算电大统一 01：从低温一致性，到一份说得清条件的功率承诺

假设供电已经切到电池，接下来的任务是持续供电十分钟。

这时，一张写着容量、内阻和循环寿命的参数表，还不能直接回答下游最关心的问题：现在可以接多大的功率？能撑多久？如果对电池状态的判断有偏差，这个回答还靠不靠谱？

我们围绕这个问题做了一轮数值研究。在同一批80个虚拟电池包上，分别让三种方法报出自己认为能持续供应十分钟的功率，再按各自报出的功率运行。观测误差较大时，只用容量点估计的方法有15个包没完成任务；两种把容量不确定性带入计算的方法都没有出现任务失败。但它们报出的功率也更低。【源1】

可靠性改善有代价。值得比较的是，付出多少功率，换来怎样的把握，以及这个把握依赖什么条件。

本文的主要数字都是模型推演。真实数据只用于一颗电芯的短脉冲响应核查，尚未完成真实整包的可靠性验证。下面先把这笔账说清楚。

研究起点：先确定下游究竟需要什么

最初的大问题，是怎样把电芯差异、电池供电和计算服务接起来。这个问题很容易写成一张跨度很大的概念图，却不容易被一个实验推翻。研究需要先落到一项可执行任务：指定一个包、一个初始状态和一个持续时长，判断它能否一直给出所答应的功率。

因此，第一篇先停在电池直流端。它不同时解决服务器排队、转换器动态和计算调度；这些分别留给后两篇。这样，若任务失败，至少可以先判断问题来自电池模型、状态认识，还是概率计算，而不必同时解释整个系统。

我们也没有把“电池参数存在差异”本身当作待证明的新发现。真正需要研究的是：把差异压成均值和变异系数，会丢掉哪些任务信息；对已经安装的某个包，增加观测能否改变承诺；当物理过程漏掉时，概率标记还能不能成立。

文献检查使这个范围更明确。Guo和Shen的综述已经讨论SOP、时长、约束和误差；Juang等2012年的机构摘要已明确出现概率SOF；Dangwal等针对异质串联包研究区间预测与参考治理器；Peng等又研究了串并联不一致性。【源3】【源7】【源8】【源9】所以，这篇不能用“首次把不一致性接到功率”作创新口号。它应交付一条可审查的推导和实验链，并把与已有研究尚未比较的部分说清。

资料搜索也暴露了实证缺口。Leeds论文能提供低温电芯表征和差异背景；公开低温脉冲能检查局部电压响应。但本轮没有取得足量的同批独立电芯数据，无法可靠拟合稀有弱芯尾部。主实验于是采用明确的合成分布，不把几个公开样品拼成一个貌似真实的容量总体。这是研究选择的依据，也限制了结论的强度。

平均性能相同，能接的任务未必相同

谈电芯一致性，通常会先看平均值和分散程度。例如，平均容量都是3 Ah，标准差都是平均值的10%，两批电芯看上去就很接近。

但这两个数字没有告诉我们：较差的电芯集中在哪一段，有没有少量明显偏弱的电芯，以及这些电芯成组以后会怎样影响任务。

为了隔离这个问题，我们构造了五种容量分布。它们的总体均值都是3 Ah、变异系数都是10%，容量都为正数；区别在于分布形状，包括单峰、双峰、少量弱芯混合，以及有明确下界的偏态分布。没有把每个包重新拉回相同均值，以免把恰好遇到的弱芯人为抹掉。这是受控的数学构造，不是五款商用钠电的实测容量分布。【源1】

在只考察容量限制的简化任务里，这些分布给出的成组成功概率可以相差很大。均值和分散程度相同，没有让它们变成同一批电池。

一个更直观的算例是：假设每颗电芯有1%的概率无法满足某次任务，各芯相互独立，而且任何一颗不满足都会使整串退出。 96颗串在一起，至少遇到一颗不满足的概率约为61.9%。这里的1%明确指单芯对这次任务的不满足概率；不能把它与“1%的电芯属于弱芯组件”直接画等号。这个算例也没有覆盖并联、旁路或分选成组。【源1】

它提醒我们，单芯的一个比例，不能原封不动贴到整包上。成组规则和任务要求都参与了风险的形成。

真实文献也在提醒我们关注工况和电芯差异。Liu、Li、Yu和Liu在2026年的商用钠离子电池研究中，同时考察了低温表现与电芯之间的差异。对本文的启发是：评价钠电的低温潜力，需要把电芯表征继续接到具体任务；该论文并不提供本文所构造的3 Ah混合容量分布。【源2】

