电动汽车电池SOC预估：EKF与UKF算法实践

1. 项目概述：电池SOC预估的技术挑战与解决方案

在电动汽车的核心三电系统中，电池管理系统（BMS）的精度直接决定了整车性能和用户体验。作为BMS最关键的参数之一，荷电状态（State of Charge, SOC）的准确预估长期困扰着行业从业者。我曾参与过多个新能源车企的BMS开发项目，深刻体会到SOC预估误差超过5%就会导致续航里程显示跳变、充电策略失效等实际问题。

传统安时积分法就像用沙漏计量时间，随着使用时长增加，误差不断累积。而基于模型滤波的方法则如同配备了GPS的智能手表，通过多传感器数据融合实现自校正。其中，扩展卡尔曼滤波（EKF）和无迹卡尔曼滤波（UKF）是目前工程实践中验证有效的两种方案。本文将基于Simulink仿真环境，详细解析这两种算法在车用锂电池SOC预估中的实现细节，并探讨如何将预估结果应用于充电策略优化。

2. 电池建模：从电化学特性到等效电路

2.1 锂离子电池的动态特性解析

锂离子电池在工作时表现出明显的非线性特性，这主要源于三个物理现象：

• 开路电压迟滞效应：充放电过程中的开路电压曲线不重合，如同弹簧的拉伸与回弹存在路径差异。我们实测某三元锂电池在50%SOC时，充放电开路电压差可达40mV。
• 极化效应：大电流工作时，电池端电压会突然跌落（欧姆极化），随后缓慢下降（电化学极化）和持续降低（浓差极化）。这就像水管中突然增大水流时，会先出现压力骤降，然后逐渐形成稳定压差。
• 容量衰减：经过500次循环后，电池容量通常衰减至初始值的80%，这会导致SOC-OCV曲线发生偏移。在实际项目中，我们采用每月一次的全充全放校准来修正此影响。

2.2 二阶RC等效电路模型构建

针对上述特性，我们选择二阶RC模型进行建模，其拓扑结构包含：

• 电压源（OCV）：表征SOC与开路电压的非线性关系
• 欧姆内阻（R0）：反映瞬时电压降
• 两个RC并联支路：分别模拟快慢极化效应（时间常数通常相差1-2个数量级）

状态空间方程建立过程：

matlab复制% OCV-SOC关系拟合（以NCM523电池为例）
soc = 0:0.1:1;
ocv = [3.0 3.4 3.6 3.7 3.8 3.85 3.9 3.95 4.0 4.1 4.2]; 
p = polyfit(soc,ocv,6);  % 6次多项式拟合

% 模型参数辨识（以25℃环境为例）
R0 = 0.02;       % 欧姆阻抗(Ω)
R1 = 0.01;       % 快极化阻抗(Ω) 
C1 = 2000;       % 快极化电容(F)
R2 = 0.005;      % 慢极化阻抗(Ω)
C2 = 10000;      % 慢极化电容(F)

注意事项：模型参数辨识时需采用混合脉冲功率特性（HPPC）测试法，在不同SOC点施加脉冲电流，通过最小二乘法拟合参数。温度每变化10℃，参数波动可达15%-20%，因此必须建立参数与温度的二维查找表。

3. 滤波算法实现：EKF与UKF的工程化应用

3.1 EKF算法的实现与调参

EKF通过一阶泰勒展开处理非线性系统，其实现步骤包括：

1. 状态预测：

   matlab复制% 状态方程离散化
   A = [1 0 0; 0 exp(-dt/(R1*C1)) 0; 0 0 exp(-dt/(R2*C2))];
   B = [-dt/Qn; R1*(1-exp(-dt/(R1*C1))); R2*(1-exp(-dt/(R2*C2)))];
   x_pred = A * x_est + B * I;
   

2. 协方差预测：

   matlab复制F = [1 0 0; 
        0 exp(-dt/(R1*C1)) 0; 
        0 0 exp(-dt/(R2*C2))]; % 状态转移雅可比矩阵
   P_pred = F * P_est * F' + Q;
   

3. 卡尔曼增益计算：

   matlab复制H = [dOCV/dSOC 1 1]; % 观测雅可比矩阵
   K = P_pred * H' / (H * P_pred * H' + R);
   

