SOC Estimation 电池 SOC 估算

电池管理L1别名 SOC Estimation · 电池 SOC 估算 · Coulomb Counting · 库仑积分 · OCV · Open Circuit Voltage · EKF · Kalman Filter · 卡尔曼滤波 · 更新 2026-07-12

本质与导读

本质 SOC 测不了、只能估:库仑积分误差会累积、OCV 随温度和老化漂、LFP 平台又几乎平坦,单一方法必然失准。所以实操是库仑积分打底、静置时用 OCV 校准、EKF 实时融合三者结合,把精度压到 EV BMS 主流的 ±2-3%——SOC 错 5% 用户就感到"虚标"。

主线坐标:第 2 站 · BMS · ↑ 全景主线

1. 为什么 SOC 不能直接测

电池没有 "SOC pin"——只能通过外部测量量推算:

端电压 V (受电流和温度影响,动态变化)
电流 I (积分得电荷流)
温度 T (影响 OCV 和容量)

关键认知:SOC 是一个内部隐藏状态,只能估算。所有方法都是"用外部测量推内部状态"的不同实现。

2. 4 种主流方法

4 种方法在"准确度 vs 计算量"两轴递增 — 库仑积分简单但漂移,EKF/UKF 准但要 DSP:

SOC 估算 4 种方法 — 准确度递增,计算量递增

2.1 方法 1: 库仑积分 (Coulomb Counting)

公式:

S O C (t) = S O C (0) + \frac{1}{C n} \int_{0}^{t} η \cdot I (τ) d τ

参数:

$S O C (0)$ = 初始 SOC
$C n$ = 电池标称容量 (Ah)
$η$ = 充放电效率 (典型 95-99%)
$I (τ)$ = 瞬时电流 (充正,放负)

特点:

简单——一个积分器
误差累积:电流采样误差 1% → 1 小时累积 1% SOC,1 天累积 24%
必须周期性校准 (从 OCV)

2.2 方法 2: OCV (Open Circuit Voltage)

原理:电池静置足够长 (1-2 小时) → 测端电压 = OCV → 查表得 SOC。

OCV(SOC) 曲线:

电池类型	OCV(SOC) 特点
NCA (Tesla / Lucid)	单调上升,精度好,SOC 0-100% 可推
NCM (大多 EV)	单调上升,精度好
LFP (比亚迪 / 储能)	20%-90% SOC 区平坦 (3.2V),只在两端陡
LCO (消费 Li-Po)	单调,精度好

LFP 的痛点: $Δ V$ 30 mV 对应 $Δ S O C$ 几乎 0% in plateau region → 在 20-90% 区间几乎不能用 OCV 推 SOC。

适用:

静置后启动: 初始化 SOC
充电完成时: 校准到 100%
不能实时——必须静置 1-2 小时

2.3 方法 3: Kalman Filter (EKF/UKF)

原理: 把库仑积分作为"过程模型",把 OCV 测量作为"测量更新",用 Kalman 滤波器融合。

EKF 流程分预测、测量、修正三步，下表给出每步对应的状态更新公式：

步骤	公式
1. 预测（Coulomb Counting）	$S O C_{p r e d} = S O C_{p r e v} + (I \cdot d t) / C n$ ； $P p r e d = P p r e v + Q$ （协方差预测）
2. 测量（OCV，经 ECM 等效电路）	$V p r e d = O C V (S O C_{p r e d}) - I \cdot R in t er na l$
3. 修正（Kalman gain）	$K = P p r e d / (P p r e d + R)$ ； $S O C_{cor r} = S O C_{p r e d} + K (V m e a s - V p r e d)$

等效电路模型 (ECM):

$R 0$ (欧姆内阻) + $R 1$ // $C 1$ (短时极化) + $R 2$ // $C 2$ (长时极化)
参数随 SOC + T + 老化变化

计算量: 32-bit MCU 每秒 100-1000 次更新,需要专用 BMS MCU。

精度: ±2-3% (常态),±5% (极端工况)。

2.4 方法 4: 数据驱动 / ML

原理: 用大量充放电数据训练神经网络 (LSTM / Transformer),输入 V/I/T → 输出 SOC。

优势:

