1. 二阶RC电路模型与在线辨识技术概述
在电力电子和电池管理系统领域，二阶RC等效电路模型因其结构简单、参数物理意义明确而广受欢迎。这个模型用电阻电容网络模拟动态系统特性，其中R0代表欧姆内阻，R1C1和R2C2两个并联支路分别表征不同时间常数的极化效应。以锂电池为例，R1C1模拟电化学极化过程（时间常数较大），R2C2模拟浓差极化过程（时间常数较小）。
传统参数辨识采用离线方式，通过脉冲测试或阻抗谱分析获取模型参数。但实际工况下，系统参数会随工作状态变化而漂移。这就引出了在线参数辨识技术——通过实时输入输出数据动态调整模型参数，使模型始终跟踪系统真实特性。带遗忘因子的递推最小二乘法（FFRLS）因其计算效率高、易于嵌入式实现，成为工程实践中的首选方案。
2. 二阶RC模型数学表征与可辨识性分析
2.1 连续域模型推导
建立如图1所示的二阶RC等效电路，根据基尔霍夫定律可得：
code复制dU1/dt = -U1/(R1C1) + I/C1
dU2/dt = -U2/(R2C2) + I/C2
U_L = U_oc - IR0 - U1 - U2
其中U1、U2分别为两个RC支路的端电压，U_L为系统端电压，I为工作电流（放电为正）。
2.2 离散化处理与参数映射
采用双线性变换（Tustin变换）将连续模型离散化：
code复制s ≈ (2/T)(1-z^-1)/(1+z^-1)
经推导得到离散传递函数：
code复制UL(k) = a0 + a1*UL(k-1) + a2*UL(k-2) + b0*I(k) + b1*I(k-1) + b2*I(k-2)
其中系数a0-a2、b0-b2与原始参数存在非线性映射关系。这正是参数辨识的数学基础——通过辨识差分方程系数反推物理参数。
关键提示：离散化采样周期T的选择需考虑系统动态特性，通常取主要时间常数的1/5~1/10。对于典型锂电池，T在1-10秒范围较合适。
3. FFRLS算法实现与工程调参
3.1 基本递推最小二乘框架
RLS算法的核心是最小化预测误差平方和：
python复制# Python伪代码示例
theta = np.zeros(n) # 参数向量
P = delta*np.eye(n) # 协方差矩阵，delta取大数(1e3~1e5)
for k in range(len(data)):
phi = get_regressor(k) # 构建回归向量
K = P @ phi / (lambda_ + phi.T @ P @ phi) # 增益计算
error = y[k] - phi.T @ theta # 预测误差
theta += K * error # 参数更新
P = (P - K @ phi.T @ P)/lambda_ # 协方差更新
3.2 遗忘因子λ的工程选择
遗忘因子λ∈(0,1]控制算法记忆长度：
- λ=1：无限记忆，适用于稳态系统
- λ<1：指数遗忘，旧数据权重按λ^(t-k)衰减
通过锂电池DST工况测试发现（表1）：
| λ值 | MAE(mV) | 参数波动率 |
|---|---|---|
| 0.98 | 0.247 | ±12% |
| 0.99 | 0.311 | ±8% |
| 1.0 | 1.6 | ±3% |
工程建议：
- 初始收敛阶段：取λ=0.95~0.98加速收敛
- 稳态运行阶段：调至0.99~0.995平衡精度与稳定性
- 剧烈动态工况：适当降低λ增强跟踪能力
4. 自适应遗忘因子改进方案
4.1 典型自适应策略对比
-
VFFRLS方案：
math复制λ_k = 1 - (1-λ_min)/(1+ρ*e_k^2)缺点：ρ取值敏感（需在1e4量级），调整困难
-
分段AFFRLS：
math复制λ_k = λ_max - (λ_max-λ_min)*floor(h*e_k/e_base)问题：h=0.9时响应仍显迟缓
4.2 改进的指数型AFFRLS
我们提出新型调整策略：
math复制λ_k = clip( λ_min + (λ_max-λ_min)*exp(-n*(e_k/e0)^2), λ_min, λ_max )
其中：
- e0为误差基准值（可取历史误差的RMS值）
- n控制调节锐度（通常取2-4）
- clip函数限制λ在[λ_min, λ_max]范围内
实测效果（FUDS工况）：
| 方法 | MAE(mV) | 收敛时间(s) |
|---|---|---|
| 固定λ=0.98 | 0.378 | 488 |
| VFFRLS | 0.525 | 1429 |
| 本方案 | 0.415 | 845 |
5. 嵌入式实现关键技巧
5.1 数值稳定性处理
-
协方差矩阵复位：
当tr(P)>1e6时执行：c复制// C语言示例 if (trace(P) > 1e6f) { P = delta * eye(n); lambda = lambda_init; } -
UD分解算法：
采用Bierman提出的UD分解法避免矩阵不正定：code复制P = U*D*U^T其中U为单位上三角阵，D为对角阵
5.2 存储优化策略
对于6参数二阶模型：
- 寄存器需求：θ(6维)、P(6×6)、φ(6维)
- Flash占用：<2KB（含程序）
- 每步计算量：约200次乘加（STM32F103约50μs）
6. 典型问题排查指南
6.1 参数发散现象
症状：|θ_k|持续增大，输出异常
排查：
- 检查输入信号持续激励条件
- 验证λ值是否过小（建议λ_min≥0.95）
- 检测数值溢出（启用UD分解）
6.2 收敛速度慢
优化措施：
- 初始阶段注入PRBS激励信号
- 临时设置λ=0.9加速初始收敛
- 采用多速率采样：动态阶段高频，稳态低频
6.3 工况适应性提升
针对时变系统：
- 动态调整e0基准：
python复制e0 = alpha*e0 + (1-alpha)*abs(e_k) # alpha=0.95~0.99 - 设置变化检测器：
c复制if (std(I,10) > threshold) lambda = max(lambda*0.9, lambda_min);
7. 进阶应用方向
7.1 多模型并行辨识
采用Bank-of-models结构：
code复制Model1(λ=0.98) --|
Model2(λ=0.99) |--> 加权输出
Model3(λ=1.0) --|
权重根据AIC准则在线调整
7.2 与SOC联合估计
构建EKF框架：
code复制状态方程：SOC_k = SOC_{k-1} + η*I*Δt/Q
观测方程：U_L = f(SOC,θ) + v
其中θ由FFRLS在线更新
在实际锂电池管理系统开发中，这套方法已成功应用于：
- 某型储能电站：SOC估计误差<2%
- 电动工具电池组：循环寿命预测精度±5%
- 汽车动力电池：低温工况参数跟踪速度提升40%
参数辨识本质上是在模型精度与计算复杂度之间的艺术平衡。经过多个项目的实战检验，我总结出一条经验法则：对于大多数嵌入式应用，二阶RC模型配合改进AFFRLS能在1ms内完成单步迭代，达到工程精度要求。当遇到特殊工况时，不妨回归物理本质，检查模型结构假设是否仍然成立，这往往比复杂的算法调参更有效。