第三章 扩展卡尔曼滤波（EKF）：非线性系统线性化

说实话，上一章讲的标准卡尔曼滤波，在BMS领域里其实有点「水土不服」。

为什么？因为电池系统压根不是线性的。你想想看，SOC和电压之间的关系，那是一根弯曲的曲线，不是直线。OCV-SOC曲线你肯定见过，中间那段平缓得跟什么似的，两端又陡得吓人。这种非线性关系，标准KF根本处理不了。

我刚开始做SOC估计时，就踩过这个坑。拿着标准KF往上怼，结果误差大得离谱，尤其是电池在中间SOC区间的时候，估计值飘得我都不敢看。后来才明白——得用扩展卡尔曼滤波，也就是EKF。

3.1 非线性系统线性化：泰勒展开

EKF的核心思想，说白了就四个字：以直代曲。

怎么代？用泰勒展开。把非线性函数在当前估计点附近展开，只保留一阶项，忽略高阶项。这样就把非线性系统近似成了线性系统，然后就可以套用标准KF的框架了。

数学上长这样：

假设状态方程：xk = f(xk-1, uk-1) + wk-1

观测方程：zk = h(xk) + vk

对f和h分别求偏导，得到雅可比矩阵：

Fk-1 = ∂f/∂x |x̂k-1

Hk = ∂h/∂x |x̂k|k-1

嗯，这里要注意：泰勒展开只在展开点附近有效。如果非线性特别强，或者你的初始估计离真实值太远，一阶近似就不够用了。我在项目中遇到过电池在低温下OCV曲线特别扭曲的情况，那时候EKF的收敛速度明显变慢，就是因为线性化误差太大了。

3.2 雅可比矩阵计算：手撕还是自动微分？

雅可比矩阵，是EKF里最让人头疼的部分。你得对每个状态变量求偏导，而且还得在每一步重新计算。

我个人习惯手撕雅可比。为什么？因为电池模型的结构相对固定，手撕出来的代码效率高，而且你能清楚知道每个偏导的物理意义。比如对于一阶RC模型：

// 状态方程：x = [SOC, V1]^T
// SOC(k) = SOC(k-1) - (η*Δt/Cn)*I(k-1)
// V1(k) = V1(k-1)*exp(-Δt/τ) + R1*(1-exp(-Δt/τ))*I(k-1)

// 雅可比矩阵 F = ∂f/∂x
F[0][0] = 1.0;                    // ∂SOC(k)/∂SOC(k-1)
F[0][1] = 0.0;                    // ∂SOC(k)/∂V1(k-1)
F[1][0] = 0.0;                    // ∂V1(k)/∂SOC(k-1)
F[1][1] = exp(-Δt/τ);            // ∂V1(k)/∂V1(k-1)

// 观测方程：Vt = OCV(SOC) - V1 - R0*I
// 雅可比矩阵 H = ∂h/∂x
H[0][0] = dOCV_dSOC(SOC);        // ∂Vt/∂SOC
H[0][1] = -1.0;                   // ∂Vt/∂V1

避坑指南：我曾经在dOCV_dSOC的计算上吃过亏。OCV-SOC曲线通常用查表加插值实现，但插值方法选不好，导数会剧烈跳变。我建议用三次样条插值，导数平滑，EKF的稳定性会好很多。

当然，现在也有自动微分工具。如果你用的是Python，JAX或者PyTorch都能自动算雅可比。但嵌入式C代码里，还是老老实实手撕吧。

3.3 EKF在SOC估计中的实战

好了，理论说完了，咱们直接上实战。下面是一个完整的EKF-SOC估计流程，我用的是二阶RC模型：

// EKF-SOC估计主循环
void ekf_soc_estimate(EKF_State *ekf, float current, float voltage) {
    // 1. 时间更新（预测）
    // 状态预测：用上一时刻的状态和当前电流
    predict_state(ekf, current);
    
    // 协方差预测：P = F * P * F^T + Q
    float F[2][2] = {{1, 0}, {0, exp(-dt/tau2)}};
    float P_pred[2][2];
    matrix_multiply(F, ekf->P, P_pred);      // F * P
    matrix_multiply_transpose(P_pred, F, ekf->P);  // * F^T
    ekf->P[0][0] += Q_soc;   // 加过程噪声
    ekf->P[1][1] += Q_v2;
    
    // 2. 测量更新（校正）
    // 计算卡尔曼增益：K = P * H^T * (H * P * H^T + R)^(-1)
    float H[1][2] = {dOCV_dSOC(ekf->soc), -1};
    float S = H[0][0]*ekf->P[0][0]*H[0][0] 
            + H[0][1]*ekf->P[1][1]*H[0][1] 
            + 2*H[0][0]*ekf->P[0][1]*H[0][1] 
            + R_measure;
    float K[2] = {
        (ekf->P[0][0]*H[0][0] + ekf->P[0][1]*H[0][1]) / S,
        (ekf->P[1][0]*H[0][0] + ekf->P[1][1]*H[0][1]) / S
    };
    
    // 状态更新：x = x_pred + K * (z - h(x_pred))
    float V_pred = ocv_lookup(ekf->soc) - ekf->v2 - R0*current;
    float innovation = voltage - V_pred;
    ekf->soc += K[0] * innovation;
    ekf->v2  += K[1] * innovation;
    
    // 协方差更新：P = (I - K*H) * P
    // 实际用Joseph形式保证对称正定
    update_covariance_joseph(ekf->P, K, H);
}

重要提醒：协方差更新一定要用Joseph形式！直接用(I - K*H)*P在数值上容易失去对称性，导致协方差矩阵不正定，然后EKF就发散了。我调试时遇到过这个问题，折腾了两天才找到原因。

3.4 参数调优：Q和R怎么设？

EKF里有两个关键参数：过程噪声协方差Q和测量噪声协方差R。这两个参数设不好，EKF性能直接拉胯。

参数物理含义设大了会怎样设小了会怎样
Q（过程噪声）模型的不确定性滤波响应快，但噪声大滤波平滑，但响应慢
R（测量噪声）传感器的噪声水平更相信模型，响应慢更相信测量，易受噪声干扰

我个人习惯这样调：先根据传感器手册确定R的初始值，比如电压测量精度±5mV，那R就设(0.005)²。然后Q从较小的值开始试，看SOC估计的收敛速度和稳态误差。

我曾经在一个项目中，电池电流传感器有偏置误差，导致SOC估计长期偏离。后来我把Q适当调大，让EKF更相信电压测量，才把偏差拉回来。嗯，这就是所谓的「自适应」思想——但那是后话了。

3.5 EKF的局限性

EKF虽然好用，但也不是万能的。我总结了几点：

  • 线性化误差：强非线性下，一阶近似不够用。这时候可以考虑UKF或者粒子滤波。
  • 雅可比计算：模型复杂时，手撕雅可比容易出错。我建议写单元测试验证。
  • 初值敏感：初始SOC偏差太大，EKF可能不收敛。实际中我会先用开路电压法给个初值。

一个小技巧：如果你发现EKF在某个SOC区间老是发散，可以试试在每次测量更新后加一个状态约束。比如SOC强制限制在0~100%之间，V1限制在合理范围内。这虽然不是严格的数学处理，但工程上非常有效。

好了，EKF的内容就到这里。下一章咱们聊聊无迹卡尔曼滤波（UKF），那个不用算雅可比，对付非线性更有一套。

← 上一章 📖 返回目录 下一章 →