自动适应老化
不依赖等效电路模型
高精度可能 (±1-2%)

劣势:

训练样本量大 (千万 km 行驶数据)
不透明 (黑盒)
嵌入式部署算力大

现状: 学术热点,部分主机厂 (Tesla / NIO) 量产用 ML 修正传统方法,纯 ML 替代还在试点。

3. 库仑积分误差分析

误差来源:

电流采样误差 (Shunt or Hall): ±1% (Hall) 至 ±0.1% (Shunt)
电流采样零漂: ADC 偏置 1mV → 100mA shunt 误差
库仑效率 η: 实际 95-99%,典型用 97-98%
容量退化 $C n$ : 1 年 -3% 容量

累积误差:

σ_{S O C} (t) = t \cdot \frac{σ _{I}}{C n}

实例: 100 Ah 电池, $σ_{I}$ = 50mA → 1 hr 累积 $σ_{S O C}$ ≈ 0.05% (很小);1 day 1.2%,1 week 8%——所以每周必须 OCV 校准。

4. ECM 等效电路模型详解

1RC 模型 (最简单):

ECM 1RC 等效电路：电流 I 流入 OCV(SOC) 电压源，串联欧姆内阻 R0，再接极化环节 R1//C1（并联电阻电容），输出端电压 V

电压方程:

V t er mina l (t) = O C V (S O C) - I R 0 - V C 1 (t)

\frac{d V _{C 1}}{d t} = \frac{I}{C 1} - \frac{V C 1}{R 1 C 1}

2RC 模型 (主流): 加 $R 2$ // $C 2$ ,更精确描述极化。

参数 $R 0, R 1, C 1, R 2, C 2, O C V (S O C)$ :

实验测得 (HPPC test - Hybrid Pulse Power Characterization)
二维表 (SOC × T):每 5% SOC × 每 10°C 一组参数
老化后逐步更新

5. SOC 估算实操架构

EV BMS 典型 SOC 估算3 层架构，三层自下而上依次校准，下表给出每层的输入处理与输出：

层	处理与输出
Layer 1 库仑积分	每 1 ms 采样 I → 累积 $Σ I \cdot d t$ → 输出基础 SOC
Layer 2 OCV 校准	检测静置（\|I\| < 0.5 A 持续 > 30 min）→ 测 V → OCV → $S O C_{O C V}$ ；若 $∥ S O C_{C C} - S O C_{O C V} ∥ > 3%$ 则强制校准
Layer 3 EKF 融合	实时 V/I/T 输入 → ECM 模型预测 $V p r e d$ → Kalman gain 修正 → 输出精确 SOC ± 2–3%

6. 老化补偿 (SOH × SOC)

电池老化 → 容量降 → SOC = "现在电荷 / 当前最大容量",不是标称容量:

S O C = \frac{Q r e main}{C a c t u a l}

其中 $C a c t u a l = C n o mina l \times S O H$ , $S O H$ (State of Health) 是另一个估算变量。

SOH 估算:

完整充放电循环量 (Coulomb)
内阻 $R 0$ 变化 (随老化上升)
ICA / DVA (Incremental Capacity / Differential Voltage Analysis)

实操: SOH 在 BMS 后台每 50-100 充放电循环更新一次,SOC 实时用最新 SOH。

7. 不同电池化学的 SOC 估算差异

不同化学体系 OCV 平台形态差异巨大 — LFP 的 3.2V 平台让 OCV 法在 20-90% 段几乎失效,LFP 必走库仑积分 + 边缘 OCV 校准:

电池	OCV 平台	SOC 估算难度	主流方法
NCA (Tesla)	单调,2.7-4.2V	中等	OCV + 库仑积分 + EKF
NCM (大多 EV)	单调,3.0-4.2V	中等	同上
LFP (BYD, 储能)	3.2V 平台 (20-90%)	难	库仑积分主,边缘 OCV 校准
LTO (储能)	单调	容易	OCV
LCO (消费)	单调	容易	OCV

