1、SOC算法概述：从定义到实战

大家好，我是你们的老朋友。今天咱们聊聊SOC算法。说实话，做BMS这么多年，我见过太多工程师在SOC估算上栽跟头。有的项目都量产了，结果SOC跳变像过山车，客户投诉电话打爆。嗯，这节课我就把压箱底的经验掏出来，跟你们好好掰扯掰扯。

1.1 SOC定义与重要性

SOC，全称State of Charge，中文叫荷电状态。说白了，就是电池还剩多少电。我习惯用百分比表示，0%代表没电，100%代表满电。你手机右上角的电池图标，显示的就是SOC。

但这里有个坑——SOC不能直接测量。你拿万用表量电压，能测出3.7V，但测不出70%还是80%。所以SOC是个估算值，不是测量值。我在项目里经常跟硬件同事开玩笑：「你们测电压、测电流，我们算法组负责猜还剩多少电。」

为什么SOC这么重要？我给你们列几个场景：

  • 续航里程计算：电动车仪表盘显示还能跑多少公里，全靠SOC
  • 充放电策略：SOC太低要限功率，太高要停止充电
  • 均衡控制：电池组里电芯SOC不一致，需要均衡
  • 安全保护：SOC估算不准，可能导致过充或过放

核心观点：SOC是BMS的「眼睛」。眼睛瞎了，整个系统就废了。我见过一个项目，因为SOC误差超过10%，导致电池在低温下过放，直接报废了一批电芯。教训惨痛啊。

1.2 常见SOC估算方法

市面上SOC估算方法五花八门，但真正工程上常用的，其实就三种。我一个个给你们讲。

1.2.1 安时积分法

这是最基础的方法，原理简单到令人发指：

SOC(t) = SOC(0) - ∫(η·I(t) / Q_n) dt

其中：

  • SOC(0)是初始SOC
  • η是库仑效率（充电约1.0，放电约0.98-0.99）
  • I(t)是电流（放电为正）
  • Q_n是额定容量

说白了，就是「流进去多少电，流出来多少电，一算就知道还剩多少」。我在早期做电动工具BMS时，用的就是纯安时积分法。那时候MCU资源紧张，卡尔曼滤波根本跑不动。

优点：实现简单，计算量小，短期精度不错。

缺点：

  • 误差会累积。电流传感器有零点漂移，积分时间长了，误差越来越大
  • 需要准确的初始SOC。如果初始值错了，后面全错
  • 容量会老化。Q_n不是常数，用久了容量衰减，积分就不准了

避坑指南：我曾经在一个项目中，电流传感器零点漂移达到5mA。你以为很小？但积分24小时后，误差累积到3%以上。所以用安时积分法，一定要定期校准，或者配合其他方法修正。

1.2.2 开路电压法

这个方法利用了电池的一个特性：静置足够长时间后，端电压和SOC有稳定的对应关系。你想想看，手机充满电是4.2V，没电是3.0V，中间每个电压对应一个SOC值。

具体做法是：

  1. 先做实验，测出不同SOC下的开路电压（OCV），做成一个表格
  2. 实际使用时，让电池静置一段时间（通常30分钟到2小时）
  3. 测量端电压，查表得到SOC

我习惯用多项式拟合OCV曲线，阶数一般取5-7阶。阶数太低拟合不准，阶数太高容易过拟合。嗯，这里要注意，不同化学体系的电池，OCV曲线差异很大。磷酸铁锂的OCV曲线特别平，中间段电压变化很小，查表法误差会很大。

优点：没有累积误差，精度取决于OCV表格的准确性。

缺点：

  • 需要长时间静置。车在跑的时候，你没法用这个方法
  • 电池有迟滞效应。充电后的OCV和放电后的OCV不一样
  • 温度影响很大。同一个SOC，25℃和-10℃的OCV能差几十毫伏

