4、卡尔曼滤波法（EKF）：从原理到实战

卡尔曼滤波，说白了就是一套“预测+修正”的数学框架。我最早接触它是在做无人机姿态解算时，后来发现它在SOC估算里简直是神器。为什么？因为电池是个非线性系统，电流、电压、温度之间的关系不是简单的加减乘除。EKF（扩展卡尔曼滤波）就是专门处理这种非线性问题的。

4.1 卡尔曼滤波基本原理

先讲个故事。你开车去一个陌生城市，手机GPS告诉你当前位置，但GPS有误差。同时，你根据车速和方向也能估算出大概位置，但估算也有误差。卡尔曼滤波干的事就是：把这两个有误差的信息融合起来，得到一个更准的位置。

在SOC估算里，我们也有两个信息来源：

• 模型预测：根据电流积分（安时法）估算SOC变化
• 观测修正：根据开路电压（OCV）反推SOC

卡尔曼滤波的核心思想就是：我不完全相信模型，也不完全相信观测，我信“加权平均”。这个权重就是卡尔曼增益K。

预测步：
  x̂ₖ|ₖ₋₁ = A·x̂ₖ₋₁|ₖ₋₁ + B·uₖ
  Pₖ|ₖ₋₁ = A·Pₖ₋₁|ₖ₋₁·Aᵀ + Q

更新步：
  Kₖ = Pₖ|ₖ₋₁·Hᵀ·(H·Pₖ|ₖ₋₁·Hᵀ + R)⁻¹
  x̂ₖ|ₖ = x̂ₖ|ₖ₋₁ + Kₖ·(zₖ - H·x̂ₖ|ₖ₋₁)
  Pₖ|ₖ = (I - Kₖ·H)·Pₖ|ₖ₋₁

别被公式吓到。你只需要记住：预测步是“猜”，更新步是“改”。Q是过程噪声协方差，R是观测噪声协方差。这两个参数，我后面会讲怎么调。

4.2 状态方程与观测方程

在SOC估算中，我们需要建立两个方程：

状态方程（描述SOC怎么变）：

SOCₖ = SOCₖ₋₁ - (η·Iₖ·Δt)/Qₙ + wₖ

其中：

• η：库仑效率（充电≈1，放电≈0.99）
• Iₖ：电流（放电为正）
• Δt：采样周期
• Qₙ：电池额定容量
• wₖ：过程噪声（模型误差）

观测方程（描述电压和SOC的关系）：

Vₖ = OCV(SOCₖ) - Iₖ·R₀ - V₁ₖ + vₖ

其中：

• OCV(SOCₖ)：开路电压与SOC的映射关系（查表或多项式拟合）
• R₀：欧姆内阻
• V₁ₖ：RC网络极化电压
• vₖ：观测噪声（电压测量误差）

4.3 EKF在SOC估算中的应用

标准卡尔曼滤波假设系统是线性的。但电池的OCV-SOC关系是非线性的，怎么办？EKF的做法是：在每一步对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”。

具体实现步骤：

1. 初始化：设定SOC初始值x̂₀和协方差P₀
2. 预测SOC：用安时法估算当前SOC
3. 预测协方差：计算预测的不确定性
4. 计算雅可比矩阵：对OCV函数求导（这一步是EKF和KF的关键区别）
5. 计算卡尔曼增益：决定相信模型还是相信观测
6. 更新SOC：用电压测量值修正SOC
7. 更新协方差：减小不确定性

// 预测步
soc_pred = soc_est - (current * dt) / capacity;
P_pred = P_est + Q;

// 计算雅可比矩阵（OCV对SOC的导数）
dOCV_dSOC = (OCV(soc_pred + delta) - OCV(soc_pred - delta)) / (2 * delta);

// 观测方程
V_pred = OCV(soc_pred) - current * R0 - V1;

// 卡尔曼增益
K = P_pred * dOCV_dSOC / (dOCV_dSOC * P_pred * dOCV_dSOC + R);

// 更新步
soc_est = soc_pred + K * (V_measured - V_pred);
P_est = (1 - K * dOCV_dSOC) * P_pred;

嗯，这里要注意：雅可比矩阵的计算精度直接影响EKF的收敛速度。我建议用中心差分法，比前向差分更准。

4.4 EKF参数调优

调参是EKF落地最头疼的部分。我踩过不少坑，分享几个关键点：

调参实战建议：

• 先粗调后细调：先用经验值（Q=1e-5, R=1e-3），再根据残差调整
• 观察新息序列：如果新息（测量值-预测值）均值不为零，说明模型有偏
• 分工况调参：恒流、脉冲、动态工况需要不同的Q/R组合
• 考虑温度补偿：低温下R要适当增大（电压测量噪声变大）

最后说一句：EKF不是万能的。如果电池模型本身误差太大（比如忽略迟滞效应），再好的滤波器也救不了。先把模型做准，再谈滤波。