（C语言版）扩展卡尔曼滤波器EKF的锂电池SoC计算仿真模型 容积卡尔曼滤波CKF进行锂电池SOC估计的C语言版本实现，包含定参和FFRLS两种情况，已在VS2019和Ubuntu 20.04.4版本中运行成功，根据输出文件数据在origin中绘图如图2，3所示

该程序是一款基于扩展卡尔曼滤波（EKF）算法的电池荷电状态（SOC）估算工具，核心目标是通过融合电池可观测数据（电流、电压等），实现对电池剩余电量状态的精准估计，适用于电池管理系统（BMS）中的电量监测场景。

核心功能与模块组成

1. 电池特性建模模块

• OCV与SOC关系建模：通过OCVfromSOC函数，基于9阶多项式拟合公式，实现从SOC值到开路电压（OCV）的计算，构建电池核心电化学特性关联模型。
• OCV对SOC的导数计算：dOCVfromSOC函数用于求解OCV相对于SOC的导数，为EKF算法中观测矩阵的动态更新提供必要参数。

2. 基础矩阵运算支持模块

提供矩阵运算的基础工具函数，支撑EKF算法的数学计算需求，包括：

• 矩阵加减（Madd、Msubstract）
• 矩阵乘法（Mmultiple）、数乘（MxN）与数除（MdivN）
• 矩阵转置（Mtranspose）

3. 扩展卡尔曼滤波（EKF）核心模块

EKF函数是SOC估算的核心实现，通过“预测-修正”闭环流程实现SOC的动态估计：

• 时间更新（预测）：基于电池系统模型，根据历史状态和当前输入（电流），预测当前SOC状态及协方差矩阵。
• 测量更新（修正）：结合电池端电压观测值，计算卡尔曼增益，对预测状态进行修正，输出最优SOC估计值。
• 状态迭代：实时更新状态矩阵和协方差矩阵，为下一次估算提供基础。

4. 电池模型参数在线辨识模块

• 遗忘因子递归最小二乘（FFRLS）算法：FFRLS函数实现电池模型参数的在线动态辨识，通过引入遗忘因子，增强算法对时变参数的跟踪能力，适应电池老化、温度变化等场景。
• 参数转换：xita2RC函数将FFRLS辨识得到的参数转换为等效电路模型中的具体参数（内阻R0、极化电阻R1/R2、极化电容C1/C2），为EKF提供准确的模型输入。

5. 主程序控制模块

实现数据处理、算法调度与结果输出的全流程控制：

• 数据输入：读取包含SOC真实值、电流、电压的测试数据（CSV格式）。
• 初始化：设置EKF（状态初始值、协方差矩阵等）和FFRLS（初始参数、遗忘因子等）的关键参数。
• 迭代计算：按时间序列循环执行参数辨识与SOC估算，具体包括：
• 构建FFRLS回归向量，更新模型参数；
• 转换参数为等效电路参数，更新EKF的状态转移矩阵与输入矩阵；
• 调用EKF算法得到当前SOC估计值；
• 保存估算结果并记录历史数据。
• 结果输出：将估算结果写入文件，并统计程序运行时间，完成流程闭环。

程序应用价值

该程序通过EKF与FFRLS的结合，兼顾了SOC估算的精度与模型的适应性，能够在电池充放电过程中实时输出可靠的SOC估计值，为电池安全管理、续航预测、充放电策略优化等提供关键数据支持，可广泛应用于电动汽车、储能系统等基于可充电电池的设备中。

（C语言版）扩展卡尔曼滤波器EKF的锂电池SoC计算仿真模型 容积卡尔曼滤波CKF进行锂电池SOC估计的C语言版本实现，包含定参和FFRLS两种情况，已在VS2019和Ubuntu 20.04.4版本中运行成功，根据输出文件数据在origin中绘图如图2，3所示