1. 项目概述
在电动汽车和储能系统领域，锂离子电池的荷电状态（SOC）估计一直是电池管理系统（BMS）的核心技术难点。传统安时积分法虽然简单易用，但存在累积误差大、依赖初始值等问题。而基于模型的估计算法，特别是扩展卡尔曼滤波（EKF）及其改进算法，通过融合多源信息，显著提高了SOC估计的精度和鲁棒性。
本次复现的论文《基于二阶EKF的锂离子电池SOC估计的建模与仿真》提出了一种二阶EKF算法，相比传统一阶EKF，它通过考虑二阶泰勒展开项，更好地处理了电池系统的非线性特性。作为一名从事BMS开发多年的工程师，我认为这篇论文的仿真部分具有很高的实用价值，值得深入研究和复现。
2. 锂离子电池模型构建
2.1 二阶RC等效电路模型选择
在电池建模领域，等效电路模型（ECM）因其良好的平衡了精度和计算复杂度，成为工程实践中的首选。经过多次项目实践，我发现二阶RC模型（如图1所示）特别适合描述锂离子电池的动态特性：
code复制[电池端电压] = [OCV] - [R0*I] - [V1] - [V2]
其中：
- OCV：开路电压，与SOC有确定关系
- R0：欧姆内阻，反映瞬时电压变化
- R1-C1：快动态极化环节（时间常数约1-10秒）
- R2-C2：慢动态极化环节（时间常数约100-1000秒）
在实际项目中，我通常会先进行HPPC测试，根据电压响应曲线初步判断需要几阶RC环节。对于大多数车用锂离子电池，二阶模型已经能够满足工程精度要求。
2.2 模型参数辨识实战
参数辨识是模型精度的关键。根据我的经验，推荐以下实操步骤：
-
HPPC测试设计：
- 充放电脉冲宽度：10s（快动态）+ 60s（慢动态）
- SOC间隔：每10%一个测试点
- 静置时间：至少1小时（确保极化电压完全消退）
-
数据处理技巧：
matlab复制% 示例：R0计算（取脉冲开始后1s的电压变化） deltaV = abs(voltage(1) - voltage(100)); % 假设采样率100Hz R0 = deltaV / abs(current_pulse); -
RC参数提取：
使用曲线拟合工具对电压弛豫曲线进行双指数拟合：matlab复制ft = fittype('a*exp(-x/b)+c*exp(-x/d)+e'); [fitresult, gof] = fit(t_data, V_data, ft); R1 = fitresult.a/fitresult.b; C1 = fitresult.b;
注意：实际项目中会发现，高温和低温下的参数差异很大，建议在不同温度下分别进行参数辨识。
2.3 Simulink建模细节
在Simulink中搭建模型时，有几个关键点需要注意：
-
离散化处理：
- 选择适当的采样时间（通常10-100ms）
- 使用Tustin（双线性变换）方法进行离散化
-
OCV-SOC关系实现：
matlab复制% 在MATLAB Function模块中 function OCV = fcn(SOC) ocv_table = [3.0 3.2 3.4 ...]; % 实测数据 soc_points = 0:0.1:1; OCV = interp1(soc_points, ocv_table, SOC, 'spline'); end -
模型验证技巧：
- 先验证静态精度（OCV-SOC关系）
- 再验证动态响应（脉冲工况）
- 最后验证温升影响（如有数据）
3. 二阶EKF算法实现
3.1 算法原理深入解析
传统一阶EKF只考虑雅可比矩阵（一阶导数），而二阶EKF还考虑了Hessian矩阵（二阶导数）。在电池SOC估计中，这种改进特别有意义，因为：
- OCV-SOC关系曲线存在明显的非线性段（特别是低SOC区域）
- 极化电压方程也是非线性的
二阶EKF的状态预测方程可以表示为：
code复制x_k = f(x_{k-1}, u_k) + 0.5 * trace(Hessian * P_{k-1})
其中Hessian矩阵包含了系统的二阶导数信息。
