3. 等效电路模型参数辨识标定

等效电路模型（ECM）是BMS状态估计的核心数学载体。它用理想电压源、欧姆内阻和若干RC并联环节来近似电池的动态特性，既保留了物理可解释性，又具备较低的计算复杂度。本节聚焦一阶/二阶RC模型的结构差异、脉冲响应拟合方法、RLS在线辨识与离线优化两条标定路线，以及最终如何生成可查表的参数温度-SOC依赖表。

一阶与二阶RC模型的结构差异

一阶RC模型由开路电压源OCV、欧姆内阻R0和一个RC并联环节（极化电阻R1、极化电容C1）串联构成。其端电压方程为：

U(t) = OCV(SOC) - I(t)·R0 - U1(t)
dU1/dt = -U1/(R1·C1) + I/C1

二阶RC模型在此基础上再增加一个RC环节（R2、C2），用于描述浓差极化与电化学极化的时间尺度分离。一阶模型适合动态较缓、精度要求一般的场景；二阶模型在脉冲工况、低温或大倍率下能更准确地刻画电压恢复过程，但参数辨识维度从3个增加到5个，标定难度和计算量同步上升。

选择模型阶数时，应结合应用需求：若BMS仅用于SOC估算且采样周期为100ms以上，一阶模型通常足够；若需同时支持SOP（功率状态）估算或快充策略，二阶模型更合适。标定前必须明确模型阶数，因为后续所有辨识流程都依赖该结构。

脉冲响应拟合：从实验数据到参数初值

脉冲响应拟合是参数辨识最直观的方法。典型实验为：电池静置至稳定后，施加一个已知电流脉冲（如1C、10s），记录端电压响应，再静置足够长时间观察电压弛豫。以充电脉冲为例，电压响应可分为三个阶段：脉冲施加瞬间的欧姆压升（对应R0）、脉冲持续期间的极化压升（对应R1、C1）、脉冲结束后的电压弛豫（对应时间常数τ1=R1·C1）。

以某三元锂电池为例，在25℃、50% SOC下施加1C充电脉冲10s，测得欧姆压升约28mV，则R0≈28mV/1C=28mΩ。脉冲结束瞬间的极化压升约45mV，弛豫过程在约30s内完成约63%的恢复，可估算τ1≈30s。若采用二阶模型，则需从弛豫曲线中分离出快、慢两个时间常数，通常快环节τ1在数秒量级，慢环节τ2在数十秒至数百秒量级。

拟合时建议使用非线性最小二乘法，目标函数为端电压预测值与实测值的均方根误差。初值可先由上述分段近似给出，再通过Levenberg-Marquardt算法迭代优化。注意：脉冲实验的SOC变化应控制在5%以内，否则OCV变化会污染参数辨识结果。

RLS在线辨识与离线优化

递推最小二乘法（RLS）适合在BMS运行过程中在线更新参数。其核心思想是将ECM的差分方程转化为线性回归形式，利用遗忘因子λ（通常取0.95~0.99）逐步更新参数向量。以二阶RC模型为例，可先通过双线性变换将连续方程离散化，得到：

U(k) = a1·U(k-1) + a2·U(k-2) + b0·I(k) + b1·I(k-1) + b2·I(k-2)

RLS直接辨识的是a1、a2、b0、b1、b2这五个系数，再通过代数关系反解出R0、R1、C1、R2、C2。这种方法的优点是计算量小、可实时运行，但存在两个问题：一是参数漂移，当激励不足（如长时间恒流）时协方差矩阵会趋于奇异；二是对初值敏感，初值偏差过大会导致收敛缓慢甚至发散。

离线优化则用于标定阶段，在已知全部实验数据的前提下，采用全局优化算法（如遗传算法、粒子群优化或差分进化）搜索使端电压预测误差最小的参数组合。离线优化的优势是精度高、可加入物理约束（如R0>0、τ1<τ2），但计算耗时较长，通常用于生成基础参数表。实际工程中常采用“离线优化定初值+RLS在线微调”的混合策略。

参数温度-SOC依赖表生成

电池参数随温度和SOC显著变化，因此标定最终要输出一张二维查表。典型流程如下：

1. 在-20℃、-10℃、0℃、10℃、25℃、40℃、55℃等温度点下，分别对0%、10%、20%…100% SOC进行脉冲实验。
2. 对每个（T, SOC）组合，用离线优化辨识出R0、R1、C1、R2、C2。
3. 将参数按温度轴和SOC轴排列成二维数组，存入BMS非易失存储器。
4. 在线运行时，根据当前温度和SOC进行双线性插值，得到实时参数。

以某磷酸铁锂电池为例，25℃、50% SOC下R0约1.8mΩ，而-20℃、50% SOC下R0可升至12mΩ以上，增长近7倍。若忽略温度依赖，低温下SOC估算误差可能超过15%。因此参数表必须覆盖全温度范围，并在温度梯度大的区间加密采样点。

参数辨识标定的最终交付物是一张结构化的参数表，通常以CSV或二进制格式存储，字段包括温度、SOC、R0、R1、C1、R2、C2（若为二阶模型）。标定人员应同时记录实验条件、拟合误差和验证结果，形成可追溯的标定报告。这张表的质量直接决定了后续SOC、SOH、SOP估计的精度上限。