Rint 是最简单的模型，Thevenin 增加了瞬态极化，而 PNGV 则增加了一个用于长期电压行为的累加器。 这三种模型的主要区别在于其电阻和电容元件的数量及用途。电池研究设备通过施加受控的电流曲线、记录电压和电流响应，并将测量数据拟合到特定 SOC 和温度条件下的各个模型中来评估其参数。
Rint 模型适用于静态或缓慢变化的分析，而 Thevenin 模型通常是动态锂离子电池测试的最佳基准，因为它能捕捉瞬态极化，且不会出现 PNGV 模型中常见的累积电压漂移。
三种等效电路模型的区别
Rint：欧姆近似
Rint 模型由一个开路电压源 (U_{OCV}) 与一个内阻 (R_0) 串联组成。
其简化的端电压关系为：
[ V_t = U_{OCV} - I R_0 ]
该模型表示电流流过电池欧姆电阻时引起的瞬时电压降。其参数通常是 SOC、温度以及有时是电流方向的函数。
Rint 不包含电容，因此没有内部状态来重现电流脉冲后的电压松弛。它无法准确表示电荷转移极化、双电层效应或与扩散相关的瞬态。
Thevenin：动态极化模型
Thevenin 模型在电压源和欧姆电阻的基础上，增加了一个并联的电阻-电容（RC）支路，从而扩展了 Rint 模型。
其主要元件包括：
- (U_{OCV})：开路电压源
- (R_0)：瞬时欧姆电阻
- (R_p)：极化电阻
- (C_p)：极化电容
RC 支路产生随时间变化的极化电压。一种常见的表示方式为：
[ V_t = U_{OCV} - I R_0 - V_p ]
其中 (V_p) 根据电流和 RC 时间常数演变：
[ \tau = R_p C_p ]
这种结构能够捕捉负载施加后的瞬时电压降以及负载移除后的电压恢复过程。因此，该模型在跟踪动态电压行为方面明显优于 Rint。
PNGV：带有累积电压状态的 Thevenin 模型
车辆新一代合作伙伴计划 (PNGV) 模型在 Thevenin 型结构的基础上增加了一个大容量或串联电容，通常表示为 (C_{pb}) 或 (C_b)。
该模型包括：
- (U_{OCV})：开路电压源
- (R_0)：欧姆电阻
- (R_p) 和 (C_p)：瞬态极化支路
- (C_{pb}) 或 (C_b)：与累积电荷相关的电压元件
极化 RC 对描述了短期动态行为。额外的电容代表了与随时间积分电流相关的电池电压累积变化。
从概念上讲，PNGV 模型区分了两种效应：
- 快速到中速的瞬态，由 (R_p) 和 (C_p) 表示。
- 累积电压变化，由大容量电容状态表示。
这可以改善短脉冲建模，但当在长期测试中积分微小的参数误差或测量偏移时，累积状态也可能引入长期电压漂移。
各组件的物理意义
开路电压 (OCV)
开路电压源代表电池在特定 SOC 和温度下的平衡电压。
它通常通过 OCV-SOC 特性测试获得。由于达到平衡可能需要较长的静置时间，测量值可能取决于所选的静置时长和电池的松弛行为。
欧姆电阻
(R_0) 代表与电子电阻、离子电阻、集流体、接触点及其他快速过程相关的瞬时电压响应。
在电流阶跃期间，它通常根据瞬时电压变化进行估算：
[ R_0 \approx \frac{\Delta V_{\text{instantaneous}}}{\Delta I} ]
此估算必须考虑测量带宽、切换延迟、线路电阻以及充电和放电行为之间的区别。
极化电阻和电容
(R_p) 和 (C_p) 描述了初始欧姆降之后的较慢电压响应。
电阻控制极化电压的大小，电容控制该电压建立和松弛的速度。它们的乘积定义了时间常数：
[ \tau = R_p C_p ]
较小的时间常数产生快速瞬态，而较大的时间常数产生较慢的电压松弛。
大容量或累积电容
PNGV 的大容量电容代表了与累积电流相关的电压状态。
