课程导论：为什么要用卡尔曼滤波估算SOC？
各位同学好，我是你们的老朋友。今天咱们正式开始这门课的第一讲。
聊到电池SOC估算，很多人第一反应就是安时积分法。嗯，这个方法确实经典，我十年前刚入行时也天天用。但说实话，它的问题也不少。今天我就结合自己的踩坑经历，跟大家好好聊聊——为什么我们需要卡尔曼滤波？
传统方法一：安时积分法
安时积分法的原理很简单：
SOC(t) = SOC(0) - (1/Q) * ∫I(t)dt
说白了，就是记录电流对时间的积分，再除以电池总容量。听起来没毛病对吧？
但实际用起来，问题就来了：
- 初始SOC不准：你永远不知道电池真正的初始电量是多少。我遇到过好几次，客户说电池充满了，结果一测只有80%。
- 电流传感器有误差：哪怕只有1%的误差，积分时间长了，误差会像滚雪球一样越滚越大。我曾经有个项目，跑了两个小时，SOC误差直接飙到15%。
- 容量会衰减：电池用久了，实际容量会下降。但安时积分法还按出厂容量算，结果就是SOC越算越偏。
避坑指南：我曾经在一个储能项目中，完全依赖安时积分法做SOC估算。结果运行三个月后，系统显示SOC还有30%，实际电池已经亏电到保护板自动断电了。那次教训让我深刻意识到——纯积分法靠不住。
传统方法二：开路电压法
开路电压法（OCV法）是另一种常用方法。它利用电池的OCV-SOC曲线，通过测量开路电压来反推SOC。
优点很明显：只要电池静置足够久，电压稳定了，查表就能得到比较准的SOC。
但缺点同样致命：
- 需要静置：电池必须断开负载，静置半小时以上。你想想看，电动汽车开着开着，突然停下来等半小时测电压？这不现实。
- 动态工况下不准：电池在充放电时，端电压受内阻和极化效应影响，跟开路电压差很多。我见过有人拿动态电压直接查表，结果SOC误差超过20%。
- 曲线不是线性的：OCV-SOC曲线中间段很平缓，电压变化一点点，SOC就跳一大截。说白了，这段区间内电压法基本失效。
我的经验：我个人习惯把开路电压法当作“校准工具”，而不是主算法。比如电池静置过夜后，用OCV法修正一下SOC初始值，效果就很好。
那卡尔曼滤波能解决什么？
好，现在咱们来看看卡尔曼滤波为什么能成为SOC估算的“救星”。
卡尔曼滤波的核心思想：它不依赖单一测量值，而是把模型预测和实际测量结合起来，动态地给出最优估计。
具体到SOC估算：
- 模型预测：用安时积分法预测下一时刻的SOC（虽然会漂，但短期准）
- 测量校正：用电压、电流等测量值来修正预测值（虽然也有噪声，但能约束漂移）
- 动态权重：卡尔曼滤波会自动计算“该信模型多一点，还是信测量多一点”
说白了，卡尔曼滤波就是让安时积分法和电压法“互相纠错”。
举个例子：假设安时积分法预测SOC是60%，但电压法查出来是55%。卡尔曼滤波不会直接取平均，而是根据当前系统的噪声水平，算出最可能的真实值。如果电流传感器噪声大，它就多信电压法；如果电池刚充完电极化严重，它就多信积分法。
卡尔曼滤波的三大优势
| 优势 | 说明 |
|---|---|
| 抗噪声能力强 | 对传感器噪声、模型误差都有很好的抑制效果。我做过对比测试，同样条件下，卡尔曼滤波的SOC误差比纯积分法小3-5倍。 |
| 实时性好 | 每次迭代只需要少量矩阵运算，在嵌入式MCU上也能跑。我曾在STM32F4上实现过，单次计算不到1ms。 |
| 可扩展性强 | 可以加入温度、老化、内阻等状态量，做成自适应卡尔曼滤波。说白了，它能随着电池老化自动调整参数。 |
什么时候不适合用卡尔曼滤波？
嗯，这里也要说句公道话。卡尔曼滤波不是万能的。
- 模型必须准：如果电池模型本身就很差，卡尔曼滤波也救不了。我见过有人拿一阶RC模型去拟合三元锂电池，结果误差大得离谱。
- 计算资源要求：虽然比神经网络轻量，但对低端MCU（比如8位单片机）来说，矩阵运算还是有点吃力。
- 参数整定麻烦：噪声协方差矩阵Q和R需要反复调试。我刚开始学的时候，调这两个参数调了整整一周。
重要提醒：卡尔曼滤波假设噪声是高斯白噪声。如果你的传感器有严重的非高斯噪声（比如突然的脉冲干扰），那卡尔曼滤波的效果会大打折扣。这时候可以考虑扩展卡尔曼滤波（EKF）或无迹卡尔曼滤波（UKF）。
小结
好了，今天的内容就到这里。总结一下：
- 安时积分法简单但会漂移
- 开路电压法准但需要静置
- 卡尔曼滤波把两者结合，取长补短
下一讲，我会带大家从零搭建电池模型。咱们一步步来，把卡尔曼滤波的每个环节都吃透。
记住一句话：卡尔曼滤波不是魔法，它只是用数学把不确定性管理得更好。
我是你们的讲师，咱们下节课见。