锂离子电池剩余寿命间接预测方法简

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归（Gaussian process regression,GPR）方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

锂离子电池剩余寿命间接预测方法

针对锂离子电池在线剩余寿命预测时容量难以直接测量以及预测表达的不确定性等问题,提出一种利用锂离子电池充放电监测参数构建剩余寿命预测健康因子的方法框架,实现了锂电池健康状态的表征,同时利用高斯过程回归(Gaussian process regression,GPR)方法给出剩余寿命预测的不确定性区间,从而构建了锂离子电池在线剩余寿命预测的方法体系。基于NASA锂离子电池数据集和卫星锂离子试验数据的剩余寿命预测验证和评估实验,表明本文提出的方法框架可以很好地支撑电池在线剩余寿命预测的应用,具备较好的电池剩余寿命预测精度和不确定性管理能力。     

锂离子电池的多状态模型剩余寿命预测方法

针对锂离子电池的容量恢复现象导致的剩余寿命预测精度不高的问题,提出了一种锂离子电池的多状态模型剩余寿命预测方法.首先通过分析锂电池的衰退数据将锂离子电池的退化过程分为正常退化、容量恢复和加速退化三种状态,然后分别对三种状态的退化过程进行建模并验证了模型的有效性,将3种状态的模型组合得到锂离子电池多状态容量衰退模型.然后基于建立的模型提出了粒子群优化粒子滤波算法,用于多状态容量衰退模型进行参数识别和状态更新.最后实现了锂离子电池的剩余寿命预测和预测结果的不确定性表达.与其他方法相比,实验结果表明:所提出方法精度更高,鲁棒性更强.     

基于PF-GPR算法的锂离子电池剩余使用寿命预测

针对锂离子电池退化过程中不可避免的容量再生现象建立了电池退化模型,提出了融合粒子滤波(PF)和高斯过程回归(GPR)的电池剩余使用寿命(RUL)预测算法.仿真实验结果表明,所提出的算法能够实现准确的锂离子电池RUL预测.     

基于等压差充电时间的锂离子电池寿命预测

针对锂离子电池寿命在线预测时直接测量困难及容量再生的现象,提出一种基于等压差充电时间和改进高斯过程回归模型的电池寿命预测方法.建立了具备不确定性表达能力的高斯过程回归模型,并采用组合核函数与粒子群算法进行了模型优化.在恒流充电过程中提取等压差充电时间参数,将其作为健康因子建立了广义线性回归模型,通过预测等压差充电时间进行电池容量估计与寿命预测,根据电池充放电循环数据进行实验验证.结果表明:基于等压差充电时间的高斯过程回归模型预测方法可以预测容量非线性退化轨迹,具备较高的锂离子电池寿命预测精度及在线预测能力.     

基于新健康因子的锂电池健康状态估计和剩余寿命预测

容量和内阻是评估锂离子电池健康状态和预测其剩余寿命的重要指标,然而电池容量和内阻难以直接在线测量.通过分析锂离子电池充电过程中电流和电压的变化特征后提取出两种健康因子,并且证明所提因子与电池容量高度相关,进一步建立了用于锂电池容量估计的两因子线性回归模型.在此基础上,通过结合BP(back propagation)神经网络和粒子群优化思想设计锂离子电池健康状态估计算法.考虑到锂电池的健康状态和剩余使用寿命之间存在一定的映射关系,因此再利用所提取的健康因子和其健康状态估计结果设计了锂电池的剩余使用寿命预测算法.实验结果表明,所提取的健康因子能够准确地进行电池容量估计并应用于在线评估锂离子电池的健康状态和预测其剩余使用寿命.     

采用GRU-MC混合算法的锂离子电池RUL预测

锂离子电池的剩余使用寿命预测是电池管理系统的重要组成部分.为解决锂离子电池剩余使用寿命预测不准确的问题,提出一种基于门控循环单元和马尔科夫链的锂离子电池剩余使用寿命预测方法.首先,对数据进行数据清洗和数据规范,选择构建特征矩阵;然后,搭建基于门控循环单元网络的预测模型,并运用马尔科夫链算法对预测模型的初步结果进行误差修...     

聚合物锂离子电池负极电化学性能研究

制备了聚合物锂离子电池用负极 ,对其首次充放电效率、比容量、不同放电倍率下放电性能进行了测试 .首次充放电容量分别为 340 m A· h·g- 1和 310 m A·h· g- l,库仑效率可达 91% .以锂锰氧为正极组装了聚合物锂离子电池 ,通过测试表明制备的聚合物锂离子电池具有较好的循环性和大电流放电能力 .所制负极可应用于聚合物锂离子电池中 .     

