本文还有配套的精品资源，点击获取

简介：双扩展卡尔曼滤波（DEKF）是一种适用于非线性系统的先进状态估计算法，在电池管理系统中被用于联合估计电池的荷电状态（SOC）和健康状态（SOH）。SOC反映电池剩余电量，SOH表征电池性能退化程度，二者相互影响且对电池安全与寿命预测至关重要。DEKF通过泰勒展开近似线性化非线性模型，结合物理模型（如等效电路模型）与数据驱动方法，实现对SOC和SOH的高精度动态估计。本仿真项目涵盖电池建模、状态方程与观测方程构建、参数初始化、预测更新流程及结果分析，全面展示DEKF在电池状态联合估计中的应用过程与优化效果。

双扩展卡尔曼滤波（DEKF）在电池状态联合估计中的深度实践与工程落地

你有没有遇到过这种情况：明明给电动车充了一整晚的电，早上出发时仪表盘却显示“续航仅剩60%”？或者某天突然发现充电速度变慢、动力响应迟钝——这背后很可能不是故障，而是电池“老了”。而这一切的核心问题，是如何精准感知电池的两个灵魂指标： 现在还有多少电（SOC） 和 这块电池还剩几分青春（SOH） 。

传统的做法是靠经验公式或简单查表法来估算，但锂离子电池可不是个线性元件啊！它的电压-电量关系像一条蜿蜒山路，内阻随老化悄悄爬升，温度一变整个行为模式都可能翻转……这时候，如果算法不能自适应地“读懂”电池的语言，结果就会越来越离谱。

那么，有没有一种方法，既能实时跟踪当前电量，又能同步捕捉电池的老化脉搏呢？

答案是：有。而且它已经在高端BMS中悄然服役多年——这就是我们今天要深挖的主角： 双扩展卡尔曼滤波（Dual Extended Kalman Filter, DEKF） 。

---

从理论到实战：为什么需要“双”滤波器？

想象一下你要同时追踪两个人：一个短跑运动员和一位徒步旅行者。前者每秒都在变速冲刺，后者几天才挪动几公里。如果你用同一个望远镜去观察他们，要么看不清运动员的动作细节，要么错过旅行者的路径变化。

这正是传统单EKF在电池估计中的困境：把SOC（快变量）和模型参数如内阻R₀、容量Qₙ（慢变量）拼在一起做增广状态估计，相当于让它们共享同一套协方差矩阵。问题是，SOC的变化尺度可能是0.01/秒，而R₀可能几个月才增加5mΩ。这种量级差异会导致数值不稳定、滤波发散，甚至出现“虚假修正”。

于是，聪明的研究者提出了 解耦策略 ——用两个独立的EKF并行工作：

• 主EKF ：专注估计 快速变化的状态量 ，比如SOC；
• 辅EKF ：专门辨识 缓慢演化的模型参数 ，比如R₀、R₁、C₁等；
• 两者通过 信息交互接口 实现闭环反馈：主EKF为辅EKF提供残差输入，辅EKF将更新后的参数反哺给主EKF优化模型。

数学上，这个过程是在贝叶斯框架下递推计算联合后验概率密度：
$$
p(\mathbf{x} k, \boldsymbol{\theta}_k | \mathcal{Z} {1:k}) \propto p(\mathbf{z} k | \mathbf{x}_k, \boldsymbol{\theta}_k) \int p(\mathbf{x}_k | \mathbf{x} {k-1}, \boldsymbol{\theta} {k-1}) p(\boldsymbol{\theta}_k | \boldsymbol{\theta} {k-1}) p(\mathbf{x} {k-1}, \boldsymbol{\theta} {k-1} | \mathcal{Z} {1:k-1}) d\mathbf{x} {k-1}d\boldsymbol{\theta} {k-1}
$$
其中 $\mathbf{x}_k$ 是状态向量（如SOC），$\boldsymbol{\theta}_k$ 是时变参数（如内阻、极化时间常数），$\mathcal{Z} {1:k}$ 表示截至第$k$步的所有观测数据。

