电池老化机制如何影响 ΔQ/ΔV 曲线和 SOC 估算？

电池老化会改变微分容量曲线的形状及其含义。 在实验室测试中，活性锂损失、电极降解和电阻升高会导致 ΔQ/ΔV 曲线中的峰值高度和面积减小、峰值电压偏移、峰值变宽以及次要特征被抑制。对于 SOC 估算而言，这意味着除非模型考虑了老化和测试条件的影响，否则基于新电池容量、开路电压 (OCV) 曲线或固定电化学参数的模型将逐渐产生偏差。

关键在于，ΔQ/ΔV 曲线不仅是诊断指纹，更是随老化变化的输入参数。 要在电池整个生命周期内实现准确的 SOC 估算，需要更新容量、电压、电阻以及（在适当情况下）微分容量特征，而不是使用单一的静态电池模型。

老化如何改变 ΔQ/ΔV 曲线

活性锂损失导致可用容量减少

一种主要的老化机制是通过不可逆的副反应（包括 SEI 膜的持续生长）导致锂库存损失。由于可参与嵌入的循环锂减少，可用容量随之下降。

在 ΔQ/ΔV 曲线中，这通常表现为峰值面积减小以及反应特征电压位置的变化。由于该曲线是容量对电压的导数，因此容量损失在微分信号中比在原始电压-容量曲线中更为明显。

电极降解改变反应利用率

活性材料的损失和电极的结构变化会减少参与锂嵌入和脱嵌的材料量。因此，相关的反应峰可能变得更矮、更窄、更宽或部分消失。

主要参考资料指出，第二个 ΔQ/ΔV 峰值的显著降低是负极锂离子嵌入能力下降的标志。这种解释很有用，但受影响的具体峰值取决于电池化学体系、电极设计、SOC 范围和测试方向。

电阻增长增加极化

SEI 增厚、接触退化、电解液耗尽和电极结构变化会增加内阻和传输限制。此时测得的端电压除了平衡电压外，还包含更大的欧姆极化和极化贡献。

这会导致微分容量峰值在电压上发生偏移、变宽、变平或合并。在足够高的电流倍率下，即使底层的电化学反应并未完全消失，峰值也可能看起来消失了。

峰值变化取决于化学体系

在未考虑电池化学体系和电极配对的情况下，不应将 ΔQ/ΔV 特征归因于特定的老化机制。例如，LFP（磷酸铁锂）电池具有非常平坦的 OCV 区域和紧密排列的反应特征，这使得微分分析非常有价值，但也对测量质量提出了更高要求。

