企业官网建设流程全解析

最近刚全流程跟进了一个新能源甲醇增程船舶项目，整船全部正向开发，在联调的时候遇到了电池的问题，所以就顺道介绍下相关知识，欢迎大家共同探讨。

SOC（State of Charge，荷电状态）就是电池还剩多少电，定义成当前可用容量和额定容量的比值，数值落在 之间。BMS 里它几乎是"一等公民"：续航显示、功率限制、过充过放保护全靠它。可麻烦在于，电池内部没有直接传感器能读出 SOC，你手上只有端子电压 、电流 和温度。SOC 只能从这几个量"反推"出来，是个典型的状态估计问题。

最朴素的反推是库仑积分：，把流进流出的电量累加。问题是电流传感器有零偏、有噪声，积分误差会随时间越滚越大，跑几千秒就能偏掉好几个百分点。要抑制这个漂移，就得把电压模型拉进来做校正——这正好是扩展卡尔曼滤波（EKF）的活：它一边用电流做库仑预测，一边用电压残差把预测值往真实值拽。

这篇文章不堆公式，也不靠 Simscape Battery 点几下鼠标出结果，而是用一个自写的二阶 RC 等效电路模型（ECM）造出带噪声的电压/电流"真值"，再手搓一个 EKF 把 SOC 估回来。代码跑在 MATLAB 语法下，全部可复现，拷到任何一台机器上结果都一样。

一、二阶 RC 等效电路模型与参数

把电芯等效成"一个开路电压源 + 一串阻容网络"。一阶 RC 只够描述一种极化，二阶 RC 能分开快、慢两路极化，对脉冲、动态工况的拟合明显更好。本文用的电路是：

符号约定：表示放电。所以放电时极化压降和欧姆压降都从开路电压里减掉，电压随 SOC 下降而往下走。式中 是欧姆内阻上的瞬时压降； 是两个极化电压，分别对应快、慢两类电化学过程—— 来自电荷转移（电极/电解液界面的双电层），响应快、时间常数小； 来自固相扩散（锂离子在材料内部迁移），响应慢、时间常数大。把两路分开，脉冲放电后的电压"回弹"和长时弛豫就能同时被刻画。

两个 RC 支路各自是一个一阶低通。以支路 1 为例，连续域是 ，其中 。用零阶保持（ZOH）离散化到采样周期 后变成：

本文参数（额定容量 5 Ah，所以 1C = 5 A）：

注意一个细节：EKF 用的电阻和真值一致，但两个时间常数都偏了（一个 +47%，一个 −27%）。这模拟的是现实里最常见的情形——HPPC 脉冲辨识得到的参数本来就有误差，或者电芯已经轻度老化。电阻对了、时间常数错了，这种偏差在恒流下几乎看不出来，一到动态工况就露馅，正好用来拷问算法的鲁棒性。

开路电压 用一张单调查表表示（NMC 风格），SOC 越低电压越低。查表时Z必须升序，否则interp1会给出错误结果：

function v = ocv(z)
Z = [0 0.05 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.85 0.9 0.95 1];
V = [3.00 3.26 3.44 3.62 3.71 3.77 3.82 3.87 3.93 3.99 4.02 4.06 4.12 4.20];
v = interp1(Z, V, z, 'linear', 'extrap'); % Z 必须升序
end

造真值的 plant 就是按上面的差分方程一步步滚：

function [vt, z, V1, V2] = simECM(i, z0)
N = numel(i); z = zeros(N,1); V1 = z; V2 = z; vt = z;
zk = z0; x1 = 0; x2 = 0;
for k = 1:N
zk = zk - i(k)*1.0/(3600*5.0); % 库仑计数
x1 = A1*x1 + B1*i(k); % 快极化
x2 = A2*x2 + B2*i(k); % 慢极化
z(k)=zk; V1(k)=x1; V2(k)=x2;
vt(k) = ocv(zk) - 0.020*i(k) - x1 - x2;
end
end

