第2章电池基础与模型

第2章：电池基础与模型

做BMS这么多年，我越来越觉得一个道理：状态估计算法再花哨，如果电池模型不准，那都是白搭。说白了，模型就是算法的“地基”。这一章，我们就来聊聊这个地基该怎么打。

2.1 电化学原理：电池到底怎么工作的？

先简单回顾一下原理。锂离子电池的核心，就是锂离子在正负极之间来回“搬家”。充电时，锂离子从正极脱出，穿过电解液和隔膜，嵌入负极；放电时，方向相反。这个过程叫“嵌入/脱嵌”，不是化学反应，而是物理迁移。

嗯，这里要注意一个关键点：电池的电压，本质上是由正负极的锂浓度差决定的。浓度差越大，电压越高。所以当电池快没电时，负极的锂都快跑光了，电压自然就掉下来了。

核心公式：开路电压 OCV 与荷电状态 SOC 的关系，是电池建模的基石。OCV-SOC 曲线，我建议每个项目都要实测标定，不要用厂家给的典型值。为什么？因为不同批次、不同温度下，这条曲线会有差异。

2.2 等效电路模型：从简单到实用

电化学模型太复杂，不适合嵌入式实时计算。所以我们用电阻、电容搭一个“等效电路”，来模拟电池的动态行为。我个人最常用的有三种：

2.2.1 Thevenin 模型（一阶RC）

这是最经典的模型。一个电压源（OCV）、一个欧姆内阻 R0、一个 RC 并联网络（极化内阻 R1 和极化电容 C1）。

优点：结构简单，参数少，计算量小。
缺点：对动态工况的模拟精度有限，尤其是大电流脉冲时。
我在项目中遇到过：用 Thevenin 模型做 SOC 估计，在恒流放电时效果不错，但一旦切换到脉冲放电（比如能量回收），误差能到 5% 以上。后来我加了二阶 RC，才压下来。

2.2.2 PNGV 模型

这是美国 PNGV（Partnership for a New Generation of Vehicles）项目提出的。它在 Thevenin 基础上，串联了一个电容 Cb，用来模拟电池容量的累积效应。

特点：能反映 SOC 变化对 OCV 的影响，适合长时间放电场景。
避坑指南：我曾经在混合动力项目里用过 PNGV，发现 Cb 的辨识非常敏感，稍微有点噪声，参数就飘了。后来我改用带遗忘因子的递推最小二乘，才稳住。

2.2.3 DP 模型（双极化模型）

也就是二阶 RC 模型。两个 RC 网络，分别模拟电化学极化（快动态）和浓差极化（慢动态）。

优点：精度高，能覆盖从秒级到分钟级的动态响应。
缺点：参数多，辨识难度大。
我建议：如果你的项目对精度要求高（比如 SOC 误差 < 2%），直接上 DP 模型。别在 Thevenin 上浪费时间调参。

选型建议：低速电动车、储能系统，用 Thevenin 就够了。混合动力、快充场景，上 DP 模型。PNGV 适合需要长时间积分校正的场景，但参数辨识要小心。

2.3 模型参数辨识方法

模型搭好了，参数怎么来？总不能手调吧。这里我分享三种工程上最实用的方法。

2.3.1 离线辨识：最小二乘法

用 HPPC（混合脉冲功率特性）测试数据，把电池的电压响应曲线拆开：

电流突变瞬间的电压跳变 → 欧姆内阻 R0
电压缓慢恢复的过程 → RC 参数（R1, C1, R2, C2）

具体做法：对电压响应做指数拟合，或者用最小二乘法解线性方程组。

% 伪代码示例：一阶RC模型参数离线辨识
% 输入：电流 I，电压 V，采样时间 dt
% 输出：R0, R1, C1

% 1. 提取欧姆内阻
R0 = abs(delta_V / delta_I);  % 电流突变瞬间的电压差

% 2. 提取极化参数（用指数拟合）
V_polar = V - OCV - I*R0;  % 去掉欧姆压降
% 对 V_polar 做指数拟合：V_polar = V1 * exp(-t / tau1)
% 得到 V1 和 tau1
R1 = V1 / I;
C1 = tau1 / R1;

注意：离线辨识的参数只适用于特定 SOC 点和温度点。你需要做一张二维查表：SOC × 温度 → 参数。我见过有人只测了 25°C 的数据，结果冬天电池直接“罢工”了。

2.3.2 在线辨识：递推最小二乘（RLS）

电池在实际运行中，参数会随着老化、温度变化而漂移。这时候就需要在线辨识，实时更新参数。

RLS 的核心思想：每来一个新数据点，就修正一次参数估计值。带遗忘因子的 RLS 可以“忘记”旧数据，适应参数变化。

% 伪代码：带遗忘因子的 RLS
% 初始化：theta = [R0; R1; C1] 的初始值
% lambda = 0.98  % 遗忘因子

for k = 1:N
    % 构建观测向量 phi(k)
    phi = [V(k-1) - OCV(k-1); I(k); I(k-1)];
    % 计算增益 K
    K = P * phi / (lambda + phi' * P * phi);
    % 更新参数
    theta = theta + K * (V(k) - OCV(k) - phi' * theta);
    % 更新协方差矩阵
    P = (eye(3) - K * phi') * P / lambda;
end

工程技巧：遗忘因子 lambda 一般取 0.95~0.99。值越小，跟踪越快，但噪声也越大。我习惯在电池刚开始工作时用 0.95，稳定后切换到 0.99。

2.3.3 混合方法：离线 + 在线

这是我最推荐的做法。先用离线数据标定初始参数表，然后在运行中用 RLS 做微调。这样既保证了初始精度，又能适应老化。

你想想看，如果完全依赖在线辨识，电池刚装车时参数是乱的，SOC 估计会飞掉。如果完全依赖离线表，用了一年后参数早就不准了。

2.4 知识体系总览

下面这张图，是我自己总结的电池建模与参数辨识的完整流程。你可以把它当作一个“路线图”。

这张图把整个流程串起来了：从电化学原理出发，选择适合的等效电路模型，然后用离线或在线方法辨识参数。每一步都有坑，但每一步也都有成熟的解法。

总结一下：电池模型是状态估计的“眼睛”。模型不准，算法再牛也白搭。我个人建议，新手先从 Thevenin 模型 + 离线辨识入手，跑通流程后再升级到 DP 模型 + 在线 RLS。别一上来就想搞最复杂的，容易把自己绕进去。

📚 课程目录