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_