扩展卡尔曼滤波EKF实现锂离子电池SOC估计：模型、原理与Matlab代码

在电池管理系统（BMS）的日常开发里，SOC（State of Charge，电荷状态）估计一直是个既基础又让人头疼的问题。它不像测电压电流那样直接读个传感器就行，而是一个典型的“隐状态”问题——你永远没法拿万用表量出“还剩多少电”，只能通过可测的电压、电流、温度去反推。我这些年做BMS相关的算法和仿真，用过的估计方法从简单的安时积分、开路电压查表，到卡尔曼滤波家族的各种变体都有涉及，这篇就围绕基于扩展卡尔曼滤波器（EKF）的SOC估计方法，把从模型建立、算法原理到Matlab代码实现的完整链路捋一遍，代码部分会给出可以直接跑通的参考实现，适合正在做课程设计、毕业设计，或者刚入门电池管理算法想找个靠谱起点的朋友。

先说清楚一个容易踩的认知误区：EKF并不是什么神秘的高深算法，它的核心思想其实就一句话——把非线性系统在当前工作点附近做泰勒展开，只保留一阶项，然后套用标准卡尔曼滤波的递推框架。电池的SOC估计之所以要用它，是因为电池模型里那个开路电压（OCV）与SOC之间的关系曲线是强非线性的，如果无视这个非线性直接上线性卡尔曼滤波，结果会偏得离谱。EKF所做的，本质上就是在这个非线性曲线上不断找切线，用切线替代曲线来完成状态预测和更新。

需要说明的是，这篇文章涉及的Matlab代码是基于常见的二阶RC等效电路模型（也有用一阶的，差别在于极化环节的精度和对计算量的要求），采用EKF进行SOC递推估计。文中的代码结构和参数均来自我在类似项目中的常用实践，你拿到的原始工程可能模型参数不同，但整个框架是通用的，改一改矩阵维度和参数表就能适配。

1. 项目整体设计与思路拆解

1.1 为什么SOC估计非得绕开“直接测量”这条思路

想理解EKF在这个场景里的价值，得先从“为什么SOC不能直接测”说起。电池内部电化学反应的状态，宏观上表现为端电压、充放电电流、温度、内阻等电气特征，但这些特征和SOC之间不是一一对应的关系。同一个端电压值，在大电流放电和静置状态下对应的SOC可能差出十几个百分点，这就是所谓的“极化电压”在捣乱——电池在电流激励下，内部浓差极化和电化学极化会让端电压偏离真实的平衡电势。

安时积分法最简单，直接对电流做时间积分再除以容量，但它的两个致命缺陷是初值必须已知、积分误差会随时间和电流测量偏差不断累积。开路电压法倒是能绕过积分误差，但要求电池必须静置足够久，让端电压回落到平衡状态，这在实际车载或储能场景下根本做不到。所以工程上真正可落地的思路只有一条：找一个能同时利用电压、电流测量信息，又能内部修正误差的状态观测算法，卡尔曼滤波家族就是干这个的。

1.2 EKF与标准KF、安时积分法、查表法的取舍逻辑

做方案选型时，很多人会纠结一个问题：既然标准卡尔曼滤波计算量小、理论成熟，为什么不直接用？原因是标准KF的适用前提是系统状态方程和观测方程都是线性的。如果强行把OCV-SOC关系曲线线性化，只在某个固定点展开，那么当SOC运行到曲线的其他区段时，线性化误差就会迅速增大，滤波结果直接发散。EKF做的事情是每步都在当前估计点重新线性化，相当于一条曲线被切成无数小段直线段，每步都用最贴合当前位置的那一段来做递推，精度和鲁棒性就都有了保障。

和安时积分法相比，EKF的关键优势在于它是一个闭环估计器：每步都用实测端电压与模型预测端电压的残差来修正状态，所以即使初值给得不准、电流传感器有偏置，系统也会在若干步内把SOC估计值拉回真实值附近。和单纯的查表法相比，EKF天然融合了电流对SOC的动态驱动作用，能把静置和动态工况统一在一个框架里处理。

