EKF与神经网络融合的锂电池SOC估算方案：原理、实现与Matlab代码

1. 锂电池SOC估算为什么值得死磕

做BMS（电池管理系统）的同行都有一个共识：SOC（State of Charge，荷电状态）估算是整个系统里最核心、也最让人头疼的一块。说它核心，是因为SOC直接决定了续航显示、充放电策略、均衡控制、安全保护这些上层逻辑；说它头疼，是因为SOC本身是个不可直接测量的内部状态量，你只能通过电压、电流、温度这些外部信号去“猜”，而且这个“猜”的过程还要面对工况剧烈变化、温度漂移、电池老化、传感器噪声等一系列干扰。

我最早接触SOC估算是在一个储能项目上，当时用最朴素的安时积分法，结果跑了一个月就发现误差越积越大，充满电后显示还剩15%，实际已经快放空了。后来换成开路电压法，静态校准倒是准，但一上路就废了——车辆跑起来电压被内阻和极化压得乱七八糟，根本没法用。再后来上了扩展卡尔曼滤波（EKF），效果明显好转，但在低温大倍率放电的工况下，EKF的线性化误差和模型参数失配问题又暴露出来，误差能飙到8%以上。

这就是为什么我开始琢磨EKF和神经网络融合的方案。EKF擅长在已知模型结构下做最优估计，神经网络擅长从数据里学那些模型描述不了的复杂非线性关系，两者结合，一个管“物理规律”，一个管“数据修正”，互补性非常强。这篇文章就把我整套方案的思路、实现细节、Matlab代码框架、踩过的坑全部摊开讲，适合做BMS算法、储能系统、电动车控制的工程师，也适合正在做相关课题的研究生参考。

2. 整体方案设计与核心思路拆解

2.1 为什么单靠EKF不够用

EKF的核心思想是把非线性系统在当前估计点附近做一阶泰勒展开，近似成线性系统，然后套用标准卡尔曼滤波的框架。它的前提是你得有一个足够准的电池模型，通常用的是Thevenin等效电路模型或者二阶RC模型。模型里有开路电压OCV与SOC的关系曲线、欧姆内阻R0、极化电阻R1和极化电容C1这些参数。

问题就出在这里：这些参数不是常数。它们随SOC、温度、充放电倍率、循环次数都在变。你离线辨识出来的一组参数，放到实际工况里可能只在一个很窄的范围内有效。更麻烦的是，EKF的噪声协方差矩阵Q和R，调参全靠经验，Q调大了跟踪快但抖动大，Q调小了平滑但响应慢，遇到突变工况就容易发散。

我实测过一组数据：在25度、1C恒流放电工况下，EKF的SOC误差能控制在2%以内；但到了0度、2C脉冲放电工况下，误差直接跳到7%到9%。这个差距在车用场景里是不可接受的，因为低温大倍率恰恰是最需要准确SOC的时候。

2.2 神经网络能补什么

神经网络的强项是从大量数据中拟合复杂的非线性映射关系，不需要你显式地写出物理模型。对于SOC估算这个任务，神经网络可以学到“电压、电流、温度、历史SOC”到“当前SOC”之间的映射，而且这个映射可以隐含地包含温度影响、老化影响、倍率影响。

但神经网络也有它的问题。纯数据驱动的方法泛化能力有限，遇到训练集里没出现过的工况就容易输出离谱的值；而且神经网络没有物理约束，输出的SOC可能不满足安时积分的守恒关系，导致估计值跳变。

所以我的思路很明确：用EKF做主体框架，保证估计的物理一致性和时序连续性；用神经网络做误差补偿，学习EKF估计残差与工况变量之间的映射关系，然后把补偿量反馈回去修正EKF的输出。这样既保留了EKF的鲁棒性，又引入了神经网络对复杂非线性的拟合能力。

2.3 融合架构的选型考量

融合方式有好几种：松耦合、紧耦合、残差补偿、自适应调参。我最终选的是残差补偿方案，具体结构是：

• 第一层：EKF基于二阶RC模型做SOC初步估计，输出SOC_ekf；
• 第二层：神经网络以电压、电流、温度、SOC_ekf、安时积分增量作为输入，输出SOC误差补偿量delta_soc；
• 第三层：最终SOC = SOC_ekf + delta_soc，同时把修正后的SOC反馈回EKF的状态向量，参与下一时刻的预测。

