先提醒一句：这篇帖子标题里的“修正EKF”，如果读论文不够细，很容易被当成“改进的扩展卡尔曼滤波”这种泛泛的说法带过去。但真正动手复现之后你会发现，整篇论文的核心其实落在“考虑老化”四个字上——SOC估计的难点从来不是滤波公式本身，而是电池在一轮一轮充放电之后，模型参数不再匹配新电池出厂参数时，怎么让算法还有精度可言。这篇我把从论文拆解到Simulink模型落地、再到调参和踩坑的完整过程整理出来，给准备做同类复现的同学一个可以照抄的作业。
1. 标题拆解：三个关键词决定了整套仿真结构
1.1 “修正EKF”到底修的是什么
论文标题里“修正EKF”很容易让人以为是在EKF基础上改进了某个数学步骤，比如换了协方差更新方式或者改了增益计算公式。但我把论文反复读了两遍之后确认，这里的“修正”更接近“对模型失配的补偿修正”——也就是说，算法框架依然是标准EKF，只不过在状态方程和观测方程里加入了老化带来的参数变化修正项。换个更直白的说法：标准EKF假设电池模型参数是固定的，而这篇论文让EKF用上了一套“会随时间缓慢变化”的模型参数，再配合自适应噪声协方差调整，让滤波器在电池老化后仍然保持较好的估计精度。
这个理解直接影响Simulink的建模思路。如果只是把EKF写成一个函数块，那复现过程很快就结束；但“修正”意味着必须额外搭一套老化参数更新模块，把容量衰减量、内阻增量这些信息实时注入到EKF的预测和更新方程里去。仿真图的拓扑结构，从一开始就和单纯跑EKF不一样。
1.2 “考虑老化”涉及电池模型的两个层面
老化对锂电池的影响，从模型角度看集中在两块。
一是容量衰减。新电池标称容量比如50Ah，循环400次之后可能掉到42Ah，而传统SOC定义中分母（可用容量）如果用50Ah代进去，真实SOC一定偏大。这是老化的第一个坑，也是最直观的一个。
二是模型参数漂移，主要是欧姆内阻和极化内阻随循环次数增加而增大，并且OCV-SOC曲线形态也会略微变化。内阻增大最直接的后果是端电压在相同电流下的压降变大，观测方程里预测的端电压和实测端电压偏差变大。如果EKF还在用出厂时的内阻值，新息（残差）里就会混入大量由参数失配引起的偏差，滤波器会被带着跑偏。
所以“考虑老化”不是简单地把一个老化因子乘上去就行，而是要在电池模型层面同时解决容量、内阻、OCV三个参数的时变问题。论文里的做法通常是把这些参数写成老化程度（比如循环次数、累计安时吞吐量）的函数，Simulink里最自然的实现方式就是查表+插值。
1.3 SOC估计的“天花板”不在算法而在模型精度
做仿真之前我对这一点体会不深，总觉得EKF的数学模型写得漂亮就能出好结果。但复现之后我越来越认同一个观点：SOC估计算法能到达的精度上限，基本由电池模型的精度决定。滤波器只是在模型和测量值之间做折中，模型本身如果偏差大，滤波器的折中结果也不会准。
这也是为什么论文复现时，很多人把精力全放在EKF公式推导上，却忽略了电池模型参数辨识这一步。以我做的二阶RC等效电路模型为例，如果OCV-SOC曲线采样点稀疏、内阻辨识用的数据不覆盖全SOC区间，那么修正EKF算法本身写得再完美，仿真波形里的误差照样在5%以上。所以这篇帖子里我会花不少篇幅讲讲电池模型搭建，因为这一块才是复现成败的关键。
2. 标准EKF在电池SOC估计中的局限：从公式到仿真
2.1 五步迭代里的三个隐含假设
EKF用于SOC估计，套路大家都熟：状态量取SOC和极化电压，观测方程输出端电压，每一步先做状态预测和协方差预测，然后算卡尔曼增益、更新状态和协方差。公式不写了，Simulink里每一步对应一个运算模块就行，关键是要理解这五步背后的三个隐含假设。
第一个假设是系统噪声和观测噪声都是零均值高斯白噪声，且协方差矩阵Q和R固定不变。电池工况千变万化，电流大时模型误差大，静置时模型误差小，固定的Q/R协方差本质上是在“平均化”地描述噪声水平，不可能在所有工况下都最优。