碳纳米管作导电剂对LiFePO4锂离子电池性能的影响

考察添加碳纳米管作导电剂对LiFePO4锂离子电池性能的影响.采用液态锂离子电池工艺制备063048型LiFePO4锂离子电池,利用XRD,SEM及充放电方法对电池电极的结构、表面形貌和电化学性能进行表征和测试.研究结果表明:添加碳纳米管作导电剂的极片压实密度与未添加的相比提高了5%,同时也形成了良好的导电网络,电池内阻较小,电池首次放电容量达到131.8 mA·h/g,而未添加碳纳米管的首次放电容量为124.6 mA.h/g;添加碳纳米管作导电剂电池的循环性能较好,120次循环后容量几乎没有衰减,而未添加碳纳米管的电池经120次循环后容量保持率为94.1%.添加碳纳米管作导电剂电池的倍率性能优异,其6C的放电容量是0.5C的81.8%(其中,C为电流倍率),未添加碳纳米管的电池6C的放电容量是0.5C的75%.添加碳纳米管作导电剂的电池,电极界面阻抗比未添加碳纳米管的电池的界面阻抗小.     

基于PCA-NARX的锂离子电池剩余使用寿命预测

目前基于数据驱动的锂离子电池RUL预测方法不能较好地适应于同类型不同电池的RUL预测,且预测精度易受健康因子冗余或不足的影响.针对以上问题,提出一种结合主成分分析（PCA）特征融合与非线性自回归（NARX）神经网络的锂离子电池RUL间接预测框架.首先提取多个能反映电池性能退化的可测参数,并将PCA去除冗余后的结果作为预测健康因子;然后利用一组电池的全寿命数据构建基于NARX神经网络的健康因子和容量预测模型,对同类型不同电池预测时将该电池寿命前期健康因子作为输入,即可间接预测出其RUL.最后实验结果表明所提框架在同类型不同电池RUL的预测中精度较高且适应性较强.      

锂离子动力电池荷电状态联合估计应用

为了进一步提高锂离子动力电池荷电状态(SOC)的估计精度问题,在分析了电池电压、温度、电流和放电电量对电池SOC值的影响后,提出了一种新颖的混沌萤火虫算法(chaos firefly algorithm,CAF)和小波神经网络(WNN)相结合的锂离子动力电池SOC联合估计方法,该方法首次利用于电池SOC值估计中,通过新颖的混沌萤火虫算法优化小波神经网络,加入动量项优化网络的权值和调整修正参数,提高了网络的学习效率和SOC估计精度。克服神经网络进化缓慢并且容易陷入局部最小的缺陷,通过仿真和电池实际工况下实验,结果表明与WNN算法相比,所提出的方法具有更高的预测精度,均方根误差小于2%,验证了这一算法的可行性和有效性。     

矿用锂离子动力电池安全性智能充电关键技术研究

结合矿用锂离子动力电池在充电时的安全性特点,设计了一套可靠的矿用动力锂离子电池充电机。对该充电机采用的关键结构进行了介绍和分析,在理论推导和实验的基础上,对移相芯片UCC3895的参数进行了设计和优化,并介绍了最新的MAX11068电池管理芯片在该充电机上的应用。该充电机能快速安全地给大容量锂离子电池组进行充电,对于锂离子动力电池在煤矿安全生产中的推广应用具有重要意义。     

Understanding electrode materials of rechargeable lithium batteries via DFT calculations

Rechargeable lithium batteries have achieved a rapid advancement and commercialization in the past decade owing to their high capacity and high power density.Different functional materials have been put forward progressively,and each possesses distinguishing structural features and electrochemical properties.In virtue of density functional theory(DFT) calculations,we can start from a specific structure to get a deep comprehension and accurate prediction of material properties and reaction mechanisms.In this paper,we review the main progresses obtained by DFT calculations in the electrode materials of rechargeable lithium batteries,aiming at a better understanding of the common electrode materials and gaining insights into the battery performance.The applications of DFT calculations involve in the following points of crystal structure modeling and stability investigations of delithiated and lithiated phases,average lithium intercalation voltage,prediction of charge distributions and band structures,and kinetic studies of lithium ion diffusion processes,which can provide atomic understanding of the capacity,reaction mechanism,rate capacity,and cycling ability.The results obtained from DFT are valuable to reveal the relationship between the structure and the properties,promoting the design of new electrode materials.     