五种分布，怎样保证比较的是形状

五种分布不是随意画五条曲线。总体均值、总体方差和正容量约束需要同时满足，否则风险差别可能只是平均容量不同造成的。

容量分布	具体构造	希望隔离的问题
截断高斯	在正容量范围内使用截断分布，重新匹配总体方差	近似对称的形状是否足够
单对数正态	按同一总体均值和CV解析设参	常见的正分布压缩能保留多少信息
双峰混合	两组件均值为总体均值的0.92、1.08倍，再配平组内方差	两个子群被平均后会怎样
弱芯混合	1%组件均值为总体均值的0.65倍，另一组件与方差补偿配平	少量偏弱子群是否改变任务尾部
有界偏态	由标准化Beta(0.5,3)构造	明确下界与偏态是否会改变结果

这些倍数和比例是控制变量，不是从某款钠电产品拟合得到。尤其是“弱芯组件占1%”，不等于它们在所有任务中必然失败。任务很轻时，偏弱电芯也可能完成；任务很重时，普通电芯也可能不满足。

一个容易破坏实验的做法，是每生成一个包，就强行把这个包的均值和CV重新调成目标值。这样会抹掉随机成组恰好遇到偏弱电芯的结果。本轮只匹配分布的总体矩，不重新美化每个包。生成机制中的每一次偶然偏离，正是成组总体问题的一部分。

在容量限制的解析子问题中，若每颗电芯至少需要容量q，独立串联的成功概率为：

（P1-1）独立串联的容量任务：

$G_{\mathrm{CC}}(q)=[1-F_Q(q)]^N.$

这里 $F_Q$ 是单芯容量分布函数， $N$ 是串联颗数；连续分布下 $1-F_Q(q)$ 就是容量不低于阈值 $q$ 的概率。式子只描述容量约束下的恒流子问题，要求独立成组且任一电芯不满足就退出，不能直接当作后面的恒功率整包公式。

预先设定的阈值网格上，弱芯混合与同矩对数正态的最大成功概率差，在96、384、960芯下分别约为0.488、0.894、0.986。它们是特定网格中的反例幅度，不是三种真实电站的风险预测；960芯纯串也只是数学规模试验。【源1】

“这批包大多能完成”，和“眼前这个包能完成”需要两套信息

采购和成组阶段，面对的是一批还没有完全确定身份的电池包。可以问：按照某个分选与成组规则随机装配，大约多少包能完成指定任务？

安装以后，面对的则是已经有身份、有历史记录的一个包。它的真实容量不会因为我们重新抽了一次随机数就改变。此时需要问：结合这个包的测量记录，我们对它能完成任务有多大把握？

两种问题都涉及概率，但概率来自不同的信息。

前一种主要依赖电芯群体和成组规则；后一种要用当前观测更新对这个包的认识。一个批次总体表现不错，不代表其中任意一个已装包在任意状态下都能完成同样的任务。反过来，对一个包估得很准，也不能替整批新包背书。

这就是我们在仿真里同时保留两层实验的原因：一层看随机成组的总体，另一层先固定每个包的真实参数，再加入观测误差。后面的任务始终在那个固定真值上执行，避免把一次抽样换一个包误认为是在反复检验同一个包。【源1】

对工程系统，这个区别很具体。批次统计适合支持选型、分选和库存判断；当前包的观测才有资格进入这一次供电任务的判断。两类记录都要保留，不能只剩一张“平均健康度”的汇总表。

可以把这两类对象写成两个不同的概率。令 $S(P,\tau;\theta)=1$ 表示参数为 $\theta$ 的整串，以直流端恒功率 $P$ 运行 $\tau$ 秒，并在全时段满足逐芯约束。则：

（P1-2）群体与固定单包的概率对象：

$G_{\mathrm{pop}}(P,\tau)=\Pr_{\theta\sim F_N}\{S(P,\tau;\theta)=1\}.$

$G_{\mathrm{cond}}(P,\tau\mid\mathcal{D}_B,B)=\Pr_{\theta\mid\mathcal{D}_B,B}\{S(P,\tau;\theta)=1\}.$

$F_N$ 包含群体及成组规则， $B$ 是已装包身份， $\mathcal{D}_B$ 是它的观测。条件式的随机性来自给定观测后仍不知道的参数，而不是执行时重新抽一个包；它依赖先验、观测模型与物理模型适用，不是任意固定真值上的无条件频率保证。