第二个假设是模型参数准确。但电池老化的必然性决定了参数不可能一直准确。内阻变大、容量变小，这些变化如果不在模型里体现，EKF的新息就会被系统误差污染。
第三个假设是状态误差和观测误差近似线性。EKF能做的是在每个时间点对非线性函数做一阶泰勒展开，遇到OCV-SOC曲线曲率大的区间（比如SOC低于20%或者高于90%），线性化误差会明显变大。
2.2 固定Q/R的典型症状：滤波发散和滞后
我在初始复现时先用固定Q/R跑了一遍，电池模型用出厂参数，把仿真时间拉到20次模拟循环等效老化之后，结果出现了两个典型症状。
一个症状是SOC估计结果整体偏高。原因前面说过了，分母容量没变，但真实可用容量已经在衰减，换算出来的SOC自然偏大。这个偏大不是随机噪声，是系统性偏差，EKF的增益矩阵再怎么调整也修正不了，因为同样的偏差在每个时刻都存在，滤波器会把它当成“真实值”的一部分。
另一个症状是端电压预测残差里出现明显的时变漂移。固定R矩阵意味着滤波器对观测量的信任度保持不变，但老化后的传感器残差里既有测量噪声，也有模型失配误差，这两者合在一起让新息的统计特性严重偏离零均值假设。此时卡尔曼增益按原定调子做加权，导致SOC估计出现额外的滞后和震荡。
2.3 一个最容易被忽略的问题：老化让“参考SOC”都不对了
复现过程中还必须解决一个方法论问题：用什么来评价估计算法的好坏？一般仿真里用真实SOC做参考，而“真实SOC”是怎么来的？安时积分法在模型准确、初值准确的前提下是可靠的，但老化之后容量本身在变，安时积分必须以“当前实际容量”为准。如果参考SOC还是按老容量算，那EKF估计得再好也会被对比成“不准”。
这个问题的常规解法是：在仿真模型里给电池模型一个独立的容量衰退计算模块，安时积分的分母也从这个模块取当前容量。这样参考SOC本身能反映老化状态，和修正EKF在同一套老化体系下比较，才算公平。这一步虽然简单，但论文初读时很容易忽略，直接导致评估结果失真。
3. 修正策略的落地逻辑：更新模型比改滤波器公式更管用
3.1 修正方向一：让Q/R矩阵随工况自适应
“修正EKF”在论文里最常见的第一处改动，就是不再让Q和R固定。具体做法可以走两条路：一条是基于新息序列实时估计噪声协方差，另一条是按工况查表切换Q/R数值。
我这次复现选用的是前者，思路和自适应滤波里的Sage-Husa方法接近。简单说就是开一个长度为N的滑窗，收集最近N步的新息值，用新息的样本方差去修正观测噪声协方差R。系统噪声协方差Q同理，用状态预测残差的样本统计去调整。这种方法在Matlab里实现非常顺手，Simulink里加一个buffer模块就能完成滑窗。
不过要提醒的是，自适应Q/R不是越“自适应”越好。噪声协方差更新本质上是一个随机估计问题，滑窗太短则协方差估计方差大，滤波容易抖动；滑窗太长则自适应效果变差，响应迟钝。我的实践结果是窗口长度取50到100之间比较均衡，具体数值要看仿真步长。
3.2 修正方向二：把老化参数直接写进状态方程
比调整Q/R更符合论文“考虑老化”主旨的改动，是在EKF的状态方程和观测方程里显式加入老化修正项。具体实现方式是把电池模型的内阻R0、极化电阻Rp1/Rp2、极化电容Cp1/Cp2和容量Qn都做成当前老化程度的函数。
在Simulink里我会用一维查找表或者MATLAB Function块来计算这些参数。以容量为例，它的老化函数可以写成：
Qn_now = Qn_new * (1 - k_q * Ah_throughput / Ah_total)其中Ah_throughput是累计安时吞吐量，Ah_total是寿命周期对应的总安时吞吐量，k_q是容量衰减系数。内阻同样类似：
