锂离子电池的热失控模拟

通过锂离子电池的热模拟研究,对比了不同环境温度时,锂离子电池的温度变化和热失控状态. 进一步模拟了绝热条件下,锂电池的热失控状态.     

过充电条件下锂离子电池热失控数值模拟

采用数值模拟方法研究了过充电流（1C、2C、3C和4C）对三元锂离子电池热失控行为的影响.基于多物理场耦合方法建立了过充电条件下锂离子电池三维电-热耦合模型,对电池发生热失控的临界时间,临界温度以及热分布进行了模拟计算.模拟结果与试验测量结果符合较好,各个测试点处的温度和热失控临界点的误差小于8%.过充电流对锂离子电池热失控的临界温度、临界时间以及电池内外部温差有较大影响:过充电流越大,电池发生热失控的时间越短,临界温度越高,区域温差越大,内外部温差越大.      

低压环境下锂离子电池热失控特性研究

针对锂离子电池航空运输过程中热失控安全问题,设计并搭建了锂离子电池热失控实验室平台。在常压和低压环境下,对电加热触发锂离子电池热失控的特性进行了实验研究。通过实验数据的分析发现,锂离子电池在低压环境下的热失控行为与常压下有很大区别,几乎没有燃烧阶段。低压环境下,锂离子电池热失控过程中池体温度和喷射口温度低于常压环境。通过低压下锂离子电池热失控喷射特性的研究,可为航空货运锂离子电池的安全性研究提供数据支撑和理论支持。     

受限空间对锂离子电池热失控的影响

针对目前锂离子电池在实际运输及使用过程中通常处于受限空间中这一现状,选取市面上常见的18650型商用锂离子电池作为研究对象,在开放及不同容积(10、20 L)的受限空间中开展热失控实验.通过对比热失控现象与电池在热失控过程中的温度、电压以及实验舱内压力的变化,对锂离子电池热失控危险性进行研究.结果 表明:在一定容积范围...     

基于CFD的锂离子电池热失控多米诺效应研究

为研究空运包装内锂离子电池单元热失控传递的控制方法,首次提出锂离子电池热失控传递的多米诺效应理论模型.依据实际包装情况建立了包装盒内9个18650型锂离子电池的有限元模型,利用基于计算流体动力学的仿真软件Fluent对锂离子电池的热失控传递过程进行数值模拟;结合模拟结果定量分析锂离子电池热失控传递中的多米诺效应及电池单元热失控对临近电池温升的影响,以及通过控制电池放热和使用阻燃隔板来延缓包装内电池热失控传递的可行性.模拟结果不仅验证了构建的理论模型与数值模拟结果的一致性,并且显示基于理论模型参数提出的两种控制方法对延缓电池的热失控传递都具有显著效果.不仅可为控制空运锂离子电池热失控提供理论依据,还可对锂离子电池空运包装标准的制定提供技术参考.     

锂离子电池热失控特性及电池火抑制过程

为了研究大容量锂离子电池不同种类的热失控特性以及水喷雾对电池火的抑制效果,选用75 A·h锂离子动力电池为研究对象,通过底部电热炉加热诱导电池发生失控反应,并使用水喷雾研究其对电池火焰的抑制过程.结果 表明:在底部功率2 kW且温度为500℃下,锂离子电池平均经过4800s加热后发生热失控现象,热失控共分为五个阶段:受热膨胀、大量烟气释放、形成喷射火、稳定燃烧、自然熄灭.电池表面热失控触发温度为144℃,热失控过程中表面和内部温度最高可达536.8℃和910.1℃,并出现了电压回升现象;水喷雾无法阻止内部反应的进行,可能出现喷射火或复燃现象,在水喷雾的持续作用下能够有效熄灭锂离子电池火焰.研究结果可为锂离子动力电池检测系统和灭火规范提供数据支撑.     

