EKF：基于MATLAB/Similink的扩展卡尔曼滤波器EKF的锂电池SoC计算仿真模型。

最近在搞锂电池SoC估算的项目，发现扩展卡尔曼滤波（EKF）真是个好东西。传统安时积分法误差会越攒越大，开路电压法又不能实时测量，EKF刚好能把这两玩意儿揉在一起用。今天咱们就扒一扒怎么用MATLAB/Simulink搭这个模型，手把手教你们调参避坑。

先说说电池模型怎么选。二阶RC等效电路模型现在最常用，毕竟能兼顾精度和计算量。用Simulink搭出来大概长这样：

% 电池模型参数定义
R0 = 0.01;   % 欧姆内阻
Rp1 = 0.005; % 极化电阻1
Cp1 = 2000;  % 极化电容1 
Rp2 = 0.008; % 极化电阻2
Cp2 = 1500;  % 极化电容2

这里注意RC环节的时间常数要和电池实际特性匹配，别随便拍脑袋填数值。建议先用HPPC测试拿真实数据拟合参数，直接上仿真容易翻车。

状态方程是EKF的核心，这里SoC作为隐藏状态必须和非线性观测量联动：

function [x_k, F_k] = stateFcn(x_prev, I, deltaT, Cn)
    x_k = x_prev - (deltaT/Cn)*I;  % SoC状态递推
    F_k = 1;  % 状态转移矩阵雅可比
end

这个函数里deltaT是采样时间，Cn为额定容量。雅可比矩阵求导的时候得特别注意单位统一，上次我忘了把分钟转秒，结果SoC曲线直接飞了。

EKF：基于MATLAB/Similink的扩展卡尔曼滤波器EKF的锂电池SoC计算仿真模型。

观测方程得处理端电压的非线性关系，这里用三元锂的OCV-SoC曲线举例：

function [V_est, H_k] = measFcn(x_k, I, R0, Rp1, Cp1, Rp2, Cp2)
    ocv = 3.7 + 0.6*x_k - 0.2*exp(-15*x_k);  % 典型OCV拟合公式
    V_est = ocv - I*(R0 + Rp1/(1+Rp1*Cp1) + Rp2/(1+Rp2*Cp2));
    H_k = 0.6 + 3*exp(-15*x_k);  % 对SoC求导得到观测矩阵
end

注意指数项是为了模拟SoC在两端时OCV的陡变特性，实测数据记得做三次样条插值更准。过程噪声Q和观测噪声R的设置很玄学，建议从1e-6开始试，调大了容易震荡，小了收敛慢。

最后上Simulink模型结构（别直接拖官方EKF模块，自己搭更灵活）：

1. 电池物理模型子系统
2. 电流电压传感器加噪声
3. EKF算法封装成MATLAB Function
4. 实时SoC显示模块

跑出来的效果如果像心电图似的乱跳，八成是雅可比矩阵算错了。有一次我把Rp1和Rp2搞反了，结果SoC估计值比真实值超前了20%，调了两天最后发现是观测方程里电阻位置写反了。

实测数据对比时，记得用0.2C以下电流验证，大电流工况下模型误差会明显暴露。建议把安时积分结果和EKF输出画在同一张图上，误差超过5%就该检查模型参数了。

代码打包的时候别忘做温度补偿的接口，实际应用中电池温度变化对参数影响比仿真大得多。下次有机会再聊聊怎么把自适应EKF和神经网络结合，那才是真·工业级解决方案。