4. 等效电路模型详解
在动力电池EKF/UKF融合估计工程中，等效电路模型（ECM）是状态空间方程的物理载体。模型选得是否恰当，直接决定OCV-SOC映射、极化电压动态和端电压预测的精度，也决定滤波器维数与参数辨识的复杂度。本节从电路拓扑出发，梳理Rint、Thevenin、二阶RC、PNGV四类常用模型的结构差异、参数辨识方法与工程适用边界。
一、核心原理：从电路拓扑到状态空间
等效电路模型用理想电压源OCV(SOC)描述电池开路电势，用欧姆内阻R0描述瞬时压降，用RC并联网络描述浓差极化和电化学极化的弛豫过程。端电压U(t)可统一写成：
U(t) = OCV(SOC) - I(t)·R0 - Σ U_RCi(t)
dU_RCi/dt = -U_RCi/(Ri·Ci) + I(t)/Ci模型阶数越高，对动态电压的拟合能力越强，但状态维数、参数耦合度和辨识难度同步上升。EKF/UKF中，状态向量通常由SOC与各RC极化电压组成，参数向量则包含R0、Ri、Ci及OCV曲线系数。
二、参数辨识方法流程
参数辨识通常分为离线辨识与在线辨识两条路径。离线辨识以HPPC、脉冲充放电或DST工况数据为基础，先通过静置段提取OCV-SOC曲线，再利用脉冲响应分离欧姆压降与极化压降。在线辨识则把参数作为慢变状态，与SOC一起送入EKF/UKF，或采用递推最小二乘（RLS）与滤波器联合估计。
- 数据采集：记录电流、端电压、温度，采样周期建议100ms～1s，脉冲工况需保证静置时间大于5倍时间常数。
- OCV-SOC标定：小电流充放电或间歇静置，拟合开路电压与SOC的多项式关系。
- R0提取：利用电流阶跃瞬间的电压跳变
ΔU/ΔI计算欧姆内阻。 - RC参数拟合：对脉冲后的电压弛豫段做指数拟合，得到时间常数
τ=RC与极化电阻。 - 验证与修正：用未参与辨识的工况数据回放，检查端电压RMSE与SOC误差。
# 二阶RC离线辨识伪代码
ocv = fit_poly(soc, u_ocv, degree=6)
r0 = delta_u / delta_i
tau1, r1 = exp_fit(relax_curve_fast)
tau2, r2 = exp_fit(relax_curve_slow)
c1, c2 = tau1 / r1, tau2 / r2
rmse = validate(dst_data, ocv, r0, r1, c1, r2, c2)三、典型场景与模型匹配
不同应用对模型的需求差异明显。BMS云端SOC粗估可采用Rint或Thevenin以降低算力；车载嵌入式EKF通常选择Thevenin或二阶RC；快充策略与低温加热控制更依赖二阶RC对极化电压的精细描述；PNGV则常见于需要同时刻画动态OCV与极化过程的整车能量管理研究。
| 模型 | 状态维数 | 辨识难度 | 典型适用场景 | 主要局限 |
|---|---|---|---|---|
| Rint | SOC | 低 | 快速原型、粗估、低算力平台 | 无法描述极化恢复 |
| Thevenin | SOC + U1 | 中 | 车载EKF、常规BMS | 长时动态拟合有限 |
| 二阶RC | SOC + U1 + U2 | 高 | 动态工况、低温、快充 | 参数耦合、算力需求高 |
| PNGV | SOC + U1 + Uc | 高 | 动态OCV研究、整车能量管理 | 电容支路参数辨识复杂 |
四、误区与复盘
常见误区一：模型阶数越高越好。二阶RC在脉冲工况下拟合更优，但在低激励或采样噪声大时，第二组RC参数容易发散，反而拖累EKF收敛。应结合工况激励强度与算力预算选择。
常见误区二：参数辨识一次完成、终身使用。内阻与极化参数随温度、老化、SOC区间变化显著。工程上需建立温度-老化二维参数表，并在EKF中引入慢变参数在线修正。
常见误区三：忽略OCV滞回。磷酸铁锂电池充放电OCV存在明显滞回，若只用单条OCV曲线，SOC估计会在充放电切换时产生偏差，可引入滞回补偿或双OCV曲线。
复盘建议：先用Thevenin模型跑通EKF/UKF全链路，确认OCV-SOC、R0和RC参数在目标温度区间内可辨识、可验证；再根据端电压RMSE与SOC收敛速度决定是否升级到二阶RC或PNGV。模型升级必须伴随参数辨识流程和验证工况的同步升级，否则精度提升有限，反而增加调试成本。