电池管理系统经常同时讨论 SOC、SOH 和 RUL。SOC 描述当前剩余电量，SOH 描述相对于初始状态的健康程度，RUL 试图预测到达失效阈值之前还能运行多久。它们彼此相关，却不是同一个问题：SOC 是快速变化的状态，SOH 是缓慢退化的参数，而 RUL 还依赖未来工况假设。

一个只输出单点数值的模型看起来很确定，但温度、老化路径、传感器偏置与未来负载都会让估计产生分布。工程系统除了回答“是多少”，还需要回答“有多确定，以及不确定时怎么办”。

SOC：库仑计量需要校准锚点

库仑计量通过对电流积分更新 SOC，计算简单且适合实时运行，但初始 SOC 错误和电流传感器偏置会不断累积。开路电压法可以提供校准锚点，却要求电池充分静置，并且 OCV-SOC 曲线受到温度与老化影响。

等效电路模型结合扩展卡尔曼滤波、无迹卡尔曼滤波或粒子滤波，是常见折中方案。模型通过端电压残差修正 SOC，但结果依赖参数辨识质量。若内阻和极化时间常数仍使用新电池参数，老化后的滤波器可能稳定地收敛到错误值。

因此 SOC 评测不能只在单一工况循环上计算 RMSE。应覆盖不同温度、倍率、初始状态和老化阶段，并检查峰值误差、收敛时间、静置恢复以及传感器偏置下的鲁棒性。

SOH：先说明健康的定义

容量 SOH 常定义为当前可用容量与额定初始容量之比，功率 SOH 则更关注内阻上升和峰值输出能力。两种定义服务于不同决策，不能混用一个标签。

完整充放电容量测试准确却耗时，在线系统通常从增量容量曲线、差分电压、内阻、充电阶段时长和温度响应中提取健康特征。数据驱动模型可以学习复杂映射，但必须防止“电池身份泄漏”：同一只电芯的相邻循环若同时出现在训练与测试中，结果会显著高估跨电芯泛化能力。

更合理的划分按电芯或电池包进行，并单独测试未见过的温度与工况。模型还要报告对额定容量差异、采样频率变化和缺失充电片段的敏感度。

RUL 是带条件的预测

剩余寿命不是电池自身携带的固定数字。未来高温快充和浅循环会产生不同退化轨迹，所以 RUL 必须附带使用情景或概率分布。只给出“还剩 180 次循环”，却不说明未来负载假设，容易产生虚假的精确感。

一种做法是先用状态空间模型或退化模型估计隐含健康状态，再对未来工况进行蒙特卡洛传播，得到失效时间分布。深度时序模型也可以直接输出分位数或概率参数，但需要检查区间校准：标称 90% 的区间是否真的覆盖约 90% 的失效时间。

随着新数据到来，RUL 分布应该逐步收窄。若模型在寿命早期就给出极窄区间，通常不是它掌握了未来，而是没有充分表达认知不确定性。

不确定性如何进入控制逻辑

估计区间只有影响决策时才有价值。SOC 下界接近保护阈值时，能量管理系统应采用更保守的可用能量；SOH 置信度不足时，可以触发诊断工况或人工复核；RUL 分布跨越检修窗口时，应比较提前更换与失效风险的成本。

系统还应区分数据质量告警和电池状态告警。电压传感器断线导致的不确定性上升，不应该被误报为电池突然衰退。输入质量、模型适用域、估计结果和最终控制动作需要分别记录。

一套更可信的验证矩阵

验证矩阵至少包含温度、倍率、SOC 区间、老化阶段、电芯批次和传感器扰动。指标同时报告平均误差、最坏误差、区间覆盖率、异常工况恢复时间和计算延迟。对于嵌入式 BMS，还必须在目标 MCU 上测量执行周期、内存和数值稳定性。

最终目标不是在离线数据上得到一个漂亮的 SOC 曲线，而是在真实边界内持续知道系统状态，以及何时不应相信自己的估计。

参考资料