基于SOP动态一致性的退役动力电池模组筛选方法研究

针对退役电池初始特性参数不一致性,多因素影响下电池模组筛选效果不佳的难题,提出一种基于SOP动态一致性的电池模组筛选方法。首先,为表征退役动力电池梯次利用筛选时初始特性,选取退役动力电池的端电压、容量和内阻作为静态筛选的参量,并提出基于密度思想的改进K-均值聚类的静态筛选方法;其次,从静态筛选结果中选取一致性较好的单体电池,建立电压、荷电状态（SOC）、电池健康状态（SOH）等因素与功率状态（SOP）的特征关系,对退役动力电池SOP动态特性进行估计;最后,将SOP一致性较好的退役电池串联成组,建立SOP与电池模组寿命损耗关联关系,基于SOP动态一致性进行电池模组的动态筛选。通过仿真分析验证所提筛选方法的有效性,可有效延长退役电池的使用寿命。     

锂离子电池成组及一致性管理研究现状与展望

归纳和总结锂离子电池和电池组模型、电池成组和电池一致性优化控制的研究方法和存在的问题。同时,对电池一致性管理研究趋势进行展望。提出应根据储能系统实际运行工况和电池成组方式,充分考虑电池连接方式、极柱引出位置、连接件阻抗等,优化电池组模型,提高模型精度。并根据模拟和实验结果,优化电池成组方式和控制策略,解决制约储能产业发展的电池组技术瓶颈。     

大功率光伏电池阵列模拟器研究

为满足实验室中光伏逆变器综合性能测试的需要,提出一种新型的大功率光伏电池阵列模拟器.分析了输出的I-V特性曲线指令信号的运算方法,利用三相电压型高频PWM整流电路实现指令信号的功率放大,介绍了光伏电池阵列模拟器的控制方案.仿真结果表明该光伏电池阵列模拟器具有很好的稳态与动态性能.     

基于差分电压和Elman神经网络的锂离子电池RUL预测方法

锂离子电池剩余使用寿命(remaining useful life,RUL)预测对电池的使用维护极为重要,提出一种基于差分电压和Elman神经网络预测锂离子电池RUL的方法.首先,根据美国国家航天航空局(National Aeronautics and Space Administration,NASA)的锂离子电池数据集,分析电池差分电压曲线和充放电曲线,提取电池容量退化特征量;其次,通过Pearson法分析特征量之间的相关性,将充电差分电压曲线初始拐点值、放电差分电压曲线峰值、放电时间、静置时间作为电池RUL预测的间接健康因子;最后,建立以上述间接健康因子为输入,电池容量为输出的Elman神经网络,进行锂离子电池的RUL预测.基于不同间接健康因子和不同神经网络的四种电池容量预测对比实验表明,在间接健康因子中加入充电差分电压曲线初始拐点值和放电差分电压曲线峰值可以提高电池寿命预测精度,Elman神经网络可准确预测电池容量.基于不同循环次数预测电池RUL,预测的平均均方根误差为1.55％.     

全钒液流电池电气模型建模与验证

为准确把握全钒液流电池的实际应用特性,基于全钒液流电池原理,采用建模与仿真软件建立了全钒液流电池的电气模型,并结合5kW全钒液流电池样机系统将仿真与试验充放电电压结果进行比较。结果表明,该模型能较好地模拟线性情况下全钒液流电池的充放电电压特性和暂态特性,验证了模型的准确性和适用范围。     

动力电池二次利用一致性分选研究

针对动力电池二次利用时单体电池不一致性影响电池储能系统整体性能的问题,研究长期使用后的退役动力电池关键参数的变化,分析现阶段动力电池的匹配成组筛选策略以及电池均衡算法,根据电池状态和参数变化信息选择合适的电池性能评价方法,通过对退役动力电池进行严格的筛选分组、均衡策略以维持整个电池组的一致性。研究表明,通过合理的电池匹配成组,结合储能系统的均衡技术,可实现退役电池的二次利用。     

老化电池的放电性能与充放电产热特性

当前车用动力电池老化性能衰退问题日益凸显,动力电池老化后的性能受到了广泛关注.本文以18650型NCM811锂离子电池为研究对象,探究电池老化后的放电性能和充放电产热特性.为说明电池老化后的性能变化,以同型号新电池的对应性能参数作为参考量.开展了不同环境温度和不同放电倍率条件下电池的放电性能试验,得到电池放电电压曲线、...     

