修正EKF实现锂电池SOC老化自适应估计的Simulink仿真

1. 为什么要把"老化"塞进EKF——这套方法的实际价值

先从一个很现实的问题说起：锂电池的SOC（荷电状态）到底难在哪？

做过BMS（电池管理系统）相关工作的朋友都知道，SOC不能直接测，只能靠"估计"。最经典的做法是安时积分法，也就是把电流对时间积分，算出"流出了多少电量"，再用额定容量去减。这个方法在实验室里跑出来挺准，但放到实车上就露馅：电流传感器有零漂、积分误差会累积、不同温度下电池可用容量不一样，更麻烦的是电池会老化——同一个"100%"的电量，新电池和用了两年的电池根本不是一回事。跑几千公里后，安时积分法算出来的SOC经常和真实值差出10%~15%，而这个误差会直接影响续航估算、充电策略以及均衡控制，严重时甚至会造成过充过放，缩短电池寿命甚至引发安全问题。

我复现这篇论文的时候，目标很明确：不是简单地把经典EKF跑通，而是去看它如何把"老化"这个变量纳入到EKF的框架里，在电池参数随时间变化的情况下，依然能让SOC估计保持稳定。这套思路的核心价值在于：不换传感器、不加硬件、不依赖大数据训练，只靠算法层面的修正，就能把老化场景下的SOC误差从百分之十几压回个位数以内。对于做BMS算法、电池仿真以及相关课程项目的人来说，这是一个性价比非常高的研究方向。

这篇博文会讲清楚从电池建模、老化参数的引入方式、EKF修正逻辑，到Simulink模型怎么搭、参数怎么调、结果怎么评估的完整链条。文章里的参数和结构以我复现的那篇论文为基础，并结合了我自己搭建模型时的实际经验，适合有一定Simulink基础、想深入理解电池SOC估计算法，或者正在做电池相关课题的朋友参考。

2. 复现前先搭骨架：电池模型与老化参数建模

2.1 二阶RC等效电路模型：参数对应的物理意义

SOC估计离不开电池模型。论文里用的是最常见的二阶RC等效电路模型（一阶RC模型精度不够，用于估算动态工况下的端电压会差很多；三阶以上精度提升有限，参数辨识成本却高不少）。模型表达式如下：

[ U_{t}=OCV(SOC,T)-U_{1}-U_{2}-I R_{0} ]

其中 (U_{t}) 是电池端电压，(OCV) 是开路电压（与SOC和温度相关），(R_{0}) 是欧姆内阻，(U_{1}) 和 (U_{2}) 分别是两个RC网络的极化电压。

两个RC网络各有各的物理意义：(R_{1}C_{1}) 用来描述电化学极化过程，时间常数通常在几秒到几十秒，对应电池在充放电瞬间的快速电压响应；(R_{2}C_{2}) 用来描述浓度极化过程，时间常数可以达到几十秒甚至几分钟，对应的是锂离子在电极内部的扩散过程。

这两个时间常数的差异非常关键，因为在动态工况（比如实车的加减速）下，电压的"快变"和"慢变"是叠加在一起的，只有一个RC网络根本分不开这两层响应。

给出模型参数后，仿真结构就清晰了。电流输入、OCV查表、欧姆压降和两个RC网络的电压分别计算，最终得到端电压输出。这块在Simulink里可以用Simscape搭建，也可以用基础的Simulink模块（积分器、增益、查表）手动搭，论文复现推荐手动搭，一是方便修改参数，二是方便把老化表征塞进去。

2.2 老化建模的两种思路：容量衰减与内阻增长

电池老化的表现，宏观上最显著的是两点：可用容量衰减和内阻增大。容量衰减意味着同样一个"100%"，实际能放出的电量变少了；内阻增大意味着同样的电流激励下，端电压的波动幅度变大、极化效应更明显。

论文里对老化的处理是参数时变——把 (Q)（容量）和 (R_{0})（欧姆内阻）从固定值改成随时间缓慢变化的量。容量衰减可以用SOH（健康状态）来描述，我用的衰减规律是：

[ Q_{aged}=Q_{new}\times SOH,\qquad SOH=1-k_{deg}\cdot N_{cycle} ]

其中 (k_{deg}) 是每循环一周的容量衰减率，(N_{cycle}) 是等效循环次数。这个式子非常简化，真实的衰减还和温度、放电深度（DOD）、充放电倍率强相关，但作为仿真的老化规律够用了，它能把"容量随时间缓慢变小"这个趋势模拟出来。

