第3章参数辨识数学基础

3. 参数辨识数学基础：最小二乘法原理、递推最小二乘法、带遗忘因子的递推最小二乘法

各位同学，咱们今天聊点硬核的。参数辨识，说白了就是给电池模型“量体裁衣”。你建了个模型，里面一堆参数，怎么知道它们准不准？靠猜肯定不行。这时候，最小二乘法就该登场了。

我个人习惯把最小二乘法看作是“找一条最贴近所有数据点的线”。你想想看，我们测了一堆电压、电流数据，总希望模型能完美复现这些曲线。但现实总有误差，最小二乘法就是让这些误差的平方和最小。嗯，这里要注意，平方是为了避免正负误差相互抵消。

先讲最基础的。假设我们有一个线性系统：

y = θ₁ * x₁ + θ₂ * x₂ + ... + θₙ * xₙ

其中 y 是输出，x 是输入，θ 就是我们要辨识的参数。我们采集了 m 组数据（m > n），写成矩阵形式：

Y = X * Θ

这里 Y 是 m×1 的输出向量，X 是 m×n 的输入矩阵，Θ 是 n×1 的参数向量。

最小二乘法的核心思想，就是让残差 e = Y - X*Θ 的平方和最小。通过求导并令导数为零，我们得到：

Θ = (Xᵀ * X)⁻¹ * Xᵀ * Y

这就是传说中的最小二乘解。我在项目中遇到过一个问题：如果 Xᵀ*X 接近奇异（也就是行列式接近0），这个解会非常不稳定。说白了，就是你的输入数据太“相似”了，缺乏激励。

  重要提醒： 最小二乘法要求输入信号必须充分激励。如果电池一直恒流放电，你永远辨识不出内阻和电容的区别。

上面那个公式有个大问题：每次有新数据，都要把历史数据全部重算一遍。这在嵌入式系统里根本跑不动。你想想看，电池管理系统每秒采集几十个点，要是每次都做矩阵求逆，MCU 早罢工了。

递推最小二乘法（RLS）就是来解决这个问题的。它的思路很简单：用上一时刻的参数估计值，加上新数据带来的修正量，得到当前时刻的参数值。

递推公式如下：

K(k) = P(k-1) * φ(k) / [1 + φᵀ(k) * P(k-1) * φ(k)]
θ̂(k) = θ̂(k-1) + K(k) * [y(k) - φᵀ(k) * θ̂(k-1)]
P(k) = [I - K(k) * φᵀ(k)] * P(k-1)

其中：

我建议初学者先理解这个递推过程：每次来一个新数据，先算预测误差（y(k) - φᵀ(k)*θ̂(k-1)），然后用增益 K 去修正参数。协方差矩阵 P 会随着数据增多而逐渐变小，说明参数越来越确定。

实战技巧： 初始值 P(0) 一般设为单位矩阵乘以一个大数（比如 1000），表示初始时对参数一无所知。θ̂(0) 可以设为零向量或经验值。

标准 RLS 有个致命缺陷：所有历史数据权重相同。但电池参数是会变化的！温度变了，内阻会变；SOC 变了，开路电压曲线也会变。如果还用老数据，参数估计就会滞后。

带遗忘因子的递推最小二乘法（FFRLS）就是在 RLS 的基础上，引入一个遗忘因子 λ（0 < λ ≤ 1）。λ 越小，旧数据被遗忘得越快。我一般取 λ = 0.98 ~ 0.995。

FFRLS 的递推公式变成：

K(k) = P(k-1) * φ(k) / [λ + φᵀ(k) * P(k-1) * φ(k)]
θ̂(k) = θ̂(k-1) + K(k) * [y(k) - φᵀ(k) * θ̂(k-1)]
P(k) = [I - K(k) * φᵀ(k)] * P(k-1) / λ

你看，唯一的区别就是分母多了个 λ，P 矩阵更新时除了个 λ。这个 λ 的作用，就是让协方差矩阵不会衰减到零，始终保持对新数据的敏感度。

我曾经踩过一个坑：把 λ 设得太小（比如 0.9），结果参数估计值像过山车一样剧烈抖动。后来才明白，遗忘因子太小，系统对噪声太敏感了。嗯，这里要平衡好跟踪速度和抗噪能力。

避坑指南： 我曾经在电池老化测试中用了 λ = 0.99，结果参数变化太慢，没捕捉到内阻突增的时刻。后来改成 λ = 0.97，效果就好多了。具体取值要根据数据采样率和参数变化速度来调。

我个人在实际项目中，90% 的情况都用 FFRLS。电池模型参数辨识，说白了就是个时变系统。温度、SOC、老化程度都在变，不用遗忘因子根本跟不上节奏。

最后给个小建议：刚开始做参数辨识时，先用离线最小二乘法跑一遍数据，看看参数大概在什么范围。然后再用 FFRLS 做在线辨识，这样心里有底，不容易跑飞。

好了，这一章的内容就到这里。下一章我们会讲具体的电池模型结构，以及怎么把今天学的这些数学工具用上去。