管式ZEBRA电池的长循环性能与电压弛豫曲线分析北大核心CSCD

管式ZEBRA电池(也称钠-金属氯化物电池)在电网储能、备用电源和极端环境等领域具有广阔的应用前景,已处于商业化示范应用发展阶段。然而,进一步提高其长循环性能仍是下一代ZEBRA电池的研发重点。判断ZEBRA电池的健康状态对于预测其循环稳定性至关重要。我们结合管式电芯的阴极颗粒特征、长循环性能曲线与放电电压弛豫曲线进行了分析,得到ZEBRA电池将经历前期活化、中期性能稳定和后期性能老化等三个不同的性能阶段。通过观察ZEBRA电池的电压弛豫曲线的变化,可以较好地判断电池性能所处的阶段,从而获取电池的健康状态。并以此判断为基础,通过改变阴极的组成可达到减少电池活化时间,保持电池长循环稳定性的目的。     

结合高斯过程回归与特征选择的锂离子电池容量估计方法

由于锂离子电池本身复杂的老化特性,准确预测电池的健康状态和剩余寿命是一个尚未解决的挑战,这限制了消费电子、电动汽车和电网储能等技术的发展.电池的老化机制复杂且相互耦合,难以采用基于模型的方法进行准确的建模.本工作提出了一种基于数据驱动的锂离子电池容量估计方法,通过分析电池的电压-放电容量曲线随循环老化的演变模式,提取具有电化学意义的特征,采用高斯过程回归(Gaussian process regression,GPR)对电池的容量进行预测.该模型的输入特征可以在线获取,不需要对电池进行完整的充放电循环即可估计容量.在钴酸锂电池和磷酸铁锂电池数据集上分别进行了实验验证,结果表明该方法具有较好的泛化能力,对不同类型的电池均能实现准确的容量估计.将本文的方法与阻抗谱作为输入的GPR模型进行对比试验,结果表明该特征能获得更好的估计精度.这一结果说明了合适的特征选择能显著影响锂离子电池的数据驱动模型性能,为电池的状态预测与诊断提供了参考.     

基于风冷的锂离子电池充放电设备热特性影响研究

针对锂离子电池充放电设备内电池组温升过高、温度一致性不好的问题,以风冷系统充放电设备为研究对象,基于数值传热学理论,建立热力学计算模型并结合测试验证。通过抽象充放电设备散热特征,提取了两个影响电池组热特性的主要因素。针对不同托盘通风结构及不同风机布局分别设计了研究方案,并分析了不同托盘通风孔、不同托盘环形风口、不同风机位置及不同风机数量对电池组热特性及充放电设备流场的影响。结果表明：充放电设备放电温升测试数据与仿真数据接近,说明热力学模型准确;托盘通风孔对电池组热特性有一定积极影响,但作用有限;托盘环形风口通过提升电池表面湍动能强度,增强电池表面对流换热效果,从而对电池组热特性起关键作用;风机位置正对电池时,电池组具备更好的换热效果;风机数量与电池组热特性呈正相关关系,当风机数量为6时,既能满足电池组热特性,又能提高系统能耗。研究结果可为锂离子电池充放电设备的热特性管理提供一定的指导。     

Sorting methods of lithium ion batteries consistency

锂离子电池因其高能量密度和长循环寿命而得到广泛应用.然而当多个电池通过串联或者并联成组时,电池组往往存在容量衰减过快,寿命较短的问题,这是由于电池单体之间的非一致性而造成的.如何利用简单,可靠的分选方法,筛选出性能尽可能一致的电池用来成组,对锂离子电池在大规模储能中的推广应用具有重要的科学与实践意义.该文综述了目前国内外锂离子电池一致性的分选方法,包括各方法的机理特点,并且简单介绍了作者课题组在这方面的研究进展.采用阻抗谱方法或许是建立准确,快速的评价体系和提高配对电池的一致性的有效分选方法.     

