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

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:

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

参数:

$SOC (0)$ = 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 $Δ SOC$ 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）	$SO C_{p re d} = SO C_{p re v} + (I \cdot d t) / C n$ ； $Pp re d = Pp re v + Q$ （协方差预测）
2. 测量（OCV，经 ECM 等效电路）	$V p re d = OC V (SO C_{p re d}) - I \cdot R in t er na l$
3. 修正（Kalman gain）	$K = Pp re d / (Pp re d + R)$ ； $SO C_{corr} = SO C_{p re d} + K (Vm e a s - V p re d)$

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_{SOC} (t) = t \cdot \frac{σ _{I}}{C n}

实例: 100 Ah 电池, $σ_{I}$ = 50mA → 1 hr 累积 $σ_{SOC}$ ≈ 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) = OC V (SOC) - 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 $R 0, R 1, C 1, R 2, C 2, OC V (SOC)$ :

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 → $SO C_{OC V}$ ；若 $∥ SO C_{CC} - SO C_{OC V} ∥ > 3%$ 则强制校准
Layer 3 EKF 融合	实时 V/I/T 输入 → ECM 模型预测 $V p re d$ → 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:

SOC = \frac{Q re main}{C a c t u a l}

其中 $C a c t u a l = C n o mina l \times SO H$ , $SO H$ (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 = SOC \times C a c t u a l \times Va vg / 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. 5 个常见陷阱

SOC 估算 失败模式集中在 5 个反复出现的坑:

陷阱	描述	预防
仅用库仑积分	1 周后误差 8%	OCV 周期校准必做
OCV 测量未静置	电池内阻造成偏置	$
EKF 参数离线	ECM 参数老化后不更新	周期重测 HPPC
LFP 用 NCA 算法	OCV 平台导致 SOC 跳	LFP 专项算法
SOH 不更新	老化后 SOC 偏	每 100 循环更新 SOH

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)。
库仑积分误差累积:1 周累积 8% → 必须 OCV 校准。
OCV 表查 SOC 需要静置 30 min+;LFP OCV 平台特殊处理。
EKF 用 ECM 等效电路 ( $R 0 + R 1// C 1 + R 2// C 2$ ) + Kalman 滤波。
实操精度 ±2-3%——3 种方法组合:库仑积分主 + OCV 校准 + EKF 融合。
SOH 老化补偿 必做——SOC = Q_remain / C_actual。
LFP 电池 SOC 估算最难——OCV 在 20-90% SOC 区平坦。

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