1. 课程导入
在新能源汽车、储能电站和电池管理系统（BMS）中，动力电池的荷电状态（SOC）、健康状态（SOH）与功率状态（SOP）是决定整车续航、安全边界与能量调度策略的核心参数。然而，电池内部状态无法被传感器直接测量，只能通过电压、电流、温度等外特性信号，结合电池模型与估计算法间接推断。这正是状态估计存在的根本意义：把不可测的内部状态，转化为可计算、可校正、可工程落地的估计量。
一、为什么动力电池必须做状态估计
如果只依赖开路电压法（OCV）查表，电池需要长时间静置才能获得稳定开路电压，无法满足行车与充放电过程中的实时需求。安时积分法虽然简单，但会因电流采样零漂、库仑效率误差和容量衰减而不断累积误差。因此，工程上必须引入基于模型的闭环估计方法。
- 安全性：准确估计SOC可避免过充过放，降低析锂、热失控风险。
- 经济性：SOH与SOP估计影响续航预测、充电策略和电池梯次利用价值评估。
- 可用性：在低温、大倍率、动态工况下，估计精度直接决定BMS策略是否可信。
- 可维护性：估计结果可用于故障诊断、均衡控制与云端电池数字孪生。
二、EKF与UKF：非线性估计的两条技术路线
扩展卡尔曼滤波（EKF）通过对非线性函数进行一阶泰勒展开，将非线性系统局部线性化，再套用标准卡尔曼滤波框架。它计算量小、工程成熟，在电池SOC估计中应用广泛。但EKF的局限也很明显：当电池模型非线性强、工作点变化剧烈时，一阶线性化会引入较大截断误差，甚至导致协方差矩阵失去正定性。
无迹卡尔曼滤波（UKF）采用确定性采样策略，通过Sigma点集传播均值和协方差，避免了解析雅可比矩阵，对强非线性系统具有更高二阶精度。UKF在电池参数辨识、SOC/SOH联合估计中表现更稳健，但计算量相对更大，且对参数初值和噪声协方差设置更敏感。
| 对比维度 | EKF | UKF |
|---|---|---|
| 线性化方式 | 一阶泰勒展开，需雅可比矩阵 | Sigma点采样，无需雅可比 |
| 非线性精度 | 一阶近似，强非线性下误差较大 | 二阶以上精度，适合强非线性 |
| 计算复杂度 | 较低，适合嵌入式实时运行 | 较高，需权衡算力与精度 |
| 工程成熟度 | 高，参数调试经验丰富 | 中高，近年快速普及 |
| 典型应用 | SOC估计、在线参数辨识 | SOC/SOH联合估计、强动态工况 |
三、融合估计的工程价值：不是替代，而是互补
所谓EKF与UKF融合估计，并不是简单地把两个滤波器结果取平均，而是根据工况、模型非线性程度、计算负载和置信度，动态分配两者权重，或在分层架构中让EKF负责快速跟踪、UKF负责高精度校正。其工程价值体现在三个方面：
- 精度互补：平稳工况下EKF足够高效，强动态或低温工况下UKF提供更准确的均值与协方差传播。
- 鲁棒性提升：当单一滤波器出现发散趋势时，融合框架可通过残差监测与权重调整抑制异常。
- 算力适配：在BMS嵌入式平台上，可按任务周期切换或降阶运行，兼顾实时性与估计品质。
四、课程整体框架与学习路径
本课程围绕“模型—算法—融合—工程落地”主线展开，共30章。前段建立电池模型与卡尔曼滤波基础，中段深入EKF、UKF及其融合策略，后段聚焦参数辨识、工况适配、嵌入式实现与测试验证。学习路径建议如下：
- 第1—6章：电池等效电路模型、状态空间建模、卡尔曼滤波原理与SOC估计基础。
- 第7—14章：EKF实现、雅可比推导、噪声协方差整定与典型工况验证。
- 第15—22章：UKF采样策略、Sigma点传播、SOC/SOH联合估计与融合权重设计。
- 第23—30章：参数辨识、老化补偿、嵌入式代码优化、HIL测试与工程复盘。
典型融合估计数据流：
电压/电流/温度 → 电池模型 → EKF预测/更新 → 残差评估
↓
UKF预测/更新 → 权重融合 → SOC/SOH输出
↓
BMS策略：限功率、均衡、报警五、常见误区与复盘提示
初学者常陷入“算法越复杂越好”的误区，忽视模型精度、采样同步和噪声统计特性。实际上，若电池模型参数不准，再先进的UKF也难以给出可信结果；若电流采样存在零漂，EKF和UKF都会出现缓慢发散。另一个误区是只关注SOC估计，忽略SOH与温度对模型参数的影响，导致全生命周期内精度衰减。