由于该状态取决于电流积分，它能够重现单个 Thevenin RC 支路可能无法捕捉到的长期电压波动。然而，它也对电流传感器偏置、不准确的初始条件以及未由固定电容表示的电池行为变化非常敏感。
电池测试设备如何生成所需数据
受控电流曲线
电池充放电测试仪或精密电池测试系统在测量端电压、电流和温度的同时，施加预设的电流曲线。
常见的曲线包括：
- HPPC 测试
- 恒流脉冲
- 充放电脉冲序列
- 倍率能力测试
- 动态应力测试
- 工况驱动循环或特定应用的电流曲线
设备必须提供精确的电流控制、同步的电压和电流采样、可编程的静置期，以及足够的分辨率来解析瞬时欧姆响应。
SOC 和温度控制
测试通常在多个 SOC 值下重复进行，因为 (U_{OCV})、(R_0)、(R_p) 和 (C_p) 在整个工作范围内都会发生变化。
典型的特性测试序列控制：
- 初始 SOC。
- 电池温度。
- 每个脉冲前的静置时长。
- 脉冲幅度和持续时间。
- 脉冲后的恢复期。
当需要表征温度依赖性时，会使用恒温箱或环境测试系统。一致的电池组装和接触条件也很重要，因为夹具电阻和电池间的差异可能会扭曲提取的参数。
HPPC 脉冲解读
HPPC 曲线特别有用，因为它能产生用于参数提取的独特电压特征。
在电流阶跃后：
- 瞬时电压变化主要与 (R_0) 相关。
- 较慢的电压变化与极化支路相关。
- 脉冲后的恢复响应提供了关于 (R_p)、(C_p) 和相关时间常数的信息。
- 在 PNGV 识别中，长期的电压趋势也用于估算累积电容状态。
同样的方法可以应用于充电和放电脉冲，尽管由此产生的参数可能并不完全相同。
参数如何评估
第 1 步：建立 OCV-SOC 关系
将电池充放电至目标 SOC，并静置直至其端电压接近平衡状态。
在整个 SOC 范围内重复此过程，生成 OCV-SOC 查找表或拟合函数。该表在后续模型仿真中提供 (U_{OCV})。
第 2 步：估算欧姆电阻
比较电流转换前后的电压与电流变化。
对于从 (I_1) 到 (I_2) 的电流阶跃：
[ R_0 \approx \frac{V(t_1^+) - V(t_1^-)}{I_2-I_1} ]
确切的符号约定取决于放电电流定义为正还是负。在实践中，研究人员还会校正延迟并排除受切换伪影影响的样本。
第 3 步：拟合极化响应
对于 Thevenin 或 PNGV 模型，脉冲的瞬态部分被拟合为指数响应。
单个 RC 支路具有以下一般形式：
[ V_p(t) = V_{p,0}e^{-t/\tau} + R_p I\left(1-e^{-t/\tau}\right) ]
在估算 (R_p) 和 (\tau) 的同时，将测量电压与模型预测进行比较。然后计算电容：
[ C_p = \frac{\tau}{R_p} ]
此过程可以在每个 SOC 和温度点独立执行。
第 4 步：估算 PNGV 累积电容
对于 PNGV 识别，使用较长脉冲序列下的测量电压趋势来估算额外的电容参数。
电流随时间积分，产生的累积电荷与归因于 (C_{pb}) 或 (C_b) 的电压变化相关。必须仔细定义初始电压条件，因为不正确的初始电容电压可能会表现为参数误差。
该估算对长期漂移、电流测量偏置以及电池不断变化的 OCV-SOC 关系特别敏感。
第 5 步：使用最小二乘法进行参数估计
研究人员通常会最小化测量电压与模拟端电压之间的差异：
[ J(\theta)=\sum_{k=1}^{N} \left[V_{\text{measured}}(k)-V_{\text{model}}(k,\theta)\right]^2 ]
其中 (\theta) 包含模型参数，例如：
[ \theta = \{R_0, R_p, C_p, C_{pb}, U_{OCV}\} ]
可以对时间常数 (\tau) 进行扫描或优化，并选择产生最佳拟合的值。判定系数 (r^2) 是用于比较拟合模型解释测量电压响应程度的指标之一。