功率下界是怎样算出来的

概率计算之前，先要有一条可信的物理映射：给定每颗电芯的真实参数，某个恒功率任务能否完成？如果这一层只是一个不说明保护条件的黑箱，后面的置信数字就失去了物理对象。

本轮采用最简单但能写清约束的串联模型。整串电流相同，各芯容量和等效电阻可以不同；电量状态随取出电量下降，开路电压与SOC呈仿射关系，端电压再扣除等效电阻压降。模型没有并联支路、均衡器、旁路和转换器，也没有假装覆盖所有低温电化学过程。

参数	本轮设定	解释
容量总体均值／CV	3 Ah／10%	合成分布控制量
25°C等效电阻均值／CV	30 mΩ／5%	持续任务情景，未独立标定
初始／最低SOC	0.8／0.1	所有电芯共同初始条件
最低端电压	2.5 V	逐芯保护限制
最大电流	12 A	整串电流限制
开路电压关系	2.3＋1.4×SOC，单位V	受控仿射假设

对指定时长，先给电流找一个保守屏障I*：即使整个任务都按这个电流取电，最弱一颗的SOC和电压也不越界，同时满足硬电流上限和功率低电流支的条件。再将这条电流屏障换成恒功率下界。

（P1-3）基础放电模型与保护约束：

$\dot s_i(t)=-\frac{I(t)}{3600Q_i},\qquad v_i(t)=a+b s_i(t)-R_i I(t).$

$s_i(t)\geq s_{\min},\qquad v_i(t)\geq v_{\min},\qquad 0\leq I(t)\leq I_{\max}.$

$s_i$ 是第 $i$ 芯SOC， $Q_i$ 以Ah计， $R_i$ 是固定等效电阻， $v_i$ 是端电压；仿射OCV参数在本轮取 $a=2.3\,\mathrm{V}$ 、 $b=1.4\,\mathrm{V}$ 。所有约束针对整个 $[0,\tau]$ 时段，不只检查末端一个点。

（P1-4）电流屏障与恒功率证书：

$u_i=a+b s_i(0),\qquad d_i=R_i+\frac{b\tau}{3600Q_i},\qquad A=\sum_i u_i,\quad D=\sum_i d_i.$

$I_V=\min_i\frac{u_i-v_{\min}}{d_i},\qquad I_S=\min_i\frac{3600Q_i[s_i(0)-s_{\min}]}{\tau}.$

$I^*=\max\left\{0,\min\left[I_V,I_S,I_{\max},\frac{A}{2D}\right]\right\},\qquad C_\tau=I^*(A-DI^*).$

$I_V$ 保护逐芯电压， $I_S$ 保护逐芯SOC； $A/(2D)$ 约束所用的低电流功率支路。若没有正的允许屏障，就只给零功率证书。初始状态可行时，指定模型中的真实恒功率能力记为 $K_\tau(\theta)$ ，下界关系为 $0\leq C_\tau(\theta)\leq K_\tau(\theta)$ 。

其中3600把Ah换成库仑。证明的关键是自洽：在这个功率以内，恒功率方程的低电流根始终不超过I*，所以用I*作出的SOC和电压下界会在整个时段保持。它是在指定模型内保证可行的充分条件，不是恰好等于真实最大持续功率。

这里也不能把恒流和恒功率混为一谈。恒流只用于构造最坏取电屏障；实际检查仍按恒功率求电流。每个时间步的电流会随电压状态变化，而不会被强行固定成I*。

这一步带来两个实际限制。第一，时长改变要重新计算，60秒的下界不能直接贴给1800秒任务。第二，虽然一个场景的证书最后可压成少数数值，前面的逐芯信息和后验生成并没有免费消失；本轮没有证明嵌入式实时性，也没有把这几个量称为真实电池的最小充分描述。

把不确定性带进去，要付出多少功率

单包实验使用80个固定虚拟包，每包96颗串联电芯，环境恒定为−20°C，任务持续600秒。容量观测在对数域加入两档噪声；下面重点看较大一档，小误差近似下可理解为约8%的相对误差。这里特意假设电阻和初始电量状态已知，只有容量观测存在误差，以便看清这一种不确定性的影响。【源1】

三种方法的区别如下。

只用容量点估计。 给每颗电芯选一个估计容量，再代入功率计算。计算容易，但估计值偏乐观时，承诺也可能偏乐观。

逐芯留足余量。 先给每颗电芯选一个足够保守的容量下限，再据此算整包功率。本文使用的是后验可信盒方法：逐芯分配风险，再保护所有电芯。这样做较保守，也容易说明保护条件。

