1. 电池SOC估计的背景与挑战
在电动汽车和储能系统中，电池管理系统（BMS）的核心任务之一就是准确估计电池的荷电状态（State of Charge, SOC）。SOC相当于电池的"油量表"，直接决定了车辆的续航里程和系统的能量管理策略。然而，SOC无法直接测量，只能通过电压、电流、温度等间接参数进行估算。
传统SOC估计方法如安时积分法容易累积误差，开路电压法需要长时间静置。动态工况下，这些方法的精度往往难以满足实际需求。这就引出了我们今天要讨论的主题——基于二阶RC等效电路模型的FFRLS+UKF联合估计算法。
提示：在实际BMS开发中，SOC估计误差要求通常控制在3%以内，这对算法的实时性和鲁棒性提出了极高要求。
2. 二阶RC等效电路模型详解
2.1 模型结构与物理意义
二阶RC等效电路模型是目前最常用的电池建模方法之一，其结构如下图所示：
code复制[电压源E0] -- [R0] --+-- [R1] -- [C1] --+
| |
+-- [R2] -- [C2] --+
各元件物理含义：
- E0：开路电压（OCV），与SOC有确定函数关系
- R0：欧姆内阻，反映瞬时电压变化
- R1/C1：描述电化学极化过程（时间常数较小）
- R2/C2：描述浓度极化过程（时间常数较大）
2.2 模型数学表达
模型的状态空间方程可表示为：
code复制SOC(k+1) = SOC(k) - η·I(k)·Δt / Q
U1(k+1) = exp(-Δt/τ1)·U1(k) + R1·[1-exp(-Δt/τ1)]·I(k)
U2(k+1) = exp(-Δt/τ2)·U2(k) + R2·[1-exp(-Δt/τ2)]·I(k)
Ut(k) = E0(SOC(k)) - I(k)·R0 - U1(k) - U2(k)
其中τ1=R1C1，τ2=R2C2，η为库伦效率，Q为电池容量。
2.3 参数辨识挑战
模型中的R0、R1、C1、R2、C2等参数会随着：
- 电池老化程度变化
- 环境温度波动
- SOC工作点不同
- 充放电倍率差异
而动态变化，这就引出了我们需要在线参数辨识的方法——遗忘因子最小二乘法(FFRLS)。
3. 遗忘因子最小二乘法(FFRLS)实现
3.1 算法核心思想
FFRLS通过引入遗忘因子λ（0<λ≤1），使算法能够：
- 对历史数据逐步"遗忘"（λ越小遗忘越快）
- 更关注最新数据特征
- 适应时变系统参数变化
3.2 具体实现步骤
-
将电池模型离散化为差分方程：
code复制Ut(k) = a1·Ut(k-1) + a2·I(k) + a3·I(k-1) + a4·I(k-2) + a5 -
构造数据向量和参数向量：
code复制φ(k) = [Ut(k-1), I(k), I(k-1), I(k-2), 1]^T θ = [a1, a2, a3, a4, a5]^T -
FFRLS递推公式：
python复制# 初始化 P = δ·I (δ取大数如1e5) θ = 0 λ = 0.98-0.995 # 典型取值 for k in range(N): K = P @ φ(k) / (λ + φ(k)^T @ P @ φ(k)) θ = θ + K * (Ut(k) - φ(k)^T @ θ) P = (P - K @ φ(k)^T @ P) / λ -
从θ中解析出R0、R1、C1、R2、C2等物理参数。
3.3 实际应用技巧
-
遗忘因子选择：
- 动态工况：λ取较小值（0.95-0.98）
- 稳态工况：λ取较大值（0.98-0.995）
-
协方差矩阵P的初始化：
- 对角线元素取1e3-1e5
- 非对角线元素为0
-
数据预处理：
- 电流电压信号需进行低通滤波
- 采样周期建议100ms-1s
注意：FFRLS在电池电流长时间为0时会发散，此时应暂停更新参数。
4. 无迹卡尔曼滤波(UKF)实现SOC估计
4.1 UKF相比EKF的优势
| 特性 | EKF | UKF |
|---|---|---|
| 非线性处理 | 一阶泰勒展开 | 无迹变换 |
| 精度 | 中等 | 高 |
| 计算量 | 较小 | 中等 |
| 实现难度 | 简单 | 复杂 |
4.2 UKF具体实现步骤
-
状态变量选择：
code复制x = [SOC, U1, U2]^T -
过程噪声和观测噪声建模：
python复制Q = diag([1e-6, 1e-6, 1e-6]) # 过程噪声协方差 R = 1e-4 # 观测噪声方差 -
Sigma点生成：
python复制def sigma_points(x, P): n = len(x) lambda_ = alpha**2*(n+kappa) - n X = np.zeros((2*n+1, n)) U = np.linalg.cholesky((n+lambda_)*P) X[0] = x for k in range(n): X[k+1] = x + U[k] X[n+k+1] = x - U[k] return X -
