递推最小二乘与自适应迭代UKF融合的锂电池SOC估计

我自己是搞电池管理系统算法这块的，看到“自适应迭代无迹卡尔曼滤波算法AIUKF + 锂离子电池SOC估计 + 递推最小二乘法辨电池参数”这个标题，第一反应就是：终于有人把完整链路串起来了。做SOC估计的都知道，单一算法很难同时解决“状态估计精度”和“模型时变跟随”两个问题。很多论文里只写UKF，仿真曲线也确实漂亮，但换到动态工况或者高温低温场景，误差就藏不住了。这个标题里把FFRLS参数辨识和AIUKF状态估计组合在一起，才是工程上真正能落地的主线思路。

这篇文章我会把整条方案从头拆到尾：为什么SOC非要走“模型+滤波”路线，等效电路模型怎么搭，遗忘因子递推最小二乘法怎么接进系统，AIUKF里的自适应和迭代到底改了什么，以及实际跑数据时最容易踩的坑。无论你是刚开始做BMS算法，还是在实验室里仿真阶段折腾，照着这个框架往下搭，基本能少走半年弯路。

1. 先把问题拆清楚：SOC估计为什么不能只靠安时积分

1.1 你真正要解决的三个难点

锂离子电池SOC即剩余电量，外观看是个百分数，但它本质上是不可直接测量的内部状态。你拿万用表量到的端电压，是开路电压、极化电压和内阻压降叠加后的结果；而SOC又和开路电压存在一条随温度和老化缓慢变化的非线性关系。想用电压反推SOC，得让电池静置到极化基本消失，动态工况下根本没有这个机会。

第一个难点就是“状态不可测”。第二个难点在于电池模型参数一直在漂。同一块电芯，SOC从100%放到10%，R0能差出30%都不奇怪；循环老化和温度变化还会让内阻和极化时间常数继续变。如果模型参数是死的，滤波器再聪明也没用。第三个难点是系统噪声统计未知。电流传感器有偏置和量化误差，模型本身也存在未建模动态，如果整个过程噪声和测量噪声协方差矩阵Q、R固定不调，滤波器的增益就不准，轻则收敛变慢，重则直接发散。

1.2 为什么是FFRLS + AIUKF这套组合

针对上面三个难点，市面上的处理方式大致是三类。第一类是用EKF做状态估计，把非线性方程在估计点做一阶泰勒展开，计算雅可比矩阵；缺点是强非线性下截断误差明显，而且雅可比推导麻烦，代码改起来容易出错。第二类是标准UKF，用sigma点替代局部线性化，精度可以到三阶以上，但对噪声协方差比较敏感，如果Q、R给得不准，估计结果会出现肉眼可见的抖动或滞后。第三类是在UKF基础上再叠加自适应和迭代策略，也就是标题里的AIUKF，它一方面在线修正噪声协方差，另一方面通过反复迭代测量更新来逼近真实状态。

参数辨识侧同样不能省。锂电池模型参数是随SOC和老化缓慢变化的，用离线标定参数去跑全寿命周期根本不现实。递推最小二乘法计算量小、适合在线运行，加了一个遗忘因子后，可以让算法逐渐忘记旧数据、更重视当前数据，从而跟踪时变参数。也就是说：FFRLS负责把电模型参数R0、R1、C1实时喂给主滤波器，AIUKF负责在这些参数基础上准确估计SOC，两者形成闭环。这比单纯“UKF+离线参数”或“FFRLS+安时积分”都要稳。

2. 电池建模与离线标定：算法效果的地基

2.1 一阶RC模型的选择与离散方程

滤波器设计的第一步是建立电池的状态空间模型。工程里最常用的是等效电路模型，一阶RC模型即戴维南模型由一个欧姆内阻R0和一个RC并联网络组成，结构简单、参数辨识稳定，对多数磷酸铁锂和三元锂电池已经够用。之所以不轻易上二阶RC，是因为多一组RC会增加两个待辨识参数，若激励电流不丰富，最小二乘结果反而容易出现病态。

一阶RC模型的数学表达如下：

U_t = OCV(z) - U_1 - I R0

其中z是SOC，U1是极化电压，I是电流（放电为正）。RC并联网络满足：

dU1/dt = -U1/(R1C1) + I/C1

以采样周期Ts做离散化处理后：

SOC_{k+1} = SOC_k - ηTsI_k/Cn
U1_{k+1} = U1_k · exp(-Ts/τ) + R1(1 - exp(-Ts/τ)) I_k

这里τ等于R1C1，η是库仑效率，Cn是电芯额定容量。于是在AIUKF中，状态向量可以取x=[SOC, U1]^T，输入u=I，量测y=U_t。另一条更精细的路线是把二阶RC模型也用上，状态向量扩成x=[SOC, U1, U2]^T，代价是状态维度和参数辨识难度同时上升。对多数电量计项目来说，一阶RC配合在线参数已经能给出很好的SOC结果。

