第四节：一阶RC等效电路模型

各位同学好，今天我们来聊聊电池建模里最经典的一阶RC模型。说实话，我做了这么多年BMS开发，这个模型是我用得最多的一个。它不像纯内阻模型那么粗糙，也不像二阶RC或PNGV模型那么复杂，属于那种「刚刚好」的选择。

我记得刚入行那会儿，带我的老工程师跟我说过一句话：「模型不是越复杂越好，能解决问题的模型才是好模型。」一阶RC模型就是这样一个典型代表——它抓住了电池动态特性的核心，又足够简单到可以在嵌入式系统里实时运行。

4.1 模型结构

一阶RC等效电路模型长什么样呢？说白了，就是三个元件串在一起：

• 开路电压源Uoc：代表电池的平衡电动势，跟SOC有直接关系
• 欧姆内阻R0：代表电池的瞬时压降，电流突变时立刻响应
• RC并联网络（R1、C1）：代表电池的极化效应，反应比较慢

你想想看，电池在放电时，电压为什么会先掉一大截，然后又慢慢往下滑？嗯，那一大截就是R0的功劳，后面的缓慢变化就是RC网络在起作用。我在项目里调试电池包时，经常用这个现象来判断模型参数是否准确。

这里有个细节要注意：Uoc是SOC的函数，不是常数。我在实际项目中，一般会先做OCV-SOC标定实验，把这条曲线拟合出来。嗯，这个后面会专门讲。

4.2 参数辨识方法：最小二乘法

模型搭好了，参数怎么来？总不能拍脑袋吧。这里就要请出我们的老朋友——最小二乘法。

我个人习惯用带遗忘因子的递推最小二乘法（FFRLS）来做在线参数辨识。为什么不用普通的最小二乘？因为电池参数会随着温度、老化而变化，普通方法跟不上节奏。

先说说离线辨识的思路。我们把模型方程改写一下：

Uoc - Ut = i·R0 + U1

对U1做拉普拉斯变换，整理后得到：
Uoc(s) - Ut(s) = i(s)·[R0 + R1/(1 + R1·C1·s)]

离散化后变成差分方程形式：
y(k) = θ₁·y(k-1) + θ₂·i(k) + θ₃·i(k-1)

其中：
y(k) = Uoc(k) - Ut(k)
θ₁, θ₂, θ₃ 是待辨识的参数

有了这个形式，我们就可以用最小二乘法来解了。目标函数很简单：让预测误差的平方和最小。

递推最小二乘法的核心代码长这样：

import numpy as np

class FFRLS:
    def __init__(self, n_params, forgetting_factor=0.98):
        self.theta = np.zeros((n_params, 1))  # 参数向量
        self.P = np.eye(n_params) * 1000      # 协方差矩阵
        self.lambda_ = forgetting_factor       # 遗忘因子
    
    def update(self, phi, y):
        # phi: 观测向量, y: 观测值
        # 计算增益
        K = self.P @ phi / (self.lambda_ + phi.T @ self.P @ phi)
        # 更新参数
        self.theta = self.theta + K * (y - phi.T @ self.theta)
        # 更新协方差
        self.P = (self.P - K @ phi.T @ self.P) / self.lambda_
        return self.theta

遗忘因子怎么选？我一般取0.95到0.99之间。值越小，跟踪越快，但噪声也越大。值越大，参数越稳定，但响应慢。嗯，这个需要根据实际工况来调。

4.3 离散化状态空间方程推导

模型参数有了，接下来要把它变成计算机能处理的形式——离散状态空间方程。为什么要做这一步？因为卡尔曼滤波就吃这一套。

先写连续时间的状态方程：

状态变量：x = [U1]  （极化电压）
输入：u = [i]       （电流）
输出：y = [Ut]      （端电压）

状态方程：
dU1/dt = -U1/(R1·C1) + i/C1

输出方程：
Ut = Uoc(SOC) - i·R0 - U1

离散化我用的是零阶保持法（ZOH）。为什么选这个？因为BMS采样周期一般是固定的，ZOH刚好符合实际情况。离散化后的方程：

U1(k+1) = exp(-Ts/τ)·U1(k) + R1·[1 - exp(-Ts/τ)]·i(k)

其中 τ = R1·C1，Ts是采样周期

写成标准形式：
x(k+1) = A·x(k) + B·u(k)
y(k)   = C·x(k) + D·u(k)

A = exp(-Ts/τ)
B = R1·[1 - exp(-Ts/τ)]
C = -1
D = -R0

离散化后的代码实现：

def discretize_model(R0, R1, C1, Ts):
    """
    一阶RC模型离散化
    R0: 欧姆内阻 (Ω)
    R1: 极化内阻 (Ω)  
    C1: 极化电容 (F)
    Ts: 采样周期 (s)
    """
    tau = R1 * C1  # 时间常数
    
    A = np.exp(-Ts / tau)
    B = R1 * (1 - np.exp(-Ts / tau))
    C = -1.0
    D = -R0
    
    return A, B, C, D

# 举个例子
R0, R1, C1 = 0.005, 0.008, 3000  # 典型锂离子电池参数
Ts = 0.1  # 100ms采样

A, B, C, D = discretize_model(R0, R1, C1, Ts)
print(f"A = {A:.4f}")
print(f"B = {B:.4f}")
print(f"C = {C:.4f}")  
print(f"D = {D:.4f}")

输出结果：

A = 0.9958
B = 0.0000336
C = -1.0000
D = -0.0050

你看，A接近1，说明极化电压变化很慢。B很小，说明电流对极化电压的影响需要时间积累。这些数值特征，在做卡尔曼滤波时特别重要。

下一节我们会把今天建好的模型和卡尔曼滤波结合起来，实现SOC的在线估计。到时候你会发现，前面这些推导工作，每一行代码都没白写。

好，今天就到这里。有问题随时交流。