磷酸铁锂电池充电后静置的电压预测方法

混合动力电动汽车在行驶过程中的动态充电后静置开路电压不稳定。特别是再生制动充电时开路电压的变化,而导致常用的开路电压法存在SOC估计误差大和混合动力电动汽车动力控制策略难以实施。以磷酸铁锂电池为对象,依据电化学理论分析了其充电后静置过程中正负极表面锂离子扩散对开路电压的影响机理以及开路电压随时间的变化关系。再通过充电后静置实验和参数辨识方法,建立了充电后磷酸铁锂电池静置开路电压预测模型。以此对其充电后静置的开路电压进行了预测实验。结果表明,在实验工况下,该模型的最大预测误差为0.017V。     

基于鲸鱼算法优化长短时记忆神经网络的锂电池剩余寿命预测

为确保锂电池在军用无人机以及新能源汽车使用期间的安全性,需要对其进行全生命周期的健康监测和寿命预测。针对长短期记忆神经网络(Long Short-Term Memory, LSTM)模型参数较难选取导致所建立的锂电池剩余使用寿命预测方法精度不足问题,文中提出一种基于鲸鱼优化算法(Whale Optimization Algorithm, WOA)对LSTM的剩余寿命预测模型(WOA-LSTM)进行优化。首先使用WOA算法对LSTM的隐含层神经元数量、学习率进行寻优,避免经验选取参数的盲目性;其次将寻优后的超参数重新赋值给LSTM网络,构建与锂电池数据特征更为匹配的预测模型;最后采用NASA PCoE实验室锂电池的失效数据集验证算法的有效性。仿真结果表明,文中所提出的预测模型相较于LSTM模型、Elman模型、PSO-LSTM模型精度平均分别提升了7%、4%、3%,具有较好的预测效果。     

Tremella-like Molybdenum Dioxide as an Anode Material for Lithium ion Battery

1 Results Molybdenum dioxide, with excellent chemical and physical properties, has been widely used in various fields[1]. As an anode material for lithium ion battery, it exhibits higher capacity than commercial carbonaceous materials, and proper morphology, structure and particle size are necessary for MoO2 to be employed as an anode material for lithium ion battery[2].We have successfully obtained tremella-like structure self-assembled with hexagonal MoO2 nanosheets via hydrothermal method using ethyl...     

智能终端续航技术发展趋势

 锂离子电池材料技术发展缓慢，导致商用化锂离子电池能量密度的提升难度较大。移动互联网时代的到来，使得智能终端设备的外形向超薄、超轻的便携式发展，为智能终端电池容量和设备续航带来了挑战。为了研究移动智能设备的续航能力，针对智能终端设备所广泛采用的锂离子电池技术，分析了锂离子电池中各个部分的技术情况；通过对智能手机设备的功耗分布和各硬件要素的技术迭代研究，分析了未来智能终端整机的功耗趋势和空间设计趋势。分析表明，智能终端设备显示屏的功耗占整机功耗的主要部分，采用像素渲染技术可以有效降低显示屏模组的逻辑功耗和背光功耗，同时整机印制电路板（PCB）上硬件元素的不断集成，PCB走线工艺能力越来越精细化为电池的体积留出更多的空间。智能终端产品中的多种硬件元素协同优化，可以有效实现可靠的续航能力。     

锂离子电池工作的数学模型及特征概述

通过分析锂离子电池的数学模型,寻找变量之间的逻辑关系,总结出了锂离子电池的特性,实现了对锂离子电池系统规律的揭示与把握,有助于优化锂离子电池的生产与发展．     

两种不同的化成制度对锂离子电池性能的影响

采用磷酸铁锂作为正极材料,分析两种不同的化成制度对锂离子电池性能的影响.结果显示采用阶梯式化成的锂离子电池正极材料的比容量要比阶梯式化成的比容量高3 mAh/g左右,并且整个电池的充放电效率也要略高.从SEM图,没有发现不同,但是从XPS分析,阶梯式化成后锂离子电池负极CMS表面Li+含量明显要比恒流式化成要高,并且F和P峰明显要比恒流式化成更加复杂.     

基于改进门控循环单元神经网络的锂电池组荷电状态预测

准确预测锂电池组的荷电状态(state of charge, SOC)能够有效防止电池过度充电或者放电,是储能设备安全运行的重要保障。为了解决SOC无法通过测量直接获得的问题,提出了一种基于猎人猎物优化算法(hunter prey optimization, HPO)优化门控循环单元(gated recurrent unit, GRU)神经网络的预测模型。在GRU的基础上添加Dropout机制,来增强模型的泛化能力,并通过HPO算法优化GRU的超参数,使锂电池的数据特征与网络拓扑相匹配。为了验证HPO-GRU模型的有效性,以某储能公司现场采集的储能锂电池组历史数据进行仿真实验,并与反向传播神经网络(back propagation, BP)、长短期记忆网络(long short term memory, LSTM)和GRU 3种预测模型的预测结果进行对比分析。可得HPO-GRU模型预测值与真实值的误差最小,在5%以内。可见HPO-GRU模型的预测精度最高,具有良好的鲁棒性以及较强的泛化能力。