简介：面向电动汽车BMS算法工程师与相关专业研究生的技术总结文档，聚焦SOH（健康状态）与SOP（功率状态）两大核心指标的估算策略，帮助读者系统梳理从容量衰减评估到峰值功率预测的方法体系。文档围绕SOH估算展开三类路径：基于耐久性模型的开环方法、基于电池模型的闭环方法（RLS、KF等）以及基于开路电压的估算思路，并讨论OCV-SOC关系在老化过程中的稳定性与温度影响；SOP部分则涵盖复合脉冲法、HPPC测试及基于内阻的估算方案。此外还给出SOH与SOC多时间尺度联合估计的卡尔曼滤波框架，附内阻与SOH关系模型的实测流程与优缺点比较。资源包为1个docx文件，约787KB，结构紧凑、便于检索。已有3676人学习，适合需要快速建立估算策略全貌、对照实验方法查漏补缺的读者参考。
1. 电池的“体检报告”到底在说什么：SOH 和 SOP 是什么
电动车开久了，续航会缩水，加速会变肉。很多人第一反应是“电池坏了”，但“坏”这个字太笼统——是存不住电了，还是放不出功率了？这是两件完全不同的事。BMS（电池管理系统）里有两个词专门回答这两个问题：SOH 和 SOP。SOH 管的是“这块电池还能存多少电”，SOP 管的是“这块电池此刻能放出多大功率”。打个比方，SOH 像体检报告里的肺活量，告诉你底子还剩多少；SOP 像你此刻能跑多快，取决于当前状态而不是长期底子。搞懂这两个概念，你再看电动车的续航衰减、动力受限、充电变慢，就不会一律归咎于“电池不行了”，而是能分清到底是容量问题还是功率问题。
2. SOH 估算：电池“还剩多少底子”怎么算出来
SOH 全称 State of Health，中文叫健康状态。行业里有一个被广泛引用的判据：当动力电池的容量能力下降到标称容量的 80% 时，就应该考虑更换电池。这个 80% 不是随便定的，它来自 IEEE 1188-1996 标准中的规定。对纯电动汽车来说，一般只需考虑容量衰减，所以 SOH 最常用的定义就是当前容量与初始容量的比值：
SOH = (C_standard - C_fade) / C_standard × 100%其中 C_fade 是电池已经损失掉的容量，C_standard 是标称容量。一块新电池 SOH 是 100%，用到只剩 80% 容量时，按标准就该进入更换区间了。这个公式看起来简单，难的是 C_fade 怎么在线算出来——你不可能把车上的电池拆下来做一次完整充放电。所以 SOH 估算方法的分野，本质上就是“用什么可观测的信号去反推那个看不见的容量损失”。
2.1 开环方法与闭环方法：两条完全不同的思路
SOH 估计方法大体分三类，第一类是基于耐久性模型的开环方法。它从电池内部的物理化学机理出发，分析固体电解质膜电阻的增加、电池端子电压的上升，去理解电化学反应特性和容量衰退的本质，从而直接预测容量衰减和内阻变化。通俗地说，这类方法像“按老化规律推演”——我知道这类电池在什么温度、什么充放电习惯下会怎么老，就顺着规律往前推。开环的意思是它没有实时反馈校正，推演一旦偏离实际，误差会累积。
第二类是基于电池模型的闭环方法，代表算法是递推最小二乘法（RLS）和卡尔曼滤波（KF）。它先建立一个电池模型，用实时测到的电压、电流去不断修正模型参数，让模型输出逼近真实电池行为。打个比方，开环像照着菜谱做菜不看锅，闭环像边尝边调味。闭环方法精度更高、能自适应老化，代价是计算量更大，对模型精度和参数辨识的稳定性要求也更高。
第三类则是围绕开路电压（OCV）做文章的估算方法，它既可以算开环也可以算闭环，但因为太有代表性，值得单独拎出来讲。
2.2 开路电压法：为什么“曲线形状不变”是个好消息
基于 OCV 的 SOH 估计大致分两类：基于固定 OCV 的估计和基于变化 OCV 的估计。实验里有一个很关键的发现：把电池在不同老化程度下的 OCV 曲线放在一起对比，容量衰减对 OCV 曲线形状的影响并不明显，也就是说 OCV 与 SOC 之间的对应关系在整个老化过程中保持相对稳定。这个结论的价值在于——既然曲线形状基本不变，那就可以在不同老化程度下，计算相同 OCV 区间内电池电量的变化，反推出当前容量，进而得到 SOH。
