随笔 - 368, 文章 - 0, 评论 - 56, 阅读 - 94万
  博客园  :: 首页  :: 联系 :: 管理

OCV与SOH

Posted on   天戈朱  阅读(43)  评论(0编辑  收藏  举报

概念


YDT2344.1-2011标准中,指出SOC和SOH的概念

  • SOC(state of charge)电池组荷电状态:电池组实际所充电量和额定容量的比值,即当前状态下以10h率放电至终止电压所能提供的电量与额定容量的比值。(10h率放电数值是0.1c)
  • SOH(state of health)电池组健康状态:电池组在完全充电状态下,电池组实际容量和额定容量的比值
  • OCV(open circuit voltage)开路电压:指的是在充电或放电状态下,在连续充放电之后,等待电池电流恢复到零的过程中,电池的电压。(电池不接负载时两边的电压)
  • 充电截止电压(Charge Cut-off Voltage):又称充电限制电压或充电终止电压,是指在充电过程中,电池不能再安全或有效地接受更多充电的电压阈值
    • 当电池的电压上升到这一水平时,继续充电不仅无法显著增加电池的实际容量,反而可能导致电池过充,并对其内部化学结构造成损害。此阶段下,对于充电策略而言,通常已进入涓流充电或即将停止充电阶段。
    • 对于不同类型的电池,其充电截止电压是由电池制造商根据电池材料的特性和安全要求设定的。例如,对于锂离子电池而言,每个单体电池的充电截止电压通常在3.6V~4.2V之间,具体数值视电池化学成分而定。
  • 平台电压(Plateau Voltage):指在电池充电过程中,当电池电压达到一定值后,电压会在一段时间内保持相对稳定的范围
    • 在这个阶段,虽然还在给电池充电,但电池的电压上升速度显著减缓,表现为电压曲线上的平坦部分。
    • 这是因为随着充电的进行,电池内部化学反应的活跃度降低,导致电压不再快速上升。此阶段下,对于充电策略而言,即将由恒流切换为恒压
  • 简而言之,充电截止电压用来决定何时停止充电以防止电池过充的安全边界,而平台电压则是描述电池在充电过程中电压变化特征的一个术语,它反映了电池内部化学反应的状态
    • 在BMS中,这两个电压参数都被用来精确控制和优化充电过程。但随着电池的老化,充电截止电压可能会降低平台电压则可能提前到来,这些变化都可以帮助BMS评估电池的SOH
  • 电池极化反应:通电前和通电后电极电位的差叫作过电位差。平衡电极电位是一个没有电流流过时,静止的、相对理想化的状态时的一个电极电位。电池极化就是由于电流的流动,而打破静止状态后,实际电极电位偏离了平衡电极电位的现象。
    • 极化效应带来的影响就是电池在停止充放电后的一段时间内,电压并不是恒定的,而是在慢慢变化的,大约在静置1 ~ 2小时后得到的电压才是当前SOC下真正的开路电压
      • 采集V = IR(电池内阻) + OCV(电池真实电压)
      • OCV(电池真实电压) = 采集V  -  IR(电池内阻)
      • 充电时:I>0,充电转空闲,电压会回落一部分
      • 放电时:I<0,放电转空闲,电压会回升一部分
    • 采用恒流恒压充电的原因在于可以消除锂电池的极化反应:因为电池内部极化的存在。
      • 恒流阶段,电压逐步上升,直至到达充电截至电压。但是此时电压有一部分是“极化电压”,如界此时停止充电,电量没有充满。所以为了把电池充满,就需要消除极化现象。
      • 因此恒压充电时,电流逐步减小至0.05I,而这个过程就是去极化的过程。
  • 充电过程:第一阶段以恒定电流充电;当电压达到预定值时转入第二阶段进行恒压充电,此时电流逐渐减小;当充电电流达到下降到零时,蓄电池完全充满。这种是锂电池最常用的充电方法
    •  

SOC和OCV的关系


 例如:磷酸铁锂电池

  • 正极是磷酸铁锂,负极是碳,那么在SOC为0时,此时锂离子全部在正极,完全充电时,正极所有的锂离子都镶嵌在负极碳的蜂窝里,SOC容量是100%,C==>LiC6。
  • 充电:正极中的锂离子跑到负极,镶嵌在C中。放电:镶嵌在碳中的锂离子跑到正极

注意:不论SOC的值是多少,磷酸铁锂正极的电压都是3.45V,磷酸铁锂负极的电压是变化值。在soc等于0时,负极电压值在1.5V左右,但是当soc接近100%时,电压值只有0.08左右。