R0_now = R0_new * (1 + k_r * Ah_throughput / Ah_total)这两个式子看上去简单，但放进EKF之后有一个关键细节：状态转移矩阵A需要对时变参数求偏导。因为参数随着安时吞吐量在变化，严格来说系统已经不是线性时不变系统，如果要严谨，A矩阵的每个元素都得跟随当前参数重新计算。我在复现时的做法是每个仿真步更新一次A矩阵对应的参数部分，效果比一次性算好固定A矩阵更接近论文结果。
3.3 修正方向三：状态扩维，把内阻也“估计”出来
第三种更高级的做法是把内阻直接扩成状态变量，让它和SOC一起被EKF在线估计。这样做的好处是不需要事先知道老化函数的形式，模型自己会跟踪内阻的实际变化；代价是状态方程从二阶变成了三阶，且内阻的动态方程需要额外假设（通常设置为随机游走模型）。
我对比过状态扩维和参数查表两种方式，在Simulink里查表方式更容易调通，因为不需要额外处理内阻估计值和真实值之间的耦合问题。状态扩维方式虽然更接近“真正在线估计老化参数”，但会引入新的调参维度——内阻的噪声方差怎么定，直接决定估计速度和稳定性。论文如果明确写了状态扩维，那就必须按论文来；如果只提到“考虑老化”，优先选择查表方式，复现成本低很多。
4. Simulink仿真模型搭建：从模块划分到信号流
4.1 总体结构分成四块
先说我搭的模型整体拓扑，按信号流方向依次是：
工况输入模块：负责产生充放电电流序列，我用的是动态工况（类似简化版的城市循环工况），包含加速、匀速、制动回充、静置几个阶段。这个模块输出电流I和采样时间戳。
电池模型模块：二阶RC等效电路模型，输入是电流I和当前温度，输出是端电压Vt和真实SOC。模型内部已经把容量衰减、内阻增加的老化逻辑做进去。
修正EKF模块：核心算法区。输入是端电压实测值Vt、电流I、当前老化参数，输出是SOC估计值以及估计误差。这里需要特别注意的是，算法区内所有参数必须和电池模型区内当前老化程度保持一致，否则滤波器估计的是“另一块电池”。
评估与显示模块：负责把真实SOC和估计SOC做差，计算误差百分比，生成波形。
这四块划分清晰之后，调试可以分模块进行，哪个环节出问题直接看该模块的输出波形就能定位。
4.2 二阶RC等效电路模型的Simulink实现细节
二阶RC等效电路模型可以表达为：
- Vt = OCV(SOC) - I*R0 - V1 - V2
- dV1/dt = I/C1 - V1/(R1*C1)
- dV2/dt = I/C2 - V2/(R2*C2)
- dSOC/dt = -I/Qn
实现时我用了积分模块加增益模块组合。一个常见坑是SOC的积分器可能会跑到负值或者超过1，所以必须在积分器后面加饱和限幅，同时把限幅后的SOC反馈用于OCV查表，避免查表超出边界。
OCV-SOC曲线我用的是Lookup Table模块，曲线数据从论文里对应型号电池的实验数据摘录。这里要强调一下查表精度：SOC从0到100%之间均匀取了41个点，线性插值方式，效果还凑合；如果取点太少，OCV曲线曲率较大的平台区会产生明显误差，直接影响观测方程精度。
4.3 修正EKF的Simulink实现：MATLAB Function块更省心
EKF核心我建议直接用MATLAB Function块写，而不是拆成一堆Simulink基本模块。原因很简单：矩阵运算在Simulink基本模块里连线极其痛苦，而且公式写错不好排查；MATLAB Function里可以直接抄论文里的矩阵公式，逐行对照，出问题也好加断点。
我写的核心结构大致是：
