磷酸铁锂锂离子电池SOC的电流脉冲探测

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.     

基于温度和SOC的退役电池电化学阻抗特性

以退役的电动汽车用磷酸铁锂(LiFePO4)正极锂离子电池为研究对象,分别在0℃、25℃、40℃和50℃下测得不同充放电荷电状态(SOC)的阻抗谱数据,基于锂离子电池内部电化学过程反应机理,建立退役磷酸铁锂电池的电化学阻抗模型LR[(RW)Q],并用ZSimDemo软件进行参数辨识.此模型在不同温度和SOC下都有较高的...     

碳纳米管用于磷酸铁锂正极动力锂离子电池

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%。     

磷酸铁锂动力锂离子电池穿刺实验

为评估磷酸铁锂(LiFePO_4)动力锂离子电池内短路时的安全问题,采用陶瓷顶盖结构的单体电池与1+5只并联连接电池的穿刺实验,分析电池表面温度、开路电压及涌流变化情况。不论连接方式和穿刺位置如何,均是靠近正极极耳的监控点温度最高,最高可达442.5℃,且前期该处温度迅速上升,后期逐渐降低;电解液浓度越低,电池内阻越大;穿刺接触电阻越小,电池表面温度越高,并联连接的被刺电池瞬间反充电流较大,最大可达256.0 A;电池未出现着火现象,穿刺安全性能得到提高。     

磷酸铁锂锂离子电池自放电筛选方法

分析0%荷电状态(SOC)下磷酸铁锂(Li Fe PO4)单体锂离子电池在25±2℃下搁置时开路电压的变化,发现第7 d开路电压低于第2 d的电池,月自放电率大于3%,第7 d开路电压高于第2 d的电池,月自放电率小于3%。根据开路电压变化率,对自放电率作进一步分类,可快速地对单体电池进行筛选、配组,有利于提高单体电池的一致性。     

高低温对磷酸铁锂动力锂离子电池性能的影响

参照行业标准和IEC标准进行充放电实验,研究环境温度对商品化磷酸铁锂(LiFePO4)动力型锂离子电池性能的影响.从容量和电压平台的角度评价商品化的LiFePO4动力型锂离子电池的循环性能和安全性能.在高温(55℃)条件下,电池着火;在低温(-20℃)条件下,容量衰减严重.     

磷酸铁锂锂离子电池化成产气的机理

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。     

磷酸铁锂正极锂离子电池的高温循环性能

对磷酸铁锂(LiFePO4)正极锂离子电池的循环性能进行研究.电池以1C、100％放电深度(DOD)循环,在常温下的循环次数可达1 800次以上,而在60℃高温下只有200次左右.在高温下循环后,电池的内阻和厚度增幅大于常温时,说明高温会加速容量衰减.对高温循环失效的电池补加电解液,常温放电容量提高了约9.46％.电解液匮乏是电池高温循环性能变差的原因之一,但不是主要原因.     

磷酸铁锂锂离子电池模组过放电失效分析

以方形铝壳磷酸铁锂(LiFePO_4)正极锂离子电池为对象,研究LiFePO_4动力电池组在使用过程中的过放电行为。通过单体及模组的过放电测试、扣式电池的循环伏安测试,还原动力电池组在实际使用过程中出现的失效状态,表明LiFePO_4在电压大于0的过放电会加速容量衰减。这种衰减导致串联模组在使用中产生容量差,容量较低的电池在模组正常的充放电区间内将过放至电压小于0,导致电池失效析铜。     

盖帽结构对LiFePO4动力电池性能的影响

以磷酸铁锂(LiFePO4)、中间相碳微球为正、负极材料,采用功能性电解液,制备了10 Ah铝壳磷酸铁锂动力电池,研究了一体式盖帽和非一体式盖帽对电池的性能影响.结果显示,采用一体式盖帽的电池,平均内阻为2.0 mΩ,最大放电倍率10 C,最大充电倍率为5C,5C倍率常温循环600次后容量保持率为86.4％;采用非一体...     

锂离子电池SOC与模型参数联合估算研究

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。     

基于GA-F-RBF神经网络的磷酸铁锂电池SOC预测研究

针对动力电池荷电状态的预测精度问题,提出基于遗传算法的弹性径向基函数神经网络动力电池荷电状态预测方法。该预测方法基于神经元的活跃度与神经元间的信息交互强度在线调整神经网络结构的大小,解决了径向基函数神经网络的结构调整影响荷电状态的预测精度问题。仿真结果证明,该方法比基于遗传算法的径向基函数神经网络的荷电状态预测结果精度更高,预测更加准确,能满足蓄电池管理系统对磷酸铁锂动力电池荷电状态预测的精度和实际使用的要求。     

改良水热法合成磷酸亚铁锂的研究

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。     

LiNixCoyAlzO2锂离子电池SOC估算及衰减特性

以LiNixCoyAlzO2(NCA)体系锂离子电池为研究对象,建立具有多工况下普适性的开路电压(OCV)-荷电状态(SOC)曲线,估算电池在不同工况下的SOC.研究电池在变工况(1.00 C倍率循环、1.50 C转1.00 C倍率循环、2.00 C转1.00 C倍率循环等)下,正极活性材料容量(Qp)、负极活性材料容...     

基于PSO-LSSVM的锂离子电池荷电状态预测方法

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。     

基于EKF的锂电池SOC估算与试验研究

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。     

三维多孔结构磷酸铁锂电极的制备及性能

以泡沫镍为集流体,制备三维多孔结构的磷酸铁锂(LiFePO4)电极,以改善LiFePO4的高倍率性能.与传统采用铝箔集流体的LiFePO4电极相比,三维多孔结构LiFePO4电极的高倍率充放电性能更好,以5.0C的电流在2.5～ 3.8 V放电,比容量达101.7 mAh/g.循环伏安和交流阻抗测试的结果表明:三维结构...     

基于神经网络的磷酸铁锂电池SOC预测研究

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。