1. 锂离子电池SOC估算的挑战与卡尔曼滤波家族概述
锂离子电池的荷电状态（State of Charge, SOC）估算是电池管理系统（BMS）中最核心也最具挑战性的任务之一。就像老司机常说的"油表不准"问题，电池的电量估算同样充满玄机。特别是在电压曲线的平台区，相同的电压读数可能对应着30%到70%的SOC跨度，这种非线性特性让传统的电压查表法完全失效。
在实际工程中，我们常用二阶RC等效电路模型来描述电池动态特性。这个模型包含开路电压（V_ocv）、欧姆内阻（R0）和两个RC并联支路（R1C1、R2C2），其状态方程可以表示为：
code复制dx/dt = A·x + B·I
V = V_ocv(SOC) - I·R0 - V1 - V2
其中x=[SOC; V1; V2]是状态变量，I是充放电电流，V是端电压。这个看似简单的模型却藏着三个致命陷阱：
- V_ocv与SOC的关系受温度影响显著，常温下标定的曲线在低温下可能偏差5%以上
- RC参数会随着电池老化发生漂移，使用固定参数会导致累积误差
- 电流采样噪声在安时积分计算中会被放大，特别是小电流工况时
卡尔曼滤波家族正是解决这类状态估计问题的利器。从经典的KF（卡尔曼滤波）到EKF（扩展卡尔曼滤波）、UKF（无迹卡尔曼滤波），再到最新的粒子滤波，每种方法都有其独特的优势和适用场景。下面这张对比表总结了它们的特点：
| 算法类型 | 计算复杂度 | 非线性处理能力 | 参数敏感性 | 适用场景 |
|---|---|---|---|---|
| EKF | 中等 | 中等（需雅可比矩阵） | 高 | 中等非线性系统 |
| UKF | 较高 | 强（无需求导） | 中等 | 强非线性系统 |
| PF | 高 | 极强 | 低 | 非高斯噪声系统 |
实践建议：在BMS开发中，EKF因其平衡的性能最常用，但在极端工况（如快速充放电）下，UKF往往表现更稳健。
2. 扩展卡尔曼滤波(EKF)的工程实现细节
2.1 状态空间模型构建
EKF实现的第一