其他化学体系可能表现出不同的峰值数量、位置和老化响应。因此，峰值解释应基于特定电池的验证基准，而不是通用的峰值图谱。

为什么实验室测试条件很重要

低倍率测试揭示了潜在的电化学特征

低倍率恒流充电（例如约 1/20 C 到 1/5 C）可降低欧姆压降和极化。此时的端电压更接近电池的平衡电压，从而使相变和嵌入特征清晰呈现。

高倍率可能模拟老化

在较高倍率下，极化会移动电压平台并使微分容量峰值变平。由于动力学和传输限制导致电压响应变宽，次要峰值可能会变得非常小甚至消失。

因此，峰值抑制本身并不能证明电极发生了不可逆损坏。必须结合电流倍率、温度、滞后效应、弛豫时间和容量测量进行评估。

数据质量决定了微分分析的有效性

微分会放大噪声。微小的电压量化误差、不稳定的温度、电流瞬变和不足的电压分辨率可能会产生假峰或掩盖真实峰值。

因此，实验室表征应使用精确的电流和电压测量、热控制、一致的循环协议、不扭曲峰值位置的平滑方法以及可重复的 SOC 和电压限制。

ΔQ/ΔV 特征如何辅助 SOC 模型

静态标称容量变得越来越不准确

如果估算器在电池老化后继续使用原始标称容量，其 SOC 计算将与实际可用电量不符。由此产生的误差会在库仑计数过程中累积。

例如，相同的测量电荷吞吐量在老化电池中占可用容量的比例要比新电池时大。因此，必须将容量视为一种演变状态或定期更新的参数。

电压与 SOC 的关系可能会发生偏移

锂库存损失会改变对应于特定 SOC 的电极化学计量比。结果，即使电池的化学性质没有根本改变，表观电压与 SOC 的关系也可能发生偏移。

因此，使用新电池 OCV 图谱的 SOC 模型可能会将相同的端电压解释为错误的 SOC。在不同老化阶段更新最大可用容量和相关电压图谱有助于保持一致性。

电阻变化扭曲了基于电压的校正

许多 SOC 估算器使用端电压来校正累积的库仑计数误差。随着电阻和极化的增加，端电压变得更加依赖于电流、温度和近期的运行历史。

此时，固定的 OCV 或等效电路参数集可能会将老化相关的电压降归因于 SOC。这会产生系统性的 SOC 偏差，特别是在大电流运行和接近电压限制时。

微分容量特征可支持模型自适应

峰值电压、高度、面积、宽度和相对间距可以作为老化指标。这些特征有助于估算 SOH（健康状态）、识别锂库存或电极活性的变化，并选择或更新合适的 SOC 模型参数。

然而，ΔQ/ΔV 通常作为在受控条件下获得的诊断和校准信号最为可靠。它通常不是任意动态运行期间直接的实时 SOC 测量手段。

老化感知 SOC 估算的建模策略

重新校准电化学或等效电路参数

一种实用的方法是使用来自不同老化阶段的实验室数据定期更新容量、电阻、弛豫和 OCV 相关参数。这保持了模型与电池当前状态的一致性。

当参数演变时使用自适应滤波器

自适应卡尔曼滤波方法可以在估算 SOC 的同时跟踪容量或电阻等选定参数。其有效性取决于运行数据中是否有足够的激励以及设计良好的约束条件。

不应期望滤波器能从普通的行驶工况数据中推断出每一种老化机制。实验室的 ΔQ/ΔV 结果提供了宝贵的先验知识，并有助于定义现实的参数范围。

跨老化状态重新训练数据驱动模型

仅在新鲜电池数据上训练的神经网络和其他机器学习估算器在初期表现良好，但随着峰值位置、容量和电阻的变化，其性能会下降。

训练数据应涵盖相关的老化阶段、温度、电流和 SOC 范围。在可用时可以包含 ΔQ/ΔV 导出的特征，但模型必须能够区分真正的老化特征与由倍率或温度引起的人为伪影。

将 SOC 估算与 SOH 估算分离

SOC 描述的是相对于可用容量的当前电荷状态，而 SOH 描述的是该可用容量和其他特性发生了怎样的变化。将它们视为独立但耦合的估算问题，通常比假设固定 SOH 更稳健。

ΔQ/ΔV 特征对于 SOH 跟踪和机制诊断特别有价值。由此产生的 SOH 估算结果可以为 SOC 估算器使用的容量和参数更新提供依据。

理解权衡

微分容量分析敏感但并非唯一诊断手段

峰值变化可能由锂库存损失、活性材料损失、电阻增长、温度、电流倍率或数据处理选择引起。因此，同一个视觉特征可能有多种可能的成因。

可靠的诊断需要比较多种指标，包括容量保持率、充放电曲线、电阻测量值、温度以及跨测试条件的可重复性。

高分辨率曲线需要缓慢且受控的测试

低倍率测试产生的电化学特征更清晰，但耗时较长，且可能无法代表电池实际运行的条件。更快的测试更实用，但会引入使解释复杂化的极化现象。

因此，合适的测试倍率是诊断分辨率、测试持续时间和应用相关性之间的折衷。

更自适应的模型需要更多的校准数据

具有随老化变化的容量、电阻、OCV 图谱和微分特征的模型可能更准确，但也需要更多的参数和验证数据。约束不足的自适应可能会导致参数漂移或允许估算器拟合测量噪声。

峰值抑制不应被过度解读

次要峰值的降低是参考测试背景下的重要老化标志，特别是在与负极嵌入能力降低和极化增加相关联时。它不应被视为适用于每种锂离子化学体系或运行条件的通用指标。

为您的目标做出正确的选择

最有效的工作流程是将受控的微分容量测试与明确考虑容量和电阻变化的 SOC 模型相结合。

• 如果您的主要重点是实验室降解诊断： 在受控的低倍率测试中跟踪峰值电压、高度、面积、宽度和消失情况，同时对照容量和电阻测量值进行交叉验证。
• 如果您的主要重点是电池全生命周期的 SOC 精度： 在多个老化阶段更新最大可用容量和电压模型参数，而不是保留新电池的标称值。
• 如果您的主要重点是嵌入式 BMS 实现： 使用自适应滤波器或约束参数更新方案，并利用实验室数据定义现实的老化趋势和参数限制。
• 如果您的主要重点是机器学习 SOC 估算： 在老化状态、温度、电流倍率和电池间差异范围内训练和验证模型，而不是仅使用寿命初期的数据。
• 如果您的主要重点是 LFP SOC 估算： 将微分容量或其他基于模型的信息与库仑计数相结合，因为平坦的 OCV 平台在大部分 SOC 范围内提供的直接电压灵敏度较弱。

当 ΔQ/ΔV 被视为电池行为演变的证据——而不是在电池整个生命周期内保持有效的固定曲线时，老化感知 SOC 估算最为可靠。

总结表：

使用 KINTEK 先进的实验室设备提高您的电池测试精度。从精密涂布和压制系统到全面的电池测试仪，我们的解决方案专为电池研发的严苛要求而设计。立即联系我们，优化您的测试工作流程并改进 SOC 模型验证。