2.2 OCV-SOC曲线标定和预处理

状态方程和量测方程里都出现OCV(SOC)，这条曲线做不好，滤波器内部模型误差就会很大。工程上标定OCV曲线最常用的方法是“小电流静置法”：先以C/20小倍率恒流将电池放空，静置，然后每隔5%或10% SOC插入一次静置段，记录端电压平衡后的值，最后用三次样条插值得到整条OCV-SOC离散曲线。

在把OCV曲线交给AIUKF之前，建议先对着曲线本身检查一遍回差。充放电两条曲线若存在明显滞回电压，比如磷酸铁锂电池在中段SOC平台区有数十毫伏的滞回，简单按照同一SOC取单一OCV会带来偏差。处理方式也比较成熟：要么在状态观测中引入滞回电压模型，要么取两条曲线的均值作为查询表，把滞回误差当作测量噪声的一部分处理。后者实现成本低，多数情况下够用。

2.3 遗忘因子递推最小二乘法（FFRLS）辨识模型参数

在线辨识R0、R1、C1时，需要把一阶RC模型改写成适合最小二乘的线性回归形式。一种常用做法是直接对端电压差分方程做回归，这样能避免OCV项混入误差：

令y_k = U_tk - U_t(k-1)，回归向量φ，待估参数θ为：

y_k = a1 · y_{k-1} + b0 · ΔI_k + b1 · ΔI_

这里ΔI_k = I_k - I_{k-1}。利用最小二乘估计出a1、b0、b1之后，再反推回电学参数。这个过程用带遗忘因子递推形式实现，即标题中说的遗忘因子递推最小二乘法，基本递推公式为：

e_k = y_k - φ_k^T θ_{k-1}
K_k = P_{k-1} φ_k / (λ + φ_k^T P_{k-1} φ_k)
θ_k = θ_{k-1} + K_k e_k
P_k = (P_{k-1} - K_k φ_k^T P_{k-1}) / λ

遗忘因子λ在0.95到1之间选取，λ越小，算法对旧数据的遗忘越快，参数跟随性越好，但抗噪声能力会减弱；λ越接近1，辨识参数越发光滑，但在工况突变时反应迟钝。实际跑动态工况，我习惯先用λ=0.98试跑，然后看辨识出的R0曲线是否跳动明显，有抖动量就适当增大λ。

参数辨识有一个前提需要特别提醒：必须保证信号持续激励。也就是说，电流波形不能长时间保持在同一个值，否则回归矩阵病态，辨识结果会跳变。实际路谱中电流一直在变，问题不大；但在恒流充电工况下辨识R0和R1，结果基本不可信。应用场景上，FFRLS更适合在动态工况下在线更新，而静态或小电流段则用查表值兜底。

3. AIUKF算法核心细节：自适应和迭代到底在改什么

3.1 从EKF到UKF：为什么换掉雅可比矩阵

传统EKF处理非线性方程时，要把f和h在某些点上做一阶泰勒展开。问题在于，电池OCV-SOC曲线不是光滑的线性函数，尤其在磷酸铁锂电池电压平台段，局部斜率很小、甚至变化剧烈，一阶截断很容易让估计增益偏差变大。UKF则不同，它不计算雅可比矩阵，而是按照预设规则在状态均值附近采样一组sigma点，把这些点直接送入非线性方程传播，再用加权结果还原均值和协方差。

这个“无损变换”的代价只是比EKF多算一组sigma点，但也只有一组，计算量并不算大，在嵌入式芯片上完全可以跑。实测下来，UKF的动态响应和收敛性通常优于EKF，尤其是在初始SOC误差较大时，UKF往往能较快拉回真实值。

3.2 自适应机制是怎么实现的

标准UKF对Q和R很敏感。Q给得太大，滤波增益高，状态估计噪声大；Q给得太小，滤波器太“自信”，实际建模误差大了以后就追不上真实状态。自适应的主要思路，是在递推过程中根据新息，也就是量测残差，实时修正噪声协方差。新息序列ν = z - h(x_pred)中若持续出现非零均值或过大方差，说明当前R或Q与真实噪声不匹配。

实际工程中用的比较多的是带遗忘因子的Sage-Husa估计器。以测量噪声协方差R的估计为例：

d_k = (1 - b) / (1 - b^{k+1})
R_k = (1 - d_k) R_{k-1} + d_k (ν_k ν_k^T - H_k P_pred H_k^T)

