荷电状态 (SOC) 估算：原理、模型与应用

玻尔百科

核心要点

SOC 估算融合了短期电流积分（库仑计数）与无漂移的电压测量，以实现高精度。
卡尔曼滤波器是一种强大的算法，它能将预测性电池模型与传感器数据进行最优组合，以修正误差和不确定性。
非线性、温度效应、迟滯现象和传感器缺陷等现实挑战需要使用扩展卡尔曼滤波器 (EKF) 等更高级的估算器。
精确的 SOC 估算对于电池安全、电网储能的经济优化以及保护系统免受信息物理攻击至关重要。

引言

从智能手机到电动汽车和电网级储能，了解电池中还剩下多少能量几乎是所有现代技术的关键信息。然而，电池的荷电状态 (SOC) 是一种隐藏的内部状态，无法像油箱中的燃油液位那样直接测量。这就带来了一个重大挑战：我们必须通过电压和电流等间接且通常带有噪声的外部测量来推断这一至关重要的量。

本文深入探讨了 SOC 估算的艺术与科学。为了填补这一知识空白，本文首先探讨了用于跟踪电池电荷的基础方法和模型。在第一章“原理与机制”中，我们将剖析库仑计数等核心技术，分析开路电压 (OCV) 关系的重要性，并了解等效电路模型和强大的卡尔曼滤波器如何协同工作以创建鲁棒的估算。随后的“应用与跨学科联系”章节将拓宽视野，审视传感器故障和电池老化等更高级的挑战，并揭示 SOC 精度对热安全、经济优化和信息物理安全等不同领域的深远影响。

原理与机制

要理解我们如何估算电池的荷电状态 (SOC)，想象一下你拿到一个密封的水罐。你看不见里面，但你需要知道它有多满。你会怎么做？你最直观的第一个想法可能是 meticulous 地记日志。你从已知的水量开始，精确测量加入的每一滴水和取出的每一滴水。这本质上就是最简单的 SOC 估算方法，称为库仑计数。

会计师方法：库仑计数

电池储存电荷，以库仑为单位，就像我们的罐子存水一样。电流以安培为单位，就是每秒流过的电荷量。如果我们知道电池的总容量 $Q_{n}$ 和它的初始 SOC，比如说 $SOC(0)$ ，原则上我们就可以通过对流入流出的电流 $I(\tau)$ 进行积分，来得知之后任意时刻 $t$ 的 SOC：

SOC(t) = SOC(0) - \int_{0}^{t} \frac{\eta I(\tau)}{Q_{n}} d\tau

在这里， $\eta$ 是库仑效率，一个接近 1 的因子，用于解释微小的副反应，符号约定通常规定放电电流为正。这种方法是许多估算器的基础。它直接、简单，并且在短时间内效果很好。

但如果时间跨度是几天、几周或几个月呢？这个完美的记账系统有一个致命缺陷：它是一个“开环”过程。它从不回顾电池本身来检查其工作。想象一下，你的电流传感器有一个微小到几乎无法察觉的偏差——一个恒定的偏移误差，我们称之为 $b_I$ 。每秒钟，这个小误差都会累加到你的总数中。就像一只每天慢几分之一秒的钟，误差会无情地累积。久而久之，这种微小的漂移会导致估算的 SOC 出现巨大误差。纯粹的库仑计数就像仅靠指南针和手表穿越海洋；航向上的一个微小初始误差最终会让你偏离航线数英里。为了保持航向，你需要偶尔看看星星或太阳——你需要一个独立的参考点。

电池之窗：开路电压

对于电池来说，那个参考点就是它的电压。但不是任意电压。当电池在使用中——为你的手机或汽车供电时——其端电压是一个复杂、动态的量。其电荷最根本的指标是开路电压 (OCV)。这是当电池完全静置，没有电流流过，且所有内部过程都达到平衡时，其端子间的电压。

对于特定温度下的某种电池化学体系，OCV 与荷电状态之间存在一种稳定且唯一的关系。我们可以将其表示为一个函数， $V_{oc} = U(z)$ ，其中 $z$ 是 SOC。这条 OCV-SOC 曲线就像一个指纹，一张我们可以测量并储存在电池管理系统 (BMS) 中的特征图。通过测量 OCV，我们只需在图上查找对应的 SOC 即可。这似乎是解决库仑计数漂移问题的完美方案！