保留混合后验。 不把每颗电芯的容量只压成一个数，而是保留给定观测后仍然可能成立的状态及其概率，再计算满足风险要求的功率下界。“后验”在这里就是用当前测量更新后的参数分布，并不神秘。

在生成机制与推断先验匹配的较大噪声情景中，结果如下：

方法	80个包承诺功率的中位数	在各自承诺功率上的任务失败数
只用容量点估计	812.1 W	15 / 80
逐芯留足余量	724.9 W	0 / 80
保留混合后验	764.1 W	0 / 80

表中功率是80个包的中位数，每个包都有自己的计算结果；这些数值只代表本轮96芯模型，不能直接缩放成实际电站指标。逐芯留余量是看到主结果后补充登记的探索性对照，使用相同的包和相同的观测。【源1】

失败数与承诺功率的对照见文末图1。三种方法在各自报出的功率上执行，任务功率并不相同。

这张表里有两笔账。

第一笔是点估计的乐观代价：报得更多，但在这一批固定真值包中，有15个没能完成自己答应的任务。

第二笔是保守方法之间的差别：两种方法在这批样本中都没有失败，逐包配对比较后，逐芯留余量方法的功率与混合后验方法之比，中位数为94.9%。这组结果说明，保留分布信息有机会减少保守代价；实际收益仍需在不同数据和模型下检查。【源1】

因此，只说“把风险算进去之后零失败”还不够。需要同时报告承诺的功率，以及更简单的保守方法能做到什么。否则，随意把功率降得很低，也容易得到好看的成功结果。

把完整对照展开，才能看见简稿遗漏的部分

匹配先验、较大噪声只是主例。研究还检查了较小噪声，以及真实弱芯比例从1%变为3%、推断仍用1%的形状漂移。各行仍按相同总体均值和CV配平，并非简单把总体方差放大。

真实情景／观测噪声	混合后验	逐芯可信盒*	失配单对数正态后验	点估计
匹配1%弱芯／0.02	0/80	0/80	0/80	0/80
匹配1%弱芯／0.08	0/80	0/80	9/80	15/80
真实3%弱芯／0.02	0/80	0/80	0/80	0/80
真实3%弱芯／0.08	0/80	0/80	16/80	18/80

表格为各自承诺功率下的实际任务失败；可信盒为事后补充的配对基线。形状漂移时，混合后验同样存在先验失配，不再称为“正确后验”。

这张完整表会改变几种过强解释。小噪声条件下，点估计也没有实际失败，不能说使用概率分布在所有观测质量下都不可替代。较大噪声时，失配后验比点估计少失败，但仍有失败，说明“使用了概率”本身不够，分布是否合适也参与结果。

更容易被删掉的是另一层诊断：匹配先验、小噪声时，失配单对数正态后验有40/80个包的证书尾部越界，但实际任务失败仍为0/80；真实弱芯3%、较大噪声时，混合先验有12/80个包出现同类越界，实际任务也仍为0/80。【源1】

二者并不矛盾。证书是保守下界，超出它不等于越过真实动态能力。保守余量可能遮住概率标记的失真。任务暂时没有失败，不能反过来证明一个已经失配的后验仍受原有理论保护。

群体实验也应完整留档。5个分布、3个规模、3个温度、3个时长共135个任务配置；下面是独立参考样本中的证书尾部诊断：

方法	尾部越界诊断／135	相对参考证书分位数的中位有符号保守度
均值状态	135	−14.735%
逐芯1%分位捷径	117	−6.082%
同均值／CV对数正态假设	47	0.006%
完整生成机制＋容忍界	1	0.256%

负的有符号保守度表示报得高于参考证书分位数，不是“更高效且同样安全”。逐芯1%捷径是刻意设置的错误压缩对照，不能拿来代表成熟工业SOP算法。

中位误差接近零的对数正态压缩仍有47个越界诊断，说明汇总一个平均误差或中位误差，可能漏掉真正需要保护的局部条件。完整生成机制的容忍界也不是135次全部通过：截断高斯、96芯、25°C、1800秒有一次尾部诊断，承诺619.369 W，参考证书1%分位数616.082 W，参考尾部1.155%。有限置信允许某次校准失效，原结果不能为了“理论正确”而删掉。

这些计数都是证书诊断，不是硬件任务失败数；三时长在同一配置内分配校准置信，也没有给出全部135配置同时95%成立的保证。

低温会把任务推向临界区，也可能让差异一起饱和

低温下，某些差异更容易影响任务完成。但不能由此推出：越冷，各种分布之间的任务风险差距就一定越大。

我们用同一套96芯、600秒模型，补充比较了每芯5 W、8 W和11 W三个任务档位。模型中温度通过等效电阻起作用，容量分布不随温度重新变化，因此这里考察的是一个明确受限的温度情景。【源1】