1.3 适用场景与局限性说明

EKF-SOC估计的适用范围非常宽：动力电池、储能电池、消费电子电池都可以用，前提是你能拿到足够好的OCV-SOC标定曲线和模型参数。它也有局限性，我简要列出：

• OCV曲线平台区（磷酸铁锂中段SOC 30%-70%）斜率很平，此时电压对SOC的观测信息弱，EKF的修正能力会减弱，估计误差会变大。
• EKF对模型参数误差敏感，如果电池老化导致容量和内阻漂移，而模型参数没更新，估计精度会下降。
• 计算量虽然不大，但在极低成本的MCU上跑递推矩阵运算时，仍需注意浮点性能和存储空间的余量。

2. 电池模型与参数辨识：EKF估计的地基工程

2.1 等效电路模型选型：一阶RC还是二阶RC

EKF的观测方程需要描述“SOC和端电压之间怎么映射”，这就要靠等效电路模型。最常用的是戴维南（Thevenin）模型：一个理想电压源（OCV）串联欧姆内阻，再串联若干个RC并联网络来模拟极化效应。一阶RC模型结构最简单，只有一个极化环节，参数少、辨识容易，但在动态电流工况下对电压响应的拟合精度稍差；二阶RC模型多了一个RC环节，把浓差极化和电化学极化分开描述，精度更高，但参数从3个变成5个，辨识难度和计算量也上去了。

我的建议是：如果你的OCV曲线斜率较大（比如三元锂），一阶RC基本够用；如果是磷酸铁锂，或者你做的工况里大倍率脉冲频繁出现，果断上二阶RC。下面这套代码按二阶RC模型展开，但如果你用一阶，把第二个RC环节的参数置零、状态维度从2降到1就行，改动不大。

2.2 状态方程与观测方程的建立

连续时间下，二阶RC模型的状态方程是这样的：

z_dot = -eta * i / Cn Vp1_dot = -Vp1 / (R1 * C1) + i / C1 Vp2_dot = -Vp2 / (R2 * C2) + i / C2

端电压观测方程：

Vt = OCV(z) - i * R0 - Vp1 - Vp2

这里z就是SOC，eta是库仑效率（充电时通常取1，放电时约等于1，具体按电池手册），Cn是额定容量（Ah），i是电流（放电为正），R0是欧姆内阻，R1/C1和R2/C2是两个极化环节的电阻和电容。把状态向量取为x = [z, Vp1, Vp2]，输入为u = i，输出为y = Vt，就得到了标准的非线性状态空间模型。

2.3 离散化与参数辨识实操要点

计算机实现必须离散化。设采样周期为Ts，一阶欧拉离散化够用，也可以用双线性变换，但SOC估计的采样率通常1Hz左右，欧拉法的精度已经足够。离散后的状态转移矩阵和输入矩阵如下（以二阶RC为例）：

z(k+1) = z(k) - (eta * Ts / Cn) * i(k) Vp1(k+1) = exp(-Ts / (R1C1)) * Vp1(k) + R1 * (1 - exp(-Ts / (R1C1))) * i(k) Vp2(k+1) = exp(-Ts / (R2C2)) * Vp2(k) + R2 * (1 - exp(-Ts / (R2C2))) * i(k)

参数辨识这件事，代码本身不会替你完成，需要靠实验数据。常规流程是：

1. 做HPPC（混合脉冲功率特性）测试，得到不同SOC点的脉冲响应。
2. 从脉冲的瞬间压降读R0，从恢复段的指数衰减曲线拟合R1/C1和R2/C2。
3. 用满充-静置-小倍率放电-静置的循环做OCV-SOC标定曲线。