但是，就像任何好故事一样，这里也有一个陷阱。一旦有电流开始流动，端电压就不再是 OCV 了。由于所谓的过电位现象，测量的电压会偏离 OCV。你可以把它想象成电池做功时的内部阻力。当你给电池放电（电流流出）时，端电压会降到 OCV 以下。当你给它充电（电流流入）时，你必须施加一个高于 OCV 的端电压。

这种差异主要由两个因素造成：

欧姆内阻 ( $R_0$ )：一个与电流成正比的瞬时电压降，就像在一个简单的电阻器中一样。电压变化为 $-I R_0$ 。
极化：与电荷转移动力学和电极内离子扩散相关的更缓慢、动态的过程。我们可以用额外的元件来模拟这个过程，比如一个 RC 电路，它会产生一个极化电压 $v_p$ 。

所以，我们在任何给定时间实际能测量的电压，即端电压 $V(t)$ ，由这样一个方程给出：

V(t) = U(z(t)) - v_p(t) - R_0 I(t)

这个方程是现代 SOC 估算的关键。它告诉我们，我们在外部看到的电压是真实内部状态 ( $U(z)$ ) 与其正在做功所产生效应 ( $v_p$ 和 $R_0 I$ ) 的组合。要从端电压中找出 SOC，我们不能只使用简单的 OCV 图；我们必须首先计算并减去这些过电位。而要做到这一点，我们需要一个模型。

融合的艺术：模型与卡尔曼滤波器

等效电路模型 (ECM) 是一种绝妙的抽象，它用简单的电气元件组合来表示电池复杂的电化学过程：用一个电压源代表 OCV，一个电阻代表欧姆压降，以及一个或多个 RC 对代表极化动力学。有了这个模型，我们就可以预测任何给定 SOC 和电流下的端电压。

现在我们有了两个工具，但都不完美：

库仑计数：一个“过程模型”，预测 SOC 应该如何随时间变化。它在短期内表现很好，但会漂移。
电压测量 + ECM：一个“测量模型”，将 SOC 与测量的电压联系起来。它有噪声，依赖于我们模型的准确性，但提供了一个无漂移的参考。

问题变成了：我们如何融合这两个信息源，以获得比任何一个单独使用都更好的估算？答案在于现代工程学中最优雅、最强大的算法之一：卡尔曼滤波器。

卡尔曼滤波器是一个递归算法，它以“预测”和“更新”两步舞的形式运行。

预测：滤波器使用过程模型（库仑计数）来预测下一个时间步的 SOC 将是多少。在进行此操作时，它还估算其预测的不确定性增长了多少。
更新：滤波器获取一个新的测量值（端电压）。它使用测量模型 (ECM) 来计算基于其预测，它预期会看到的电压。实际测量值与预期测量值之间的差异就是“新息”或“意外”。如果意外很大，那么预测很可能出错了。然后，滤波器利用这个意外来修正其预测的 SOC，从而创建一个更新的、更准确的后验估算。

卡尔曼滤波器的神奇之处在于它修正其估算的程度。这由卡尔曼增益决定，这是滤波器在每一步都会计算的一个数值。增益代表了在预测和测量之间信任度的平衡。如果过程噪声 ( $Q_d$ ) 很高，意味着我们不太信任我们模型的预测，那么滤波器会计算出一个更高的增益，更多地加权新的测量值。相反，如果测量噪声 ( $R$ ) 很高，意味着我们的电压传感器不可靠，滤波器会计算出一个较低的增益，更多地相信自己的预测，而较少受噪声测量的影响。通过这种方式，卡尔曼滤波器持续且最优地权衡证据，以产生对 SOC 的最佳估算，从而优雅地驯服了纯库仑计数的漂移。

走向现实世界：驯服复杂性的恶魔

我们的故事还不完整。真实的电池还隐藏着更多复杂性，高保真度的 BMS 必须应对。

非线性与扩展卡尔曼滤波器

OCV 和 SOC 之间的关系，即函数 $U(z)$ ，很少是一条直线。许多电池化学体系，如磷酸铁锂 (LFP)，在中间 SOC 区间具有非常平坦的 OCV 曲线。在这些平坦区域，SOC 的巨大变化仅导致 OCV 的微小变化。这意味着 OCV 对 SOC 的灵敏度，由导数 $\frac{dU}{dz}$ 给出，非常低，使得电压成为一个糟糕的电荷指标。