但这里有个容易被忽略的前提。对锂离子电池而言，OCV 曲线在老化过程中并非完全一成不变，只有当 OCV 曲线斜率较大、且 SOC 与 OCV 之间呈现明显线性关系时，才能忽略老化影响、近似认为曲线恒定。这个条件通常只在 SOC 的高端部分才比较好满足。换句话说，OCV 法不是随时都能用，得挑“曲线够陡够直”的区间。另外，OCV-SOC 关系受温度影响明显，温度一变，同一套映射就得修正，这是实际落地时绕不开的坑。
2.3 内阻法：容量衰减往往伴随内阻上升
在电池容量衰减的过程中，一般也会同时伴随内阻的增加。这个现象给了另一条估算路径：既然内阻和容量损失同步发生，那测出内阻的变化，就能间接推断 SOH。针对锂离子电池在车用阶段的容量损失过程，结合电池工作温度与内阻机理模型，再配合内阻在线辨识技术，就能实现宽温度范围下的 SOH 估计。
内阻法的好处是物理意义清晰、测试方法相对简单。有一组实测流程可以说明它怎么落地：把电池放进温度设为 25 ℃ 的高低温交变试验箱，用电池测试系统以恒流充电、静置、恒流放电为一个循环做加速老化，每循环 5 次测一次内阻。测试时先把电池以 1C 放电到截止电压 2.7V，静置 1 小时，再以 1C 充电到 4.2V 并恒压充到电流降到 0.05C，静置 1 小时，然后以 1C 放电 0.1 小时把 SOC 调到 90%，静置 30 分钟，接着以 0.2C 充电 10 分钟、每秒记录电压，再以 0.2C 放电 10 分钟、每秒记录电压，最后以 1C 放电 0.1 小时把 SOC 调到 80%，重复上述循环直到 SOC 降到 10%。通过对充放电能量做计算得到内阻值，同时由恒压充电阶段得到当前最大可充电量、算出 SOH，就能建立内阻 R 与 SOH 的对应关系。对同一批次不同单体电池的测试数据做归一化处理后，可以得到线性度很高的一次线性函数，说明这个模型有不错的适应性。
2.4 SOH 和 SOC 为什么要联合估计
SOC 是荷电状态，回答“现在还剩多少电”；SOH 是健康状态，回答“满电到底能装多少”。两者一个变化快、一个变化慢，但互相耦合——SOH 不准，SOC 的安时积分就会越积越偏；SOC 估不准，SOH 的容量标定也失去基准。于是有了多时间尺度联合估计的思路，常见两条途径。
第一条是构建基于卡尔曼滤波的双时间尺度方案：确定一阶或二阶 RC 模型的标称参数对 SOC 的依赖性，用递推最小二乘法识别参数，在 SOH 基础上量化标称模型的性能退化；一个时间尺度的观测器实时估算 SOC，另一个离线估算 SOH，用量化后的模型精度退化来确定 SOH 观测器的时间尺度，最后用大量测试数据验证，降低计算复杂度、提高估算精度。
第二条是基于卡尔曼滤波的多时间尺度方案：把等效电路模型与可用容量变化联系起来，建立 SOC 与 SOH 联合估算的电池集总参数模型，提出多尺度扩展卡尔曼滤波。考虑到 SOH 变化缓慢、SOC 变化快速，用宏观尺度估 SOH、微观尺度估 SOC，两个估算器融合不同时间尺度的测量信息，在 NEDC 工况下完成联合估算，精度高、收敛快。这里的核心思想就是“慢变量用慢节奏估、快变量用快节奏估”，避免用同一套时间尺度硬套两个动态特性差一个数量级的状态量。
3. SOP 估算：电池“此刻能出多大力”怎么建模
SOP 全称 State of Power，描述的是电池功率状态，通常用短时峰值功率值来表示。锂离子电池多工作在车辆起步、加速或刹车状态，要为车辆提供或吸收瞬时大功率。电池输出输入的峰值功率直接影响快速启动、加速和紧急制动能力，进而关系到整车运行的安全性和可靠性。所以 BMS 必须具备对峰值功率的在线估计能力。准确的 SOP 估计能为整车功率分配和能量控制提供参考，既保证运行性能，也兼顾能耗经济性。和 SOH 不同，SOP 是隐性状态量，没法直接测量，必须通过对 SOP 建模来实现在线估计。