LFP 专项技术:

DV/dQ (Differential Voltage) 找特征点
周期性强制 0% / 100% 校准
高精度库仑积分 (shunt 0.1% 精度)
充电曲线指纹识别

8. SOC 估算应用

8.1 续航预测

续航预测把 SOC × 容量 × 电压 / 实时功率直接得 km — 任一因子误差都体现为用户感知的"虚标":

续航 = S O C \times C a c t u a l \times V a v g / 驾驶功率

精度受 SOC + SOH + 实时功率影响。

8.2 充电终止

充电控制策略:

SOC = 80%: 切到恒压 (CV)
SOC = 100%: 充电终止
错误 SOC → 充不满或过充

8.3 放电下限

EV 通常保留 5-10% SOC 不让用户用:

SOC > 15%: 正常使用
SOC 5-15%: 限功率 + 警告
SOC < 5%: 关闭

SOC 误差 5% → 用户感受"虚标"。

8.4 均衡决策

见 topic-cell-balancing —— 均衡基于 SOC 差异。

9. 主流 BMS IC + SOC 算法

主流 BMS IC 内置算法分 2 阵营 — TI 走 Impedance Track 自研模型 / ADI / Maxim 走库仑积分 + ECM:

IC	厂家	集成 SOC 算法
BQ34Z100	TI	Impedance Track™(电阻轨迹算法)
BQ40Z80	TI	Coulomb Counting + ECM
LTC2944	ADI	Coulomb Counting
MAX17320	Maxim	ModelGauge™(模型驱动)
ATA6870	Microchip	Coulomb + OCV

实操: 主控 MCU (RH850 / S32K) 实现 EKF,BMS Slave IC 做电压/电流采样。

10. 工程陷阱 G1–G7

SOC 估算失败模式几乎都集中在"只信一种信号"和"忘记老化"两类根因。

G1 — 只用库仑积分,不做 OCV 校准 电流传感器 200 mA 偏置,100 Ah 包 8 h 放电后积累误差 = 0.2 × 8 / 100 = 1.6%,一周五驾次后 > 8%。修复: $∣ I ∣ < 0.5 A$ 持续 30 min 触发 OCV 校准,锚回 ±0.13%。

G2 — OCV 测量未等 RC 极化衰减 停车 5 min 后测 OCV,VC2(t=300s) = $7.68 \times e^{- 300/1000}$ = 5.68 V(1C 场景,包级),对应 NCM OCV 斜率 1440 mV/%，SOC 偏差 = 5.68 / 1440 ≈ 3.9%。1C 场景需等 ≥ 18 min 才能把 VC2 压到 < 1.87% 等效 SOC 误差——判"不插电 30 min 后才静置"极易漏标。

G3 — ECM 参数老化不更新 R0 随循环增大:初始 96 mΩ/包,EOL 可至 170 mΩ+。若参数固定为初始值,预测端电压 $\hat{V}$ 与实测 $V$ 系统性偏高,量测残差持续为负 → EKF 把残差误归 SOC 偏低 → SOC 漂移 3–5%。修复:每 50–100 循环跑离线 HPPC 重辨 ECM 参数。

G4 — LFP 用 NCM OCV 表 LFP 20–80% SOC 区 OCV 斜率 $H = \partial OCV / \partial SOC \approx 0.4$ –1.5 mV/%,比 NCM 的 12–15 mV/% 低 10× 以上。Kalman 增益 $K \propto H$ ; $H \to 0$ 时 $K \to 0$ ,EKF 退化为纯库仑积分——OCV 校准完全失效。若把 NCM OCV 表用于 LFP,校准方向还会反向拉偏。