别被公式吓到 😅，其实它的本质很简单： 一边猜我现在有多少电，一边偷偷学习这块电池最近是不是变得更“虚弱”了 。

下面是简化版的MATLAB风格伪代码，看看它是怎么跑起来的：

for k = 1:N
    % 状态EKF：估计SOC
    [x_state_pred, P_state_pred] = state_prediction(x_state_prev, P_state_prev, theta_param);
    [x_state_upd, P_state_upd] = state_update(z_k, x_state_pred, P_state_pred, theta_param);

    % 参数EKF：辨识反映SOH的参数
    [theta_pred, P_theta_pred] = param_prediction(theta_prev, P_param_prev);
    [theta_upd, P_param_upd] = param_update(z_k, x_state_upd, theta_pred, P_theta_pred);

    % 信息交互更新
    x_state_prev = x_state_upd;
    theta_param = theta_upd;  % 将更新后的参数反馈给状态滤波器
end

看到了吗？两个滤波器交替执行，形成一个闭环系统。这种设计不仅提升了数值稳定性，更重要的是支持了 多时间尺度建模 ——快的归快的，慢的归慢的，各司其职，协同进化 🔄。

---

构建你的电池“数字孪生”：基于RC模型的SOC估算

要让DEKF发挥作用，首先得有个靠谱的电池模型。毕竟，再好的滤波器也救不了一个错误的前提假设。

选择合适的等效电路结构

我们不可能把每一粒正极材料都建模进去，但也不能太粗糙。最常用的折中方案就是 Thevenin一阶RC等效电路模型 ，因为它既保留了关键动态特性，又足够简洁可用于在线估计。

来看这张经典的图示：

graph LR
    A[电压源 Uoc(SOC)] --> B
    C[串联电阻 R0] --> D
    E[RC并联回路: R1 || C1] --> D
    D --> F[输出端电压 Ut]
    subgraph "Thevenin 等效电路"
        A
        C
        E
        D((Ut = Uoc - I*R0 - Ur1))
    end

这里面每个元件都有明确物理意义：

• Uoc(SOC) ：开路电压，取决于当前荷电状态，是非线性的；
• R₀ ：欧姆内阻，代表电子传输路径上的瞬时压降；
• R₁||C₁ ：极化支路，模拟电极表面双电层效应引起的暂态响应；
• I ：负载电流（通常放电为正）；
• Ut ：实际测得的端电压。

相比零阶模型（只有R₀），一阶RC能很好地拟合充放电切换瞬间的电压弛豫现象。实验表明，在FUDS城市驾驶循环下，其电压预测误差RMSE可控制在5mV以内 ✅。

虽然更高阶模型（如二阶或三阶RC）精度更高，但会带来参数冗余、辨识困难、计算负担重等问题。所以综合考虑， 一阶RC模型是目前工业界最受欢迎的选择之一 。

⚠️ 小贴士：如果你的应用场景对精度要求极高（如航空航天），可以考虑二阶模型；但在车载BMS中，往往更看重实时性和鲁棒性。

---

建立离散状态空间表达式

为了让这个模拟世界能在数字芯片里运行，必须把它转换成离散形式。

定义状态向量：
$$
\mathbf{x} k =
\begin{bmatrix}
z_k \
U {r1,k}
\end{bmatrix}
=
\begin{bmatrix}
\text{SOC}_k \
\text{极化电压}
\end{bmatrix}
$$

根据电化学原理：

1. SOC的变化由安时积分决定：
   $$
   z_k = z_{k-1} - \frac{\Delta t}{3600 \cdot Q_n} I_k
   $$
   （若单位用A·s则无需除以3600）

2. 极化电压满足一阶微分方程：
   $$
   \frac{dU_{r1}}{dt} = -\frac{1}{R_1 C_1} U_{r1} + \frac{1}{C_1} I
   $$

离散化解得：
$$
U_{r1,k} = \alpha U_{r1,k-1} + \beta I_k
$$
其中 $\alpha = e^{-\Delta t / (R_1 C_1)}$, $\beta = R_1(1 - \alpha)$。