这里的b是遗忘系数，常取0.95到0.99。理论上用新息可以同时估计Q和R，但在线估计两个矩阵很容易耦合发散，所以我在代码里给Q、R都做了上下限保护。如果估计出的R小于传感器实测噪声方差的下限，就把它强制拉回下限。这样做能避免自适应本身成为不稳定的来源。

3.3 迭代更新的含义

迭代的核心思想非常直接：标准UKF在测量更新阶段只用了一次sigma点变换，本质上对非线性量测函数做了一次“近似”。如果量测方程高度非线性，这一次近似不足以逼近真实后验分布，那么就把测量更新这一步重复多次：用上一轮的后验状态作为新的起点，重新生成sigma点，重新计算增益，再更新一次状态，直到状态变量基本不再变化或达到设定的迭代次数上界。

迭代更新对SOC估计场景尤其有价值，因为它显著缓解了大SOC初值误差时的收敛滞后问题。例如电池从满电切入动态放电，初始阶段SOC估计误差较大，一次测量更新往往不能把状态拉到位，迭代两三次后收敛速度会明显改善。需要注意的是，每次迭代本质上是在消耗计算时间，一般迭代2到3次即可，没必要追求更多。

3.4 完整AIUKF递推流程

到这里可以把整个滤波器流程整理清楚。以状态x=[SOC, U1]^T为例，每个采样周期要执行以下五步：

1. 初始化：给定SOC初值、极化电压初值、协方差P0、Q0和R0。
2. 预测：根据上一时刻状态生成sigma点并沿状态方程传播，得到x_pred和P_pred。
3. 量测更新：将预测sigma点通过端电压方程变换，计算量测预测值和交叉协方差，求出卡尔曼增益K，更新出x_upd和P_upd。
4. 自适应修正：利用新息ν更新R（必要时更新Q），并把更新结果限制在合理范围内。
5. 迭代收敛判断：以x_upd为起点重复第2到第4步，重复次数达到上限或者状态变化小于阈值时结束，输出最终SOC。

实际工程中，我并不会在每个采样点都做完整迭代，因为车载控制器算力有限、实时性要求又高。更经济的策略是启动阶段或大电流突变后多迭代两次，稳态工况下用标准UKF更新一次就够了。代码里把迭代次数做成可配置参数，对不同应用场景做取舍，比把三次迭代写死要实用得多。

4. 工程实现与数据校核：让算法真正跑起来

4.1 参数辨识与状态估计的耦合框架

AIUKF在运行中需要R0、R1、C1这几个模型参数，而FFRLS需要电压电流数据来反推这些参数。两者不能完全独立，也不能每毫秒都同步更新，否则容易形成正反馈振荡。比较稳妥的做法是分层解耦：FFRLS运行在较慢的时间尺度上，例如每隔0.5秒或1秒执行一次回归，得到稳定的参数；AIUKF运行在主采样周期上，例如100毫秒跑一次状态递推。这样可以防止快变噪声干扰参数辨识，也让滤波器内部模型不至于剧烈抖动。

参数从FFRLS送入AIUKF前，最好再过一道轻度的低通滤波，比如一阶惯性滤波。因为RLS辨识出的R0即使λ设为0.98，也会随着工况出现明显跳动，直接把毛刺值传给滤波器，状态估计会产生可感知的纹波。对R0、R1做平滑处理，对C1也做同样的处理，时间常数可以取2到5秒，根据实测纹波情况调整。

4.2 关键模块的代码结构参考

下面给一个用Python表述的FFRLS模块核心逻辑，基本能反映在线辨识流程：

python复制import numpy as np

class FFRLS:
    def __init__(self, lam=0.98, n_params=3):
        self.lam = lam
        self.theta = np.zeros(n_params)
        self.P = np.eye(n_params) * 1000.0

    def update(self, phi, y):
        phi = phi.reshape(-1, 1)
        y = float(y)
        # 预测误差
        e = y - float(phi.T @ self.theta)
        # 增益
        S = float(phi.T @ self.P @ phi) + self.lam
        K = (self.P @ phi) / S
        # 参数更新
        self.theta += K.flatten() * e
        # 协方差更新
        self.P = (self.P - K @ phi.T @ self.P) / self.lam
        # 防止P非对称
        self.P = (self.P + self.P.T) / 2.0
        return e

实际项目中还应该在update前面增加幅值判断，当电流、电压不满足有效范围或信号激励不足时直接跳过本次更新，防止把异常点带进回归器。

AIUKF主循环最核心的就是sigma点生成和量测更新。示例代码如下：

python复制def sigma_points(x, P, n, alpha, beta, kappa):
    lam = alpha**2 * (n + kappa) - n
    L = n
    wm = np.zeros(2*L+1)
    wc = np.zeros(2*L+1)
    wm[0] = lam / (L + lam)
    wc[0] = wm[0] + (1 - alpha**2 + beta)
    sq = np.linalg.cholesky((L + lam) * P)
    X = np.zeros((2*L+1, L))
    X[0] = x
    for i in range(L):
        X[i+1] = x + sq[i]
        X[L+i+1] = x - sq[i]
    return X, wm, wc

