卡尔曼滤波方法原理大全（KF、EKF、UKF、AEKF）

📌一、全文前置统一定义（所有算法共用）

1.电池二阶RC ECM模型状态定义

状态向量（三维固定：SOC+快慢极化电压）：
$$\mathbf{x}={\left[\begin{array}{ccc}SOC& U_1& U_2\end{array}\right]}^T$$

• $SOC$：电池荷电状态，核心估算量
• $U_1$：快速活化极化电压
• $U_2$：慢速浓差极化电压

外部输入：充放电采样电流$I$；观测值：电芯电压传感器实测电压$U_{meas}$

2.全局噪声假设

过程噪声：$\mathbf{w}\sim N(0,\mathbf{Q})$ 模型拟合高斯噪声
观测噪声：$v\sim N(0,R)$ 电压采样高斯噪声

通用迭代固定架构：时间预测Predict → 观测更新Update

二、标准卡尔曼滤波 KF（Linear Kalman Filter）

1.适用硬性前提

系统完全线性、噪声零均值高斯分布；电池领域不可直接使用，核心原因：锂电池OCV-SOC曲线天生非线性。

2.线性系统标准方程

状态方程：
$${\mathbf{x}}_k=\mathbf{A}{\mathbf{x}}_{k-1}+\mathbf{B}{u}_{k-1}+{\mathbf{w}}_{k-1}$$
观测方程：
$${\mathbf{z}}_k=\mathbf{H}{\mathbf{x}}_k+v_k$$

3.KF标准五步迭代公式

✅步骤1：状态先验预测
$${\hat{\mathbf{x}}}_{k|k-1}=\mathbf{A}{\hat{\mathbf{x}}}_{k-1|k-1}+\mathbf{B}{u}_{k-1}$$
✅步骤2：协方差先验预测
$${\mathbf{P}}_{k|k-1}=\mathbf{A}{\mathbf{P}}_{k-1}{\mathbf{A}}^T+\mathbf{Q}$$
✅步骤3：计算卡尔曼增益（平衡模型/传感器权重）
$${\mathbf{K}}_k={\mathbf{P}}_{k|k-1}{\mathbf{H}}^T(\mathbf{H}{\mathbf{P}}_{k|k-1}{\mathbf{H}}^T+R{)}^{-1}$$
✅步骤4：后验状态修正
$${\hat{\mathbf{x}}}_{k|k}={\hat{\mathbf{x}}}_{k|k-1}+{\mathbf{K}}_k({\mathbf{z}}_k-\mathbf{H}{\hat{\mathbf{x}}}_{k|k-1})$$
✅步骤5：后验协方差更新
$${\mathbf{P}}_{k|k}=(\mathbf{I}-{\mathbf{K}}_k\mathbf{H}){\mathbf{P}}_{k|k-1}$$

4.优缺点总结

✅优点：计算量极小、代码极简、嵌入式MCU零算力压力、线性场景估计最优
❌缺点：仅适配纯线性系统，完全无法适配锂电池SOC估算

5.落地适用场景

匀速惯性导航、模拟量线性降噪、简易工控采样；BMS行业直接跳过。

三、扩展卡尔曼滤波 EKF（Extended Kalman Filter）

1.核心原理

针对非线性电池系统，对状态函数$f(x)$、观测函数$h(x)$做一阶泰勒展开局部线性化，舍弃高阶非线性项；求解雅可比矩阵，替代KF固定A/H矩阵，复用KF全套迭代逻辑。

2.电池非线性系统方程+雅可比矩阵

系统方程：
$$\{\begin{array}{l}{\mathbf{x}}_k=f({\mathbf{x}}_{k-1},I_{k-1})+{\mathbf{w}}_{k-1}\\ z_k=h({\mathbf{x}}_k)+v_k\end{array}$$
✅状态雅可比（二阶RC固定矩阵，无需实时求导）：
$$\mathbf{F}=\left[\begin{array}{ccc}1& 0& 0\\ 0& e^{-\Delta t/{\tau }_1}& 0\\ 0& 0& e^{-\Delta t/{\tau }_2}\end{array}\right]$$
✅观测雅可比（核心：OCV对SOC求导）：
$$\mathbf{H}=\left[\begin{array}{ccc}\frac{dOCV}{dSOC}& -1& -1\end{array}\right]$$