高 (r^2) 很有用，但不应作为唯一标准。研究人员还应检查最大电压误差、均方根误差、脉冲恢复行为以及在不同于识别数据的测试曲线下的性能。
第 6 步：构建查找表
由于电池参数随工作条件而变化，提取的值通常存储为查找表，索引包括：
- SOC
- 温度
- 充放电方向
- 有时还包括电流水平或老化状态
模型随后可以在仿真过程中插值参数，而不是在整个工作范围内使用一组固定的值。
理解权衡
Rint 简单但不具备动态性
Rint 计算量小且易于识别。
其简单性使其适用于粗略的电压估算、稳态分析以及对瞬态精度要求不高的应用。当目标包括脉冲功率预测、瞬态电压限制或快速变化负载下的精确 SOC 估算时，它并不适用。
Thevenin 平衡了精度与稳定性
Thevenin 模型用相对较少的参数捕捉了主要的瞬态极化响应。
它通常避免了与 PNGV 大容量电容相关的累积积分误差。这使其成为电池测试、动态仿真和锂离子电池验证的强有力基准。
其局限性在于一个 RC 支路无法表示所有电化学时间尺度。具有明显扩散或多级松弛的电池可能需要两个或更多 RC 支路。
PNGV 在长期仿真中可能漂移
PNGV 可以同时表示瞬态极化和累积电压变化。
然而，如果参数、初始条件、OCV 图或电流测量不准确，其累积电容可能会产生巨大的长期误差。关于重复动态循环中出现大误差的报告通常是特定于测试的，而非普遍现象，但它们说明了该模型对累积效应的敏感性。
更多参数会增加识别风险
增加电阻和电容并不会自动产生更好的模型。
额外的参数可能会产生相关性，这意味着不同的参数组合会产生相似的电压曲线。如果没有足够的信息量大的脉冲、独立的验证和良好的测量质量，更复杂的模型可能在拟合识别数据时表现良好，但在泛化时表现不佳。
为您的目标做出正确的选择
合适的模型取决于所需的时间尺度、精度、计算预算和测试持续时间。
- 如果您的主要重点是简单的稳态电压估算： 使用 Rint 模型，并在 SOC 和温度范围内识别 (U_{OCV}) 和 (R_0)。
- 如果您的主要重点是动态脉冲精度： 使用 Thevenin 模型，并从同步的脉冲和松弛数据中识别 (R_0)、(R_p) 和 (C_p)。
- 如果您的主要重点是具有累积电压效应的短时行为： 评估 PNGV 模型，但在整个预期的工作周期内验证其大容量电容状态。
- 如果您的主要重点是实时电池管理： 使用 Thevenin 模型或增强的多 RC 衍生模型，配合查找表，并在工作条件改变时进行递归在线参数更新。
- 如果您的主要重点是研究级参数识别： 结合 OCV-SOC 测试、HPPC 脉冲、受控温度条件、最小二乘拟合和独立的动态验证。
关键在于选择能够重现应用所需电压行为的最简单等效电路，然后在实际工作条件下验证其参数。
总结表：
| 模型 | 组件 | 动态行为 | 参数评估 |
|---|---|---|---|
| Rint | OCV + R0 | 静态，无瞬态 | 从瞬时电压变化获取 R0 |
| Thevenin | OCV + R0 + RC 支路 | 捕捉瞬态极化 (RC 时间常数) | 拟合瞬态响应以获取 Rp, Cp；从瞬时压降获取 R0 |
| PNGV | OCV + R0 + RC + 大容量电容 | 捕捉瞬态和累积电压变化 | 扩展 Thevenin 拟合；从长期电压趋势估算大容量电容 |
需要可靠的电池测试设备来准确建模您的电池吗？
在 KINTEK，我们提供先进的充放电测试仪、支持 HPPC 的测试系统和环境箱，旨在高效表征 Rint、Thevenin 和 PNGV 参数。我们的解决方案支持 SOC/温度映射、脉冲测试以及锂离子和下一代电池的参数拟合。立即联系我们的专家，优化您的研究工作流程并获取您所需的精确数据。