锂离子电池热失控研究综述与文献计量分析

近年来,随着电动汽车行业的大力发展,锂离子电池作为电动交通工具储存和转化电能的重要载体大量涌入市场,但在使用过程中存在过充放电、局部过热以及外部挤压碰撞等滥用情况,可能会导致其性能下降,甚至引发热失控等安全问题。为此,对当前中外锂离子电池热失控的研究进展进行了综述总结,并通过VOSviewer可视化软件对发文量、期刊分布和关键词等进行分析。结果表明:当前锂离子电池的热失控是限制其发展的关键因素,目前主要从电池正极材料改性、电解液中添加阻燃剂、电池热管理设计三方面来提升锂离子电池的安全性。     

低压下锂离子电池热失控火焰特性研究

针对锂离子电池航空运输需求不断增大,而低压环境下锂离子电池热失控火焰特性研究甚少的现状,设计了60kPa、80kPa、100kPa三种压力下的锂离子电池热失控实验。在常压和低压环境下,对电加热触发的锂离子电池燃烧火焰特性进行了实验研究。实验结果表明,锂离子电池热失控的燃烧的火焰高度与普通池火不同,锂离子电池燃烧的火焰高度会随着时间而降低。随着压力的降低,锂离子电池热失控的火焰高度和燃烧时长都呈现出降低的趋势。 本文研究可为低压下锂离子电池热失控火行为的研究提供指引和支撑。     

基于计算流体动力学的锂离子电池热失控多米诺效应研究

为研究空运包装内锂离子电池单元热失控传递的控制方法,首次提出锂离子电池热失控传递的多米诺效应理论模型。依据实际包装情况建立了包装盒内9个18650型锂离子电池的有限元模型,利用基于计算流体动力学的仿真软件Fluent对锂离子电池的热失控传递过程进行数值模拟;结合模拟结果定量分析锂离子电池热失控传递中的多米诺效应及电池单元热失控对临近电池温升的影响,以及通过控制电池放热和使用阻燃隔板来延缓包装内电池热失控传递的可行性。模拟结果不仅验证了构建的理论模型与数值模拟结果的一致性,并且显示基于理论模型参数提出的两种控制方法对延缓电池的热失控传递都具有显著效果。不仅可为控制空运锂离子电池热失控提供理论依据,还可对锂离子电池空运包装标准的制定提供技术参考。     

基于热模型的动力电池热故障诊断系统

为提高车载动力电池热管理系统的可靠性,使电池温度维持在合理的范围内,根据镍氢电池的结构及传热学原理,建立了电池的热模型,实现了电池内部及表面温度的在线预测.通过模型预测温度与实际温度的对比,对电池温度异常状况进行在线诊断,并将诊断信息通过控制器局域网(CAN)通信传送给整车控制器,使整车及时对故障做出响应.试验结果表明,该系统能准确及时地诊断风机故障、电池剩余容量(SOC)过高及电池过充故障,有效避免了因热故障引起的电池过温.     

锂离子电池热失控原因及对策研究进展

综述了高安全型锂离子电池研究的最新进展和发展前景。主要从电解质和电极的高温稳定性方面介绍了锂离子电池热不稳定性产生原因及其机制,阐明了现有商用锂离子电池体系在高温时的不足,提出开发高温电解质、正负极修饰以及外部电池管理等来设计高安全型锂离子电池。对开发安全型锂电池的技术前景进行了展望。     

数控机床热误差的混合预测模型及应用

基于机床热变形误差的产生机理及其表现形式的复杂性,综合时序分析方法建模和灰色系统理论建模的优点,研究了一种智能混合预测模型.将该模型应用于一台数控车削加工中心进行热误差趋势预测,以进行机床热误差补偿研究.结果表明,混合预测模型预测精度高于时序分析模型和灰色系统模型,其优异的预测性能可使数控机床进行实时补偿更加有效,从而大大提高机床热误差的补偿精度.     

基于Hadoop分布式计算的混合神经网络负荷分类模型

为了对电力物联网背景下的海量负荷数据进行精细化分析,从中提取用电模式,提出一种基于Hadoop分布式并行计算的混合神经网络分类模型。首先,基于时间维度的一维卷积神经网络(1DCNN)搭建“负荷特征提取器”;其次,使用长短期记忆网络(LSTM)搭建“序列分类器”;最后,将该“混合神经网络分类方法”在Hadoop平台上搭建,实现算法的并行化运行,以适用于海量负荷曲线的高效辨识。使用标准时序数据与真实负荷数据测试该方法的分类性能,算例结果表明所提分类方法具有较高的分类精度,经并行化处理后有效提高了负荷数据的处理效率。     

