3、电池建模：等效电路模型与参数辨识方法

电池建模这事儿，说难不难，说简单也不简单。我刚开始做BMS那会儿，总觉得把电池当成一个黑盒子，测测电压电流就完事了。后来踩过坑才明白——模型选不对，后面所有的SOC估算、功率预测全是白搭。

今天咱们就聊聊电池建模里最实用的三种等效电路模型，以及怎么把那些模型参数给“揪”出来。

3.1 为什么要给电池建模？

你想想看，电池内部是个电化学反应系统，你不能直接拿万用表去量它的内阻、极化电容吧？建模的目的，就是用简单的电路元件去“模拟”电池的行为。

我个人习惯把电池模型分成三类：

• 黑箱模型：不管内部机理，只关心输入输出关系
• 白箱模型：基于电化学方程，太复杂，实时BMS跑不动
• 灰箱模型：也就是等效电路模型，兼顾精度和计算量

实际工程中，我们几乎都用灰箱模型。为什么呢？因为BMS的MCU算力有限，你不可能在芯片上解偏微分方程。

3.2 三种经典等效电路模型

3.2.1 Rint模型——最朴素的模型

Rint模型，说白了就是一个理想电压源串联一个内阻。公式很简单：

V_t = V_oc - I * R_0

其中V_t是端电压，V_oc是开路电压，I是电流（放电为正），R_0是欧姆内阻。

这个模型我在早期做铅酸电池BMS时用过。优点是计算量极小，缺点嘛——太粗糙了。它完全忽略了电池的极化效应。你想想，电池在充放电瞬间，电压会有一个“跳变”，然后慢慢趋于稳定。Rint模型只能模拟那个跳变，后面的缓变过程它根本抓不住。

3.2.2 Thevenin模型——工程中最常用

Thevenin模型在Rint基础上加了一组RC并联网络。一阶Thevenin模型的结构是：

• 一个理想电压源 V_oc(SOC)
• 一个欧姆内阻 R_0
• 一组RC并联（R_1、C_1）用来模拟极化效应

数学表达式是这样的：

V_t = V_oc - I * R_0 - V_1
dV_1/dt = I/C_1 - V_1/(R_1 * C_1)

嗯，这里要注意，V_1就是极化电压，它描述的是电池内部离子扩散和电荷转移的“惯性”。

我个人建议，做乘用车BMS的话，一阶Thevenin模型基本够用。如果你做的是储能系统或者对精度要求极高的场景，可以考虑二阶Thevenin模型——多加一组RC，精度能提升2%-3%，但计算量翻倍。

3.2.3 PNGV模型——考虑老化的进阶模型

PNGV模型是Thevenin模型的“升级版”。它多了一个电容C_b，用来模拟电池容量的衰减和开路电压的缓慢变化。

结构上，PNGV模型在Thevenin的基础上，在V_oc支路上串联了一个大电容C_b。这个电容的电压变化，反映了电池随着充放电循环，容量逐渐“缩水”的过程。

公式稍微复杂一点：

V_t = V_oc - I * R_0 - V_1 - V_b
dV_b/dt = I/C_b

这个模型我是在做梯次利用电池BMS时用到的。退役电池的容量衰减很快，用Thevenin模型会发现V_oc一直在漂，根本定不住。换成PNGV模型后，那个C_b电容正好吸收了这种“漂移”，效果好了很多。

3.3 参数辨识方法——怎么把模型参数“算”出来？

模型搭好了，里面的R_0、R_1、C_1这些参数怎么来？不能靠猜吧？

参数辨识说白了就是：给电池一个已知的激励（电流），测量它的响应（电压），然后用数学方法反推出模型参数。

3.3.1 离线辨识——实验室里的精细活

离线辨识最常用的方法是混合脉冲功率特性测试（HPPC）。流程是这样的：

1. 把电池充到指定SOC，静置1小时
2. 给一个10秒的放电脉冲（比如1C倍率）
3. 静置40秒
4. 给一个10秒的充电脉冲
5. 静置到电压稳定
6. 重复以上步骤，覆盖整个SOC范围

拿到HPPC数据后，怎么提取参数？我一般用最小二乘法拟合。举个例子，对于一阶Thevenin模型，端电压的响应可以写成：

V_t(t) = V_oc - I * R_0 - I * R_1 * (1 - exp(-t / (R_1 * C_1)))

用MATLAB或者Python的curve_fit工具，把实测的V_t和I数据丢进去，就能拟合出R_0、R_1、C_1。

3.3.2 在线辨识——BMS运行时的实时更新

离线辨识的缺点是：电池老化后，参数会变。你不能把车开到实验室重新测一遍吧？

所以，在线辨识就派上用场了。常用的方法有：

• 递推最小二乘法（RLS）：每来一个新数据点，就更新一次参数估计。计算量小，适合嵌入式实现。
• 卡尔曼滤波（KF）：把参数当成状态变量来估计。精度高，但需要调协方差矩阵。
• 粒子滤波（PF）：对付非线性很强的系统。但计算量太大，BMS上很少用。

我个人在量产项目中用得最多的是RLS。为什么呢？因为它简单、稳定、够用。卡尔曼滤波虽然精度高，但调参太费劲了——你想想，一个BMS项目几十个工程师，每个人对卡尔曼的理解不一样，调出来的效果千奇百怪。

这里给出一段RLS的伪代码，方便你理解：

// 初始化
theta = [R0, R1, C1] 的初始猜测
P = 100 * I  // 协方差矩阵，初始值设大一点

// 每个采样周期执行：
1. 计算预测电压 V_pred = f(theta, I_meas)
2. 计算误差 e = V_meas - V_pred
3. 计算卡尔曼增益 K = P * H / (H * P * H' + lambda)
4. 更新参数 theta = theta + K * e
5. 更新协方差 P = (I - K * H) * P / lambda

// lambda是遗忘因子，一般取0.98~0.995

3.4 模型选择建议

说了这么多，到底该选哪个模型？我根据项目经验给个参考：

应用场景	推荐模型	辨识方法	理由
消费电子（手机、笔记本）	Rint或一阶Thevenin	离线HPPC	成本敏感，算力有限
电动工具	一阶Thevenin	离线+RLS在线校正	电流变化剧烈，需要实时更新
电动汽车	一阶或二阶Thevenin	离线标定+卡尔曼滤波	精度要求高，算力充足
储能系统	PNGV	离线+RLS	长期运行，需要考虑老化
梯次利用电池	PNGV	离线+RLS	容量衰减快，需要跟踪变化

3.5 小结

电池建模这块，我的建议是：从简单开始，逐步加复杂度。别一上来就搞二阶Thevenin加卡尔曼滤波，先把Rint模型跑通，再升级到一阶Thevenin，最后根据实际效果决定要不要加复杂度。

参数辨识更是如此——离线HPPC是基本功，在线RLS是量产标配。把这两样吃透了，市面上90%的BMS项目你都能搞定。

下一章咱们聊聊SOC估算，那才是真正考验BMS工程师功底的地方。到时候我会分享一个我踩过的坑——用安时积分法做SOC，结果被温度漂移坑惨了的故事。