一种内短路故障电池性能劣化机制的分析方法

    公开(公告)号:CN117607718A

    公开(公告)日:2024-02-27

    申请号:CN202311314506.5

    申请日:2023-10-11

    摘要: 本发明提出一种内短路故障引发锂离子电池性能劣化的机制。对正常电池和隔膜破孔导致的正负极接触的短路电池进行耦合机械应力的电池内短路故障试验,获取正常电池与内短路故障电池的电压、电流、内外温度数据。分析电池外部综合性能,观测循环过程中的电池电压与温度变化,确定内短路故障对电池使用性能的影响。此外,对比正常电池与内短路电池在持续加压至热失控过程中的电压与内外温度差异,获得电池发生热失控时的最大机械应力,分析内短路故障对于电池安全性能的影响。本发明采取的短路实验模拟方式更接近于实际内短路情况,获取的电、热信号更加准确有效。

    一种锂离子电池内短路故障检测方法

    公开(公告)号:CN116008858A

    公开(公告)日:2023-04-25

    申请号:CN202310000800.2

    申请日:2023-01-03

    摘要: 本发明涉及电池故障检测技术领域,具体涉及一种锂离子电池内短路故障检测方法;在该方法中,首先在高SOC下进行恒压测试并计算电池的短路电阻,根据该短路电阻数据判断电池是否短路,若是,随后在低SOC下进行恒压测试,并计算短路电阻,根据该短路电阻数据是否与上一个短路电阻数据相同判断电池是内短路或外短路,若是内短路且为单层单体结构电池,则根据两次短路电阻数据判断具体的内短路类型;通过本方案的故障检测方法,可以有效判断得到故障电阻的内短路类型。

    一种内短路故障电池的制作方法
    18.
    发明公开

    公开(公告)号:CN115966776A

    公开(公告)日:2023-04-14

    申请号:CN202310016435.4

    申请日:2023-01-06

    IPC分类号: H01M10/058 H01M10/48

    摘要: 本发明公开了一种内短路故障电池的制作方法,首先制作短路触发装置、内部温度测量装置和参比电极装置;接着制作内短路电池,先在准备好的隔膜上进行打孔,随后将打孔后的隔膜在叠片过程中放入指定位置,同时加入制作好的三种装置;在利用极耳胶与PP管分别将参比电极装置、内部温度测量装置以及内短路触发装置与铝塑膜边缘的交汇位置进行包覆,最终,在电池定容完成后对注液口进行终封,得到内短路电池。本发明实现了内短路触发时刻可控、内部温度以及电位可测的目的。并且通过单层以及十层试验电池证明了引入短路触发装置、内部温度测量装置以及参比电极装置对单层电池的部分性能影响严重,而对十层电池几乎无影响。

    一种串联构架的电池化成装置及其应用方法

    公开(公告)号:CN115015777A

    公开(公告)日:2022-09-06

    申请号:CN202210541934.0

    申请日:2022-05-18

    摘要: 本发明提供了一种串联构架的电池化成装置及其应用方法。该装置包括:模块化部分功率变换器、电池单体、电池化成管理系统和恒压源,模块化部分功率变换器、所述电池单体和所述电池化成管理系统互相之间电路连接,恒压源通过模块化部分功率变换器实现电池单体的充放电控制,电池管理系统监测电池单体的电压,根据单体电池的状态为模块化部分功率变换器下发充电、放电和停止命令。模块化部分功率变换器包括多个串并联混合连接的隔离型DC‑DC变换器子模块。电池单体包括多个串联连接的锂离子电池单体。本发明基于电池串联构架将电池化成装置的设计容量缩减至约为传统化成装置的1/3,降低了设计成本及运行损耗,提升了电池化成装置的电压等级和化成效率。

    一种三元锂离子电池容量突变点预测方法

    公开(公告)号:CN113884900B

    公开(公告)日:2022-08-23

    申请号:CN202111066744.X

    申请日:2021-09-13

    IPC分类号: G01R31/371

    摘要: 本发明公开了一种三元锂离子电池容量突变点预测方法,从已有的电池加速老化数据中提取与新的电池具有相同加速老化模式的迁移样本,用于训练机器学习模型,最终预测新的电池的容量突变点。锂离子电池容量突变点预测方法包括加速老化模式判断,迁移样本选择以及容量突变点预测。具体为从三元锂离子电池放电容量‑电压曲线,容量增量曲线,电压差分曲线的早期变化曲线上提取表征锂离子电池的健康状态的17个老化特征参数,然后利用机器学习算法对锂离子电池的加速老化模式进行早期诊断,然后根据加速老化模式判断结果从已有的电池加速老化数据中进行样本选择,利用迁移样本训练机器学习模型,最终对新的电池进行容量突变点预测。