二、造"地面真值"：两种工况

真值不能等于干净曲线，否则看不出滤波器抗噪能力。真值电流要加 A 噪声，真值电压要加 mV 噪声——这就是"传感器看到的样子"。5 mV 看着小，但 OCV 曲线在 SOC 中段斜率只有约 0.6 V/单位 SOC，换算成 SOC 误差就是每 5 mV 对应约 0.8%，所以噪声直接决定了估计的下限。

工况 A：恒流 + 脉冲（CC-pulse）。一条 1C（5 A）恒流放电段，接一段静置让极化自然衰减，再叠 22 组"8 秒 2C 脉冲 + 12 秒休息"，最后再来一段长恒流。总长 1100 秒。它的意义是专门把快/慢极化"激活"出来，看 EKF 能不能把 跟住：脉冲一来极化猛涨、电压下掉，脉冲一停极化慢慢泄掉、电压回弹。

工况 B：动态工况（DST / UDDS 风格）。用一段 36 步、每步 10 秒的电流模板反复平铺 12 遍，峰值 12 A（≈2.4C），还有 −5 A 的回馈制动（充电）。总长 4320 秒，电流一直在变向、变率。这才是整车实际跑出来的负载长相——市区走走停停、高速急加速、刹车回收。

构造思路（MATLAB 伪代码）：

% 工况A：恒流+脉冲
cc = [repmat(5,150,1); repmat(0,70,1)];
for n = 1:22, cc = [cc; repmat(10,8,1); repmat(0,12,1)]; end
cc = [cc; repmat(0,60,1); repmat(5,300,1); repmat(0,80,1)];

% 工况B：DST风格模板平铺
DST = [0 0.8 0 -0.4 1.6 0 2.4 0 0.8 ... ]; % 单位 C，正负代表放/充
dyn = repmat(DST*5, 12, 1); % *5A 转成电流，平铺12圈

三、EKF 怎么估 SOC

状态向量取三个量：

是我们要的， 是两个极化电压，被一起估出来。预测步就是前面那套差分方程；更新步靠端电压残差把预测"拉回"测量值。

测量方程是

它对状态是非线性的（OCV 是查表），所以 EKF 在每一步用数值差分把斜率 线性化：

这个 是整套算法的命门：它告诉滤波器"电压偏差有多少是 SOC 引起的、有多少是极化引起的"。中段 SOC 斜率大，电压对 SOC 敏感，估计就准；两端 SOC 接近满/空时 OCV 变平、斜率趋零， 第一项塌掉，SOC 就几乎不可观测——这也是为什么满电和空电附近 SOC 最难估。

一个 EKF 步完整写成 MATLAB 函数：

function [x, P] = ekfStep(x, P, i, y, Q, R)
% 预测
xp = [ x(1) - i*1.0/(3600*5.0);
A1f*x(2) + B1f*i;
A2f*x(3) + B2f*i ];
F = diag([1, A1f, A2f]);
Pp = F*P*F' + Q;
% 线性化 OCV 斜率
s = (ocv(xp(1)+1e-4) - ocv(xp(1)-1e-4)) / 2e-4;
h = ocv(xp(1)) - R0f*i - xp(2) - xp(3);
H = [s, -1, -1];
% 更新
S = H*Pp*H' + R;
K = Pp*H'/S;
e = y - h;
x = xp + K*e;
x(1) = min(max(x(1),0),1); % SOC 限幅到 [0,1]
P = (eye(3) - K*H)*Pp;
end

注意预测步里的 是用滤波端参数算的，和真值不一致——这正是我们要测试的"模型不准"场景。卡尔曼增益 自动权衡"信模型还是信测量"：模型协方差大、测量协方差小，增益就高，滤波器更听电压的话。

四、初始化与 Q/R 整定

EKF 启动最怕两件事：初值给错、噪声协方差给错。本文故意把初始 SOC 设成 ，而真值是 ，先白送它 0.3 的偏差，看滤波器多久能爬回来。这个设置很贴近真实上车：冷启动那一刻你根本不知道电池到底剩多少电。