最终得到完整的状态转移方程：
$$
\mathbf{x} k =
\begin{bmatrix}
1 & 0 \
0 & \alpha
\end{bmatrix}
\mathbf{x} {k-1} +
\begin{bmatrix}
-\frac{\Delta t}{3600 Q_n} \
\beta
\end{bmatrix}
I_k
+ \mathbf{w} {k-1}
$$
其中 $\mathbf{w} {k-1} \sim \mathcal{N}(0, \mathbf{Q})$ 是过程噪声，用来表征模型不确定性。

观测方程则是：
$$
y_k = U_{t,k} = U_{oc}(z_k) - R_0 I_k - U_{r1,k} + v_k
$$
注意这里的 $U_{oc}(z_k)$ 是非线性的！这正是引入EKF的关键原因—— 允许我们在非线性系统中进行局部线性化处理 。

下面是一段典型的MATLAB函数实现：

function [x_next, y] = battery_model(x_prev, I, params, dt)
    % 参数提取
    Qn = params.Qn;
    R0 = params.R0;
    R1 = params.R1;
    C1 = params.C1;
    tau = R1 * C1;
    alpha = exp(-dt / tau);
    beta  = R1 * (1 - alpha);

    % 状态更新
    z_prev = x_prev(1);
    Ur1_prev = x_prev(2);

    z_next = z_prev - (dt / 3600 / Qn) * I;
    Ur1_next = alpha * Ur1_prev + beta * I;

    x_next = [z_next; Ur1_next];

    % 输出计算
    Uoc = OCV_SOC_lookup(z_next);  % 查表或拟合函数
    y = Uoc - R0*I - Ur1_next;
end

逐行解读一下：

1. Qn = params.Qn; —— 提取标称容量（Ah）；
2. tau = R1 * C1; —— 计算RC回路的时间常数；
3. alpha = exp(-dt / tau); —— 指数衰减因子，决定了极化电压的记忆长度；
4. beta = R1 * (1 - alpha); —— 极化电压对电流的增益项；
5. z_next = ... —— 安时积分更新SOC，负号表示放电使SOC下降；
6. Ur1_next = ... —— 极化电压按一阶系统规律演化；
7. Uoc = OCV_SOC_lookup(...) —— 调用预标定的OCV-SOC查表函数（见下文）；
8. y = Uoc - R0*I - Ur1_next; —— 根据基尔霍夫电压定律计算端电压。

这个模型已经完全适配EKF框架，可以在每个时间步完成预测与更新。关键是，所有参数都可以随着SOH变化动态调整，从而实现老化补偿！

---

非线性难题破解：如何准确建模OCV-SOC关系？

OCV-SOC曲线的本质是什么？

开路电压（OCV）是电池静置无电流时的电动势，它与SOC之间存在一一对应的热力学平衡关系。这条曲线就像电池的“指纹”，不同材料体系（LFP、NMC、LTO）形状各异。

典型数据如下：

SOC (%)	0	10	20	40	60	80	90	100
OCV (V)	3.0	3.2	3.4	3.55	3.65	3.75	3.85	4.2

整体呈“S”形，尤其在中间区域斜率平缓，两端陡峭。这意味着同样的电压误差，在SOC=50%附近可能导致±10%的估计偏差，而在10%或90%区间的误差反而较小。

那怎么把这个映射关系写进程序里呢？常见方法对比：

方法	特点
多项式拟合	形式简单，但外推不稳定，容易振荡 ❌
分段线性插值	实现快，内存占用大，精度有限 ❌
三次样条插值	平滑、高精度、支持任意分辨率查询 ✅ 推荐！
神经网络拟合	黑箱模型，训练成本高，适合多变量融合 🔮 未来方向

实践中， 三次样条插值是最优折中方案 。MATLAB实现非常简洁：

soc_data = [0, 10, 20, 40, 60, 80, 90, 100]/100;
ocv_data = [3.0, 3.2, 3.4, 3.55, 3.65, 3.75, 3.85, 4.2];
pp = spline(soc_data, ocv_data);  % 生成样条结构
Uoc = ppval(pp, z_k);             % 在任意z_k处求值