内阻增长我采用的是分段模型，前200个循环内阻增长较慢，之后开始加速。原因是SEI膜（固体电解质界面膜）在前期生长速率低，后期破裂-再生长过程会加剧电解液消耗，宏观表现就是内阻加速上升。

如果有实验数据，完全可以把 (Q) 和 (R_{0}) 随循环次数的变化做成矩阵，直接插入查表模块。我习惯先在论文给的规律下跑通，再用实验数据替换，这样能快速验证算法可行性，这个顺序很重要——刚上来就用实测数据，你分不清误差是模型不准还是算法本身有问题。

2.3 SOC-OCV关系曲线：整篇仿真成立的基础

OCV-SOC曲线是整个估计过程的"基准线"。EKF的观测方程依赖端电压，而端电压模型里的OCV项又要通过SOC去查表，所以如果这条曲线不准，后面所有计算结果都会带偏。

论文里给的是磷酸铁锂电池的OCV-SOC数据，特点是中段非常平缓（SOC 20%~80%之间OCV几乎不动），这给EKF带来了一个致命问题：中段SOC变化引起的电压变化太小，卡尔曼滤波观测更新的权重很难起作用，系统主要靠状态预测在撑着，时间一长误差就漂了。

我在实际建模中，先把OCV-SOC数据以0.1%的SOC间隔插值，保证查表光滑；同时把OCV对SOC的导数 (dOCV/dSOC) 预计算成另一张表，直接在EKF的雅可比矩阵里查，不再每个步长重新数值求导。这个预处理要花几分钟，但能省掉后面无数定位问题的工夫，尤其对于中段平缓的磷酸铁锂，这是必须做的前置步骤。

3. 修正EKF的核心改动：不是推翻，是补缺口

3.1 传统EKF用在电池上会在哪里失效

先说EKF的基本逻辑。电池的离散状态空间方程可以写成：

[ x_{k+1}=f(x_{k},u_{k})+w_{k} ] [ y_{k}=h(x_{k},u_{k})+v_{k} ]

传统的EKF把状态向量设为 ([SOC,U_{1},U_{2}]^{T})，也就是把SOC和两个极化电压作为状态，用安时积分更新SOC，用一阶惯性响应更新两个极化电压。观测方程是端电压模型。每一步做状态预测、误差协方差预测、卡尔曼增益计算、状态更新、误差协方差更新。

问题出在哪呢？EKF里的"电池模型"默认是参数不变的。当电池老化后，(Q) 变小、(R_{0}) 变大，但EKF里用的还是出厂标定参数，状态更新方程里的安时积分项会系统性偏大（因为实际容量变小了），观测方程里的欧姆压降项会系统性偏小（因为内阻变大但没被识别出来），这两个误差方向还不一样，互相耦合叠加，最后的SOC估计就会越来越偏。

很多文章在常温新电池工况下跑EKF，结果很漂亮，一到老化工况就垮掉，原因就在这里——模型失配了，但算法的观测修正能力又不足以纠正这么大的失配量，因为卡尔曼增益里没有相应的自由度去修正参数级错误。

3.2 修正方案一：容量与内阻的在线更新

论文使用的第一种修正思路是：不把老化的影响当作噪声，而是当作一个可辨识、可更新的参数。

具体做法：保留SOC-(U_{1})-(U_{2})三个状态，同时增加一个容量状态 (Q) 和一个内阻状态 (R_{0})，状态向量变成 ([SOC,U_{1},U_{2},Q,R_{0}]^{T})。然后在状态转移方程里对 (Q) 和 (R_{0}) 做大幅度慢漂移假设：认为它们的噪声极小（过程噪声方差设得很小），主要靠观测方程来修正——端电压残差里包含内阻和容量的信息，通过EKF的增益就能把参数慢慢拉到真实值附近。

EKF的增益分配天然能做到"各取所需"：SOC的快速变化靠观测值快速修正，(Q) 和 (R_{0}) 的慢速漂移靠长期累积的微小残差逐步修正。用一个不太严谨但很直观的类比：这就像调一个带自动校准的体重秤——每次称体重时，秤不仅显示重量，还顺便根据多次称量的统计偏差悄悄修正自己的零点漂移。EKF里的 (Q) 和 (R_{0}) 更新就是这种"顺手修正"。

