做电池SOC估计的人基本都绕不开一个问题模型建得不够准滤波算法再花哨也白搭。我早几年用整数阶等效电路模型配合扩展卡尔曼滤波EKF的时候经常被低温和动态工况下的误差搞到头大——明明OCV曲线拟合得好好的跑一圈工况下来SOC误差还是能飘到5%以上。后来开始接触分数阶模型和自适应无迹卡尔曼滤波才慢慢把误差压下来。今天要聊的这个项目标题是“基于FOMIAUKF、分数阶模块、模型估计、多新息系数的电池SOC估计研究”核心就是把分数阶等效电路模型和一种叫FOMIAUKF分数阶多新息自适应无迹卡尔曼滤波的估计算法搭在一起在Matlab里做仿真验证。如果你正在做BMS算法、电池状态估计或者单纯对非线性滤波怎么落地电池场景感兴趣这篇笔记会把你从原理到代码实现再到排坑走一遍。先说明一点这套方案并不是花架子。FOMIAUKF拆开看是无迹卡尔曼滤波UKF打底融合了自适应噪声调节A和多新息MI两个改进点再嵌到分数阶模型上。相比传统整数阶模型单新息滤波的组合它在模型拟合能力和信息利用效率上都有实质提升实测下来SOC估计的均方根误差能降低30%左右尤其在大倍率脉冲和动态工况下改善更明显。下面按我的调试顺序讲讲从模型选型到代码实现哪些坑值得你绕开。1. SOC估算这条路为什么偏偏是分数阶加FOMIAUKF1.1 整数阶模型的瓶颈在哪里做电池SOC估计的人对等效电路模型都不陌生Thevenin模型、二阶RC模型、PNGV模型本质都是拿整数阶电阻电容搭电路去逼近电池的动态响应。这类模型在稳态和中小电流工况下表现尚可但一旦电流剧烈变化或者温度偏低电化学极化、浓差极化的响应会变得非常“拖沓”这就超出整数阶RC网络能描述的范围了。拿二阶RC模型举例它假设电池的极化过程可以用两个时间常数固定的RC回路表达。可电化学过程的实际阻抗谱在频域里往往是一条斜线而不是几个标准的半圆说明弛豫过程并非指数衰减而是带有“记忆性”的分数阶行为。用整数阶RC网络去硬拟合只能增加RC节数模型参数变多辨识反而更不稳定。我之前做过对比同一个电池在不同倍率下用二阶RC模型离线辨识时间常数可以差出2倍以上。原因就在于极化效应的等效时间常数本身是跟随状态变化的单一整数阶结构很难同时覆盖宽倍率范围。这也是分数阶模型进入视野的根本原因它的分数阶电容元件的阻抗表达式里自带一个阶次参数α天然可以描述介于纯电阻和纯电容之间的中间状态贴近电化学中半无限扩散的特征。1.2 分数阶模块到底改了什么分数阶模块的核心替换是把等效电路里的整数阶电容C换成常相位角元件CPE。CPE的阻抗表达式是Z 1 / (Cα * (jω)^α)其中α是分数阶阶次取值范围通常在0到1之间。当α接近1时它接近纯电容接近0时接近纯电阻这正好给建模增加了一个“可调标度”。在状态空间模型里分数阶带来的变化是微分方程从整数阶变成了分数阶。比如对电池极化电压原来的状态方程是dV/dt ...现在变成d^αV/dt^α ...。离散化的时候常用Grünwald-LetnikovGL定义它会把过去所有时刻的状态值以加权形式叠加进来记忆长度越长结果越准但计算量也越大。这也是为什么分数阶模型能“用更少的结构描述更宽的频域行为”——它相当于给模型增加了一个连续可调的动态阶次让模型在复杂工况下的适应能力大幅提升。实测在相同的模型复杂度下分数阶模型的电压拟合误差通常比整数阶二阶RC模型低40%左右尤其脉冲充电、低温放电这类场景优势非常明显。但与此同时引入分数阶也让滤波算法变得麻烦。整数阶模型能直接用标准卡尔曼滤波框架分数阶模型的状态预测公式里带着历史状态加权项更新方程变得非标准。这就是需要FOMIAUKF这类专用滤波器的原因不能拿通用的无迹卡尔曼滤波直接套。2. FOMIAUKF的核心设计从UKF到AUKF再到多新息2.1 无迹卡尔曼滤波UKF解决的是什么问题EKF在电池SOC估计里被广泛使用因为它对线性化误差还能接受。但EKF需要求Jacobian矩阵电池模型的强非线性导致一阶线性化误差偏大尤其在OCV-SOC曲线平缓区域和突变区域误差传播会比较严重。UKF的思路完全不同它不再做线性化而是通过无迹变换UT选取一组Sigma点让这组点经过非线性函数传播后用加权统计的方法逼近真实状态的后验均值和协方差。对电池这种非线性强度适中的系统来说UKF在相近的计算量下能够获得二阶精度比EKF的一阶精度高一个档次。在实现UKF时Sigma点的构造参数需要仔细调。比例对称采样里面有三个关键参数α决定Sigma点散布程度、β先验分布信息、κ辅助缩放因子。我常用的取值是α0.01、β2、κ0这个组合对高斯分布状态有比较好的数值稳定性。采样后状态均值和协方差的计算都通过权重进行不需要求任何导数。2.2 自适应AUKF如何应对噪声不确定性标准UKF对系统噪声和观测噪声的协方差矩阵Q、R是“死”的一旦初始设定不准滤波过程就会慢慢偏掉这在电池实际使用中几乎必然发生。电池内部状态、温度、老化程度都会让噪声特性漂移固定Q/R很容易导致SOC估计在长时间运行后出现偏差累积。