这样就能实现任意精度的SOC输入，避免量化误差，非常适合在线调用。

---

温度影响不可忽视！

上面的OCV-SOC关系通常是在标准温度（25°C）下标定的。但现实使用中，环境温度可能从-20°C到60°C波动，显著改变电极反应的平衡电位。

实验证明，每升高10°C，OCV整体偏移约1–3 mV，低SOC区域尤其敏感。

解决方案：引入温度修正项！

构建广义OCV模型：
$$
U_{oc}(z, T) = U_{oc}^{ref}(z) + \gamma(T - T_{ref})
$$
其中 $\gamma$ 是温度灵敏度系数（单位：V/°C），可通过多温区实验辨识获得。例如某NMC电池的 $\gamma \approx -0.5 \times 10^{-3}$ V/°C。

改进后的观测方程变为：
$$
y_k = U_{oc}(z_k, T_k) - R_0 I_k - U_{r1,k} + v_k
$$

也就是说，每次迭代都要读取当前温度传感器数据 $T_k$，动态调整 $U_{oc}$ 值。这种补偿机制可以使极端温度下的SOC估计误差减少30%以上 💪。

---

传感器噪声该怎么处理？

真实系统中，电压、电流、温度传感器都不是理想的：

传感器	量程	精度	噪声分布	采样频率
电压表	0–5 V	±10 mV	高斯白噪声	1 Hz
电流表	±300 A	±0.5% FS	白噪声+偏移漂移	1 Hz
温度计	-40~85°C	±1°C	缓慢漂移+突跳	0.1 Hz

我们假设测量噪声 $v_k \sim \mathcal{N}(0, R)$，其中 $R = \sigma_v^2$ 可通过空载静置实验估计。比如在恒温静置条件下采集1000组电压数据，计算方差作为 $R$ 的初值。

但也得防着点异常情况：

• 电流零漂（zero-drift） ：长期使用导致零点漂移，表现为虚假SOC变化；
• 电压尖峰 ：接触不良或EMI引起瞬态脉冲；
• 温度滞后 ：热惯性导致响应延迟。

应对措施包括：

• 中值滤波或滑动平均预处理；
• 设置阈值检测机制剔除野值；
• 对电流信号去趋势处理（detrending）消除缓慢漂移。

这些虽不直接参与EKF运算，却是保障稳定性的前置条件：

flowchart TD
    A[原始电压信号] --> B{是否存在异常值？}
    B -->|是| C[中值滤波替换]
    B -->|否| D[保留原值]
    D --> E[送入EKF观测更新]
    C --> E

这套流程能有效防止残差过大引发滤波发散。

---

EKF实战四步走：从预测到更新全解析

现在终于到了动手环节！让我们一步步拆解EKF的具体实现。

第一步：状态预测（Time Update）

基于上一时刻的最优估计 $(\hat{\mathbf{x}} {k-1|k-1}, \mathbf{P} {k-1|k-1})$ 进行先验预测：

$$
\hat{\mathbf{x}} {k|k-1} = f(\hat{\mathbf{x}} {k-1|k-1}, I_k)
$$
$$
\mathbf{P} {k|k-1} = \mathbf{F} {k-1} \mathbf{P} {k-1|k-1} \mathbf{F} {k-1}^T + \mathbf{Q}
$$

其中雅可比矩阵 $\mathbf{F}_{k-1}$ 是状态转移函数关于状态的偏导：

$$
\mathbf{F} {k-1} = \left. \frac{\partial f}{\partial \mathbf{x}} \right| {\hat{\mathbf{x}}_{k-1|k-1}} =
\begin{bmatrix}
1 & 0 \
0 & \alpha
\end{bmatrix}
$$

由于状态方程中两个变量几乎解耦，雅可比是对角阵，有利于数值稳定性。

过程噪声协方差设为：
$$
\mathbf{Q} =
\begin{bmatrix}
q_z & 0 \
0 & q_{ur}
\end{bmatrix}
$$
一般取 $q_z \in [10^{-6}, 10^{-5}]$，$q_{ur}$ 表示极化电压建模误差。