基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测

为提升铁路货运量预测精度和泛化能力,综合考虑铁路货运量时间序列数据的线性和非线性特征,提出了基于ARIMA-LSTM-XGBoost组合模型的铁路货运量预测方法。首先使用ARIMA模型对我国铁路货运量进行初步预测,再利用LSTM网络对残差进行校正,并将其与XGBoost模型结合,采用误差倒数法确定权重,构建一种加权组合模型。最后将组合模型与ARIMA、ARIMA-LSTM、LSTM、XGBoost模型进行对比,借助均方误差(MSE)、均方根误差(RMSE)、平均绝对值误差(MAE)、平均绝对百分比误差(MAPE)对上述模型的预测精度进行对比分析。使用2007年-2021年全国铁路货运量月度数据进行实验,实验结果表明：组合模型的MSE、RMSE、MAE、MAPE分别为0.011 9、0.109 4、0.068 3、1.775 2%,预测误差均低于上述对比模型,模型的预测精度和泛化能力都有所提升。     

基于DTW-KiBaM模型的锂电池SOC估计

锂离子电池工作温度及老化程度是影响其荷电状态（State of Charge, SOC）估计算法准确性的关键因素.在二阶RC等效电路模型的基础上,提出了一种由动态时间规整算法（Dynamic Time Warping, DTW）与KiBaM模型（Kinetic Battery Model, KiBaM）相结合的混合模型.利用DTW算法基于充电电压数据确定电池老化状态,通过KiBaM模型计算电池由于电流效应导致的不可用容量,结合二阶RC等效电路模型推导新的SOC计算矩阵,采用无迹卡尔曼滤波算法（Unscented Kalman Filter, UKF）实现SOC估计.基于城市道路循环工况（Urban Dynamometer Driving Schedule, UDDS）验证了混合模型的准确性,实验结果表明,在10 ℃低温环境或经过200次循环老化后工作的锂离子电池,模型估计SOC的最大误差小于2%.     

基于深度学习和小波分析的 LSTM-Wavelet 模型股价预测

针对股价数据具有高噪声、非线性和非平稳性等特征,使得股价精确预测非常困难的问题,提出小波-长短 记忆网络(LSTM-Wavelet)模型应用于股价预测。 首先,利用小波(Wavelet)分解降低金融时间序列的不稳定性,并 分析小波系数的细节特征;接着,发挥长短记忆网络(LSTM)模型的优势,深层挖掘小波系数中的长期依赖关系,对 分解后的各层小波系数分别建模预测;最后进行预测小波系数的数据重构。 使用中石油近两年的股价数据进行实 证分析,以每个交易日的开盘价、最高价、最低价、交易量为特征输入,预测当日中石油的收盘价。 结果表明:相较 于标准 LSTM 模型和小波- ARIMA (ARIMA-Wavelet)模型,提出的 LSTM-Wavelet 模型有更好的预测效果; 通过 小波分析将复杂股票数据,分解为长短记忆网络(LSTM)容易识别的小波系数,根据各层小波系数不同的数据特征 进行分层预测,提高了预测精度。     

基于差分自回归移动平均模型、长短期记忆网络模型及相关模型的无人机俯仰角预测

为了提高无人机俯仰角故障数据处理和预测的精确性和可靠性,避免增加无人机试飞成本,利用长短期记忆网络（Long Short Term Memory,LSTM）、注意力机制+LSTM模型和差分自回归移动平均模型（Autoregressive Integrated Moving Average Model,ARIMA）模型预测无人机试飞俯仰角故障数据。结果表明,ARIMA预测结果：MAE（Mean Absolute Error）=0.35,RMSE（Root Mean Square Error）=0.73,MAPE(Mean Absolute Percentage Error)=23.80%;LSTM模型预测结果：MAE=0.49,RMSE=0.74,MAPE=45.20%;注意力机制+LSTM模型预测结果：MAE=0.17,RMSE=0.53,MAPE=18.93%。可见注意力机制+LSTM模型比其余两种模型更适合于试飞俯仰角的数据预测,以上三种方法对无人机故障数据预测都具有实际意义,有效的预测可以推进自动飞行器和移动机器人的异常检测或外国直接投资研究的最新进展,以进一步提高自动和远程飞行操作的安全性。