如果你手上没有实测数据，先用文献里的典型锂离子电池参数也能把算法跑通，后面再拿实测数据替换。下面是这段代码里我用的参考参数：

这些参数不是万能的，不同电芯差异很大，必须重新辨识。切记。

3. 扩展卡尔曼滤波算法原理拆解

3.1 从标准卡尔曼到EKF：一句话概括的核心逻辑

标准卡尔曼滤波解决的是线性系统的最优状态估计问题，它的五个核心公式构成了完整的递推闭环：状态预测、协方差预测、卡尔曼增益计算、状态更新、协方差更新。EKF的唯一区别在于系统是非线性的，所以我们在每一步计算雅可比矩阵（Jacobian），把非线性函数在当前估计点线性化，再代入标准卡尔曼的框架。

用生活化的类比来说：你在山路上开车，标准KF相当于拿着一张直线道路的地图在导航，遇到弯道就偏离；EKF相当于每隔几米重新画一条当前弯道的切线来导航，虽然每条切线只对附近一小段有效，但不断更新切线，整条山路就能跟住。电池的OCV-SOC曲线就是那条山路，EKF就是那个不断画切线的导航员。

3.2 EKF五个公式在SOC估计中的具体形态

状态预测：

x_pred = f(x_est, u)

其中f就是2.3节里的离散状态方程，把当前状态估计x_est和当前电流输入u代进去，求出下一步的状态预测值x_pred。

误差协方差预测：

P_pred = A * P_est * A' + Q

这里的A是状态方程对状态向量的雅可比矩阵。因为z的递推不依赖Vp1、Vp2，Vp1和Vp2的递推是线性且互不耦合的，所以A矩阵非常简单：

A = [1, 0, 0; 0, exp(-Ts/(R1C1)), 0; 0, 0, exp(-Ts/(R2C2))]

注意A是对角阵，且SOC状态那一行与极化电压无关，这背后是“SOC只受电流驱动，与极化电压无关”的物理事实，理解了这个，矩阵就不会写错。

卡尔曼增益计算：

K = P_pred * H' * (H * P_pred * H' + R)^(-1)

这里的H是观测方程对状态向量的雅可比矩阵，即端电压Vt对z、Vp1、Vp2的偏导数：

H = [dOCV/dz, -1, -1]

其中dOCV/dz是OCV-SOC曲线在当前SOC预测值处的斜率。这个斜率非常重要，它决定了当前工作点下电压观测对SOC修正的“可信度”——平台区斜率小，增益自动调低，避免把电压噪声误当成SOC变化；陡峭区斜率大，增益自动调高，修正力度更强。

状态更新：

x_est = x_pred + K * (Vt_meas - Vt_pred)

其中Vt_meas是实测端电压，Vt_pred是用x_pred代入观测方程算出的预测端电压。两者的差值就是残差（innovation），K决定把多少残差分配到SOC和两个极化电压上。

误差协方差更新：

P_est = (I - K * H) * P_pred

3.3 为什么这个流程能抑制安时积分的误差累积

安时积分法的问题是纯开环的：电流积分误差、初值误差都会原封不动地保留在结果里。EKF引入了“电压反馈闭环”这个关键机制：如果SOC估计偏高，模型预测的OCV就会偏高，进而预测端电压Vt_pred偏高，与实测值之间出现正残差，卡尔曼增益K会把这个残差按权重折算成对SOC的负向修正，把估计值拉回来。这一正一负的负反馈回路，就是EKF能长期保持估计精度的根本原因。

4. Matlab实现与核心代码解析

4.1 代码整体结构与数据流

我提供的参考代码按功能分为四个部分：参数定义与初始化、OCV-SOC曲线插值函数、EKF递推主循环、结果可视化。数据流如下：读取电流序列和端电压测量序列→初始化状态和协方差→逐时刻计算状态预测和观测预测→用实测电压残差修正→记录SOC估计值→与实际SOC对比评估误差。整个过程完全按3.2节的递推公式展开，没有使用任何Matlab工具箱函数，所以只要装了基础Matlab就能跑通。

