4. 误差来源分析

在动力电池状态估计中，SOC、SOH、SOP 的精度并不会被单一因素决定，而是由“测量—模型—参数—环境—随机扰动”共同作用形成误差链。若只盯着算法本身，往往会出现“仿真很好、实车漂移”的现象。因此，误差来源分析的目标不是罗列名词，而是建立一条可追溯的因果链：误差从哪里进入、经过什么环节被放大、最终在状态估计结果上表现为何种偏差或抖动。

一、五类误差的传递关系

下图给出本节的核心关系：电压、电流、温度传感器将物理量转换为数字信号，进入电池模型与参数辨识环节；模型结构、参数时变、温度与老化又共同作用于状态方程和观测方程；噪声则叠加在测量与过程通道上，最终表现为 SOC 估计的偏移、SOH 估计的衰减误判或 SOP 估计的保守/激进。

二、传感器误差：最容易被低估的入口误差

传感器误差通常分为三类：偏置误差、增益误差和动态误差。偏置误差表现为电流零漂或电压基准偏移，会直接导致安时积分产生累积误差；增益误差使测量值与真实值成比例偏离，影响功率与内阻计算；动态误差则来自采样不同步、滤波延迟和温度传感器热惯性。例如，电流采样与电压采样若存在 10 ms 不同步，在动态工况下会引入明显的瞬时功率误差，进而干扰内阻辨识。

工程上常用“静态标定 + 动态补偿”处理：静态标定消除零漂和增益，动态补偿通过同步采样、时间戳对齐和低通滤波抑制相位差。需要注意的是，传感器误差不会自动消失，它会在积分环节中被时间放大。

三、模型误差：结构简化带来的系统性偏差

电池模型误差主要来自等效电路阶数选择、OCV-SOC 曲线拟合、迟滞特性和极化建模。一阶 RC 模型在平稳工况下足够，但在低温、大倍率或脉冲工况下，极化电压恢复过程被简化，导致端电压预测偏差。若 OCV-SOC 曲线在平台区拟合不准，SOC 估计会出现“电压变化很小、SOC 变化很大”的敏感区误判。

模型误差的典型特征是“有规律、可复现”，因此可以通过残差分析识别。若端电压残差在特定 SOC 区间持续偏正或偏负，通常说明模型结构或参数在该区间不匹配，而不是噪声问题。

四、参数时变、温度与老化：慢误差的耦合

电池内阻、容量和极化参数会随 SOC、温度、循环次数变化。温度降低时，电解液黏度上升、锂离子扩散变慢，内阻显著增加；老化则表现为容量衰减和内阻上升，且两者并非线性同步。若估计器使用固定参数，SOC 在低温下会因内阻压降被误判为“电量偏低”，SOH 也会因容量衰减被误判为“健康度骤降”。

五、噪声特性：决定估计“抖动”与“收敛”

噪声分为过程噪声和观测噪声。过程噪声反映模型不确定性，观测噪声反映传感器与采样不确定性。若噪声协方差设置过小，滤波器会过度信任模型，导致响应迟钝；设置过大，则估计结果抖动明显。实际系统中还存在有色噪声和脉冲干扰，例如继电器切换、电机控制器开关噪声，会短时污染电流采样。

典型噪声参数配置示例（EKF）：
Q = diag([1e-6, 1e-8, 1e-7])   # 过程噪声：SOC、极化电压、内阻
R = diag([1e-4, 1e-6])         # 观测噪声：电压、电流
P0 = diag([1e-2, 1e-4, 1e-3])  # 初始协方差

若低温工况下电压残差增大：
R_voltage 适当增大，避免滤波器被异常点拉偏；
Q_SOC 适当减小，抑制 SOC 频繁跳变。

六、案例与复盘：一次 SOC 低温偏移的排查

某纯电车型在冬季出现 SOC 从 40% 快速跳到 28% 的现象。排查发现：电流采样正常，但电压采样在低温下因线束接触电阻增大出现额外压降；同时一阶 RC 模型未修正低温极化参数，导致端电压预测偏高。两者叠加后，EKF 将电压残差归因于 SOC 偏差，从而产生错误修正。

复盘结论：第一，传感器误差与模型误差会“互相伪装”，不能只调滤波参数；第二，温度与老化属于慢误差，必须通过在线辨识或查表补偿进入模型；第三，噪声协方差应随工况自适应，而不是全年使用同一组参数。只有把误差来源拆开、定位到具体环节，补偿策略才具有工程可解释性。