G5 — SOH 衰减但 $Q_{n}$ 用出厂值 SOH = 75% 时实际容量 75 Ah,而积分分母仍用 100 Ah → 每安时积分缩小 25%,SOC 读数持续虚高 25%。电池显示 20% 时实际可能已空。修复:每 50–100 完整循环用放电法实测 $Q_{actual}$ 更新分母。

G6 — 初始协方差 P0 设置极端小 若认为初始 SOC 精确(如固件固化 $P 0 = 1 0^{- 6}$ ),Kalman 增益 $K = P p r e d / (P p r e d + R) \approx 0$ ,量测更新几乎不起作用,EKF 收敛时间 > 30 min 甚至发散。正确做法:冷启动时 $P 0 = (5%)^{2} = 0.0025$ ,让初始量测迅速拉回真值。

G7 — 快充电流超量程未检 200 μΩ 分流 + INA240A2 50 V/V 增益 + 3.3 V ADC 全量程对应 $3.3/ (50 \times 200 \times 1 0^{- 6}) = 330 A$ ;超 330 A 后 ADC 饱和截断。大功率 DC 快充峰值可达 350–400 A,饱和期间充入电量漏记 → 快充后 SOC 系统性低估。修复:软件检测 ADC 饱和标志位并报警,或选更小分流/更高量程运放。

11. 端到端 Worked Design — 400 V/100 Ah NCM 包 EKF SOC 估算

本节以与 SOC EKF 深度页一致的 96 串 1 并 NCM 包(400 V 标称,100 Ah)、主控 S32K344 + 从控 BQ76952 为平台,逐步推导 SOC 估算链的精度预算与参数选取。

Step 1 — HPPC 辨 ECM 参数(包级)

脉冲激励(0.5C × 10 s)辨识结果:

参数	值	来源
R0	96 mΩ	脉冲即时压降 / 100 A
R1	48 mΩ, $τ_{1} = 10 s$	快弛豫拟合
R2	76.8 mΩ, $τ_{2} = 1000 s$	慢弛豫拟合

单体折算:96 串 → 每值除以 96;R0/cell = 1 mΩ,R2/cell = 0.8 mΩ,与 EKF 深度页一致。

Step 2 — 电流测量精度

200 μΩ 分流 + INA240A2(50 V/V, $V_{os} \leq 2 mV$ ) + S32K344 12-bit ADC(3.3 V 满量程)。

等效电流误差: $ε_{I} = (V_{os} / G / R_{shunt})^{2} + (LSB /2/ G / R_{shunt})^{2}$

$V_{os}$ 项 = $2 mV / (50 \times 0.2 m Ω) = 200 mA$ ;ADC 量化半 LSB = $3.3 V /4096/2/ (50 \times 200 μ Ω) \approx 40 mA$

$ε_{I} \approx 20 0^{2} + 4 0^{2} \approx 204 mA$ ,取 ±240 mA(含温漂余量)

库仑积分 SOC 漂移率: $240 mA /100 Ah = 0.24%/ h$ ;8 h 最坏 ≈ 1.9%

Step 3 — OCV 初始化精度

BQ76952 ADC 精度 ±2 mV/cell;96 串累加标准差 = $2 mV \times 96 \approx 19.6 mV$ ,取 ±20 mV/cell(取最坏单列量)。

NCM OCV 斜率 $Δ OCV = 1440 mV$ per 100% SOC(中段近似线性)。

OCV 初始化 SOC 误差: $20 mV /1440 mV /% = \pm 0.014%$ ——极精准。

Step 4 — EKF 稳态精度

初始 $P 0 = (5%)^{2} = 0.0025$ ;过程噪声 $Q = (0.01%)^{2}$ (每步库仑积分随机误差);量测噪声 $R = (0.014%)^{2}$ (OCV ADC)。

稳态 Kalman 增益 $K \approx 0.15$ – $0.20$ ;量测更新每 OCV 校准点把误差压缩约 5×。

综合精度:SOH 及时更新时 ±2%;SOH 滞后 50 循环时 ±3–5%。

Step 5 — OCV 校准触发策略

触发条件: $∣ I ∣ < 0.5 A$ 持续 30 min(VC2 衰减 > 95%)。两次校准间最坏漂移 = 0.014%(OCV 误差) + 1.9%(8 h 库仑积分)≈ ±1.9%。符合整车 SOC 精度指标 ±3%。

