1. 项目背景与核心问题
电池充电状态（State of Charge, SOC）估计是电池管理系统（BMS）中最关键的算法之一。SOC可以理解为电池的"电量百分比"，就像手机显示剩余电量一样。但工业级SOC估计远比手机复杂得多——误差必须控制在3%以内，否则可能导致电动汽车突然抛锚或储能电站失控。
传统SOC估计方法如库仑计数法存在两个致命缺陷：一是初始误差会随时间累积（就像用有误差的秒表测量时间）；二是无法应对电池老化、温度变化等干扰。而卡尔曼滤波器通过数学建模和实时修正，能将误差稳定在1%以内。这相当于把普通尺子升级成了游标卡尺。
2. 卡尔曼滤波器原理精要
2.1 状态空间建模
卡尔曼滤波器的精髓在于将电池视为一个动态系统：
code复制x_k = A·x_{k-1} + B·u_k + w_k (状态方程)
y_k = H·x_k + v_k (观测方程)
其中x_k=[SOC, V1]^T包含待估计的SOC和极化电压，u_k是输入电流，y_k是端电压测量值。w_k和v_k分别表示过程噪声和测量噪声，就像实验中不可避免的随机干扰。
2.2 递推算法五步曲
-
预测状态：
x̂_k|k-1 = A·x̂_k-1|k-1 + B·u_k
基于上一时刻估计值预测当前状态，类似根据昨天销量预测今天库存 -
预测协方差：
P_k|k-1 = A·P_k-1|k-1·A^T + Q
量化预测的不确定性，Q是过程噪声协方差 -
计算卡尔曼增益：
K_k = P_k|k-1·H^T·(H·P_k|k-1·H^T + R)^-1
动态权衡模型预测与测量值的可信度 -
更新状态：
x̂_k|k = x̂_k|k-1 + K_k·(y_k - H·x̂_k|k-1)
用实际测量值修正预测，类似根据实时GPS调整导航路线 -
更新协方差：
P_k|k = (I - K_k·H)·P_k|k-1
降低估计的不确定性
3. MATLAB实现详解
3.1 电池模型构建
首先建立二阶RC等效电路模型：
matlab复制% 电