1、课程导论与预备知识：电池模型基础与卡尔曼滤波入门
各位同学，欢迎来到《基于扩展卡尔曼滤波的SOC估计算法实现》的第一课。
我是这门课的主讲。做BMS算法这些年，我踩过不少坑，也积累了一些心得。今天咱们就把地基打牢。
你想想看，SOC估计不准，车开着开着突然没电，或者电池过充起火，那都是大事。所以，这一章的内容，说白了就是整个课程的“命根子”。
1.1 电池模型基础：OCV-SOC曲线
先聊聊OCV-SOC曲线。这是电池最核心的特性之一。
OCV，开路电压。SOC，荷电状态。它们之间有个一一对应的关系，但不是线性的。
我刚开始做项目时，以为找个线性公式一算就完事了。结果呢？误差大到离谱。后来才明白，这条曲线必须实测，而且不同温度、不同老化程度，曲线都会变。
核心要点：OCV-SOC曲线是电池的“指纹”。没有它，EKF就是无源之水。
为什么这么说？因为EKF的观测方程里，我们需要用OCV来修正状态估计。如果OCV不准，修正方向就错了。
实际项目中，我们通常用两种方法获取这条曲线：
- 小电流放电法：用0.05C左右的电流慢慢放，记录电压和容量。我习惯用这个方法做基准标定。
- 脉冲充放电法：通过短时脉冲，结合弛豫电压来拟合。速度快，但精度稍差。
我的经验：做OCV测试时，静置时间一定要够。我曾经为了赶进度，只静置了30分钟，结果拟合出来的曲线在低SOC段完全不能用。后来我改成静置2小时以上，数据才稳定。
1.2 RC等效电路模型
有了OCV-SOC曲线，我们还需要描述电池的动态特性。这时候，RC等效电路模型就登场了。
最简单的是一阶RC模型：一个电阻R0（欧姆内阻），一个RC并联网络（极化效应）。
你想想看，电池在放电时，电压会瞬间掉一块（R0的作用），然后慢慢再掉一块（RC网络的作用）。这个“慢慢掉”的过程，就是极化效应。
数学上，我们这样描述：
状态方程：
V_p[k+1] = V_p[k] * exp(-Δt/τ) + I[k] * R_p * (1 - exp(-Δt/τ))
观测方程：
V_t[k] = OCV(SOC[k]) - V_p[k] - I[k] * R0其中，τ = R_p * C_p，是时间常数。这个参数很关键，它决定了电池的“记忆”长度。
注意：RC参数不是一成不变的。温度、SOC、电流方向都会影响R0、R_p、C_p的值。我见过不少新手直接拿25℃的参数去算-10℃的情况，结果SOC估计误差直接飙到15%以上。
高阶模型（二阶、三阶）精度更高，但计算量也更大。我个人习惯，在嵌入式平台上用一阶或二阶模型就够了。再高，边际效益递减，反而容易过拟合。
1.3 卡尔曼滤波入门：线性KF的5个核心公式
好，模型有了，怎么用？这就轮到卡尔曼滤波了。
线性卡尔曼滤波，说白了就是五个公式来回倒。我当年学的时候，觉得这五个公式像五线谱，看着复杂，弹熟了就是肌肉记忆。
咱们先看状态预测部分：
- 状态预测：x̂_k|k-1 = A * x̂_k-1|k-1 + B * u_k
- 误差协方差预测：P_k|k-1 = A * P_k-1|k-1 * A^T + Q
然后是用测量值修正：
- 卡尔曼增益：K_k = P_k|k-1 * H^T * (H * P_k|k-1 * H^T + R)^(-1)
- 状态更新：x̂_k|k = x̂_k|k-1 + K_k * (z_k - H * x̂_k|k-1)
- 误差协方差更新：P_k|k = (I - K_k * H) * P_k|k-1
嗯，这里要注意，公式里的Q和R，分别是过程噪声和测量噪声的协方差矩阵。这两个参数怎么调？
我刚开始做的时候，Q和R全靠猜。后来发现，Q设大了，滤波响应快但噪声大；R设大了，滤波平滑但响应慢。这是个trade-off。
避坑指南：我曾经在一个项目中，把R设得太小，结果滤波器对测量噪声特别敏感，SOC估计值跳来跳去，根本没法用。后来我把R调大了10倍，曲线才平滑下来。所以，调参时，建议先从保守的R值开始。
1.4 EKF的核心思想：线性化与雅可比矩阵
问题来了：我们的电池模型是非线性的（OCV-SOC曲线就是非线性的），线性KF用不了。怎么办？
扩展卡尔曼滤波（EKF）就是干这个的。它的核心思想就四个字：线性化。
怎么线性化？用泰勒展开，取一阶项。说白了，就是在当前工作点附近，用切线代替曲线。
这个切线的斜率，就是雅可比矩阵。
对于我们的电池模型：
- 状态方程对状态的雅可比：A_k = ∂f/∂x | x̂_k-1|k-1
- 观测方程对状态的雅可比：H_k = ∂h/∂x | x̂_k|k-1
具体到一阶RC模型：
状态向量 x = [SOC, V_p]^T
A_k = [1, 0;
0, exp(-Δt/τ)]
H_k = [∂OCV/∂SOC, -1] // 注意，∂OCV/∂SOC就是OCV曲线的斜率你看，EKF和线性KF的区别，就在于A和H变成了时变的，需要在线计算。
关键点：雅可比矩阵的计算精度，直接决定了EKF的收敛性和稳定性。如果OCV曲线斜率算错了，整个滤波器可能发散。
我建议，在实现时，OCV-SOC曲线的斜率最好用解析表达式，或者用高精度的插值+差分。不要用简单的两点差分，噪声太大。
好了，这一章的内容就到这里。我们打下了三个基础：电池模型、线性KF、EKF的线性化思想。下一章，咱们就开始动手搭建完整的EKF-SOC估计算法。
记住，理论是死的，工程是活的。多动手，多调参，你也能成为BMS算法高手。