第2章电池建模基础

第2章：电池建模基础：锂离子电池等效电路模型、参数辨识方法、SOC估算原理

做储能系统这么多年，我越来越觉得电池建模是整条技术链的基石。你想想看，能量管理策略再漂亮，如果电池模型不准，那仿真结果就是空中楼阁。今天咱们就聊聊锂离子电池建模这件事，我会结合自己踩过的坑，把等效电路模型、参数辨识和SOC估算这几个核心问题讲透。

2.1 为什么要给电池建模？

说白了，电池是个高度非线性的系统。它的电压、电流、温度、SOC之间互相耦合，很难用简单的数学公式描述。我刚开始做储能项目时，直接用开路电压法估算SOC，结果误差大到20%以上，被现场工程师追着问怎么回事。

后来我明白了——我们需要一个既能反映电池动态特性，又足够简洁的模型。等效电路模型（ECM）就是这样的工具。它用电阻、电容这些基本元件来模拟电池的电气行为，计算量小，适合嵌入式实现。

核心观点：模型不是越复杂越好。在工程实践中，我们追求的是「足够好」的精度，而不是「完美」的精度。一个二阶RC模型，配合好的参数辨识算法，完全能满足储能EMS的需求。

2.2 锂离子电池等效电路模型

常见的等效电路模型有好几种，我按复杂度排个序：

Rint模型：最简单的，一个内阻串联一个电压源。精度太差，我基本不用。
一阶RC模型：加了一个RC并联环节，能模拟极化效应。适合对精度要求不高的场景。
二阶RC模型：两个RC环节，分别模拟电化学极化和浓差极化。这是工程中最常用的。
PNGV模型：在二阶RC基础上加了电容描述开路电压变化。精度高，但参数多。

我个人习惯用二阶RC模型。为什么呢？因为它在精度和计算量之间取得了很好的平衡。下面这个图展示了二阶RC模型的结构：

这个模型的数学表达式其实不复杂：

U(t) = Uoc(SOC) - I(t)·R₀ - U₁(t) - U₂(t)

其中：
  dU₁/dt = I/C₁ - U₁/(R₁·C₁)
  dU₂/dt = I/C₂ - U₂/(R₂·C₂)

Uoc是开路电压，它和SOC有固定的映射关系。R₀是欧姆内阻，R₁C₁和R₂C₂分别对应两个极化过程。嗯，这里要注意——R₀对电流突变响应最快，你测电压瞬间的跳变，基本就是R₀在起作用。

2.3 参数辨识方法

模型搭好了，参数怎么来？这就涉及到参数辨识。我常用的方法有两种：

2.3.1 离线辨识（HPPC测试法）

这是最经典的方法。具体做法是：

把电池充满电，静置2小时以上
以1C电流放电10秒，记录电压响应
静置40秒，再以0.75C充电10秒
重复上述步骤，每放10% SOC做一次

从电压响应曲线中，你可以提取出：

电压瞬间跳变 → 算出R₀
电压缓慢变化 → 拟合出R₁、C₁、R₂、C₂

我的经验：HPPC测试时，采样频率至少要10Hz以上。我曾经用1Hz采样，结果电压跳变点根本抓不准，R₀的误差大到离谱。后来改成20Hz，数据才靠谱。

2.3.2 在线辨识（递推最小二乘法）

离线辨识的缺点是——电池老化后参数会变。你想想看，用了两年的电池和全新的电池，内阻能一样吗？所以在线辨识就派上用场了。

递推最小二乘法（RLS）的核心思想是：

1. 建立参数化的差分方程模型
2. 实时采集电压、电流数据
3. 用RLS算法递推更新参数
4. 每步计算增益矩阵和协方差矩阵

代码实现大概长这样：

function [theta_hat, P] = rls_update(y, phi, theta_hat_prev, P_prev, lambda)
    % y: 当前观测值（电压）
    % phi: 回归向量（历史电压、电流）
    % lambda: 遗忘因子（通常0.95~0.99）
    
    K = P_prev * phi' / (lambda + phi * P_prev * phi');
    e = y - phi * theta_hat_prev;
    theta_hat = theta_hat_prev + K * e;
    P = (P_prev - K * phi * P_prev) / lambda;
end

避坑指南：遗忘因子lambda的选择很关键。lambda太大（接近1），参数更新慢，跟不上电池老化；lambda太小，参数波动大，容易发散。我一般取0.98，然后根据实际效果微调。

2.4 SOC估算原理

SOC是电池管理的核心参数。说白了，就是电池还剩多少电。但直接测量SOC是不可能的，只能通过其他可测参数来估算。

2.4.1 安时积分法

这是最直观的方法：

SOC(t) = SOC(0) - ∫I(t)dt / Q_n

其中Q_n是电池额定容量。这个方法简单，但误差会累积。我记得有一次做长周期仿真，安时积分跑了200个循环，SOC误差漂到了15%。

2.4.2 开路电压法

利用Uoc和SOC的映射关系。但问题是——电池必须静置足够长时间，电压才能稳定到Uoc。你想想看，储能系统在运行中，哪有时间让你静置？

2.4.3 卡尔曼滤波法（推荐）

这是目前工程中最主流的方法。它把安时积分和电压校正结合起来，既利用了电流积分的长处，又用电压测量来修正误差。

扩展卡尔曼滤波（EKF）的步骤：

预测步：用安时积分预测SOC
更新步：用电压测量值修正预测值
计算卡尔曼增益：权衡预测和测量的可信度

核心公式：

状态方程：x(k+1) = A·x(k) + B·I(k) + w(k)
观测方程：U(k) = Uoc(SOC(k)) - I(k)·R₀ - U₁(k) - U₂(k) + v(k)

其中：
  x = [SOC, U₁, U₂]ᵀ  （状态向量）
  w ～ 过程噪声
  v ～ 观测噪声

我做过对比测试：纯安时积分法，100个循环后SOC误差约8%；加了EKF后，误差控制在2%以内。差距很明显。

2.4.4 几种方法的对比

方法	精度	计算量	适用场景	我的评价
安时积分	低（误差累积）	极低	短时间、高精度电流传感器	不推荐单独使用
开路电压法	中（需静置）	低	启停工况、初始SOC标定	适合做初始化
卡尔曼滤波	高（2%以内）	中	动态工况、长期运行	强烈推荐
神经网络	高（需训练）	高	数据充足、算力充裕	适合研究，工程慎用

实用建议：我现在的做法是「安时积分+卡尔曼滤波」组合。安时积分做快速预测，卡尔曼滤波做定期校正。这样既保证了实时性，又控制了误差。另外，初始SOC一定要用开路电压法标定好，否则卡尔曼滤波也得花好一阵子才能收敛。

2.5 本章小结

电池建模这件事，说难不难，说简单也不简单。关键是要理解每个参数背后的物理意义，而不是盲目套公式。我见过太多人把模型参数调得漂漂亮亮，但一上实际系统就崩了——为什么？因为模型没有考虑温度影响，没有考虑老化效应。

如果你刚开始做电池建模，我建议你从二阶RC模型入手，用HPPC数据做离线辨识，再用EKF做SOC估算。这套组合拳打好了，储能EMS的底层基础就稳了。至于更高级的模型（比如考虑滞回效应、温度耦合），那是后面章节的事。

公众号:蓝海资料掘金营，微信deep3321

📚 课程目录