3. 电池状态算法概述
在动力电池管理系统中，BMS 并不是直接“测量”电池状态，而是通过电压、电流、温度等可测信号，结合电池模型与估计算法，推断出电池内部不可直接测量的关键状态量。SOC、SOH、SOP、SOE 是其中最核心的四个状态指标，它们分别回答“还剩多少电”“电池老了多少”“现在能出多大力”“还能跑多远”这四个工程问题。理解它们的定义、耦合关系与算法分类，是后续量产标定工作的基础。
一、四个核心状态的定义
SOC（State of Charge，荷电状态）表示电池当前剩余电量占额定容量的百分比，是最基础、最常用的状态量。工程上通常定义为：
SOC(t) = SOC(t0) - (1 / C_n) * ∫ η * I(t) dt
其中：
C_n —— 额定容量（Ah）
I(t) —— 瞬时电流（A，放电为正）
η —— 库仑效率
SOC(t0) —— 初始荷电状态该式即安时积分法的基本形式，但实际量产中必须结合开路电压修正、模型观测器或数据驱动方法，否则误差会随时间和电流累积。
SOH（State of Health，健康状态）描述电池相对于新电池的老化程度，通常用容量保持率或内阻增长率表示：
- 容量型 SOH：SOH_C = C_actual / C_rated × 100%
- 内阻型 SOH：SOH_R = (R_actual - R_new) / R_new × 100%
SOH 不直接参与实时功率控制，但它决定了 SOC 可用窗口、SOP 上限以及 SOE 的预测精度。
SOP（State of Power，功率状态）表示电池在当前 SOC、温度和老化状态下，短时间内可安全输出或吸收的最大功率。它通常分为 10s、30s 峰值功率和持续功率，是整车扭矩分配与能量回收策略的直接输入。
SOE（State of Energy，能量状态）表示电池当前剩余可用能量，单位通常为 kWh。与 SOC 不同，SOE 考虑了电压平台随 SOC 和温度的变化，因此更接近“还能跑多少公里”的真实答案。
二、四者之间的耦合关系
四个状态并非独立变量，而是通过电池模型、温度、老化和功率约束相互耦合。下图展示了它们之间的信号流与约束关系：
从图中可以看出，SOH 是“慢变量”，它通过改变容量和内阻，间接影响 SOC 的可用区间和 SOP 的边界；SOC 是“快变量”，直接决定当前能量与功率能力；SOP 是“约束变量”，它限制了电池在短时间内能承受的最大电流；SOE 则是“结果变量”，由 SOC、电压平台和温度共同积分得到。量产标定中，任何单一状态的误差都会通过耦合关系放大到其他状态，因此必须进行联合标定。
三、算法分类与适用场景
电池状态估计算法可以按“是否依赖模型”和“是否在线学习”两个维度分类。下表总结了主流方法的原理、优缺点与典型应用：
| 算法类别 | 代表方法 | 核心原理 | 优点 | 局限 | 典型应用 |
|---|---|---|---|---|---|
| 安时积分法 | 库仑计数 | 对电流积分，结合初始 SOC | 实现简单、实时性好 | 误差累积、依赖初值 | SOC 粗估、短时备份 |
| 开路电压法 | OCV-SOC 查表 | 静置后测 OCV 反查 SOC | 精度高、无累积误差 | 需长时间静置，无法在线 | 停车校准、SOC 修正 |
| 模型观测器 | EKF / UKF / 滑模 | 等效电路模型 + 状态观测 | 在线闭环、精度较高 | 模型参数敏感、计算量大 | 量产 SOC/SOH 主算法 |
| 数据驱动 | 神经网络 / 高斯过程 | 从历史数据学习映射关系 | 无需精确模型、适应性强 | 依赖数据质量、可解释性差 | SOH 预测、云端分析 |
| 参数辨识 | 递推最小二乘 / 遗传算法 | 在线辨识内阻、容量等参数 | 可跟踪老化变化 | 激励不足时辨识失败 | SOH 在线更新 |
四、量产标定中的典型场景与误区
以某纯电车型为例，其 BMS 在 25℃、50% SOC 下进行 10s 峰值功率标定。标定工程师需要同时确认：SOC 估计误差是否小于 3%、SOH 是否已更新到最新容量、SOP 查表是否覆盖该温度点、SOE 积分是否与实际能耗一致。若其中任一环节未对齐，整车可能出现“显示还有 20% 电量却无法加速”或“能量回收突然退出”等问题。
常见误区一：把 SOC 当作唯一状态。实际上 SOC 只回答“剩多少电”，不回答“能出多大力”。低 SOC 时 SOP 可能已经接近零，但 SOC 仍显示 15%。
常见误区二：忽略 SOH 对 SOC 窗口的影响。老化后实际容量下降，若仍按额定容量计算 SOC，会导致高估剩余电量，严重时造成过放。
常见误区三：SOE 直接用 SOC 乘以额定能量。由于电压平台随 SOC 和温度变化，这种线性换算在低温或高倍率工况下误差可达 10% 以上。
标定建议：在量产标定中，建议将 SOC、SOH、SOP、SOE 视为一个联合状态向量，先通过 HPPC 和 OCV 测试建立基础参数表，再在整车工况下进行闭环验证。重点关注低温、低 SOC、大倍率三个边界条件的耦合表现，并保留在线修正接口，以便 OTA 更新老化参数。
总结来看，SOC、SOH、SOP、SOE 分别从电量、健康、功率、能量四个维度描述电池状态，它们通过电池模型和温度、老化参数紧密耦合。算法选择上，安时积分适合短时粗估，OCV 适合静置校准，EKF/UKF 是量产主流，数据驱动则更多用于云端 SOH 预测。只有理解这些状态的物理含义与耦合路径，才能在标定中做出正确的参数匹配与误差分配。