为什么选残差补偿而不是让神经网络直接输出SOC？因为直接输出的话，神经网络的输出没有时序约束，相邻时刻可能跳变，而且一旦某个输入异常，输出可能完全失控。残差补偿的方案里，神经网络的输出被限制在一个合理范围内（我设的是正负5%），即使神经网络失效，EKF的主体估计仍然能兜底。

为什么不用紧耦合把神经网络嵌入EKF的状态方程？那样理论上是更优雅，但实现复杂度高很多，而且神经网络的非线性会让EKF的雅可比矩阵推导变得极其繁琐，工程上不划算。

2.4 数据来源与训练集构建

神经网络要训练，就得有标注数据。我的做法是用高精度充放电测试设备跑标准工况，记录电压、电流、温度、安时积分值，然后用安时积分结果作为SOC的参考真值。这里要注意，安时积分的初始SOC需要用静置后的开路电压来校准，否则起点就偏了。

训练集的工况覆盖很关键。我至少覆盖了以下几个维度：

• 温度：-10度、0度、25度、45度；
• 倍率：0.2C、0.5C、1C、2C；
• 工况类型：恒流放电、脉冲放电、DST工况、US06工况；
• 电池类型：三元锂、磷酸铁锂各一组。

每个维度组合跑3到5次，总共积累了大约200万条样本。数据量看着大，但神经网络训练起来其实很快，因为输入维度只有6维，网络规模也不需要太大。

3. 核心细节解析与实操要点

3.1 二阶RC电池模型的建立与参数辨识

二阶RC模型的状态方程和观测方程如下：

状态向量取 [SOC, U1, U2]，其中U1和U2是两个RC环节的极化电压。状态方程为：

SOC(k+1) = SOC(k) - eta * Ts * I(k) / (3600 * Cn) U1(k+1) = U1(k) * exp(-Ts/(R1*C1)) + R1 * (1 - exp(-Ts/(R1*C1))) * I(k) U2(k+1) = U2(k) * exp(-Ts/(R2*C2)) + R2 * (1 - exp(-Ts/(R2*C2))) * I(k)

观测方程为：

U(k) = OCV(SOC(k)) - U1(k) - U2(k) - R0 * I(k)

其中eta是库伦效率，Ts是采样周期，Cn是额定容量，I是电流（放电为正），OCV是开路电压。

参数辨识我用的是脉冲放电实验加最小二乘拟合。具体步骤是：先静置2小时让电池达到平衡，记录OCV；然后以1C放电10秒，静置40秒，再放电10秒，循环若干次；从电压响应曲线里提取R0、R1、C1、R2、C2。R0是放电瞬间的电压跳变除以电流，R1和C1从第一个RC环节的弛豫曲线拟合，R2和C2从第二个RC环节拟合。

OCV-SOC曲线我用的是小电流充放电法：以0.02C的电流缓慢充放电，记录电压和安时积分值，取充放电曲线的平均值作为OCV-SOC关系。这条曲线对EKF的精度影响极大，我建议至少每10% SOC取一个点，然后用三次样条插值。

注意：OCV-SOC曲线存在迟滞效应，充电和放电的OCV不完全一样。如果你的应用对精度要求高，建议分别建立充电OCV和放电OCV两条曲线，根据电流方向切换。

3.2 EKF的递推流程与调参经验

EKF的递推分两步：预测和更新。

预测步：

x_pred = f(x_prev, u) P_pred = F * P_prev * F' + Q

更新步：

K = P_pred * H' * inv(H * P_pred * H' + R) x_est = x_pred + K * (z - h(x_pred)) P_est = (I - K * H) * P_pred