12. 工作极限 C1–C3

C1 — -40°C 冷启动 锂电池内阻在 -40°C 约为室温 4×;R0(cold) ≈ 384 mΩ,R2(cold) ≈ 307 mΩ, $τ_{2}$ 可拉长到 5000 s+。固定室温 ECM 参数的 EKF 误差超 10%。修复:ECM 参数做成 2-D 查找表(SOC × 温度),低温下选温度对应行;冷启时 P0 放宽至 $(10%)^{2}$ 接受更大初始不确定性。

C2 — EOL SOH=75% 但 $Q_{n}$ 未更新 SOH=75% 时 $Q_{actual} = 75 Ah$ ;若积分仍按 100 Ah 为分母,SOC 读 0% 时实际可能剩余负能量(已过放)。极限场景:用户以为 SOC=20% 有 20 Ah 余量,实际余量仅 $(20% \times 75 Ah) - (100% - 75%) \times 100 Ah$ 校正前后差 25 Ah。修复:每完整循环比对放出容量,50 循环内必须刷新 $Q_{n}$ 。

C3 — 快充后立即测 OCV 1C 充电(100 A)停止后,包级 $V C 2 (t) = R 2 p a c k \times I \times e^{- t / τ_{2}} = 7.68 V \times e^{- t /1000}$ 。要使 OCV 误差 < 1.87%( $= 2.693 V$ 等效包级),需: $t \geq 1000 s \times ln (7.68/2.693) \approx 1048 s \approx 18 min$ 。2C 快充(200 A)时 $V C 2 ss = 15.36 V$ ,需等 ≥ 29 min。停车后过早触发 OCV 校准会引入比库仑积分更大的误差——必须检查 VC2 估计值 < 阈值再解锁 OCV 校准。

核心要点

SOC 不能直接测,只能估算——从 V/I/T 推内部状态。
4 种方法:库仑积分(基础)/ OCV(校准)/ EKF(融合,主流)/ ML(前沿)。
库仑积分漂移:200 mA 偏置 × 8 h = 1.9%;必须 OCV 周期校准锚回 ±0.014%。
OCV 校准需等极化衰减:1C 后 ≥ 18 min;2C 后 ≥ 29 min;否则 VC2 残差引入 ≥ 3.9% 偏差。
EKF 用 ECM ( $R 0 + R 1 ∥ C 1 + R 2 ∥ C 2$ ) + Kalman 融合;稳态 ±2%(SOH 及时更新)。
LFP 特殊:OCV 斜率 $H \to 0$ → Kalman 增益 $K \to 0$ → EKF 退化为纯积分;须专项处理。
SOH 老化补偿必做: $Q_{actual} = Q_{nominal} \times SOH$ ;50 循环内刷新分母。
综合精度目标 ±2%:OCV 初始化 ±0.014% + 8 h 积分漂移 ±1.9% + EKF 融合压误差。

Engineering Objects

引用此页的结构化 Engineeri…

引用此页的结构化 Engineering Object(v2.0 Copilot 自动生成,不要手动编辑此段)。

diagnostic · diagnostic_soc_ekf_estimation — SOC Estimation via EKF
mechanism · mechanism_coulomb_counting — Coulomb Counting (库仑积分)
mechanism · mechanism_ocv_soc_calibration — OCV-based SOC Calibration
metric · metric_soh — SOH — State of Health

Cross-references

← 索引
BMS 功能安全 — BMS 整体
电池均衡 — SOC 估算 → 均衡决策
SOC EKF 深度 — Kalman 滤波状态方程 / OCV 模型 / 调参 / 收敛性
HV 安全 — BMS 在 HV 系统中位置
电动汽车标准详解 — GB 38031 等