4、SOC估算方法（下）：卡尔曼滤波（EKF/UKF）入门、神经网络与数据驱动方法简介
好，咱们接着聊SOC估算。上一节讲了安时积分和开路电压法，说白了就是“积分算电量”和“查表看电压”。这两种方法简单，但都有硬伤——安时积分会漂移，开路电压法又不能在线用。
那工业界怎么解决的呢？我2015年做第一个BMS项目时，就被这个问题折磨过。当时用的安时积分，跑了两个月，SOC误差从2%漂到了15%。客户投诉说“你们的电池怎么越用越虚？”——其实不是电池虚，是算法飘了。
后来我换上了卡尔曼滤波。嗯，效果立竿见影。今天我就把这块内容掰开揉碎了讲给你听。
4.1 卡尔曼滤波的核心思想
卡尔曼滤波，说白了就是一个“预测+修正”的循环。你想想看，我们开车时怎么判断位置？
- 预测：根据上一秒的速度和方向，猜一下现在在哪
- 测量：看一眼GPS，得到当前位置
- 融合：把预测值和测量值加权平均，得到最优估计
SOC估算也是一样的道理。我们有一个“过程模型”（比如安时积分），还有一个“观测模型”（比如电压查表）。卡尔曼滤波就是把这两者结合起来，取长补短。
核心公式（简化版）：
估计值 = 预测值 + 卡尔曼增益 × (测量值 - 预测值)
卡尔曼增益 = 预测误差 / (预测误差 + 测量误差)
这里有个关键点：卡尔曼增益是动态调整的。如果预测误差大，就多相信测量值；如果测量噪声大，就多相信预测值。我当年调试时，最头疼的就是调这两个误差的协方差矩阵——调好了，收敛飞快；调不好，直接发散。
4.2 扩展卡尔曼滤波（EKF）
标准的卡尔曼滤波要求系统是线性的。但电池这玩意儿，你想想看，电压和SOC的关系是非线性的，开路电压曲线弯弯曲曲的。怎么办？
EKF的思路很简单：把非线性函数做泰勒展开，只取一阶项。说白了就是“用切线代替曲线”。
我在项目中用过EKF，效果还不错。但有个坑——雅可比矩阵的计算。电池模型的非线性强，雅可比矩阵稍微算错一点，滤波器就发散。我曾经debug了三天，最后发现是开路电压曲线的导数算错了0.01。
避坑指南：我曾经在EKF实现中忽略了电池老化的影响。结果新电池时SOC误差3%，用了半年后误差涨到8%。后来我加了一个在线辨识参数的自适应模块，才把误差稳定在5%以内。
EKF的五个步骤（记住这个流程）：
- 状态预测：用安时积分更新SOC
- 误差协方差预测：预测的不确定性传播
- 卡尔曼增益计算：权衡预测和测量
- 状态更新：用电压测量值修正SOC
- 误差协方差更新：更新不确定性
嗯，这里要注意：第2步和第5步的矩阵运算，在嵌入式平台上跑起来挺费劲的。我建议用定点数运算，或者用查表法近似，能省不少算力。
4.3 无迹卡尔曼滤波（UKF）
EKF有个毛病——它用一阶泰勒展开，精度有限。如果电池模型的非线性特别强（比如磷酸铁锂的平坦OCV曲线），EKF就容易翻车。
UKF换了个思路：我不去近似非线性函数，而是去近似概率分布。它用一组“sigma点”来代表状态分布，把这些点通过非线性函数传播，再重新合成高斯分布。
说白了，EKF是“用直线代替曲线”，UKF是“用一群点来模拟曲线”。
我的经验：UKF的精度确实比EKF高，但计算量也大。在STM32F4这种级别的MCU上，EKF跑一遍大概2ms，UKF要5-8ms。如果你的BMS主控算力够，我建议上UKF；如果算力紧张，EKF加一些补偿也能用。
下面我画了一张图，帮你理解EKF和UKF的区别：
4.4 神经网络与数据驱动方法
卡尔曼滤波虽然好，但它依赖电池模型。模型不准，滤波就白搭。那有没有不用模型的方法？
有——数据驱动方法。说白了，就是让神经网络自己学习SOC和电压、电流、温度之间的关系。
我2018年试过用LSTM做SOC估计。训练数据用了三块电池的完整充放电循环，大概200万条数据。效果确实惊艳——测试集上的RMSE只有1.2%。但问题也很明显：
- 计算量大：LSTM在MCU上跑不动，得用NPU或者云端
- 泛化性差：换一种电池，模型就得重新训练
- 可解释性差：你没法解释为什么神经网络输出这个SOC值
我的建议：目前工业界的主流方案还是EKF/UKF。神经网络更适合做辅助——比如用NN来修正OCV曲线，或者预测电池老化后的参数变化。纯数据驱动的SOC估计，在量产BMS上还很少见。
几种常见的数据驱动方法对比：
| 方法 | 精度 | 计算量 | 泛化能力 | 适用场景 |
|---|---|---|---|---|
| BP神经网络 | 中等（3-5%） | 低 | 差 | 简单场景，固定工况 |
| LSTM/RNN | 高（1-2%） | 高 | 中等 | 复杂工况，云端处理 |
| CNN | 中等（2-4%） | 中等 | 中等 | 特征提取，辅助EKF |
| 迁移学习 | 高（1-3%） | 中等 | 好 | 多型号电池适配 |
4.5 实战建议：怎么选？
你可能会问：那我到底该用哪种方法？
我个人习惯这样选：
- 算力够（Cortex-M7以上）：上UKF，精度高，鲁棒性好
- 算力一般（Cortex-M3/M4）：用EKF，注意调好协方差矩阵
- 算力紧张（8位MCU）：安时积分+开路电压修正，加个温度补偿
- 有云端支持：本地跑EKF，云端用LSTM做长期修正
一个小技巧：不管用哪种方法，一定要做SOC初始化。我见过太多项目，算法本身没问题，但上电时SOC初始值设错了，导致后面一直收敛不回来。我的做法是：上电先静置30秒，用OCV查表得到初始SOC，再启动卡尔曼滤波。
好了，SOC估算的方法就讲到这里。卡尔曼滤波这块内容确实有点烧脑，但它是BMS的核心技术之一。你如果能把EKF/UKF吃透，面试BMS岗位时绝对能加分。
公众号:蓝海资料掘金营，微信deep3321