我的经验：开路电压法最适合做「修正」用。比如车停了一晚上，早上启动时用OCV法校准一下安时积分的初始值。这样两个方法互补，效果最好。

1.2.3 卡尔曼滤波法

这是目前工业界的主流方法。卡尔曼滤波，说白了就是一个「最优估计算法」。它把安时积分法和开路电压法融合在一起，还考虑了噪声和误差。

核心思想是两步走：

  1. 预测步：用安时积分法预测下一时刻的SOC
  2. 更新步：用电压测量值修正预测值

代码实现大概是这样的（简化版）：

// 预测步
x_pred = x_est + (I * dt / Q_n);  // 安时积分
P_pred = P_est + Q;                // 误差协方差预测

// 更新步
K = P_pred * H / (H * P_pred * H + R);  // 卡尔曼增益
x_est = x_pred + K * (V_meas - h(x_pred));  // 状态更新
P_est = (1 - K * H) * P_pred;               // 协方差更新

你可能会问：「为什么要搞这么复杂？」原因很简单——卡尔曼滤波能自动平衡「模型预测」和「测量值」之间的权重。当电压测量值可信时，多信测量值；当模型预测可信时，多信预测值。

优点：

  • 精度高，能抑制噪声
  • 能在线估计电池内阻、容量等参数
  • 误差不会累积

缺点：

  • 计算量大，对MCU有要求
  • 需要准确的电池模型（比如RC等效电路模型）
  • 参数调优比较麻烦（Q、R矩阵怎么设？）

个人建议：如果你刚开始做BMS，先从安时积分+开路电压修正开始。等把基础搞扎实了，再上卡尔曼滤波。我见过太多人一上来就搞卡尔曼，结果参数调了三个月，还不如简单的安时积分准。

1.3 算法精度评价指标

算法做完了，怎么评价好不好？不能光靠感觉。我一般用三个指标来衡量。

1.3.1 RMSE（均方根误差）

公式：

RMSE = sqrt( (1/N) * Σ(SOC_est - SOC_true)² )

RMSE对大的误差特别敏感。你想想看，误差平方之后，大误差会被放大。所以RMSE能很好地反映算法的「稳定性」。我习惯要求RMSE < 3%。

1.3.2 MAE（平均绝对误差）

公式：

MAE = (1/N) * Σ|SOC_est - SOC_true|

MAE反映的是平均偏差。它不像RMSE那样惩罚大误差，所以更直观。比如MAE=2%，意思就是平均每个点偏差2%。我一般要求MAE < 2%。

1.3.3 最大误差

这个最简单，就是所有采样点中，最大的那个绝对误差：

Max_Error = max(|SOC_est - SOC_true|)

最大误差反映的是算法的「最差情况」。我特别看重这个指标。为什么？因为BMS是安全件，你不能说「平均精度很好，但偶尔会跳变10%」。客户不会接受的。我一般要求最大误差 < 5%。

这三个指标怎么用？我给你们一个表格参考：

指标 优秀 良好 及格 不及格
RMSE < 1% 1-3% 3-5% > 5%
MAE < 0.5% 0.5-2% 2-4% > 4%
Max Error < 2% 2-5% 5-8% > 8%

小技巧：验证算法精度时，不要只在常温下测。我建议至少做三组测试：25℃恒温、-10℃低温、45℃高温。很多算法在常温下表现很好，一到极端温度就露馅了。

好了，这一章的内容就到这里。下一章我会详细讲安时积分法的实现细节，包括怎么处理电流传感器噪声、怎么在线修正容量。到时候我会拿一个实际项目的代码出来，咱们一起分析。

记住一句话：SOC算法没有银弹。每种方法都有适用场景，关键是要理解原理，然后根据你的项目需求做取舍。我在BMS这行摸爬滚打十几年，最大的体会就是——算法好不好，最终要看能不能在实车上稳定跑三年。

咱们下节课见。

← 上一章 📖 返回目录 下一章 →