其中F是状态转移雅可比矩阵，H是观测雅可比矩阵，Q是过程噪声协方差，R是观测噪声协方差。

调参这块我踩过不少坑。Q矩阵里，SOC对应的元素我设的是1e-6，极化电压对应的元素设的是1e-4。R设的是0.01。这些值不是拍脑袋来的，是根据传感器精度和模型误差量级估算的。电压传感器精度假设是5mV，电流传感器精度是1%FS，温度传感器是0.5度，把这些误差传播到SOC上，就能大致确定Q和R的量级。

实操心得：Q和R的比值比绝对值更重要。Q/R越大，滤波器越信任观测，跟踪快但抖动大；Q/R越小，越信任模型，平滑但响应慢。我一般先用一组经验值跑通，然后看残差序列的均值和方差，如果残差均值不为零，说明模型有偏，需要调模型参数；如果残差方差过大，说明R设小了或者Q设大了。

3.3 神经网络的结构设计与训练策略

我用的神经网络是前馈神经网络，结构是6-20-10-1，即输入层6个节点，两个隐藏层分别20和10个节点，输出层1个节点。激活函数隐藏层用tanh，输出层用线性。

输入特征包括：

• 当前电压U(k)；
• 当前电流I(k)；
• 当前温度T(k)；
• EKF估计的SOC_ekf(k)；
• 安时积分增量delta_ah(k)；
• 上一时刻的电压U(k-1)。

输出是SOC误差补偿量delta_soc(k)。

训练用Matlab的Deep Learning Toolbox，优化器选adam，学习率初始0.001，每50个epoch衰减0.5，最大epoch设500，早停patience设30。损失函数用MSE，但我在损失里加了一个正则项，惩罚delta_soc的绝对值，防止神经网络输出过大的补偿量。

训练集、验证集、测试集按7:1.5:1.5划分。训练前对所有输入做归一化，均值归零方差归一。这个步骤很关键，不做归一化的话，电流的数值范围是电压的几十倍，网络会偏向电流特征，忽略电压和温度。

常见坑：训练集里如果某些工况样本太少，神经网络会在这些工况上表现很差。我的做法是对稀疏工况做数据增强，比如在温度维度上做插值，生成中间温度的样本。但要注意，增强的样本不能太离谱，否则会引入虚假模式。

3.4 融合策略的实现细节

融合的时机和方式直接影响最终精度。我的实现是：

1. EKF先跑一个完整的时间步，得到SOC_ekf(k)和P_est；
2. 神经网络用当前时刻的输入特征计算delta_soc(k)；
3. 最终SOC_final(k) = SOC_ekf(k) + delta_soc(k)；
4. 把SOC_final(k)写回EKF的状态向量，替换SOC_ekf(k)，同时把P_est里SOC对应的方差适当放大，表示我们对修正后的值有一定的不确定性；
5. 下一时刻EKF从修正后的状态继续预测。

第4步的方差放大系数我设的是1.2，意思是修正后的SOC不确定性比EKF原始输出略大一点。这样做是为了防止神经网络补偿过度导致滤波器过度自信。

还有一个细节：神经网络的补偿量我做了限幅，上限正负5%。这个限幅值是根据EKF在极端工况下的最大误差定的。如果EKF误差超过5%，说明模型已经严重失配，这时候应该触发参数重辨识或者降级策略，而不是靠神经网络硬补。

4. 实操过程与核心环节实现

4.1 数据采集与预处理

数据采集用的是Arbin充放电测试柜，采样周期1秒，电压精度0.02%FS，电流精度0.05%FS。电池是某品牌的18650三元锂电芯，额定容量2.5Ah，标称电压3.7V。

采集完的原始数据里会有一些异常点，比如测试柜偶尔的通信丢包导致的零值，或者接触电阻变化导致的电压尖峰。预处理步骤包括：

• 剔除电流为零但电压突变超过50mV的点；
• 对电压和电流做5点滑动平均滤波；
• 用安时积分计算参考SOC，初始SOC用静置2小时后的OCV查表得到；
• 把数据按工况类型分段，每段单独归一化。

