玻尔百科用数学精度预测电池的行为是储能技术中的一个根本挑战。尽管电池的内部化学过程极其复杂，但创建一个完美的、逐个原子的复制品是不切实际的。电池建模的目标是为特定任务开发有用的“地图”，捕捉其基本性能特征，并在物理保真度与计算简便性之间进行关键的权衡。本文通过对当今使用的关键框架进行全面概述，来满足对不同建模方法的需求。
我们将开启一段从外到内的旅程，从简单的黑箱近似开始，逐步走向高度详细的物理描述。“原理与机制”部分将剖析等效电路模型（ECM）、基于物理的模型（如P2D框架）的多尺度性质以及数据驱动代理模型这一新前沿背后的核心概念。随后，“应用与跨学科联系”部分将探讨这些模型如何被校准、验证和部署到现实世界中，用于从BMS中的实时控制到系统级数字孪生的设计以及人工智能的集成等任务。
理解电池如何工作是一回事；用数学精度预测其行为则是另一回事。电池是一个由离子和电子构成的繁华都市，一个由微妙的热力学、动力学和传输定律支配的微型化工厂。我们的目标不是用一个完美的、逐个原子的复制品来描述这个城市——这样的地图将和城市本身一样庞大和复杂！相反，我们寻求有用的“地图”，即模型，来捕捉电池行为的基本特征以用于特定目的，无论是在手机中管理电池还是为电动汽车设计电池包。电池建模的故事是一段引人入胜的旅程，是在追求完美保真度与追求速度和简便性的实际需求之间不断的协商。
让我们从外部开始我们的旅程。想象一下我们被禁止打开电池。我们只能接触到它的端子。我们可以施加一个电流 ，并测量由此产生的电压 。我们能推断出什么呢？我们可以尝试建立一个模型，仅仅模仿这种外部行为，而不对其内部复杂的化学过程做出任何断言。这就是等效电路模型（ECM）的理念。
最简单的起点是想象一个理想电池。其理想核心是它的开路电压（OCV），我们可以表示为 。这是电池在完全静止和平衡状态下——没有电流流过时——的真实内部电压。你可能会天真地认为这是一个恒定值，比如AA电池上写的1.5 V。但稍加思考就会发现这是不正确的。一个满电的电池和一个快没电的电池必须有不同的电压。实际上，OCV是荷电状态（SOC）（剩余可用电荷的分数）的函数。它对温度 也很敏感。因此，一个更好的描述是 。这个函数代表了电芯的热力学驱动力，由其活性材料的化学状态决定。
那么，当我们施加电流时会发生什么呢？测得的端电压 会立即下降。电池不再处于平衡状态。这种与理想OCV的偏离被称为极化或过电位。这是我们从系统中取出电荷所付出的代价。我们可以将这些损耗建模，就好像它们是由简单的电气元件引起的一样。
首先，有一个瞬时电压降，就像你一上高速公路就要支付的通行费。这可以用一个简单的电阻 来建模，它代表了电池所有组件的总欧姆电阻。电压降就是 。
但这还不是全部。如果你施加一个恒定电流，你会看到电压在稳定下来之前会持续下降一段时间。而当你停止电流时，电压不会立即跳回到OCV；它会慢慢恢复。这里存在着缓慢的、依赖时间的过程。我们如何用电路来模仿这一点呢？聪明的答案是使用一个或多个并联的电阻-电容（RC）支路。把电容器想象成一个小的、临时的电荷存储区。当电流流过时，它既要通过电阻 的“收费站”，又要填满电容器 的“存储区”。这个过程需要时间，由时间常数 决定。这个简单的RC电路完美地模拟了物理过程的缓慢动态，例如离子在电极表面重新排列（电荷转移）或在电解液中扩散。
将所有部分组合在一起，一个简单ECM在放电电流 下的端电压为：
其中 是RC支路两端的电压，它本身根据一个简单的微分方程演变。这类模型非常强大。它的求解计算量微乎其微，使其成为世界上几乎所有电池管理系统（BMS）的主力。它提供了足够的信息来实时估计SOC和控制充电。然而，它仍然是一个“黑箱”近似。它告诉你端子上发生了什么，但不能告诉你为什么。它对锂离子浓度、电极退化或诸如析锂之类的危险副反应一无所知。要理解这些，我们必须敢于打开这个黑箱。
我们可以尝试从第一性原理出发来为电池建模，写下支配其内部运作的基本物理定律，而不仅仅是模仿输出。这就是基于物理的模型的世界。在我们深入探讨之前，我们需要一种通用语言来描述这类系统，这种语言借用自动态系统理论。
基于物理的建模的核心挑战，也是其如此复杂的原因，在于电池是一个多尺度系统。各种现象在跨越惊人尺度范围的长度和时间上发生。让我们来看一看：