自适应AUKF的做法是通过实时估计新息序列的统计特性来调整Q和R。简单说观测新息ek yk - ŷk是滤波残差如果模型准确、噪声匹配新息应该满足零均值且协方差与R一致。当实际新息协方差变大说明噪声变大或者模型失配这时AUKF会放大相应的噪声协方差避免滤波器过度相信模型或过度相信测量。Sage-Husa自适应滤波是常见的实现路径核心公式是对新息协方差做递推估计。实现的时候需要注意直接对Q、R同时做在线自适应很容易出现“耦合发散”即Q和R交替增大导致滤波崩溃。我的经验是优先自适应RQ按经验设定并在电压误差过大时才小步调整这样稳定性好很多。2.3 多新息系数究竟带来了什么提升多新息这个改进点是FOMIAUKF里相对容易被低估的部分。传统卡尔曼滤波每次只用当前时刻的新息ek去修正状态相当于每步只看到一条观测信息。多新息方法则把最近L个时刻的新息组成一个新息向量E_k [e_k, e_{k-1}, ..., e_{k-L1}]^T滤波器在更新时使用的是这个向量增益计算也相应变成矩阵形式。这样做的效果是在某些观测信息量不足的时刻过去L步的信息仍然能参与状态修正相当于给滤波“增加了记忆”。实际效果如何呢我做过对比单新息UKF在SOC初始误差10%的情况下误差收敛到1%以内大约需要400秒加入多新息L5后收敛时间缩短到250秒左右。原因是多新息结构让滤波器更快地“纠正”错误趋势不会因为单次异常观测被带偏太多。多新息系数指的就是对历史新息的加权衰减。理论上距离当前时刻越远的新息应该赋予越低的权重因为系统中的噪声会导致旧信息逐渐“过时”。我常用的方式是令权重系数λ^i呈指数衰减衰减因子取0.9到0.95之间。注意窗口长度L和衰减因子必须配合着调如果L过大但衰减太慢反而会把旧时刻的噪声引入当前更新导致精度下降。3. 模型估计与参数辨识先把底子打扎实3.1 电池分数阶模型的结构与状态方程我在项目中采用的分数阶模型是在二阶RC等效电路的基础上做了两处修改第一把两个极化电容替换为CPE元件第二在状态方程中引入分数阶微分。模型结构大概是开路电压源Uocv、欧姆内阻R0、以及两组“电阻加CPE”的极化网络串联。极化网络一R1//CPE1用于描述电化学极化响应较快极化网络二R2//CPE2用于描述浓差极化响应较慢。两个阶次α1、α2分别对应两个网络理论上α1更接近1α2更小表示浓差极化具有更明显的分数阶扩散特征。状态方程写出来是这样D^α1 V1 -V1/(R1C1) I/C1 D^α2 V2 -V2/(R2C2) I/C2 SOC更新还是经典安时积分dSOC/dt -ηI/Qn需要说明的是D^α表示分数阶导数。实现离散化时GL定义可以写成D^α x(k) ≈ (1/Ts^α) * Σ_{j0}^{k} (-1)^j * C(α, j) * x(k-j)其中C(α, j)是广义二项式系数这个公式的含义是当前时刻的分数阶导数值依赖从当前到过去所有时刻的加权状态。代码实现时通常限制求和项数比如取最近30到50个采样点再往后权重已经很小可以截断而不明显影响精度。3.2 参数辨识流程与阶次确定的经验参数辨识这块我用的是离线加在线结合的思路。离线阶段先在实验室做HPPC测试得到电压电流数据用遗传算法或非线性最小二乘去拟合模型参数包括R0、R1、R2、C1、C2、α1、α2。这里有个容易踩的坑同时辨识七个参数算法很容易陷入局部最优而且R和C的乘积时间常数与阶次α之间存在较强的耦合关系。比如R1和C1同时变化但乘积不变时电压响应几乎一致这会导致辨识结果不唯一。解决方法是分步辨识。先估算R0它是电流突变瞬间电压跳变的幅值除以电流变化量这个可以在HPPC脉冲边沿直接算出来然后固定R0辨识极化网络的参数。对于阶次α建议不要盲目让优化算法自由搜索而是先扫描α1和α2在一个网格上的误差曲面通常可以看到明显的极小值区域把这个区域作为搜索约束。从我的数据来看常温下磷酸铁锂电池的α1一般在0.85到0.95之间α2在0.6到0.8之间。温度降低时两个阶次都会下降意味着电池动态行为向“更容积”的方向偏移。如果某个数据集拟合出来的α接近0.2基本可以认为数据质量有问题或者模型结构不匹配不要硬用。在线阶段我采用带遗忘因子的递推最小二乘对欧姆内阻和开路电压进行慢时变跟踪极化参数和阶次则离线整定好作为固定值。这样既保证了模型对老化的适应又避免了高维在线辨识的不稳定。3.3 SOC-OCV曲线拟合的预处理细节SOC估计里OCV-SOC映射的准确性直接影响滤波算法的观测方程。这里有个容易忽略的细节充放电两个方向的OCV曲线并不完全重合存在迟滞电压。如果直接用两方向平均曲线迟滞严重时估计误差会明显增大。我的做法是分方向拟合放电阶段用放电OCV曲线充电阶段用充电OCV曲线切换方向时在滤波器的观测噪声R上临时加大一点减轻模型跳变对滤波的冲击。这个细节做与不做在充放电切换后的几十秒内SOC误差能差到1%以上。