3.3 修正方案二：把老化参数做成扩展状态后的锯齿效应

把 (Q) 和 (R_{0}) 纳入状态之后，会遇到一个EKF里的典型问题：状态量的可观测性不一致。SOC和两个极化电压的观测量（端电压）与它们的关系是强相关的，而容量 (Q) 的观测量本质是"SOC变化率 × 电流"，只有在连续充放电过程中才能积累信息；静止状态下 (Q) 完全不可观测，协方差增长会导致数值不稳定。

论文里处理方式是：给 (Q) 的过程噪声设成很小时，同时限制 (Q) 的更新步长（每步最多修正0.01%），实际上是用一个"软限幅"方式来避免EKF因为个别异常观测而大幅跳变。

在实际仿真中，我也观察到另一个现象：如果 (Q) 的初值设置有偏差，EKF前几百秒会陷入一个"锯齿"状态——SOC估计值上下震荡，同时 (Q) 也在缓慢爬升。这种情况说明参数激励不足，解决方法是在仿真工况里加入动态电流激励（比如一个阶跃变化的电流序列），而不是一直恒流充放电，否则容量状态的辨识效率极低，很容易因为动力不足而发散。

3.4 修正方案三：自适应过程噪声与观测残差的卡方检验

论文还有一步很关键的处理：观测残差的新息序列被用来动态调整过程噪声矩阵。传统EKF的 (Q) 和 (R)（过程噪声协方差和观测噪声协方差）都是靠经验标定的固定值，这套标定方法正常情况下能把误差压住，但一旦电池老化导致实测残差持续偏大，固定噪声矩阵就会暴露出一个问题——滤波器不知道该信模型还是信测量。

自适应调整的常见实现方式是用遗忘因子对新息协方差做指数平滑，如果最近的残差统计值偏大，就适当增大过程噪声 (Q)，让滤波器更"相信测量值"；如果残差统计值恢复正常，再退回默认值。我实际测试下来，这个策略确实能提升滤波器的鲁棒性，但要注意遗忘因子的取值——太大会让调整跟不上参数变化，太小会让噪声方差剧烈抖动，反而放大估计波动。论文里给的经验参考值是0.95~0.99之间，我测试下来0.97左右在这个场景下表现最稳定。

4. Simulink仿真实现：从模块搭建到参数整定

4.1 整体模型架构与数据流

整个Simulink模型我一共拆成了四大模块（在模型中用子系统封装）：

数据流非常直接：工况输入给电池模型，电池模型输出"真实"的端电压；这个端电压作为观测值送入修正EKF模块；EKF内部用当前估计的状态和参数算出端电压预测值，和观测值做差，得到残差后进入卡尔曼更新环节。这里的关键是：EKF不知道电池模型的真实参数 (Q_{aged}) 和 (R_{0,aged})，它只能靠观测残差去估计这些参数。这样才能模拟出真实BMS场景下的算法表现。

为了对比，我还会跑一条"不带老化修正的传统EKF"分支，保持正常参数固定不变，作为对照组。这个对照组是整个仿真的价值标尺——如果修正后和修正前误差差不多，说明算法改进没有意义；只有在老化工况下修正后误差明显更小，才能说明这套方法有效。

4.2 电池模型模块：参数时变在Simulink里的表达方式

电池模型的核心是一个伏秒平衡方程（离散形式）：

[ U_{1,k+1}=U_{1,k}e^{-Ts/\tau_{1}}+I_{k}R_{1}(1-e^{-Ts/\tau_{1}}) ] [ U_{2,k+1}=U_{2,k}e^{-Ts/\tau_{2}}+I_{k}R_{2}(1-e^{-Ts/\tau_{2}}) ] [ SOC_{k+1}=SOC_{k}-\frac{I_{k}T_{s}}{Q_{aged}(N_{cycle})} ] [ U_{t,k}=OCV(SOC_{k})-U_{1,k}-U_{2,k}-I_{k}R_{0,aged}(N_{cycle}) ]

在Simulink里，(Ts) 就是仿真步长。论文里用的是固定步长求解器，步长 (Ts=0.1s)，这个步长既照顾了RC网络动态（时间常数最短约1~2s），又不会因为步长过小导致仿真时间过长。

