第2章：SOH算法基础回顾——容量衰减模型、内阻增长模型、循环寿命预测理论
各位同学，欢迎来到第二讲。
上一章我们聊了SOH算法从实验室到量产的全景图。今天，咱们把镜头拉近，聚焦在SOH算法最核心的三个理论支柱上：容量衰减模型、内阻增长模型、循环寿命预测理论。
说白了，SOH就是电池的「健康体检报告」。而这三个模型，就是体检报告上的关键指标。我当年刚入行时，总觉得理论太虚，直到在量产线上被一块「突然死亡」的电池坑过一次……嗯，从那以后，我再也不敢轻视这些基础模型了。
2.1 容量衰减模型：电池的「缩水」规律
容量衰减，是SOH最直观的体现。一块新电池能跑100公里，用了两年只能跑80公里，那20公里就是容量衰减的代价。
2.1.1 线性衰减模型
最简单的模型，就是假设容量随时间线性下降：
SOH_capacity = 1 - k * t其中k是衰减速率，t是时间或循环次数。
这个模型简单粗暴，适合快速估算。但说实话，真实电池很少这么听话。我在项目中遇到过，有些电池前期衰减快，后期反而稳定了——线性模型根本hold不住。
2.1.2 平方根模型（√t模型）
更常用的模型是平方根模型：
SOH_capacity = 1 - α * √t为什么是平方根？因为容量衰减主要受SEI膜生长控制，而SEI膜的生长速率与时间的平方根成正比。这是电化学理论推导出来的，不是拍脑袋。
关键点：平方根模型在电池寿命中期（20%-80% SOH）拟合效果很好。但到了寿命末期，偏差会变大。
2.1.3 双指数衰减模型
我个人最常用的是双指数模型：
SOH_capacity = A * exp(-B * t) + C * exp(-D * t)这个模型能同时描述「快速衰减」和「慢速衰减」两个过程。第一项对应活性锂损失（快），第二项对应正极材料结构退化（慢）。
实战技巧：我在做BMS算法时，通常用双指数模型做离线标定，用平方根模型做在线实时更新。两者互补，效果不错。
2.2 内阻增长模型：电池的「血管硬化」
容量衰减是「量」的减少，内阻增长是「质」的下降。电池内阻增大，就像人的血管变硬——供血能力下降，发热增加。
2.2.1 欧姆内阻与极化内阻
内阻分两种：
- 欧姆内阻（R₀）：由电解液、隔膜、集流体等决定。随温度变化明显，随老化缓慢增长。
- 极化内阻（Rₚ）：由电化学反应动力学决定。随SOC、电流、温度变化，老化后增长更显著。
为什么要区分？因为两者对SOH的敏感度不同。我做过实验，欧姆内阻在电池寿命前期变化不大，但到了后期会突然飙升——这是电池「猝死」的前兆。
2.2.2 内阻增长的经验模型
常用的内阻增长模型：
R(t) = R₀ + k * t^n其中n通常在0.5~1之间。n=0.5时就是平方根模型，n=1时是线性模型。
你想想看，为什么n不是固定的？因为不同电池的失效机理不同。磷酸铁锂和三元锂的内阻增长曲线，差别很大。
避坑指南：我曾经在项目中直接用线性模型拟合内阻增长，结果预测的寿命比实际短了30%。后来发现，该电池在中期内阻增长很慢，后期才加速——应该用分段模型才对。
2.3 循环寿命预测理论：从「经验」到「机理」
循环寿命预测，说白了就是回答一个问题：这块电池还能撑多久？
2.3.1 经验寿命模型
最传统的方法，就是做大量循环测试，然后拟合出寿命曲线：
Cycle_life = f(T, C_rate, DOD, SOC_range)比如著名的Arrhenius模型：
Life ∝ exp(Ea / (R * T))温度每升高10℃，寿命大约减半。这个「10℃法则」在工程上很实用。
但经验模型的局限也很明显：换一种电池配方，所有参数都得重新标定。说白了，就是「换汤得换药」。
2.3.2 半机理模型
我个人更推崇半机理模型。它结合了电化学理论和统计数据：
- SEI膜生长模型：基于扩散控制理论，预测容量衰减
- LAM（活性物质损失）模型：基于正极材料结构退化
- LLI（活性锂损失）模型：基于副反应消耗锂离子
这三个模型组合起来，就能描述大部分老化路径。
2.3.3 数据驱动模型
最近几年，机器学习在寿命预测上很火。比如：
- LSTM网络：用历史充放电数据预测未来SOH
- 高斯过程回归：给出预测值的同时，还能给出置信区间
- 迁移学习：用A电池的数据训练，预测B电池的寿命
我的建议：数据驱动模型很强大，但别迷信。我在量产项目中吃过亏——模型在实验室数据上准确率95%，到了车上直接掉到70%。为什么？因为实车工况太复杂，训练数据覆盖不到。
2.4 三种模型的协同使用
最后，我想强调一点：容量衰减、内阻增长、循环寿命预测，不是孤立的。
它们之间有关系：
- 容量衰减到80%，通常对应内阻增长到150%
- 循环寿命预测，本质上是容量衰减模型和内阻增长模型的综合输出
- 单一模型容易误判，多模型交叉验证才可靠
| 模型类型 | 输入参数 | 输出 | 适用场景 |
|---|---|---|---|
| 容量衰减模型 | 时间、循环次数、温度 | SOH_capacity | 长期趋势预测 |
| 内阻增长模型 | 时间、温度、SOC | SOH_resistance | 短期异常检测 |
| 循环寿命预测 | 工况、温度、DOD | 剩余循环次数 | 寿命评估与维护决策 |
实战经验：我在做量产BMS时，通常用容量衰减模型做长期预测（月级别），用内阻增长模型做短期预警（天级别），用循环寿命模型做维护决策。三者配合，才能覆盖从实验室到量产的全场景。
好了，这一章的内容就到这里。下一章，我们会深入讨论SOH算法的工程化实现——怎么把今天讲的这些理论，真正跑在嵌入式芯片上。
记住：理论是骨架，工程是血肉。两者缺一不可。
公众号:蓝海资料掘金营，微信deep3321