4.2 完整参考代码（可直接复制运行）

%% 基于EKF的锂离子电池SOC估计 % 模型：二阶RC等效电路模型 % 状态：x = [SOC; Vp1; Vp2] % 输入：电流i（放电为正），端电压Vt（测量） % 作者实践配置：Matlab R2020a及以上版本均可运行 clear; clc; close all; %% 1. 电池模型参数 % 电芯基本参数 Cn = 2.0; % 额定容量，Ah eta = 1.0; % 库仑效率 Ts = 1; % 采样时间，s % 二阶RC模型参数（参考值，需按实际电芯辨识） R0 = 0.02; % 欧姆内阻，Ohm R1 = 0.03; % 电化学极化电阻，Ohm C1 = 2000; % 电化学极化电容，F R2 = 0.05; % 浓差极化电阻，Ohm C2 = 5000; % 浓差极化电容，F

%% 2. OCV-SOC曲线数据（查表用，典型三元锂风格） SOC_points = [0; 0.1; 0.2; 0.3; 0.4; 0.5; 0.6; 0.7; 0.8; 0.9; 1.0]; OCV_points = [3.00; 3.35; 3.52; 3.65; 3.74; 3.82; 3.92; 4.03; 4.14; 4.23; 4.30]; % 用分段线性插值构造OCV-SOC函数及其导数 OCV_fun = @(soc) interp1(SOC_points, OCV_points, soc, 'linear', 'extrap'); % 导数dOCV/dSOC用差分近似 dOCV_dSOC = @(soc) (OCV_fun(soc+0.005) - OCV_fun(soc-0.005)) / 0.01;

%% 3. EKF初始化 x_est = [0.8; 0; 0]; % 状态初值：[SOC; Vp1; Vp2]，故意设得不准 P_est = diag([0.1^2, 0.05^2, 0.05^2]); % 初始误差协方差矩阵 Q = diag([1e-5, 1e-4, 1e-4]); % 过程噪声协方差（调参重点） R = 1e-3; % 观测噪声协方差（电压测量噪声方差） % 预先分配存储数组 N = 3600; % 仿真时长：1小时 SOC_est = zeros(N, 1); SOC_true = zeros(N, 1); Vt_meas = zeros(N, 1); Vt_pred_arr = zeros(N, 1); Vp1_arr = zeros(N, 1); Vp2_arr = zeros(N, 1);

%% 4. 仿真工况生成：动态电流放电+实测电压模拟 % 这里用真实系统会直接读取电流/电压传感器数据 % 为了验证算法，先构建一个带噪声的仿真环境 t = (0:N-1)' * Ts; % 电流序列：混合工况，包含恒流、脉冲、静置 I = zeros(N, 1); I(1:600) = -1.0; % 1C放电 I(601:700) = 0; % 静置 I(701:1000) = -0.5; % 0.5C放电 I(1001:1100) = 0; % 静置 I(1101:1500) = -2.0; % 2C脉冲放电 I(1501:1700) = 0; % 静置 I(1701:2200) = -0.8; % 0.8C放电 I(2201:2300) = 0; % 静置 I(2301:2600) = -1.5; % 1.5C放电 I(2601:2800) = 0; % 静置 I(2801:3600) = -0.3; % 小电流放电 % 用状态方程递推“真实SOC”和“真实极化电压” SOC_true(1) = 0.9; Vp1_true = 0; Vp2_true = 0; Vt_meas(1) = OCV_fun(SOC_true(1)) - I(1)*R0 - Vp1_true - Vp2_true + sqrt(R)*randn(); for k = 2:N SOC_true(k) = SOC_true(k-1) - eta*Ts/Cn * I(k-1); Vp1_true = exp(-Ts/(R1*C1))*Vp1_true + R1*(1-exp(-Ts/(R1*C1)))*I(k-1); Vp2_true = exp(-Ts/(R2*C2))*Vp2_true + R2*(1-exp(-Ts/(R2*C2)))*I(k-1); Vt_meas(k) = OCV_fun(SOC_true(k)) - I(k)*R0 - Vp1_true - Vp2_true + sqrt(R)*randn(); end

