2. BMS状态估计基础回顾

在进入误差诊断之前，需要先把BMS状态估计的“坐标系”建立起来：估计什么量、用什么模型、用什么算法、误差可能从哪里来。只有这四件事对齐，后续的误差定位才有共同语言。本节按“状态量—模型—算法—误差来源”的顺序做一次紧凑回顾，重点放在各环节之间的接口关系，而不是重复推导。

一、三个核心状态量的定义与边界

SOC（State of Charge，荷电状态）描述当前可用电量占额定容量的比例，常用定义式为 SOC = Q_rem/Q_rated。工程上更常用安时积分形式：SOC(t) = SOC(t₀) − (1/Q_rated)∫η·I dt，其中放电电流取正、充电取负（本文统一采用该符号约定），η为库仑效率。SOC是“快变量”，秒级到分钟级变化，对电流采样和初始值敏感。

SOH（State of Health，健康状态）描述电池相对新电池的退化程度，常见两种口径：容量SOH = Q_now/Q_rated×100%，内阻SOH = (R_now−R_new)/(R_EOL−R_new)×100%。SOH是“慢变量”，月级到年级变化，通常不直接参与实时控制，而是修正SOC估计中的容量与内阻参数。

SOP（State of Power，功率状态）描述在给定时间窗口（如10s、30s）内电池可持续输出或吸收的功率，受电压上下限、温度、SOC和当前内阻共同约束。SOP是“约束量”，其估计依赖SOC、SOH和温度，因此SOC/SOH的误差会直接传导到SOP。

二、两类电池模型：等效电路与电化学

等效电路模型（ECM）用电压源OCV(SOC)、欧姆内阻R₀和若干RC网络串联逼近电池外特性。一阶RC模型是最常用的折中：端电压 U = OCV(SOC) − I·R₀ − U_RC，其中 U_RC 由 dU_RC/dt = −U_RC/(R₁C₁) + I/C₁ 描述。它的优点是参数少、可在线辨识、适合卡尔曼滤波；缺点是OCV-SOC曲线需要预先标定，且对温度、老化敏感。

电化学模型以P2D（Newman）模型为代表，用固相扩散、液相扩散和Butler-Volmer动力学描述内部锂浓度与电位分布。它能反映内部状态（如负极表面锂浓度、析锂风险），但方程多、参数难辨识、计算量大，通常用于离线分析或降阶后嵌入BMS。两者的关系可以理解为：ECM是外特性黑箱/灰箱，电化学模型是内部机理白箱，误差诊断时常用电化学模型作为“参考真值”来校验ECM参数。

三、卡尔曼滤波族方法

卡尔曼滤波族解决的是“带噪声的状态观测”问题。对SOC估计，典型状态方程为 x_k = [SOC_k, U_RC,k]ᵀ，观测方程为 y_k = OCV(SOC_k) − I_kR₀ − U_RC,k。由于OCV-SOC非线性，实际多用扩展卡尔曼滤波（EKF）：先对非线性函数求雅可比矩阵做一阶线性化，再执行预测—更新。无迹卡尔曼滤波（UKF）用sigma点传播均值和协方差，避免雅可比推导，在OCV曲线拐点附近更稳。容积卡尔曼滤波（CKF）和粒子滤波（PF）用于强非线性或非高斯场景，但计算量更大。

工程上还需注意：过程噪声Q和观测噪声R的整定直接决定收敛速度与稳态波动；SOC初值误差大时，EKF需要较长时间才能收敛，这段“收敛期”本身就是误差诊断要识别的对象。

四、估计误差来源分类

把误差来源分成四类，便于后续逐项排查：

• 模型误差：ECM阶数不足、OCV-SOC曲线随老化/温度漂移、RC参数未更新。
• 测量误差：电流传感器零漂与增益误差、电压采样精度、温度传感器位置偏差。
• 算法误差：初值偏差、Q/R整定不当、线性化误差、数值发散。
• 工况与边界误差：低温、大倍率、频繁充放电切换导致参数时变，以及SOC工作区间超出标定范围。

这张图把本节的核心关系压缩在一起：上层是三个状态量及其耦合，中层是两类模型与滤波算法的接口，下层是四类误差来源如何共同作用于估计结果。后续章节的误差诊断，本质上就是在这张图上定位“哪一条边出了问题”。

五、一个可复用的误差排查顺序

面对一次SOC估计偏差，建议按以下顺序排查，避免一上来就调Q/R：

1. 先看电流传感器零漂：静置时电流读数是否为零，若不为零，安时积分会持续累积误差。
2. 再看OCV-SOC曲线是否与当前温度、老化状态匹配，必要时重新标定。
3. 检查ECM参数R₀、R₁、C₁是否长期未更新，可用脉冲工况做在线辨识对比。
4. 最后检查EKF的Q/R整定和初值，观察收敛时间与稳态波动是否合理。