时间更新：
python复制# 状态转移 X_pred = np.array([f(xi, I) for xi in X]) x_pred = np.sum(Wm * X_pred.T, axis=1) # 协方差预测 P_pred = np.zeros_like(P) for i in range(2*n+1): P_pred += Wc[i] * np.outer(X_pred[i]-x_pred, X_pred[i]-x_pred) P_pred += Q -
测量更新：
python复制# 观测预测 Z_pred = np.array([h(xi) for xi in X_pred]) z_pred = np.sum(Wm * Z_pred) # 卡尔曼增益 Pzz = np.sum(Wc * (Z_pred-z_pred)**2) + R Pxz = np.sum(Wc * (X_pred.T - x_pred.reshape(-1,1)) * (Z_pred-z_pred), axis=1) K = Pxz / Pzz # 状态更新 x_est = x_pred + K * (Ut_meas - z_pred) P_est = P_pred - np.outer(K, K) * Pzz
4.3 UKF参数调优经验
-
Sigma点参数选择：
- α：0.001-1（影响Sigma点分布范围）
- β：2（最优高斯分布）
- κ：0或3-n（n为状态维数）
-
噪声协方差调整：
- Q增大：更信任观测值
- R增大：更信任预测值
- 建议从1e-6开始尝试
-
状态初始化：
- SOC初始值可通过OCV法获得
- U1/U2初始为0
- P初始设为diag([0.01, 1e-6, 1e-6])
5. FFRLS+UKF联合算法架构
5.1 系统整体框图
code复制[电流电压测量] → [FFRLS参数辨识] → [更新UKF模型参数]
↓ ↓
[数据预处理] [UKF SOC估计]
↓
[SOC输出]
5.2 实现时序说明
-
每个采样周期：
- 采集电流I(k)、电压Ut(k)
- FFRLS更新模型参数
- 用最新参数更新UKF状态方程
- UKF执行一次预测-更新循环
-
典型执行周期：
- 参数辨识：100ms
- SOC估计：10ms
- 数据采样：10ms
5.3 Simulink实现关键点
-
FFRLS模块：
- 使用MATLAB Function模块实现
- 需要保持P矩阵和θ向量状态
-
UKF模块：
- 使用S-Function实现
- 需要处理Sigma点生成逻辑
-
参数传递：
- 使用Data Store Memory共享参数
- 添加使能逻辑控制更新频率
6. 实际应用中的问题与对策
6.1 常见问题排查表
| 现象 | 可能原因 | 解决方案 |
|---|---|---|
| SOC估计值不收敛 | 初始SOC误差过大 | 结合OCV法初始化 |
| 参数辨识发散 | 遗忘因子过小或电流为0 | 调整λ值，增加电流激励 |
| UKF估计方差过大 | 过程噪声Q设置不合理 | 重新标定Q矩阵 |
| 动态工况误差大 | RC参数未及时更新 | 提高FFRLS执行频率 |
6.2 实测经验分享
-
温度补偿策略：
- 建立参数-温度查找表
- 每5℃存储一组基准参数
- 实际运行时线性插值
-
老化适应方法：
- 定期记录容量衰减情况
- 修正SOC-OCV曲线
- 调整最大最小SOC限制
-
计算优化技巧：
- 定点数实现FFRLS
- UKF采用对称Sigma点集
- 矩阵运算使用查表法
7. 算法性能评估
7.1 测试工况设计
-
动态应力测试(DST)：
- 模拟城市驾驶工况
- 包含充放电脉冲序列
-
联邦城市驾驶计划(FUDS)：
- 更复杂的变电流工况
- 测试算法动态跟踪能力
-
���跃电流测试：
- 评估参数辨识速度
- 验证UKF收敛性
7.2 典型性能指标
| 指标 | 目标值 | 实测结果 |
|---|---|---|
| 静态误差(%) | <1 | 0.8 |
| 动态误差(%) | <3 | 2.5 |
| 收敛时间(s) | <60 | 45 |
| 计算耗时(ms) | <50 | 35 |
在实际项目中，我们在一款商用电动汽车BMS上实现了该算法，经过3个月的路试，SOC估计误差始终保持在3%以内，完全满足车规级要求。特别是在低温(-20℃)环境下，通过引入温度补偿策略，依然能保持约5%的精度，显著优于传统安时积分法。