找到 2 条结果 · Applied Energy
揭示钠化石墨负极主导的NFPP/HC软包电池热失控机制
Uncovering Sodiated HC dominated thermal runaway mechanism of NFPP/HC pouch battery
Wei Li · Shini Lin · Honghao Xi · Yuan Qin 等8人 · Applied Energy · 2025年1月 · Vol.391
摘要 钠离子电池（SIBs）因其资源丰富和优异的电化学性能，被认为是大规模储能系统（LSESS）中极具前景的技术。然而，SIBs的安全性鲜有讨论，而热稳定性对其电池应用至关重要，尤其是在LSESS中的应用。本研究揭示了由钠化负极产热主导的Na₃Fe₂(PO₄)(P₂O₇)||硬碳（NFPP/HC）软包电池的热失控机制。基于电池和材料层面的产热分析表明，硬碳（HC）与电解液之间的放热反应在100 °C时即开始发生（NFPP与电解液的放热反应发生在约230 °C），且负极与电解液的反应释放大量热量，...
解读: 该钠离子电池热失控机理研究对阳光电源PowerTitan等大规模储能系统安全设计具有重要参考价值。研究揭示硬碳负极在100°C即开始放热反应,远低于正极材料230°C,且隔膜熔点接近热失控触发温度。这为ST系列PCS的热管理策略优化提供依据:需在电池簇级别加强温度监测,设置更严格的100°C预警阈值...
AM-MFF：一种基于注意力机制的多特征融合框架用于鲁棒且可解释的锂离子电池健康状态估计
AM-MFF: A multi-feature fusion framework based on attention mechanism for robust and interpretable lithium-ion battery state of health estimation
Si-Zhe Chen · Jing Liu · Haoliang Yuan · Yibin Tao 等6人 · Applied Energy · 2025年1月 · Vol.381
健康状态（SOH）是电池管理系统（BMS）中的一个关键参数。利用多种数据源可有效提升端到端SOH估计的性能。然而，现有的基于多维特征的方法未能充分挖掘不同数据源之间的内在关联。同时，大多数方法缺乏可解释性，并忽视了噪声带来的不利影响。本研究提出了一种基于注意力机制的多特征融合框架（AM-MFF），以实现鲁棒且可解释的SOH估计。AM-MFF结合了卷积神经网络（CNN）和注意力机制（AM）的优势，能够高效提取并融合健康特征，从而全面感知电池老化信息。该框架将两个运行阶段的数据作为输入，并通过两个独...
解读: 该AM-MFF锂电池SOH估算框架对阳光电源储能系统具有重要应用价值。其多特征融合与注意力机制可直接集成至ST系列PCS和PowerTitan储能系统的BMS中,提升电池健康状态预测精度和抗噪性能。多输入容错设计确保单传感器故障时系统仍可靠运行,符合大规模储能安全需求。注意力分数的可解释性有助于iS...