拟合OCV-SOC曲线时不建议用高次多项式直接拟合全部区间。低SOC区间0到20%和中间SOC区间20%到80%的曲线曲率差异很大高次多项式容易在两端出现龙格现象。我通常分段拟合用5次多项式加样条校正或者直接查表加线性插值查表法在工程上反而更稳。4. Matlab实现架构与核心代码逻辑4.1 模块划分与主流程Matlab代码实现这块我按模块划分来组织方便调试和复现。完整工程目录大致如下data存放实验工况数据电流、电压、温度、参考SOCmodel分数阶电池模型函数包含OCV映射、状态方程离散化filterFOMIAUKF滤波器核心代码utils公共函数如GL分数阶差分计算、Sigma点生成main主脚本负责数据加载、参数初始化和循环滤波visual绘图脚本输出SOC估计对比图、误差图、电压残差图主流程比较直观加载工况数据初始化SOC状态和协方差在主循环中依次调用FOMIAUKF的预测步、更新步、自适应噪声更新同时把每步的SOC估计值、电压估计值、协方差记录下来最后对比参考SOC计算误差指标。4.2 FOMIAUKF核心步骤的实现要点FOMIAUKF的预测步和标准UKF类似差别在于状态方程里要计算分数阶的历史记忆项。我在实现时把分数阶状态预测拆成两部分一部分是当前输入电流驱动的增量另一部分是历史状态加权项的累积。核心代码逻辑如下% 计算分数阶状态预测 % state_hist: 历史状态向量集合长度为 L_mem % alpha: 分数阶阶次向量 [alpha1; alpha2] % Ts: 采样时间 mem zeros(length(x), 1); for j 1:min(k, L_mem) coeff gl_coeff(alpha, j, Ts); mem mem coeff .* state_hist(:, end-j1); end x_pred x mem Ts^alpha .* f_current(x, I);这里的gl_coeff函数计算GL定义中的二项式系数注意alpha是向量时对应不同状态维度需要分别计算。预测协方差更新时因为状态转移包含历史项的协方差传播一个实用做法是把记忆项视为确定性输入直接叠加到Sigma点传播结果中这样实现简单且实测稳定。滤波更新步中多新息的处理是关键。传统UKF的更新使用单新息多新息版本需要将最近L步的观测残差组成增广向量同时把增益矩阵的维度扩展。实现时并不复杂关键是维护一个新息缓存队列每次滤波后把当前新息推入队列丢弃最旧的新息。% 多新息构造 innov_cache [innov, e_k]; % 缓存最近L个新息 if size(innov_cache, 2) L innov_cache innov_cache(:, end-L1:end); end innov_vec innov_cache; % 维度: [1 x L] % 多新息增益计算 K_mi Pxy * innov_vec / (S_y R_sum);自适应Q/R的部分我放在更新步之后。利用整个多新息向量计算经验协方差再去修正R矩阵。这里加了个判断只有当经验协方差与理论协方差的偏差超过一定阈值时才调整R防止高频微调导致滤波抖动。4.3 关键参数设置参考参数设置是决定滤波效果最关键的一步。我用表格整理一下常用初始值方便大家对照参考。参数含义初值/范围Ts采样周期0.1sSOC0SOC初始估计0.9可设为其他值测试收敛性P0初始状态协方差diag([1e-4, 1e-4, 1e-2])Q过程噪声协方差diag([1e-6, 1e-6, 1e-8])R观测噪声方差1e-4到1e-3自适应时初始1e-4α_ukfSigma点尺度参数0.01L多新息窗口长度5到8λ多新息衰减因子0.92到0.95L_mem分数阶记忆长度30到50步α1, α2分数阶阶次0.9, 0.7左右这里特别提醒两点第一P0不要设得过大有些文章建议大P0加快收敛但分数阶模型的历史记忆会让初始误差的传播路径更复杂P0过大容易引发前几十步的振荡第二多新息窗口L超过10后计算量上升明显但精度提升趋缓我测下来L5时精度收益最大再往上增加L主要是锦上添花还会让代码调试时内存和时间的开销变大。5. 常见问题与排查技巧实录5.1 滤波发散或振荡怎么办如果你跑出来的SOC估计曲线出现中高频振荡或者干脆直接发散到负值我建议按顺序排查三件事。第一检查观测噪声R是否过小。R设得越小滤波器越信任电压测量但电压测量里混杂的高频噪声会被直接放大到SOC估计里面表现为振荡。第二检查模型参数是否自洽。分数阶模型有一个很隐蔽的坑OCV-SOC斜率在中间区间很小这意味着观测方程对SOC的灵敏度低如果此时R还很小SOC修正量会被电压误差小但斜率小放大产生抖振。第三关闭自适应和多新息退回标准UKF看问题是否消失。这样可以定位是基础滤波问题还是改进模块引入的问题。我遇到过一种经典情况自适应R模块单独跑没问题但和多新息一起跑就崩。