注意代码里的np.linalg.cholesky要求P必须正定。实际运行中如果协方差矩阵因为数值误差出现半负定，程序会直接报错。所以在计算sigma点之前需要对P做一次对称化和微小对角扰动，比如P += 1e-9 * np.eye(n)，这是一个很小的细节，却能避免很多莫名其妙的崩溃。

4.3 RLS数据校核与验证指标

很多同学做完算法只关心SOC曲线包不包得住真值，却忽略了FFRLS输出参数本身的校核。所谓RLS数据校核，是把辨识出的R0、R1、C1代回一阶RC模型，用同样的电压电流数据重新推算出模型端电压，再和实测端电压做残差对比。残差应该在±20mV以内，如果残差呈趋势性偏移，说明模型结构或样本时间有问题；如果残差主要是高频毛刺，则可能是传感器噪声和算法参数设置共同造成的。

模型端电压残差校核不通过时，典型表现是SOC估计误差看着还行，但换一组温度数据就崩。原因就是参数辨识只在单一数据段上做到“拟合优度”自洽，在另一个数据段外推性很差。所以项目里我总是把校核拆成两部分：第一部分用辨识结果预测当前数据段的电压，检查在线跟踪能力；第二部分用上一秒辨识出的参数预测当前时刻电压，检查参数更新后的响应是否合理。第二部分的残差如果经常很大，说明遗忘因子太小或频率太高。

最终SOC估计精度，建议统计平均绝对误差MAE、最大绝对误差MAX和均方根误差RMSE三项指标。在标准动态工况比如DST和US06下，我做出来的结果一般是MAE保持在1%左右，MAX不超过3%，相比固定参数的EKF能够改善一到两个百分点。这套框架最大的优势不是单点精度，而是在不同温度、不同老化和不同初值误差条件下都能保持稳定。

5. 常见问题与排查技巧实录

5.1 UKF协方差矩阵发散

症状是状态估计突然震荡甚至变成NaN，排查时先看P矩阵的对角元素是否出现负值。通常原因有两个：一是P经过弱激励阶段不断缩水，变成了半正定或奇异；二是迭代更新过程中反复使用同一个P但没有做数值修正。解决办法是每次更新后强制对称化，并加一个很小的对角扰动；在长时间静置无电流阶段，要判断停止递推而不是继续空跑。

5.2 FFRLS参数辨识结果抖动

如果R0辨识值的波动在10%以上，大概率是遗忘因子太小或激励数据太少。先尝试把λ从0.98提高到0.995，观察参数曲线是否变稳定。如果稳定后仍存在明显随SOC漂移的正常趋势，就不用继续加大，因为代价是跟踪变慢。另一个隐藏问题是电流传感器零点漂移，会让差分方程中的ΔI一直带一个微小偏置，最终反映到R0结果的持续偏移。这个可以在辨识前对电流做短时间零点标定，或者在静态工况下把结果锁定为查表值。

5.3 初始SOC给定不准导致收敛慢

电池管理系统上电时经常会读不到上次断电SOC，满充后的SOC还可能被电压平台干扰。这时候如果给滤波器的初值误差超过20%，普通UKF要很久才能拉回来。解决办法是把Q的初始值适当调大，让滤波器在启动阶段信任电流积分和量测；配合AIUKF的迭代更新，前几个采样点就能大幅修正初值。实际项目里我也会在启动阶段并开多条候选初值线程，比如同时跑SOC=100%、50%、0%三条初始化滤波线，若干秒后根据新息方差选出最优的那条，效果非常直观。

5.4 可复现的调参速查表

排查问题时的总原则是从模型端电压校核入手，也就是先看看参数本身是否合理，再去调滤波参数。滤波器本质上是在“模型预测”和“量测”之间做加权折中，如果模型电压残差本身就很大，调Q和R只会把小毛病变成大隐患。

我在实际项目中还有一个小习惯：所有算法参数都不直接写死在代码里，而是通过配置文件下发。因为同一套算法在软包三元锂、方形磷酸铁锂、低温工况和高温工况下，最优的λ、Q、R区间往往不一样。把调参过程做成配置化，现场调试时用参数扫描工具快速对比，这套FFRLS+AIUKF框架才能在不同项目之间快速复制。踩过几次坑之后，我发现算法本身的问题其实没那么难解决，真正让人头疼的都是数据采集、参数初始化和边界状态管理这些不起眼的环节。把这层功夫做扎实了，AIUKF带来的精度和稳定性提升才能彻底表现出来。