3、电池建模（一）：建立一阶RC等效电路模型、推导离散化状态空间方程、参数辨识方法概述（最小二乘法）
好，咱们正式开始聊电池建模。
说实话，做SOC估计这么多年，我最大的体会就是：模型不准，后面全白搭。你卡尔曼滤波写得再漂亮，增益算得再花哨，模型本身是错的，那估计出来的SOC就是自欺欺人。所以这一章，咱们把地基打牢。
3.1 为什么选一阶RC模型？
电池的等效电路模型有很多种——简单的有内阻模型（Rint），复杂的有二阶RC甚至三阶RC。我个人习惯是：从一阶RC开始，够用就行。
内阻模型太粗糙了，它把电池当成一个纯电阻，完全忽略了极化效应。你想想看，实际电池在充放电时，电压会有一个缓慢的“爬坡”或“下坠”过程，这就是极化电容在起作用。内阻模型根本抓不住这个特性。
二阶RC模型精度更高，但参数多了，辨识起来也更麻烦。而且在实际项目中，我发现一阶RC模型在大多数工况下已经能满足2%以内的SOC估计精度。嗯，这里要注意：模型不是越复杂越好，而是越适合越好。
核心结论：一阶RC模型在计算量、精度、参数可辨识性之间取得了最佳平衡。这是工业界最常用的折中方案。
3.2 一阶RC等效电路模型
咱们直接看图说话。一阶RC模型由以下几个部分组成：
- 开路电压OCV：一个受SOC控制的电压源，记作 \( U_{oc}(SOC) \)
- 欧姆内阻 \( R_0 \)：代表电池的瞬时电阻，电流突变时电压会立刻跳变
- 极化电阻 \( R_1 \) 和极化电容 \( C_1 \)：并联构成一个RC环节，模拟电池的极化效应
说白了，这个模型把电池的动态特性分成了两部分：
- 瞬时响应：电流变化时，欧姆内阻 \( R_0 \) 立刻引起电压跳变
- 渐变响应：RC环节让电压慢慢变化，模拟电化学极化过程
我在项目中遇到过一个问题：有些电池在低温下极化效应特别明显，一阶RC模型会有点吃力。但常温下，它真的够用了。
3.3 推导离散化状态空间方程
好，接下来是硬核部分。咱们要把电路模型变成数学方程，这样才能塞进卡尔曼滤波器里。
3.3.1 连续时间模型
根据基尔霍夫电压定律，端电压 \( U_t \) 可以写成：
U_t = U_oc(SOC) - i * R_0 - U_1其中 \( U_1 \) 是极化电容两端的电压。RC环节的动态方程是：
C_1 * dU_1/dt = i - U_1 / R_1整理一下：
dU_1/dt = -U_1/(R_1 * C_1) + i / C_1同时，SOC的变化率跟电流直接相关：
d(SOC)/dt = -i / Q_n这里 \( Q_n \) 是电池的额定容量（单位是Ah，注意单位换算）。
3.3.2 离散化处理
咱们做嵌入式系统，代码是跑在离散时间上的。所以要把连续方程变成离散形式。我习惯用一阶前向欧拉法，简单且够用。
设采样周期为 \( \Delta t \)，离散时间索引为 \( k \)：
SOC(k+1) = SOC(k) - (Δt / Q_n) * i(k)
U_1(k+1) = (1 - Δt/(R_1 * C_1)) * U_1(k) + (Δt / C_1) * i(k)写成矩阵形式，就是标准的状态空间方程：
状态方程：
x(k+1) = A * x(k) + B * i(k)
其中：
x(k) = [SOC(k); U_1(k)]
A = [1, 0; 0, 1 - Δt/(R_1*C_1)]
B = [-Δt/Q_n; Δt/C_1]
观测方程：
U_t(k) = U_oc(SOC(k)) - i(k) * R_0 - U_1(k)小技巧：在实际代码中，我通常把 \( U_{oc}(SOC) \) 做成一个查表函数。因为OCV-SOC曲线是非线性的，查表比拟合公式更灵活。记得用线性插值，别用最近邻，否则卡尔曼滤波容易震荡。
3.4 参数辨识方法概述——最小二乘法
模型建好了，参数从哪来？\( R_0 \)、\( R_1 \)、\( C_1 \) 这些值不能拍脑袋定。我们需要通过实验数据来辨识它们。
3.4.1 最小二乘法的核心思想
说白了，最小二乘法就是：找一组参数，让模型预测的电压跟实际测得的电压之间的误差平方和最小。
数学上，我们定义误差函数：
J(θ) = Σ (U_t_measured(k) - U_t_predicted(k, θ))²然后对参数 \( \theta = [R_0, R_1, C_1] \) 求偏导，令导数为零，解出最优参数。
3.4.2 常用的实验方法
我做过很多次参数辨识，最常用的方法是混合脉冲功率特性测试（HPPC）。流程大致如下：
- 把电池充到满电，静置1小时
- 以1C电流放电10秒，记录电压响应
- 静置40秒，让极化电压恢复
- 以0.75C电流充电10秒，再静置
- 每放10%的SOC，重复一次上述步骤
从电压响应曲线中，我们可以提取出：
- 欧姆内阻 \( R_0 \)：电流突变瞬间的电压跳变值除以电流
- 极化参数 \( R_1 \)、\( C_1 \)：从静置阶段的电压恢复曲线拟合得到
避坑指南：我曾经在HPPC测试中犯过一个低级错误——采样频率设得太低。电压跳变发生在毫秒级别，如果采样率只有1Hz，根本抓不住欧姆内阻的跳变。建议采样率至少10Hz以上，最好100Hz。
3.4.3 最小二乘法的两种形式
| 类型 | 特点 | 适用场景 |
|---|---|---|
| 批量最小二乘法 | 一次性处理所有数据，精度高 | 离线标定、实验室环境 |
| 递推最小二乘法 | 在线实时更新参数，计算量小 | 车载在线辨识、参数自适应 |
我个人建议：先用批量最小二乘法做离线标定，把基准参数定下来。如果后续要做自适应SOC估计，再考虑递推最小二乘法在线微调。
3.5 本章小结
这一章咱们干了三件事：
- 建立了一阶RC等效电路模型，理解了它的物理含义
- 推导了离散化状态空间方程，为卡尔曼滤波铺好了路
- 概述了最小二乘法参数辨识的基本思路和实验方法
下一章，咱们会手把手写代码，把这一章的数学模型变成真正的Python仿真程序。到时候你会看到，模型建得好，仿真跑起来有多顺畅。
记住一句话：模型是SOC估计的灵魂。参数不准，算法再牛也白搭。花时间把模型建好，后面会省心很多。