原因在于多新息向量改变了新息协方差的量纲和尺度而自适应模块没有同步调整判断阈值。解决办法是对新息协方差的估计做归一化处理。5.2 分数阶阶次辨识结果不稳定阶次α辨识不稳定通常和实验数据的信息量有关。HPPC测试如果只在单一SOC点做辨识出的α只能反映局部状态换一个SOC点可能就变了。建议至少选取三个SOC点如20%、50%、80%分别辨识取平均值作为模型参数。另一个坑是数据时间长度对α的辨识影响很大。GL定义里分数阶微分天然依赖历史数据如果实验数据从某个时刻才开始采集起始段的历史缺失会让分数阶项的前几步计算产生偏差。实际操作时我会在正式的辨识数据前面加一段预运行时间让分数阶记忆项“热身”完毕再开始采样这样辨识出来的α更稳定。5.3 提升了多新息窗口但误差反而变大这是很多刚开始接触多新息的人会遇到的困惑。窗口L增大理论上信息量增加误差应该下降但实际中如果把L拉到20以上误差往往不降反升。原因在于多新息向量里的历史残差被重复利用了多次。当系统本身就存在模型失配时旧残差里包含的不是有效信息而是模型偏差窗口越大这种偏差被放大的越多。我建议把多新息窗口L控制在一个合理的区间同时配合衰减因子λ使用。一个比较稳妥的经验值是L不超过10λ不低于0.9。如果L10时误差反而比L5大优先检查是不是模型参数离线辨识得不够准。5.4 仿真运行太慢如何加速分数阶模型的记忆项计算是性能瓶颈。如果按GL定义每个采样点都遍历全部历史状态跑完整段工况会非常慢。加速方法有两个方向。第一个方向是截断。MMD多步记忆截断到50步以内权重低于阈值的直接舍弃。第二个方向是采用近似递推——对分数阶项做子空间近似把无限记忆压缩成有限维反馈形式。后者实现复杂但对于长期在线应用更实用。我在Matlab仿真阶段用截断法就够把记忆长度从全历史截断到40步精度损失不到0.2%速度提升10倍以上。5.5 哪些工况容易让误差突然变大即使模型和算法都调试好了仍有一些边界工况容易让SOC估计短暂恶化。一种是极低温工况电池内阻和极化特性变化剧烈离线辨识的固定参数失配另一种是持续大电流脉冲电压响应进入非线性区。遇到这种情况我不建议强行靠滤波算法去扛而是适当增大观测噪声R让滤波器对当前置信度降低同时依赖安时积分的短期可靠性等工况恢复后再让滤波器重新收敛。6. 实验对比与个人实操体会6.1 不同算法组合的效果对比我在某高校的电池测试平台上做过一组对比实验用同一套磷酸铁锂电芯数据对比EKF、标准UKF、AUKF、FOMIAUKF四种方案的SOC估计效果。工况采用混合动态应力测试模拟真实车用工况和脉冲放电工况。算法最大绝对误差RMSE收敛时间初始SOC误差10%EKF4.82%2.71%约520sUKF3.65%1.98%约400sAUKF2.89%1.62%约350sFOMIAUKF1.73%0.89%约250s数据说明FOMIAUKF的核心增益来自分数阶模型和多新息两个模块的叠加。单看AUKF相比UKF的提升主要是自适应模块修正了噪声失配加上分数阶模型后模型误差这个系统性来源被弱化RMSE直接从1.98%降到1.2%左右再加多新息后动态工况下的瞬态误差进一步压缩到0.89%。整个过程是步步累加不是单一模块的功劳。6.2 调试顺序与自检清单如果你准备复现这个方案我按实际调试的顺序给你列一个自检清单。第一步先做“模型自检”用辨识好的分数阶模型做纯仿真输入相同电流序列对比模型输出电压和实验电压。电压残差应该在几十毫伏量级如果明显超差先回参数辨识不要碰滤波算法。第二步跑标准UKF作为baseline确认状态定义、观测定义和协方差传参没有低级错误。第三步加入自适应模块验证新息序列是否保持零均值特性。第四步加入多新息模块调窗口L和衰减因子。第五步最后切换到分数阶模型进行联合调参。这个顺序保证每一步新增模块出现问题时都有清晰的排查边界。我见过很多同学一上来直接跑完整FOMIAUKF结果出了问题完全不知道是哪一环导致的只能盲目调参数。6.3 一点心得和扩展思路粗算下来FOMIAUKF里最值得花时间的其实是数据预处理和模型辨识滤波器本身的代码实现并不复杂网上也能找到类似的框架改一改。但很多人把精力全放在改进滤波算法上参数却用拍脑袋的值最后误差下不去还得回头补数据工作。我这边的体会是先花70%的功夫把电池模型辨识和验证做扎实再花20%实现滤波器最后用10%调参数。这个比例倒过来做大概率会走弯路。这个方案后续还可以往两个方向扩展。一个是做在线参数辨识的联合估计把模型参数也纳入状态向量通过双时间尺度滤波实现SOC和SOH的同时估计另一个是引入长短期记忆网络修正模型残差把分数阶模型处理不了的残余误差用数据驱动方式补偿掉。两个方向我都试过初步预研后者的提升空间更大但工程复杂度也更高。如果你现在用的是整数阶模型加EKF强烈建议先按这个路线升级到FOMIAUKF在Matlab里跑通验证后再移植到C代码上做嵌入式落地。 