3.EKF全套迭代公式

✅1.先验状态预测：
$${\hat{\mathbf{x}}}_{k|k-1}=f({\hat{\mathbf{x}}}_{k-1},I_{k-1})$$
✅2.先验协方差预测：
$${\mathbf{P}}_{k|k-1}=\mathbf{F}{\mathbf{P}}_{k-1}{\mathbf{F}}^T+\mathbf{Q}$$
✅3.卡尔曼增益：
$${\mathbf{K}}_k={\mathbf{P}}_{k|k-1}{\mathbf{H}}^T(\mathbf{H}{\mathbf{P}}_{k|k-1}{\mathbf{H}}^T+R{)}^{-1}$$
✅4.状态修正：
$${\hat{\mathbf{x}}}_{k|k}={\hat{\mathbf{x}}}_{k|k-1}+{\mathbf{K}}_k(z_k-h({\hat{\mathbf{x}}}_{k|k-1}))$$
✅5.协方差更新：
$${\mathbf{P}}_{k|k}=(\mathbf{I}-{\mathbf{K}}_k\mathbf{H}){\mathbf{P}}_{k|k-1}$$

4.优缺点总结

✅优点：

1. 适配电池弱非线性，代码量产成熟、算力低，车载MCU原生适配
2. 二阶RC雅可比固定，线下求导一次即可，运行无需实时求导
3. 调参简单，仅标定固定Q、R两个矩阵

❌缺点：

1. 一阶泰勒截断误差，0-10%、90~100%高低SOC、低温大倍率SOC误差偏大
2. 修改电池模型，必须重新手动推导雅可比矩阵
3. Q、R固定不可变，电池老化、工况切换极易SOC漂移、滤波发散

5.落地适用场景

两轮电动车BMS、低成本储能、常温平稳工况、低端算力MCU、新电池低老化场景。

四、无迹卡尔曼滤波 UKF（Unscented Kalman Filter）

1.核心原理（解决EKF线性化误差）

放弃泰勒线性化，全程无需求解雅可比矩阵；采用无迹变换UT，基于当前状态均值+协方差，生成固定Sigma采样点，点对点经过非线性方程传播，加权重构状态分布，拟合二阶非线性，精度远高于EKF。

三维电池状态固定采样数量：$2n+1=7$个Sigma点。

2.工程固定调参（电池直接复用，无需改动）

$$n=3,\alpha =0.001,\beta =2,\kappa =0,\lambda ={\alpha }^2(n+\kappa )-n$$

• $\alpha$：采样扩散系数，常规0.001，快充可微调至0.01
• $\beta =2$：高斯分布最优修正值，固定不可改
• $\kappa =0$：辅助缩放系数，三维电池固定为0

3.UKF全套迭代公式

✅前置：生成Sigma采样点 + 权重公式
中心点：
$${\mathbf{\chi }}_0=\hat{\mathbf{x}}$$
正负偏移点：
$${\mathbf{\chi }}_i=\hat{\mathbf{x}}\pm {\sqrt{(n+\lambda )\mathbf{P}}}_i$$
均值/协方差权重：
$$W_m^{(0)}=\frac{\lambda }{n+\lambda },W_c^{(0)}=\frac{\lambda }{n+\lambda }+1-{\alpha }^2+\beta$$
$$W_m^{(i)}=W_c^{(i)}=\frac{1}{2(n+\lambda )}$$

✅1.预测步：Sigma点代入状态方程传播，加权得到先验状态、协方差
✅2.观测步：Sigma点代入电压方程，加权得到预测端电压
✅3.互协方差求解：
$${\mathbf{P}}_{xz}=\sum W_c({\mathbf{\chi }}_i-\hat{\mathbf{x}})(Z_i-\hat{z}{)}^T$$
✅4.卡尔曼增益：
$${\mathbf{K}}_k={\mathbf{P}}_{xz}{\mathbf{P}}_{zz}^{-1}$$
✅5.状态+协方差更新：迭代逻辑同EKF

4.优缺点总结

✅优点：

1. 完全不用推导雅可比，迭代开发效率极高
2. 二阶非线性拟合，高低SOC、低温快充SOC精度大幅提升
3. 动态大电流工况不易发散，鲁棒性优于EKF

❌缺点：

1. 计算量为EKF 2~3倍，低端8位MCU算力不足
2. 新增三组权重参数，调参门槛高于EKF
3. 依旧固定Q、R，电池长期老化后依旧存在SOC漂移

5.落地适用场景

中高端乘用车BMS、大功率快充、高低温储能、高精度SOC估算、32位高性能车载MCU平台。

五、AEKF自适应扩展卡尔曼滤波

1.核心痛点+原理

痛点：EKF/UKF噪声矩阵Q、R固定，无法适配电池老化、电压毛刺动态变化。
原理：依托**电压残差（创新序列）**滑动窗口统计真实噪声，在线自适应更新Q、R，自动平衡模型可信度、电压采样可信度。