这种从纳米到微米（长度），从微秒到小时（时间）的巨大尺度分离是问题的核心。一个单一的整体模型将极其低效。这就是为什么我们需要巧妙的多尺度建模框架。
驯服这个多尺度“动物园”的最著名尝试是伪二维（P2D）模型，通常称为Doyle-Fuller-Newman（DFN）模型。它是电池仿真的“标准模型”。P2D模型的绝妙之处在于它将复杂的三维电极微观结构简化为两个耦合的一维问题。
“高速公路”维度（）：想象一下电极不是一个由颗粒和孔隙组成的复杂三维丛林，而是一条从一端延伸到另一端的1D高速公路。该模型求解电解液沿这条高速公路的平均浓度和电势。为了使这种简化可行，我们必须“均质化”属性。我们不能使用电解液的体相扩散系数，因为离子被迫沿着曲折的路径行进。因此，我们使用一个有效扩散系数，并用一个称为曲折度的因子进行校正。类似地，发生的总反应量被涂抹在高速公路上，由界面面积密度——即每单位体积可用的颗粒总表面积——决定。
“停车场”维度（）：在高速公路上的每一点 处，模型放置一个代表性的“停车场”——一个理想化的球形活性材料颗粒。然后，模型求解第二个1D问题：锂离子如何沿其半径 扩散到这个球形颗粒中。这就是“伪”二维。
支配该模型的物理学非常优美。电解液“高速公路”中离子的运动不仅由浓度梯度（扩散）驱动，也由电场（迁移）驱动。真正的驱动力是电化学势 的梯度，它巧妙地结合了移动一个离子所需的化学功（）和电功（）。离子离开高速公路进入停车场的速率由著名的Butler-Volmer方程描述，该方程将反应电流与局部过电位——克服反应活化能垒所需的“额外推动力”——联系起来。
P2D模型是一项巨大的成功。它很复杂，但它捕捉了电解液中的传输限制与颗粒中固态扩散之间的本质相互作用，使其能够以惊人的准确性预测性能。然而，其计算成本意味着它通常对于实时应用来说太慢了。这催生了一系列相关的模型。如果我们将P2D模型简化，假设电流沿高速公路是均匀的，我们就得到了单颗粒模型（SPMe），它快得多。另一方面，如果我们需要更高的保真度，我们可以完全抛弃高速公路的比喻，进行微观结构解析模拟，在电极真实的、数字化重建的3D几何结构上求解控制方程。
到目前为止，我们的模型描述的是一个崭新的电池。但所有电池都会老化并最终报废。对这种退化进行建模是研究的前沿领域。与电压响应不同，老化是一个深刻的路径依赖过程。电池受到的损害不仅取决于其当前状态，还取决于其整个使用历史。
一个关键的见解是，充放电循环的深度比通过的总电荷量更重要。一次从100%到20% SOC的深度放电造成的不可逆损伤比许多在60%到80%之间的小循环要多。这意味着一个好的退化模型必须“记住”SOC波动的历史。例如，一个模型可能会跟踪最近的SOC极值（最后一个峰值或谷值），并且只有当电池的SOC反向时才计算损伤。这创建了一个非马尔可夫模型。未来的状态（剩余容量）不能仅从当前状态（SOC、当前容量）来预测；你还需要知道历史——SOC轨迹中最近的转折点。这种“记忆”要求使得优化电池寿命成为一个更具挑战性的控制问题。
如果连最简单的物理模型对于我们的需求来说都太慢了，例如在数百万种可能性中优化电池设计，该怎么办？在这里，我们求助于现代的神谕：机器学习。其思想是创建一个代理模型。我们使用像P2D这样的高保真物理模型作为“老师”，生成一个庞大的输入-输出示例数据集。然后，我们训练一个灵活的函数逼近器，比如一个深度神经网络，来学习这种映射关系。
在推理时，训练好的代理模型可以在微秒内做出预测，因为它只是执行一系列矩阵乘法，而不是求解复杂的微分方程。这与降阶模型（ROM）不同，后者简化了物理方程但仍在线求解它们。
这种数据驱动的方法开启了一个充滿可能性的世界，但也提出了新的问题。一个标准的神经网络，仅在输入-输出数据上进行训练，没有内在的物理知识；它很容易做出违反质量或能量守恒定律的预测。研究的前沿是为这些模型注入物理知识。物理信息神经网络（PINN）在其训练目标中增加了惩罚违反控制偏微分方程的项。算子学习架构旨在学习函数（如整个电流曲线）与其它函数（如得到的电压曲线）之间的映射，使它们比简单的点对点回归更强大。为了建立信任，我们可以使用像高斯过程这样的贝叶斯方法，不仅做出预测，还提供一个“置信水平”，量化该预测中的不确定性。