老化参数模块的推荐做法是用一个MATLAB Function模块，输入为当前循环计数 (N_{cycle})，输出为 (Q_{aged}) 和 (R_{0,aged})。函数内部就是一个查表或多项式插值：

function [Q_aged, R0_aged] = aging_model(N_cycle) % 基于循环数的容量衰减与内阻增长模型 % 实测数据的简化为分段线性拟合 Q_new = 2.6; % 额定容量 Ah R0_new = 0.012; % 出厂内阻 ohm % 容量衰减（分段线性） if N_cycle < 600 Q_aged = Q_new * (1 - 2.8e-4 * N_cycle); else Q_aged = Q_new * (0.832 - 1.3e-4 * (N_cycle - 600)); end % 内阻增长（分段线性） if N_cycle < 400 R0_aged = R0_new * (1 + 1.5e-4 * N_cycle); else R0_aged = R0_new * (1.06 + 4.0e-4 * (N_cycle - 400)); end end

注意这里的老化模型是"剧本"，用来生成基准真值。而EKF内部的估计值在仿真开始时并不知道这些老化规律，它只有一个初始参数（按新电池给），然后通过残差逐步逼近。这种"剧本-演员"分离的结构是复现论文最清晰也最不容易出错的框架。

4.3 修正EKF模块：MATLAB Function写法思路

这是整套仿真的核心。在Simulink里，我推荐用MATLAB Function模块而不是Simscape或专门的CFG模块，因为EKF的迭代逻辑用代码表达最直观方便调试。模块的输入是端电压 (U_{t,true})、电流 (I) 和仿真时间，输出是 (\widehat{SOC})、(\hat{Q})、(\hat{R}_{0}) 以及它们的方差。注意这里面有个细节：MATLAB Function模块内部要保留上一采样步长的状态，不能每次进来都重新初始化，所以要用persistent变量保存状态向量和协方差矩阵。

function [SOC_est, Q_est, R0_est, P_diag] = EKF_SOC(U_meas, I, Ts) % 修正EKF：状态向量 [SOC; U1; U2; Q; R0] persistent x P if isempty(x) x = [0.8; 0; 0; 2.6; 0.012]; % 初始SOC=80%，参数按新电池 P = diag([1e-3, 0.01, 0.01, 0.05, 1e-6]); % 初始协方差 end % --- 状态转移 --- SOC = x(1); U1 = x(2); U2 = x(3); Q = x(4); R0 = x(5); tau1 = 5.0; R1 = 0.015; % 电化学极化（固定） tau2 = 50.0; R2 = 0.02; % 浓度极化（固定） % 下一个状态估计 SOC_next = SOC - I*Ts/Q; % 注意容量是估计值，非出厂值 U1_next = U1*exp(-Ts/tau1) + I*R1*(1-exp(-Ts/tau1)); U2_next = U2*exp(-Ts/tau2) + I*R2*(1-exp(-Ts/tau2)); Q_next = Q; % 慢漂移 R0_next = R0; % 慢漂移 x_pred = [SOC_next; U1_next; U2_next; Q_next; R0_next]; % --- 雅可比矩阵 F（状态转移线性化） --- % 对SOC求导：d(SOC_next)/dSOC=1, d(SOC_next)/dQ = I*Ts/Q^2 F = eye(5); F(1,1) = 1; F(1,4) = I*Ts/Q^2; F(2,2) = exp(-Ts/tau1); F(3,3) = exp(-Ts/tau2); % --- 预测协方差 --- Qn = diag([1e-6, 1e-6, 1e-6, 1e-8, 1e-10]); % 过程噪声 P_pred = F * P * F' + Qn; % --- 观测方程及其雅可比 H --- % 预测端电压 OCV = OCV_table(SOC_next); % 需要外部查表函数 dOCV_dSOC = dOCV_table(SOC_next); U_meas_pred = OCV - U1_next - U2_next - I*R0_next; H = zeros(1,5); H(1,1) = dOCV_dSOC; H(1,2) = -1; H(1,3) = -1; H(1,5) = -I; % --- 卡尔曼增益 --- R_meas = 1e-3; % 电压测量噪声方差 S = H * P_pred * H' + R_meas; K = P_pred * H' / S; % --- 状态更新 --- innov = U_meas - U_meas_pred; x = x_pred + K * innov; % --- 协方差更新 --- P = (eye(5) - K * H) * P_pred; % 输出 SOC_est = x(1); Q_est = x(4); R0_est = x(5); P_diag = diag(P); end

