到结束的变化量乘以当前循环的可用容量，得到本次放电的总安时数。这一步需要容量初值，但不用很准，因为EKF的SOC估计对容量偏差有一定鲁棒性，更精确的做法是把容量也纳入状态估计，这里先不做扩展。

把每个循环算出来的容量按循环编号排列，就得到了容量保持率曲线。我观察到第400次循环的容量保持率约为88%，这符合三元锂电池在1C/1C循环工况下的典型衰减速率。把容量保持率曲线再做个一阶指数衰减拟合，就能外推出电池寿命终点（通常定义为容量保持率80%）。

这就是“SOC寿命估计”的完整落地：SOC是中间变量，寿命是最终目标。没有准确SOC估计，安时吞吐量就不可信，容量衰减曲线自然也不可信。

5. 常见问题与排查技巧实录

5.1 初值不准导致的不收敛问题

我踩过最大的坑是SOC初值与真值偏差太大时，EKF在SOC平台区几乎“卡住”不动。原因前面提过：平台区dOCV/dSOC太小，观测方程提供不了足够校正信息，卡尔曼增益接近于零，滤波器只能被动信任模型预测，而模型预测又依赖初始SOC，所以误差迟迟消不掉。

解决方案有三个：

第一，增加初始P0。把P0[0,0]从0.01提高到0.04，让滤波器一开始更激进地相信电压测量。

第二，在滤波启动阶段临时调大Q[0,0]。我试过在前50个时间步把Q[0,0]设为1e-3，之后恢复1e-5，能显著加快初始收敛。

第三，也是最实用的，充放电初期先对SOC平台区做“跳过处理”，等电压进入斜率较大的区间再开始滤波。但这个办法对实时BMS意义不大，更多是离线仿真技巧。

5.2 Q和R到底怎么调才不发散

调参是EKF项目里最耗时的一环，我把自己的经验整理成一个速查表：

一个更系统的做法是跑网格搜索，比如Q取[1e-6, 1e-5, 1e-4]三档，R取[1e-6, 1e-5, 1e-4, 1e-3]四档，共12组，每组跑完计算SOC估计的RMSE，选最小的一组作为基准。这个方法笨了点，但是可靠，我在调参没有头绪的时候就用它。

5.3 电压测量跳变对EKF的影响

公开数据集的电压信号虽然总体干净，但在电流方向切换的瞬间（充电转放电、放电转充电），电压会出现快速的跳变和短暂震荡。如果直接把原始电压送进EKF，新息序列在这些点会出现尖峰，导致SOC估计误差短暂变大。

我的处理办法是：对电流突变前后的电压数据做3点中值滤波，只去掉孤立异常点，不做平滑，因为平滑会抹掉真实的欧姆压降信息。另外，在电流突变后的第一个采样点，我会把R0按当前温度查表修正，避免因内阻变化引起系统性电压预测偏差。

5.4 安时积分与EKF的对比结论

项目最后我把EKF和传统安时积分法做了完整对比。安时积分的优势是实现简单、短期精度高，缺点是纯开环，任何电流传感器偏置、采样遗漏、容量估计误差都会长期累积且无法自行消除。EKF的优势是闭环，用端电压不断校正SOC轨迹，能有效压制累积误差，但代价是需要可靠的电池模型参数，且模型误差会直接转化为估计误差。

实测下来，在初始SOC准确的情况下，安时积分在前10分钟内精度甚至可能优于EKF，但超过30分钟后，其误差随积分时间线性增长，EKF则始终保持稳态有界。这也是BMS行业逐步从安时积分转向卡尔曼滤波或龙伯格观测器的直接原因。

我个人在实际操作中的体会是：EKF不是灵丹妙药，它本质上是一个“模型误差和测量噪声的最优折中器”。你给它喂一个烂模型，它会还你一个抖动或偏置的SOC；你给它喂一个精心标定的模型，它就能展现出“任你电压噪声怎么折腾，SOC稳如泰山”的优异表现。所以，这项目最值得投入精力的环节，不是EKF公式推导，而是老老实实把OCV-SOC曲线标好、把HPPC参数辨识做扎实。最后再分享一个小技巧：用公开数据集做实验时，先拿第100次循环的数据调参，再用第300次循环的数据验证，免得把某个寿命阶段的特例当成普遍规律。