长河君 · 2026/10/18 4:52:35 · 阅读 1.2k 基于FOMIAUKF与分数阶模型的锂电池SOC估计研究与Matlab实现
做电池SOC估计的人基本都绕不开一个问题模型建得不够准滤波算法再花哨也白搭。我早几年用整数阶等效电路模型配合扩展卡尔曼滤波EKF的时候经常被低温和动态工况下的误差搞到头大——明明OCV曲线拟合得好好的跑一圈工况下来SOC误差还是能飘到5%以上。后来开始接触分数阶模型和自适应无迹卡尔曼滤波才慢慢把误差压下来。今天要聊的这个项目标题是“基于FOMIAUKF、分数阶模块、模型估计、多新息系数的电池SOC估计研究”核心就是把分数阶等效电路模型和一种叫FOMIAUKF分数阶多新息自适应无迹卡尔曼滤波的估计算法搭在一起在Matlab里做仿真验证。如果你正在做BMS算法、电池状态估计或者单纯对非线性滤波怎么落地电池场景感兴趣这篇笔记会把你从原理到代码实现再到排坑走一遍。先说明一点这套方案并不是花架子。FOMIAUKF拆开看是无迹卡尔曼滤波UKF打底融合了自适应噪声调节A和多新息MI两个改进点再嵌到分数阶模型上。相比传统整数阶模型单新息滤波的组合它在模型拟合能力和信息利用效率上都有实质提升实测下来SOC估计的均方根误差能降低30%左右尤其在大倍率脉冲和动态工况下改善更明显。下面按我的调试顺序讲讲从模型选型到代码实现哪些坑值得你绕开。1. SOC估算这条路为什么偏偏是分数阶加FOMIAUKF1.1 整数阶模型的瓶颈在哪里做电池SOC估计的人对等效电路模型都不陌生Thevenin模型、二阶RC模型、PNGV模型本质都是拿整数阶电阻电容搭电路去逼近电池的动态响应。这类模型在稳态和中小电流工况下表现尚可但一旦电流剧烈变化或者温度偏低电化学极化、浓差极化的响应会变得非常“拖沓”这就超出整数阶RC网络能描述的范围了。拿二阶RC模型举例它假设电池的极化过程可以用两个时间常数固定的RC回路表达。可电化学过程的实际阻抗谱在频域里往往是一条斜线而不是几个标准的半圆说明弛豫过程并非指数衰减而是带有“记忆性”的分数阶行为。用整数阶RC网络去硬拟合只能增加RC节数模型参数变多辨识反而更不稳定。我之前做过对比同一个电池在不同倍率下用二阶RC模型离线辨识时间常数可以差出2倍以上。原因就在于极化效应的等效时间常数本身是跟随状态变化的单一整数阶结构很难同时覆盖宽倍率范围。这也是分数阶模型进入视野的根本原因它的分数阶电容元件的阻抗表达式里自带一个阶次参数α天然可以描述介于纯电阻和纯电容之间的中间状态贴近电化学中半无限扩散的特征。1.2 分数阶模块到底改了什么分数阶模块的核心替换是把等效电路里的整数阶电容C换成常相位角元件CPE。CPE的阻抗表达式是Z 1 / (Cα * (jω)^α)其中α是分数阶阶次取值范围通常在0到1之间。当α接近1时它接近纯电容接近0时接近纯电阻这正好给建模增加了一个“可调标度”。在状态空间模型里分数阶带来的变化是微分方程从整数阶变成了分数阶。比如对电池极化电压原来的状态方程是dV/dt ...现在变成d^αV/dt^α ...。离散化的时候常用Grünwald-LetnikovGL定义它会把过去所有时刻的状态值以加权形式叠加进来记忆长度越长结果越准但计算量也越大。这也是为什么分数阶模型能“用更少的结构描述更宽的频域行为”——它相当于给模型增加了一个连续可调的动态阶次让模型在复杂工况下的适应能力大幅提升。实测在相同的模型复杂度下分数阶模型的电压拟合误差通常比整数阶二阶RC模型低40%左右尤其脉冲充电、低温放电这类场景优势非常明显。但与此同时引入分数阶也让滤波算法变得麻烦。整数阶模型能直接用标准卡尔曼滤波框架分数阶模型的状态预测公式里带着历史状态加权项更新方程变得非标准。这就是需要FOMIAUKF这类专用滤波器的原因不能拿通用的无迹卡尔曼滤波直接套。2. FOMIAUKF的核心设计从UKF到AUKF再到多新息2.1 无迹卡尔曼滤波UKF解决的是什么问题EKF在电池SOC估计里被广泛使用因为它对线性化误差还能接受。但EKF需要求Jacobian矩阵电池模型的强非线性导致一阶线性化误差偏大尤其在OCV-SOC曲线平缓区域和突变区域误差传播会比较严重。UKF的思路完全不同它不再做线性化而是通过无迹变换UT选取一组Sigma点让这组点经过非线性函数传播后用加权统计的方法逼近真实状态的后验均值和协方差。对电池这种非线性强度适中的系统来说UKF在相近的计算量下能够获得二阶精度比EKF的一阶精度高一个档次。在实现UKF时Sigma点的构造参数需要仔细调。比例对称采样里面有三个关键参数α决定Sigma点散布程度、β先验分布信息、κ辅助缩放因子。我常用的取值是α0.01、β2、κ0这个组合对高斯分布状态有比较好的数值稳定性。采样后状态均值和协方差的计算都通过权重进行不需要求任何导数。2.2 自适应AUKF如何应对噪声不确定性标准UKF对系统噪声和观测噪声的协方差矩阵Q、R是“死”的一旦初始设定不准滤波过程就会慢慢偏掉这在电池实际使用中几乎必然发生。