从简单的电路到物理信息神经网络的旅程，反映了我们对创建完美电池地图的不断深入的追求——这个地图不仅准确而且实用，引导我们走向一个更强大、更持久、更安全的储能未来。
走过支配电池内部生命的复杂原理和机制之后，人们可能会问：所有这些优美的数学的目的是什么？答案是，这些模型不仅仅是学术上的好奇心。它们是连接基础科学与变革性技术的必要桥梁。它们是让我们能够预测、控制和设计的工具。在本章中，我们将探讨电池模型如何从纸上跃然成为材料科学、控制工程、人工智能以及我们未来能源网格设计等不同领域不可或缺的伙伴。我们将看到，状态空间方程和守恒定律的抽象语言拥有着一种非凡的、统一的力量。
电池模型的第一个也是最根本的应用是作为现实的忠实镜子。我们希望我们的模型能够预测工程师和科学家关心的具体的、高层次的性能指标。一个经典的例子是Ragone图，这张图揭示了电池能储存多少能量（其续航能力）和它能多快地释放能量（其功率）之间的根本权衡。一个简单的模型，仅由一个理想电压源 和一个内阻 组成，就已经能捕捉到这种权衡的本质，将这些内部参数与Ragone图的形状直接联系起来。
但这立即引出了一个关键问题：像 和 这样的参数值，或者更高级模型的更复杂参数值，是从哪里来的？我们必须从实验数据中提取它们。这是参数估计的任务，一个处于统计学和优化交叉领域的深奥领域。这与状态估计是根本不同的挑战，在状态估计中，我们使用具有已知参数的模型来跟踪像荷电状态（SOC）这样随时间变化的内部状态。在参数估计中，参数本身就是我们寻求的未知数。
然而，这个探索充满了微妙之处。想象两个不同的物理参数，在我们选择的实验中，恰好以几乎相同的方式影响电池的电压。我们怎么可能区分它们呢？这就是可辨识性问题。如果一个参数原则上可以从完美的、无噪声的数据中唯一确定，那么它是结构可辨识的。但在现实世界中，我们关心的是实践可辨识性：我们能否从有限的、有噪声的测量中可靠地估计出该参数？
在这里，我们见证了理论与实验之间美妙的相互作用。解决可辨识性差的办法不仅仅是更多的数据，而是更智能的数据。实验设计本身就成了一种发现的工具。通过用巧妙的电信号组合来“审问”电池——也许是一个稳定的电流来探测缓慢的扩散过程，然后是一连串快速的交流信号来探测快速的电化学反应——我们可以在不同的时间尺度上激发电池的动态。每种类型的信号都使不同的物理过程突显出来，让我们的估计算法能更清晰地“看到”每个参数的效果，并解开它们的影响。在数学上，这对应于最大化我们数据的信息内容，这个概念被费雪信息矩阵（Fisher Information Matrix）严格地捕捉了下来。
一旦我们有了一个校准过的模型，我们怎么知道它真的足够好？我们如何能确定它捕捉了温度、C倍率和放电深度的系统性效应，只留下了随机噪声？这就是电池科学与严谨的实验设计统计世界相遇的地方。为了验证用于像车辆到电网（V2G）系统这样的高风险应用的退化模型，人们可能会设计一个复杂的因子实验。通过在各种应力因子组合下测试多个电芯，并且关键的是，对关键条件进行重复实验，我们可以正式地将系统性模型误差（失拟）与纯粹的随机误差分开。这需要高级的统计工具，如混合效应模型和一系列诊断检验来检查每一个假设，确保我们的模型是它将栖身的数字孪生的可靠基础。从物理电芯到经过验证的模型的旅程是科学方法的大师课，融合了物理学、工程学和统计学。
有了一个可信赖的模型，我们就可以从校准的离线世界进入动态的、实时的控制世界。最直接的应用是在电池管理系统（BMS）内部，这个电子大脑保护和管理着每一个电池包。
BMS的首要工作是充当“油量表”，提供对荷电状态（SOC）的准确估计。这不是可以直接测量的东西；它必须被推断出来。这是经典的状态估计问题。在这里，像扩展卡尔曼滤波器（EKF）这样的算法变成了一位出色的侦探。它采用模型关于SOC应如何根据所汲取的电流变化的预测，并使用测量的端电压不断修正该预测。它将来自我们物理理解（模型）的信息与来自真实世界（测量）的信息融合在一起，得出一个比两者单独使用更准确、更鲁棒的估计。
这个框架还允许工程师提出关键的“如果……会怎样”问题以确保安全。如果电池真实的OCV-SOC曲线与我们模型中的略有不同会怎样？通过稳定性分析，我们可以使用模型来计算这种不匹配如何传播成SOC估计中的持续误差，并确定最大可容忍的参数偏差，以保证“油量表”保持在安全的误差范围内。
