共查询到19条相似文献,搜索用时 62 毫秒
1.
在不同荷电状态(SOC)下,研究磷酸铁锂(LiFePO4)锂离子电池对充放电电流的响应程度,确定几组响应最强烈的电流.将电池组在实际装车运行中该电流下的脉冲数据与电池管理系统中的数据对照,作为辅助方法对当前计算的SOC进行校正,然后采取合适的策略对电池组均衡.试验证明,电池组的容量提高了10%以上. 相似文献
2.
3.
4.
分别以磷酸铁锂(LiFePO_4)和人造石墨为正、负极活性材料,碳纳米管(CNT)为正极导电剂,制备5.0 Ah 32650型动力锂离子电池。考察CNT添加量对电池性能的影响。CNT添加量为2%的电池,综合性能最佳:内阻为5.8 mΩ;常温下在2.00~3.65 V充放电,1.0 C放电比容量为129.04 mAh/g,5.0 C充电恒流比为86.87%、放电中值电压为3.023 V,3.0 C循环200次的平均容量保持率为94.39%;在60℃下老化10 d后,容量保持率为92.98%,容量恢复率为95.83%。 相似文献
5.
6.
7.
8.
应用气相色谱和傅里叶变换红外光谱仪,分析磷酸铁锂(LiFePO4)正极锂离子电池化成过程中的产气种类和负极表面的固体电解质相界面(SEI)膜,探讨产气来源和反应机理。气体主要在SEI膜形成阶段产生,成分为H2、乙烯(C2H4)、CO、甲烷(CH4)和乙烷(C2H6);成膜后气体量无明显增加,在后续充放电过程中出现CO2。通过对称电池的分析,证明H2和烃类气体主要在负极侧产生,CO2主要在正极侧产生。 相似文献
9.
10.
11.
12.
电池荷电状态(SOC)的估算精度是影响新能源汽车性能的重要因素之一。针对电池参数动态变化影响SOC估算精度的问题,在确定二阶RC等效电路模型的基础上,采用渐衰记忆的递推最小二乘算法和扩展卡尔曼滤波算法对模型参数与SOC在线联合估算。经过实验与仿真验证,在模拟城市道路工况的放电条件下,与安时法和卡尔曼法相比,联合估算方法得到的SOC估算值与真实值的误差缩小到1.29%。该方法能够适应电池特性的动态变化,保证较高的SOC估算精度。 相似文献
13.
14.
采用水热法制备的磷酸亚铁锂(LiFePO4)正极材料具有颗粒细小、粒径分布窄等特点;且水热法本身具有工艺条件易于控制、能耗低等优点,有望解决当前LiFePO4生产批次不稳定的难题,是一种有应用前景的LiFePO4生产方法。传统水热制备工艺需要加入过量锂,增加了生产成本。改良水热法制备LiFePO4,选择非纯水溶剂,极大地减少了锂用量,有利于Li+沉淀,且抑制了晶体的过度发育和颗粒间的团聚,加快LiFePO4成核、降低晶体生长速率,减小粒径。材料的大倍率放电性能比传统水热法优越,10 C放电比容量达94 mAh/g。随后研究水热合成温度、时间对样品性能的影响,结果表明:反应温度170℃,反应时间12 h合成的样品晶型结构完善,循环电性能最佳。 相似文献
15.
16.
锂离子电池荷电状态(State of Charge,SOC)直接影响着锂离子电池使用性能和效率。为了实现准确的SOC在线预测,提出一种粒子群优化最小二乘支持向量机软测量方法。该方法使用最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)建立非线性系统模型,以锂离子电池工作电压、电流为输入量,电池SOC为输出量。建立软测量模型时,LSSVM正则化参数λ和径向基核宽度μ直接影响着模型的准确度,采用粒子群算法(Particle Swarm Optimization,PSO)对这两个关键参数进行优化。用型号为BTS6050C4的NBT电池测试系统进行样本数据采集,通过MATLAB仿真软件进行模型训练并校正。实验和仿真结果表明采用PSO-LSSVM优化算法精确度高、易实现,且在正常和过充工作环境下均可有效预测锂离子电池SOC。 相似文献
17.
基于EKF的锂电池SOC估算与试验研究 总被引:1,自引:0,他引:1
《电源技术》2015,(12)
锂离子电池以其无泄漏、无污染、无噪声等优点,近年来广泛应用于工业及生活领域。目前常用的基于扩展卡尔曼滤波(EKF)的锂电池SOC(荷电状态)估计方法由于建模不准确而导致估计结果误差较大,严重影响到电池管理系统的性能及整机系统的控制。针对该问题,采用精度较高的Randles模型,并在拟合电池的OCV(开路电压)-SOC曲线时通过引入自然指数函数并增加多项式阶数等方法提高拟合精度。使用EKF对锂电池SOC进行估计,与理论结果相比模型改进后估计误差的标准差比改进前下降了64.43%。试验结果表明通过改进电池模型大大提高了基于EKF方法的锂电池SOC估计精度,对于提高电池管理系统以及整机系统性能具有重要意义。 相似文献
18.
19.
基于神经网络的磷酸铁锂电池SOC预测研究 总被引:1,自引:0,他引:1
利用神经网络进行了电动汽车用的磷酸铁锂(LiFePO4)电池荷电状态(state of charge,SOC)预测研究。在分析磷酸铁锂电池充放电机理的基础上,采用levenberg-marquardt(LM)算法建立了磷酸铁锂电池的BP(back propagation)神经网络模型,并进行了电池SOC值的预测。结果表明,基于神经网络的电池SOC预测方法具有较高的精度,可用来预测磷酸铁锂电池的SOC值。 相似文献