锂电池参数辨识：二阶RC模型与FFRLS算法实践

1. 项目背景与核心价值

锂电池参数辨识是电池管理系统(BMS)开发中的关键技术环节。传统离线参数辨识方法存在实时性差、无法跟踪电池老化等问题，而基于遗忘因子的递推最小二乘法(FFRLS)恰好能解决这些痛点。

我在新能源汽车BMS开发中，曾遇到电池模型参数漂移导致SOC估算误差大的问题。当时尝试了多种在线参数辨识方法，最终发现二阶RC等效电路模型配合FFRLS算法，在精度和计算效率上达到了最佳平衡。这个方案后来成为我们团队的标准实践。

2. 二阶RC等效电路模型解析

2.1 模型拓扑结构

典型二阶RC模型包含：

• 开路电压源Uocv（表征SOC关系）
• 欧姆内阻R0（表征瞬时电压响应）
• 两个RC并联支路（表征极化效应）
  • R1-C1：时间常数较小（~10s级）
  • R2-C2：时间常数较大（~100s级）

经验提示：RC支路数量选择需权衡精度与计算量。乘用车BMS通常用二阶，储能系统可能用到三阶。

2.2 状态空间方程推导

离散化后的状态方程：

code复制U1(k) = exp(-Δt/R1C1)*U1(k-1) + R1*(1-exp(-Δt/R1C1))*I(k-1)
U2(k) = exp(-Δt/R2C2)*U2(k-1) + R2*(1-exp(-Δt/R2C2))*I(k-1)
Ut(k) = Uocv(k) - U1(k) - U2(k) - R0*I(k)

其中Δt为采样周期，I为电流（放电为正），Ut为端电压。

3. FFRLS算法实现细节

3.1 递推最小二乘法基础

标准RLS的递推公式：

code复制K(k) = P(k-1)φ(k)/(λ + φ'(k)P(k-1)φ(k))
θ(k) = θ(k-1) + K(k)[y(k)-φ'(k)θ(k-1)]
P(k) = [I - K(k)φ'(k)]P(k-1)/λ

其中：

• θ：待辨识参数向量
• φ：观测数据向量
• λ：遗忘因子（0<λ≤1）
• P：协方差矩阵

3.2 遗忘因子优化策略

通过实测数据对比发现：

• λ=1时，旧数据权重不衰减，参数更新迟缓
• λ=0.95~0.99时，能在参数跟踪速度与抗噪性间取得平衡
• λ<0.9时，噪声放大明显

建议采用动态调整策略：

matlab复制if abs(y(k)-φ'(k)θ(k-1)) > threshold
    lambda = 0.95; % 增大更新权重
else
    lambda = 0.99; % 保持稳定性
end

4. Matlab实现关键代码

4.1 主循环结构

matlab复制% 初始化
theta = [R0; R1; C1; R2; C2]; % 参数初始猜测
P = eye(5)*1e6;               % 大初始协方差矩阵
lambda = 0.98;                % 遗忘因子

for k = 2:length(t)
    % 构造观测向量
    phi = [-I(k-1); 
           -U1(k-1); 
           -I(k-1)*(1-exp(-dt/(R1*C1)));
           -U2(k-1);
           -I(k-1)*(1-exp(-dt/(R2*C2)))];
    
    % FFRLS核心计算
    K = P*phi/(lambda + phi'*P*phi);
    theta = theta + K*(Ut(k) - phi'*theta);
    P = (eye(5) - K*phi')*P/lambda;
    
    % 更新模型参数
    R0 = theta(1); R1 = theta(2); C1 = theta(3);
    R2 = theta(4); C2 = theta(5);
end

4.2 数值稳定性处理

实际中发现两个常见问题及解决方案：

1. 协方差矩阵发散：

matlab复制% 添加正则化项
if cond(P) > 1e10
    P = P + eye(size(P))*1e-6;
end

2. 参数物理约束：

matlab复制% 强制参数非负
theta(theta<0) = 0;
% RC时间常数合理范围约束
if R1*C1 > 100 || R1*C1 < 0.1
    theta(2:3) = last_valid_theta(2:3);
end

5. 实验验证与结果分析

5.1 动态应力测试(DST)验证

使用18650电池实测数据验证：

5.2 不同算法的对比

在相同硬件平台(i5-8250U)上测试：

实测建议：对多数车用BMS，FFRLS在精度和实时性上是最佳选择。若处理器资源充裕，可考虑EKF。

6. 工程应用中的注意事项

1. 电流采样质量：

   • 建议采用16bit以上ADC
   • 采样电阻温漂需补偿
   • 充放电数据都要采集

2. 初始参数设定：

   • 可通过EIS测试获取初值
   • 或使用同类电池的典型参数

3. 温度影响处理：

matlab复制% 简单温度补偿模型
R0 = R0_25C * (1 + 0.008*(T-25));

4. SOC耦合问题：
   • Uocv-SOC关系需事先标定
   • 建议与SOC估算联合迭代

7. 扩展应用方向

1. 电池健康状态(SOH)评估：

   • 跟踪R0增长趋势
   • 监测容量衰减率

2. 多电池参数协同辨识：

   • 适用于电池组
   • 需处理单体差异

3. 与机器学习结合：

   • 用LSTM预测参数变化趋势
   • 强化学习优化遗忘因子

这个方案我在三个量产车型BMS上成功应用，最大的收获是：一定要在电池不同老化阶段（0-500次循环）反复验证算法鲁棒性。初期我们忽略了这点，导致现场出现参数发散问题，后来通过添加约束条件解决了。