因为模型不再是线性的，标准的卡尔曼滤波器将无法工作。我们必须求助于它更复杂的表亲，扩展卡尔曼滤波器 (EKF)。EKF 通过在每个时间步对模型进行线性近似来处理非线性，使用微积分（特别是雅可比矩阵）来找到函数的局部斜率。测量雅可比矩阵 $H_k$ 直接包含了 OCV 斜率 $\frac{dU}{dz}$ ，从而自动告诉滤波器在当前 SOC 下，电压测量包含了多少信息。

迟滞现象：电池的记忆

对于某些化学体系，OCV-SOC 曲线甚至不是一条单一的线。达到 50% SOC 时的电压，会因为你是通过充电还是放电达到该状态而有所不同。这种路径依赖性被称为迟滞 [@problemid:3934033]。充电 OCV 曲线通常高于放电曲线。如果 BMS 使用平均曲线而忽略迟滞现象，它将在充电后系统性地高估 SOC，在放电后低估 SOC。此外，这个电压差是能量损失的直接来源。因为在相同的 SOC 窗口内，你必须以比放电时更高的电压充电，所以一个往返循环总是会损失能量，即使在零电阻的理想电池中也是如此。迟滞现象揭示了一种根本性的热力学效率低下。

温度：普适的影响

最后，电池是一种化学装置，其行为深受温度的影响。我们等效电路模型中的所有参数——OCV 函数 $U(z)$ 、电阻、电容——都会随温度变化。在 25°C 下创建的 OCV 图谱，如果电池在 0°C 或 40°C 下运行，就会不正确。忽略这种依赖性将给 SOC 估算带来显著的偏差。因此，一个鲁棒的 BMS 必须测量温度，并使用明确考虑其影响的模型，通常是通过为其参数使用多维查找表。

归根结底，估算荷电状态是一场发现之旅。它始于简单的计数理念，直面现实世界的局限，最终 culminate 在模型与测量的复杂融合中。这是一个美丽的例子，说明了像卡尔曼滤波器这样的数学工具如何让我们能够从嘈杂、不完整的数据中提炼出隐藏状态的清晰图像，将一个密封、神秘的罐子变成一个可预测且可靠的动力源。

应用与跨学科联系

乍一看，了解电池的荷电状态 (SOC) 似乎就像看汽车的油量表一样简单。它告诉你还剩下多少“电”。但如果我们揭开表象，就会发现这个看似简单的数字是通往一个充满深刻科学和工程挑战世界的大门。追求准确、可靠和安全的 SOC 估算不仅仅是为了方便；它是一项至关重要的探索，位于物理学、统计学、控制理论、热工程、经济学乃至网络安全的交叉点。在理解了我们如何尝试测量 SOC 的原理之后，现在让我们踏上征程，看看为什么它如此重要，以及现实世界的不完美如何迫使我们变得更加聪明。

不完美世界中的估算艺术

估算器有点像一个侦探，试图用不可靠的目击者和不完整的地图来破案。“真相”是电极中锂的实际数量，但我们无法直接看到。我们必须根据间接证据——电压和电流——来推断，而我们侦探的“地图”就是电池的数学模型。问题在于，目击者和地图都有缺陷。

当地图出错时：模型的保真度与辨识度

我们可以用简单的等效电路模型 (ECM) 来模拟电池，这就像一张城市的粗略草图；或者用高保真度的伪二维 (P2D) 模型，这就像一张捕捉到每条街道交通流量的详细卫星地图。P2D 模型植根于电化学的深层物理学，显然看起来更好。它解释了锂离子如何在电极的固体颗粒中扩散，这个过程的时间尺度比 ECM 捕捉到的更快的电学动态要慢得多。

但更复杂的地图并不总是更有用，尤其是当它的许多细节都很模糊时。P2D 模型有大量的物理参数——扩散系数、反应速率常数等等——这些都极难精确测量。电池电压的变化可能是由于 SOC 的变化，也可能是由于这些其他不确定参数之一的变化。这就是可辨識性问题。如果参数的不同组合产生几乎相同的输出，我们怎么能确定哪一个是正确的呢？

