基于一阶RC模型，FFRLS+EKF算法的电池SOC在线联合估计Matlab程序

基于一阶RC模型，电池带遗忘因子递推最小二乘法+扩展卡尔曼滤波算法（FFRLS+ EKF），参数与SOC的在线联合估计，matlab程序

一、背景与目标

在BMS（电池管理系统）中，荷电状态SOC与内阻、极化参数共同决定功率预测精度、老化评估与故障诊断的可靠性。传统安时积分法无法修正初始误差与电流传感漂移；离线阻抗参数又难以覆盖全寿命、全温度区间。本文方案以「一阶RC等效电路」为物理骨架，融合「自适应遗忘因子递推最小二乘法（AFFRLS）」与「扩展卡尔曼滤波（EKF）」，实现：

1. 在线实时估计：R₀、R₁、C₁，捕捉老化、低温等工况下的参数漂移；
2. 闭环修正SOC：利用参数最新估计值驱动EKF，抑制积分漂移，提升全区间精度；
3. 自适应遗忘因子：根据端电压预测误差动态调整，兼顾收敛速度与稳态噪声抑制。

方案已在国内商用车电池包、储能电池簇的仿真与台架数据验证中实现<2%的SOC误差与<5mV的端电压重构精度。

二、物理与数学模型

2.1 一阶RC等效电路

Ut = Uoc(SOC) − I·R₀ − U₁

• U₁为极化电压，满足dU₁/dt = −U₁/(R₁C₁) + I/C₁
• Uoc(SOC)采用6阶多项式拟合，系数通过HPPC实验离线标定

2.2 离散状态空间

xₖ = [U₁, SOC]ᵀ xₖ₊₁ = Aₖ xₖ + Bₖ Iₖ + wₖ yₖ = Uoc(SOCₖ) − U₁,ₖ − Iₖ R₀,ₖ + vₖ

• Aₖ、Bₖ与R₁,ₖ₋₁、C₁,ₖ₋₁强耦合，需在线刷新
• wₖ、vₖ为过程与观测噪声，协方差Q、R由工程经验+网格搜索联合整定

2.3 参数辨识模型

将电路差分方程整理为线性回归式：

Ub(k) = θ₁·Uoc(k) + θ₂·Ub(k−1) + θ₃·I(k) + θ₄·I(k−1)

θ与R₀、R₁、C₁存在解析映射，可一次性反演。

三、算法总体流程

┌------------------------┐ │ ① AFFRLS参数估计 │ │ (每步更新θ→R₀,R₁,C₁) │ └------------┬-----------┘ │ 参数 ▼ ┌------------------------┐ │ ② EKF联合估计 │ │ x=[U₁;SOC], y=Ut │ │ 预测+校正闭环 │ └------------┬-----------┘ │ 新息e ▼ ┌------------------------┐ │ ③ 遗忘因子自适应 │ │ e→eat→uₖ，闭环反馈 │ │ 至AFFRLS增益矩阵 │ └------------------------┘

3.1 AFFRLS：参数跟踪

1. 构造φ(k)与观测z(k)=Ub(k)
2. 增益k = Pₖ₋₁φᵀ/(φPₖ₋₁φᵀ+uₖ₋₁)
3. 协方差Pₖ = (I−kφ)Pₖ₋₁/uₖ₋₁
4. 参数θₖ = θₖ₋₁+k·eθ，eθ=z−φθₖ₋₁
5. 映射：
   - R₀=−(θ₃−θ₄)/(1+θ₂)
   - R₁=−2(θ₂θ₃+θ₄)/(1−θ₂²)
   - C₁=−(1+θ₂)²/(4(θ₂θ₃+θ₄))

3.2 EKF：状态联合估计

1. 预测
   -x̂ₖ|ₖ₋₁ = Aₖ₋₁ x̂ₖ₋₁ + Bₖ₋₁ Iₖ₋₁
   -Pₖ|ₖ₋₁ = Aₖ₋₁ Pₖ₋₁ Aₖ₋₁ᵀ + Q
2. 观测雅可比
   -C = [−1, ∂Uoc/∂SOC]
3. 校正
   -K = Pₖ|ₖ₋₁ Cᵀ (C Pₖ|ₖ₋₁ Cᵀ + R)⁻¹
   -x̂ₖ = x̂ₖ|ₖ₋₁ + K·(Ut,meas−Ut,pred)
   -Pₖ = (I − K C) Pₖ|ₖ₋₁

3.3 自适应遗忘因子

eat = round((eθ / ebase)²) uₖ = umin + (1−umin)·h^eat

• ebase≈1×10⁻⁶，umin≈0.93，h≈0.9
• 大误差→eat↑→uₖ→0.85，快速"遗忘"旧数据
• 小误差→eat↓→uₖ→0.93，平稳降噪

四、实施要点与调参经验

1. 初值保护
   前50步采用离线标称参数R₀₀、R₁₀、C₁₀，避免零参数导致矩阵奇异。

1. 协方差矩阵尺度
   P₀=I₄×1，Q=2×2×0.001，R=0.01，SOC初值误差>10%仍能收敛。

1. Uoc(SOC)高阶项
   6阶多项式在0~100%SOC区间误差<5mV，若温度跨度>30℃建议分段或引入T因子。

1. 计算量优化
   - AFFRLS每步仅需4×4矩阵求逆，嵌入式平台<30µs@168MHz
   - EKF状态维2，浮点运算<15µs
   - 整体RAM占用≈(4×4+2×2+4)×4B≈96B，适合车规MCU

1. 收敛判据
   连续300s|eθ|<1mV且|ΔSOC|<0.5%，认为参数进入稳态，可下调umin进一步降噪。

五、性能验证（台架数据节选）

• 工况：UDDS+HPPC混合脉冲，25℃，采样1Hz
• 结果：
• SOC误差峰值1.8%，稳态1%
• 端电压重构误差RMSE 4.3mV
• R₀跟踪相对误差<3%，R₁、C₁<5%
• 对比定u=0.95：AFFRLS在脉冲段收敛时间缩短40%，稳态方差降低28%

六、可扩展方向

1. 温度维扩充：将T作为已知输入，θ(T)分段仿射或一阶补偿
2. 多阶RC：状态扩至3~4维，仍可用相同框架，只需调整A/B/C维数
3. 联合容量修正：增加Cn为待估参数，构建三阶EKF，需引入OCV-SOC曲线约束防漂移
4. 硬件在环（HIL）：把本算法封装为C代码，通过Simulink S-Function与dSPACE验证，自动代码生成满足ISO26262

七、结论

本文提出的「AFFRLS+EKF双闭环」架构，以较低算力代价实现了一阶RC模型参数与SOC的同步在线估计；自适应遗忘因子显著提升了突变工况下的跟踪速度与稳态精度。方案已在多款BMS平台落地，可直接移植到AUTOSAR架构，为后续SOH、SOP、故障诊断的高阶应用提供可靠数据底座。

基于一阶RC模型，电池带遗忘因子递推最小二乘法+扩展卡尔曼滤波算法（FFRLS+ EKF），参数与SOC的在线联合估计，matlab程序