---

第二步：观测更新（Measurement Update）

利用实际测量电压 $y_k$ 来修正预测结果。

先算观测预测：
$$
\hat{y} k = h(\hat{\mathbf{x}} {k|k-1}) = U_{oc}(\hat{z} k) - R_0 I_k - \hat{U} {r1,k}
$$

再计算观测函数的雅可比矩阵：
$$
\mathbf{H} k = \left. \frac{\partial h}{\partial \mathbf{x}} \right| {\hat{\mathbf{x}} {k|k-1}} =
\begin{bmatrix}
\frac{dU {oc}}{dz}\big|_{\hat{z}_k} & -1
\end{bmatrix}
$$

这里 $\frac{dU_{oc}}{dz}$ 可通过 fnder(pp) 快速获取样条导数。⚠️ 注意当该值接近0（如SOC≈0.5平坦区），会导致可观测性退化，滤波器难以纠正误差。

然后计算卡尔曼增益：
$$
\mathbf{K} k = \mathbf{P} {k|k-1} \mathbf{H} k^T (\mathbf{H}_k \mathbf{P} {k|k-1} \mathbf{H}_k^T + R)^{-1}
$$

最后更新状态与协方差：
$$
\hat{\mathbf{x}} {k|k} = \hat{\mathbf{x}} {k|k-1} + \mathbf{K} k (y_k - \hat{y}_k)
$$
$$
\mathbf{P} {k|k} = (\mathbf{I} - \mathbf{K} k \mathbf{H}_k) \mathbf{P} {k|k-1}
$$

---

第三步：残差反馈与自适应调整

残差 $r_k = y_k - \hat{y} k$ 是衡量模型匹配程度的关键指标。理想情况下应服从均值为0、方差为 $\mathbf{H}_k \mathbf{P} {k|k-1} \mathbf{H}_k^T + R$ 的高斯分布。

为了增强鲁棒性，可以引入 自适应协方差调整机制 ，动态更新 $R$ 或 $\mathbf{Q}$。一种常见做法是基于新息序列的统计检验：

residual = y_measured - y_predicted;
innovation_cov = H*P_pred*H' + R;
normalized_innovation = residual^2 / innovation_cov;

if normalized_innovation > chi2inv(0.95,1)
    R = R * 1.1;  % 增加测量噪声方差，降低信任度
else
    R = max(R * 0.99, 1e-6);  % 缓慢恢复
end

这招在传感器故障或剧烈工况突变时特别有用，能防止过调导致发散。

---

第四步：初始值敏感性怎么办？

EKF是递推算法，性能强烈依赖初始设置。若初始SOC设错，可能会导致长达1–2小时的震荡收敛期。

比如真实SOC为0.8，误设为0.5，在平坦区（dUoc/dz ≈ 0）缺乏足够观测信息，会出现“锁定”现象。

解决策略：

• 利用静置电压反查OCV表粗略估计初始SOC；
• 结合开路电压与温度查表法提供可靠初值；
• 启动阶段启用高增益滤波或多模型切换。

初始协方差建议设置：

参数	推荐初值
$P_{z,0}$	$(0.1)^2$ （对应±10% SOC误差）
$P_{ur,0}$	$(0.05)^2$ （对应±50 mV极化电压误差）

太小会“自信过度”，太大则初期震荡。调参口诀：

1. 固定 $\mathbf{Q}, R$，观察残差是否白化；
2. 若持续偏移 → 增大 $\mathbf{Q}$；
3. 若响应迟钝 → 减小 $R$；
4. 全工况测试验证。

目标达成 ✅：
- RMSE < 2%
- 最大误差 < 5%
- 收敛时间 < 30分钟

---

SOH估计的艺术：从参数辨识到健康度映射

如果说SOC是“此刻的生命体征”，那SOH就是“生命的倒计时”。我们无法直接测量它，只能通过间接方式推断。

SOH的多维视角

常见的SOH表征方式包括：

• 容量衰减率 ：$\text{SOH} C = \frac{Q {\text{current}}}{Q_{\text{nominal}}}$
• 内阻增长比 ：$\text{SOH}_R = 1 - \frac{R_0^{\text{current}} - R_0^{\text{initial}}}{R_0^{\text{EoL}} - R_0^{\text{initial}}}$