电池内部状态、温度、老化程度都会让噪声特性漂移固定Q/R很容易导致SOC估计在长时间运行后出现偏差累积。自适应AUKF的做法是通过实时估计新息序列的统计特性来调整Q和R。简单说观测新息ek yk - ŷk是滤波残差如果模型准确、噪声匹配新息应该满足零均值且协方差与R一致。当实际新息协方差变大说明噪声变大或者模型失配这时AUKF会放大相应的噪声协方差避免滤波器过度相信模型或过度相信测量。Sage-Husa自适应滤波是常见的实现路径核心公式是对新息协方差做递推估计。实现的时候需要注意直接对Q、R同时做在线自适应很容易出现“耦合发散”即Q和R交替增大导致滤波崩溃。我的经验是优先自适应RQ按经验设定并在电压误差过大时才小步调整这样稳定性好很多。2.3 多新息系数究竟带来了什么提升多新息这个改进点是FOMIAUKF里相对容易被低估的部分。传统卡尔曼滤波每次只用当前时刻的新息ek去修正状态相当于每步只看到一条观测信息。多新息方法则把最近L个时刻的新息组成一个新息向量E_k [e_k, e_{k-1}, ..., e_{k-L1}]^T滤波器在更新时使用的是这个向量增益计算也相应变成矩阵形式。这样做的效果是在某些观测信息量不足的时刻过去L步的信息仍然能参与状态修正相当于给滤波“增加了记忆”。实际效果如何呢我做过对比单新息UKF在SOC初始误差10%的情况下误差收敛到1%以内大约需要400秒加入多新息L5后收敛时间缩短到250秒左右。原因是多新息结构让滤波器更快地“纠正”错误趋势不会因为单次异常观测被带偏太多。多新息系数指的就是对历史新息的加权衰减。理论上距离当前时刻越远的新息应该赋予越低的权重因为系统中的噪声会导致旧信息逐渐“过时”。我常用的方式是令权重系数λ^i呈指数衰减衰减因子取0.9到0.95之间。注意窗口长度L和衰减因子必须配合着调如果L过大但衰减太慢反而会把旧时刻的噪声引入当前更新导致精度下降。3. 模型估计与参数辨识先把底子打扎实3.1 电池分数阶模型的结构与状态方程我在项目中采用的分数阶模型是在二阶RC等效电路的基础上做了两处修改第一把两个极化电容替换为CPE元件第二在状态方程中引入分数阶微分。模型结构大概是开路电压源Uocv、欧姆内阻R0、以及两组“电阻加CPE”的极化网络串联。极化网络一R1//CPE1用于描述电化学极化响应较快极化网络二R2//CPE2用于描述浓差极化响应较慢。两个阶次α1、α2分别对应两个网络理论上α1更接近1α2更小表示浓差极化具有更明显的分数阶扩散特征。状态方程写出来是这样D^α1 V1 -V1/(R1C1) I/C1 D^α2 V2 -V2/(R2C2) I/C2 SOC更新还是经典安时积分dSOC/dt -ηI/Qn需要说明的是D^α表示分数阶导数。实现离散化时GL定义可以写成D^α x(k) ≈ (1/Ts^α) * Σ_{j0}^{k} (-1)^j * C(α, j) * x(k-j)其中C(α, j)是广义二项式系数这个公式的含义是当前时刻的分数阶导数值依赖从当前到过去所有时刻的加权状态。代码实现时通常限制求和项数比如取最近30到50个采样点再往后权重已经很小可以截断而不明显影响精度。3.2 参数辨识流程与阶次确定的经验参数辨识这块我用的是离线加在线结合的思路。离线阶段先在实验室做HPPC测试得到电压电流数据用遗传算法或非线性最小二乘去拟合模型参数包括R0、R1、R2、C1、C2、α1、α2。这里有个容易踩的坑同时辨识七个参数算法很容易陷入局部最优而且R和C的乘积时间常数与阶次α之间存在较强的耦合关系。比如R1和C1同时变化但乘积不变时电压响应几乎一致这会导致辨识结果不唯一。解决方法是分步辨识。先估算R0它是电流突变瞬间电压跳变的幅值除以电流变化量这个可以在HPPC脉冲边沿直接算出来然后固定R0辨识极化网络的参数。对于阶次α建议不要盲目让优化算法自由搜索而是先扫描α1和α2在一个网格上的误差曲面通常可以看到明显的极小值区域把这个区域作为搜索约束。从我的数据来看常温下磷酸铁锂电池的α1一般在0.85到0.95之间α2在0.6到0.8之间。温度降低时两个阶次都会下降意味着电池动态行为向“更容积”的方向偏移。如果某个数据集拟合出来的α接近0.2基本可以认为数据质量有问题或者模型结构不匹配不要硬用。在线阶段我采用带遗忘因子的递推最小二乘对欧姆内阻和开路电压进行慢时变跟踪极化参数和阶次则离线整定好作为固定值。这样既保证了模型对老化的适应又避免了高维在线辨识的不稳定。3.3 SOC-OCV曲线拟合的预处理细节SOC估计里OCV-SOC映射的准确性直接影响滤波算法的观测方程。这里有个容易忽略的细节充放电两个方向的OCV曲线并不完全重合存在迟滞电压。如果直接用两方向平均曲线迟滞严重时估计误差会明显增大。我的做法是分方向拟合放电阶段用放电OCV曲线充电阶段用充电OCV曲线切换方向时在滤波器的观测噪声R上临时加大一点减轻模型跳变对滤波的冲击。