function [SOC_est, P_out] = ekf_update(I, Vt, SOC_pred_prev, P_prev, params) % 状态预测 SOC_pred = SOC_pred_prev - (I * dt) / params.Qn_now; V1_pred = V1_prev * exp(-dt/(params.R1*params.C1)) + I*params.R1*(1-exp(-dt/(params.R1*params.C1))); V2_pred = V2_prev * exp(-dt/(params.R2*params.C2)) + I*params.R2*(1-exp(-dt/(params.R2*params.C2))); x_pred = [SOC_pred; V1_pred; V2_pred]; % 观测预测 OCV = interp1(params.SOC_OCV(:,1), params.SOC_OCV(:,2), SOC_pred, 'linear', 'extrap'); Vt_pred = OCV - I*params.R0_now - V1_pred - V2_pred; % 线性化 H = [dOCV_dSOC(SOC_pred, params), -1, -1]; % 新息与增益 innovation = Vt - Vt_pred; S = H * P_pred * H' + R; K = P_pred * H' / S; % 更新 x_est = x_pred + K * innovation; P_est = (eye(3) - K*H) * P_pred; SOC_est = x_est(1); end这段代码只是核心逻辑示意，实际写的时候状态预测和观测更新是分成两个函数块的，但写法就是这样，和论文公式一一对应。
4.4 老化注入模块：时变参数要送进电池模型和EKF两个地方
我单独做了一个“老化参数计算”模块，输入是累计安时吞吐量，输出是当前容量Qn_now、当前内阻R0_now、当前RC参数。它的输出同时连接到电池模型和修正EKF模块。这样做的好处是仿真过程中如果发现SOC估计误差变大，可以快速确认是电池模型的参考值变了、还是EKF使用的参数没跟上。
老化参数的更新周期不需要和仿真步长一样，为了减少计算量，我用了一个触发子系统的方案：每100秒更新一次老化参数，更新间隔内保持参数不变。实测下来在动态工况里效果和每步更新几乎一致，但仿真速度提升了约30%。这个优化技巧在长周期老化仿真里非常实用。
5. 复现路上的五个“坑”和排查链路
5.1 代数环问题：MATLAB Function块里的直通路径
第一次运行模型直接报错“algebraic loop detected”，定位到EKF模块。原因是MATLAB Function块里当前步的输出SOC_est直接参与了当前步端电压的计算（观测矩阵H依赖SOC），而端电压又作为输入反馈回来，这就形成了代数环。
排查之后确认代数环的根源在于观测方程里SOC和端电压的耦合。解决方案有两种：一种是给MATLAB Function块加一个单位延迟，让状态预测部分先算，观测更新用上一时刻的SOC计算H矩阵；另一种是把H矩阵的计算独立出来，用查表方式预先算好dOCV/dSOC。我最终选的是延迟方案，因为它改动最小，只需要在反馈回路里加一个Unit Delay模块。
5.2 初值敏感性问题：P矩阵的“信任度”预设
刚开始我按论文给的初始协方差P0设成单位矩阵乘以一个小值，结果前20秒SOC估计误差一度冲到8%，后面才慢慢收敛。后来我把P0调大了一两个数量级，误差明显改善，前几个周期就收敛到2%以内。
这里面的逻辑是：P0代表算法对初始状态估计的不信任程度。你如果一开始就有较准确的SOC初值，P0可以设小一些；如果初始处于未知状态，P0设大一点让滤波器大胆修正。论文一般不会告诉你这个细节，需要在仿真里自己试验。
5.3 采样时间的噩梦：连续模块和离散模块交界处
二阶RC模型我用连续积分器，EKF模块我用的是离散更新（步长0.1秒），连接处没有加采样保持的话，仿真器会自己插值，容易出现意料之外的数值震荡。后来把电池模型的连续积分器也改成离散积分器，步长0.1秒，两者完全同步，震动消失。