不同任务强度下的温度比较见文末图2。图中是满足保守功率下界的比例，不是实测硬件成功率。

轻任务下，两个分布在这批参考样本中都能满足功率下界，看不出明显差别。

中间档位下，常温仍有余量，降温以后任务逐渐靠近限制，分布差异就更明显。

重任务下，两个分布在低温参考样本中都无法满足功率下界，差异又不明显了。越过这个保守下界不等于实际任务必然失败，因此文末图2中全不满足不能直接写成“真实电池全部失败”。

温度和任务必须一起读。同一种电池差异，在轻任务下可能无关紧要，在临界任务下可能决定成败，在过重任务下又可能被共同不足所遮住。

这也影响测试设计。如果所有样品都轻松通过，或者都很快触发限制，测试对区分它们的任务能力帮助有限。若目的是判断差异会怎样影响供电，就应覆盖接近使用边界的任务，同时说明这条边界来自什么模型和保护条件。

一个“99%”，至少要交代两层把握

电池能在指定时长内输出多少功率，本来就是功率状态预测研究的问题。Guo和Shen的综述讨论了任务模式、保护限制和误差如何影响SOP估计。这里增加的重点，是让输出功率连同风险要求和有限抽样条件一起出现。【源3】

具体做法分成两步。

先对每个可能的完整包状态，算一个保守功率下界：在指定模型内，以不超过这个下界的恒功率运行，整个时段的逐芯电压、剩余电量和电流约束都能满足。它来自对连续放电过程的约束推导，完整证明留在配套研究中。【源1】

然后，从目标群体或当前包的后验中抽取完整包场景，把这些功率下界排序。采用经典单侧容忍界，选择足够靠低的一项，让“模型内风险目标”和“有限校准抽样的置信要求”同时得到明确表达。这是已有统计工具的应用，方法归属可追溯到Wilks的容忍界工作，现代整理可参见Hulsman的硕士论文与预印本。【源4】【源5】

这里有两层不同的把握：

模型内风险目标1%： 针对这次任务，在指定的群体或后验模型中，将任务失败概率控制在目标以内。
校准置信要求95%： 如果用同样的目标分布反复重新抽取校准场景，得到的界满足上述风险约束的概率至少为95%。

两者不能互相替换，也不能拿来掩盖模型错误。95%的校准置信不是又一项设备故障率；模型内1%的目标也不是已经实测出来的商业质保。

（P1-5）次序统计量怎样选择：

令 $n$ 个独立完整包场景的证书从小到大排列为 $C_{(1)},\ldots,C_{(n)}$ 。选择满足下式的最大正整数 $k$ ，并取 $\underline{P}=C_{(k)}$ ：

$\sum_{j=0}^{k-1}\binom{n}{j}\varepsilon^j(1-\varepsilon)^{n-j}\leq\alpha.$

若不存在这样的 $k$ ，输出零功率并登记样本不足。证书分布连续、场景确实来自目标分布且独立同分布时，经典容忍界给出：

$\Pr_{\mathrm{cal}}\left\{\Pr_{\mathrm{model}}(C_\tau<\underline{P})>\varepsilon\right\}\leq\alpha.$

外层概率是重新抽校准场景的概率，内层是指定模型的证书尾部质量。由于实际任务失败包含在证书不足事件中，该关系可以保护同一模型下的任务风险；它不包含未知物理误差。【源1】【源4】【源5】

样本量也因此变得具体。要在95%的校准置信要求下，构造最基础、能够给出正阶次序统计量的单侧容忍界，1%的风险目标至少需要299个独立场景；0.1%的目标则至少需要2995个。这仅是统计门槛，不保证得到的功率足够有用，更不意味着生成几千个虚拟包就拥有了几千个真实包的证据。【源1】【源4】【源5】

（P1-6）最低场景数与逐芯可信盒：

$n_{\min}=\left\lceil\frac{\log\alpha}{\log(1-\varepsilon)}\right\rceil.$

这个式子来自第1小证书能够被选中所需的 $(1-\varepsilon)^n\leq\alpha$ 。另一条基线为每芯选后验下分位数 $q_{i,L}=F^{-1}_{Q_i\mid\mathcal{D}_B}(\varepsilon/N)$ ，用事件并合界保护整包：