1、磷酸铁锂的充放电保护电压的由来

  • 一般来说,过放保护电压是 2.0V-2.6V,过充保护电压是3.65V-3.8V
  • 过放保护电压最低是2V的原因?
    • OCV根据曲线来看,当SOC为0时,OCV的电压值时1.95V,而不是2V,原因在于磷酸铁锂电池正极被铝包裹,负极被铜包裹,当过放电时,此时负极碳中的锂离子已经全部去了正极,但是如果此时还在放电,但是负极没有离子,所以只有铜离子移入正极,所以电池会失效
  • 过充保护电压最高是3.8V的原因?
    •  电池有正极,负极,电解液,隔膜和外壳组成,电压过高对正极,负极,隔膜和外壳都没有影响,但是电压过高对电解液有影响。电压过高会造成电解液的分解,然后产生大量的气体但是电压低于3.8V时产生气体现象很少。
  • 过充保护电压最低不是3.45V的原因?
    • 充电过程中,电池的内阻会逐渐增大,此时也会存在一部分压差。当充电完成后,静置一段时间,此时电池电压会回落,这时的电压才是电池真实的电压。
    • 磷酸铁锂电池内阻主要包括两个部分,欧姆内阻极化内阻。在温度恒定的条件下,欧姆电阻基本稳定不变,而极化电阻会随着电化学影响极化水平的因素变动
    • 极化内阻:从电芯内由电流产生那一刻开始跟着产生,随着电流的增大而增大,是电池内部各种阻碍带电离子抵达目的地的趋势总和。极化电阻可以分为电化学极化和浓差极化两部分。
      • 电化学极化:是电解液中电化学反应的速度无法达到电子的移动速度造成的;
      • 浓差极化:是锂离子嵌入脱出正负极材料并在材料中移动的速度小于锂离子向电极集结的速度造成的。

2、动力电池健康状态评估(SOH)之基于电压特性评估

   在对动力电池进行健康状态评估时,通过观察电池的电压特性在不同荷电状态(SOC)、不同温度不同循环次数下的变化,是被应用较为普遍的技术手段之一。

   如随着电池老化,开路电压(OCV)与SOC的关系会发生偏移,特别是在充放电平台区域,电压曲线可能会变缓或者发生形状改变,此时通过分析电压曲线的漂移和形状变化,可以量化评估电池健康状态

   如下图所示,为某电池在不同循环次数后的OCV-SOC曲线变化:

                    图1不同循环次数后的OCV-SOC曲线 

  通过电压特性对动力电池的健康状态进行评估时,除了拟合 OCV-SOC曲线外,通过端电压在饱和阶段的细微变化也能反映出电池容量的衰减情况,此时可通过比较新老电池在相同条件下的电压响应,对SOH的变化进行推算。

  如,电池的充电截止电压放电截止电压的变化,以及峰值电压点的位移,都是判断电池健康状况的有效依据。

  在实际应用中,BMS通过实时监测和分析动力电池的电压特性来判断电池的健康状态,其过程会涉及多种电压特性。当评估的电池存在健康状态时,将根据评估结果采取必要的均衡控制、充电策略调整或其他维护措施,以确保电池的安全高效运行和延长使用寿命。

  通过电压特性进行SOH评估的过程中,可能会涉及:

