电池SOC估计：UEKF算法原理与工程实践

1. 电池SOC估计的技术背景与挑战

电池荷电状态（State of Charge, SOC）估计是电池管理系统（BMS）中最核心的算法之一。准确估计SOC对于延长电池寿命、保障使用安全、优化能量管理都至关重要。然而在实际应用中，SOC无法直接测量，只能通过电压、电流、温度等间接参数进行估算，这给算法设计带来了三大技术难点：

• 强非线性特性：锂离子电池的OCV-SOC曲线在不同区间呈现明显非线性，尤其在低SOC（<20%）和高SOC（>80%）区域
• 时变参数影响：电池内阻、容量等参数会随老化程度、温度变化而发生漂移
• 噪声干扰严重：电流传感器的测量噪声、采样频率限制等因素导致原始数据信噪比低

传统安时积分法虽然简单易实现，但存在累计误差问题。EKF（扩展卡尔曼滤波）通过线性化处理非线性系统，在轻度非线性场景表现良好，但当电池工作在高非线性区间时，其泰勒展开的一阶近似会导致显著误差。这正是UEKF（无迹卡尔曼滤波）的用武之地。

2. 三种算法的原理对比与选型分析

2.1 安时积分法的本质缺陷

安时法基于一个简单公式：

code复制SOC(t) = SOC(t0) + (1/Cn) ∫ηI dt

其中Cn为额定容量，η为库伦效率。其问题在于：

• 完全依赖电流积分，初始误差会随时间累积放大
• 无法修正传感器零漂（典型误差0.5%满量程）
• 库伦效率η在实际中并非常数

实测数据表明：仅使用安时法时，持续充放电4小时后SOC误差可达8%以上

2.2 EKF的线性化局限

EKF通过一阶泰勒展开处理非线性系统：

code复制x_k = f(x_{k-1}) + w_k  
z_k = h(x_k) + v_k

其Jacobian矩阵计算在强非线性点（如SOC 10%附近）会产生较大线性化误差。以三元锂电池为例，当SOC从15%→10%时，OCV曲线斜率变化达12mV/%，此时EKF的SOC估计误差可能达到3-5个百分点。

2.3 UEKF的Sigma点采样优势

UEKF采用确定性采样策略，通过精心选择的Sigma点捕捉非线性分布：

code复制χ = [x, x±√((n+λ)P)]

其中λ为缩放参数，P为协方差矩阵。这种方法的优势在于：

1. 无需计算雅可比矩阵，避免线性化误差
2. 三阶精度捕获非线性特性（而EKF仅一阶）
3. 对初始误差和过程噪声具有更好的鲁棒性

3. 仿真模型构建与参数配置

3.1 电池等效电路建模

采用二阶RC模型进行仿真：

code复制OCV(SOC) - Vt = I*(R0 + R1/(1+τ1s) + R2/(1+τ2s))

参数辨识结果示例（25℃环境）：

3.2 算法实现关键代码

UEKF的核心采样过程（MATLAB示例）：

matlab复制% Sigma点生成
function X = sigma_points(x, P, gamma)
    n = length(x);
    X = zeros(n, 2*n+1);
    X(:,1) = x;
    U = chol((n+gamma)*P);
    for k=1:n
        X(:,k+1) = x + U(k,:)';
        X(:,n+k+1) = x - U(k,:)';
    end
end

% 无迹变换
function [y, Pyy] = ut(f, X, Wm, Wc, R)
    y = zeros(size(f(X(:,1))));
    for k=1:size(X,2)
        y = y + Wm(k)*f(X(:,k));
    end
    Pyy = R;
    for k=1:size(X,2)
        Pyy = Pyy + Wc(k)*(f(X(:,k))-y)*(f(X(:,k))-y)';
    end
end

3.3 噪声参数设置

合理的噪声协方差矩阵对滤波效果至关重要：

• 过程噪声Q：反映模型失配程度，通常取diag([1e-4, 1e-5, 1e-5])
• 观测噪声R：取决于传感器精度，电压测量建议取(5mV)^2
• 初始协方差P0：可设为diag([0.01, 0.001, 0.001])

4. 动态工况下的对比测试

4.1 UDDS城市循环测试结果

在Urban Dynamometer Driving Schedule工况下：

特别是在急加速阶段（SOC快速变化时），UEKF展现出明显优势：

• 当电流阶跃变化30A时，EKF出现2.3%的瞬时误差
• UEKF在相同工况下瞬时误差仅0.9%

4.2 低温环境(-10℃)表现

低温会放大电池非线性特性：

UEKF通过Sigma点更好地捕捉了低温下OCV-SOC曲线的非线性变化。

5. 工程实现中的关键技巧

5.1 参数自适应调整

实际应用中建议采用以下自适应策略：

matlab复制% 根据电流变化率调整过程噪声
if abs(dI/dt) > 10  % A/s
    Q(1,1) = 1e-3;  % 增大SOC估计的噪声容许
else
    Q(1,1) = 1e-4;
end

5.2 多算法融合方案

一种实用的混合架构：

1. 正常工况：优先使用UEKF
2. 低采样率时（<10Hz）：切换至EKF降低计算负担
3. 静置状态：采用OCV法进行校准

5.3 计算资源优化

通过预计算Sigma点权重可减少30%计算量：

matlab复制% 离线计算权重
lambda = alpha^2*(n+kappa) - n;
Wm = [lambda/(n+lambda), repmat(1/(2*(n+lambda)),1,2*n)];
Wc = Wm;
Wc(1) = Wc(1) + (1-alpha^2+beta);

6. 典型问题排查指南

6.1 滤波发散现象

若出现估计值持续偏离真实值：

1. 检查Q/R比值：过小的Q会导致滤波器"过于自信"
2. 验证OCV-SOC曲线：使用错误的曲线会导致系统性偏差
3. 确认电流传感器校准：1%的零漂会导致约0.5%/h的SOC漂移

6.2 初始化敏感问题

UEKF对初始误差较鲁棒，但建议：

• 静置时用OCV法初始化
• 运行中若电压突变超过50mV，触发重新初始化

6.3 实时性挑战

在STM32F407上的实测数据：

可通过定点数运算（Q15格式）将UEKF计算时间压缩到0.8ms以内。