这个坑在Simulink里非常隐蔽，因为模型能跑、不报错，但波形里总是有莫名其妙的毛刺。排查方式是在关键信号线上加Scope，对比连续采样和离散采样的差异。
5.4 容量衰减参数的“过拟合”：老化函数太激进
第一次做老化参数注入时，我参考某篇文献给了一个偏激进的容量衰减系数，结果仿真跑到后半段，电池容量掉了20%，而EKF的参数更新模块在同一老化体系下修正不够及时，误差后半段快速增大到6%以上。这个问题的本质不是算法问题，而是老化函数本身不可信。
解决办法是把容量衰减系数改成软函数形式，比如线性衰减但在接近寿命终点时斜率放缓，更接近真实电池表现。老化只是一种趋势，过分追求拟合精度反而让算法在边界工况下失真。
5.5 参考SOC的“公平性问题”
前面提到过，参考SOC用安时积分法获得时，必须和老化容量同步。我在实现时走了些弯路，最初参考SOC直接用固定容量算，结果EKF算法的表现曲线一直“不好看”，弄得我一度怀疑是滤波增益算错了。后来把参考SOC改为从老化注入模块获取当前容量做分母，误差走势一下就合理了。
这是复现论文时最容易让人怀疑人生的一个坑，强烈建议先检查参考基准的算法逻辑，再怀疑自己的滤波器公式。基准错了，后面一切优化都是白费。
6. 波形分析：什么结果才算复现成功
6.1 四类波形必须全部画出来
复现完成后，我习惯性画了四类波形来验证结果：
- 真实SOC与估计SOC对比曲线
- SOC估计误差曲线（百分比）
- 端电压实测与端电压预测对比曲线
- 新息序列（残差）波形
前两类直接体现估计精度，后两类用来判断滤波器是否健康。尤其是新息序列，如果它长期偏离零均值，说明模型偏差没有被正确补偿，即使SOC曲线误差不大，这个结果也是“纸面好看”。
6.2 论文结论的量化标准
一个相对合理的复现结果应该是：动态工况下SOC估计误差稳定在2%以内，偶发尖峰不超过3%，并且老化到中后期（容量衰减10%以上）时误差没有明显发散趋势。如果误差在老化后继续增大到超过3%，多半是老化参数注入没做好，或者自适应Q/R窗口设置不合理。
我自己的复现结果在老化到10%时误差约1.6%，老化到20%时误差约2.1%，整体呈现缓慢增大但有界的状态，和论文给出的趋势图吻合得比较好。
6.3 一个容易被忽视的细节：静置段的误差变化
动态工况里会穿插静置段，静置时电流为零，极化电压逐渐消退，端电压逐渐趋近OCV。这时观测方程里OCV是主要信息来源，如果OCV-SOC曲线在平台区分辨力差，静置段的SOC估计误差可能反而比动态段更大。实测中我把OCV采样点加密后，静置段误差显著下降。
这也提醒我们：论文里的OCV-SOC曲线数据质量直接决定复现效果的天花板，别把心思全花在滤波器调参上。
7. 从复现到优化的一点思考
复现本身不是目的，通过复现理解算法思路才是。我做完这个项目以后，最大的感受是修正EKF的精髓不在于滤波公式本身有什么魔法，而在于它承认了“电池模型永远是错的”这个事实，然后想办法让滤波器在模型偏差面前保持稳定。
如果接下来要在这个方向上继续深化，我可能会尝试两个方向：一是把老化参数在线辨识加到EKF里，让修正系数自动跟随实际老化状态，而不是依赖离线老化模型；二是考虑温度和环境对老化速率的影响，把Arrhenius类的温度修正公式做进去。这些都是对“考虑老化”更广义的解读，也能让仿真结果更贴近实车场景。
最后给准备动手复现的同学一个建议：先花半天时间把论文里的电池模型参数、老化模型函数、EKF初始化参数全部整理成一张参数表，再开始搭Simulink模型。我在这个过程前期吃过亏，边查论文边建模，被参数单位、符号定义各种小问题反复打断思路，整理完参数表之后，后面两天内就基本拉通了整个仿真链路。这种准备工作看起来琐碎，却是整个复现过程性价比最高的一件事。