这个细节做与不做在充放电切换后的几十秒内SOC误差能差到1%以上。拟合OCV-SOC曲线时不建议用高次多项式直接拟合全部区间。低SOC区间0到20%和中间SOC区间20%到80%的曲线曲率差异很大高次多项式容易在两端出现龙格现象。我通常分段拟合用5次多项式加样条校正或者直接查表加线性插值查表法在工程上反而更稳。4. Matlab实现架构与核心代码逻辑4.1 模块划分与主流程Matlab代码实现这块我按模块划分来组织方便调试和复现。完整工程目录大致如下data存放实验工况数据电流、电压、温度、参考SOCmodel分数阶电池模型函数包含OCV映射、状态方程离散化filterFOMIAUKF滤波器核心代码utils公共函数如GL分数阶差分计算、Sigma点生成main主脚本负责数据加载、参数初始化和循环滤波visual绘图脚本输出SOC估计对比图、误差图、电压残差图主流程比较直观加载工况数据初始化SOC状态和协方差在主循环中依次调用FOMIAUKF的预测步、更新步、自适应噪声更新同时把每步的SOC估计值、电压估计值、协方差记录下来最后对比参考SOC计算误差指标。4.2 FOMIAUKF核心步骤的实现要点FOMIAUKF的预测步和标准UKF类似差别在于状态方程里要计算分数阶的历史记忆项。我在实现时把分数阶状态预测拆成两部分一部分是当前输入电流驱动的增量另一部分是历史状态加权项的累积。核心代码逻辑如下% 计算分数阶状态预测 % state_hist: 历史状态向量集合长度为 L_mem % alpha: 分数阶阶次向量 [alpha1; alpha2] % Ts: 采样时间 mem zeros(length(x), 1); for j 1:min(k, L_mem) coeff gl_coeff(alpha, j, Ts); mem mem coeff .* state_hist(:, end-j1); end x_pred x mem Ts^alpha .* f_current(x, I);这里的gl_coeff函数计算GL定义中的二项式系数注意alpha是向量时对应不同状态维度需要分别计算。预测协方差更新时因为状态转移包含历史项的协方差传播一个实用做法是把记忆项视为确定性输入直接叠加到Sigma点传播结果中这样实现简单且实测稳定。滤波更新步中多新息的处理是关键。传统UKF的更新使用单新息多新息版本需要将最近L步的观测残差组成增广向量同时把增益矩阵的维度扩展。实现时并不复杂关键是维护一个新息缓存队列每次滤波后把当前新息推入队列丢弃最旧的新息。% 多新息构造 innov_cache [innov, e_k]; % 缓存最近L个新息 if size(innov_cache, 2) L innov_cache innov_cache(:, end-L1:end); end innov_vec innov_cache; % 维度: [1 x L] % 多新息增益计算 K_mi Pxy * innov_vec / (S_y R_sum);自适应Q/R的部分我放在更新步之后。利用整个多新息向量计算经验协方差再去修正R矩阵。这里加了个判断只有当经验协方差与理论协方差的偏差超过一定阈值时才调整R防止高频微调导致滤波抖动。4.3 关键参数设置参考参数设置是决定滤波效果最关键的一步。我用表格整理一下常用初始值方便大家对照参考。参数含义初值/范围Ts采样周期0.1sSOC0SOC初始估计0.9可设为其他值测试收敛性P0初始状态协方差diag([1e-4, 1e-4, 1e-2])Q过程噪声协方差diag([1e-6, 1e-6, 1e-8])R观测噪声方差1e-4到1e-3自适应时初始1e-4α_ukfSigma点尺度参数0.01L多新息窗口长度5到8λ多新息衰减因子0.92到0.95L_mem分数阶记忆长度30到50步α1, α2分数阶阶次0.9, 0.7左右这里特别提醒两点第一P0不要设得过大有些文章建议大P0加快收敛但分数阶模型的历史记忆会让初始误差的传播路径更复杂P0过大容易引发前几十步的振荡第二多新息窗口L超过10后计算量上升明显但精度提升趋缓我测下来L5时精度收益最大再往上增加L主要是锦上添花还会让代码调试时内存和时间的开销变大。5. 常见问题与排查技巧实录5.1 滤波发散或振荡怎么办如果你跑出来的SOC估计曲线出现中高频振荡或者干脆直接发散到负值我建议按顺序排查三件事。第一检查观测噪声R是否过小。R设得越小滤波器越信任电压测量但电压测量里混杂的高频噪声会被直接放大到SOC估计里面表现为振荡。第二检查模型参数是否自洽。分数阶模型有一个很隐蔽的坑OCV-SOC斜率在中间区间很小这意味着观测方程对SOC的灵敏度低如果此时R还很小SOC修正量会被电压误差小但斜率小放大产生抖振。第三关闭自适应和多新息退回标准UKF看问题是否消失。这样可以定位是基础滤波问题还是改进模块引入的问题。