3. 电池建模方法
在动力电池 EKF/UKF 融合估计工程中，模型是滤波器的“心脏”。状态方程与观测方程决定了滤波器对 SOC、SOH、温度等状态的预测能力，也决定了估计精度、计算负担与标定难度。工程上常用的电池模型可分为三大类：电化学模型、等效电路模型和经验模型。它们并非互相替代，而是分别服务于不同时间尺度、不同精度要求和不同算力平台。理解三者的结构差异与适用边界，是后续 EKF/UKF 参数辨识与状态估计的前提。
一、三类模型的核心原理
电化学模型以多孔电极理论为基础，典型代表是 P2D（准二维）模型和单粒子模型 SPM。它用固相扩散方程、液相锂离子浓度方程和 Butler-Volmer 动力学方程描述锂离子在正负极、隔膜和电解液中的迁移与嵌入过程。其状态量包括固相表面锂浓度、电解液浓度、过电位等，输出端电压。优点是物理可解释性强，能反映内部锂析出、浓差极化等老化机理；缺点是偏微分方程离散后阶数高、参数多，实时嵌入式控制器难以直接承载。
等效电路模型（ECM）用电压源、欧姆内阻和 RC 网络模拟电池外特性。常见有一阶 RC、二阶 RC 和带滞回环节的改进模型。以二阶 RC 为例，状态方程为：
U1(k+1) = exp(-Δt/(R1*C1))*U1(k) + R1*(1-exp(-Δt/(R1*C1)))*I(k)
U2(k+1) = exp(-Δt/(R2*C2))*U2(k) + R2*(1-exp(-Δt/(R2*C2)))*I(k)
SOC(k+1) = SOC(k) - (η*Δt/(Qnom))*I(k)
Uterm(k) = OCV(SOC) - U1(k) - U2(k) - I(k)*R0其中 OCV(SOC) 是开路电压曲线，R0 为欧姆内阻，R1C1、R2C2 分别刻画电化学极化与浓差极化。该模型阶数低、参数可在线辨识，是 EKF/UKF 工程中最常用的形式。
经验模型不追求内部机理，而是用拟合函数直接描述端电压、SOC 与电流的关系，例如 Shepherd 模型、Unnewehr 模型、组合模型以及基于查表的 OCV-SOC 模型。它结构简单、计算量小，但外推能力弱，对温度和老化敏感，通常用于低精度场景或作为辅助修正。
二、三类模型对比与工程选型
下表从状态维度、参数数量、计算量、精度、可解释性和典型应用六个维度进行对比：
| 对比维度 | 电化学模型 | 等效电路模型 | 经验模型 |
|---|---|---|---|
| 状态维度 | 高（数十至数百） | 低（2～5） | 极低（1～2） |
| 参数数量 | 多，部分难测 | 少，可在线辨识 | 少，依赖拟合 |
| 计算量 | 大，需降阶 | 小，适合嵌入式 | 极小 |
| 精度 | 高，机理级 | 中高，工况内好 | 低，外推差 |
| 可解释性 | 强 | 中 | 弱 |
| 典型应用 | 离线仿真、SOH 机理分析 | BMS 在线 SOC/SOH 估计 | 快速估算、辅助修正 |
工程选型原则：若目标是车载 BMS 实时估计 SOC，优先选二阶 RC 等效电路模型；若目标是电池寿命机理研究或析锂诊断，选电化学模型；若目标是低成本快速估算或作为融合框架中的观测修正项，可选经验模型。选型时还需考虑温度范围、老化阶段和算力预算。
三、融合估计中的模型使用场景
在 EKF/UKF 融合估计中，模型并非孤立使用。一种常见架构是：以二阶 RC 等效电路模型作为主模型，承担 SOC 状态预测；以经验 OCV-SOC 查表模型作为观测方程的一部分，提供电压观测；以简化的电化学老化指标（如容量衰减、内阻增长）作为 SOH 慢时间尺度状态，通过双时间尺度滤波与 SOC 联合估计。这样既保证了实时性，又保留了一定的机理约束。
例如，在 UKF 中，Sigma 点通过非线性 OCV(SOC) 函数传播，若 OCV 曲线在平台区过于平坦，会导致观测灵敏度下降。此时可引入电化学模型中的固相扩散时间常数作为约束，或采用经验模型对 OCV 曲线进行分段线性化，提升数值稳定性。
四、常见误区与复盘
误区一：模型越复杂越好。电化学模型精度高，但参数辨识困难，若参数不准，反而引入系统性偏差。工程上应优先保证模型在目标工况内的可辨识性和数值稳定性。
误区二：忽略温度与老化对参数的影响。R0、R1、C1 随温度和 SOH 变化显著。若模型参数固定，EKF/UKF 在低温或老化后期会出现明显估计偏差。建议建立参数-温度-SOH 的二维查表或在线辨识机制。
误区三：OCV-SOC 曲线直接线性插值。平台区电压变化小，线性插值会放大 SOC 误差。应使用单调样条或带滞回修正的查表方法，并保证曲线在充放电方向的一致性。
复盘一个典型工程案例：某 50Ah 三元锂电池 BMS 项目，初期采用一阶 RC 模型，SOC 估计在动态工况下误差约 5%。后升级为二阶 RC 模型，并引入带遗忘因子的递推最小二乘法在线辨识 R0、R1、C1、R2、C2，同时用 UKF 替代 EKF 处理 OCV 非线性，SOC 误差降至 2% 以内。该案例说明，模型结构选择与参数辨识策略必须匹配，才能发挥融合估计的优势。
综上，三类模型各有其位。在 EKF/UKF 融合估计工程中，推荐以二阶 RC 等效电路模型为主干，以经验 OCV-SOC 模型为观测辅助，以电化学机理为参数约束和老化解释，形成“主模型实时估计 + 机理约束修正”的工程化建模路线。这样既满足车载算力约束，又能在全生命周期内保持可接受的估计精度。