2. 电池基础电化学原理：锂离子电池与钠离子电池的工作原理对比、电池开路电压（OCV）与SOC的关系、电池内阻与极化效应
各位同学，欢迎来到第二章。
做BMS算法，说白了就是在跟电池的“脾气”打交道。你得摸清楚它什么时候有劲，什么时候虚脱，什么时候会“炸毛”。这一章，我们就来扒一扒电池最底层的电化学原理。我个人觉得，这部分知识是算法的“内功心法”，不搞懂它，后面写再多代码也是空中楼阁。
2.1 锂离子电池 vs 钠离子电池：工作原理对比
先聊聊锂离子电池。它的工作原理，大家可能都听过——摇椅理论。充电时，锂离子从正极脱出，穿过电解液和隔膜，嵌入到负极的石墨层间；放电时，锂离子再跑回正极。电子呢？走外电路，给我们供电。
嗯，这里要注意一个细节：锂离子电池的负极，目前主流还是石墨。但钠离子电池就不一样了。钠离子个头比锂离子大了将近一圈（半径约大30%），石墨那点层间距根本塞不进去。所以，钠电池的负极材料，通常用的是硬碳。
核心差异点：
- 载流子不同：锂离子（Li⁺） vs 钠离子（Na⁺）。
- 负极材料不同：锂电用石墨，钠电用硬碳（或无定形碳）。
- 正极材料也有差异：锂电常用三元（NCM）、磷酸铁锂（LFP）；钠电常用层状氧化物（如NaₓMO₂）、普鲁士蓝类似物（PBAs）或聚阴离子化合物（如Na₃V₂(PO₄)₃）。
我在项目中遇到过一个问题：早期做钠电池SOC估算时，直接套用了锂电池的OCV-SOC曲线模型，结果误差大得离谱。为什么？因为钠电池的OCV曲线比锂电池更“平”，尤其是在中间SOC区间，电压变化非常缓慢。你想想看，电压变化小，意味着你通过电压来反推SOC的精度就会变差。这就是材料特性带来的算法挑战。
下面这张图，是我自己整理的两种电池工作原理对比，帮你快速建立直觉：
2.2 电池开路电压（OCV）与SOC的关系
OCV，全称Open Circuit Voltage，开路电压。就是电池静置足够久之后，正负极之间的电势差。它和SOC之间，存在一个一一对应的函数关系，我们通常叫它OCV-SOC曲线。
这条曲线，是BMS算法里最重要的“地图”之一。几乎所有基于电压的SOC估算方法，都离不开它。我个人习惯，拿到一款新电芯，第一件事就是做OCV测试，把这条曲线标定出来。
实战技巧：OCV测试怎么做？
- 将电池充满电（100% SOC）。
- 静置2小时以上（让极化充分消除）。
- 以0.05C（甚至更小）的电流放电，每放出10% SOC，静置1小时，记录端电压。
- 重复直到放空。充电方向同理。
- 取充放电两个方向的OCV平均值，作为最终的OCV-SOC曲线。
为什么静置那么久？因为电池内部有极化效应。刚停止充放电时，你测到的电压不是真正的OCV，而是带有极化过电位的“伪OCV”。静置就是为了让离子浓度梯度扩散均匀，让电压回归热力学平衡态。
我曾经踩过一个坑：为了赶项目进度，把静置时间从1小时缩短到15分钟。结果标定出来的OCV曲线严重偏离真实值，导致后续的SOC估算算法在动态工况下误差超过8%。后来花了整整一周重新做测试，才把问题解决。嗯，从那以后，我再也不敢在OCV标定上偷工减料了。
另外，不同材料的OCV曲线形状差异很大。磷酸铁锂（LFP）的OCV曲线在20%-80% SOC区间几乎是一条水平的直线，电压变化不到50mV。这意味着，你靠电压查表法估算SOC，在这个区间基本是“睁眼瞎”。而三元（NCM）的曲线就陡峭得多，电压分辨率高，估算精度也相对容易做上去。