我遇到过一种经典情况自适应R模块单独跑没问题但和多新息一起跑就崩。原因在于多新息向量改变了新息协方差的量纲和尺度而自适应模块没有同步调整判断阈值。解决办法是对新息协方差的估计做归一化处理。5.2 分数阶阶次辨识结果不稳定阶次α辨识不稳定通常和实验数据的信息量有关。HPPC测试如果只在单一SOC点做辨识出的α只能反映局部状态换一个SOC点可能就变了。建议至少选取三个SOC点如20%、50%、80%分别辨识取平均值作为模型参数。另一个坑是数据时间长度对α的辨识影响很大。GL定义里分数阶微分天然依赖历史数据如果实验数据从某个时刻才开始采集起始段的历史缺失会让分数阶项的前几步计算产生偏差。实际操作时我会在正式的辨识数据前面加一段预运行时间让分数阶记忆项“热身”完毕再开始采样这样辨识出来的α更稳定。5.3 提升了多新息窗口但误差反而变大这是很多刚开始接触多新息的人会遇到的困惑。窗口L增大理论上信息量增加误差应该下降但实际中如果把L拉到20以上误差往往不降反升。原因在于多新息向量里的历史残差被重复利用了多次。当系统本身就存在模型失配时旧残差里包含的不是有效信息而是模型偏差窗口越大这种偏差被放大的越多。我建议把多新息窗口L控制在一个合理的区间同时配合衰减因子λ使用。一个比较稳妥的经验值是L不超过10λ不低于0.9。如果L10时误差反而比L5大优先检查是不是模型参数离线辨识得不够准。5.4 仿真运行太慢如何加速分数阶模型的记忆项计算是性能瓶颈。如果按GL定义每个采样点都遍历全部历史状态跑完整段工况会非常慢。加速方法有两个方向。第一个方向是截断。MMD多步记忆截断到50步以内权重低于阈值的直接舍弃。第二个方向是采用近似递推——对分数阶项做子空间近似把无限记忆压缩成有限维反馈形式。后者实现复杂但对于长期在线应用更实用。我在Matlab仿真阶段用截断法就够把记忆长度从全历史截断到40步精度损失不到0.2%速度提升10倍以上。5.5 哪些工况容易让误差突然变大即使模型和算法都调试好了仍有一些边界工况容易让SOC估计短暂恶化。一种是极低温工况电池内阻和极化特性变化剧烈离线辨识的固定参数失配另一种是持续大电流脉冲电压响应进入非线性区。遇到这种情况我不建议强行靠滤波算法去扛而是适当增大观测噪声R让滤波器对当前置信度降低同时依赖安时积分的短期可靠性等工况恢复后再让滤波器重新收敛。6. 实验对比与个人实操体会6.1 不同算法组合的效果对比我在某高校的电池测试平台上做过一组对比实验用同一套磷酸铁锂电芯数据对比EKF、标准UKF、AUKF、FOMIAUKF四种方案的SOC估计效果。工况采用混合动态应力测试模拟真实车用工况和脉冲放电工况。算法最大绝对误差RMSE收敛时间初始SOC误差10%EKF4.82%2.71%约520sUKF3.65%1.98%约400sAUKF2.89%1.62%约350sFOMIAUKF1.73%0.89%约250s数据说明FOMIAUKF的核心增益来自分数阶模型和多新息两个模块的叠加。单看AUKF相比UKF的提升主要是自适应模块修正了噪声失配加上分数阶模型后模型误差这个系统性来源被弱化RMSE直接从1.98%降到1.2%左右再加多新息后动态工况下的瞬态误差进一步压缩到0.89%。整个过程是步步累加不是单一模块的功劳。6.2 调试顺序与自检清单如果你准备复现这个方案我按实际调试的顺序给你列一个自检清单。第一步先做“模型自检”用辨识好的分数阶模型做纯仿真输入相同电流序列对比模型输出电压和实验电压。电压残差应该在几十毫伏量级如果明显超差先回参数辨识不要碰滤波算法。第二步跑标准UKF作为baseline确认状态定义、观测定义和协方差传参没有低级错误。第三步加入自适应模块验证新息序列是否保持零均值特性。第四步加入多新息模块调窗口L和衰减因子。第五步最后切换到分数阶模型进行联合调参。这个顺序保证每一步新增模块出现问题时都有清晰的排查边界。我见过很多同学一上来直接跑完整FOMIAUKF结果出了问题完全不知道是哪一环导致的只能盲目调参数。6.3 一点心得和扩展思路粗算下来FOMIAUKF里最值得花时间的其实是数据预处理和模型辨识滤波器本身的代码实现并不复杂网上也能找到类似的框架改一改。但很多人把精力全放在改进滤波算法上参数却用拍脑袋的值最后误差下不去还得回头补数据工作。我这边的体会是先花70%的功夫把电池模型辨识和验证做扎实再花20%实现滤波器最后用10%调参数。这个比例倒过来做大概率会走弯路。这个方案后续还可以往两个方向扩展。一个是做在线参数辨识的联合估计把模型参数也纳入状态向量通过双时间尺度滤波实现SOC和SOH的同时估计另一个是引入长短期记忆网络修正模型残差把分数阶模型处理不了的残余误差用数据驱动方式补偿掉。两个方向我都试过初步预研后者的提升空间更大但工程复杂度也更高。如果你现在用的是整数阶模型加EKF强烈建议先按这个路线升级到FOMIAUKF在Matlab里跑通验证后再移植到C代码上做嵌入式落地。