协方差初值 要反映"我对初值有多不确定"。SOC 给 ±0.2、极化电压给 ±0.05/±0.04：

过程噪声 描述模型本身的不确定性。SOC 的库仑积分很准，所以 给极小；极化支路模型有误差，给大一点：

测量噪声 直接由电压传感器定： mV，所以

整定经验：先让 等于真实传感器方差，再调 。 太小滤波器过于自信、跟不上极化变化，动态工况下误差尖峰更高； 太大则把噪声当真、SOC 抖得厉害、稳态方差下不来。上面这组在两种工况下都能既快收敛又稳。

五、仿真结果：恒流很美，动态才见真章

先把工况 A 跑出来。初始 0.3 的 SOC 偏差，滤波器在大约91 秒内把估计值拉进 ±2% 带；进入稳态后，平均误差 0.21%，95 分位 0.43%，最大稳态误差不到 0.5%。把初值偏差吸收掉的那一下，瞬时峰值到过 4.4%。曲线整体很乖，误差带几乎贴着零线。

再看工况 B。同一套滤波器、同一个错初值、同一组噪声，稳态平均误差 0.10%，看起来比恒流还"干净"。但在吸收初始偏差的那段动态过程里，瞬时峰值冲到了8.1%——是恒流工况（4.4%）的将近两倍。而且在动态工况下，电流频繁变向变率，极化支路被反复拉扯，滤波器得一直和模型误差搏斗，误差分布明显更"毛"，图上能看出一段段随电流跳变而甩出的尖刺。

读这两张图有个窍门：上半部分是 SOC 真值（虚线）和 EKF 估计（实线）几乎贴在一起，光看上半幅你甚至会觉得"两种工况都估得不错"；真正的故事在下半幅的误差曲线里。CC-pulse 的误差很快压进 ±2% 且基本不反弹；动态工况的误差虽然均值也小，但会随每一次电流跳变甩出尖刺，这些尖刺才是算法在动态负载下"吃力"的证据。图里那条浅色带是滤波器自己给出的 置信区间，由协方差 开方得到——它代表滤波器"对自己有多不确定"，区间越宽说明当前越难估。

为了把话说死，又补了一条"纯 5 A 恒流"的极端对照：它收敛后稳态误差只有 0.10%，曲线平得像尺子画的。这就是为什么很多人 Demo 里只用恒流——它永远漂亮，截图发出来谁看了都说好。

核心结论：恒流工况下 EKF 表现很好，但参考价值有限；动态工况才暴露算法的鲁棒性。具体数字摆在这：

• 纯恒流 5 A：稳态 ≤0.15%，曲线极其平稳；

• CC-pulse：收敛 ~91 s，稳态均值 0.21%，峰值 4.4%；

• 动态 DST 风格：收敛 ~84 s，稳态均值 0.10%，但峰值8.1%（>2× 恒流）。

平均误差大家都小，可真实的 BMS 关心的是最坏情况：过放保护要是信了那 8% 的瞬时偏差，续航就会跳变、功率限制会误触发。恒流验证只给你一条好看的线，让你误以为算法"成了"。只有把动态工况甩上去，才能看见误差尖峰、看见滤波器在急加速和回馈制动间的手忙脚乱——那才是算法真实的鲁棒性。

六、为什么不用 Simscape Battery

Simscape Battery 当然能搭模型、出结果，但本文刻意不用，原因有三个。第一，可复现：Simscape 模型依赖工具箱版本和求解器设置，换台机器、换个版本结果就飘；自写 ECM + EKF 是纯数学，MATLAB 语法逐行对应 numpy 实现，任何人跑出来都是同一组数。第二，透明：每一个系数、每一步线性化你都看得见，调参时知道改的是哪根弦。第三，轻：一个.m文件、几百行，不占 license、不卡机器，适合嵌进 CI 做回归测试。教学和理解，手搓永远比拖模块来得实在。

七、温度与老化：参数会漂移

上面的"滤波端时间常数偏了"还不是最狠的。温度一降，电解液电导率掉、 全涨，OCV 曲线也整体挪动；循环老化后容量 缩水、内阻翻倍。这些漂移会让真值模型和滤波模型越离越远，动态工况下的误差尖峰会进一步抬高。实战里要定期用满充放空或脉冲辨识把参数"刷新"一遍，或者把温度、SOH 也并进状态向量一起估——那是下一篇的话题