3.2 状态空间模型建立
基于我的工程经验，推荐以下状态空间模型：
状态变量：
code复制x = [SOC; V1; V2]
状态方程：
code复制SOC_k = SOC_{k-1} - (η*Δt/Qn)*I_k
V1_k = exp(-Δt/(R1*C1))*V1_{k-1} + R1*(1-exp(-Δt/(R1*C1)))*I_k
V2_k = exp(-Δt/(R2*C2))*V2_{k-1} + R2*(1-exp(-Δt/(R2*C2)))*I_k
观测方程：
code复制Vt = OCV(SOC) - R0*I - V1 - V2
3.3 Simulink实现技巧
在Simulink中实现二阶EKF时，我总结了几点经验：
-
MATLAB Function模块优化：
matlab复制function [x_est, P] = fcn(x_prev, P_prev, I, V_meas) % 状态预测 x_pred = state_eq(x_prev, I); % 计算雅可比矩阵F和Hessian矩阵H F = jacobian(x_pred); H = hessian(x_pred); % 协方差预测（加入二阶项） P_pred = F*P_prev*F' + Q + 0.5*trace(H*P_prev*H'); % 更新步骤（与传统EKF相同） ... end -
数值稳定性处理：
- 加入正则化项防止协方差矩阵不正定
- 使用Cholesky分解代替直接矩阵求逆
-
调试技巧：
- 先验证纯数学实现（在MATLAB脚本中）
- 再移植到Simulink
- 使用Scope模块实时监控协方差矩阵特征值
4. 完整仿真系统搭建
4.1 系统架构设计
经过多个项目的验证，我推荐如图2所示的系统架构：
code复制[电流输入] → [电池模型] → [端电压]
↓
[EKF估计器] ← [OCV表]
↓
[SOC输出]
关键接口设计：
- 电流信号：带抗混叠滤波
- 电压测量：加入高斯白噪声模拟传感器噪声
- SOC初始化：允许外部输入或自动校准
4.2 参数调优经验
噪声协方差矩阵Q和R的选取对估计效果影响很大：
-
过程噪声Q：
- 典型值：diag([1e-4, 1e-3, 1e-3])
- 调优方法：从大往小调，直到出现发散趋势
-
测量噪声R：
- 根据电压传感器精度确定（如1mV精度对应R=1e-6）
- 实际项目中建议做Allan方差分析确定
-
初始协方差P0：
- 反映初始状态的不确定性
- SOC不确定时设为0.01，极化电压设为0.1
5. 实验结果与分析
5.1 典型工况测试
在复现过程中，我设计了以下测试场景：
-
恒流放电测试：
- 1C放电至截止电压
- 结果：最大误差<1%
-
动态应力测试（DST）：
- 模拟实际车辆运行工况
- 结果：误差<2%
-
初始值误差测试：
- 初始SOC偏差±20%
- 收敛时间：约300秒
5.2 与传统方法对比
通过对比实验发现：
| 指标 | 一阶EKF | 二阶EKF |
|---|---|---|
| 最大误差(%) | 3.2 | 1.8 |
| 收敛时间(s) | 450 | 300 |
| 计算耗时(μs) | 85 | 120 |
虽然二阶EKF计算量增加了约40%，但精度提升明显，特别是在SOC<20%的低电量区域。
6. 工程实践建议
基于这次复现和实际项目经验，我总结了几点建议：
-
温度补偿：
matlab复制% 在参数表中加入温度维度 R0 = interp2(temps, socs, R0_table, temp, soc); -
老化适应：
- 定期更新模型参数
- 或在线参数辨识
-
硬件实现优化：
- 定点数运算（节省资源）
- 查表法替代实时计算
-
故障检测：
- 监控新息序列（Innovation）
- 设置合理性检查
在实际车辆项目中，我们还将二阶EKF与神经网络结合，进一步提高了低温工况下的估计精度。这种混合方法值得后续深入研究。