2. 电池基础知识

电池管理系统（BMS）的一切算法——从SOC估算到SOP预测，从均衡策略到热管理——都建立在对电池本体特性的深刻理解之上。锂离子电池并非一个简单的电压源，而是一个具有强非线性、时变性和滞回特性的电化学系统。本章将系统梳理锂离子电池的工作原理、核心关键参数（电压、电流、温度、SOC、SOH、SOP）的物理意义与工程获取方式，并深入剖析三种经典等效电路模型（Rint、Thevenin、PNGV）的数学表达、适用场景与建模方法，为后续章节的算法设计奠定坚实的物理与数学基础。

上图展示了本章的知识架构：锂离子电芯作为被控对象，其工作原理决定了外部电气特性；关键参数是BMS感知和计算的直接量；等效电路模型则是连接物理世界与算法世界的桥梁。下面逐一展开。

2.1 锂离子电池工作原理与内部结构

锂离子电池的本质是一种浓差电池，依靠锂离子在正负极之间的浓度差驱动嵌入与脱嵌反应。以最常用的石墨负极+三元正极（NCM）体系为例，充电时，正极材料中的锂原子失去电子变为锂离子（Li⁺），通过电解液迁移至负极，嵌入石墨层间；同时电子通过外电路从正极流向负极，形成电荷平衡。放电过程则完全相反。这一过程可用如下反应式表示：

正极：Li(NiCoMn)O₂ ⇌ Li₁₋ₓ(NiCoMn)O₂ + xLi⁺ + xe⁻
负极：6C + xLi⁺ + xe⁻ ⇌ LiₓC₆
总反应：Li(NiCoMn)O₂ + 6C ⇌ Li₁₋ₓ(NiCoMn)O₂ + LiₓC₆

从BMS算法角度看，理解工作原理的关键在于三点：第一，电池的端电压由正负极的锂浓度（即化学势）决定，这构成了OCV-SOC映射关系的物理基础；第二，锂离子在电解液和电极中的扩散速率有限，当大电流充放电时，电极表面锂浓度与体相浓度产生偏差，表现为极化电压，这正是等效电路模型中RC网络的物理来源；第三，过充或过放会导致不可逆的结构破坏（如析锂、晶格坍塌），因此BMS必须严格限制电压和SOC窗口。

2.2 关键参数定义与工程获取

BMS的六大关键参数——电压、电流、温度、SOC、SOH、SOP——构成了电池状态估计的完整集合。其中前三个是直接测量量，后三个是估计量。理解每个参数的物理意义、测量精度要求和时间尺度，是设计算法的前提。

2.2.1 电压（Voltage）

电压参数包括开路电压（OCV）、工作电压（端电压）和截止电压。OCV是电池静置足够长时间（通常≥2小时）后的端电压，与SOC存在一一对应关系（滞回效应除外）。工作电压是充放电过程中的实时端电压，等于OCV减去欧姆压降和极化压降。BMS对电压采样的精度要求通常为±2mV~±5mV（16位ADC），采样周期一般为10ms~100ms。电压不仅是SOC估算的输入，更是过充/过放保护的第一道防线。

2.2.2 电流（Current）

电流参数通常以安培（A）或倍率（C-rate）表示，1C表示1小时充满/放完的电流。电流测量的核心器件是分流器（毫欧级）或霍尔传感器，精度要求为±0.5%~±2%FS。电流信号是安时积分法计算SOC的基础，也是SOP估算的关键输入。值得注意的是，电流传感器的零点漂移和温漂会随时间累积，导致SOC积分误差增大，因此BMS需要定期进行零电流校准。

2.2.3 温度（Temperature）

温度直接影响电化学反应速率、内阻和老化速率。BMS通常在每个模组布置2~4个NTC热敏电阻，测量电池表面温度，精度要求±1°C。温度参数用于三个关键场景：① 修正OCV-SOC曲线（温度每变化10°C，OCV变化约2~5mV）；② 修正内阻模型参数（低温下内阻可增大2~3倍）；③ 触发热管理策略（加热/冷却）。

2.2.4 SOC（State of Charge）

SOC定义为剩余容量与额定容量的百分比，是BMS最核心的输出参数。其估算方法包括：安时积分法（基础）、OCV查表法（校准）、卡尔曼滤波法（动态修正）、机器学习法（新兴）。工程上通常采用多方法融合策略：正常运行以安时积分为主，静置时用OCV修正，充放电末端用电压限制修正。

2.2.5 SOH（State of Health）

SOH表征电池相对全新状态的健康程度，通常定义为当前最大可用容量与额定容量的比值（容量衰减型），或当前内阻与初始内阻的比值（内阻增长型）。SOH的估算需要长期数据积累，一般通过充放电曲线拟合或内阻在线辨识实现。SOH是BMS制定维护策略和剩余寿命预测的基础。

2.2.6 SOP（State of Power）

SOP预测电池在当前状态下可持续输出的最大充/放电功率，时间窗口通常为10s、30s、持续。SOP估算需要综合考虑电压限制、电流限制、SOC限制和温度限制，取四者约束下的最小值。SOP是车辆动力性分配和能量管理的关键输入。