$\Pr\{\exists i:Q_i<q_{i,L}\mid\mathcal{D}_B\}\leq\sum_{i=1}^N\frac{\varepsilon}{N}=\varepsilon.$

它不需要MC校准标记，但仍要求边缘后验正确、证书对容量单调；不能把逐芯分位数直接取成1%而不分配整包风险。

再看前面的0/80。即使暂时采用简单二项模型，零失败对应的双侧95%精确区间，失效率上端仍约为4.5%。所以，那张表可以说明这一批实验的结果，却不能只凭零失败就宣称“真实失败率已经低于1%”。【源1】

有限样本这一步，实际怎样核查

具体算法没有直接把经验1%分位数当承诺。它先独立抽完整包场景，逐个计算功率下界，排序后选第k小项。k由风险目标、样本数和允许的校准失效概率共同决定。这个位置一般比简单经验分位数更靠下。

在600个校准场景、1%模型风险和95%校准置信下，选择的是第2小证书。若目标分布连续，校准后的尾部质量可以通过次序统计量与二项分布对应，理论校准越界概率约1.698%。这不是一次设备任务失败的概率。

我们反复独立校准400次，再用独立200000场景近似参照分布：容忍界有7次超过目标，即1.75%；直接取经验1%分位数有244次超过目标。【源1】

后一个244/400尤其容易误读。它表示“抽一份校准样本之后，所选功率的模型风险超过1%”发生得频繁，不表示244个电池包实际掉电，也不表示任务失败率是61%。它检查的是估计风险界的程序，而不是替代执行层测试。

参考分布也由有限蒙特卡洛样本近似，因此这400次是理论与实现的一致性检查；理论保证仍需由推导和抽样条件支撑。若场景不是目标分布的独立样本，单纯复现一个接近理论的比例不能修复输入条件。

主实验还区分了两种抽样预算。群体每个分布／规模／温度使用6000个校准包、20000个独立参考包，三个时长复用同一批包；固定单包每次用4000个后验校准场景和16000个独立参考场景。它们是给定模型的数值样本，不会增加真实资料中独立电芯的数量。

一次48/72的失败，比再报一遍高置信度更有用

前面的统计计算都依赖物理模型。如果模型漏掉了关键过程，抽样再多也会把错误算得更精确。

我们为此做了一个压力测试：先在基础模型中计算功率下界，再加入原模型没有包含的一阶极化。直观地说，电流开始以后，除了即时压降，还会有一个随时间逐渐建立的附加压降。若仍使用旧功率下界，原来允许的任务可能不再满足电压限制。

24个固定包、三个时长，共72组任务，在基础模型里全部完成；加入这项未计入的过程后，仍按旧下界供电，出现了48/72次失败。【源1】

原模型、遗漏极化及已知参数修正的对照见文末图3。修正后重新计算了任务功率，属于事后探索性补充。

看到这个结果后，我们补充推导了包含已知极化上界的修正，并在相同72组输入上重新计算功率，结果为0/72失败。这项探索性修正没有替换原先的失败记录；它说明的是，功率承诺需要跟着物理包络更新，而不是只改变概率标签。【源1】

（P1-7）已知RC参数时的事后包络修正：

$\dot v_{p,i}=-\frac{v_{p,i}}{T_{p,i}}+\frac{R_{p,i}}{T_{p,i}}I,\qquad v_{p,i}(0)=0.$

在非负电流且 $I(t)\leq I^*$ 时，整个任务内有 $v_{p,i}(t)\leq R_{p,i}I^*(1-e^{-\tau/T_{p,i}})$ 。因此，把原证书的 $d_i$ 换成：

$d_i^{\mathrm{RC}}=R_i+R_{p,i}(1-e^{-\tau/T_{p,i}})+\frac{b\tau}{3600Q_i}.$

再重新计算屏障与功率。 $R_{p,i}$ 是极化支路电阻， $T_{p,i}$ 是时间常数；这是已知参数、零初始极化下的修正，不覆盖未知辨识误差或非零初始极化。

真实数据的局部核查也需要同样的诚实。我们读取了Siebert、Schütte、Heimes、Quade和Sauer公开的钠电低温数据，对同一物理电芯的13段脉冲进行拟合：前60%时间点拟合，后40%时间点留出评价。【源6】

后段留出电压误差的均方根中位数为2.67 mV，看起来不错；但整个脉冲的最大绝对误差达到151.48 mV，说明初始阶跃仍有明显偏差。如果只展示较平稳的后半段，就会把模型说得过于成熟。【源1】