4. 状态更新：

   matlab复制x_est = x_pred + K * (V_meas - (OCV(soc) + V1 + V2));
   P_est = (eye(3) - K*H) * P_pred;
   

实操技巧：过程噪声Q和观测噪声R的取值需要反复调试。建议初始值设为Q=diag([1e-4 1e-5 1e-5])，R=1e-3，然后根据实测误差调整。过大的Q会导致估计结果波动，过小的Q则降低算法适应性。

3.2 UKF算法的sigma点策略

UKF采用确定性采样逼近概率分布，其核心在于sigma点选取策略。对于n维状态量，通常取2n+1个sigma点：

matlab复制% Sigma点生成
lambda = alpha^2*(n+kappa) - n;
X(:,1) = x;
sqrtP = chol((n+lambda)*P);
for i = 2:n+1
    X(:,i) = x + sqrtP(:,i-1);
    X(:,i+n) = x - sqrtP(:,i-1);
end

% 权重计算
Wm = [lambda/(n+lambda) 0.5/(n+lambda)*ones(1,2*n)];
Wc = Wm;
Wc(1) = Wc(1) + (1-alpha^2+beta);

参数选择经验：

• alpha：决定sigma点分布范围，通常取1e-3（保证非线性特性）
• beta：包含先验分布信息，高斯分布时最优值为2
• kappa：辅助缩放参数，通常取0

4. Simulink仿真架构设计

4.1 模型整体框架

构建包含四个子系统的仿真模型：

1. 电池模型：基于S-function实现二阶RC模型
2. 工况生成器：提供DST、UDDS等标准工况
3. 滤波算法：分别封装EKF和UKF模块
4. 性能评估：计算RMSE、MAE等指标

4.2 关键模块实现细节

电池S-function示例：

c复制static void mdlOutputs(SimStruct *S, int_T tid) {
    real_T *x = ssGetContStates(S);
    real_T I = *uPtrs[0];
    
    // 状态方程
    dx[0] = -I/Qn;                          // SOC
    dx[1] = -x[1]/(R1*C1) + I/C1;          // V1
    dx[2] = -x[2]/(R2*C2) + I/C2;          // V2
    
    // 输出方程
    y[0] = OCV_LUT(x[0]) + x[1] + x[2] + R0*I;
}

EKF模块配置要点：

• 使用MATLAB Function模块实现预测和更新
• 采样时间设置为10ms（与BMS实际周期一致）
• 启用状态保持功能以存储上一时刻估计值

5. 实验结果分析与工程启示

5.1 精度对比（某三元锂电池测试数据）

5.2 计算资源消耗对比

• EKF：单次迭代平均耗时0.12ms（Cortex-M4内核）
• UKF：单次迭代平均耗时0.35ms（相同平台）

工程建议：在MCU资源受限时可采用EKF，但需增加温度补偿；高性能平台推荐UKF，尤其在动态工况下优势明显。

6. 充电控制策略优化实践

6.1 基于SOC的分段充电策略

mermaid复制graph TD
    A[SOC<30%] -->|1C恒流| B
    B[30%≤SOC<80%] -->|0.5C恒流| C
    C[SOC≥80%] -->|恒压4.2V| D[截止电流0.05C]

实际应用中的改进点：

• 引入温度补偿：当电芯温度>45℃时，电流倍率降低50%
• 动态调整切换阈值：根据电池健康状态（SOH）自动优化阶段转折点
• 脉冲充电策略：在90%SOC后采用间歇脉冲充电，减少极化效应

6.2 充电效率对比测试

7. 项目经验总结与进阶建议

在实际工程应用中，我们发现几个容易忽视但至关重要的细节：

1. 初始SOC标定：

   • 静置4小时后的开路电压法最可靠
   • 在线应用时可结合安时积分与模型预测值加权处理

2. 参数在线更新：

   matlab复制% 每50次循环执行一次参数辨识
   if mod(cycle,50) == 0
       params = fminsearch(@(p) costFunction(p,I,V), p0);
   end
   

3. 多算法融合方案：

   • 正常工况使用UKF
   • 当检测到电流传感器异常时切换至EKF
   • 极端温度条件下启用安时积分+开路电压补偿

对于希望深入研究的同行，建议从以下方向突破：

• 结合电化学阻抗谱（EIS）特征优化模型参数
• 开发基于边缘计算的分布式估计算法
• 研究充电策略与电池寿命的耦合关系模型