3.1 复合脉冲法：最广泛也最简单的做法
复合脉冲法是目前最广泛且简单的 SOP 估计方法。它基于电池的内阻模型，利用当前 SOC 下的开路电压和内阻，估计出电池的瞬时 SOP 值。模型简单、计算量小是它的优点，但缺点同样明显：电动车实际运行中电流变化非常剧烈，用这个方法会导致较大误差；而且它没有考虑充放电电流阈值与 SOC 限制，估出来的峰值功率偏大。通俗地说，它像用“静态体检数据”去预测“剧烈运动时的表现”，平稳工况下够用，一脚地板电就露馅。
复合脉冲法里最有代表性的是 HPPC 测试法，全称混合脉冲功率特性测试。它的思想是给电池加一个 t 秒的脉冲电流，分析电压变化，基于给定公式算峰值功率。脉冲电流值需要通过多次测试数据拟合推断；而恒功率测试法则是在某一恒定功率下持续充放电 t 秒，恰好达到工作电压上下限，通过调整功率设定值多次测试，让测试时间逐渐逼近 t 秒。t 取多少有讲究：统计数据显示，急加速持续时间在城市工况和高速工况下分别为 10 秒和 25 秒，紧急制动持续时间分别为 5 到 10 秒和 33 秒。考虑实际应用，通常选 t 等于 10 秒，测得 10 秒放电峰值功率作为 SOP。
HPPC 的测试过程是：先用恒流恒压（CCCV）把电池充到满电，再用恒流（CC）放到某一 SOC 点，静置一小时，然后脉冲放电 10 秒、静置 40 秒、脉冲充电 10 秒；把 SOC 从 90% 每次降 10% 一直到 10%，重复上述步骤九次。基于脉冲放电过程的电压变化可以算出放电内阻，再结合功率计算公式得到放电功率，其中下限电压和放电脉冲开始前的 OCV 是关键输入。把温度影响也纳入后，峰值功率可以写成以电池 SOC、内阻和温度 T 为输入、峰值功率为输出的参数模型，这就是面向微观时间尺度的 SOP 估计模型。
3.2 非参数模型与多参数约束：黑箱和边界的两条路
第二类方法是电池 SOP 估计的非参数模型，走的是黑箱理论路线，用支持向量机、机器学习算法等直接拟合输入输出关系，不显式建立物理模型。它的优势和所有黑箱模型一样——不需要精确的等效电路，但短板也一样：需要大量数据训练，训练时间较长，而且模型的可解释性弱，边界工况下的外推能力要打问号。
第三类是多参数联合约束 SOP 估计，思想是同时考虑电压、电流、SOC 的共同限制，预测电池 10 秒的持续峰值功率输出能力。步骤上先考虑 SOC 约束估计最大充放电电流，再考虑电池电压约束估计最大充放电电流，然后用二分查找算法求解，最后按多参数约束法计算峰值功率。这类方法理论上更严谨，因为它把“功率不能把电压拉出窗口、不能把 SOC 顶出边界、不能超过电流限值”这些现实约束都纳进来了，但实用性和可靠性在实际工程中仍有讨论空间——约束越多，在线求解的稳定性和实时性就越需要验证。
3.3 三种 SOP 方法怎么选：一张对比表看清边界
| 方法 | 核心思路 | 优点 | 局限 |
|---|---|---|---|
| 复合脉冲法 / HPPC | 内阻模型 + 脉冲测试，算瞬时峰值功率 | 模型简单、计算量小、应用最广 | 剧烈工况误差大，未考虑电流与 SOC 限制，峰值偏大 |
| 非参数模型（黑箱） | 机器学习直接拟合输入输出 | 不依赖精确物理模型 | 需大量数据训练、训练时间长、可解释性弱 |
| 多参数联合约束 | 电压、电流、SOC 共同约束 + 二分查找 | 约束完整、理论严谨 | 在线求解复杂，实用性与可靠性需验证 |
选型上没有银弹。追求实时性和工程落地，复合脉冲法仍是主流起点；有充足数据和算力、工况相对固定，黑箱模型可以一试；对安全边界要求极高、愿意承担计算开销，多参数约束更合适。真正翻车往往不是因为选了“错”的方法，而是没搞清楚自己工况的电流剧烈程度和约束优先级。
4. 常见误区与易混概念：这几个坑初学者最容易踩
4.1 SOH 和 SOC 是一回事吗
