2. 动力电池基础

动力电池的健康预测不是单纯的算法问题，它首先建立在对电池电化学行为与老化规律的准确理解之上。若把数据驱动模型比作“医生”，那么电池工作原理、性能参数和老化机理就是“解剖学与病理学”。本节从锂离子电池的工作机理出发，梳理关键性能参数，剖析老化机理，并给出健康状态（SOH）的工程定义，为后续特征工程与寿命预测奠定物理基础。

一、核心原理：锂离子电池如何工作

动力电池以锂离子在正负极之间的可逆嵌入与脱出实现能量存储与释放。充电时，正极材料（如三元锂 NCM、磷酸铁锂 LFP）中的锂离子脱出，经电解液和隔膜迁移到负极（石墨），同时电子经外电路流向负极；放电时过程相反，锂离子从负极脱出回到正极，电子经外电路做功。这一“摇椅式”机制决定了电池的电压、容量与寿命特性。

电池端电压由正负极电势差决定，可用简化关系描述：

U(t) = OCV(SOC) - I(t)·R0 - η_act - η_conc
其中：
  OCV(SOC)  开路电压，随荷电状态非线性变化
  I(t)·R0   欧姆极化压降
  η_act     电化学活化极化
  η_conc    浓差极化

该式说明：同一 SOC 下，电压会随电流、温度、老化程度变化。这正是数据驱动模型需要引入电流、温度、内阻等多维特征的根本原因。

二、关键性能参数：从物理量到可测特征

电池性能参数可分为容量类、阻抗类、效率类和寿命类。工程中常通过充放电曲线、脉冲测试、EIS 等手段获取。下表汇总了核心参数及其与健康预测的关系。

参数	物理含义	典型获取方式	与 SOH 的关系
实际容量 Q	满充至满放可释放电量	安时积分法	直接决定容量型 SOH
内阻 R0	欧姆与极化阻抗之和	脉冲/直流内阻法	随老化上升，影响功率
OCV-SOC 曲线	开路电压与荷电状态映射	静置法、小电流充放	曲线偏移反映 LLI/LAM
库仑效率 CE	放电容量/充电容量	充放电循环记录	下降预示副反应加剧
温升 ΔT	充放电过程温度变化	温度传感器	异常温升关联内阻与析锂

三、老化机理：容量与功率为何衰减

电池老化分为日历老化与循环老化。日历老化主要发生在静置状态，受温度与 SOC 影响，表现为 SEI 膜持续增厚、活性锂缓慢损失。循环老化则与充放电次数、倍率、深度（DOD）和温度密切相关，主要机理包括：

• SEI 膜增厚：负极表面副反应消耗活性锂，内阻上升，容量下降。
• 活性锂损失（LLI）：可循环锂总量减少，是容量衰减的主因之一。
• 活性材料损失（LAM）：正负极结构退化，颗粒破裂或失联，导致容量与功率双降。
• 析锂：低温或大倍率充电时锂离子在负极表面沉积，造成不可逆容量损失并带来安全风险。
• 电解液分解与产气：导致内压升高、界面阻抗增大。

四、健康状态定义：SOH 的多维表达

健康状态（State of Health, SOH）通常以百分比表示，但工程上并非单一指标。常见定义包括：

1. 容量型 SOH：SOH = Q_now / Q_rated × 100%，最直观，但需完整充放电，难以在线获取。
2. 阻抗型 SOH：基于内阻增长比例，适合功率型评估，对脉冲测试依赖强。
3. 综合 SOH：融合容量、内阻、温升、一致性等多维特征，更贴近实际可用状态。

在数据驱动健康预测中，SOH 常作为回归目标或状态标签。其定义必须与数据采集方式一致，否则模型再精确也无法落地。例如，若训练标签来自实验室满充满放容量，而在线数据只有片段充电曲线，则需通过特征映射或迁移学习建立对应关系。

五、案例与复盘：从机理到特征的映射

某磷酸铁锂储能电池在 45℃、1C 循环 800 次后，容量保持率降至 82%，内阻上升 35%。复盘发现：

• 充电曲线中段电压平台缩短，dQ/dV 峰面积减小，对应 LLI 主导。
• 放电末端电压下降加快，表明极化增大，与 SEI 增厚一致。
• 温升较初期提高约 3℃，说明欧姆损耗增加。

若仅用容量作为 SOH 标签，模型会忽略内阻与温升信息；而将这三类特征联合输入，可显著提升剩余寿命预测的稳定性。这正是“机理指导特征、数据驱动建模”的核心思想。