预处理完的数据存成mat文件，每个文件包含时间、电压、电流、温度、参考SOC五个变量。

4.2 EKF的Matlab实现

EKF的核心代码我写成一个函数，输入是当前测量值、上一时刻状态和协方差，输出是当前估计值和协方差。关键部分如下：

function [x_est, P_est] = ekf_step(z, x_prev, P_prev, I, Ts, params) % 状态预测 SOC_pred = x_prev(1) - params.eta * Ts * I / (3600 * params.Cn); U1_pred = x_prev(2) * exp(-Ts/(params.R1*params.C1)) + ... params.R1 * (1 - exp(-Ts/(params.R1*params.C1))) * I; U2_pred = x_prev(3) * exp(-Ts/(params.R2*params.C2)) + ... params.R2 * (1 - exp(-Ts/(params.R2*params.C2))) * I; x_pred = [SOC_pred; U1_pred; U2_pred]; % 雅可比矩阵F F = eye(3); F(2,2) = exp(-Ts/(params.R1*params.C1)); F(3,3) = exp(-Ts/(params.R2*params.C2)); % 协方差预测 P_pred = F * P_prev * F' + params.Q; % 观测预测 OCV = interp1(params.ocv_soc, params.ocv_val, SOC_pred, 'spline'); z_pred = OCV - U1_pred - U2_pred - params.R0 * I; % 雅可比矩阵H dOCV = gradient(params.ocv_val, params.ocv_soc); dOCV_interp = interp1(params.ocv_soc, dOCV, SOC_pred, 'spline'); H = [dOCV_interp, -1, -1]; % 卡尔曼增益 K = P_pred * H' / (H * P_pred * H' + params.R); % 状态更新 x_est = x_pred + K * (z - z_pred); P_est = (eye(3) - K * H) * P_pred; % SOC限幅 x_est(1) = max(0, min(1, x_est(1))); end

这段代码里，OCV-SOC曲线用三次样条插值，dOCV是OCV对SOC的导数，也用插值得到。注意gradient函数计算的是数值导数，如果OCV-SOC曲线点数太少，导数会不准，建议至少100个点。

4.3 神经网络的Matlab实现

神经网络我用的是feedforwardnet，Matlab自带的函数，几行代码就能搭起来：

net = feedforwardnet([20, 10]); net.layers{1}.transferFcn = 'tansig'; net.layers{2}.transferFcn = 'tansig'; net.layers{3}.transferFcn = 'purelin'; net.trainFcn = 'trainlm'; net.trainParam.epochs = 500; net.trainParam.lr = 0.001; net.trainParam.max_fail = 30; net.performFcn = 'mse'; % 数据准备 X = [U; I; T; SOC_ekf; delta_ah; U_prev]; Y = SOC_ref - SOC_ekf; % 归一化 [Xn, ps_input] = mapminmax(X, -1, 1); [Yn, ps_output] = mapminmax(Y, -1, 1); % 训练 net = train(net, Xn, Yn); % 预测 delta_soc_n = net(Xn); delta_soc = mapminmax('reverse', delta_soc_n, ps_output);

这里有个细节：mapminmax的归一化参数要保存下来，在线估计的时候用同一组参数做归一化，否则输入分布不一致，网络输出会偏。

训练完成后，我用测试集验证了一下，在25度1C工况下，EKF单独用的RMSE是1.8%，融合后降到0.9%；在0度2C工况下，EKF单独用的RMSE是7.2%，融合后降到2.5%。提升还是很明显的。

4.4 在线估计的完整流程

在线估计的时候，EKF和神经网络是交替执行的。每个采样周期：

1. 读取电压、电流、温度；
2. EKF做一步预测和更新，得到SOC_ekf；
3. 计算安时积分增量delta_ah；
4. 组装神经网络输入特征；
5. 神经网络前向计算，得到delta_soc；
6. 限幅后加到SOC_ekf上，得到SOC_final；
7. 把SOC_final写回EKF状态，放大SOC对应的协方差；
8. 输出SOC_final给上层系统。

整个流程在STM32F407上跑，EKF耗时约0.3ms，神经网络前向计算约0.8ms，总共1.1ms，1秒的采样周期绰绰有余。如果换到算力更弱的MCU上，可以把神经网络简化成单隐藏层，或者用查表法近似。