易混点：两个缩写只差一个字母，都带“状态”，很多人张口就说“电池 SOC 低了要充电，SOH 低了也要充电”。为什么混：它们都描述电池“还剩多少”，日常语境里“电量”和“健康”经常被混着说。怎么区分：SOC 是短时间尺度的荷电状态，充一次电就变，回答“现在剩多少电”；SOH 是长时间尺度的健康状态，几个月甚至几年才明显变化，回答“满电还能装多少”。SOC 掉到 20% 你充电就行，SOH 掉到 80% 以下按标准该考虑换电池了。
4.2 SOH 到了 80% 是不是电池立刻就不能用了
易混点：把“更换判据”当成“失效红线”。为什么混：80% 这个数字被反复引用，容易被理解成硬性生死线。怎么区分：80% 是行业给出的更换参考阈值，不是说到 80% 那一刻电池就罢工。它意味着容量能力已明显下降、继续使用在续航和体验上不划算，但电池仍能工作。判据是工程决策依据，不是物理断崖。
4.3 OCV 法是不是随时都能用
易混点：以为测个开路电压就能算 SOH。为什么混：OCV 与 SOC 的对应关系看起来稳定，容易让人以为整个区间都可靠。怎么区分：只有在 OCV 曲线斜率较大、SOC 与 OCV 呈明显线性关系的区间（通常是 SOC 高端部分），才能忽略老化对曲线的影响、近似认为恒定。平台区曲线太平，微小电压误差会放大成巨大的容量误差。而且 OCV-SOC 受温度影响明显，不修正温度直接套用，结果会偏。
4.4 SOP 估出来的峰值功率是不是越大越好
易混点：把 SOP 当成“电池能力上限”，觉得估得越高说明电池越强。为什么混：SOP 字面就是功率状态，容易和性能画等号。怎么区分：SOP 是带约束的安全边界估计，估得偏大恰恰是危险信号——复合脉冲法不考虑电流阈值和 SOC 限制时，峰值功率就会偏大，整车若照此分配功率，可能把电池拉出电压窗口或电流限值。SOP 的价值在于“准”，不在于“高”。
4.5 联合估计是不是把两个算法简单拼起来
易混点：以为 SOC 和 SOH 联合估计就是各跑一个滤波器。为什么混：名字里带“联合”，听起来像加法。怎么区分：联合估计的核心是时间尺度分离——SOH 慢变用宏观尺度、SOC 快变用微观尺度，两个估算器通过模型参数耦合、融合不同时间尺度的测量信息。如果两个状态量用同一时间尺度硬估，慢变量会被快噪声带偏，快变量又跟不上慢漂移，联合就失去了意义。
5. 什么时候用、什么时候别用：把方法放到真实工况里判断
方法选型最终要落到工况上。举一个具体场景：某跨平台系统要做电池状态显示和功率分配，城市工况为主、偶尔高速。SOH 侧，如果整车大部分时间运行在 SOC 中高端、温度相对可控，OCV 法配合温度修正可以作为低成本方案；但如果车辆长期在 SOC 中段徘徊、温度波动大，OCV 曲线平台区不可靠，就该转向基于模型的内阻法或闭环辨识，用 RLS/KF 持续校正。SOP 侧，城市工况急加速约 10 秒，HPPC 的 10 秒峰值功率口径刚好对得上，复合脉冲法足以支撑起步和加速的功率分配；但若整车有频繁的紧急制动能量回收需求，电流剧烈变化会让复合脉冲法误差放大，这时多参数约束把电压、电流、SOC 边界一起纳入就更稳妥。
反过来说，什么时候别用。数据量不足、训练集覆盖不到极端温度时，别硬上黑箱模型——它会在没见过的工况下给出看似合理却危险的输出。算力紧张的控制器上，别盲目堆多时间尺度联合估计，双滤波器加参数辨识的开销要提前评估，否则实时性翻车比精度不够更致命。温度修正没做好的 OCV 法，别在宽温区车辆上直接部署，那等于拿一套映射硬套四季。
我自己的习惯是：每确定一个估算策略，先问三个问题——这个状态量变化有多快、我手上有什么可观测信号、我的约束边界在哪。这三个问题答不清，算法再花哨也是空中楼阁。那份资料里把 SOH 的开环闭环、OCV 与内阻、SOP 的复合脉冲与多参数约束、以及联合估计的双尺度和多尺度方案都梳理成了可对照的框架，配合实测流程和参数表，正好用来把这几个问题逐条落地。希望帮到你。
本文还有配套的精品资源，点击获取
