2. 锂电池基础知识
锂电池管理系统（BMS）的硬件设计与软件算法，其底层逻辑均源于对锂电池本体特性的深刻理解。AFE（模拟前端）芯片的采样精度、均衡策略、保护阈值设定，本质上都是在与电池的电化学行为进行博弈。本章将系统梳理锂电池的电化学基础、充放电边界、健康状态评估方法以及工程中常用的等效电路模型，为后续AFE芯片的寄存器配置与算法实现奠定物理认知基础。
2.1 电化学原理：锂离子迁移与SEI膜
锂电池的本质是一种浓差电池，其充放电过程对应锂离子在正负极材料晶格中的可逆嵌入与脱嵌。以最典型的钴酸锂（LiCoO₂）/石墨体系为例，充电时正极材料发生氧化反应，锂离子从正极晶格中脱出，经电解液迁移至负极，并嵌入石墨层间；同时电子通过外电路由正极流向负极，维持电荷平衡。放电过程则完全逆向。这一机制决定了锂电池的几个关键工程特性：无记忆效应（可随时补电）、自放电率低（每月约2%~5%）、电压平台平稳（放电中后期电压变化缓慢）。
在首次充电过程中，电解液在负极表面发生不可逆还原分解，形成一层固态电解质界面膜（SEI膜）。SEI膜允许锂离子通过，但阻止电子穿越，是锂电池能够稳定工作的关键。然而SEI膜会随着循环次数增加而缓慢增厚，持续消耗活性锂，这是电池容量衰减的根本原因之一。从AFE芯片设计角度看，SEI膜的生长会导致电池内阻上升，尤其在低温环境下，阻抗增加更为显著，这直接影响电压采样的准确性和SOC估算的精度。
2.2 充放电特性：CC-CV曲线与极化效应
锂电池的标准充电流程为恒流-恒压（CC-CV）模式。在恒流阶段，充电电流保持恒定，电压逐渐上升至截止电压（通常4.2V或4.35V）；随后进入恒压阶段，电压维持不变，电流按指数规律衰减，直至降至截止电流（通常为0.05C~0.1C）。放电过程则通常采用恒流放电至截止电压（如2.5V~3.0V）。
实际工程中，电池端电压由三部分组成：开路电压（OCV）、欧姆极化电压（由电子导电电阻和离子导电电阻引起）和浓差极化电压（由锂离子浓度梯度引起）。当负载断开后，欧姆极化瞬间消失，而浓差极化需要数十秒至数分钟才能恢复，这就是电池电压回弹现象的物理本质。AFE芯片在采集电压时，必须考虑极化电压的影响，否则会将极化电压误判为真实OCV，导致SOC估算偏差。
| 充放电阶段 | 电压/电流特征 | 极化类型 | AFE采样注意事项 |
|---|---|---|---|
| 恒流充电 | 电流恒定，电压上升 | 欧姆极化 + 浓差极化 | 需在充电暂停时采集静置电压 |
| 恒压充电 | 电压恒定，电流衰减 | 浓差极化逐渐消除 | 截止电流判断需精确电流采样 |
| 脉冲放电 | 电压瞬间跌落 + 缓慢下降 | 欧姆极化（瞬态）+ 浓差极化（缓变） | 需区分瞬态压降与稳态压降 |
| 静置 | 电压缓慢回弹 | 浓差极化消散 | 静置30min以上才可近似OCV |
倍率特性是另一个关键参数。1C倍率表示1小时完成充放电的电流大小。高倍率放电时，电池内阻上的压降增大，可用容量减少，同时发热加剧。AFE芯片的过流保护响应时间必须与电池的倍率特性匹配，例如对于3C放电的电动工具电池，过流保护响应时间应小于100ms，否则可能引发热失控风险。
2.3 SOC与SOH：定义、估算与工程实现
SOC（State of Charge）定义为剩余容量与额定容量的百分比。其估算方法主要分为三类：
- 安时积分法：通过对电流的时间积分计算充放电电量。优点是实现简单、实时性好；缺点是存在累积误差，且无法修正初始SOC误差。工程上通常配合OCV校准使用。
- OCV查表法：利用静置状态下OCV与SOC的对应关系查表获取SOC。精度较高，但要求电池静置足够长时间（通常≥30min），无法在线实时估算。
- 卡尔曼滤波法：将电池等效电路模型作为状态方程，以电压、电流为观测变量，递推估计SOC。精度高、鲁棒性强，但计算量大，需要高性能MCU支持。
实际BMS设计中，常采用安时积分+OCV校正+温度补偿的融合策略。AFE芯片提供高精度电流采样（失调电流<±1mA）和电压采样，为安时积分提供可靠的数据源。同时，AFE的库仑计功能可对电流进行连续积分，减轻MCU的运算负担。
SOH（State of Health）反映电池的老化程度，通常以容量衰减和内阻增加两个维度定义。容量型SOH = 当前最大可用容量 / 出厂额定容量 × 100%；内阻型SOH = (当前内阻 - 初始内阻) / 初始内阻的倒数归一化。SOH的估算需要长期的数据积累，AFE芯片的电压/电流采样精度直接影响内阻辨识的准确性。例如，若电压采样误差为±5mV，电流采样误差为±10mA，则内阻辨识误差可达数十毫欧，足以掩盖电池的真实老化趋势。
2.4 电池模型与等效电路：从Rint到二阶RC
为了在BMS算法中模拟电池的动态行为，工程上广泛采用等效电路模型（ECM）。最简单的Rint模型仅包含一个理想电压源OCV和串联内阻R₀，适用于稳态分析，但无法描述电压回弹等动态过程。一阶Thevenin模型在Rint基础上增加一个RC并联网络（R₁、C₁），用于模拟浓差极化的动态响应，其数学表达式为：
U_L(t) = OCV(SOC, T) - I(t)·R₀ - U₁(t)
dU₁/dt = -U₁/(R₁·C₁) + I(t)/C₁其中U_L为端电压，I为负载电流（放电为正），U₁为RC网络的极化电压。二阶RC模型增加第二组RC网络（R₂、C₂），分别表征电化学极化和浓差极化，精度更高但参数辨识复杂度也相应增加。PNGV模型则进一步引入电容描述OCV随SOC的变化率。
模型参数的辨识通常采用HPPC（Hybrid Pulse Power Characterization）测试：对电池施加一系列脉冲充放电电流，记录电压响应曲线，通过最小二乘法拟合RC参数。值得注意的是，模型参数随温度、SOC和老化程度变化显著，实际BMS中需要建立多维查找表（LUT）或在线参数辨识算法。AFE芯片的同步采样能力（电压与电流同时采样）对参数辨识的准确性至关重要，若电压与电流采样存在时间偏差，将导致辨识出的内阻值失真。
从AFE芯片应用角度，理解电池模型有助于正确配置采样滤波参数。例如，一阶RC网络的时间常数τ = R₁·C₁通常在数秒到数十秒之间，AFE的ADC采样率（通常为1kHz~10kHz）远高于该时间常数，因此无需过高采样率，但需要合理的数字滤波算法（如移动平均或IIR滤波）来抑制高频噪声，同时保留低频动态信息。
综上所述，锂电池的电化学原理决定了其充放电边界，SOC/SOH估算依赖高精度采样与模型算法，而等效电路模型则是连接物理电池与数字算法的桥梁。AFE芯片作为BMS的模拟前端，其采样精度、同步性、滤波能力和均衡控制逻辑，均需围绕上述电池特性进行针对性设计。掌握本章知识，是后续理解AFE芯片寄存器配置、保护阈值设定和均衡策略的基础。