磷酸铁锂软包电池模组碰撞挤压安全性实验

采用一款磷酸铁锂软包电池模组,参照国标和某汽车集团电池模组挤压测试要求,对电池模组X、Y、Z方向进行挤压实验。第一次正向(Y向)挤压实验,电池模组前端板挤压失效。通过有限元仿真优化和加强模组端板结构,第二次模组Y向挤压实验通过。分析第一次和第二次Y向挤压实验数据,发现电池模组存在一定的安全边界。按照轻量化设计要求,对加厚的前端板又进行部分结构优化,进行第三次Y向挤压实验,也顺利通过。

基于气体在线监测的磷酸铁锂储能电池模组过充热失控特性

磷酸铁锂储能电池的热失控预警是其大规模推广应用急需解决的问题。首先分析了磷酸铁锂电池热失控产气机理,以硬壳磷酸铁锂电池模组和软包磷酸铁锂电池模组作为试验对象,分别由32块单体电池4并8串组成和72块软包单体电池6并12串组成,搭建与真实储能舱环境一致的试验平台。通过恒流过充的方式研究硬壳和软包磷酸铁锂电池模组过充至热失控的全过程,并采用可见光摄像头、气体探测器、红外监控系统进行全方位的产气在线监测。试验结果表明:磷酸铁锂电池过充至热失控燃烧是一个渐变的过程,并不是突变的;硬壳磷酸铁锂电池和软包磷酸铁锂电池过充热失控特性存在差异,但产气类型及气体质量浓度变化趋势基本一致;磷酸铁锂电池热失控各阶段反应现象与气体的质量浓度变化存在相互联系,可将H2、CO、CO2作为一级预警,HCl、HF作为二级预警,通过监测气体质量浓度变化,在过充的早期阶段做好应对措施,避免储能电池进一步热失控燃烧。研究结果可为磷酸铁锂储能电站的预警和消防提供有效的理论和试验支撑。

遗传算法优化神经网络整包电池SOC估计模型

针对Back Propagation(BP)神经网络建立的动力电池荷电状态(State of Charge,简称SOC)估计模型存在的精度、稳定性等问题,使用遗传算法(Genetic Algorithm,简称GA),对SOC估计网络模型进行优化。使用以轮盘赌算法配合最佳个体保存法做为遗传算法核心选择算法,避免传统选择算法中最佳个体可能丢失的情况。实验对象选用新能源氢电混动重卡4X2/6X2T FCV的辅助动力电池包。模型考虑了环境温度、放电电压、放电倍率以及直流内阻的影响,对不同隐含层数量对模型估计精度的影响进行了对比分析。测试结果表示,使用遗传算法优化后的神经网络SOC估计模型的精度和稳定性得到大幅提升。