但模型的真正力量在于我们不仅用它来观察，还用它来优化。像非线性模型预测控制（NMPC）这样的先进控制策略使用电池模型来预测未来。想象一个电池也与一个热模型耦合，该模型描述了其温度如何因内阻而升高。在每一刻，NMPC控制器都可以解决一个快速的优化问题：“在接下来的几秒钟内，我可以提供的最优电流 是多少，以最大化我的功率输出，同时确保我的模型预测温度不会超过一个关键的安全极限？”模型允许BMS智能地、动态地将电池推向其真实的性能极限，而又不损害安全性，实时找到相互竞争的目标之间的完美平衡。
到目前为止，我们的视角一直集中在单个电芯上。但现实世界的应用，从电动汽车到电网规模的储能，都涉及到包含数千个电芯的大型电池包。这就是多尺度建模的艺术发挥作用的地方。模拟一个完整汽车电池包中每个颗粒中的每个离子在计算上是不可能的。相反，我们必须实践抽象的艺术。
当从电芯级模型转向电池包级模型时，我们“缩小”了视野。描述电极内锂浓度场的详细偏微分方程被更简单、计算成本更低的等效电路模型所取代。虽然我们失去了一些微观保真度，但我们获得了捕捉仅在电池包尺度上存在的新现象的能力：连接模块的汇流排的电阻、冷却板上的热梯度，以及——最重要的是——导致电池包在使用寿命内不平衡的电芯间的微小制造差异。模型的选择始终是为工作选择正确的工具；目标不是最大程度的复杂性，而是针对所问问题的适当保真度。
这种多尺度、多物理场建模的理念是数字孪生的核心。电池包的数字孪生不仅仅是一个静态模型；它是一个活生生的、会呼吸的虚拟副本，与其物理对应物同步演变。它接收来自物理电池包的实时传感器数据，以不断完善其状态估计（如SOC和温度）并随着电池包的老化更新其参数。这使得操作员能够以前所未有的准确性监控健康状况、预测故障并优化性能。
也许最令人惊叹的抽象例子是虚拟电池的概念。想象一下一个城市里大量的空调和电热水器。从电网的角度来看，它们的集体灵活性——能够稍微预冷一座建筑或延迟一个热水循环——可以用我们用于电化学电池的完全相同的模型进行数学描述。“荷电状态”不再是电极中锂的数量，而是建筑群中储存的热能或延迟服务的数量。高于基线的用电是给虚拟电池“充电”（预冷），而低于基线的下降是“放电”（让温度漂移上升）。这个非凡的类比展示了电池模型框架深刻的、统一的力量，将材料科学与创建稳定、响应迅速和智能的电网的挑战联系起来。
当我们的物理模型不完整，或者当潜在的现象过于复杂以至于无法从第一性原理描述时，会发生什么？我们旅程的最后一站将我们带到了研究的最前沿，在这里，电池建模与人工智能相遇。
机器学习可以创建高度准确的代理模型，直接从数据中學習电池的行为。然而，纯粹的“黑箱”方法，对底层物理一无所知，通常需要大量数据，并且在面对新情况时可能会做出物理上荒谬的预测。新的前沿是灰箱模型，这是物理学和机器学习的美妙结合。
在这种方法中，我们构建一个神经网络，其架构本身就受到物理定律的约束。例如，我们可以设计网络，使其在数学上保证无论输入是什么，锂的总量都守恒。它不是从数据中学习守恒定律；该定律是其结构的内在组成部分。这种“归纳偏置”使模型在数据效率和鲁棒性方面大大提高，因为它只在物理上可能的范围内寻找解释。网络的任务被简化为学习残差——即我们简单模型所遗漏的那部分物理过程,。
这项技术解锁了革命性的新应用，例如自动化设计。我们可以区分两种强大的范式。物理信息神经网络（PINN）可以作为一种新颖的求解器，为一个特定的电池设计找到解决方案。但是，神经算子更进一步：它学习整个解算子，即从可能的设计空间到相应解空间的映射 ([@problem_d:3940624])。经过一次性的大量训练后，神经算子可以在一秒钟的一小部分时间内预测一个全新电池设计的性能——这个过程称为分摊推理。过去需要数小时超级计算机时间的工作变成了一次瞬时计算。这可以使工程师能够探索广阔的设计空间，快速发现为性能、成本和寿命而优化的新颖材料和架构。
从实验室的台架到智能电网，从你车里的BMS到设计未来电池的AI，电池模型是一条金线。它证明了数学的力量不仅在于描述我们的世界，还在于积极塑造它，揭示了科学与工程领域深刻而美丽的统一。