为了真正信任和区分这些模型，我们必须成为实验主义者。我们不能只在单一条件下观察电池，比如简单的放电。我们必须审问它，用精心设计的电信号向它提出巧妙的问题。通过用不同频率的正弦波“鸡尾酒”外加大的电流脉冲来激励电池，我们可以探测它在所有相关时间尺度上的行为——从快速的电响应到缓慢的扩散过程。只有通过分析对这种丰富激励的响应，我们才有希望解开相关的效应，并确定哪种模型为 SOC 估算提供了更忠实的现实表征。

当目击者说谎时：对传感器缺陷的鲁棒性

即使有完美的地图，我们的侦探也必须与不可靠的目击者——电压和电流传感器——打交道。它们的证词总是被一些随机噪声所污染，标准的卡尔曼滤波器通过假设噪声行为良好（准确地说是高斯分布）来完美处理。但是当传感器出现“故障”并瞬间报告一个完全错误的值时会发生什么？这是一个异常值，对标准滤波器来说，这是一场灾难性事件。滤波器过于相信测量值，可能会被猛烈地带偏轨道。

一个更聪明的侦探会学会保持怀疑。我们可以构建一个滤波器，它能预料到目击者偶尔的“大喊大叫”，而不是假设噪声总是温和的。这可以通过不用简单的钟形曲线来建模测量噪声，而是用像学生 t 分布这样的“重尾”分布来实现，该分布明确地为罕见的大误差赋予了更高的概率。

或者，我们可以修改滤波器更新规则的核心。在粒子滤波器中，每个“粒子”都是关于真实状态的一个假设。每个假设的权重根据它预测测量值的效果来更新。在标准滤波器中，一个大的误差（残差）会导致一个指数级微小的权重，从而有效地扼杀掉好的假设。我们可以通过用更温和的东西，比如 Huber 損失函數，来代替对误差的二次惩罚，使这个过程更具鲁棒性。这个函数对小的、预期的误差表现为二次惩罚，但对大的误差切换为线性惩罚。它听取证词的核心内容，但优雅地忽略掉无意义的叫喊。这使得滤波器能够经受住传感器故障的风暴，并保持一个更准确、更稳定的估算。要使其自适应地工作，关键在于使用鲁棒的统计数据，如中位数绝对偏差 (MAD)，来实时估算“正常”的噪声水平，以设定构成异常值的阈值。

除了瞬时故障，传感器还可能遭受系统性误差：一个恒定的偏差（总是读数偏高一点）和一个时变的漂移（像一只慢慢走慢的钟）。忽略这些是灾难的根源，因为 SOC 误差会无情地累积。真正优雅的解决方案不是预处理数据，而是拥抱不完美。我们可以擴展我们对系统“状态”的定义。状态不再仅仅是 SOC 和内部电压；它现在还包括传感器的漂移。我们将漂移本身建模为一个根据随机游走演变的状态，承认我们不知道它将如何精确变化，只知道它可能会缓慢变化。通过将传感器的缺陷融入状态空间模型，我们可以与电池的物理状态同时估算它们，从而使滤波器能够持续地校准自己的传感器。

自我感知的估算器：适应变化

我们侦探故事的最后一个挑战是犯罪现场本身在不断变化。电池的行为对温度极其敏感。一个在 25°C 下完美工作的模型，在一次将电池组加热到 45°C 的快速充电过程中可能会变得毫无用处。一个固执地坚持其初始假设的估算器将很快与现实脱节。

一个真正先进的估算器必须具备一种自我感知的能力。它必须不断监控自身的性能。关键指标是新息：传感器实际测量值与滤波器预测会测量到的值之间的差异。当模型良好时，新息是微小且随机的。当模型与现实不匹配时——比如说，由于温度变化——新息将会增长并变得系统化。

通过观察自身新息的统计数据，滤波器可以诊断出问题。当它检测到日益增长的不匹配时，它可以通过增加自身对其模型的不确定性来适应。在卡尔曼滤波器中，这意味着增加过程噪声协方差 $Q_d$ 。这告诉滤波器：“我的地图现在不可靠；我需要更多地依赖我的测量。”这种自适应调整使滤波器即使在瞬态事件中也能保持稳定和准确，有效地实时从其错误中“学习”，以驾驭电池物理特性不断变化的景观。这一原则不仅可以应用于卡尔曼滤波器，还可以应用于更先进的估算器，如无迹卡尔曼滤波器 (UKF)，它使用一种称为无迹变换的巧妙确定性采样方案来处理非线性而无需线性化；以及移动时域估计 (MHE)，它在最近的数据窗口上解决一个完整的优化问题，使其能够明确地强制执行硬性物理约束，如 $0 \le \mathrm{SOC} \le 1$ 。

