3. 电池模型参数辨识：HPPC测试、最小二乘法与离线辨识流程
好，咱们进入第三讲。这一讲的核心，说白了就是怎么把电池的“脾气”摸清楚。
你想想看，我们建了一个电池模型，里面一堆参数——开路电压、欧姆内阻、极化电容、极化电阻……这些数字从哪来？总不能拍脑袋猜吧？
嗯，这就需要用到参数辨识。我个人习惯把这一步叫做“给电池做体检”。
3.1 混合脉冲功率特性（HPPC）测试
HPPC测试，全称是Hybrid Pulse Power Characterization。这名字听着挺唬人，其实就是给电池施加一串特定的电流脉冲，然后看电压怎么响应。
我在项目中遇到过最典型的场景：客户要求电池在低温下也要有好的功率输出。结果一测，低温下内阻翻了三倍。如果没有HPPC数据，你根本不知道问题出在哪。
HPPC测试的核心流程：
- 静置阶段：电池先静置1小时以上，让内部电化学反应达到平衡。这时候测到的电压就是开路电压（OCV）。
- 放电脉冲：用一个固定倍率（比如1C）的电流放电10秒。你会看到电压瞬间掉下去一块——那是欧姆内阻在作怪。
- 静置恢复：放电结束后，再静置40秒。电压会慢慢回升，这部分反映的是极化效应。
- 充电脉冲：同样用1C电流充电10秒，观察电压上升的曲线。
- 重复：在不同SOC（荷电状态）点重复上述步骤，比如从100% SOC开始，每放10%电做一次。
关键点：HPPC测试的脉冲宽度和静置时间不是随便定的。10秒脉冲对应的是短时功率特性，40秒静置是为了让极化充分建立。我见过有人把静置时间改成10秒，结果参数辨识出来一塌糊涂。
下面这张图展示了HPPC测试的完整流程，以及电压响应的关键特征点：
3.2 最小二乘法原理
好，数据拿到了。接下来怎么从这些电压电流数据里把参数抠出来？
最小二乘法，就是干这个的。它的思想特别朴素：让模型预测值和实际测量值之间的误差平方和最小。
为什么是平方和？因为平方可以放大大的误差，让优化过程更关注那些偏差大的点。我刚开始学的时候也觉得这有点绕，后来做了一次实际拟合就明白了——如果不平方，正负误差会互相抵消，你永远找不到最优解。
数学上长这样：
J = Σ (y_i - ŷ_i)²
其中：
y_i = 实际测量值（比如电压）
ŷ_i = 模型预测值
J = 损失函数，我们要让它最小对于电池模型这种线性参数系统（比如R₀、R₁、C₁），最小二乘法有解析解。说白了就是一步到位，不用迭代。
我的小技巧：在实际项目中，我一般先用最小二乘法算一遍，得到初始值。然后再用非线性优化（比如粒子群算法）微调。这样既快又准。
3.3 离线参数辨识流程
离线辨识，就是拿已经采集好的数据，一次性把所有参数算出来。在线辨识则是边跑边算。这一讲我们先说离线。
完整的离线辨识流程：
- 数据预处理：把HPPC测试数据导进来，去掉异常点，做平滑滤波。我见过有人直接拿原始数据跑，结果因为一个噪声点，参数偏了20%。
- OCV-SOC曲线拟合：用静置阶段的电压数据，拟合出OCV和SOC的关系。一般用多项式拟合，阶数选5-7阶就够。
- 欧姆内阻R₀辨识：看脉冲开始瞬间的电压跳变。ΔV / ΔI 就是R₀。
- 极化参数R₁、C₁辨识：用脉冲结束后的电压恢复曲线，拟合RC网络的响应。
- 参数验证：把辨识出来的参数代入模型，跑一遍仿真，看和实测数据对得上不。
我曾经踩过的坑：有一次我忽略了温度对参数的影响。夏天标定的参数，冬天直接用，结果SOC估计误差飙到8%。后来我学乖了，每个温度点都单独做HPPC，建立参数-温度查找表。
下面这个表格总结了不同SOC点下，典型锂电池的参数范围（仅供参考，具体以实测为准）：
| SOC (%) | OCV (V) | R₀ (mΩ) | R₁ (mΩ) | C₁ (F) |
|---|---|---|---|---|
| 100 | 4.20 | 0.85 | 0.42 | 3200 |
| 80 | 4.05 | 0.88 | 0.45 | 3100 |
| 60 | 3.92 | 0.92 | 0.48 | 2950 |
| 40 | 3.78 | 0.98 | 0.52 | 2750 |
| 20 | 3.60 | 1.10 | 0.60 | 2500 |
| 0 | 3.20 | 1.35 | 0.75 | 2100 |
看到没？SOC越低，内阻越大，极化电容越小。这就是为什么低电量时电池“没劲”——内阻大了，电压掉得快。
最后，我贴一段最小二乘法辨识R₀的Python代码。这段代码我在好几个项目里复用，基本没改过：
import numpy as np
def identify_R0(current, voltage, pulse_start_idx, pulse_end_idx):
"""
用最小二乘法辨识欧姆内阻 R0
current: 电流数组 (A)
voltage: 电压数组 (V)
pulse_start_idx: 脉冲开始时刻的索引
pulse_end_idx: 脉冲结束时刻的索引
"""
# 取脉冲开始前后的数据点
v_before = voltage[pulse_start_idx - 2 : pulse_start_idx]
v_after = voltage[pulse_start_idx : pulse_start_idx + 2]
i_before = current[pulse_start_idx - 2 : pulse_start_idx]
i_after = current[pulse_start_idx : pulse_start_idx + 2]
# 计算电压跳变
delta_v = np.mean(v_after) - np.mean(v_before)
delta_i = np.mean(i_after) - np.mean(i_before)
# R0 = delta_v / delta_i
R0 = delta_v / delta_i
return abs(R0) # 内阻取正值嗯，代码不长，但很实用。你想想看，如果没有这步，你连电池最基本的特性都抓不住。
这一讲的内容就到这。参数辨识是电池建模的基石，HPPC测试是获取数据的标准方法，最小二乘法是提取参数的核心工具。把这三点吃透了，后面的卡尔曼滤波才能跑得稳。
公众号:蓝海资料掘金营，微信deep3321