共查询到20条相似文献,搜索用时 234 毫秒
1.
2.
3.
锂离子动力电池的不同充电方式 总被引:1,自引:0,他引:1
《电源技术》2015,(9)
通过对磷酸鉄锂电池和三元电池恒流恒压充电方式的研究,考察了不同充电电流、不同截止电压及不同材料体系对电池恒流恒压充电的影响。结果表明,在不改变截止电压的情况下,随着充电电流的增大,恒流充入比减小,总充电容量相近,但能耗增加;在不同充电截止电压下,随着充电截止电压的降低,恒流充入比减小,充电容量和能耗都在减少,为保证电池容量,磷酸铁锂电池充电截止电压不能低于3.4 V;而不同材料体系对电池的充电方式影响也不同。 相似文献
4.
5.
探讨了采用锌 氧化银电池做UPS电源 ,在恒压充电电压与放电电压极其接近的情况下 ,能否保证足够的充电效率 ,能否提供足够的充电容量。并对充电电流的变化做了一些粗略的分析 ,计算出恒压充电的容量 ,将其与正常的恒流充电比较 ,解决了某工程用锌 氧化银电池设计过程中的一些关键问题。 相似文献
6.
研究锰酸锂(LiMn2O4)动力电池在高低温(-20、40、65℃)条件下的充放电性能.结果表明:(1)在-20℃时,锰酸锂动力电池的极化严重,相应的电压变化也比较大,充放电效率降低,使得电池在低温环境下充放电容量均有大幅降低;(2)在40℃和65℃时,由于电解质的阻值和极化的增加,同时大量气体的产生使电极发生变化,导致了电池容量下降,性能降低;(3)低温和高温情况均加速了锰酸锂动力电池电极的极化,造成随着充放电循环次数的增加,充放电容量持续衰减;(4)在-20℃锰酸锂动力电池的恒流充电时间相对变短而恒压充电时间相对变长,与40℃和65℃时电池恒流充电的温升速率相比,锰酸锂动力电池在-20℃时恒流充电的温升速率最大. 相似文献
7.
8.
9.
10.
11.
本文研究了全沉积型铅酸液流电池的充放电特性,分析了充放电制度、Pb2+浓度对电池充放电特性的影响规律。结果表明:在恒流充放电时电压比较稳定,随着充放电次数的增加,平均充电电压基本不变,而平均放电电压逐渐增大,能量效率也随之增大;随着放电电流密度的增大,放电电压和放电时间逐渐减小,而且电流密度过大或过小均导致库仑效率不高,经小电流循环充放电对电池激活后,再以较大电流充放电能显著提高电池的能量效率;随着Pb+2浓度的增加,电池的最大充电电压逐渐降低,放电电压逐渐增大,而且放电时间延长,表现出更好的充放电性能。 相似文献
12.
13.
14.
VRLA电池小电流放电终止电压的确定 总被引:2,自引:0,他引:2
对接入网电池在小电流使用状态下终止电压的确定作了简单地介绍。文章指出 ,(1)在电池设计时 ,电池活性物质的量一般根据电池的 10小时率而设计 ,而在使用时所参加反应的活性物质必须少于设计的量 ,才能确保其使用寿命。 (2 )在同一放电终止电压 ,较大电流放电时 ,电池的极化较大 ,电池所能放出的容量就少 ,所参加反应的活性物质就少 ,而较小电流放电时 ,电池的极化小 ,电池所能放出的容量就多 ,所参加反应的活性物质就多。因此 ,小电流放电时 ,电池终止电压应高于较大电流放电时的终止电压为宜 ,电池放出容量宜与设计容量相一致 ,为避免电池过放电 ,以确保电池的使用寿命 相似文献
15.
16.
17.
电池的不一致性是指同一规格、同一型号的电池在电压、内阻、容量等方面的参数差别。其中,电压不一致性的表现相对直观,也容易被测量。在MW级电池储能电站中,需要通过串并联成组来满足储能系统的电压等级和容量需求,电池单体数量高达几万节,而单体电池不一致性的存在,将不可避免地影响储能系统整体性能。针对200 kW/200(kW·h)锂电池储能系统和250 kW/1(MW·h)锂电池储能系统在不同时间阶段进行容量标定实验,经过长期运行后,分析单体电池电压不一致性对电池系统容量衰减的影响。结果显示:经过2年的运行,250 kW/1(MW·h)锂电池储能系统充电性能衰减了4.24%,放电性能衰减了2.6%,单体电压不一致性变化不大,而200 kW/200(k W·h)锂电池储能系统充电性能衰减了25.976%,放电性能衰减了27.120%,说明具备充放电均衡控制策略的锂电池储能系统能够很好地改善单体电压不一致性变化;250 kW/1(MW·h)储能系统已累计运行相当于100%DoD(depth of diacharge)充电27.11次,相当于100%DoD放电23次,充放电次数是造成该储能系统容量衰减的主要原因。 相似文献
18.
充电截止电压是大多数电动汽车用户充电都会经历的电压点。针对传统安时积分法忽略初始容量误差和电池老化等一系列待优化的问题,提出了双层集成极限学习机(extreme learning machine, ELM)算法,实现锂离子电池充电截止电压下的荷电状态(state of charge, SOC)和健康状态(state of health, SOH)联合估计。首先,提取易测的电池健康特征(health indicator, HI),采用集成极限学习机映射HI及充电所需时间与SOH之间的关系。其次,用测得的HI估计难以在线测量的充电所需时间,对充电截止电压下安时积分法的SOC进行在线修正。该方法充分考虑了电动汽车用户初始充电状态的不确定性,指导电动汽车用户合理充电。此外,通过选择合适的集成ELM模型集成度,解决了单个ELM模型输出不稳定的问题。最后,选用NASA和CALCE数据集进行实验验证。验证结果表明,锂离子电池充电截止电压下SOC的估计均方根误差均小于1.5%,集成ELM相比于其他常见算法具有较高的训练、测试精度和较短的预测时间。 相似文献
19.