基于BP-UKF算法的锂离子电池SOC估计北大核心CSCD

电池的荷电状态(state of charge,SOC)是电池管理的重要指标之一,准确的SOC估计是保证锂离子电池安全有效运行的必要条件。为提高锂离子电池SOC估计的准确性,本文基于二阶Thevenin等效模型,提出一种将无迹卡尔曼滤波(unscented Kalman filter,UKF)与BP(back propagation)神经网络相结合的SOC估计方法。在通过混合功率脉冲特性测试获取模型参数的基础上,首先利用UKF算法对电池SOC进行初步估计,通过非线性点变换的方法避免了扩展卡尔曼滤波(extended Kalman filter,EKF)在线性化过程中对系统造成的精度损失;其次,构建三层BP神经网络,综合考虑锂离子电池的充放电电压、电流等参数,对估计结果进行修正,将估计误差从初始估计结果中排除,以达到更加准确的估计结果。通过电池充放电测试仪采集锂离子电池在动态应力测试下的充放电数据,并在不同的噪声环境下将本文提出的BP-UKF算法与EFK算法和UKF算法进行对比实验分析。实验结果表明,本文提出的BP-UKF算法的最大误差在2.18%以内,平均误差在0.54%以内,均方根误差在0.0044以内,较EKF算法和UKF算法有较大程度地提升;并且在较大的环境噪声条件下,BP-UKF算法的准确性提升更为明显。     

锂离子电池储能系统建模与控制策略研究

研究了含DC/DC变换器的锂离子电池系统的充放电特性。以锂离子电池等效电路为基础,提出了电池侧电感平均电流内环控制及恒功率、恒电流和恒电压切换的外环控制DC/DC双闭环策略。以锂离子电池当前荷电状态和充放电指令为输入条件,建立模糊控制模块,基于模糊理论对其充放电进行自适应安全控制。仿真结果表明所建立锂离子模型及控制策略正确性有效性。     

电动汽车退役锂电池一致性快速分选方法研究

我国已进入车用动力锂电池规模化退役高峰期,梯次利用作为合理解决大规模退役电池去处的主要途径,可有效缓解我国动力电池大规模退役压力,减轻新电池制造的原料负担。电池的快速分选是梯次利用关键技术之一,电池SOH作为快速分选的关键指标,对于提高电池单体、模块一致性,提升梯次利用产品的安全性能与经济价值具有重要意义。对电池健康状态评估方法做了综述,目前直接提取健康因子的方法由于测试时间短且精确度较高适用于大规模电池的快速分选,而基于大数据驱动的机器学习方法具有智能化、高效等优点是未来研究电池健康状态的重要方向。     

基于深度神经网络的梯次利用电池健康状态评估

随着大量退役电池梯次利用,对退役动力电池健康状态的准确估计是保障电池梯次利用安全高效运行的前提。针对上述问题,提出基于深度神经网络学习的梯次利用电池健康状态评估方法。根据不同循环次数下梯次利用电池充放电性能的差异性,从梯次利用电池物理特性角度挖掘影响梯次利用电池老化特征的主要参数,利用皮尔逊法计算电池老化特征与梯次利用电池健康状态的相关系数,选取较高相关度特征作为深度神经网络的输入,建立基于深度神经网络学习的梯次利用电池健康状态评估模型。通过美国国家航空航天局Ames卓越预测中心的锂离子电池测试数据仿真实例验证了该文方法的有效性。仿真结果表明,与传统神经网络相比,深度神经网络学习可明显提高梯次利用电池健康状态的预测精度,为退役动力电池健康状态评估提供理论依据。     

