4、卡尔曼滤波入门：从贝叶斯滤波到卡尔曼滤波，核心思想“预测+更新”
各位同学，咱们今天聊点硬核的——卡尔曼滤波。
说实话，我刚入行做BMS那会儿，听到“卡尔曼滤波”这四个字，第一反应是：这玩意儿是不是得数学博士才能搞？后来真正啃下来才发现，它的核心思想其实特别朴素，就四个字：预测 + 更新。
你想想看，我们做SOH估计，本质上就是在干一件事：猜。猜电池现在还剩多少容量，猜内阻涨了多少。但光猜不行，你得有依据，还得不断用新数据去修正你的猜测。卡尔曼滤波，就是帮你干这个的。
4.1 从贝叶斯滤波说起
要理解卡尔曼滤波，得先聊聊它的老祖宗——贝叶斯滤波。
贝叶斯滤波的核心思想，说白了就是一句话：用先验知识 + 新观测数据 = 后验估计。
我举个例子。你早上出门，看天阴沉沉的。根据经验（先验），你觉得今天有70%的概率会下雨。但你刚走到楼下，发现邻居老王正收伞（新观测）。这时候你更新判断：嗯，下雨概率得提到95%了。
这就是贝叶斯滤波的直觉。在BMS里，我们的“先验”就是上一时刻对SOH的估计，“新观测”就是当前时刻的电压、电流、温度数据。两者一结合，得到当前时刻更准确的SOH估计。
贝叶斯滤波的通用公式（理解即可，不用背）：
P(x|z) = [P(z|x) * P(x)] / P(z)
其中：P(x)是先验概率，P(z|x)是似然，P(x|z)是后验概率。
但问题来了。贝叶斯滤波在理论上很完美，实际用起来却要算积分。对于高维状态空间（比如我们同时估计SOC、SOH、内阻），计算量会爆炸。我当年第一次尝试用贝叶斯滤波做SOH估计，跑了三天三夜没出结果……后来才明白，得用它的“简化版”——卡尔曼滤波。
4.2 卡尔曼滤波的三大假设
卡尔曼滤波之所以高效，是因为它做了三个关键假设。这些假设让问题从“算积分”变成了“算加减乘除”。
| 假设 | 含义 | 在BMS中的体现 |
|---|---|---|
| 1. 线性系统 | 状态变化和观测都是线性的 | 电池模型通常用等效电路模型（线性近似） |
| 2. 高斯噪声 | 过程噪声和观测噪声都服从高斯分布 | 传感器噪声、模型误差近似为高斯白噪声 |
| 3. 马尔可夫性 | 当前状态只与上一时刻有关 | SOH变化是缓慢的，短期可视为一阶马尔可夫过程 |
⚠️ 注意：实际电池系统是非线性的。所以我们在工程中用的不是标准卡尔曼滤波，而是扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）。但别急，先搞懂线性版本，非线性版本就是加个“泰勒展开”的事儿。
4.3 核心思想：预测 + 更新
卡尔曼滤波的整个流程，就两个步骤循环往复：
- 预测（Predict）：根据上一时刻的最优估计，预测当前时刻的状态和误差。
- 更新（Update）：用当前时刻的实际观测值，修正预测值，得到最优估计。
我习惯把它比作“开车看导航”。
- 预测：导航告诉你，按当前速度，5分钟后你应该在A点。这是基于历史数据的推算。
- 更新：但实际GPS信号显示，你现在在B点。导航就会修正：哦，原来你堵车了，重新规划路线。
卡尔曼滤波每时每刻都在做这件事。它不会完全相信预测，也不会完全相信观测，而是根据两者的“可信度”（协方差矩阵）做一个加权平均。
4.4 五条黄金公式
好了，上干货。卡尔曼滤波的核心就这五条公式。别怕，我一条条拆给你看。
预测阶段（2条）：
1. 状态预测：x̂ₖ⁻ = A · x̂ₖ₋₁ + B · uₖ₋₁
2. 误差协方差预测：Pₖ⁻ = A · Pₖ₋₁ · Aᵀ + Q更新阶段（3条）：
3. 卡尔曼增益：Kₖ = Pₖ⁻ · Hᵀ · (H · Pₖ⁻ · Hᵀ + R)⁻¹
4. 状态更新：x̂ₖ = x̂ₖ⁻ + Kₖ · (zₖ - H · x̂ₖ⁻)
5. 误差协方差更新：Pₖ = (I - Kₖ · H) · Pₖ⁻咱们一条条说人话：
- 公式1：用上一时刻的SOH估计值，加上系统输入（比如电流积分），预测当前SOH。
- 公式2：预测的误差有多大？上一时刻的误差会传递过来，再加上过程噪声Q（模型不准的程度）。
- 公式3：卡尔曼增益Kₖ，就是“预测”和“观测”谁更可信的权重。如果观测噪声R小（传感器准），Kₖ就大，更相信观测。
- 公式4：最终估计 = 预测值 + Kₖ × (观测残差)。观测残差就是“你预测的和实际测的差多少”。
- 公式5：更新完状态后，误差协方差要缩小，因为我们的估计更准了。
💡 我的经验：调卡尔曼滤波，80%的时间都在调Q和R矩阵。Q太大，滤波会“抖”；R太大，滤波会“钝”。我曾经在一个项目中，Q设小了，SOH估计死活跟不上电池老化速度；R设小了，估计值又跟着噪声乱跳。最后花了整整一周，才找到那个“黄金比例”。
4.5 一个简单的SOH估计例子
假设我们用容量衰减来定义SOH。初始容量100Ah，当前容量95Ah，SOH=95%。
我们用一个最简单的模型：SOH变化很慢，近似为常数（A=1）。观测是电压和电流，通过安时积分法算出的容量（H=1）。
# 伪代码示例
# 初始化
x = 0.95 # SOH初始值95%
P = 0.01 # 初始误差协方差
Q = 0.001 # 过程噪声（SOH变化很慢）
R = 0.01 # 观测噪声（安时积分有累积误差）
# 每个时间步
for each measurement:
# 预测
x_pred = x # SOH不变
P_pred = P + Q # 误差增加一点
# 更新
K = P_pred / (P_pred + R) # 卡尔曼增益
z = measure_capacity() / 100 # 观测到的SOH
x = x_pred + K * (z - x_pred) # 更新SOH
P = (1 - K) * P_pred # 更新误差你看，就这么几行代码。但效果呢？比单纯用安时积分法准得多。安时积分法误差会累积，卡尔曼滤波每步都在“纠偏”。
4.6 避坑指南
最后，分享几个我踩过的坑：
我曾经……在初始化P矩阵时设得太小，觉得初始估计很准。结果卡尔曼滤波“过度自信”，前几百步都不怎么相信观测数据，收敛极慢。后来学乖了：初始P设大一点，让滤波先“虚心学习”。
- 坑1：忘记检查可观性。如果系统不可观，卡尔曼滤波估计会发散。做SOH估计时，一定要保证电流激励足够丰富（有充有放）。
- 坑2：Q和R设为固定值。实际电池在不同温度、不同SOC下，噪声特性不一样。我后来改用自适应卡尔曼滤波，在线调整Q和R。
- 坑3：忽略数值稳定性。在嵌入式平台上，矩阵求逆容易出问题。建议用UD分解或平方根滤波。
好了，这一章就到这儿。卡尔曼滤波的“预测+更新”思想，是整个SOH估计算法的基石。下一章，咱们会把这个框架套到具体的电池模型上，看看怎么一步步搭出完整的SOH估计器。
记住：预测让你有方向，更新让你不跑偏。做算法如此，做工程亦如此。