  • 1、单体电压监测:即对每一个电芯进行电压监测,当电池出现老化时,单体电压可能会表现出非线性或偏移现象,这可以作为评估电池健康状态的一个重要指标,也是实现电芯故障准确定位的重要手段;
  • 2、开路电压(OCV)分析:开路电压是指电池在没有外部负载的情况下,在静置一段时间后的电压,它与电池的荷电状态之间存在对应关系。
    • 随着电池的老化,其开路电压曲线会发生偏移,此时通过对比理想状态下的OCV-SOC曲线,可以推算出电池的容量损失和健康状态(如图1),此方式也是当下应用较为普遍的手段。
    • 在实际的新能源汽车应用场景中,动力电池总是连接到车辆的电力系统以满足车辆的持续用电需求,这使得获取电池在严格意义上的无负载条件下的开路电压变得困难。为此,BMS常通过以下方式近似测量或估算开路电压:
      • 静置休眠模式:在车辆停驶且主电源断开一段时间后,电池系统进入低功耗待机状态,在这种状态下,车辆用电系统将尽量减少对电池的电量消耗,这使得电池在相对安静的环境中可以接近无负载状态,此时BMS可以在较长时间(如一夜)后测量电池电压,以将此作为OCV的近似值;
      • 软关断和唤醒策略:BMS可在系统中设置一个定时任务,在确保安全时,定期短暂地切断所有非必要的负载,仅保留BMS自身的监控功能,然后在短时间内测量电池电压,从而获取一个较为接近开路电压的读数;
      • 基于模型的估算:利用电池的电化学模型,结合实时监测到的电池电压、电流、温度等参数,通过算法估算出电池在无负载条件下的开路电压。不过这种方法需要预先通过大量实验数据训练模型,确保估算结果的准确性;
      • 电池均衡过程中获取:在电池均衡过程中,会存在电池单体间不进行电荷转移的短暂阶段,此时BMS可以捕获到单体电池在相对无负载情况下的电压值。
  • 3、动态电压响应:动态电压响应是电池在快速充放电或负载突变时电压的变化特性,健康的电池在电流变化时电压反应迅速并且稳定,而老化的电池因为内阻的增大,可能导致其呈现出更大的压降和恢复时间。这过程中会涉及到如下几个指标:
    • 电压过冲/下冲:电压过冲是指在电流突然增加时电压瞬间升高的程度,而电压下冲则是指电流突然减小时电压的瞬时下降程度,这些参数通常以电压的峰值差值或相对于稳定状态电压的百分比来量化;
    • 电压恢复时间:指电池电压从发生过冲或下冲后回到正常稳定状态所需的时间,它是衡量电池动态响应能力的一个重要参数;
    • 瞬态响应速度:该指标是指电池电压在负载变化时调整到新的稳定状态的速度,此参数可量化为从负载变化到电压波动达到指定限值所需要的时间;
    • 电压纹波:在连续充放电过程中,由于电流波动导致的电压小幅上下波动,可以量化为电压波动的峰峰值或有效值;
    • 动态电压阻尼因子:这是一个描述电池抑制电压波动能力的参数,它反映了电池内部阻尼效应对电压波动衰减的效果。
  • 4、电压一致性监测:此方式主要针对电池组或区域电池模块进行,在对模组进行电压一致性监测过程中,如果某个模组电压明显偏离平均值,则可能是其组成电池出现了不均衡或局部老化现象;
  • 5、充电截止电压平台电压:随着电池的老化,充电截止电压可能会降低,平台电压则可能提前到来,这些变化都可以帮助BMS评估电池的SOH

 SOH估算方法


 1、放电实验法:锂电池组SOH估算使用放电实验法是最简单的测量方法,对电池进行放电,直至电池电压接近截止电压,则电池放出的电量与电池额定容量比值的百分比就是电池的SOH

  • 缺点也很明显,该方法无法在线估计电池的SOH,并且由于需要对电池进行大电流放电,对放电设备的规格要求很高,会增加实验的成本,并且需要对设备进行实时看护。
  • 若以0.1C的电流对电池进行放电实验,则需10小时的实验,时间较长,同时进行深度放电会对电池寿命造成影响。
  • 另一种放电实验法是对电池进行局部放电,局部放电的精度与电池的放电深度有关 

2、电压陡降法:在电池的使用初期,根据电池电压在发生陡降时的特性来测量锂电池组的SOH。

  • 在电池的老化过程中,由于电池内部物质活性的降低,电阻变大,电池的容量和电池的陡降电压都会发生变化,根据陡降电压与SOH的关系来测量SOH。
  • 这种测量SOH的方法简单快速,但是不能够进行在线估计,并且需要恒定负载进行放电实验。

3、电阻折算法:电池的内阻与SOH存在一定的关系。SOH越低,电池内阻越大,通过检测电压、电流、温度等数据,间接计算出电池的内阻值,然后根据SOH与电池内阻的关系计算求得SOH。

  • 但是电池的内阻在SOH变化范围不大时变化不明显,而当电池老化严重时电阻值的变化较大,因而该方法在SOH变化较小时,测量的误差会较大。

4、锂电池组SOH估算的循环次数折算法:是一种根据电池的使用次数来估算电池寿命的方法,该方法将电池的寿命等效成循环使用次数。比如电池单次SOC的变化超过10%,则认为电池的循环次数加1,然后根据电池循环次数与SOH的关系求得电池的SOH。

5、锂电池组SOH估算的阻抗分析法:阻抗分析法是当今最前沿的SOH测量方法。

  • Feder和Hlavac提出了采用单一频率的交流信号来测量电池的SOH,但是这种方法仅在SOH值较低时精度较好。
  • 随后Champlin提出了DFIS(离散频率导抗谱)技术,这个方法是对电池输入不同频率的信号,对采集到的数据进行分析来估算电池参数。
  • 缺点:EIS测试可能需要较长时间来完成,且对测试条件(如频率范围、信号幅度)的选择敏感
  • 基于阶梯波的锂离子电池电化学阻抗谱低频段在线辨识方法【北京交通大学】

