退役磷酸铁锂动力电池性能分析研究

随着电动汽车行业的快速发展,退役动力电池数量与日俱增。分析统计了某批退役磷酸铁锂动力电池的容量、内阻、容量保持率、容量恢复率等关键参数,发现退役电池的容量和内阻出现了较大程度的离散,在梯次利用前需重新筛选配组;此外,测试了其倍率性能、表面放热特性、高低温性能、循环寿命并拆解部分电池对电极材料的物相和表面形貌进行分析,结果表明,此退役电池仍具有较好的性能,可以在使用条件相对温和的领域进行梯次利用。     

动力电池梯次利用研究

动力电池是电动汽车的动力来源。随着电动汽车的推广,动力电池也进入蓬勃发展阶段。随后的几年内将会出现大量难以满足电动汽车要求的动力电池。因此,对动力电池进行梯次利用具有重要意义。首先介绍了国内外发展现状,详细分析了梯次利用关键技术与意义,最后对动力电池梯次利用进行总结并提出展望。     

退役动力电池梯次利用关键技术及现状分析

随着电动汽车动力电池的第一个退役高峰期的来临,废旧动力电池的后续处理对环境和社会资源提出严峻挑战,储能电站是退役动力电池梯次利用的有效途径,研究退役动力电池梯次利用关键技术及其发展现状具有重大现实意义。针对梯次利用电池面临的主要问题及技术难点,首先详细介绍了国内外一些梯次储能示范工程,总结梳理了当前行业内存在的相关政策与标准。在此基础上,对退役电池梯次利用过程中的电池分类筛选、重组、热失控特征、均衡控制及电极材料回收等关键技术展开研究,并着重分析不同方法及控制策略的优缺点。最后结合国内外电动汽车发展趋势,对梯次利用电池的商业应用模式进行探讨与展望。     

动力电池回收及梯次利用研究现状

随着传统能源与环境矛盾的日益突出,电动汽车已经越来越普及。然而,电动汽车淘汰下来的剩余容量为80%左右的动力电池的回收以及梯次利用成为了一个关键问题。综述了电动汽车用动力电池的回收与梯次利用研究进展,并对发展方向进行了展望。     

动力电池梯次利用关键技术与应用综述

近年来,随着新能源汽车产业的发展,动力电池迎来大规模退役,为避免资源浪费,延长电池使用寿命,对动力电池梯次利用技术的研究具有重大现实意义。为此从梯次利用技术的现状出发,分析国内外梯次利用项目和相关政策,对梯次利用过程中的检测、筛选、重组和均衡技术以及电池梯次利用在多种储能场景下的应用进行综述,并对锂离子电池梯次利用中的性能检测做出重点总结。最后总结了梯次利用在电池状态评估和梯次电池筛选上的技术难点与未来的研究趋势,指出以卡尔曼滤波为代表的模型驱动方法和以人工神经网络为代表的数据驱动方法的有机结合,可以有效提高电池状态评估与分选的效率,是重要的研究趋势;提出针对不同的电池工况和不同的梯次利用场景应具有多样性的检测和分选方法,并应制订具体标准;对梯次利用的级别、标准化程度以及退役电池回收体系几个方面的研究给出了合理的建议。     

动力电池梯次利用研究进展

随着电动汽车用锂电池的迅速发展,预计未来几年动力电池将进入大量回收的阶段,因此需要考虑电池的梯次利用,分析了电动汽车用锂离子电池的梯次利用的重要性,介绍了动力电池梯次利用的研究进展,并提出了动力电池梯次利用的过程和技术问题。     

磷酸铁锂动力电池寿命中期低温安全性能

以剩余容量84%的磷酸铁锂动力电池为样品,首先在25、0和-10℃充放电循环,然后对不同温度循环后的电池进行热安全实验(ARC实验),最后对不同温度循环后的电池进行拆解,通过X射线衍射(XRD)、扫描电子显微镜(SEM)进一步分析电池正负极材料的理化性能。实验结果表明,寿命中期的电池低温性能较差,电池在25、0和-10℃环境下,循环50周容量保持率分别为100%、93.5%和20%;寿命中期的电池低温循环后热安全性能降低,25、0和-10℃下循环后的电池热失控温度分别是165、157和108℃,低温循环使电池热失控温度提前;电池在低温循环过程中发生不可逆的电化学反应,负极极片表面产生锂枝晶,这是电池低温性能衰减和安全性能降低的主要原因。     

动力电池梯次利用技术专利分析

以智慧芽专利数据库检索结果为分析样本,对动力电池梯次利用专利的申请发展趋势、主要申请人、分布区域、技术领域和技术路线进行分析。梯次利用技术处于成长期,专利年申请量超100件,申请人以电力企业和高校院所为主;北京和广东的申请量较突出;技术领域以H01M10、H02J7和G01R31为主;技术路线侧重于研究应用场景,其中储能系统是研究热点。对我国动力电池梯次利用企业的研发生产和专利布局提出了建议。     

