第2章电池模型基础

电池模型基础：从电芯特性到等效电路模型

做电池管理系统这些年，我最大的体会就是：模型是算法的灵魂。卡尔曼滤波再漂亮，如果模型不准，结果就是垃圾进垃圾出。今天咱们就聊聊电池模型的基础，把电芯的工作原理、等效电路模型的分类，以及最常用的一阶RC和二阶RC模型讲透。

先说说电池是怎么工作的。说白了，锂离子电池就是靠锂离子在正负极之间来回跑。充电时，锂离子从正极脱出，穿过电解液，嵌入负极；放电时反过来。这个过程伴随着电子的流动，就产生了电流。

但这里有个关键点：电池不是理想电压源。它的特性很复杂，我总结了几点核心的：

开路电压（OCV）与SOC的关系：OCV随SOC变化，但不是线性的。尤其在低SOC区域，曲线很陡。我在项目中遇到过，如果OCV-SOC曲线标定不准，卡尔曼滤波的收敛速度会明显变慢。
极化效应：电池内部有电化学极化、浓差极化。说白了就是电流流过时，电压会有一个滞后响应。你突然拉大电流，电压不会立刻掉到底，而是慢慢掉下去。
温度敏感性：低温下内阻增大，容量减少。这个在实车中特别明显，冬天续航打折，很大程度是内阻变化导致的。
迟滞效应：充电和放电的OCV曲线不一样。嗯，这个在磷酸铁锂电池上尤其明显，卡尔曼滤波如果不考虑迟滞，估计误差会偏大。

核心观点：电池模型的本质，就是用数学表达式去逼近这些真实特性。模型越准，卡尔曼滤波的估计精度就越高。

等效电路模型，就是用电阻、电容这些元件来模拟电池的行为。为什么用ECM？因为它的计算量小，适合嵌入式实时运行。你想想看，BMS芯片的算力有限，不可能跑复杂的电化学模型。

常见的ECM分类如下：

我个人习惯，工程上最常用的是二阶RC模型。一阶RC在动态响应快的场景下误差偏大，而三阶以上计算量增加但精度提升有限，性价比不高。

一阶RC模型，也叫Thevenin模型。它的结构很简单：一个理想电压源（OCV），一个欧姆内阻R0，一个RC并联网络（R1、C1）。

数学表达式是这样的：

U_t = OCV(SOC) - I * R0 - U1

dU1/dt = -U1/(R1*C1) + I/C1

其中U1是极化电压，I是电流（放电为正）。

这个模型能模拟电池的极化效应，但只有一个时间常数。什么意思呢？就是它假设电池的极化过程只有一个时间尺度。但实际电池有快极化和慢极化两种，所以一阶RC在动态工况下会有些偏差。

我的经验：一阶RC模型适合SOC变化缓慢、电流变化不大的场景，比如储能系统。但在电动汽车急加速、急减速时，误差会比较明显。

二阶RC模型在一阶的基础上，增加了一个RC网络。结构变成：OCV + R0 + R1C1 + R2C2。

数学表达式：

U_t = OCV(SOC) - I * R0 - U1 - U2

dU1/dt = -U1/(R1*C1) + I/C1
dU2/dt = -U2/(R2*C2) + I/C2

这里R1C1模拟快极化（电化学极化），R2C2模拟慢极化（浓差极化）。两个时间常数，能更准确地描述电池的动态响应。

我曾经在项目中对比过一阶和二阶模型。在UDDS工况下，一阶模型的端电压误差在50mV左右，而二阶模型能降到20mV以内。对于卡尔曼滤波来说，这30mV的差异，直接决定了SOC估计的精度。

注意：二阶RC模型虽然精度高，但参数辨识也更复杂。R0、R1、C1、R2、C2这五个参数都需要标定，而且它们都随SOC和温度变化。如果标定数据不够充分，反而会引入误差。

要把模型用在卡尔曼滤波里，需要写成状态空间形式。以二阶RC模型为例：

状态向量：x = [SOC, U1, U2]^T

状态方程：

SOC(k+1) = SOC(k) - η*Δt*I(k)/Q
U1(k+1) = exp(-Δt/τ1)*U1(k) + R1*(1-exp(-Δt/τ1))*I(k)
U2(k+1) = exp(-Δt/τ2)*U2(k) + R2*(1-exp(-Δt/τ2))*I(k)

其中τ1=R1*C1，τ2=R2*C2，η是库仑效率，Q是电池容量。

观测方程：

U_t(k) = OCV(SOC(k)) - I(k)*R0 - U1(k) - U2(k)

这个形式，就是卡尔曼滤波的输入。你想想看，有了这个模型，卡尔曼滤波就能根据端电压和电流的测量值，实时估计SOC和极化电压。

下面这张图，是我梳理的本章知识体系。从电池特性出发，到ECM分类，再到一阶和二阶模型的对比，最后落到卡尔曼滤波的应用上。

这张图把整个逻辑串起来了。从电池特性出发，选择ECM模型，然后进行参数辨识和状态空间表达，最后应用到卡尔曼滤波中。每一步都环环相扣。

总结一下：一阶RC模型简单实用，适合对精度要求不高的场景；二阶RC模型精度更高，但参数辨识工作量也更大。我个人建议，如果算力允许，优先选择二阶RC模型。毕竟卡尔曼滤波的精度，很大程度上取决于模型的准确度。

好了，这一章的内容就到这里。模型是基础，下一章我们会深入参数辨识的具体方法，到时候再聊。