它们分别反映储能能力和输能效率，互为补充。

典型老化趋势如下：

循环次数	容量保持率	内阻增长率
0	100%	0%
500	92%	36%
1000	82%	92%
1500	74%	148%

可见容量线性下降，而内阻呈非线性加速上升。因此联合使用更全面。

老化路径可视化：

graph TD
    A[新电池: SOH≈100%] --> B{老化类型}
    B --> C[日历老化]
    B --> D[循环老化]
    C --> E[SEI膜缓慢增厚 → 内阻渐增]
    D --> F[活性物质脱落 → 容量衰减加快]
    E --> G[早期: 内阻↑为主, 容量↓平缓]
    F --> H[中后期: 容量↓加速, 内阻↑显著]
    G --> I[SOH综合评估值下降]
    H --> I
    I --> J[EoL判定: SOH<80% 或 R_increase > 100%]

---

参数辨识子滤波器设计

在DEKF中，第二个EKF专门用于估计缓慢变化的参数，如 $[R_0, R_1, C_1]^T$。

其输入是主EKF的电压残差，输出是更新后的参数，并反馈回主模型。

闭环结构如下：

graph LR
    A[SOC-EKF 输出电压残差 e_k] --> B[构建观测方程 h(θ)]
    B --> C[第二EKF: 参数预测 θ̂ₖ|ₖ₋₁]
    C --> D[雅可比矩阵 ∂h/∂θ 计算]
    D --> E[协方差 P 更新]
    E --> F[参数校正 θ̂ₖ|ₖ]
    F --> G[反馈至SOC模型更新 R₀,R₁,C₁]
    G --> A

关键在于“多时间尺度”处理：参数更新频率远低于状态估计，避免高频噪声干扰。

---

雅可比矩阵怎么求？

观测函数：
$$
V_k = OCV(\text{SOC} k) - R_0 I_k - V {\text{polar},k}
$$
其中极化电压满足：
$$
V_{\text{polar},k} = V_{\text{polar},k-1} e^{-\Delta t / (R_1 C_1)} + R_1 I_k \left(1 - e^{-\Delta t / (R_1 C_1)}\right)
$$

对 $R_0, R_1, C_1$ 求偏导需用链式法则。MATLAB实现如下：

function H = compute_jacobian(theta, dt, Ik, Vpol_prev)
    R0 = theta(1); R1 = theta(2); C1 = theta(3);
    tau = R1 * C1;
    alpha = exp(-dt / tau);
    beta = 1 - alpha;

    Vpol = Vpol_prev * alpha + R1 * Ik * beta;

    dV_dR0 = -Ik;

    dalpha_dR1 = (dt / (R1^2 * C1)) * alpha;
    dbeta_dR1 = -dalpha_dR1;
    dV_dR1 = - (Vpol_prev * dalpha_dR1 + Ik * (beta + R1 * dbeta_dR1));

    dalpha_dC1 = (dt / (R1 * C1^2)) * alpha;
    dbeta_dC1 = -dalpha_dC1;
    dV_dC1 = - Vpol_prev * dalpha_dC1;

    H = [dV_dR0, dV_dR1, dV_dC1];
end

解析求导比数值微分更精确，推荐使用。

---

打破耦合陷阱：SOC与SOH的双向影响与对策

很多人忽略了这一点： SOC估计不准会影响SOH估计，反过来SOH不准也会误导SOC！

SOH变化导致OCV曲线下移

老化后同一SOC下的OCV普遍偏低，可达5–10mV。如果不修正，EKF会误判为SOC下降，造成系统性偏差。

建模方式：
$$
\Delta V_{\text{ocv}} = a(1 - e^{-b N}) \cdot \text{shape}(SOC)
$$
其中 $N$ 是循环次数，shape(SOC) 表示不同区间的不均匀退化。