从废旧动力电池中回收制备磷酸铁锂

以废旧磷酸铁锂动力电池正极材料为主要原料,采用传统固相法制备得到Li Fe PO4正极材料。采用X射线衍射光谱(XRD)、扫描电子显微镜(SEM)对其结构、形貌进行表征。用电池测试系统对其电化学性能进行了研究。结果表明,废旧Li Fe PO4正极材料在550℃氮气气氛下灼烧1 h除粘结剂后,添加少量原料调节碳含量,可制备结晶度较高的橄榄石结构Li Fe PO4。材料的晶型完整,外形为类球形,平均粒径约10μm。碳含量为5%的样品具有最佳的电化学性能,对应样品在0.1 C下的首次放电比容量为148.0 m Ah/g,1 C下放电循环50次,放电容量达到初始容量的98.9%,具有良好的高倍率充放电循环性能,适合大规模工业推广。     

基于模糊聚类的动力电池梯次利用研究

针对退运电池一致性差、无先验理论和梯次利用筛选难度大等问题,研究了退运锂离子电池特性,在实验获取退运电池关键性能参数的基础上,将电池筛选与模糊数学的聚类分析方法相结合,建立电池筛选聚类分析模型,选择欧式距离法对数据进行聚类分析,然后通过截取阈值对电池进行了分类。结果表明,该方法分类符合电池的实际运行特性,满足梯次利用需求,同时证明了退运电池性能与箱体设计、成组拓扑有关,并且为成组电池整体性能改善提供了理论依据。     

电动汽车电池组分级均衡充电方法的对比研究

针对电动汽车电池组的特点,基于当前较为先进的非耗散型均衡技术,提出了两种分级均衡充电方法,并对所提出的策略进行对比分析。两种方案都利用了非耗散型均衡效率较高的特点,结合分级控制的概念,可有效适应包括电动汽车在内的大型电池组均衡应用情景。与传统的耗散型均衡相比,所提出的两种均衡方法减少了均衡充电时间,且能耗明显降低,从而降低了电池组热管理的难度,具有较强的实用性。     

梯次利用锂离子电池欧姆内阻测试方法研究

研究了欧姆内阻的三种测试原理和方法。在深入分析混合脉冲功率特性(HPPC)欧姆内阻测试方法的基础上,提出了梯次利用锂离子电池欧姆内阻测试的最佳采样点(放电下降沿,充电上升沿)和采样时间;建立了电化学阻抗模型,对不同直流偏置下的交流阻抗图谱进行了参数辨识,验证了欧姆内阻和直流偏置电流的不相关性,为电流转换法中100ms采样时间下测试欧姆内阻提供了理论依据;研究了基于电流转化法的欧姆内阻测试新方法,该方法在100 ms采样时间下,有效地减小了测试设备和数据采集响应误差的影响,并适当地减小了极化对欧姆内阻的影响,提高了欧姆内阻测试的准确性。     

电动自行车及其电池

电动车发展是自然和人类生活的需要,其动力源电池具有多样化。电动自行车是一种电动车,在众多的电池中,从电池的性能价格比和安全可靠等综合因素来考虑,目前仍以铅蓄电池作为电动自行车的首选电池,但尚需进一步提高其比能量和循环寿命性能,以便更好地适应电动自行车对电池的要求,并开发其他更好的新型电池替代含有大量有害铅的铅蓄电池。     

纯电动汽车用VRLA蓄电池的研发

根据电动汽车电池的相关要求及特性,参照国内外动力电池的开发经验,开发研制出适合于纯电动汽车的VRLA蓄电池（6-DM-150）。通过对比实验,验证了该种电池用于电动汽车的优异性能．     

超级电容与动力锂电池混合型电动汽车的工程研究

超级电容器是近年来发展起来的一种新型的储能装置,具有功率密度高、寿命长,使用温度宽及充放电迅速等优点。随着电动车辆的研究不断深入,电动汽车在电池使用寿命,功率型电池加速时瞬间大功率释放存在瓶颈,以及电池制动时能量回收率不高等诸多问题开始显现,影响了电动车辆的使用和推广。介绍了超级电容、锂离子动力电池的性能,以及超级电容与电池混合电能的研究及其在电动汽车上的应用。     

水平电池国内外相关技术发展状况

综述了动力电池的发展趋势 ,阐述了水平电池的原理和特点 ,介绍了水平电池的两种形式 ,指出了未来电动车电池的研究方向     

VRLA电动车电池设计方案

介绍了VRLA12V-10Ah电动车电池的设计方案。从设计理念、方案实施两个方面作了简单介绍,并对在实际生产操作中得到的一些数据进行了分析及总结。     

Estimation of the state of charge for a LFP battery using a hybrid method that combines a RBF neural network,an OLS algorithm and AGA

A method to accurately estimate the State-of-Charge (SOC) for LiFePO₄ (LFB) batteries is urgently required, to address the issues associated with the increased use of LFP batteries for portable devices. This paper proposes a hybrid method that combines a radial basis function (RBF) neural network, an orthogonal least-squares (OLS) algorithm and an adaptive genetic algorithm (AGA) to estimate the SOC in discharging condition. The OLS algorithm determines the optimal number of nodes in the hidden layer of the RBF neural network. With an optimal RBF neural network structure, the AGA is then used to tune the parameters of the RBF neural network, including the centers and widths of RBF and the connection weights. The trained RBF neural network is then used to estimate the SOC of a LFP battery. In order to demonstrate the effectiveness of the proposed estimation method, the method is tested using LFP batteries under several different discharging conditions. The effectiveness of the proposed method is compared with the Coulomb integration method and a back propagation (BP) neural network. The results show that the proposed method outperforms the other methods.