五大核心公式：其实就两组

卡尔曼滤波的五大公式，看着吓人，其实就分两拨：预测公式（2个）和更新公式（3个）。我习惯把它们叫做「时间更新」和「测量更新」。

预测步骤（时间更新）

公式1：状态预测

x̂k- = A · x̂k-1 + B · uk-1

这个公式在说啥？说白了就是：根据上一时刻的状态，推测当前时刻的状态。A是状态转移矩阵，B是控制输入矩阵。

拿SOC估算举例：

• x̂_k-1 是上一时刻的SOC估计值
• A 就是「1」（因为SOC本身不会突变）
• B · u_k-1 就是安时积分那一项：电流 × 时间 / 容量

公式2：误差协方差预测

Pk- = A · Pk-1 · AT + Q

这个公式描述的是：预测的不确定性是如何增长的。Q是过程噪声协方差矩阵，代表模型本身的不确定性。

嗯，这里要注意：Q值设得越大，说明你越不相信模型，卡尔曼滤波就会更依赖测量值。反之亦然。

更新步骤（测量更新）

公式3：卡尔曼增益计算

Kk = Pk- · HT · (H · Pk- · HT + R)-1

卡尔曼增益K，是整个滤波器的「灵魂」。它决定了：你更相信预测值，还是更相信测量值。

• 如果测量噪声R很小（测量很准），K会变大，滤波器更相信测量
• 如果过程噪声Q很小（模型很准），P会变小，K也会变小，滤波器更相信预测

公式4：状态更新

x̂k = x̂k- + Kk · (zk - H · x̂k-)

这就是最终的「最优估计」。括号里的 (z_k - H · x̂_k^-) 叫新息（innovation），就是「测量值减去预测值」的残差。

你想想看：如果预测值和测量值完全一致，新息为0，那就不需要修正。如果不一致，就用K乘以这个差值来修正。

公式5：误差协方差更新

Pk = (I - Kk · H) · Pk-

这个公式更新了估计的不确定性。每次做完测量更新后，不确定性都会降低——因为你又多了一条信息。

一个完整的迭代流程

把上面五个公式串起来，就是卡尔曼滤波的完整流程。我习惯用伪代码来理解：

// 初始化
x̂₀ = 初始SOC估计值（比如50%）
P₀ = 初始误差协方差（体现你对初始值的信心）

// 每个时间步执行
for k = 1, 2, 3, ...:
    // ---- 预测步骤 ----
    x̂ₖ⁻ = A * x̂ₖ₋₁ + B * uₖ₋₁      // 预测状态
    Pₖ⁻ = A * Pₖ₋₁ * Aᵀ + Q          // 预测协方差

    // ---- 更新步骤 ----
    Kₖ = Pₖ⁻ * Hᵀ / (H * Pₖ⁻ * Hᵀ + R)  // 计算增益
    x̂ₖ = x̂ₖ⁻ + Kₖ * (zₖ - H * x̂ₖ⁻)      // 更新状态
    Pₖ = (I - Kₖ * H) * Pₖ⁻              // 更新协方差

SOC估算中的具体应用

在BMS里，我们通常这样映射：

为什么卡尔曼滤波适合SOC估算？

说白了，SOC估算有两个痛点：

1. 安时积分有累积误差——电流传感器漂移、采样误差，时间长了SOC就跑偏
2. 开路电压法需要静置——车在跑的时候没法用

卡尔曼滤波正好对症下药：

• 用安时积分做「预测」——随时都能算
• 用端电压做「修正」——消除累积误差
• 两者加权融合——比单独用任何一个都准

我记得第一次在实车上跑通卡尔曼滤波时，看着SOC曲线从「锯齿状」变成「平滑曲线」，那种感觉真的很爽。虽然调参调了两周，但值了。