而且，这13段记录来自同一颗电芯。它们可以帮助检查局部响应，不能变成13个独立电芯的尾部样本，更不能证明整包可靠性。本文也没有用这次短脉冲拟合去回调主模型的分钟级等效电阻。

一致性核查分三层，不能相互代替

第一层是代码和数值实现。基础测试检查解析极限、风险阶次、证书与恒功率执行等核心关系；Python主实验的7项测试通过。时域能力又用2、1、0.5秒步长检查，24个固定包、三个时长共72组，以0.5秒版本作较细参照。功率二分16次，能力结果也有有限分辨率，不能因为打印了很多小数就说“精确最大值”。

第二层是独立实现。MATLAB没有直接调用Python结果来伪装复算，而对相同输入用独立循环求证书和动态能力。72组的证书最大差约5.0×10⁻¹² W，动态能力最大差约4.5×10⁻¹³ W。Simulink另外核查了1、2、3 A三个恒流RC子模型，和解析响应比较。这些结果排除了若干程序连接错误，却没有增加一颗真实电芯的观测。

第三层才是物理数据。前述13段同芯脉冲的后段小误差与初段大残差必须一起报告。本轮没有因为后段误差好看，就把主实验的30 mΩ或温度倍率改成“已验证参数”；几秒脉冲也不能识别十分钟持续放电的全部效应。

研究过程还保留了一个实现修正：整数类型温度数组会影响温度换算，修复后正式主实验重新运行，并以配置和代码哈希绑定最终结果。修复实现错误与改变科学假设是两件事，不能只保留最终成功输出而省略前者。

这些检查构成一条逐层收紧的证据链：推导是否成立、程序是否算对、模型是否贴近实际。前两层通过，并不会自动令第三层通过。

交给下游的，应是一份有条件的任务承诺

把这些结果合在一起，电池侧可以考虑交付一份更完整的回答。下面来自本轮某个固定虚拟包的计算结果，功率按整数显示：

字段	本轮模型演示
对象	固定虚拟包B0，96颗串联电芯
输出任务	电池直流端恒功率796 W，持续600秒
环境与初始状态	恒定−20°C，初始电量状态80%
风险标记	模型内失败风险目标1%；有限场景校准置信95%
依赖的信息	给定该包容量观测后的混合后验；电阻视为已知
适用的物理条件	本轮简化电压与等效电阻模型；超出条件需要重算

这张演示卡没有声称某款商用钠电能够按同样数值供电。它说明一种记录方式：把对象、功率、时长、风险和适用条件 放在一起，避免一个数字脱离自己的来历。【源1】

这样，监测与控制才能接到同一件事上。监测提供当前包的状态信息及其误差；计算把这些信息转成可接任务的范围；控制在这个范围内运行，并在观测或工况变化时重新判断。数据不足或者模型不适用时，也应允许降低承诺或拒绝给出正功率承诺。

如果将这一思路用于计算基础设施，电池直流端与计算任务之间还要继续核对变换损耗、负载变化和切换过程。本篇没有完成这部分验证，也没有把电池的概率标签直接改称计算服务保障。

低温一致性研究因而有了一个可以继续检验的输出：面对一个具体包、一次具体任务，说清它能接多大的功率、持续多久，这个回答用了什么观测，又在哪些条件改变后必须作废。

下一步真正需要补齐的，是独立电芯和真实包的任务数据，以及对参数误差和分布变化的检查。让功率承诺能经受这些检查，才有资格把电芯层面的低温潜力带进系统可靠性。

这轮研究的过程账，留给复查者

环节	实际做过的事	没有被这些工作证明的事
问题收缩	区分随机成组总体与固定包条件状态，固定恒功率任务	任意电站、任意负载的统一接口已经成立
资料检查	阅读开放全文，登记部分近邻仅摘要／题录可得	已有成熟SOP算法已全部复现
理论构造	在仿射OCV、静态R串联模型下推导连续时段下界	真实电化学模型和所有拓扑都受该下界保护
主实验	同矩五分布、135任务配置、80固定包、两档观测误差	合成尾部就是某款商用产品的实测尾部
事后补充	可信盒对照、具体功率阈值、已知RC包络修正	它们是事前已冻结的确认性检验
数值复核	Python测试、独立MATLAB、三个Simulink子模型	已经完成真实电池包闭环试验
真实资料审计	同芯13脉冲时间留出，保留151.48 mV峰值残差	已经验证跨芯尾部和真实整包可靠性

最值得继续补的资料，不是又一批相似的合成曲线。首先需要同批独立电芯与成组记录，判断弱芯尾部、相关性和分选规则；其次需要与任务时长一致的放电记录，确定持续阻抗与极化包络；再需要真实包的观测误差，判断容量、电阻和SOC是否能像实验设定那样被了解。

