2. 动力电池基础
动力电池建模不是“把电压电流画成曲线”这么简单。要建立可用于BMS状态估计、寿命预测与功率控制的模型，必须先理解电池内部发生了什么、外部可测什么、哪些量决定性能，以及等效电路中的每个元件究竟对应哪一类物理过程。本节从工作原理出发，串联关键性能指标，再落到等效电路元件的物理意义与建模需求，为后续参数辨识建立“可解释的模型骨架”。
一、核心原理：锂离子电池如何“搬运”能量
以最常见的锂离子动力电池为例，其核心是可逆的锂离子嵌入与脱出反应。充电时，外部电源迫使锂离子从正极材料（如三元NCM、磷酸铁锂LFP）晶格中脱出，经过电解液与隔膜迁移到负极（石墨），同时电子经外电路流向负极，完成电荷平衡；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。因此，电池的端电压本质上是正负极锂化学势差与内部极化损失共同作用的结果。
这一机理决定了三个重要事实：第一，电池是“化学—电—热”强耦合系统，电流、温度、SOC、SOH都会改变其外特性；第二，端电压不等于开路电压，二者之差由内阻、极化与扩散过程贡献；第三，建模必须区分“稳态”与“动态”，否则参数辨识会失去物理意义。
二、关键性能指标：从容量到功率能力
动力电池的关键指标决定了模型需要覆盖的工况范围。常见指标包括：
- 额定容量与可用容量：额定容量是标称值，可用容量受温度、倍率、老化影响，是SOC估计的基础。
- 开路电压OCV与SOC关系：OCV-SOC曲线是状态估计的“地图”，LFP平台区平坦，辨识难度显著高于三元。
- 内阻：包括欧姆内阻与极化内阻，直接影响端电压跌落与生热。
- 倍率性能：不同充放电倍率下的电压平台与容量保持能力，反映动力学限制。
- 能量密度与功率密度：决定续航与加速能力，是整车匹配的核心参数。
- 循环寿命与日历寿命：与温度、SOC区间、倍率强相关，是SOH建模的目标。
- 热特性：产热率、比热容、导热系数，决定热模型与热管理策略。
这些指标并非孤立，而是通过等效电路参数相互关联。例如，内阻增大往往伴随可用容量下降与产热增加；低温下扩散变慢，表现为极化电压增大、可用功率降低。
三、等效电路元件物理意义：每个元件都在“说话”
工程中最常用的是Thevenin类等效电路模型。以二阶RC模型为例，其典型结构为：理想电压源OCV(SOC,T)串联欧姆内阻R0，再并联两组RC网络，分别描述电化学极化与浓差极化。各元件的物理意义如下：
| 元件 | 物理意义 | 典型影响因素 | 建模作用 |
|---|---|---|---|
| OCV源 | 热力学平衡电位，反映锂嵌入量 | SOC、温度、老化 | 提供稳态电压基准 |
| R0 | 欧姆内阻：电解液、电极、集流体接触电阻 | 温度、SOH、连接状态 | 瞬时电压跌落 |
| R1/C1 | 电化学极化：电荷转移与双电层效应 | 温度、倍率、SOC | 秒级动态恢复 |
| R2/C2 | 浓差极化：锂离子扩散受限 | 温度、倍率、电极厚度 | 十秒至分钟级缓慢恢复 |
| 热网络 | 产热与散热路径 | 电流、内阻、环境温度 | 温度耦合与热保护 |
需要强调的是，RC时间常数τ=RC决定了极化电压的衰减速度。若把两个RC都设成相同时间常数，模型就退化为“一个极化过程”，无法同时拟合快、慢动态。因此，参数辨识前必须根据工况频谱与采样周期确定模型阶数。
二阶RC模型端电压方程（离散形式）：
Vt[k] = OCV(SOC[k],T[k]) - R0*I[k] - V1[k] - V2[k]
V1[k+1] = V1[k]*exp(-Δt/τ1) + R1*(1-exp(-Δt/τ1))*I[k]
V2[k+1] = V2[k]*exp(-Δt/τ2) + R2*(1-exp(-Δt/τ2))*I[k]
其中 τ1=R1*C1，τ2=R2*C2，Δt为采样周期。四、建模需求：从物理到工程的约束
建模需求由应用场景倒推。BMS需要SOC估计，则模型必须包含OCV-SOC关系与足够的动态精度；需要SOP（可用功率）预测，则模型必须能外推不同倍率下的电压边界；需要SOH评估，则模型参数应能反映内阻增长与容量衰减；需要热安全，则必须耦合热模型。因此，建模需求可归纳为四条：
- 可辨识性：参数在现有传感器（电压、电流、温度）下可被激励并估计，避免不可观参数。
- 实时性：模型阶数与计算量需匹配BMS算力，通常二阶RC是精度与复杂度的折中。
- 外推能力：模型在未训练工况下仍能保持合理精度，尤其是低温与高倍率。
- 物理一致性：参数应随温度、SOC、SOH有合理变化趋势，而非纯黑箱拟合。
五、案例与误区复盘
某磷酸铁锂动力电池在25℃下进行混合脉冲功率特性测试（HPPC）。若直接用一阶RC模型拟合，在脉冲结束后的电压恢复段出现系统性偏差：模型恢复过快，无法跟踪实际电压的缓慢回升。原因在于LFP的固相扩散时间常数较大，浓差极化不可忽略。改用二阶RC后，恢复段误差显著下降，但参数辨识维度增加，需引入带遗忘因子的递推最小二乘或粒子滤波。
常见误区包括：把OCV当作恒定值、忽略温度对R0的影响、用同一组参数覆盖全SOC区间、以及用过高阶模型导致参数漂移。复盘结论是：模型阶数不是越高越好，而是要与时间尺度、传感器噪声和算力匹配；参数辨识必须与物理意义绑定，才能让模型在真实工况中“站得住”。
综上，动力电池基础不是背景知识，而是参数辨识的“坐标系”。理解锂离子搬运机制，才能解释OCV与极化的来源；掌握关键性能指标，才能界定模型适用边界；明确R0、R1C1、R2C2的物理意义，才能避免把模型当成纯数学拟合；而建模需求则决定了阶数、采样与算法选择。后续所有参数辨识方法，都将围绕这套物理骨架展开。