4、参数辨识方法：最小二乘法、带遗忘因子的递推最小二乘法、卡尔曼滤波入门
说到电池SOP预测，核心问题是什么？说白了，就是电池模型里的那些参数——内阻、开路电压、极化电容——我们没法直接测量。你拿万用表量不出R0，也量不出R1、C1。那怎么办？只能靠算法去“猜”，去“辨识”。
我个人习惯把参数辨识比作“盲人摸象”。你摸到的是系统的输入输出数据（电流、电压），但你要反推出大象的形状（模型参数）。今天我们就聊聊三种最常用的“摸象”方法：最小二乘法、带遗忘因子的递推最小二乘法，还有卡尔曼滤波的入门思路。
4.1 最小二乘法：最朴素的“拟合”思想
先讲最基础的。最小二乘法，英文叫Least Squares。它的思想特别简单：让模型预测值和实际测量值之间的误差平方和最小。
举个例子。假设我们有一个简单的电池模型：
U(t) = OCV + R * I(t) + e(t)其中U是端电压，OCV是开路电压，R是内阻，I是电流，e是误差。我们采集了一堆(U, I)数据点，想找到最合适的R和OCV。最小二乘法就是干这个的。
数学上，它解一个线性方程组：
θ = (X^T * X)^{-1} * X^T * Y其中θ是待辨识的参数向量，X是输入矩阵，Y是输出向量。
核心要点：最小二乘法是一次性处理所有数据。你采集完一整段数据，然后离线计算。优点是稳定、精度高；缺点是需要存储所有数据，计算量大，不适合实时系统。
我在项目中遇到过一个问题：用最小二乘法辨识出来的参数，在实验室静态工况下表现很好，但一上车载动态工况就崩了。为什么？因为电池参数是时变的，而最小二乘法假设参数是常数。这就引出了下一种方法。
4.2 带遗忘因子的递推最小二乘法
递推最小二乘法（RLS）解决了“实时更新”的问题。它不需要存储所有历史数据，而是每来一个新数据点，就更新一次参数估计。
但普通的RLS有个毛病：随着时间推移，旧数据的影响会一直累积，导致算法对新数据的变化不敏感。说白了，就是“记性太好”，忘了电池参数是会老化的。
所以就有了带遗忘因子的递推最小二乘法（FFRLS）。核心思想是：给旧数据打个折扣，让算法更关注新数据。
遗忘因子λ的取值范围是(0, 1]，通常取0.95到0.99之间。λ越小，遗忘越快，算法对参数变化越敏感，但噪声也越敏感。λ=1时退化为普通RLS。
递推公式如下：
K(k) = P(k-1) * φ(k) / [λ + φ(k)^T * P(k-1) * φ(k)]
θ(k) = θ(k-1) + K(k) * [y(k) - φ(k)^T * θ(k-1)]
P(k) = [I - K(k) * φ(k)^T] * P(k-1) / λ其中K是增益矩阵，P是协方差矩阵，φ是数据向量。
实战技巧：我建议遗忘因子不要固定。在电池SOC变化剧烈时（比如急加速），用较小的λ（0.95）；在稳态工况下，用较大的λ（0.99）。这叫“变遗忘因子RLS”，效果比固定值好很多。
我曾经踩过一个坑：遗忘因子设得太小（0.9），结果参数估计值跟着噪声剧烈抖动，SOP预测值忽高忽低，控制器都不敢用。后来改成0.97，稳多了。
4.3 卡尔曼滤波入门：从“状态估计”角度看参数辨识
卡尔曼滤波（KF）是另一个思路。它不直接辨识参数，而是估计系统的“状态”。在电池领域，状态可以是SOC，也可以是极化电压，甚至可以把内阻也当作状态来估计。
卡尔曼滤波的核心是“预测-更新”两步走：
- 预测步：根据上一时刻的状态和系统模型，预测当前时刻的状态和误差协方差。
- 更新步：用当前时刻的测量值，修正预测值，得到最优估计。
数学上，它假设系统是线性的，噪声是高斯白噪声。公式如下：
预测：
x̂(k|k-1) = A * x̂(k-1|k-1) + B * u(k)
P(k|k-1) = A * P(k-1|k-1) * A^T + Q
更新：
K(k) = P(k|k-1) * H^T * [H * P(k|k-1) * H^T + R]^{-1}
x̂(k|k) = x̂(k|k-1) + K(k) * [z(k) - H * x̂(k|k-1)]
P(k|k) = [I - K(k) * H] * P(k|k-1)其中Q是过程噪声协方差，R是测量噪声协方差。这两个参数怎么调？嗯，这里要注意：Q和R的比值决定了滤波器的“信任倾向”。Q大，说明模型不可靠，更相信测量值；R大，说明测量噪声大，更相信模型预测。
避坑指南：我曾经把Q设得太小，R设得太大，结果卡尔曼滤波器几乎不更新，完全跟着模型走。电池SOC估计误差越来越大，最后系统报警了。调Q和R没有捷径，建议用实际数据跑一遍，观察残差分布，再手动微调。
卡尔曼滤波和RLS有什么关系？你想想看，如果把参数也当作状态变量，那么参数辨识问题就变成了状态估计问题。这就是“扩展卡尔曼滤波”（EKF）的思路——把参数扩进状态向量里，一起估计。
4.4 三种方法的对比与选择
我把这三种方法的特点整理了一下，方便你对比：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 最小二乘法 | 离线标定、实验室测试 | 稳定、精度高、理论成熟 | 不能实时更新、存储量大 |
| FFRLS | 在线参数辨识、实时系统 | 计算量小、跟踪时变参数 | 对遗忘因子敏感、噪声放大 |
| 卡尔曼滤波 | 状态估计、联合估计 | 可同时估计状态和参数、有噪声模型 | 调参复杂、非线性系统需扩展 |
我个人习惯是：在BMS量产项目中，FFRLS用得最多。为什么？因为它计算量小，嵌入式MCU跑得动，而且参数辨识效果足够好。卡尔曼滤波更适合做SOC估计，或者做“参数+状态”联合估计的进阶方案。
一句话总结：离线标定用最小二乘法，在线实时用FFRLS，追求精度和鲁棒性用卡尔曼滤波。没有最好的方法，只有最合适的场景。
4.5 知识体系总览
下面这张图帮你理清本章的知识脉络：
好了，参数辨识这块就聊到这儿。三种方法各有千秋，你实际用的时候，建议先从FFRLS入手，跑通了再考虑要不要上卡尔曼滤波。毕竟，在嵌入式系统里，稳定和简单往往比花哨更重要。
公众号:蓝海资料掘金营，微信deep3321