基于深度学习的铅酸电池健康状态估计

提出以对电池衰减老化敏感的电压增量作为特征量,使用铅酸电池全寿命周期数据,利用深度神经网络算法(DNN)建模,进行健康状态(SOH)在线估算,以提高预测的准确性。该方法能准确预测电池的SOH。在不同循环倍率(0.10C、0.15C和0.20C)下,以容量作为估算方法,SOH估算平均误差小于1.0%,最大误差不超过3.0%;在不同(60%、80%和100%)放电深度(DOD)下,以放电截止电压作为估算方法,SOH估算平均误差小于0.5%,最大误差不超过3.0%。

放电深度对铅炭电池正极板栅腐蚀影响的探究

研究了储能条件下成品铅炭电池在不同放电深度(DOD)时的正极板栅失效行为特征。电化学测试结果显示0.4 C循环过后铅炭电池容量保持率存在很大差异,放电深度越大容量衰减越严重,导致全生命周期总能量存在最优值。扫描电子显微镜法(SEM)分析表明:循环后正极板栅均出现了腐蚀,其中放电深度大的板栅表面及内部产生明显裂纹和孔洞,为体相腐蚀;X射线衍射光谱法(XRD)和X射线光电子光谱法(XPS)则显示放电深度加大时板栅氧化更多并且导电性更差,这归因于较大放电深度增加了板栅表面腐蚀层组成变化和承受的应力,从而导致其腐蚀加剧和循环稳定性下降。