实操心得：在线估计的时候，神经网络的输入特征里，SOC_ekf和delta_ah是最关键的两个。SOC_ekf提供了绝对位置信息，delta_ah提供了相对变化信息。如果只给SOC_ekf不给delta_ah，网络学不到安时积分的守恒关系，输出会漂。

5. 常见问题与排查技巧实录

5.1 EKF发散怎么办

EKF发散是最常见的问题，表现是SOC估计值跑到0以下或者1以上，或者剧烈震荡。排查思路：

• 先看OCV-SOC曲线有没有问题。如果曲线在某个SOC区间太平坦，dOCV接近零，H矩阵的SOC分量就接近零，卡尔曼增益会变得很小，滤波器不更新，SOC就靠安时积分硬撑，误差越积越大。磷酸铁锂在30%到70%区间就是这种平坦区，这是它的材料特性决定的。解决办法是在平坦区加大Q的SOC分量，让滤波器更信任观测。
• 再看Q和R的比值。如果Q太小，滤波器过度信任模型，模型误差积累到一定程度就会发散。可以试着把Q放大10倍看看。
• 还要检查电流方向定义。放电为正还是充电为正，这个搞反了，SOC变化方向就反了，必发散。

5.2 神经网络补偿量抖动大

神经网络输出抖动，通常是输入特征抖动引起的。电压和电流的测量噪声会直接传到网络输入，导致输出波动。解决办法：

• 对网络输入做低通滤波，截止频率设1Hz左右；
• 在损失函数里加平滑正则项，惩罚相邻时刻delta_soc的差值；
• 对网络输出做滑动平均，窗口长度5到10个采样点。

我试过第一种和第三种，效果都不错。第二种需要改训练代码，稍微麻烦一点，但效果最好。

5.3 低温工况精度差

低温下电池内阻急剧增大，极化效应增强，二阶RC模型的参数在常温下辨识的，低温下完全不准。我的做法是分温度段建模：-10度到10度一组参数，10度到35度一组，35度以上一组。每组参数单独辨识，EKF根据当前温度切换参数。

神经网络这边，低温样本要单独加权，让网络更关注低温工况的误差模式。我在损失函数里给低温样本乘了1.5的权重，效果有改善。

5.4 老化后精度下降

电池循环几百次后，容量衰减，内阻增大，OCV-SOC曲线也会偏移。EKF的模型参数如果不更新，精度会逐渐下降。我的做法是每隔一定循环次数做一次参数重辨识，或者用在线参数辨识算法（如递推最小二乘）实时更新R0和Cn。

神经网络这边，老化后的数据要加入训练集重新训练，或者用迁移学习的方法，在预训练网络的基础上用少量新数据微调。

5.5 常见问题速查表

问题现象	可能原因	排查方法	解决措施
SOC跑到0以下或1以上	OCV曲线平坦区、Q/R比值不当	检查dOCV值、残差序列	加大Q的SOC分量、限幅
SOC剧烈震荡	R设太小、电流噪声大	看残差方差	加大R、电流滤波
神经网络输出抖动	输入噪声、无平滑约束	看输入特征波形	输入滤波、输出滑动平均
低温精度差	模型参数不匹配	对比常温和低温参数	分温度段建模
老化后精度下降	容量和内阻变化	对比新旧OCV曲线	参数重辨识、迁移学习
融合后反而变差	补偿量过大、写回策略不当	看delta_soc幅值	限幅、调整方差放大系数

6. 工具选型与Matlab环境配置

6.1 Matlab版本与工具箱选择

这个项目用到的Matlab工具箱包括：

• Deep Learning Toolbox：搭神经网络；
• Optimization Toolbox：参数辨识时的最小二乘拟合；
• Signal Processing Toolbox：滤波和频谱分析；
• Curve Fitting Toolbox：OCV-SOC曲线拟合。