若这些信息能取得，新的验证应先固定参数辨识数据与留出任务，再比较承诺功率和任务成功，而不是看到失败后反调参数直到通过。若仍然数据不足，就应把结论停在机制研究，允许低功率或拒绝承诺。

本篇的存档价值也在这里：读者可以追查为什么拆问题、哪些资料没取得、哪些比较后来才补、什么结果没有支持最初设想，以及模型在哪一步失效。完整研究稿保存证明和逐项配置；平台稿保留足够的过程，使主要结论不必依赖一句“代码已经跑通”。

方法与来源

【源1】本文配套数值研究，2026-10-16。 《从电芯群体到单包状态：带风险标记的电池功率承诺及其有限样本验证》，完整研究初稿，未投稿、未完成真实整包可靠性验证。群体主实验为5种正容量分布×3个规模×3个温度×3个时长；固定包实验及表中三方法共享真值和观测。Python主实验、72组独立MATLAB复算及三个Simulink RC子模型解析案例已完成。可信盒、图2具体任务档位和极化修正为事后登记的探索性补充；参数、脚本、派生表和核验记录随稿保存。本文的1%独立单芯算例是单独的说明性计算。

【源2】Shiyun Liu、Kang Li、James Yu、Kailong Liu。 Characterisation and performance evaluation of early-generation commercial sodium-ion batteries. Applied Energy, 412 (2026):127687。正式出处，开放全文入口。用于低温电芯表征与差异背景，不是本文合成尾部分布的拟合来源。

【源3】Ruohan Guo、Weixiang Shen。 Recent advancements in battery state of power estimation technology: A comprehensive overview and error source analysis. Journal of Energy Storage, 103 (2024):114294。正式出处，开放作者版。用于SOP、任务模式与误差来源背景。

【源4】S. S. Wilks。 Determination of Sample Sizes for Setting Tolerance Limits. The Annals of Mathematical Statistics, 12(1), 1941:91–96。正式出处。用于经典容忍界的方法归属；本轮核验题录，公式另在配套研究中推导。

【源5】Roel Hulsman。 Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction. Oxford硕士学位论文，2022；arXiv预印本2210.14735。已读开放全文，非期刊论文；用于容忍界及有限样本保证的现代整理。

【源6】Christian Siebert、Moritz Schütte、Lukas Heimes、Katharina Quade、Dirk Uwe Sauer。 Low-Temperature Performance of Six Commercial Layered-Oxide Hard-Carbon Sodium-Ion Batteries. Mendeley Data, v1，2026-09-28。数据集与许可，CC BY 4.0。本文对其中一款电芯的SOC80脉冲记录作局部时间留出核查，未取得真实包级可靠性样本。

【源7】L. W. Juang、P. J. Kollmeyer、T. M. Jahns、R. D. Lorenz。 Implementation of Online Battery State-of-Power and State-of-Function Estimation in Electric Vehicle Applications. ECCE 2012:1819–1826。正式出处，作者机构摘要。本轮题录与摘要级，未获全文，不声称复现。

【源8】C. Dangwal、D. Zhang、L. D. Couto等。 Pack Level State-of-Power Prediction for Heterogeneous Cells. ACC 2022:1066–1073。正式出处，Berkeley官方摘要。本轮未获会议全文；用于说明异质串联包的边界与参考治理研究已有先例。

【源9】S. Peng、S. Chen、X. Zhang等。 State of power prediction considering cell inconsistency for a series-parallel battery pack based on adaptive SRUKF and double-neural network. Applied Energy, 405 (2026):127239。正式出处。本轮题录与出版社摘要级，未作算法性能排名。

文末图说明

配图集中列在文末，依图号顺序对应正文引用。

图1｜失败与承诺功率

模型推演。三种方法在各自报出的功率上运行，任务功率并不相同。较低的失败数伴随着不同程度的降功率；这里没有验证真实硬件的99%可靠性。

图2｜温度与任务强度

模型推演、事后补充分析。展示同均值/CV的两种容量分布，各温度使用20000个参考虚拟包。纵轴是满足保守功率下界的比例，不是对真实硬件成功率的测量。三个任务档位用于解释工作区间，未作事前假设检验。

图3｜模型遗漏与修正

模型推演。第三组是在看到失败后，利用已知情景极化参数修正功率下界，重新计算较保守的任务功率。0/72没有覆盖未知参数误差或真实硬件。