关键词： 磷酸铁锂   动力电池   铜镀镍极耳   倍率性能  

摘要： 将纯镍、单面铜镀镍和双面铜镀镍分别作为磷酸铁锂圆柱动力电池负极极耳。采用金相显微镜分析两种不同复合结构的铜镀镍极耳,并采用多种方法测试了各个圆柱电池的电化学性能。结果表明,采用双面铜镀镍极耳圆柱电池在室温下表现出优异的倍率、温升、低温和循环性能,6 C充电恒流比为88.95%,6 C放电温升为25.3℃,低温-20℃时1 C放电容量比率为51.17%,6 C循环1 000周容量保持率为87.04%。

关键词： 磷酸铁锂锂离子电池   改进Thevenin模型   Simscape模型   最小二乘拟合法  

摘要： 为解决实际应用中精度和复杂度的矛盾,在原始Thevenin电池等效模型的基础上,通过增加RC网络的方式,得到精度和仿真时长均能满足要求的改进Thevenin等效电路模型;通过锂离子电池充放电实验,得到复合脉冲实验数据,运用最小二乘拟合法对电池模型参数进行辨别;建立基于Simscape模型库的改进型Thevenin电池仿真模型,并进行仿真。通过将原Thevenin模型仿真电压、改进模型仿真电压与实验实测电压进行对比,改进模型和原模型的平均误差分别为0.02 V、0.06 V。

关键词： 磷酸铁锂电池   二阶RC电路模型   HPPC   最小二乘法   充放电  

摘要： 实验以磷酸铁锂电池为研究对象,权衡准确度和复杂度选择二阶RC电路作为其等效电路模型,采用混合脉冲功率性能(HPPC)测试和最小二乘法进行参数辨识,通过充放电实验,验证模型精度。结果表明,模型仿真与实测结果之间的误差平均值约为4.304mV,最大误差为65mV,表明该模型能准确反映电池的静动态特性。

关键词： 磷酸铁锂电池   电动汽车   低温特性   热模型  

摘要： 电池温度是影响电动汽车动力电池性能的重要因素,重点研究了磷酸铁锂动力电池低温特性。设计并实施了磷酸铁锂电池低温实验,在实验数据的基础上分析了磷酸铁锂电池的低温动态特性。建立了磷酸铁锂电池热模型,结合实验数据研究了电池热模型、热物理参数和内阻辨识的方法。通过模型仿真的方法,验证了电池热模型的精度,仿真结果表明电池热模型能够很好地模拟电池的实际生热过程,并能够完整地模拟电池的低温热物理特性,可为电动汽车磷酸铁锂动力电池低温特性研究提供依据。

关键词： 废旧磷酸铁锂电池   1-甲基-2-吡咯烷酮   固相  

摘要： 研究使用N-甲基吡咯烷酮分离废旧磷酸铁锂电池中的正极活性物质与集流体,探讨分离效率随固液比、温度和时间的变化关系,再对分离得到的磷酸铁锂活性物质使用高温固相进行再生。结果表明,60℃固液比为1 g/10 mL,反应12 min时,正极活性物质与集流体的分离效率可达90.26%;高温固相中,原料粒径在0.054 mm

关键词： 电动汽车   磷酸铁锂   开路电压   预测  

摘要： 针对纯电动汽车在加速、减速交替期间,由于其动力电池放电后静置开路电压变化而导致电池组荷电状态(SOC)测量困难和估计误差大的难题,以某款磷酸铁锂动力电池为对象,根据电池电化学和等效电路理论,研究了基于行驶过程的纯电动汽车磷酸铁锂动力电池放电后静置开路电压随其时间变化的关系,运用系统辨识方法,通过实验建立了动力电池放电后静置开路电压预测模型,并以此对其进行实验验证,验证了该预测模型的可行性。

关键词： 磷酸铁锂电池   容量损失   活性锂离子损失   SEI膜稳定性  

摘要： 探索高温存储时容量损失根源有助于深入理解锂离子电池的失效模式,开发性能更优的锂离子电池。以商业化磷酸铁锂电池为样本,探索其在满电态、60℃存储容量损失的原因。发现电池的容量衰减主要来源于阳极与电解液反应所造成的活性锂离子损失。通过在电解液中加入SEI膜热稳定剂,提升SEI膜的高温稳定性,延长了电池高温储存寿命。

关键词： 荷电状态   电池管理系统   分段线性化   自适应卡尔曼滤波  

摘要： 快速、准确地估算电池的荷电状态在电池管理系统中起着非常重要的作用。由于等效电路模型参数随电池老化而变化,通过引入阿伦尼乌斯方程,将影响磷酸铁锂电池的充放电电流、温度、电池老化等因素作为修正量,采用分段线性化的方法,将开路电压与荷电状态之间的复杂非线性关系转化为线性化关系。在此基础上,采用自适应卡尔曼滤波算法估算电池的荷电状态,降低了荷电状态估计过程中的计算量,提高了荷电状态估算精度。

关键词： 磷酸铁锂   正极材料   改性  

摘要： 介绍了LiFePO4的多种制备方法及优缺点,重点综述了近年来LiFePO4正极材料在碳包覆、元素掺杂以及纳米化改性技术领域的最新进展。对比了各种LiFePO4正极材料改性方式的特点,指出了现阶段LiFePO4在实际应用中存在的问题,对LiFePO4正极材料的未来发展趋势进行了展望。

关键词： 磷酸铁锂电池   荷电状态   ELM   BP神经网络   SVM  

摘要： SOC(state of charge)的准确估算是电池管理系统的重要目标之一。针对传统神经网络方法在磷酸铁锂电池SOC估算中存在计算复杂、学习时间过长的问题,提出了一种新的基于ELM(extreme learning machine)的电池SOC估算方法。利用电池充放电系统完成磷酸铁锂电池在不同电流下的放电实验,获得实时测量的电压、电流。运用实验获得的数据对模型进行训练和预测,将预测效果与BP(back propagation)神经网络和SVM(support vector machine)进行对比,研究ELM在SOC预测中的可行性和优势。经分析可知,基于ELM的磷酸铁锂电池荷电状态估算模型的精度更高,并且网络训练速度得到大幅提升。