版本建议R2020b以上，因为feedforwardnet在R2020b之后有更新，训练速度更快。如果只是跑EKF，R2015b就够用了。

安装的时候注意，Deep Learning Toolbox需要单独勾选，默认安装可能不包含。安装完成后用ver命令检查一下工具箱是否都装上了。

6.2 代码组织与版本管理

我的代码结构是这样的：

SOC_Estimation/ ├── data/ % 原始数据和预处理后的数据 ├── model/ % 电池模型参数和OCV曲线 ├── ekf/ % EKF相关函数 ├── nn/ % 神经网络训练和预测 ├── fusion/ % 融合策略 ├── test/ % 测试脚本 └── main.m % 主入口

版本管理用Git，每次改参数或者改网络结构都提交一次，方便回溯。Matlab的mlx脚本文件不太适合Git，我一般把关键代码写成m文件，mlx只用来做数据探索和可视化。

6.3 性能优化技巧

Matlab的for循环比较慢，EKF的递推如果写成for循环，跑200万条数据要很久。我的做法是把EKF的递推向量化，或者用Matlab Coder生成C代码再跑。向量化之后，200万条数据大概3分钟能跑完。

神经网络训练用GPU加速，Matlab的train函数会自动检测GPU，如果有NVIDIA显卡，训练速度能快5到10倍。没有GPU的话，用trainlm优化器也比trainscg快不少。

注意：Matlab的GPU支持需要Parallel Computing Toolbox，而且只支持特定型号的NVIDIA显卡。买显卡之前先查一下Matlab的GPU支持列表，别买了不支持的型号。

7. 实测数据与效果对比

7.1 常温工况对比

在25度环境下，用DST工况跑了一遍，三种方法的RMSE对比：

方法	RMSE	最大误差	收敛时间
安时积分	4.2%	8.5%	不收敛
EKF	1.8%	3.6%	120s
EKF+NN	0.9%	2.1%	80s

安时积分的误差是累积的，跑得越久误差越大。EKF在初始阶段收敛后能稳定在2%以内。融合方案在EKF基础上进一步降低了一半的误差，收敛也更快。

7.2 低温工况对比

在0度环境下，用2C脉冲放电工况跑：

方法	RMSE	最大误差	收敛时间
安时积分	5.8%	11.2%	不收敛
EKF	7.2%	12.5%	发散
EKF+NN	2.5%	4.8%	150s

低温下EKF反而发散了，因为模型参数严重失配。融合方案靠神经网络补偿，把误差拉回到可接受范围。这个结果让我意识到，神经网络在极端工况下的价值比常温下更大。

7.3 计算负载对比

在STM32F407上跑，主频168MHz：

方法	单次耗时	RAM占用	Flash占用
EKF	0.3ms	2KB	8KB
NN(6-20-10-1)	0.8ms	4KB	12KB
融合	1.1ms	5KB	18KB

融合方案的计算负载在可接受范围内，1秒的采样周期完全够用。如果MCU资源紧张，可以把神经网络压缩成6-10-1的结构，耗时能降到0.4ms，精度损失大约0.3%。

8. 后续扩展方向

这套方案目前是在Matlab上离线验证的，下一步我打算把它移植到嵌入式平台上做在线测试。移植的时候要注意定点化的问题，神经网络用浮点运算在MCU上跑比较慢，可以试试用定点数或者查表法近似。

另一个方向是把神经网络换成LSTM或者GRU，这类循环神经网络对时序信息的捕捉能力更强，理论上能进一步提升精度。但LSTM的计算量比前馈网络大不少，在MCU上跑可能吃力，需要做模型剪枝或者量化。

还有一个思路是把EKF换成无迹卡尔曼滤波（UKF）或者粒子滤波，这些非线性滤波方法不需要线性化，对强非线性系统的估计精度更高。但计算量也更大，需要权衡。

我个人在实际操作中的体会是，SOC估算没有银弹，任何单一方法都有它的适用边界。EKF加神经网络的融合方案之所以有效，是因为它把物理模型和数据驱动两种范式的优势结合起来了。但融合方案也不是万能的，如果电池模型本身错得离谱，或者训练数据覆盖的工况太窄，融合效果也会打折扣。所以基础工作——准确的OCV-SOC曲线、合理的模型参数、覆盖充分的训练数据——永远是第一位的。