2. 电池基础与建模：从原理到参数辨识
做BMS这么多年，我最大的感触就是：SOC估算准不准，七分靠模型，三分靠算法。模型建不好，后面卡尔曼滤波玩出花来也救不了。今天咱们就把电池建模这块硬骨头啃下来。
核心观点：等效电路模型是工程实践中最实用的电池模型。它不像电化学模型那么复杂，又能满足SOC估算的精度要求。
2.1 电池工作原理——你得先懂它怎么干活
锂离子电池说白了就是一个摇椅。锂离子在正负极之间来回跑，充电时从正极跑到负极，放电时再跑回来。我刚开始做BMS时，总觉得这原理太简单了，没必要深究。直到有一次项目里遇到低温下SOC跳变的问题，追根溯源才发现是忽略了锂离子扩散速率随温度变化的特性。
电池的几个关键参数，你得刻在脑子里：
- OCV（开路电压）：静置足够长时间后的端电压，和SOC有单调对应关系
- 内阻：包括欧姆内阻和极化内阻，前者是导体电阻，后者是电化学反应阻力
- 容量：能放出多少电，单位Ah，会随循环次数衰减
我的经验：OCV-SOC曲线是电池的"指纹"。同一批电芯，曲线形状基本一致，但不同厂家、不同化学体系的电池，曲线差异很大。拿到新电池，第一件事就是测OCV曲线。
2.2 等效电路模型——三种主流方案对比
为什么要用等效电路模型？因为真实电池内部的电化学反应太复杂了，我们没法直接测量。用电阻、电容这些元件搭个电路，让它的外特性跟真实电池一样，这就是建模的思路。
2.2.1 Rint模型——最简单，也最粗糙
Rint模型就是一个理想电压源串一个电阻。公式很简单：
U = OCV - I * R0其中U是端电压，OCV是开路电压，I是电流（放电为正），R0是欧姆内阻。
这个模型的问题很明显：它假设电池内阻是常数。但实际电池的内阻会随SOC、温度、电流方向变化。我在一个早期项目里用过Rint模型做SOC估算，结果误差能到10%以上，后来果断放弃了。
避坑指南：我曾经见过有人用Rint模型做快充策略，结果因为没考虑极化效应，充电后期电压预测偏差大，导致充电过早终止。Rint模型只适合做非常粗略的估算，别在精度要求高的场合用。
2.2.2 Thevenin模型——工程中最常用
Thevenin模型在Rint基础上加了一组RC并联环节，用来模拟极化效应。一阶Thevenin模型的结构是：
U = OCV - I * R0 - Up
其中Up是极化电压，满足：
d(Up)/dt = I/Cp - Up/(Rp * Cp)为什么加一组RC就够了？你想想看，电池的极化效应其实可以分解为活化极化和浓差极化，时间常数不同。一阶模型用一个RC环节近似所有极化，二阶模型用两个RC环节分别模拟快慢两种极化。
我个人习惯：动力电池用一阶Thevenin就够了。二阶模型参数多，辨识起来麻烦，精度提升有限。储能电池对精度要求高，可以考虑二阶。
| 模型阶数 | 参数数量 | 精度 | 计算量 | 适用场景 |
|---|---|---|---|---|
| 一阶 | 3个（R0, Rp, Cp） | 中等 | 低 | 动力电池、实时估算 |
| 二阶 | 5个（R0, Rp1, Cp1, Rp2, Cp2） | 较高 | 中等 | 储能电池、离线分析 |
2.2.3 PNGV模型——考虑容量衰减
PNGV模型是Thevenin的升级版，多了一个电容Cb用来模拟容量变化。这个模型是美国PNGV（Partnership for a New Generation of Vehicles）项目提出的，专门针对混合动力汽车。
说实话，PNGV模型在实际工程中用得不多。原因很简单：容量衰减的建模太复杂，Cb的辨识需要大量循环老化数据。我在一个项目中试过PNGV模型，最后发现参数辨识的难度远大于精度提升的收益，又换回Thevenin了。
我的建议：新手从一阶Thevenin模型入手，先把基础打牢。等遇到精度瓶颈了，再考虑升级到二阶或PNGV模型。
2.3 模型参数辨识方法——把模型"教会"
模型结构选好了，接下来就是确定参数值。参数辨识说白了就是让模型的输出尽量接近真实电池的测量数据。
2.3.1 离线辨识——HPPC测试法
HPPC（Hybrid Pulse Power Characterization）是行业标准方法。步骤很简单：
- 把电池充到指定SOC，静置1小时
- 用大电流放电10秒，记录电压响应
- 静置40秒，记录电压恢复
- 用同样电流充电10秒，再静置
- 重复以上步骤，覆盖整个SOC范围
从HPPC数据中提取参数的方法：
# 欧姆内阻R0的提取
R0 = (U1 - U2) / I # 电流突变瞬间的电压差除以电流
# 极化参数Rp、Cp的提取
# 用指数拟合静置段的电压恢复曲线
U(t) = OCV - Up0 * exp(-t / tau) # tau = Rp * Cp我的经验：HPPC测试时，电流脉冲的持续时间要足够长，让极化充分建立。我一般用10秒脉冲，时间太短极化没建立起来，参数辨识不准。
2.3.2 在线辨识——实时更新参数
离线辨识的参数是固定的，但电池会老化、温度会变化。在线辨识就是边运行边更新参数。常用方法有：
- 递推最小二乘法（RLS）：计算量小，适合嵌入式实现
- 卡尔曼滤波：把参数也当作状态变量，联合估计
- 神经网络：数据驱动，但需要大量训练数据
我个人最常用RLS。它简单、稳定，在MCU上跑毫无压力。但要注意：RLS对激励信号有要求，如果电流一直不变，参数会发散。我一般会加一个"遗忘因子"，让旧数据的影响逐渐衰减。
避坑指南：我曾经在一个项目中，在线辨识的参数突然跳变，导致SOC估算也跟着跳。查了两天才发现是电流传感器有零漂，RLS把零漂也"辨识"成内阻变化了。所以，在线辨识前一定要做好传感器校准。
2.4 本章知识体系
下面这张图总结了电池建模的核心逻辑，从原理到模型再到参数辨识，是一条完整的技术路线：
从这张图可以看得很清楚：电池原理是基础，等效电路模型是桥梁，参数辨识是手段，最终目标是为SOC估算服务。每一步都环环相扣，哪一步做不好，最终估算精度都会受影响。
本章小结：
- 电池工作原理是建模的基础，理解锂离子"摇椅"机制有助于把握模型本质
- 一阶Thevenin模型是工程实践的最佳平衡点，推荐新手入门
- HPPC测试是离线辨识的标准方法，参数提取用指数拟合
- 在线辨识推荐RLS，但要注意激励条件和传感器校准
公众号:蓝海资料掘金营，微信deep3321