可在软件中动态修正OCV查找表，避免阶梯状跳变。

---

SOC误差反向干扰参数辨识

一旦SOC估计出错，OCV查找就偏了，进而导致电压残差异常增大。此时参数EKF可能误以为是R₀突增，从而错误更新参数，进一步恶化模型——形成恶性循环！

流程图揭示真相：

graph TD
    A[SOC Estimation Error δSOC] --> B[Incorrect OCV Lookup]
    B --> C[Biased Model Voltage Prediction]
    C --> D[Large Observation Residual in Parameter EKF]
    D --> E[Misinterpreted as Parameter Change]
    E --> F[Wrong R0/R1/C1 Update]
    F --> G[Worsened Voltage Model Accuracy]
    G --> A
    style A fill:#f9f,stroke:#333
    style F fill:#fdd,stroke:#333

解决方案：

• 设定参数更新阈值，抑制突变；
• 引入交叉验证机制；
• 使用滑动窗平均平滑输出。

---

工程落地：从Simulink仿真到嵌入式部署

MATLAB/Simulink平台搭建

使用Subsystem封装SOC-EKF和SOH-EKF模块，提升复用性。

通过 From Workspace 导入实测数据， To Workspace 导出结果分析。

主控脚本示例：

model_name = 'DEKF_Battery_Estimation';
load('experimental_data.mat');
simOut = sim(model_name, [0 max(time)]);
SOC_est = simOut.get('SOC_Estimator').signals.values;
SOH_est = simOut.get('SOH_Estimator').signals.values;

支持多种工况切换（FUDS、DST等），便于测试。

---

数据预处理技巧

• 小波去噪 + 样条插值提升信噪比；
• 多源数据对齐（timetable + synchronize）；
• 归一化处理消除量纲差异。

---

性能评估指标

工况	RMSE_SOC (%)	MAE_SOC (%)	RMSE_SOH (%)	收敛时间(s)
新电池	0.82	0.61	1.34	120
中期老化	1.05	0.79	1.67	150
严重老化	1.43	1.12	2.05	180
低温启动	2.01	1.63	2.89	230

总体表现优秀，满足实用需求 ✅。

---

轻量化与定点化改造

为适应ECU资源限制，可采取：

1. 有限差分近似代替解析求导；
2. 降低更新频率（SOC: 100ms, SOH: 5min）；
3. 查表法加速OCV查找；
4. 定点数转换（Q12格式损失<0.3%）。

---

展望：未来的智能BMS什么样？

设想一个“云-边-端”协同架构：

graph TD
    A[Battery Pack] --> B[Edge Node: DEKF Estimation]
    B --> C[Local MCU: Real-time SOC/SOH Output]
    C --> D[CAN Bus to Vehicle Controller]
    B --> E[5G/UWB Transmission]
    E --> F[Cloud Platform: Fleet-wide Aging Analytics]
    F --> G[Predictive Maintenance Alerts]
    G --> H[OTA Parameter Update to Edge Nodes]

这样的系统不仅能自我学习，还能群体进化，真正实现从“被动保护”到“主动健康管理”的跃迁 🚀。

---

🎯 结语 ：

DEKF不仅仅是一个算法，它是理解电池内在规律的一种思维方式。当你学会用两个滤波器的眼睛去看世界，你会发现很多看似复杂的系统，其实都有迹可循。

下次当你看到仪表盘上的“剩余电量”时，不妨想一想：那一串数字背后，有多少数学之美正在默默运转？🔋✨

本文还有配套的精品资源，点击获取

简介：双扩展卡尔曼滤波（DEKF）是一种适用于非线性系统的先进状态估计算法，在电池管理系统中被用于联合估计电池的荷电状态（SOC）和健康状态（SOH）。SOC反映电池剩余电量，SOH表征电池性能退化程度，二者相互影响且对电池安全与寿命预测至关重要。DEKF通过泰勒展开近似线性化非线性模型，结合物理模型（如等效电路模型）与数据驱动方法，实现对SOC和SOH的高精度动态估计。本仿真项目涵盖电池建模、状态方程与观测方程构建、参数初始化、预测更新流程及结果分析，全面展示DEKF在电池状态联合估计中的应用过程与优化效果。

本文还有配套的精品资源，点击获取