池中涟漪：跨学科联系

追求完美的 SOC 估算并非孤立的学术活动。这单一数字的质量在广阔而多样的领域中泛起涟漪，对安全、经济和安保产生宏大规模的影响。

关键时刻的热量：热管理与安全

电池是能量与熵的精妙舞蹈。它在运行时会产生热量。其中一部分是不可逆的焦耳热 ( $I^2 R$ )，但很大一部分是可逆的熵热，它可以被产生或吸收，取决于电流方向，以及至关重要的 SOC。这个热项的公式， $q_{\mathrm{rev}} = I \cdot T \cdot (\partial V_{\mathrm{oc}} / \partial T)$ ，通过熵系数 $\partial V_{\mathrm{oc}} / \partial T$ 直接与 SOC 相关。

如果我们的 SOC 估算错误，我们对这个可逆热的计算就会错误。这可不是小事。热量计算的错误意味着电池的热管理系统，可能使用复杂的计算流体动力学 (CFD) 进行设计，正在使用错误的信息工作。它可能预测电池会保持凉爽，而事实上，一个热点正在形成。这个单点故障——一个 SOC 估算错误——可以贯穿整个系统传播，危及整个电池组的安全，可能增加热失控的风险。这在估算理论和热工程之间建立了至关重要的联系。

十亿美元的计算：电网规模的优化

想象一家电力公司运营着一个建筑物大小的电池储能系统。他们的目标是通过在电价便宜时（夜间）从电网购电，并在电价昂贵时（晚间高峰期）卖回电网来最大化利润。这需要解决一个巨大的优化问题，以安排电池未来一天的充放电周期。

这个高层次的经济决策框架，通常是一个混合整数线性规划 (MILP)，需要一个电池模型。但它无法处理完整、混乱、非线性的物理过程。因此，这里的艺术是创建一个简化的、线性化的电池行为表示，同时仍然足够准确以具有意义。这涉及到复杂的数学技术，其中电池的 SOC 依赖电压和电阻曲线被分段线性函数近似。出现的双线性项（如电流乘以状态相关的电阻）通过凸包络（如 McCormick 松弛）进行松弛。这个过程产生了一个权衡：更粗糙的近似导致求解速度更快但优化结果较不准确，而更精细的近似更准确但计算要求更高。SOC 估算和建模的准确性直接转化为电网规模储能的效率和盈利能力，将单个电池的物理特性与整个电网的经济学联系起来。

机器中的幽灵：信息物理安全

在我们这个互联的世界里，我们不仅要担心自然界的随机缺陷，还要担心攻击者的蓄意恶意。电池管理系统是一个信息物理系统——它的软件做出的决策会影响一个物理对象。如果一个攻击者能够入侵电流传感器，向 BMS 输送一连串伪造的数据，会怎么样？

通过向电流测量中注入一个微小但貌似合理的偏差 $\Delta I$ ，攻击者可以让 SOC 估算器的库仑计数部分偏离真相。在一个时间范围 $T$ 内，这可能导致一个 SOC 误差增长到 $|\Delta I| \cdot T / Q_{\mathrm{nom}}$ 之大。攻击者可以欺骗 BMS 认为一个满的电池是空的，导致关键系统关闭；或者欺骗它对电池过度充电，导致永久性损坏和严重的安全隐患。突然之间，SOC 估算的问题不再仅仅是准确性；它关乎安全性和弹性。BMS 及其估算算法的设计成为我们关键能源基础设施防御的前线。

从单个锂离子的静默运作，到繁忙的能源市场和网络安全的阴影世界，荷电状态是一条将一切联系在一起的线索。那个看似简单的“还剩多少电？”的问题，迫使我们直面建模、估算和控制领域中最深刻的挑战，提醒我们，在科学和工程中，最简单的问题往往引出最美丽、最相互关联的答案。