2.3 电池等效电路模型（ECM）与建模方法

等效电路模型用电阻、电容、电压源等电气元件来近似电池的外特性，是BMS算法中最常用的电池模型。其核心思想是：用电压源表示OCV，用电阻表示欧姆内阻，用RC网络表示极化效应。模型阶数越高，精度越高，但计算复杂度和参数辨识难度也相应增加。

2.3.1 Rint模型（零阶模型）

Rint模型是最简单的电池模型，仅由一个理想电压源OCV和一个串联内阻R₀组成。其数学表达式为：

V(t) = OCV(SOC, T) - I(t) · R₀(SOC, T)

该模型忽略了所有极化效应，认为电池端电压随电流呈线性变化。优点是结构简单、计算量极小，适合硬件资源受限的场景；缺点是精度低，在大电流动态工况下误差可达5%~10%。Rint模型常用于SOP的粗略估算和系统级仿真中的电池简化表示。

2.3.2 Thevenin模型（一阶RC模型）

Thevenin模型在Rint基础上增加了一个RC并联网络，用于模拟电池的极化电压。其状态方程和输出方程为：

状态方程：dV₁/dt = -V₁/(R₁·C₁) + I/C₁
输出方程：V(t) = OCV(SOC, T) - I(t)·R₀ - V₁(t)

其中R₁为极化内阻，C₁为极化电容，V₁为极化电压。该模型能够较好地模拟电池在动态工况下的电压响应，精度可满足大多数BMS应用需求。一阶RC模型是工程中最常用的折中选择，参数辨识可通过HPPC（混合脉冲功率特性）测试完成。

2.3.3 PNGV模型（带电容的Thevenin模型）

PNGV模型在Thevenin基础上增加了一个大电容C_b，用于描述OCV随SOC积分变化的过程。其数学表达为：

V(t) = OCV₀ - (1/C_b)·∫I dt - I·R₀ - V₁

PNGV模型能够更准确地反映电池在持续充放电过程中OCV的缓慢漂移，适合长时间尺度仿真。但其参数辨识复杂度较高，且C_b的物理意义不够明确，在BMS在线应用中较少直接使用，更多用于离线仿真和电池特性分析。

2.3.4 建模方法与参数辨识流程

电池建模的核心步骤包括：① 实验设计（HPPC测试、动态工况测试）；② 数据采集（电压、电流、温度、SOC同步记录）；③ 参数辨识（最小二乘法、卡尔曼滤波法）；④ 模型验证（不同温度、不同SOC点、不同倍率下的误差评估）。

2.4 案例拆解：LFP电池SOC估算误差分析与模型选择

背景与约束：某储能项目采用280Ah磷酸铁锂电芯，要求SOC估算误差≤5%，BMS主控MCU为Cortex-M4内核（主频168MHz），RAM资源仅64KB。项目初期直接采用一阶Thevenin模型+扩展卡尔曼滤波（EKF），但实测SOC误差在30%~70%区间内达到8%，超出指标。

现象与数据：对比OCV-SOC曲线发现，LFP电池在20%~80%区间OCV变化仅约30mV，而电压采样噪声（含ADC量化误差和EMI干扰）约为±5mV，信噪比极低。EKF在OCV平坦区对电压残差的敏感度下降，导致SOC修正失效。

分析过程：团队从三个维度进行排查：① 模型精度——一阶RC模型在动态工况下极化电压拟合误差约15mV，超过OCV变化量的一半；② 观测性——在OCV平坦区，系统可观测性矩阵条件数增大，EKF增益趋于保守；③ 电流积分误差——电流传感器零点漂移导致安时积分累积误差约0.5%/天。

解决方案：采用"双模型融合+定期校准"策略：① 将一阶RC模型升级为二阶RC模型，极化拟合误差降至8mV；② 引入"静置OCV修正"机制——当检测到电池静置超过2小时且电流<50mA时，直接以OCV查表值覆盖EKF估计值；③ 增加"满充校准"——每次充满时强制SOC=100%，消除积分累积误差。

结果对比：改进后，SOC估算误差从8%降至3.2%，满足指标要求。代价是算法RAM占用增加12KB（二阶RC模型+修正逻辑），但仍在64KB预算内。

复盘经验：LFP电池的SOC估算不能依赖单一算法，必须结合化学特性（OCV平坦）和工况特征（静置/满充）设计多模式切换策略。模型阶数的选择不是越高越好，而是要在精度、计算量、鲁棒性之间取得平衡。

2.5 常见误区与总结

在电池建模与参数理解中，工程师常犯以下错误：

• 误区一：认为OCV-SOC曲线是固定不变的。实际上，OCV随温度、老化程度和充放电历史（滞回）而变化，LFP电池的滞回电压可达10~20mV。
• 误区二：忽略电流传感器零点漂移。长期运行后，零点漂移可导致SOC积分误差每小时累积0.1%~0.3%，必须定期校准。
• 误区三：模型参数一次性标定后不再更新。电池老化后内阻可增加30%~50%，必须设计在线参数辨识或定期离线更新机制。
• 误区四：将SOH简单等同于容量衰减。对于功率型应用（如混动汽车），内阻增长可能比容量衰减更早触发SOH报警。