6、基于等效电路模型和数据驱动模型融合的SOC和SOH联合估计方法 【长沙理工大学】

  • 通过构建考虑老化和SOC的电池二阶RC等效电路模型,在不同SOC和SOH的情况下,采用带遗忘因子的递推最小二乘法(Forgetting Factor Recursive Least Squares, FFRLS)对电池的参数进行实时在线辨识,实现电池参数在线辨识与电池SOC和SOH估计的联合。
  • 以锂离子电池恒流充电时间为输入,电池SOH值为输出,训练高斯过程回归模型,实现电池SOH估计。将输出的SOH估计值与电池的额定容量相乘,得到电池的实际容量,更新二阶RC状态空间方程,采用扩展卡尔曼滤波算法对电池进行SOC估计,实现电池SOH估计和SOC估计之间的联合。
  • 采用牛津大学电池退化数据集和NASA随机使用数据集进行算法验证,结果表明,所提联合估计方法能够在电池的生命周期内较准确地跟随锂离子电池SOC和SOH的真实值。

7、一种基于OCV-SOC校准的动力电池SOH预测方法 【成都鹰明智通专利】

  • 本方法首先构建不同充电模式下的SOC和温度梯度向量;
  • 其次计算这些向量与对比向量的差距;
  • 然后评估充电不稳定度和充电时间偏差;进一步计算慢充和快充补偿系数;
  • 最终利用SOH预测模型,结合补偿系数,精确估算动力电池的健康状态。
  • 本方法通过多维数据融合和补偿机制,有效克服了传统电池健康状态预测精度低的技术问题。

8、一种基于数据驱动与经验模型组合的锂电池在线健康状态预测方法 【天津大学】

  • 该方法分为离线与在线两个阶段。在离线阶段,通过电池容量增量分析,提取与SOH相关性较高的两个电压升片段下所耗的时间dV-dt1dV-dt2作为外部健康特征,并使用高斯过程回归的方法对电池SOH的衰退进行建模。

  • 将在线阶段分为两部分,在“磨合期”通过GPR模型对电池前部分周期的SOH进行预测,利用预测所得数据拟合指数模型,得到指数模型参数的初值;

  • 在“工作期”使用指数模型进行SOH预测,并利用观测器每隔固定循环次数对指数模型的参数进行修正。 

9、利用dQdV曲线精确评估SOH(最新版)

  • dQdV曲线的特定区域对应于电池化学反应的特定阶段,如锂离子的嵌入和脱嵌。当电池老化,这些化学反应会变得不那么可逆,从而影响dQdV曲线的形态。例如,在锂离子电池中,某些特定的特征点或曲线斜率的变化可以指示电池的老化程度。
  • SOH评估可通过分析dQdV曲线上的特征点来实现。当电池容量下降时,dQdV曲线会出现偏离,这些偏离点可以作为老化指标。
  • 通过构建SOH与dQdV曲线特征点之间的关系模型,可以定量评估电池的健康状况。这一过程涉及复杂的数据分析和模式识别技术,是当前研究的热点之一。

10、基于增量容量曲线峰值高度的电池内短路定量诊断方法 【同济大学】

  •  

11、基于融合健康因子和集成极限学习机的锂离子电池SOH在线估计 【上海电力大学】 

  • 本文提出一种基于融合健康因子和集成极限学习机的锂离子电池SOH估计方法。
  • 该方法通过对dQ/dV和dT/dV曲线分析,从中筛选出与电池SOH相关性较高的数据区间进行多维健康特征的提取,并对其进行主成分分析降维处理得到间接健康因子,然后利用极限学习机的随机学习算法建立间接健康因子和SOH之间的非线性映射关系。
  • 在此基础上,针对单一模型输出不稳定的特点,提出一种集成极限学习机模型,通过对估计结果设置可信度评价规则以剔除单一极限学习机不可靠的输出,从而提高锂离子电池健康状态的估计精度。
  • 最后,使用NASA锂离子电池老化数据集和牛津大学锂离子电池老化数据集对本文方法进行了验证,结果表明本文所提方法具有较高的准确性和可靠性。

 

参考资料


相关博文:
阅读排行:
· 一个费力不讨好的项目,让我损失了近一半的绩效!
· 清华大学推出第四讲使用 DeepSeek + DeepResearch 让科研像聊天一样简单!
· 实操Deepseek接入个人知识库
· CSnakes vs Python.NET:高效嵌入与灵活互通的跨语言方案对比
· Plotly.NET 一个为 .NET 打造的强大开源交互式图表库
点击右上角即可分享
微信分享提示