基于数据手册的任意辐照和温度下光伏电池模型参数提取

基于光伏电池数据手册提取光伏电池模型参数,常利用参数的半经验公式求取任意工况下的模型参数,但半经验公式仅为近似公式,将引入较大误差。文中提出一种任意工况下的光伏电池单二极管5参数等效电路模型参数提取方法。该方法利用光伏电池数据手册提供的I-V曲线关键点数据,通过短路电流温度系数和开路电压温度系数求得任意工况下的关键点电流、电压,针对关键点列写方程组求解参数,从而得出任意辐照和温度下的光伏电池I-V特性。以高效单晶硅电池在多种工况下的测量数据为例,进行光伏电池模型参数提取和I-V曲线计算。结果表明,与利用参数半经验公式求取任意工况下参数的方法相比,该方法具有更高的准确度,在所有工况下均方根误差（RMSE）均小于5%。     

极耳排布对AGM铅炭电池性能的影响CSCD

本工作研究了极耳在同侧和对侧两种不同的排布方式组成的超细玻璃纤维棉(AGM)铅炭电池在不同电压下的充电析气量、不同充放电倍率下的充放电曲线、不同温度下的容量及深循环性能。并采用SEM和XRD对循环前后的正极活性物质进行表征分析,采用LANHE CT2001D电池循环性能测试仪对电池进行性能测试。研究结果表明,极耳的排布方式对铅炭电池的性能有较大的影响;与极耳在同侧排布方式相比,将极耳以对侧方式排布能提高电池的放电平台,同时可以延缓正极活性物质的软化,提高其循环寿命。此外,极耳对侧排布的电池在不同电压下的析氢量均低于同侧极耳电池,电压越高,析气量差异越大。研究结果为铅炭电池结构的进一步优化提供借鉴。     

基于锂离子嵌入模型的NCM811电池性能北大核心CSCD

本工作以NCM811电池为主要研究目标,探究在正常工作情况下的电池性能。具体包括不同环境温度与放电倍率下的放电性能,以及初次循环与第2000次循环时的电池容量变化,得到电池的电压曲线,并将结果与NCM523电池以及NCA电池进行对比。同时,由于NCM811电池存在热安全问题,因此,探究了其在热失控情况下自身的电压与温升情况,总结了其温度传递规律,并与实验结果进行对照。基于上述结果得到:电池在正常工作情况下,NCM811电池在倍率充放电性能上表现优异,在大倍率充放电时电池容量保存较好,NCM523电池与NCA电池均表现出电池容量衰减;在电池的循环老化方面,与NCM523电池相同,NCM811电池也表现出明显的容量衰减,NCA电池容量几乎不发生变化;在高低温放电方面,电池在低温时的产热均高于高温时的产热,在相同的环境温度下,NCM811电池温升最为明显,存在较大的热安全隐患,NCM523电池与NCA电池升温较为平缓;在电池发生热失控时,电池电压突降至0 V,温度短时间内升至1200 K左右,仅在发生热失控的部分,温度随时间变化明显,其余部分温度趋于恒定。与实验过程相比,仿真过程热失控触发时间较晚,温度升高较快,电池最高温度较低。     

锂离子电池内阻检测系统的设计与实现

如今锂离子电池在各地有着广泛的应用,且在实际应用中又以组合电池的形式居多。而组合电池性能的好坏,则取决于组合电池中单体电池的电化学特性的一致性。这就需要在电池出厂前对电池的性能进行检测并分选。     

基于注意力改进BiGRU的锂离子电池健康状态估计

锂离子电池的健康状态(state of health,SOH)是电池管理系统的核心问题,对其精确的评估能够保障电池的安全可靠运行.然而在实际应用中,容量较难直接测得,导致SOH估算困难.为了获得准确的SOH,本文提出一种基于注意力改进双向门控循环单元(BiGRU)的锂离子电池SOH估计方法.首先提取电池充放电曲线中的电压、电流与阻抗等参数,通过自编码器(auto encoder,AE)对其降维,提取特征量并减少数据间的冗余性.其次,引入注意力机制(attention mechanism,AM)对输入变量分配权重,突出对SOH估计起到关键作用的特征量.最后,利用BiGRU学习输入变量与容量之间的映射关系,捕获容量衰减下的长期依赖性.在不同充电倍率的电池数据集上的结果表明,该方法对不同类型电池的SOH皆可以实现高精度估计,均方根误差在1.1％以下.