这段代码有几个细节要特别强调：第一，(F(1,4)=ITs/Q^2) 这行的来源是 (SOC_{next}=SOC-ITs/Q) 对 (Q) 求偏导，很多人会漏掉这个交叉项，结果容量状态完全无法更新；第二，(OCV) 和 (dOCV/dSOC) 都是查表函数，要确保输入 (SOC_{next}) 在插值范围内，避免出现NaN把协方差污染掉；第三，(Qn) 中 (Q) 和 (R_{0}) 的过程噪声要设得比其他状态小很多，否则EKF会把参数的随机波动当成真实变化，导致估计方差偏大，这也是前面"慢漂移假设"的直接实现。

4.4 初始协方差、噪声矩阵与仿真步长的整定规律

EKF参数整定是整个复现里最耗时的部分，我梳理一下我的整定顺序和经验值：

初始协方差 (P_0)：物理含义是对初始状态不确定性的度量。初始SOC不确定度大就设大（比如0.1），极化电压初始为0但可能有偏差就设为0.01左右，(Q) 和 (R_{0}) 的初始不确定性设为额定值的5%左右。如果 (P_0) 全设得特别小，EKF会"过于自信"，后续观测值几乎不起作用；如果设得特别大，表现为初期估计震荡剧烈，要几个工况周期才能收敛。

过程噪声 (Q) 和观测噪声 (R)：比值 (Q/R) 决定了滤波器在"信模型"和"信测量"之间的权重。我的经验是先用静态工况（恒流）粗调，让SOC估计不发散；再换动态工况细调，让残差序列尽量白化——如果残差有明显相关性（比如连续同正或同负），说明模型有系统偏差或噪声矩阵比例不对；如果残差随机且均值接近0，基本上就调到位了。

仿真步长 (Ts)：用固定步长，但 (Ts) 不是越小越好。步长太小，单次观测更新的增益变化极小，参数辨识时间会拉得很长；步长太大，状态转移线性化误差大，一阶近似精度不够。我复现时用 (0.1s) 步长，在 (Ts) 大于0.5s的实验中，EKF在快动态工况下明显出现收敛变慢的问题。

这些参数没有黄金法则，必须结合具体电池参数、工况和噪声水平标定。可以把参数整定理解为调音响系统的EQ，不同频段要配不同增益，固定一套参数走天下是不可能的事。

5. 结果验证与对比：修正前后的差距有多大

5.1 仿真场景设计

为了检验算法效果，我设置了两种老化程度下的工况对比。

工况一：**新电池（初始状态）**下的动态放电工况，电流序列包含阶跃、脉冲和恒流段，这个工况验证基础算法有效性；工况二：**老化电池（模拟800循环后）**下的同一工况，此时容量衰减到约80%、内阻增长约25%，用来检验修正EKF能否在参数失配的情况下维持估计精度。

对照组就是标准EKF，固定 (Q=2.6Ah)、(R_{0}=0.012\Omega)。在工况一里，对照组和修正EKF的表现几乎一样，误差都在1%~2%以内。到了工况二，对照组的SOC估计迅速向上漂移——因为实际容量只有2.08Ah，但标准EKF还在按2.6Ah做安时积分，相当于每次积分都高估，SOC误差随放电时间线性增长，到工况结束时已经接近14%。而修正EKF在最初的几百秒内，(Q) 值从2.6Ah逐步收敛到2.15Ah左右，SOC估计误差被拉回到3%以内。

修正前最大误差约14%，修正后约2.5%，这个差距就是"考虑老化"的价值。如果你复现时跑不出这种对比效果，说明EKF的参数辨识没有真正生效，大概率卡在交叉偏导项或过程噪声比例上。

5.2 性能指标：别只盯一个误差值

论文里评价SOC估计效果常用的有三个指标：RMSE（均方根误差）、最大绝对误差和收敛时间。RMSE反映整体估计质量，最大绝对误差反映极端偏差风险，收敛时间反映参数变化后的响应速度。我把三个都算了一遍：

另外还需要量化参数辨识的收敛速度。仿真结果显示，修正EKF在工况开始后约200秒左右，(Q) 估计值已经收敛到真值的±2%范围内，(R_{0}) 的收敛稍慢（约400秒），这与理论预期一致——内阻的辨识需要更丰富的电流变化激励，恒流段对内阻辨识几乎没有贡献。