钠电池呢？它的OCV曲线介于LFP和NCM之间。硬碳负极的钠电池，OCV曲线在低SOC段（0-20%）比较陡，中高SOC段（30-80%）比较平缓，但比LFP还是要好一些。这个特性，决定了我们在做钠电池SOC估算时，需要更依赖安时积分和模型融合的方法，不能只靠电压查表。
2.3 电池内阻与极化效应
电池内阻，不是个常数。它由欧姆内阻和极化内阻两部分组成。
- 欧姆内阻：电子通过电极材料、集流体、极耳、连接片等导体时遇到的阻力，以及离子在电解液中迁移的阻力。它基本遵循欧姆定律，响应速度极快（微秒级）。
- 极化内阻：电化学反应过程中，由于电荷转移、物质扩散等步骤的动力学限制而产生的等效电阻。它又分为活化极化和浓差极化。
活化极化，说白了就是反应“懒得动”，需要额外的电压来驱动。浓差极化，是离子在电极表面堆积或消耗，导致浓度梯度，需要时间扩散均匀。
在BMS算法里，我们通常用一阶或二阶RC等效电路模型来模拟这些极化效应。一个电阻R0代表欧姆内阻，一个RC并联环节代表一个极化过程。二阶模型就是两个RC环节串联，分别模拟活化极化和浓差极化。
等效电路模型（一阶RC模型）数学表达：
U(t) = OCV(SOC) - I(t)*R0 - U_p(t)
其中，U_p(t) 是极化电压，满足：
dU_p/dt = I(t)/C_p - U_p(t)/(R_p * C_p)
离散化后（用于嵌入式实现）：
U_p(k) = U_p(k-1) * exp(-Δt/τ) + I(k-1) * R_p * (1 - exp(-Δt/τ))
τ = R_p * C_p (时间常数)这个模型，是卡尔曼滤波SOC估算的基础。你想想看，我们通过模型预测出极化电压U_p，然后从端电压U(t)中减去I*R0和U_p，就能反推出OCV，进而查表得到SOC。这就是所谓的“动态补偿”思想。
我在实际项目中，发现一个常见问题：很多工程师把R0和R_p当成固定值。但电池内阻是随温度、SOC、老化程度变化的。尤其是低温下，内阻可以增大到常温的3-5倍。如果你不把内阻做成查表或函数形式，模型在低温工况下会严重失准。
避坑指南：我曾经在一个储能项目中，忽略了内阻的温度修正。结果冬天凌晨，BMS报出的SOC从60%瞬间跳到30%，客户差点投诉。后来排查发现，就是低温下内阻增大，导致模型估算的极化电压偏差过大。解决方案：把R0和R_p做成关于温度T和SOC的二维查表，每5℃一个节点，每10% SOC一个节点。
钠电池的内阻特性，和锂电池又有不同。一般来说，钠电池的欧姆内阻比锂电池高20%-40%，因为钠离子的迁移速率比锂离子慢。但钠电池的低温性能反而更好，因为钠盐在电解液中的溶解度受温度影响更小。这个特性，在做低温SOC估算时，反而成了优势。
最后，总结一下这一章的核心要点：
- 锂电和钠电的工作原理类似，但材料体系不同，导致OCV曲线和内阻特性有显著差异。
- OCV-SOC曲线是BMS算法的基石，标定必须严谨，静置时间要足够。
- 内阻和极化效应是动态变化的，必须用等效电路模型来补偿，且模型参数要随工况自适应。
好了，这一章就到这里。内容不少，但都是干货。下一章，我们会把这些原理落地到具体的SOC估算算法中，包括安时积分、开路电压法、卡尔曼滤波等。到时候，我会带着你们一行一行地写代码。
公众号:蓝海资料掘金营，微信deep3321