电力储能用梯次利用锂离子电池系统技术导则
电力储能用固态锂离子电池安全要求及试验方法
面向不同电流工况的锂离子电池改进EECM研究
锂离子电池是新能源汽车动力系统的核心,基于模型的电池管理系统(battery management system,BMS)是保证电池性能充分发挥的关键。然而现有BMS主要采用等效电路模型(equivalent circuit model,ECM),尚未考虑放电倍率对可用容量的影响机制,导致模型在不同放电倍率下以及低荷电状态(state of charge,SOC)区域会存在明显的端电压仿真误差,影响算法精度;尤其是BMS无法准确估计电池放电截止条件,剩余放电电量(remaining discharge capacity,RDC)估计误差大,可能导致电池电压骤降甚至整车抛锚等严重后果。针对以上问题,文中以考虑内部扩散机制的扩展等效电路模型(extended equivalent circuit model,EECM)为基础,对不同倍率的放电电压容量增量(incremental capacity,IC)曲线进行对比分析,利用能斯特方程构造不同放电倍率下的容量-开路电压曲线,提出改进的EECM。所提改进EECM在不同电流倍率和动态工况下的端电压仿真误差均小于传统ECM和EECM,可以提高RDC估计的准确性,有应用于实际BMS的潜力。
锂离子电池技术及标准现状
直流电源系统
继续提升磷酸盐锂离子电池比能量-技术路线与方向
磷酸铁锂已经确定是未来发展的主流正极材料,从比能量的角度看,磷酸样电池体系还有大幅度改进空间,车用、储能、换电都对高比能量化提出了进一步的要求,技术路线需要进一步优化。
计及健康特征信息量的锂离子电池健康状态与剩余寿命预测研究
电池状态有效评估过程中数据驱动法的模型输入虽与容量呈现相关性,但并没有考虑其信息量及信息质量,低质量的数据输入会造成一定程度的预测偏差。针对上述问题,提出一种计及健康特征信息量的加权神经网络电池健康状态(state of health, SOH)预测与剩余寿命(remaining useful life, RUL)估计模型。该模型在GA-BP神经网络的基础上,通过确定有效健康特征数据集,利用数据信息度构建动量因子来保证神经网络迭代收敛速度。并基于熵权思想过滤出低信息量健康特征的预测结果,将过滤后的预测结果作为电池老化模型的输入,进一步实现剩余寿命的估计。通过公开电池老化数据集与实验平台进行验证,得到该模型健康状态预测结果MAE、RMSE分别控制在0.63%、0.81%之下,剩余寿命估计结果MAE、RMSE分别控制在0.0031 mA·h、0.0042 mA·h之下,具有良好的可行性与有效性。
储能电池热失控火灾演化机制及其防控技术
概括分析了锂离子电池应用前景与火灾形势,介绍了锂离子电池热失控特性及其演化机制,以及锂离子电池火灾多级预警防控技术方法。未来锂离子电池储能是集高效热管理、故障诊断、预警和灭火协同的一体化技术,是基于互联网云数据下的智能安全管理技术。