💡补齐时序漏洞

1. 本帧自适应$R_k$：本帧直接生效，参与本帧SOC修正
2. 本帧自适应$Q_k$：延迟一帧生效，下一帧预测步使用，无法回溯修改本帧协方差

2.AEKF迭代公式

输入缓存：上一帧后验${\hat{\mathbf{x}}}_{k-1},{\mathbf{P}}_{k-1}$，历史噪声${\mathbf{Q}}_{k-1},R_{k-1}$

✅步骤1：时间预测（使用上一帧旧噪声${\mathbf{Q}}_{k-1}$）
$${\hat{\mathbf{x}}}_{k|k-1}=f({\hat{\mathbf{x}}}_{k-1},I)$$
$${\mathbf{P}}_{k|k-1}=\mathbf{F}{\mathbf{P}}_{k-1}{\mathbf{F}}^T+{\mathbf{Q}}_{k-1}$$
✅步骤2：求解电压残差
$$e_k=U_{meas}-h({\hat{\mathbf{x}}}_{k|k-1})$$
✅步骤3：滑动窗口更新观测噪声$R_k$
工程窗口默认长度：$L=20$，计算窗口残差协方差${\hat{C}}_e$
$$R_k={\hat{C}}_e-\mathbf{H}{\mathbf{P}}_{k|k-1}{\mathbf{H}}^T$$
限幅保护：$R_{min}\le R_k\le R_{max}$，计算为负则保留上一帧$R_{k-1}$
✅步骤4：计算临时增益${\mathbf{K}}_{temp}$（仅用来求Q，不修正SOC）
$${\mathbf{S}}_{temp}=\mathbf{H}{\mathbf{P}}_{k|k-1}{\mathbf{H}}^T+R_k$$
$${\mathbf{K}}_{temp}={\mathbf{P}}_{k|k-1}{\mathbf{H}}^T{\mathbf{S}}_{temp}^{-1}$$
✅步骤5：自适应更新过程噪声${\mathbf{Q}}_k$
$${\mathbf{Q}}_k={\mathbf{K}}_{temp}{\hat{C}}_e{\mathbf{K}}_{temp}^T$$
限幅保护：${\mathbf{Q}}_{min}\le {\mathbf{Q}}_k\le {\mathbf{Q}}_{max}$
✅步骤6：观测更新（仅用新$R_k$，$Q_k$下一帧生效）
$${\mathbf{S}}_k=\mathbf{H}{\mathbf{P}}_{k|k-1}{\mathbf{H}}^T+R_k$$
$${\mathbf{K}}_k={\mathbf{P}}_{k|k-1}{\mathbf{H}}^T{\mathbf{S}}_k^{-1}$$
$${\hat{\mathbf{x}}}_{k|k}={\hat{\mathbf{x}}}_{k|k-1}+{\mathbf{K}}_k{e}_k$$
$${\mathbf{P}}_{k|k}=(\mathbf{I}-{\mathbf{K}}_k\mathbf{H}){\mathbf{P}}_{k|k-1}$$
✅步骤7：缓存${\mathbf{Q}}_k、R_k$，迭代下一帧

3.优缺点总结

✅优点：

1. 噪声自适应，无需多工况线下标定全套Q、R参数
2. 适配电池全生命周期老化，内阻漂移自动放大Q，杜绝SOC长期漂移
3. 电压毛刺大自动放大R，抑制SOC抖动，工况适配性极强
4. 基于EKF架构，算力远低于UKF，车载MCU极易量产落地

❌缺点：

1. 依旧一阶线性化，极致非线性工况精度弱于UKF
2. 新增滑动窗口L调参量，需要平衡收敛速度与平滑度
3. 依赖高斯残差，高压脉冲干扰会导致Q/R异常震荡

4.落地适用场景

新能源整车BMS、大型储能电站、电池全生命周期SOC估算、高低温变工况、电芯老化在线辨识。

六、四大滤波算法横向选型对照表（面试直接背）

七、进阶衍生滤波算法

1. AUKF自适应无迹卡尔曼：融合UKF非线性拟合+AEKF自适应噪声，高端储能最优算法，算力最高，极少车载低端MCU落地
2. PF粒子滤波：适配非高斯噪声、极致非线性工况，算力开销极大，车载BMS基本不使用
3. RLS+EKF联合算法：遗忘因子最小二乘法在线辨识RC内阻，搭配EKF估算SOC，实现老化辨识+状态估算双功能