只看SOC误差固然重要，但算法内部参数的收敛趋势一样值得画出来看：如果 (Q) 的估计方向一直不变，说明系统对容量失配有持续的"检测能力"；如果 (Q) 在真值附近反复震荡，则说明过程噪声比例不合适，需要做相应调整。

5.3 仿真调试中容易踩的坑

最后把我在复现过程中踩过的、代价最高的几个坑列在这里。

坑一：MATLAB Function里 persistent 变量的采样步长问题。在Simulink的离散求解器中，MATLAB Function模块的执行频率取决于驱动信号的变化频率。这里建议把电流和电压信号经过一个零阶保持器再接进EKF模块，确保每个仿真步长只计算一次。否则，在信号跳变沿处模块可能被重复执行，persistent变量会在同一个时间点被连续更新多次，相当于在同一时刻执行了好几次卡尔曼更新，协方差会被过度压缩，看起来就是"滤波器很快就死了，后面完全靠预测在漂"。

坑二：OCV查表函数在SOC超出[01]范围时的处理。估计值在动态工况中偶尔会短暂超出0~1区间（尤其初始化阶段），如果查表函数不做饱和处理，会出现错误输出，导致残差爆炸、协方差发散。我的做法是查表前对SOC做min(max(0)，1))限幅，并在输出端做同样的限幅处理。这个简单的保护能让稳定性提升一个量级。

坑三：老化参数的"剧本"和"估计"必须分开建模。真值电池模型里的 (Q_{aged}) 是严格按照老化规律变化的定值，而EKF模块里的 (Q) 是估计值，二者不能共用同一个信号线。如果你把EKF算出来的 (\hat{Q}) 直接送给电池模型作为容量参量，系统就会形成"自我实现"的正反馈，仿真结果看起来非常漂亮，但完全丧失了验证意义。这是论文复现里最隐蔽也最致命的错误，务必牢记。

坑四：固定步长仿真中 (OCV) 查表引起的代数环问题。EKF模块中的预测端电压需要查 (OCV(SOC_{next}))，但 (SOC_{next}) 本身是模块内部状态，不属于输入信号，所以一般不会形成代数环。但是如果你把端电压预测值做成子模块输出，然后用于计算残差，Simulink可能误判出现代数环并报错或者采用变步长求解器。解决方式是检查求解器设置，CPU时间允许的话优先选择固定步长的ode3/ode4，从根上避开代数环问题。

6. 关于复现这件事的一点个人体会

论文复现最忌讳的事情，就是一上来就闷头搭模型。先把论文里的公式全部手推一遍，把每个状态变量的物理含义、每个噪声矩阵的作用都搞清楚，再动手写代码——这样可以省下至少一半的调试时间。我这次复现最大的收获不是跑通了仿真，而是真正理解了EKF的数学结构和电池模型的边界条件之间的关系，比如容量这个参数不是在状态方程里"顺便"出现的，它天生和SOC之间有交叉耦合，如果忽略这个耦合，整个状态估计的精度上限是很低的。

在实际项目里，这套修正算法的价值更多体现在长期使用场景：电动车的电池包从出厂到退役中间经历几千次循环，SOC估计不能越用越偏，修正EKF正好让估计值在全生命周期内保持一致。当然它也有局限性——当老化参数发生突变（比如某节电芯突然内短路）时，慢漂移假设下的EKF会反应迟钝，这时需要结合电池不一致性检测或突变检测逻辑做兜底。

如果你在复现过程中发现SOC估计在老化场景下仍然有较大稳态误差，不妨重点检查两个地方：一是观测方程对 (R_{0}) 的灵敏度是否足够（电流太小的情况下内阻信息确实难以被有效提取），二是状态向量的可观测性结构设计是否合理——容量和内阻同时放进状态并保持高精度估计，本身就需要足够的激励条件来满足可观测性要求，否则会出现参数相互吞噬的现象。遇到这种情况，可以尝试分时辨识：先通过短时间的动态工况辨识内阻，再把辨识结果固定，最后集中更新容量。虽然原理上不如联合估计优雅，但工程上往往更稳。

最后再分享一个小技巧：调试EKF时建议把残差序列（innov）单独画出来看变化趋势和相关性。如果残差一直偏正或者偏负，说明模型有系统偏差，滤波器在努力"追"但追不上；如果残差符合零均值白噪声特征，那你的模型和滤波器已经处于非常好的匹配状态。这个技巧适用于几乎所有的滤波类算法调试，算是隐藏在细节里的通用经验。