%% 5. EKF主递推循环 for k = 1:N % --- 状态预测 --- SOC_pred = x_est(1) - eta*Ts/Cn * I(k); Vp1_pred = exp(-Ts/(R1*C1))*x_est(2) + R1*(1-exp(-Ts/(R1*C1)))*I(k); Vp2_pred = exp(-Ts/(R2*C2))*x_est(3) + R2*(1-exp(-Ts/(R2*C2)))*I(k); x_pred = [SOC_pred; Vp1_pred; Vp2_pred]; % --- 雅可比矩阵 --- A = [1, 0, 0; 0, exp(-Ts/(R1*C1)), 0; 0, 0, exp(-Ts/(R2*C2))]; % --- 协方差预测 --- P_pred = A * P_est * A' + Q; % --- 观测预测 --- Vt_pred = OCV_fun(SOC_pred) - I(k)*R0 - Vp1_pred - Vp2_pred; % --- 观测雅可比矩阵 --- H = [dOCV_dSOC(SOC_pred), -1, -1]; % --- 卡尔曼增益 --- K = P_pred * H' / (H * P_pred * H' + R); % --- 状态更新 --- innovation = Vt_meas(k) - Vt_pred; x_est = x_pred + K * innovation; % --- 协方差更新 --- P_est = (eye(3) - K * H) * P_pred; % --- 记录 --- SOC_est(k) = x_est(1); Vp1_arr(k) = x_est(2); Vp2_arr(k) = x_est(3); Vt_pred_arr(k) = Vt_pred; end

%% 6. 结果可视化 figure('Name', 'SOC估计结果', 'Color', 'w'); subplot(3,1,1); plot(t/60, SOC_true*100, 'k-', 'LineWidth', 1.5); hold on; plot(t/60, SOC_est*100, 'r--', 'LineWidth', 1.5); xlabel('时间 (min)'); ylabel('SOC (%)'); legend('真实SOC', 'EKF估计', 'Location', 'best'); title('EKF SOC估计与真实值对比'); grid on; subplot(3,1,2); plot(t/60, (SOC_est - SOC_true)*100, 'b-', 'LineWidth', 1.2); xlabel('时间 (min)'); ylabel('SOC误差 (%)'); title('SOC估计误差'); grid on; subplot(3,1,3); plot(t/60, I, 'g-', 'LineWidth', 1.0); xlabel('时间 (min)'); ylabel('电流 (A)'); title('电流工况'); grid on;

4.3 代码里的几个关键细节

这段代码里最容易被忽略的地方，是初始化时的状态初值设置。我在第3节里故意把SOC初值设为0.8，而真实值是0.9，这模拟的是“不知道电池当前剩余电量”的场景。EKF能不能在几十秒内从0.8拉回到0.9附近，直接检验的就是卡尔曼增益设计得合不合理、观测模型可不可靠。如果你把初值设成刚好等于真实值，算法当然也能跑，但就失去了验证闭环修正能力的机会。

另一个关键是Q矩阵和R矩阵的量级关系。它们俩的比值相当于在“信任模型递推”和“信任电压测量”之间做权衡。Q设得大，相当于告诉滤波器“模型不可靠，多听电压的”，K会变大，修正快但容易把电压噪声的毛刺也当成状态变化；Q设得小，相当于认为模型很准，K变小，估计轨迹平滑但响应慢，初值误差要很久才能消除。我在代码里给的Q和R是经过调试的相对合理起点，但换电芯、换工况后你还是得自己调。具体怎么调，下一节详细说。

5. 常见问题与排查技巧实录

5.1 滤波发散：表现、原因与处理

如果你跑代码发现SOC估计值直接飞掉，或者在一段剧烈波动后出现负值或超过100%，十有八九是发了散。常见的几种触发原因：

• H矩阵算错了。dOCV/dSOC的差分计算如果是在插值区间之外，或者插值函数没做边界处理，斜率会突然失真。我的建议是先用平滑曲线拟合OCV数据（比如用多项式或样条拟合），再解析求导，比数值差分稳定得多。
• Q/R设置失衡。Q太小而R太大，滤波器就几乎不修正，误差会越积越大，最终完全偏离。遇到这种情况，先把R调小一个数量级试试，看残差是否有反应。
• 初值协方差P_est给得太小。P_est代表的是对初值的置信度，给得越小说明你越相信初值。如果初值其实错得离谱，又给了很小的P_est，系统前期的修正量会被严重压制。工程经验是P_est初值宁可给大一个数量级，让滤波器先快速收敛，再慢慢收紧。

