第2章：锂离子电池基础——工作原理、关键指标与老化机制
各位同学好，我是你们的老朋友。今天咱们聊聊电池本身。说实话，我见过太多做AI预测的同学，模型调得飞起，但连电池最基本的原理都说不清楚。这不行。你想想看，不懂电池的物理化学本质，你拿什么数据去训练模型？
所以这一章，咱们把地基打牢。我会结合我这些年踩过的坑，把锂离子电池的工作原理、关键性能指标，还有那个让人头疼的老化机制，一次性讲透。
2.1 锂离子电池是怎么工作的？
说白了，锂离子电池就是一个“摇椅”。锂离子在正负极之间来回跑，充电时从正极跑到负极，放电时从负极跑回正极。就这么简单。
我刚开始做BMS（电池管理系统）时，总觉得这玩意儿很玄乎。后来拆了几块电池，看了内部结构，才恍然大悟。嗯，这里要注意，千万别手痒去拆动力电池，会短路的。
核心反应方程式（以钴酸锂为例）：
正极：LiCoO₂ ⇌ Li₁₋ₓCoO₂ + xLi⁺ + xe⁻
负极：6C + xLi⁺ + xe⁻ ⇌ LiₓC₆
总反应：LiCoO₂ + 6C ⇌ Li₁₋ₓCoO₂ + LiₓC₆
箭头方向：向右是充电，向左是放电。这个平衡一旦被打破，电池就开始老化了。
下面这张图是我自己画的，把整个工作流程串起来了。你看一眼就明白。
2.2 关键性能指标——做AI预测必须懂
做电池寿命预测，你天天跟这些指标打交道。我列几个最重要的，每个都说说我自己的理解。
2.2.1 容量（Capacity）
容量就是电池能存多少电。单位是Ah（安时）或mAh。比如一块3000mAh的手机电池，理论上能以3A电流放电1小时。
但实际容量会衰减。我做过一个项目，客户说他们的电池用了半年就只剩80%容量了。我一查数据，发现他们一直在0°C以下充电。低温充电会导致锂析出，容量掉得飞快。
我的经验：做容量预测时，别只看标称容量。实际可用容量受温度、放电倍率影响很大。我习惯用“容量保持率”这个归一化指标来训练模型，效果更好。
2.2.2 内阻（Internal Resistance）
内阻是电池内部的电阻。包括欧姆内阻和极化内阻。内阻越大，电池发热越严重，输出功率越低。
我记得有一次，一个电池包在快充时温度飙升到60°C。我一看数据，内阻比新电池高了30%。这就是老化的典型特征。
| 内阻类型 | 来源 | 影响因素 |
|---|---|---|
| 欧姆内阻 | 电极材料、电解液、集流体 | 温度、老化程度 |
| 极化内阻 | 电化学反应动力学 | 电流大小、SOC |
注意：内阻测量方法不同，结果差异很大。直流内阻（DCIR）和交流阻抗（EIS）是两种常用方法。我建议做AI预测时，统一用DCIR，因为更容易从BMS数据中提取。
2.2.3 SOC（State of Charge）
SOC就是剩余电量百分比。0%是没电，100%是满电。听起来简单，但实际估算起来很麻烦。
为什么？因为SOC不能直接测量。你得通过电压、电流、温度来估算。常用的方法有安时积分法和开路电压法。但安时积分法会累积误差，开路电压法需要静置。
我曾经在一个项目中，用卡尔曼滤波把SOC估算误差从5%降到了1%以内。嗯，这个后面讲算法时会详细说。
2.2.4 SOH（State of Health）
SOH是健康状态，通常用容量衰减或内阻增加来定义。新电池SOH=100%，当容量降到80%时，一般认为寿命终止。
但这里有个坑：不同厂家对SOH的定义不一样。有的用容量，有的用内阻，有的两者结合。我建议你做AI预测时，明确告诉模型你用的是哪种定义。
SOH计算公式（容量法）：
SOH = (当前最大可用容量 / 标称容量) × 100%例如：标称100Ah的电池，现在只能放出80Ah，则SOH=80%
2.3 老化机制——电池为什么会死？
电池老化，说白了就是“不可逆的损伤”。我把它归纳为三大类，你记好了。
2.3.1 正极老化
- 结构相变：锂离子反复脱嵌，正极材料晶格会塌陷。就像反复折叠一张纸，最后会断。
- 金属溶解：锰酸锂电池中，锰会溶解到电解液里。我测过，循环500次后，正极锰含量下降了15%。
- 表面膜形成：正极表面会形成一层CEI膜（正极电解质界面膜），增加内阻。
2.3.2 负极老化
- SEI膜增厚：负极表面会形成SEI膜（固体电解质界面膜）。这层膜保护了负极，但太厚了会消耗锂离子，导致容量下降。
- 锂析出：低温或大电流充电时，锂离子来不及嵌入石墨，就在负极表面析出成金属锂。这玩意儿会刺穿隔膜，造成短路。我曾经见过一块电池因为锂枝晶短路，直接鼓包了。
- 石墨剥落：石墨层状结构在反复膨胀收缩中会剥落，失去储锂能力。
2.3.3 电解液与界面老化
- 电解液分解：高温下，电解液会分解产生气体。电池鼓包就是这么来的。
- 界面阻抗增加：SEI膜和CEI膜不断增厚，锂离子穿过时阻力变大。
你想想看，这些老化机制叠加在一起，电池的容量和内阻就会呈现非线性变化。这就是为什么简单的线性模型预测不准，必须上AI。
避坑指南：我曾经用纯数据驱动的方法预测SOH，结果在循环后期误差很大。后来我把老化机理特征（比如dQ/dV曲线峰值变化）作为输入，精度直接提升了20%。所以，懂机理真的很重要。
好了，这一章的内容就到这里。电池基础打牢了，后面讲AI算法时你才能理解为什么选这个特征、为什么用那个模型。咱们下一章见。