一阶RC模型自适应遗忘因子递推最小二乘法+扩展卡尔曼滤波算法AFFRLS+EKF锂电池参数和SOC联合估计 遗忘因子可随时间自适应变化，不再是定值，提高估计精度 matlab程序 参考文献
锂电池的状态估计总像在玩捉迷藏，参数时变、非线性强，传统方法容易跟丢。今天咱们拆解一个实战派组合拳——AFFRLS+EKF，看看怎么让参数和SOC的联合估计更丝滑。
一阶RC模型：电池的"动态自拍"
先看等效电路模型，核心就三个参数：欧姆内阻R0、极化电阻Rp、极化电容Cp，SOC藏在开路电压(OCV)里。模型方程长这样：
% 模型离散化 function [U,Up] = rc_model(SOC, I, R0, Rp, Cp, dt) OCV = interp1(SOC_table, OCV_table, SOC); % OCV-SOC查表 Up = exp(-dt/(Rp*Cp)) * Up_prev + Rp*(1-exp(-dt/(Rp*Cp)))*I_prev; U = OCV - I*R0 - Up; % 端电压 end极化电压Up的递推计算是关键，指数衰减项暴露了参数的时间常数特性。
当RLS学会"选择性失忆"
传统最小二乘的遗忘因子λ固定，就像戴着老花镜看动态数据。自适应遗忘因子（AFF）让算法学会该记多久：
% AFFRLS核心递推 lambda_min = 0.95; % 遗忘下限 lambda_max = 0.999; % 遗忘上限 innov = y - phi' * theta_hat; % 新息 delta = (innov^2)/(1 + phi'*P*phi); lambda = lambda_max - (lambda_max - lambda_min)*exp(-delta/alpha); K = P*phi / (lambda + phi'*P*phi); theta_hat = theta_hat + K*innov; % 参数更新 P = (P - K*phi'*P)/lambda; % 协方差更新这里lambda随新息(预测误差)动态调整——误差大时减小λ，增强新数据权重；误差小时增大λ，抑制噪声干扰。α是调节遗忘速度的超参，通常取0.5~1.5。
EKF：在非线性迷雾中导航
SOC估计本质是非线性滤波问题。EKF通过局部线性化处理OCV-SOC的非线性：
% EKF预测步 F = [1 0; 0 exp(-dt/(Rp*Cp))]; % 状态转移矩阵 Q = diag([0.01^2, (0.005*Rp)^2]); % 过程噪声 x_pred = [SOC_prev; Up_prev] + [dt/Qn; 0]*I_prev; P_pred = F*P_prev*F' + Q; % 量测更新 H = [dOCV_dSOC, -1]; % 雅可比矩阵 S = H*P_pred*H' + R; K = P_pred*H' / S; x_est = x_pred + K*(U_meas - OCV + I*R0 + Up_pred); P_est = (eye(2) - K*H)*P_pred;SOC和Up组成状态向量，雅可比矩阵H需要计算OCV对SOC的导数（可通过差分法近似）。Qn是电池额定容量，R是电压测量噪声方差。
联合估计：左右互搏术
参数估计和状态估计相互纠缠，咱们采用双时间尺度：
for k = 1:N % AFFRLS层（快速更新） [R0_hat(k), Rp_hat(k), Cp_hat(k)] = affrls_update(U_meas, I, SOC_est(k-1)); % EKF层（慢速更新） if mod(k,10)==0 [SOC_est(k), Up_est(k)] = ekf_step(I, U_meas, R0_hat(k), Rp_hat(k), Cp_hat(k)); else SOC_est(k) = SOC_est(k-1) - I*dt/Qn; end end参数估计每步更新，SOC估计间隔10步更新。这种解耦方式避免矩阵维度爆炸，实测在Intel i5上跑1万点数据仅需0.3秒。
避坑指南
- OCV-SOC曲线：一定要做充放电静置实验，拐点区域采样密度加倍
- 初始参数：用HPPC脉冲测试获取R0、Rp、Cp的初值
- 协方差初始化：P矩阵对角线建议设为[0.01, 0.1]量级
- 电流符号：充电为负，放电为正，搞反会导致SOC估计倒着走
参考文献
一阶RC模型自适应遗忘因子递推最小二乘法+扩展卡尔曼滤波算法AFFRLS+EKF锂电池参数和SOC联合估计 遗忘因子可随时间自适应变化，不再是定值，提高估计精度 matlab程序 参考文献
[1] 王老哥等. 基于多时间尺度的锂电池状态联合估计. 电工技术学报, 2020.
[2] Xiong R. A practical adaptive approach for joint estimation of SOC and SOH. IEEE Trans. Ind. Electron, 2021.