5.2 SOC初值误差消除得慢怎么解决

很多时候你会发现，EKF确实在收敛，但收敛速度慢得让人着急，几百秒才从0.8爬到0.85。这通常是两个原因叠加：一是当前SOC落在OCV平台区，dOCV/dSOC接近0，H矩阵里对应SOC的那一项没多大权重，电压残差传递不到SOC修正上；二是Q里SOC过程噪声设得太小，限制了每步状态修正的步伐。

解决思路有两个方向。方向一：把Q(1,1)适当调大，允许SOC每步可以有更大的修正幅度。方向二：增加观测信息，比如把温度、端电压变化率等辅助量加入观测方程，或者改用双扩展卡尔曼滤波同时估计SOC和容量。我在实际项目中惯用的一个折中方案是启动阶段用较大的Q(1,1)，等SOC误差收敛到2%以内再切换成较小的稳态值，效果比全程恒定Q好很多。

5.3 平台期SOC估计误差偏大的工程对策

磷酸铁锂电芯的OCV曲线在中段非常平坦，这会给所有基于电压观测的SOC估计方法带来一个先天性的难题：电压上0.1%的变化对应SOC可能有好几个百分点。EKF在这种情况下会自动压低增益，避免把电压噪声放大成SOC的大幅跳动，但代价是估计误差确实比曲线陡峭区大。

工程上的常用对策，放这里集中列一下：

• 在平台期增加安时积分的权重，靠电流积分跨过模糊区，等SOC进入曲线陡峭区再用电压修正“校准”。
• 引入电池温度修正，因为平台区的OCV-SOC关系受温度影响更明显，把温度项纳入观测模型能部分恢复可观测性。
• 用多模型融合估计，比如在EKF之外同时运行一个纯安时积分器，按SOC区域动态加权融合两者的输出，平台区信安时积分，陡峭区信EKF。这种方式我在实车BMS项目里验证过，效果比单一算法稳定不少。

5.4 表格速查：常见问题、可能原因与处理建议

关于表格最后一条“放电结束时SOC跳变”，我补充说一句：OCV曲线的两端（SOC接近0和接近1）通常斜率很大，插值点如果太稀疏，差分会剧烈变化，导致卡尔曼增益突变。解决方案是把OCV标定数据在两端加密集点，同时考虑用平滑样条而不是线性插值来构造曲线，能显著减少末端的毛刺。

6. 个人实操体会与扩展建议

做SOC估计这几年，我的一个最深体会是：算法本身的下限不低，但真正决定上限的往往是模型参数的准确度。EKF给再好的框架，模型参数不准，输出也只能在错误的地基上跳舞。所以如果你打算把这套代码用到自己手头的电芯上，第一优先级永远是花时间把HPPC实验做扎实、把OCV曲线标定清洗干净，这比调Q和R的收益大得多。

这套框架的扩展方向也很清晰：往上走可以加自适应噪声协方差调节（比如用新息序列的实际方差在线调整Q和R），加双卡尔曼滤波同时估计SOC和SOH；往前沿走，可以对比无迹卡尔曼滤波（UKF）和粒子滤波（PF），它们在强非线性场景下（比如极端低温、大倍率脉冲）往往比EKF有更好的表现，当然计算量也更大。我个人建议新手还是先把EKF吃透，因为它的线性化思想是所有后续进阶算法的共同底层逻辑，搞懂了EKF，再去看UKF和PF就不会有认知障碍。

最后提醒一句，所有仿真算法移植到实车或实际BMS控制器时，都要重新做一轮硬件在环测试和数据验证，代码里的参数只能作为起点。祝你顺利跑通，遇到问题欢迎回来对照这篇的排查表逐项检查。